tag: AI Research

ความร่วมมือครั้งใหญ่ระหว่างมหาวิทยาลัยและองค์กรวิจัย เพื่อขับเคลื่อนงานวิจัยที่ได้ทุนภาครัฐให้ค้นหาง่ายและต่อยอดด้วยเทคโนโลยี AI ได้อย่างมีประสิทธิภาพ

Meta เปิดตัวระบบ AI ที่ควบคุมโดยมนุษย์โดยใช้โมเดล Muse เพื่อเร่งกระบวนการวิจัยด้านสุขภาพในทุกขั้นตอน ช่วยให้นักวิจัยผลิตผลงานคุณภาพสูงได้ภายในเวลาเพียงไม่กี่สัปดาห์

Sakana AI เผยงานวิจัยระบบ Multi-Layered Review (MLR) ที่ใช้เอเจนต์ AI 3 ตัวบนโมเดล Claude สามารถตรวจพบข้อผิดพลาดในข้อกล่าวอ้างหลักของบทความวิจัยได้สูงถึง 73.43% ทิ้งห่างระบบเดิมหลายเท่าตัว

นักวิจัย NVIDIA พัฒนา PivotOPD วิธีการฝึกสอน LLM agent ให้รู้จักหลีกเลี่ยงข้อผิดพลาดสำคัญและกู้คืนสถานการณ์ได้สำเร็จ โดยทำคะแนนสูงสุดเมื่อเทียบกับ 13 baselines ในชุดทดสอบมาตรฐาน

ทีมวิจัยประสบความสำเร็จในการพัฒนาโมเดล Nemotron 3 ผ่านกระบวนการ SFT และ RL จนสามารถทำคะแนนระดับเหรียญทองในการแข่งขันคอมพิวเตอร์และคณิตศาสตร์โอลิมปิกระหว่างประเทศปี 2026

นักคณิตศาสตร์ร่วมกับ AI โมเดล Muse Spark ประสบความสำเร็จในการสร้างสรรค์บทความวิจัย 6 ฉบับ ซึ่งส่วนใหญ่เป็นการไขคำตอบสำหรับโจทย์คณิตศาสตร์ที่เคยเป็นปัญหาเปิดมาอย่างยาวนาน

การศึกษาพบว่าการเข้าถึง AI เกือบจะทำลายความเต็มใจของคนในการกล่าวคำว่าไม่รู้ โดยผู้เข้าร่วมยอมเชื่อ AI แม้ข้อมูลจะผิดเกือบทั้งหมด ส่งผลให้ความมั่นใจพุ่งสูงขึ้นแต่ความถูกต้องกลับลดฮวบลง

Koray Kavukcuoglu หัวหน้าคนใหม่ของ Google DeepMind เร่งเครื่องเตรียมปล่อย Gemini 4 ภายในสิ้นปีนี้ พร้อมเปลี่ยนจุดยืนจากการไล่ตาม AGI สู่การพัฒนาเอเจนท์อัจฉริยะเชิงพาณิชย์เพื่อสู้ศึก OpenAI และ Anthropic

OpenAI เปิดตัวโมเดลภายในที่สามารถแก้โจทย์คณิตศาสตร์ปลายเปิดได้มหาศาล พร้อมจัดตั้งกลุ่มที่ปรึกษาอิสระเพื่อลดแรงเสียดทานจากนักวิชาการที่กังวลว่า AI จะทำลายหัวใจสำคัญของคณิตศาสตร์

Anthropic เปิดตัวชี้วัดความเร็วในการพัฒนา AI พบว่า Claude รับบทผู้นำในงานวิจัยเพิ่มขึ้นอย่างก้าวกระโดด แต่ถูกตั้งคำถามเรื่องความแม่นยำและการให้คะแนนตัวเองของโมเดล

ทีมนักวิจัยจาก ByteDance Seed และพันธมิตรเปิดตัว HarnessDev เกณฑ์วัดผลแนวใหม่ที่เน้นประเมินโค้ด Harness ที่ LLM สร้างขึ้นเอง พบว่าโมเดลเริ่มทำผลงานได้ใกล้เคียงมนุษย์ในงานเขียนและงานทดลอง ML แต่ยังคงมีปัญหาด้านความแม่นยำและการนำไปใช้จริงในระยะยาว

OpenAI เผยข้อมูลการใช้เอเจนต์ช่วยเขียนโค้ดเพื่อเร่งความเร็วในการวิจัย AI โดยมุ่งเป้าพัฒนา 'นักวิจัย AI อัตโนมัติ' ภายในปี 2028 ภายใต้มาตรการความปลอดภัยที่เข้มงวด

สรุปผลงาน Hackathon ที่ใช้ Coding Agents ตรวจสอบงานวิจัยใน ICML 2026 พบว่า 51% ยืนยันผลได้จริง แต่ 23% พบข้อผิดพลาดหรือถูกโต้แย้ง พร้อมชี้ให้เห็นถึงบทบาทใหม่ของมนุษย์ในการควบคุม AI เพื่อยกระดับความน่าเชื่อถือทางวิทยาศาสตร์