ผลงานสุดปังของ Google AlphaEvolve ครบ 1 ปี: ปรับแต่งชิป แก้โจทย์คณิตศาสตร์ เพิ่มประสิทธิภาพระบบไฟฟ้า AI เริ่มออกแบบฮาร์ดแวร์ของตัวเองแล้ว

เวลาผ่านไปอย่างรวดเร็ว AlphaEvolve ได้เปิดตัวมาครบหนึ่งปีแล้ว

ไม่นานมานี้ Google ได้เผยแพร่สรุปผลงานประจำปีที่สร้างความสั่นสะเทือนให้วงการอย่างเงียบๆ

รายงานผลงานนี้แสดงให้เห็นว่า ในเวลาเพียงหนึ่งปี AlphaEvolve ได้บรรลุภารกิจที่ก้าวล้ำมากมาย: ช่วย Terence Tao 破解โจทย์คณิตศาสตร์ ออกแบบวงจรใหม่ให้กับชิปควอนตัม ปรับกลยุทธ์การจัดการระบบไฟฟ้า เร่งกระบวนการคัดกรองยา และแม้กระทั่งมีส่วนร่วมโดยตรงในการปรับปรุงการออกแบบแผ่นซิลิคอนของ TPU รุ่นต่อไป

ข้อเท็จจริงเหล่านี้ชี้ชัดว่า: AlphaEvolve ไม่ใช่เครื่องมือพิสูจน์แนวคิดในห้องปฏิบัติการอีกต่อไป

เอเจนต์โปรแกรมมิ่งเชิงวิวัฒนาการที่ขับเคลื่อนโดย Gemini นี้ ใช้เวลาเพียงหนึ่งปีในการเปลี่ยนจากแนวคิดทางทฤษฎีในเอกสารวิชาการ กลายเป็นส่วนประกอบที่ขาดไม่ได้ในโครงสร้างพื้นฐานหลักของ Google

ดังที่ผู้ใช้อินเทอร์เน็ตรายหนึ่งแสดงความคิดเห็น: ความสามารถในการปรับปรุงตนเองแบบวนซ้ำนี้ช่างเหลือเชื่อจริงๆ

ร่วมมือกับมันสมองชั้นนำของมนุษย์

ก่อนอื่น เรามาโฟกัสที่ผลงานที่น่าตกใจที่สุดกันก่อน

ในด้านจีโนมิกส์ AlphaEvolve ประสบความสำเร็จในการปรับปรุงโมเดล DeepConsensus ของ Google โดยลดอัตราข้อผิดพลาดในการตรวจหาการกลายพันธุ์ในการจัดลำดับดีเอ็นเอลงอย่างมากถึง 30%

Aaron Wenger ผู้อำนวยการอาวุโสของ PacBio ประเมินว่า ความก้าวหน้านี้หมายความว่านักวิจัยอาจค้นพบการกลายพันธุ์ที่ก่อให้เกิดโรคที่เคยถูกซ่อนไว้ – กล่าวอีกนัยหนึ่ง อัลกอริทึมที่ปรับปรุงโดย AI อาจช่วยให้มนุษย์พบเบาะแสการช่วยชีวิตใหม่ๆ

ในด้านการคำนวณควอนตัม AlphaEvolve ได้ออกแบบชุดวงจรควอนตัมใหม่ทั้งหมดให้กับโปรเซสเซอร์ควอนตัม Willow ของ Google ซึ่งมีอัตราข้อผิดพลาดต่ำกว่าวิธีการปรับปรุงแบบดั้งเดิมถึง 10 เท่า

โปรดทราบว่า ไม่ใช่ 10% แต่เป็น 10 เท่า ความสำเร็จนี้ทำให้การทดลองจำลองโมเลกุลจำนวนหนึ่งที่ไม่สามารถดำเนินการได้มาก่อน กลายเป็นจริง

อย่างไรก็ตาม สิ่งที่ทำให้วงการสั่นสะเทือนอย่างแท้จริงคือการมีส่วนร่วมในสาขาคณิตศาสตร์

AlphaEvolve ร่วมมือกับผู้ได้รับรางวัล Fields Medal ศาสตราจารย์คณิตศาสตร์แห่ง UCLA ซึ่งได้รับการยกย่องว่าเป็นหนึ่งในนักคณิตศาสตร์ที่ฉลาดที่สุดในโลกอย่าง Terence Tao ประสบความสำเร็จในการ破解โจทย์คณิตศาสตร์คลาสสิกที่เสนอโดย Erdős

คำประเมินของ Terence Tao ทำให้เราคิดตาม: เครื่องมือเช่น AlphaEvolve กำลังมอบ “ความสามารถใหม่ที่มีประโยชน์อย่างมาก” ให้กับนักคณิตศาสตร์ โดยเฉพาะในปัญหาการหาค่าเหมาะที่สุด มันสามารถทดสอบอย่างรวดเร็วว่าอสมการที่เป็นไปได้มีตัวอย่างค้านหรือไม่ และตรวจสอบการคาดเดาค่าสุดขีด “ช่วยปรับปรุงสัญชาตญาณเกี่ยวกับปัญหาได้อย่างมาก และทำให้เราหาข้อพิสูจน์ที่เข้มงวดได้ง่ายขึ้น”

ระบบ AI ระบบหนึ่ง ที่ทำให้สมองที่ติดอันดับท็อป 10 ในประวัติศาสตร์คณิตศาสตร์ พูดจากใจว่า “มีประโยชน์มาก” – นี่คือสัญญาณทางประวัติศาสตร์

นอกจากนี้ AlphaEvolve ยังปรับปรุงคำตอบที่ดีที่สุดที่รู้จัก (best-known solution) สำหรับปัญหาพนักงานขายเดินทาง (TSP) และปรับปรุงสถิติขอบเขตล่างของ Ramsey number

สิ่งเหล่านี้เป็นปัญหาเก่าแก่ระดับศตวรรษในสาขาคณิตศาสตร์เชิงการจัด ซึ่งนักคณิตศาสตร์หลายรุ่นต่อสู้ดิ้นรนมานานหลายสิบปี ในขณะที่เอเจนต์โปรแกรมมิ่ง AI ตัวหนึ่ง ผ่านการค้นหาเชิงวิวัฒนาการ พบคำตอบที่สัญชาตญาณของมนุษย์ไม่เคยสัมผัสมาก่อน

แนวรบด้านวิศวกรรม: AI เริ่มปรับปรุง “ร่างกาย” ของตัวเอง

หากความก้าวหน้าทางการวิจัยข้างต้นยังพอจัดเป็น “เครื่องมืออัจฉริยะ” ได้ การกระทำของ AlphaEvolve บนโครงสร้างพื้นฐานภายในของ Google นั้นเกินขอบเขตของ “เครื่องมือ” ไปไกลแล้ว

ข่าวที่น่าตกใจที่สุดคือ: AlphaEvolve เสนอแผนการออกแบบวงจรที่ “ขัดกับสัญชาตญาณ”

แผนนี้ขัดกับสัญชาตญาณมากแค่ไหน?

ปฏิกิริยาแรกของวิศวกรชิปของ Google เมื่อเห็นมันน่าจะเป็น “เป็นไปไม่ได้” – แต่หลังจากทดสอบพบว่า ไม่เพียงแต่เป็นไปได้เท่านั้น แต่ยังมีประสิทธิภาพมากกว่าแผนที่มนุษย์ออกแบบ

ดังนั้น Google จึงตัดสินใจครั้งสำคัญ: รวมวงจรที่ออกแบบโดย AI นี้เข้ากับแผ่นซิลิคอนของ TPU รุ่นต่อไปโดยตรง

Jeff Dean หัวหน้านักวิทยาศาสตร์ของ Google รับรองการตัดสินใจนี้ด้วยตนเอง

คำพูดของเขาคือ: “AlphaEvolve เริ่มปรับปรุงจากฮาร์ดแวร์ที่อยู่ชั้นล่างสุดของสแต็กเทคโนโลยี AI ของเรา การออกแบบวงจรที่มันเสนอนั้นขัดกับสัญชาตญาณแต่มีประสิทธิภาพมาก จนถูกรวมเข้ากับแผ่นซิลิคอนของ TPU รุ่นต่อไปโดยตรง นี่คือกรณีล่าสุดที่สมอง TPU ช่วยออกแบบร่างกาย TPU รุ่นต่อไป”

โปรดสังเกตน้ำหนักของประโยคนี้: TPU คือฮาร์ดแวร์ที่ใช้ฝึก Gemini, Gemini คือสมองที่ขับเคลื่อน AlphaEvolve, และตอนนี้ AlphaEvolve กำลังออกแบบ TPU รุ่นต่อไป

แนวรบด้านธุรกิจ: จากห้องปฏิบัติการสู่เงินจริง

ผ่าน Google Cloud, AlphaEvolve ได้นำไปใช้จริงในหลายอุตสาหกรรม

บริษัทฟินเทค Klarna ใช้มันปรับปรุงโมเดล transformer ที่ใหญ่ที่สุด ความเร็วในการฝึกเพิ่มขึ้นเป็นสองเท่า ในขณะที่คุณภาพโมเดลก็ดีขึ้น บริษัทโลจิสติกส์ FM Logistic ใช้มันปรับปรุงการวางแผนเส้นทางของปัญหาพนักงานขายเดินทาง ประสิทธิภาพเพิ่มขึ้น 10.4% ลดระยะทางการขนส่งได้ 15,000 กิโลเมตรต่อปี บริษัทเคมีเชิงคำนวณ Schrödinger ใช้มันเร่งการฝึกและการอนุมานของสนามแรงโมเลกุล ความเร็วเพิ่มขึ้นประมาณ 4 เท่า – วงจรการคัดกรองการพัฒนายาลดลงจากหลายเดือนเหลือเพียงไม่กี่วัน

เมื่อหนึ่งปีก่อนตอน AlphaEvolve เปิดตัว คำถามที่ใหญ่ที่สุดในวงการคือ: นี่เป็นเพียงการสาธิตที่น่าประทับใจ หรือเป็นระบบที่ใช้งานได้จริง?

รายงานผลงานในอีกหนึ่งปีต่อมาให้คำตอบที่ชัดเจน: ไม่เพียงแต่ใช้งานได้จริงเท่านั้น แต่ยังฝังลึกอยู่ในโครงสร้างพื้นฐานหลักที่สุดของ Google ตั้งแต่แผ่นซิลิคอนชิปไปจนถึงแกนกลางฐานข้อมูล ตั้งแต่การคำนวณควอนตัมไปจนถึงสภาพแวดล้อมการผลิตของลูกค้าธุรกิจ

แต่ผลงานที่สำคัญที่สุดของ AlphaEvolve จริงๆ แล้วไม่ได้อยู่ในข้อใดข้อหนึ่งข้างต้น

ให้เราหวนคิดถึงคำพูดของ Jeff Dean อีกครั้ง: “สมอง TPU กำลังออกแบบร่างกาย TPU รุ่นต่อไป”

แปลเป็นภาษาที่ตรงไปตรงมาก็คือ: ชิปที่ใช้ฝึก AI กำลังถูกออกแบบใหม่โดย AI เอง

เมื่อชิปใหม่ถูกผลิตขึ้น มันจะฝึก AI ที่แข็งแกร่งขึ้น และ AI ที่แข็งแกร่งขึ้นก็จะออกแบบชิปที่ดีขึ้น – นี่คือวงจรปิดที่สมบูรณ์แบบ

AI สร้าง AI: การปรับปรุงตนเองแบบวนซ้ำ

ในวันเดียวกับที่ AlphaEvolve ส่งมอบรายงานผลงานนี้ หนึ่งในสื่อที่ทรงอิทธิพลที่สุดในโลกด้านวิศวกรรม – IEEE Spectrum – ได้ตีพิมพ์บทความยาว: 《Recursive Self-Improvement Edges Closer In AI Labs》(การปรับปรุงตนเองแบบวนซ้ำกำลังใกล้ความจริงในห้องปฏิบัติการ AI)

คำว่า “การปรับปรุงตนเองแบบวนซ้ำ” (RSI) ในทศวรรษที่ผ่านมาปรากฏในสองสถานการณ์เท่านั้น: รายงานเตือนของนักวิจัยด้านความปลอดภัย AI และนิยายวิทยาศาสตร์

IEEE Spectrum ใช้บทความพิเศษทั้งฉบับ ดึงมันออกจากสองสถานการณ์นี้ และวางไว้บนโต๊ะของความเป็นจริงทางวิศวกรรม

และสิ่งที่ทำให้รายงานนี้สร้างกระแสอย่างแท้จริงคือการคาดการณ์ที่ Jack Clark ผู้ร่วมก่อตั้ง Anthropic ให้ไว้ในเวลาเดียวกัน: ภายในสิ้นปี 2028 มีความน่าจะเป็นมากกว่า 60% ที่จะมีระบบ AI ที่สามารถฝึกฝนรุ่นต่อไปของตัวเองได้อย่างอิสระโดยสมบูรณ์

เขาเขียนในจดหมายข่าว《Import AI》ฉบับที่ 455 ว่า เขาใช้เวลาหลายสัปดาห์อ่านแหล่งข้อมูลสาธารณะหลายร้อยแห่ง และในที่สุดก็ได้ข้อสรุปนี้

เขายอมรับว่าเขา “ไม่แน่ใจว่าสังคมพร้อมหรือยัง”

นี่ไม่ใช่ทวีตธรรมดา Clark เป็นผู้ร่วมก่อตั้ง Anthropic และเป็นหนึ่งในปัญญาชนสาธารณะที่มีอิทธิพลมากที่สุดในด้านความปลอดภัยและนโยบาย AI

เมื่อคนเช่นนี้ยอมรับต่อสาธารณะว่า “สัญญาณเริ่มต้นปรากฏแล้ว” นั่นเป็นสัญญาณที่ทรงพลังในตัวมันเอง

ปัจจุบัน เส้นทางที่ชัดเจนสามเส้นทางได้ถูกวางไว้บนโต๊ะแล้ว

Anthropic ยอมรับว่า Claude Code เขียนโค้ดส่วนใหญ่ของบริษัท Dario Amodei กล่าวต่อสาธารณะว่าประสิทธิภาพของวิศวกรเพิ่มขึ้น 20% ถึง 40%

กล่าวอีกนัยหนึ่ง โค้ดที่ใช้สร้าง Claude ส่วนใหญ่เขียนโดย Claude เอง

ฝั่ง Google, AlphaEvolve กำลังออกแบบชิปที่ใช้ฝึกตัวเอง

ดูที่ฝั่งวิชาการ ระบบ AI Scientist ที่ตีพิมพ์ใน《Nature》เมื่อเดือนมีนาคม 2026 สามารถดำเนินกระบวนการ “เสนอแนวคิด – ทำการทดลอง – เขียนบทความ – ทบทวนโดยเพื่อนร่วมงาน” ได้อย่างอิสระ

เมื่อ AI สามารถมีส่วนร่วมในการปรับปรุง AI รุ่นต่อไป คูเมืองของบริษัทจะไม่ใช่จำนวนพารามิเตอร์โมเดล ขนาดข้อมูล หรือกำลังคำนวณอีกต่อไป – แต่เป็นความเร็วในการวิวัฒนาการตนเอง

แน่นอน รายงานของ IEEE Spectrum ก็นำเสนอเสียงจากอีกด้านหนึ่งเช่นกัน

Nathan Lambert จาก Allen Institute for AI เสนอแนวคิด “การปรับปรุงตนเองแบบสูญเสีย” (Lossy Self-Improvement) – เมื่อระบบ AI มีความซับซ้อนมากขึ้น วงล้อแห่งการปรับปรุงตนเองอาจช้าลงเนื่องจากแรงเสียดทานที่เพิ่มขึ้น แทนที่จะเร่งขึ้นอย่างไม่มีที่สิ้นสุด

นักวิจัยของ Meta อย่าง Jason Weston และ Jakob Foerster แย้งว่า เมื่อเทียบกับการปรับปรุงตนเองอย่างแท้จริง “การปรับปรุงร่วมกันระหว่างมนุษย์กับเครื่องจักร” เป็นเส้นทางที่สมจริงและปลอดภัยกว่า

เมื่อ AI เริ่มออกแบบชิปที่มันกำลังทำงานอยู่ย้อนกลับ เมื่อนักคณิตศาสตร์ชั้นนำอย่าง Terence Tao ใช้มันเป็นคู่หูวิจัยแล้ว และเมื่อ Claude เขียนโค้ดส่วนใหญ่ของ Anthropic –

ประตูแห่งการยกระดับตนเองของ AI ถูกผลักเปิดอย่างเงียบๆ หรือยัง?

คำตอบนั้นชัดเจนในตัวเองอยู่แล้ว

ตอนนี้ คำถามเดียวที่ควรค่าแก่การถามต่อ เหลือเพียงข้อเดียว: ASI (ปัญญาประดิษฐ์ทั่วไป) จะมาถึงเมื่อใด

เอกสารอ้างอิง:
https://deepmind.google/blog/alphaevolve-impact/
https://spectrum.ieee.org/recursive-self-improvement
https://www.anthropic.com/product/claude-code
https://arxiv.org/abs/2506.13131
https://www.nature.com/articles/s41586-026-10265-5