Google เปิดตัว Deep Review ระบบ AI ตรวจสอบเอกสารทางเทคนิคสุดเข้มข้น

Generative AI ได้เข้ามาเร่งความเร็วในสาขาทางเทคนิคมากมาย ปัจจุบัน AI มีบทบาทสำคัญในการเขียนบทความทางวิทยาศาสตร์ การรันโค้ด การออกแบบการทดลอง ไปจนถึงการร่างข้อเสนอ อย่างไรก็ตาม ความรวดเร็วในการสร้างเนื้อหากลับสวนทางกับขีดความสามารถของมนุษย์ในการตรวจสอบเอกสารที่ซับซ้อน เช่น ต้นฉบับทางวิทยาศาสตร์หรือข้อตกลงทางกฎหมายที่ต้องใช้ความเชี่ยวชาญเฉพาะทาง ความไม่สมดุลนี้ทำให้เกิด validation bottleneck ซึ่งเป็นภาวะที่ข้อมูลถูกสร้างขึ้นเร็วกว่าที่จะสามารถตรวจสอบได้อย่างถี่ถ้วน

วันนี้ เรามีความยินดีที่จะประกาศเปิดตัว Deep Review สู่สาธารณะ ซึ่งเป็นระบบ AI แบบ agentic ที่ออกแบบมาเพื่อให้คำแนะนำและตรวจสอบเอกสารทางเทคนิคที่ซับซ้อนอย่างเข้มงวด โดยเริ่มต้นจากการวิเคราะห์บทความวิชาการด้านวิทยาการคอมพิวเตอร์ ก่อนจะขยายความสามารถไปยังโดเมนอื่นๆ เช่น กฎหมายและการเงิน เครื่องมือนี้สามารถใช้ได้ทั้งในขั้นตอนการปรับปรุงร่างเอกสาร และใช้เป็นตัวช่วยประเมินข้อกล่าวอ้างในกระบวนการตรวจสอบ (review process) ทางวิทยาศาสตร์

Deep Review พัฒนาต่อยอดมาจาก Paper Assistant Tool (PAT) ซึ่งเป็นโครงการทดลองเพื่อช่วยให้นักวิจัยทำ stress-test ต้นฉบับก่อนส่งเข้าคอนเฟอเรนซ์ ในปีที่ผ่านมาเราได้ร่วมมือกับคอนเฟอเรนซ์วิทยาการคอมพิวเตอร์ระดับโลก 4 แห่ง ได้แก่ (STOC 2026, ICML 2026, NeurIPS 2026, และ ICLR 2027) เพื่อให้คำแนะนำแก่ผู้เขียนกว่า 16,000 ฉบับ ท่านสามารถอ่านรายละเอียดเพิ่มเติมได้ในบทความ Towards Automating Scientific Review with Google’s Paper Assistant Tool

สำหรับการเปิดตัวในครั้งนี้ Deep Review พร้อมให้ใช้งานได้ทั่วโลกผ่านเงื่อนไขดังนี้:

• การเข้าถึงแบบแบ่งระดับและ API: ผู้ใช้ทั่วไปสามารถตรวจสอบเอกสารได้ฟรี 2 ฉบับต่อสัปดาห์ ส่วนผู้ที่ต้องการใช้งานในปริมาณมากสามารถเชื่อมต่อ Gemini API key เพื่อเพิ่มขีดจำกัดและผสานรวมผ่าน Deep Review API ได้
• รองรับรูปแบบไฟล์หลากหลาย: ในช่วงแรกจะรองรับไฟล์ PDF และ plain text โดยจะเพิ่มความสามารถในการนำเข้าไฟล์หลายไฟล์พร้อมกันในอนาคตอันใกล้
• นโยบายความเป็นส่วนตัว: เอกสารที่อัปโหลดจะไม่ถูกนำไปใช้เทรนหรือปรับปรุงโมเดลของ Google โดยจะถูกเก็บไว้เป็นเวลาหนึ่งปีเพียงเพื่อวัตถุประสงค์ในการแสดงผลให้ผู้ใช้เห็นบน UI เท่านั้น

Deep Review ช่วยเร่งการตรวจสอบความถูกต้องทางเทคนิค

ตัวอย่างที่ชัดเจนของ validation bottleneck คือการตรวจสอบโดยผู้ทรงคุณวุฒิ (academic peer review) ซึ่งจำนวนผลงานที่ถูกส่งเข้ามาเพิ่มขึ้นอย่างมหาศาล โดยในปีนี้มีผลงานส่งไปยังคอนเฟอเรนซ์ AI หลัก 3 แห่ง (ICLR, NeurIPS, และ ICML) รวมกว่า 74,000 ฉบับ เพิ่มขึ้นจาก 45,000 ฉบับในปี 2025 และ 23,000 ฉบับในปี 2023 ภาระที่หนักอึ้งนี้ส่งผลกระทบโดยตรงต่อผู้เชี่ยวชาญที่เป็นมนุษย์

การเพิ่มขึ้นของการส่งผลงานไปยัง NeurIPS, ICML, และ ICLR ระหว่างปี 2023 ถึง 2026

Deep Review มีเป้าหมายเพื่อแบ่งเบาภาระดังกล่าว โดยจะทำหน้าที่ประเมินเอกสารอย่างละเอียดและเป็นกลาง ตรวจสอบความสอดคล้องทางตรรกะและสูตรคณิตศาสตร์ พร้อมระบุข้อเท็จจริงและเปรียบเทียบกับงานวิจัยเดิมที่มีอยู่ ช่วยจัดการงานที่ต้องใช้พลังสมองสูงเพื่อให้มนุษย์โฟกัสกับการตัดสินใจในระดับที่เหนือกว่าได้

พิสูจน์ผลงานผ่านการตรวจสอบทางวิทยาศาสตร์

Deep Review ผ่านการทดสอบอย่างเข้มข้นในชื่อ Paper Assistant Tool (PAT) ร่วมกับคอนเฟอเรนซ์ระดับเรือธงทั้ง STOC, ICML, NeurIPS และ ICLR โดยเปิดโอกาสให้ผู้เขียนรับคำแนะนำเพื่อปรับปรุงคุณภาพงานก่อนส่งจริง ซึ่งกระบวนการนี้แยกส่วนจากการรีวิวอย่างเป็นทางการของคอนเฟอเรนซ์และไม่มีการเก็บข้อมูลเพื่อเทรนโมเดล

ผลตอบรับจากผู้เขียนเป็นไปในทิศทางบวกอย่างมาก และด้วยการนำ Gemini 4 Argon มาใช้ใน Deep Review รุ่นล่าสุด ทำให้ความสามารถในการวิเคราะห์ก้าวข้ามขีดจำกัดเดิมของ PAT ไปอีกขั้น

กลไกการทำงานของ Deep Review เนื่องจากการใช้ LLM แบบ single-prompt มักล้มเหลวในการประเมินเอกสารยาวๆ Deep Review จึงใช้ pipeline แบบ agentic 4 ขั้นตอนเพื่อแก้ปัญหานี้:

1. การแบ่งส่วนเอกสาร (Document segmentation): segmenter agent จะแยกเอกสารออกเป็นส่วนๆ ตามตรรกะ (เช่น บทนำ, ระเบียบวิธีวิจัย) เพื่อให้ครอบคลุมเนื้อหาทั้งหมด
2. การจัดสรรงบประมาณที่ปรับตามความเหมาะสม (Adaptive budgeting): ระบบจะวิเคราะห์ความหนาแน่นของข้อมูลและจัดสรร compute budget อย่างยืดหยุ่น เช่น ส่วนที่มีสูตรคณิตศาสตร์ซับซ้อนจะได้โควตาประมวลผลมากกว่า
3. การตรวจสอบคู่ขนานเชิงลึก (Deep parallel verification): reasoning agent เฉพาะทางจะตรวจสอบแต่ละส่วนไปพร้อมกัน โดยยังคงเห็นบริบทของทั้งเอกสารเพื่อติดตามการอ้างอิงข้ามส่วน
4. การสังเคราะห์ระดับโลกและการระบุข้อเท็จจริงแบบ agentic (Global synthesis and agentic grounding): synthesis agent จะรวบรวมรายงานและตรวจสอบความสอดคล้องขั้นสุดท้าย รวมถึงการตรวจสอบข้อเท็จจริงภายนอกและการเรียกใช้เครื่องมือ (tool calls) เพื่อป้องกันอาการ hallucination

การใช้งานที่ครอบคลุมมากกว่างานวิจัย

กลไกการให้เหตุผลของ Deep Review สามารถนำไปประยุกต์ใช้กับเอกสารที่ต้องการการสนับสนุนด้วยหลักฐานได้หลากหลายประเภท เช่น:

• เอกสารการออกแบบ (Design documents): ตรวจจับสมมติฐานที่ไม่ได้ระบุไว้ และค้นหา edge cases
• การนำเสนอ (Presentations): ตรวจสอบความลื่นไหลของตรรกะและข้อมูลในสไลด์
• เอกสารทางกฎหมายและการเงิน: ตรวจสอบความสอดคล้องของสัญญา แจ้งเตือนข้อความกำกวม และยืนยันตัวเลขเทียบกับหลักฐาน

Deep Review บน Antigravity

เราขอนำเสนอ Teamwork Deep Document Review Pattern** ซึ่งเป็นรูปแบบการตรวจสอบเอกสารที่ได้รับแรงบันดาลใจจาก Deep Review บนแพลตฟอร์ม Antigravity โดยใช้ Teamwork multi-agent orchestration framework ผู้ใช้งานสามารถเรียกใช้ผ่านคำสั่ง /teamwork-preview ได้ทันที

เพิ่มความเท่าเทียมในการเข้าถึงการตรวจสอบคุณภาพสูง โดยปกติแล้ว การได้รับการวิจารณ์งานวิจัยที่มีคุณภาพมักจำกัดอยู่แค่ในกลุ่มนักวิชาการที่มีเครือข่ายกว้างขวาง การมีระบบตรวจสอบอัตโนมัติที่เชื่อถือได้จะช่วยให้นักวิจัยทั่วโลกสามารถ stress-test งานของตนเองและแก้ไขข้อบกพร่องได้อย่างมีประสิทธิภาพก่อนส่งมอบผลงานจริง

เริ่มต้นใช้งาน

• ลองใช้ Deep Review: ที่ Google Research Portal
• ผสานรวมกับ API: ผ่าน Gemini API key
• อ่านงานวิจัยเพิ่มเติม: ที่ preprint

บทสรุปและก้าวต่อไป

เราเชื่อว่า Deep Review จะมีบทบาทสำคัญในกระบวนการ peer review ในอนาคต โดยการสนับสนุนจาก Gemini 4 Argon และฟีเจอร์การตรวจสอบข้ามไฟล์ที่จะเปิดตัวเร็วๆ นี้ จะช่วยยกระดับการตรวจสอบเอกสารทางเทคนิคให้มีคุณภาพและเข้าถึงได้ง่ายขึ้นสำหรับทุกคน

กิตติกรรมประกาศ

Deep Review เป็นความร่วมมือระหว่าง Google Research, Google DeepMind และ Google Cloud โดยได้รับความร่วมมือจากนักวิจัยและผู้บริหารจำนวนมาก รวมถึง Program Chairs ของ STOC, ICML, NeurIPS และ ICLR ที่มีส่วนร่วมในโครงการนี้