GPT-6-Astra โชว์เหนือแก้โจทย์ฟิสิกส์วิจัยแม่นยำ 98% ในราคาประหยัด

เกณฑ์มาตรฐานใหม่แสดงให้เห็นว่าเอเจนต์ AI ระดับท็อปสามารถแก้โจทย์คำนวณฟิสิกส์เชิงทฤษฎีได้แม่นยำเทียบเท่าผู้เชี่ยวชาญเฉพาะทาง นักวิจัยระบุว่าการที่ AI ยังขาด "รสนิยม" ในการเลือกหัวข้อวิจัยเป็นเหตุผลสำคัญที่ทำให้ยังไม่มีการค้นพบครั้งสำคัญตามมา

ทีมนักวิจัย 35 คนจากสถาบันชั้นนำ อาทิ Harvard University, Google DeepMind และ ICTS ได้เผยแพร่ TheoPhysEval ซึ่งเป็นเกณฑ์มาตรฐานที่รวบรวมโจทย์วิจัยฟิสิกส์เชิงทฤษฎี 50 ข้อที่ยังไม่เคยเผยแพร่และมีคำตอบที่ตรวจสอบได้ โดยปกติผู้เชี่ยวชาญต้องใช้เวลาประมาณหนึ่งวันในการแก้โจทย์เหล่านี้โดยไม่พึ่งพา AI

จากการทดสอบเอเจนต์ AI ในเชิงพาณิชย์ พบว่า GPT-6-Astra บนสภาพแวดล้อม Codex ของ OpenAI คว้าอันดับหนึ่งด้วยการแก้โจทย์ถูกต้องถึง 49 จาก 50 ข้อ (ร้อยละ 98) โดยมีค่าใช้จ่ายเฉลี่ยต่ำกว่า 3 ดอลลาร์ต่อโจทย์ และใช้เงินไม่ถึง 116 ดอลลาร์สำหรับการทดสอบทั้งหมด

เน้นงานวิจัยประจำวัน ไม่ใช่ความท้าทายระดับโลก

ชุดโจทย์นี้มุ่งเน้นไปที่การคำนวณแบบ "หมุนคันโยก" (turn-the-crank) ซึ่งเป็นการนำวิธีการที่ทราบกันดีมาปรับใช้กับคำถามใหม่ โจทย์ลักษณะนี้มักเป็นก้าวแรกที่มอบหมายให้นักศึกษาปริญญาเอกทำ เช่น การนำสมการจากงานวิจัยหลุมดำในปริภูมิ-เวลาห้ามิติมาประยุกต์ใช้กับสี่มิติ ซึ่งเดิมต้องใช้ผู้เชี่ยวชาญเฉพาะทางและเวลาหลายวันในการคำนวณ

การทดสอบครอบคลุม 11 สาขาย่อย ตั้งแต่ฟิสิกส์อนุภาคไปจนถึงจักรวาลวิทยา โดยผลลัพธ์น่าสนใจว่าการเข้าถึงอินเทอร์เน็ตสร้างความแตกต่างเพียงเล็กน้อย Astra และ Opus ต่างทำคะแนนได้ร้อยละ 92 แม้ไม่มีการค้นหาทางเว็บ สะท้อนว่าโมเดลภาษาชั้นนำได้จดจำวรรณกรรมฟิสิกส์ส่วนใหญ่ไว้ได้อย่างมีประสิทธิภาพแล้ว

สำหรับลำดับรองลงมา Opus 5.5 ของ Anthropic ทำคะแนนได้ร้อยละ 92 ตามด้วย Gemini 3.8 Flash ที่ร้อยละ 68 ขณะที่โมเดล open-weight อย่าง DeepSeek-V4.1-Flash และ GLM 5.3 ทำได้ร้อยละ 54 และ 42 ตามลำดับ โดยโมเดลที่อ่อนแอกว่ามักพลาดในจุดที่ผู้เชี่ยวชาญสังเกตเห็นได้ทันที เช่น การคัดลอกสูตรมาผิดบริบท

เมื่อ AI แม่นยำจนพบข้อผิดพลาดในเฉลยของมนุษย์

ในหลายกรณีที่ AI ดูเหมือนจะตอบผิด แต่เมื่อตรวจสอบซ้ำกับผู้เชี่ยวชาญกลับพบว่าเป็นเฉลยอ้างอิงของมนุษย์เองที่มีข้อบกพร่องเล็กน้อย เมื่อแก้ไขจุดดังกล่าวแล้ว คำตอบของ Astra ก็ถูกต้องทุกครั้ง ซึ่งช่วยอธิบายว่าทำไมเอเจนต์ถึงทำคะแนนใน TheoPhysEval ได้ดีกว่าเกณฑ์มาตรฐานอื่นๆ เช่น CritPt

ปัจจุบันผู้ที่สนใจสามารถตรวจสอบผลลัพธ์ผ่านการดาวน์โหลด dataset บน Hugging Face ได้โดยตรง เพื่อพิสูจน์ความสามารถของเอเจนต์เหล่านี้ด้วยตนเอง

เหตุผลที่การคำนวณอันทรงพลังยังไม่นำไปสู่การค้นพบใหม่

แม้ AI จะแซงหน้ามนุษย์ในการคำนวณที่เป็นรูปธรรมไปแล้ว แต่ในฟิสิกส์เชิงทฤษฎียังไม่เห็นการค้นพบที่เทียบเท่ากับวงการคณิตศาสตร์ เช่น การแก้ปัญหา Navier-Stokes ของ OpenAI เนื่องจากกระบวนการวิจัยต้องการมากกว่าแค่การคำนวณ

นักวิจัยชี้ว่า AI ยังขาด "รสนิยม" (taste) ในการตั้งคำถามที่ถูกต้องหรือการเปลี่ยนไปหาโจทย์ที่ง่ายกว่าแต่ยังคงความน่าสนใจเมื่อเจอทางตัน เมื่อถูกขอให้ออกแบบโจทย์ใหม่ AI มักหลงไปกับรายละเอียดที่มนุษย์มองว่าน่าเบื่อ การจะทำวิจัยระดับสูงแบบอัตโนมัติในอนาคตจึงต้องอาศัยวิสัยทัศน์ที่มากกว่าความสามารถในการแก้โจทย์

การเปลี่ยนแปลงในวิธีฝึกฝนนักฟิสิกส์และความเท่าเทียม

ความก้าวหน้าของ AI กำลังเปลี่ยนแนวทางการปั้นนักวิจัยรุ่นใหม่ โจทย์ที่เคยใช้เป็นโปรเจกต์วิจัยแรกอาจไม่เหมาะสมอีกต่อไป นอกจากนี้ยังเกิดความกังวลเรื่องความเท่าเทียม เนื่องจากในอนาคตการวิจัยฟิสิกส์ทฤษฎีที่ซับซ้อนขึ้นอาจต้องใช้ทรัพยากรประมวลผลมหาศาล ซึ่งส่งผลต่อขีดความสามารถของกลุ่มวิจัยที่มีงบประมาณต่างกัน

ประเด็นนี้เริ่มมีการถกเถียงในวงกว้างเช่นเดียวกับ Leiden Declaration ในวงการคณิตศาสตร์ นักวิจัยสรุปว่าหากในอดีตคติพจน์คือ "เงียบแล้วคำนวณไป" ยุคที่ AI คำนวณแทนได้เช่นนี้ อาจถึงเวลาที่นักฟิสิกส์ต้อง "หยุดและคิด" ให้มากขึ้นแทน