BootLoops เครื่องมือ AI โอเพนซอร์ส ช่วยวิจัยวิทยาศาตร์แม่นยำสูง

ประเด็นสำคัญ

• Matthew Schwartz นักฟิสิกส์จาก Harvard พัฒนา "BootLoops" เครื่องมือโอเพนซอร์สที่ใช้พลังของโมเดลภาษามาช่วยคำนวณทางวิทยาศาสตร์และเชื่อมโยงความรู้ข้ามสาขาวิชา
• ภายในเวลาเพียง 3 เดือน Schwartz และทีมวิจัย 19 คน สามารถผลิตร่างผลงานวิจัยได้ถึง 36 ฉบับ ครอบคลุม 18 สาขา ตั้งแต่ฟิสิกส์อนุภาคไปจนถึงนิเวศวิทยาและจีโนม
• Schwartz เตือนว่า AI มักสรุปผลผิดพลาดหรือด่วนสรุปชัยชนะเร็วเกินไป การกำกับดูแลและตรวจสอบโดยผู้เชี่ยวชาญที่เป็นมนุษย์จึงยังเป็นสิ่งจำเป็นสูงสุด

การแก้ปัญหาอัตโนมัติไม่ใช่การวิจัยที่แท้จริงเสมอไป

นี่คือบทสรุปจากการเปิดเผยของ Prof. Matthew Schwartz, a physicist at Harvard University ผู้ซึ่งปัจจุบันดำรงตำแหน่งนักวิจัยรับเชิญที่ Anthropic เขาอธิบายว่าเขาเลิกคาดหวังให้ Claude ทำงานเหมือนนักวิจัยที่เป็นมนุษย์ แต่หันมามองหา "ปัญหาที่เหมาะกับ Claude" (Claude-shaped problems) แทน ซึ่งเป็นงานที่ดึงจุดแข็งของ AI ออกมาได้ดีที่สุด

แนวคิดดังกล่าวนำไปสู่การสร้าง BootLoops ซึ่งเป็นเครื่องมือโอเพนซอร์สสำหรับการคำนวณทางวิทยาศาสตร์ที่มีความแม่นยำสูง โดยผู้ที่สนใจสามารถเข้าถึง source code is available on GitHub ได้ทันที

Schwartz ระบุว่า Claude สามารถค้นหาความเชื่อมโยงระหว่างสาขาต่างๆ เช่น ฟิสิกส์อนุภาค นิเวศวิทยา เศรษฐศาสตร์ และภาษาศาสตร์ ได้อย่างน่าทึ่ง อย่างไรก็ตาม ผลลัพธ์เหล่านี้จะมีคุณค่าทางวิทยาศาสตร์ก็ต่อเมื่อมีผู้เชี่ยวชาญในสาขานั้นๆ คอยกำหนดทิศทาง

เขายังใช้แนวคิด "convex hull" เพื่อฉายภาพว่าความรู้ของมนุษย์ในปัจจุบันนั้นกระจัดกระจายและมีช่องว่างระหว่างสาขาที่ยังไม่ได้รับการสำรวจ เครื่องมือ AI อย่าง BootLoops จึงเข้ามาทำหน้าที่เติมเต็มช่องว่างเหล่านี้ โดยการสร้างความเชื่อมโยงข้ามขอบเขตความรู้ที่ซับซ้อน jagged frontiers of knowledge

สร้างงานวิจัย 36 ฉบับใน 18 สาขา ภายใน 3 เดือน

ตลอดระยะเวลา 3 เดือน ทีมงานได้ผลิตร่างผลงานวิจัย 36 ฉบับใน 18 สาขา ร่วมกับผู้เขียนอีก 19 คน โดยเริ่มต้นจากการคำนวณฟิสิกส์อนุภาค ซึ่ง Claude สามารถคำนวณปริพันธ์ (integrals) ได้ถึง 30 รายการผ่าน BootLoops โดยครึ่งหนึ่งเป็นการยืนยันผลลัพธ์เดิม และอีกครึ่งหนึ่งเป็นการคำนวณขึ้นใหม่เป็นครั้งแรกของโลก

นอกจากนี้ในด้านนิเวศวิทยา Claude ยังสามารถแก้สมการอายุ 20 ปีของทฤษฎีความหลากหลายทางชีวภาพที่เป็นกลาง ซึ่งแต่เดิมไม่สามารถคำนวณในสเกลใหญ่ได้ ส่งผลให้พบว่าองค์ประกอบของพันธุ์ไม้บนเกาะ Barro Colorado เปลี่ยนแปลงเร็วกว่าที่ทฤษฎีระบุถึง 4.5 เท่า ก่อนที่ James O'Dwyer นักนิเวศวิทยาจะนำข้อมูลนี้ไปต่อยอดเป็นแบบจำลองการทำนายที่แม่นยำขึ้น

ผลงานอื่นๆ ยังรวมถึงการวิเคราะห์การกลายพันธุ์ของยีน 5.7 พันล้านคู่จาก 1000 Genomes Project การสร้างระบบตรวจสอบข้อมูลอัตโนมัติสำหรับวารสารเศรษฐศาสตร์ (ตีพิมพ์เป็น NBER Working Paper) และการจัดทำฐานข้อมูลการเน้นเสียงคำ word stress database ที่ครอบคลุมกว่า 6,072 ภาษา

"หลักสูตร Python สำหรับวิศวกรอาจไม่จำเป็นอีกต่อไป"

Schwartz ชี้ให้เห็นว่า AI กำลังเปลี่ยนโลกวิทยาศาสตร์จนการวางแผนระยะยาวทำได้ยากขึ้น เขาตั้งคำถามว่าทำไมต้องรอทุนสนับสนุน 3 ปีเพื่อคำนวณสิ่งที่ AI อาจแก้ได้ในคืนเดียว แม้แต่การสอนนักศึกษาปริญญาเอกก็ต้องเปลี่ยนไป

เขาเปรียบเทียบจากโพสต์ก่อนหน้าเรื่อง Vibe Physics ว่าความเปลี่ยนแปลงนี้รุนแรงมาก โดยเฉพาะในสาขาวิทยาการคอมพิวเตอร์ที่หลักสูตรอย่าง "Python for Engineers" ซึ่งเคยสำคัญมากเมื่อสองปีก่อน กลายเป็นเรื่องไม่จำเป็นในปัจจุบัน เพราะ Claude สามารถจัดการงานเหล่านั้นแทนได้ทั้งหมด

คำเตือน: "ต้องตรวจสอบทุกอย่างด้วยตัวเอง"

แม้จะทรงพลัง แต่ Schwartz ก็เตือนถึงจุดอ่อนของโมเดล AI ที่มักด่วนสรุปผลว่า "เสร็จแล้ว" ทั้งที่งานยังไม่สมบูรณ์ รวมถึงความผิดพลาดในการประเมินเวลาทำงานและการใช้การคำนวณแบบหักโหม (brute-force) แทนวิธีที่ชาญฉลาดกว่า

นอกจากนี้ AI ยังมักเอนเอียงไปตามทฤษฎีเก่าที่มีการอ้างอิงสูง และการใช้งานแต่ละครั้งยังสิ้นเปลืองทรัพยากรการคำนวณอย่างมหาศาล Schwartz มองว่าความคาดหวังต่อ ปัญหาคณิตศาสตร์ขนาดใหญ่และพาดหัวข่าว อาจทำให้คนละเลยการใช้งานจริงที่ทรงพลังในปัจจุบัน

สุดท้ายเขาเน้นย้ำว่า กระบวนการทางวิทยาศาสตร์ยังไม่ถูกคุกคาม ความก้าวหน้าจะเร็วขึ้นบนรากฐานที่มั่นคง แต่รสนิยมและการตัดสินใจของมนุษย์ยังคงเป็นสิ่งที่ขาดไม่ได้ในโลกแห่งการวิจัย