ตัวละครหลักไม่ใช่ตัวการ์ตูนหรือหุ่นยนต์ที่ฟาดฟันดุเดือด แต่เป็นนักวิทยาศาสตร์ AI ที่ไม่รู้จักเหน็ดเหนื่อยตลอด 24 ชั่วโมงทุกวัน นั่นคือ FARS (Fully Automated Research System)
ระบบวิจัยอัตโนมัติเต็มรูปแบบที่สร้างโดย Analemma นี้ ในระหว่างการทำงานต่อเนื่องแบบสาธารณะเป็นเวลา 228 ชั่วโมง 28 นาที 33 วินาที สามารถตั้งสมมติฐาน ทำการทดลอง และเขียนบทความวิจัยด้วยตัวเอง สร้างสมมติฐานการวิจัยทั้งหมด 244 ชิ้น และ “ทุ่มเท” เขียนบทความสั้น (short paper) ออกมา 100 เรื่อง
คำนวณแล้ว ใน “โรงงานวิจัย” แบบสายการผลิตนี้ จะมีบทความวิจัยออกมาทุกๆ ประมาณ 2 ชั่วโมง
ปริมาณผลผลิตระดับอุตสาหกรรมที่หลุดพ้นจากกรอบการวิจัยแบบดั้งเดิมนี้ ทำให้ผู้ใช้เน็ตที่ตามชมอยู่ไม่สามารถนั่งเฉยได้
ผู้ใช้เน็ตมืออาชีพกลุ่มแรกที่ได้ “ตรวจสอบสินค้า” อย่างลึกซึ้งได้ให้การประเมินที่ค่อนข้างสอดคล้องกัน: ผลลัพธ์เกินความคาดหมาย ค่อนข้างยอดเยี่ยม
หากมองว่ามันเป็นบทความวิจัยระดับท็อปของมนุษย์ มันยังไม่น่าตื่นเต้นพอ แต่หากพิจารณาว่านี่เป็นผลผลิตระยะหนึ่งของระบบอัตโนมัติเต็มรูปแบบ ระดับความสมบูรณ์ของมันก็เกินความคาดหมายก่อนหน้านี้ของหลายคนอย่างชัดเจนแล้ว
“เมื่อพิจารณาว่านี่เป็นเพียงการเริ่มต้นอิสระของ AI เท่านั้น ยังสามารถผลิตผลงานที่มีคุณภาพระดับนี้ได้อย่างมั่นคงตลอด 24 ชั่วโมงทุกวัน จะต้องการอะไรอีกเล่า?”
 |
 |
|---|---|
และที่สำคัญคือ มันใช้งานได้จริง ไม่ได้มีแต่ภาพหลอนตลอดทั้งเรื่อง
อย่างน้อยในขั้นตอนปัจจุบัน FARS ได้ก้าวข้ามจุดสำคัญไปแล้วหนึ่งครั้ง มันพิสูจน์เป็นครั้งแรกว่า “สายการผลิต” วิจัยที่ไม่มีคนดูแล ไม่เพียงแต่สามารถทำงานได้ แต่ยังสามารถผลิตผลงานระดับ short paper ที่มีความสามารถทางการวิชาการในระดับหนึ่งได้อย่างต่อเนื่องภายใต้เงื่อนไขที่ค่อนข้างมั่นคง
“ความหายากของการตีพิมพ์บทความวิจัย” ถูกทำลายลงแล้ว
“จังหวะอุตสาหกรรม” น่าตกใจ: กำลังประมวลผลกำลังเปลี่ยนเป็นความรู้
FARS ไม่ใช่โมเดลเดี่ยว แต่เป็นระบบมัลติเอเจนต์ที่ประกอบด้วยโมดูลการทำงานสี่ส่วน:
- Ideation (การคิด构思): รับผิดชอบการสำรวจวรรณกรรมและสร้างสมมติฐาน
- Planning (การวางแผน): รับผิดชอบการออกแบบแผนการทดลอง
- Experiment (การทดลอง): รับผิดชอบการเขียนโค้ดและการดำเนินการ
- Writing (การเขียน): รับผิดชอบการเขียนบทความวิจัย
จากอินเทอร์เฟซการทำงานแบบเรียลไทม์ จะเห็นได้ชัดว่า FARS ดำเนินงานวิจัยหลายโครงการแบบคู่ขนานในรูปแบบคิว โครงการวิจัยแต่ละเรื่องจะผ่านสี่ขั้นตอนตามลำดับ: Ideation → Planning → Experiment → Writing กระบวนการเป็นโมดูลสูง แสดงให้เห็นลักษณะของ “สายการประกอบวิจัย” อย่างชัดเจน
อินเทอร์เฟซการทำงานแบบเรียลไทม์ของ FARS: จากสร้างสมมติฐานถึงเขียนบทความวิจัย สายการผลิตวิจัยอัตโนมัติได้แสดงออกมาอย่างสมบูรณ์เป็นครั้งแรกในรูปแบบที่สังเกตได้
เพื่อให้มันสามารถทำวิจัยได้อย่างจดจ่อ Analemma ยังสร้างคลัสเตอร์คอมพิวเตอร์ที่มีการ์ดจอ 160 ใบให้มัน และอนุญาตให้มันเรียกใช้โมเดลภาษาขนาดใหญ่ทั้งแบบโอเพ่นซอร์สและแบบปิดเกือบทุกชนิด เงื่อนไขการทดลองเหนือกว่าห้องแล็บมหาวิทยาลัยส่วนมาก
และกำลังการผลิตของ “สายการผลิต” นี้ ถึงระดับที่ยากจะมองข้าม ในรอบการทำงานต่อเนื่องประมาณ 228 ชั่วโมง (≈9.5 วัน):
- ระบบสร้าง สมมติฐานการวิจัย 244 ชิ้น
- เขียน บทความสั้น (short paper) 100 เรื่อง
- ใช้ โทเค็นสะสม 11.4 พันล้านโทเค็น
- ต้นทุนรวมประมาณ 104,000 ดอลลาร์สหรัฐ (≈750,000 หยวน)
ทั้งหมดนี้ไม่มีมนุษย์เข้าแทรกแซงตลอดกระบวนการ
เมื่อทำการนอร์มัลไลซ์เพิ่มเติม “จังหวะอุตสาหกรรม” ของระบบนี้จะเห็นได้ชัดเจนยิ่งขึ้น: โดยเฉลี่ยทุกๆ ประมาณ 2 ชั่วโมง 17 นาที จะมีบทความวิจัยหนึ่งเรื่องเสร็จสิ้น ต้นทุนเฉลี่ยต่อบทความประมาณ 1,000 ดอลลาร์สหรัฐ ใช้โทเค็นมากกว่า 100 ล้านโทเค็น
เมื่อเทียบกับรอบการวิจัยทั่วไปของมนุษย์ที่ 3-6 เดือนต่อบทความ ช่องว่างของปริมาณผลผลิตนี้แตกต่างกันเกือบระดับออร์เดอร์ของขนาด (order of magnitude) และต้นทุนก็ต่ำมากด้วย
อย่างไรก็ตาม หากเปลี่ยนมุมมองจากปริมาณผลผลิตไปเป็นประสิทธิภาพ การใช้โทเค็นประมาณ 114 ล้านโทเค็นต่อบทความ สูงกว่าการสร้างงานเขียนทั่วไป (ปกติระดับล้านโทเค็น) และงานเอเจนต์ที่ซับซ้อนทั่วไป (ปกติระดับล้านหรือสิบล้านโทเค็น) อย่างชัดเจนแล้ว
นี่บ่งชี้ว่า FARS ยังอยู่ในขั้นตอน “แลกกำลังประมวลผลด้วยความฉลาด” ประสิทธิภาพของมันส่วนใหญ่มาจากความหนาแน่นของการคำนวณ มากกว่าการบีบอัดขีดจำกัดของประสิทธิภาพอัลกอริทึม
โดยสรุป ในด้านหนึ่ง FARS ได้พิสูจน์ด้วยผลการทดสอบจริงแล้วว่า สายการผลิตวิจัยอัตโนมัติแบบเอนด์ทูเอนด์นั้นเป็นไปได้จริงในแง่ของปริมาณผลผลิต ในอีกด้านหนึ่ง โครงสร้างโทเค็นและต้นทุนในปัจจุบันของมัน ยังมีช่องว่างทางวิศวกรรมก่อนที่จะถึงระดับ “สามารถทำงานขนาดใหญ่ได้ในราคาที่ถูกพอ”
คุณภาพ: มันเขียนเร็ว แล้วเขียนดีไหม?
ปริมาณมาก ไม่ได้หมายความว่าคุณภาพดีโดยอัตโนมัติ สิ่งที่ FARS เขียนออกมา มีระดับคุณภาพอยู่ที่ไหน?
เพื่อจุดประสงค์นี้ ทีมวิจัยใช้ระบบตรวจบทความ AI ที่พัฒนาโดยมหาวิทยาลัยสแตนฟอร์ดชื่อ Agentic Reviewer ตรวจให้คะแนนบทความ 100 เรื่องนี้อย่างเป็นระบบตามมาตรฐานการตรวจของ ICLR ตามการประเมินที่เปิดเผยโดยนักพัฒนา Agentic Reviewer มีความสม่ำเสมอในการตรวจบทความถึงระดับการตัดสินของผู้ตรวจบทความที่เป็นมนุษย์แล้ว
นักพัฒนาได้ทำการประเมินเปรียบเทียบบนข้อมูลการตรวจบทความ ICLR 2025 โดยใช้สัมประสิทธิ์สหสัมพันธ์สเปียร์แมน มนุษย์ vs มนุษย์: 0.41; AI vs มนุษย์: 0.42 นักพัฒนาคิดว่า agentic reviewing กำลังเข้าใกล้ระดับมนุษย์
จากผลการให้คะแนนโดยรวม ในบรรดาบทความ 100 เรื่องที่ผลิตโดย FARS คะแนนเฉลี่ยอยู่ที่ 5.05 (ช่วง 3.0–6.3) มีบทความจำนวนน้อยอยู่ในช่วงคะแนนต่ำ 3.0–4.5 และมีบทความจำนวนน้อยมากที่เกิน 6.0 คะแนน
คะแนนบทความของ FARS ส่วนใหญ่กระจุกตัวอยู่รอบๆ 5 คะแนน แสดงว่าคุณภาพผลผลิตไม่ใช่การแกว่งตัวแบบสุ่ม แต่ได้สร้าง “แถบคุณภาพ” ที่ค่อนข้างมั่นคงแล้ว ตัวอย่างบางส่วนที่เข้าสู่ช่วงคะแนนมากกว่า 6 คะแนน หมายความว่าระบบสามารถผลิตผลงานที่ยอดเยี่ยมเป็นครั้งคราวได้
แล้วผลงานนี้ เมื่อเทียบกับผลงานของมนุษย์ล่ะ?
เพื่อการอ้างอิง คะแนนเฉลี่ยของการส่งบทความของมนุษย์ใน ICLR 2026 คือ 4.21 ส่วนคะแนนเฉลี่ยของบทความที่ได้รับการตีพิมพ์ในที่สุดคือ 5.39
เมื่อเปรียบเทียบแล้ว คะแนนเฉลี่ย 5.05 ของ FARS สูงกว่าระดับเฉลี่ยโดยรวมของการส่งบทความของมนุษย์อย่างชัดเจน แต่ยังมีช่องว่างกับ “เส้นคะแนนเฉลี่ยของการได้รับการตีพิมพ์” เรียกได้ว่า เหนือกว่าคนทั่วไป แต่ยังไม่ถึงระดับยอดเยี่ยม
คะแนนเฉลี่ยของบทความวิชาการที่สร้างโดย FARS สูงกว่าค่าเฉลี่ยของผู้ส่งบทความที่เป็นมนุษย์ แต่ยังมีช่องว่างกับคะแนนเฉลี่ยของการได้รับการตีพิมพ์
ต้องเน้นย้ำอีกครั้งว่า การผลิตอัตโนมัติครั้งนี้เน้นที่บทความสั้นเป็นหลัก และไม่ได้ใช้มาตรฐานการตรวจของงานประชุมวิชาการปัจจุบันเป็นเป้าหมายการปรับ优化 ดังนั้น ไม่ว่าจะเป็น Agentic Reviewer ของมหาวิทยาลัยสแตนฟอร์ดหรือผลการตรวจบทความ AI อื่นๆ ที่อิงตามมาตรฐานการตรวจเฉพาะที่มีอยู่ ล้วนสามารถใช้เป็นข้อมูลอ้างอิงได้เท่านั้น ไม่ใช่ข้อสรุปสุดท้าย
ตามที่ทีมเปิดเผย นอกจากตรวจบทความด้วย AI แล้ว ขณะนี้กำลังดำเนินการตรวจคุณภาพด้วยมนุษย์ควบคู่กันไป และจะจัดทำรายงานคุณภาพ綜合หลังการประเมินเสร็จสิ้น
แม้ภายใต้ข้อสมมติที่ระมัดระวังนี้ เมื่อรวมข้อมูลทั้งสองส่วนก่อนหน้าและหลังมาร่วมสังเกต สัญญาณโดยรวมยังค่อนข้างชัดเจน: ในระบบการประเมินที่เข้าใกล้มาตรวัดของผู้ตรวจบทความที่เป็นมนุษย์ FARS ได้กลายเป็น เครื่องจักรผลิตผลงานระดับกลางที่มั่นคง แล้ว
อ่านบทความลึกซึ้ง: จาก “ติดตามความเร็วสูง” ถึง “เผชิญหน้ากับความล้มเหลว”
หากข้อมูลและคะแนนก่อนหน้าสามารถให้เพียงมาตราส่วน宏观 ตัวอย่างบทความเฉพาะเจาะจงต่างหาก ที่จะเผยให้เห็นคุณภาพการวิจัยที่แท้จริงของ FARS
มีผู้ใช้เน็ตที่วิเคราะห์งาน LLM-as-a-Judge หนึ่งเรื่องแล้วให้ความเห็นว่า บทความประเภทนี้มีการจัดโครงสร้างบทคัดย่อและการ切入ปัญหา ค่อนข้างเรียบร้อยแล้ว เมื่อพิจารณาว่านี่เป็นผลผลิตอัตโนมัติของ AI ระดับความสมบูรณ์ “เกินความคาดหมาย” แล้ว แผนภาพกรอบ แผนภาพผลลัพธ์ การวิเคราะห์พื้นฐานครบถ้วน “ดูเหมือนบทความวิจัย” มีคนคิดว่าโครงการหมายเลข FA0008 “make sense” ด้วย
ต่อไป เราจะเลือกตัวแทนผลงานที่สำเร็จหนึ่งเรื่องและล้มเหลวหนึ่งเรื่อง เพื่อสำรวจให้ลึกซึ้ง
มาดู FA0121 ที่ “ทำไม่สำเร็จ” อีกเรื่องหนึ่ง
การสำรวจวรรณกรรมของมันทรงพลังมาก มองไปที่สถาปัตยกรรมแบบ sparse ใหม่ที่ DeepSeek เสนอชื่อ Engram และจับประเด็นปัญหาที่มีกลิ่นการวิจัยได้อย่างแม่นยำ – “hot-to-cold advantage flip” นั่นคือ gate ใน Engram ระหว่างกระบวนการฝึกฝนยากที่จะปรับเปลี่ยนอย่างแม่นยำตามประสิทธิภาพการใช้จริงของ n-gram embedding มีอคติ偏向ระหว่างความถี่สูง (hot) และความถี่ต่ำ (cold)
เพื่อทำลาย “ปรากฏการณ์แมทธิว” นี้ FARS ลองใช้วิธีการที่เข้มข้นมากตามสัญชาตญาณ: พยายามแก้ไขปัญหา “อคติร้อน-เย็น” ในสถาปัตยกรรม DeepSeek Engram ผ่าน “การควบคุม gate แบบ counterfactual (CGS)” ในขั้นตอนการฝึกเฉพาะ ให้บังคับ gate เปิดเต็มและปิดเต็มแยกกัน คำนวณความแตกต่างของ loss ในทั้งสองกรณีเพื่อประมาณประสิทธิภาพการใช้จริงของ n-gram embedding ปัจจุบัน และใช้เป็นสัญญาณควบคุมเสริมเพื่อฝึก gate
แผนภาพวิธีการของ FA0121
ผลการทดลองหลัก
แนวคิดเป็นไปตามสัญชาตญาณ แต่ผลลัพธ์บอกความจริง – โดยพื้นฐานแล้วช่วยไม่ได้เลย การปรับปรุงเล็กน้อยที่ CGS นำมา ไม่ดีไปกว่าการให้โมเดลฝึกเพิ่มอีกสัก几步 นี่แสดงว่า การจะแก้ไขอคติของ AI แค่靠 “โค้ชให้คะแนน现场” ไม่พอ ต้องลง功夫ที่ระบบ (สถาปัตยกรรม) ที่ลึกซึ้งกว่านั้น
บทความให้การทบทวนผลงานก็到位: การฝึก gate และ n-gram embedding เป็นปัญหาพลวัตของระบบที่เชื่อมโยงกัน ไม่ใช่แค่เพิ่มการควบคุมเสริมก็เติมเต็มได้ ค่าของงานชิ้นนี้อยู่ที่: มันไม่ได้พยายามปกปิดผลลัพธ์เชิงลบ ไม่ได้篡改ข้อมูลหรือ强行解释เพื่อ追求ผลลัพธ์เชิงบวก แต่ผ่านชุดการทดลองวินิจฉัย (Diagnostic Experiments) ที่严密 ทบทวนความล้มเหลวของ CGS “ความซื่อสัตย์ของอัลกอริทึม” แบบนี้ เป็นคุณสมบัติที่หายากในแวดวงวิชาการปัจจุบัน
 |
 |
|---|---|
