สรุปคลิป Youtube: How AI Is Accelerating Scientific Discovery Today and What’s Ahead — the OpenAI Podcast Ep. 10
1. OpenAI for Science mission
- ภารกิจหลักของโครงการ OpenAI for Science คือ การเร่งความเร็วทางวิทยาศาสตร์ที่ปกติจะใช้เวลา 25 ปี ให้เสร็จสิ้นภายใน 5 ปีได้หรือไม่?
- ทีมงาน OpenAI เชื่อว่า ความก้าวหน้าทางวิทยาศาสตร์เป็นรากฐานของชีวิตเรา ดังนั้น การนำโมเดล AI ที่ก้าวหน้าที่สุดไปอยู่ในมือของนักวิทยาศาสตร์ที่เก่งที่สุดในโลก เป็นสิ่งที่ควรทำ เพื่อทำให้ความก้าวหน้าเกิดขึ้นได้เร็วขึ้น
เหตุผลที่ต้องทำตอนนี้คือ โมเดล AI แนวหน้าอย่าง GPT-5 กำลังเริ่มแสดงความสามารถในการ พิสูจน์สิ่งใหม่ๆ ทางวิทยาศาสตร์ได้แล้ว แม้ว่าจะเป็นสิ่งที่มนุษย์ ยังไม่ได้ทำ ไม่ใช่สิ่งที่มนุษย์ ทำไม่ได้ ก็ตาม
2. Literature search and intersections across fields
- AI มีประโยชน์มหาศาลในการค้นหาเอกสารทางวิชาการ (Literature Search) เป็นสิ่งสำคัญแม้จะไม่ใช่การค้นพบเชิงลึกโดยตรง
- ค้นหาข้ามสาขา: GPT-5 สามารถทำการ ค้นหาในระดับ (Conceptual level) ได้ มีตัวอย่างนักวิจัยที่กำลังทำงานด้าน Optimization แต่ GPT-5 กลับไปพบวิทยานิพนธ์ปริญญาเอกที่เขียนเป็นภาษาเยอรมันในสาขาเศรษฐศาสตร์ ซึ่งมีเนื้อหาเกี่ยวข้องกัน การค้นหาด้วย Keyword ธรรมดาไม่มีทางพบงานนี้ได้เลย เพราะใช้ศัพท์เฉพาะที่แตกต่างกัน
- เชื่อมโยงผู้เชี่ยวชาญ: ปัจจุบันวิทยาศาสตร์มีความเฉพาะทางสูงมาก ทำให้ยากที่นักวิจัยจะออกไปสำรวจสาขาข้างเคียง GPT-5 ทำหน้าที่เหมือน เพื่อนร่วมงานที่อ่านงานวิจัยทางวิทยาศาสตร์เกือบทุกชิ้น มีความอดทนไม่จำกัดและพร้อมทำงานตลอด 24 ชั่วโมง สิ่งนี้ช่วยให้นักวิทยาศาสตร์สามารถสำรวจขอบเขตความรู้ที่อยู่ติดกันได้ดีขึ้นมาก
ตัวอย่างจากหลุมดำ
- Alex Lupsasca เล่าว่า เขาเคยเจอสมการแปลกๆ ในงานวิจัยหลุมดำของเขาที่มีเทอมอนุพันธ์อันดับ 3 เมื่อเขาถาม ChatGPT ว่า เคยเห็นสมการนี้หรือไม่ AI ก็ตอบทันทีว่า นี่คือ สมการสะพานเชิงสอดคล้อง (Conformal Bridge Equation) และแนะให้ดูงานวิจัยที่เกี่ยวข้อง ซึ่งช่วยให้เขารู้ว่างานของเขาเคยถูกศึกษามาแล้วในบริบทอื่น
3. A fusion physicist shows what GPT-5 can do
- Kevin Weil เล่าถึงประสบการณ์ที่เขาประทับใจกับนักฟิสิกส์ฟิวชันที่ชื่อ Brian Spears Brian ได้ทดสอบโมเดล O1-Preview ด้วยโจทย์ฟิสิกส์ฟิวชันที่ค่อยๆ ยากขึ้น:
- เขาเริ่มจากโจทย์ระดับปริญญาตรี ไล่ไปถึงปริญญาโท, หลังปริญญาเอก, และโจทย์ที่ต้องเป็นนักฟิสิกส์นิวเคลียร์ที่ทำงานที่ Lawrence Livermore มา 20 ปี สามารถตอบโจทย์ที่ยากที่สุดได้ถูกต้อง และแนะนำให้ใช้เครื่องมือจำลองที่ซับซ้อนที่เฉพาะเจาะจงใน Labs ซึ่งไม่มีสิทธิ์เข้าถึง
- Brian สรุปว่า แม้เขาจะสามารถทำโจทย์เหล่านี้ได้ แต่ต้องใช้เวลาหลายวัน นี่แสดงให้เห็นว่า Tools นี้จะเร่งความเร็วทางวิทยาศาสตร์ได้เร็วมากขึ้น
4. GPT-5 Pro and black hole symmetries
- Alex Lupsasca เล่าถึงจุดที่ทำให้เขาเชื่อมั่นใน AI จนตัดสินใจเข้ามาร่วมงานกับ OpenAI) เขาให้โจทย์ที่ยากมากๆ คือ การค้นหา สมมาตร (Symmetries) ใหม่ของสมการหลุมดำที่เขาเพิ่งค้นพบ:
- เขาใช้ GPT Pro ถามคำถามที่ยากที่สุดไปในครั้งแรก โมเดลคิด 5 นาทีแล้วตอบว่า ไม่มีสมมาตร แต่เพื่อนร่วมงานแนะนำให้ลองให้โจทย์ที่ง่ายกว่า, ใช้เวลา 9 นาที และตอบถูกว่าสมการนั้นมี สมมาตรเชิงสอดคล้อง
- จากนั้น พอเขาลองให้โจทย์ยากเดิมอีกครั้งในบทสนทนาเดียวกัน AI ใช้เวลาคิด 18 นาที และตอบถูกต้องทั้งหมด
- Alex ตกใจ เพราะการคำนวณนั้นถือเป็นงานที่อยู่ในขอบเขตความสามารถสูงสุดของตัวเขาเอง นี่แสดงให้เห็นว่า AI มีความสามารถที่สุดยอด
5. Getting the most out of the models
- เมื่อ AI ทำงานในระดับ Frontier หรือทำงานที่ขีดจำกัดความสามารถของมัน อัตราความสำเร็จจะต่ำมาก คล้าย ๆ มนุษย์ที่กำลังทำงานยากๆ
- ต้องมีความอดทน: ผู้ที่ดึงศักยภาพสูงสุดของโมเดลออกมาได้ จะต้องมี ความอดทนในการโต้ตอบกับโมเดลซ้ำๆ (Back and Forth) ไม่ใช่การถามครั้งเดียวแล้วได้คำตอบเสมอไป
- ปัญหา คือ การยอมแพ้เร็ว: ปัญหาที่ทีมงานพบคือ โมเดลอาจมีความสามารถในการแก้ปัญหาที่ยากมากๆ (มีอัตราความสำเร็จที่ไม่ใช่ศูนย์ เช่น 5% หรือ 1 ใน 20 ครั้ง) แต่ผู้คนส่วนใหญ่จะลองเพียง 2-3 ครั้งแล้วเลิกใช้ โดยคิดว่าโมเดลยังไม่ดีพอ ทั้งที่จริงแล้วมันสามารถแก้ได้
- เวลาคิดที่นานขึ้น: 1 ในความสามารถของ GPT-5 Pro คือ การให้ เวลาคิด (Thinking Time) ที่นานขึ้น
Kevin เคยเห็นโมเดลคิดได้นานถึง 40 นาทีในการแก้ปัญหาที่ยากที่สุด และพบว่า อัตราความสำเร็จจะดีขึ้นอย่างต่อเนื่อง เมื่อให้โมเดลมีเวลาคิดนานขึ้น ซึ่งคล้ายกับการที่มนุษย์สามารถแก้ปัญหาได้ถ้ามีเวลาคิดทบทวนมากขึ้น
6. OpenAI’s new research paper
- OpenAI ได้ร่วมมือกับนักวิชาการประมาณ 8-9 คนจากหลายสาขา (คณิตศาสตร์, ฟิสิกส์, ดาราศาสตร์, ชีววิทยา, วัสดุศาสตร์) เพื่อตีพิมพ์รายงานวิจัย
- วัตถุประสงค์: รายงานนี้ไม่ได้มีไว้ เพื่อโฆษณาว่าทุกอย่างดีเลิศ แต่เพื่อแสดงให้เห็นว่า อะไรใช้ได้ผลและไม่ได้ผล พร้อม Share Links ทั้งหมดระหว่างนักวิทยาศาสตร์กับ AI
- เนื้อหา: รายงานนี้รวบรวมตัวอย่างการเร่งความเร็วในการคำนวณและการค้นหาเอกสาร ที่สำคัญ คือ มีส่วนที่แสดง ผลลัพธ์ใหม่ที่ไม่สำคัญ 4-5 ชิ้น ในสาขาคณิตศาสตร์ ซึ่งเป็นผลลัพธ์ที่ GPT-5 ได้ช่วยผลักดันให้ก้าวข้ามขีดจำกัดความรู้ของมนุษย์ในปัจจุบัน
7. Looking ahead to the next 5 years
- การทำนายอนาคต 5 ปีข้างหน้าเป็นเรื่องที่ยากมาก เพราะความก้าวหน้าเกิดขึ้นเร็วสุดๆ
- การเปลี่ยนแปลงใน 12 เดือน: เมื่อ 12 เดือนก่อน วิศวกรส่วนใหญ่ยังเขียนโค้ดทั้งหมดด้วยตัวเอง แต่ตอนนี้การทำงานโดยไม่ใช้เครื่องมือ AI (เช่น Copilot) ถือเป็นเรื่องแปลกประหลาด
- ในอนาคตอันใกล้: ใน 12 เดือนข้างหน้า เราจะเห็นการเปลี่ยนแปลงอย่างมากในวิทยาศาสตร์เชิงทฤษฎี (เช่น คณิตศาสตร์และฟิสิกส์) และจะเริ่มเห็นในชีววิทยาและวิทยาศาสตร์กายภาพ
- ผลกระทบที่ลึกซึ้งที่สุด: Kevin เชื่อว่า ผลกระทบที่ลึกซึ้งที่สุด ที่ผู้คนจะรู้สึกถึงปัญญาประดิษฐ์ทั่วไป (AGI) ผ่านทางความก้าวหน้าทางวิทยาศาสตร์ เช่น การแพทย์เฉพาะบุคคล หรือการค้นพบวิธีทำปฏิกิริยาฟิวชันอย่างรวดเร็ว สิ่งเหล่านี้จะเปลี่ยนชีวิตเราทุกคน
8. Will predictions outpace experiments?
- ในสาขาที่ต้องมีการทดลองทางกายภาพจริง เช่น การค้นคว้ายาและการพัฒนาวัสดุ AI จะไม่ได้ทำให้นักวิทยาศาสตร์หมดความจำเป็น แต่จะช่วยแก้ปัญหาคอขวด
- จำกัดขอบเขตการค้นหา: การพัฒนายา มี Search Space ที่ใหญ่มาก AI จะช่วยให้เรา จำกัดขอบเขตการค้นหาลงได้ ซึ่งช่วยให้เราสามารถเข้าถึงยาที่มีแนวโน้มจะใช้ได้ผลจริงได้เร็วขึ้น
- ช่วยงานเอกสาร: AI ยังสามารถช่วยเร่งกระบวนการต่างๆ ได้ เช่น การรวบรวมข้อมูลและเขียนเอกสารขนาดใหญ่เพื่อผ่านกระบวนการทางกฎระเบียบ
9. The pace of model improvement
- โมเดล AI ในปัจจุบันอย่าง GPT-5.1 Pro ที่เราใช้อยู่ คือ โมเดล AI ที่แย่ที่สุดที่เราจะได้ใช้ไปตลอดชีวิตที่เหลืออยู่ของเรา สิ่งนี้บ่งบอกว่า อนาคตจะสดใสมาก
- Alex ยืนยันว่า โมเดลจะดีขึ้นเรื่อยๆ และยังไม่ถึงจุดที่พัฒนาต่อไม่ได้ (Plateau)
- ปัญหาที่ใหญ่ที่สุด คือ ช่องว่างระหว่างสิ่งที่โมเดลทำได้จริง กับสิ่งที่ชุมชนวิทยาศาสตร์ใช้มันทำ เพราะโมเดลพัฒนาเร็วมากจนคนอาจไม่ทันสังเกตว่าความสามารถมันเปลี่ยนไปในไม่กี่เดือน
10. What do scientific benchmarks look like?
- เมื่อโมเดลฉลาดขึ้น เราก็ต้องให้บททดสอบที่ยากขึ้นเรื่อยๆ
- GPQA (Google Proof QA): เป็นชุดคำถามระดับปริญญาเอกข้ามหลายสาขา เดิมที GPT-4 ทำได้ 39% ขณะที่มนุษย์ทำได้ประมาณ 70% แต่ปัจจุบัน โมเดลล่าสุดทำได้เกือบ 90% ซึ่งหมายความว่า มีความสามารถสูงกว่ามนุษย์ส่วนใหญ่ในสาขาวิทยาศาสตร์
- เนื่องจากโมเดลสามารถทำคะแนนได้ดีในบททดสอบเดิม OpenAI จึงต้องเปลี่ยนไป เน้นการประเมินผลใหม่ๆ ที่ถามคำถามที่อยู่บน แนวหน้าของความรู้ทางวิทยาศาสตร์และคณิตศาสตร์ เพื่อหาจุดบกพร่องและนำไปปรับปรุงโมเดลต่อไป
11. Fusion and the promise of abundant energy
- Kevin ระบุว่าหนึ่งในสิ่งที่เขาอยากเห็นการเร่งความเร็วมากที่สุดคือ ฟิวชัน แม้ว่าเราจะรู้ว่ามันทำงานได้แล้ว แต่ความท้าทาย คือ การทำให้มันสามารถขยายขนาดได้และเชื่อถือได้
- การเปลี่ยนโลก: ถ้าเราแก้ปัญหาฟิวชันได้สำเร็จ โลกจะกลายเป็นสถานที่ที่ดีขึ้นอย่างมาก และจะช่วยแก้ปัญหาส่วนใหญ่ได้
- การมีพลังงานที่เพิ่มขึ้นสิบเท่าและถูกลงสิบเท่า จะเปลี่ยนโลกไปอย่างสิ้นเชิง และนี่คือศักยภาพอันยิ่งใหญ่ในการนำ AI มาประยุกต์ใช้
12. Closing: Science 2.0 moment
- ไม่ใช่การทดแทน: ข้อความที่สำคัญที่สุดคือ เราไม่ได้บอกให้นักวิทยาศาสตร์เลิกทำสิ่งที่ทำอยู่แล้วหันมาทำ AI แต่เรากำลังบอกว่าให้ทำสิ่งที่ทำอยู่ต่อไป แล้วใช้ AI เป็นเครื่องมือและเพื่อนร่วมงานชั้นยอดที่จะทำให้งานสนุกและมีประสิทธิภาพมากขึ้น
- การกระจายเครื่องมือ: เป้าหมายหลักคือการสร้าง AI อเนกประสงค์ที่ดีที่สุด แล้วปล่อยออกไปให้โลกใช้ ซึ่งจะทำให้นักวิทยาศาสตร์หลายร้อยคนทั่วโลกสามารถเร่งงานของพวกเขาได้
- นี่ไม่ใช่จุดจบของวิทยาศาสตร์ แต่เป็นช่วงเวลาที่เรียกว่า Science 2.0 กำลังเกิดขึ้น
ข้อสรุป:
AI กับนักวิทยาศาสตร์ เหมือนกับการที่นักเดินป่าผู้เชี่ยวชาญได้รับ แผนที่อัจฉริยะ ที่ไม่ได้บอกแค่เส้นทางที่รู้แล้ว แต่ยังบอกเส้นทางที่คนอื่นอาจเคยมองข้ามในป่าข้างๆ หรือบอกทางลัด ทำให้การสำรวจความรู้ใหม่ๆ เป็นไปได้เร็วขึ้นและกว้างขึ้นกว่าเดิมมากๆ ครับ
