របាយការណ៍វាលពី OpenAI និងអ្នកសហការសិក្សាបានរកឃើញថា ភ្នាក់ងារសរសេរកូដ AI អាចពន្លឿនការធ្វើទំនើបកម្មនៃកម្មវិធីវិទ្យាសាស្ត្រដែលមានវ័យចំណាស់ សរសេរឧបករណ៍ឡើងវិញជាភាសាលឿនជាងមុន និងកាត់បន្ថយរយៈពេលដំណើរការតាមលំដាប់លំដោយ។ ការចាប់៖ ភ្នាក់ងារដូចគ្នាមិនអាចវិនិច្ឆ័យដោយភាពជឿជាក់បានថាតើការងាររបស់ពួកគេត្រឹមត្រូវតាមបែបវិទ្យាសាស្ត្រទេ ដែលជារឿយៗបង្ហាញកូដកំហុសដោយទំនុកចិត្តពេញលេញ។

របាយការណ៍ដែលបានបោះពុម្ពនៅថ្ងៃទី 1 ខែសីហា ឆ្នាំ 2026 និងចងក្រងជាឯកសារដោយ The Decoder បានពិនិត្យករណីសិក្សាចំនួន 8 ដែលភាគច្រើនជាជីវវិទ្យា ដែលក្រុមស្រាវជ្រាវបានប្រើប្រាស់ភ្នាក់ងារសរសេរកូដដូចជា Codex និង Claude Code ដើម្បីជួយសង្គ្រោះ បង្កើនប្រសិទ្ធភាព និងសរសេរកម្មវិធីសំខាន់ៗឡើងវិញ។ សម្រាប់ការរាយការណ៍បន្តអំពីឧបករណ៍ផ្លាស់ប្តូរវិទ្យាសាស្ត្រ និងឧស្សាហកម្ម សូមតាមដាន [ព័ត៌មាន AI ចុងក្រោយបំផុត] (https://aibuzzwire.news) របស់យើង។

វិបត្តិស្ងប់ស្ងាត់នៅក្នុងកម្មវិធីវិទ្យាសាស្ត្រ

កម្មវិធីភាគច្រើនដែលគាំទ្រការស្រាវជ្រាវទំនើបបានចាប់ផ្តើមជាកូដគាំទ្រសម្រាប់ក្រដាសតែមួយ។ ក្រុមសិក្សាតូចៗបានបង្កើតឧបករណ៍ទាំងនេះដោយមិនមានធនធានសម្រាប់ការធ្វើតេស្ត ការថែទាំ ឬការបង្កើនប្រសិទ្ធភាពត្រឹមត្រូវ។ លទ្ធផលគឺជាមូលដ្ឋានគ្រឹះដ៏ផុយស្រួយ៖ កម្មវិធីដែលនៅតែមានសារៈសំខាន់ចំពោះវិស័យទាំងមូល ប៉ុន្តែទាមទារការជួសជុលជាប្រចាំ។ របាយការណ៍វាល OpenAI ណែនាំភ្នាក់ងារសរសេរកូដ AI អាចជួយបិទគម្លាតដែលមានរយៈពេលយូរនោះ។

គម្រោងទាំងនោះមានចាប់ពីការថែទាំជាប្រចាំរហូតដល់ការសរសេរឡើងវិញពេញលេញជាភាសាកម្មវិធីទំនើប ហើយការទទួលបានលទ្ធផលគួរឱ្យចាប់អារម្មណ៍មួយចំនួន។

ការកសាង STAR ឡើងវិញនៅក្នុង Rust

គម្រោងមហិច្ឆតាមួយបន្ថែមទៀត rustar-aligner សាងសង់ឡើងវិញ Star ពីដំបូងនៅក្នុង Rust។ STAR គឺជាឧបករណ៍ដែលត្រូវបានប្រើប្រាស់យ៉ាងទូលំទូលាយដែលធ្វើផែនទីតាមលំដាប់លំដោយនៃការអានពីកោសិកាទៅកាន់ទីតាំងដែលត្រូវគ្នារបស់ពួកគេនៅក្នុងហ្សែនមួយ។ កម្មវិធីដើមមានច្រើនជាង 20,000 បន្ទាត់នៃ C និង C ++ ហើយមិនត្រូវបានរក្សាយ៉ាងសកម្មទៀតទេ ទោះបីជាវានៅតែបង្កប់នៅក្នុងបំពង់ស្រាវជ្រាវជាច្រើនក៏ដោយ។

ដើម្បីផ្ទៀងផ្ទាត់ការសរសេរឡើងវិញ ក្រុមការងារបានសាកល្បងឧបករណ៍ទាំងពីរនៅលើ 10,000 លំដាប់ខ្លីៗដែលបានអានពីកោសិកាផ្សិត។ សម្រាប់ការអានតែមួយចប់ អ្នកតម្រឹម rustar បានបង្កើតលទ្ធផលដូចគ្នានឹង STAR ក្នុង 99.815 ភាគរយ នៃករណី។ សម្រាប់ការអានជាគូ អត្រាកិច្ចព្រមព្រៀងគឺ 99.883 ភាគរយ។ ការប្រៀបធៀបនេះបានពង្រីកហួសពីទីតាំងដែលបានគូសផែនទី ដើម្បីរួមបញ្ចូលវាលសំខាន់ៗជាច្រើនផ្សេងទៀត ដែលកម្មវិធីទាំងពីរផលិតសម្រាប់ការអាននីមួយៗ ហើយឧបករណ៍ទាំងពីរមិនបានគូសផែនទីការអានណាមួយដែលផ្សេងទៀតមិនបានធ្វើផែនទីនោះទេ។

ការបង្កើនល្បឿន 60 ដង

RustQC បានផ្តល់នូវការបង្កើនល្បឿនដ៏ធំបំផុតដោយរួមបញ្ចូលគ្នានូវឧបករណ៍ត្រួតពិនិត្យគុណភាពដាច់ដោយឡែកចំនួន 15 ទៅក្នុងកម្មវិធីតែមួយ។ នៅលើសំណុំទិន្នន័យធំ ពេលវេលារត់បានធ្លាក់ចុះពី 15 ម៉ោង 34 នាទីមកត្រឹមតែ 14 នាទី និង 54 វិនាទី ដែលជាល្បឿនលើសពី 60 ដង។

គម្រោងមួយទៀត HelixForge បានជំនួសឧបករណ៍សម្រាប់បង្កើតទិន្នន័យហ្សែនសំយោគជាមួយនឹងកំណែបង្កើនល្បឿន GPU ។ នៅក្នុងការសាកល្បងដោយប្រើទិន្នន័យពីម្ចាស់ជំនួយមួយ និងផ្នែកគូចំនួនដប់លាននៃហ្សែននោះ HelixForge បានបញ្ចប់បំពង់ពេញលេញ 59.6 ដងលឿនជាង 59.6 ដងជាង BamSurgeon ដើមជាមួយនឹងជំហានគណនាសំខាន់តែម្នាក់ឯងដំណើរការលឿនជាង 98.6 ដង។

នៅក្នុងទំនើបកម្មសាមញ្ញជាងមុន GPT-5.5 បានជំនួសដំណើរការសាងសង់ និងដំឡើងហួសសម័យនៃ cyvcf2 ដែលជាបណ្ណាល័យ Python សម្រាប់អានទិន្នន័យហ្សែន។ ការធ្វើចំណាកស្រុក MHCflurry ដែលពាក់ព័ន្ធកាន់តែច្រើនបានឃើញ Claude Code និង Codex ឆ្លាស់គ្នារវាងតួនាទីរបស់អ្នកអភិវឌ្ឍន៍ និងអ្នកត្រួតពិនិត្យ ខណៈពេលដែលបញ្ជូនកូដប្រហែល 10,000 ពី TensorFlow ទៅ PyTorch ។ MHCflurry គឺជាគំរូ immunology ដែលព្យាករណ៍ថាតើគោលដៅណាដែលកោសិកាភាពស៊ាំនឹងទទួលស្គាល់។

'ជឿជាក់ខុស'

ទោះជាយ៉ាងណាក៏ដោយ ការស្វែងរកចំណងជើង គឺជារឿងមួយដ៏គួរឱ្យសោកស្ដាយ។ ឆ្លងកាត់ករណីសិក្សា ភ្នាក់ងារបានបំពេញភារកិច្ចដែលបានកំណត់យ៉ាងរហ័ស ប៉ុន្តែមិនអាចវិនិច្ឆ័យដោយភាពជឿជាក់បានថាតើការងាររបស់ពួកគេត្រឹមត្រូវតាមបែបវិទ្យាសាស្ត្រឬអត់។ សូម្បីតែនៅពេលដែលកូដរបស់ពួកគេមានកំហុសក៏ដោយ ប្រព័ន្ធតែងតែបង្ហាញវាដោយទំនុកចិត្តពេញលេញ។

លោក Brent Pedersen ដែលជាអ្នកបង្កើត cyvcf2 បានចាប់យកភាពតានតឹងនៅក្នុងរបាយការណ៍នេះថា "ជាមួយនឹងភ្នាក់ងារសរសេរកូដ វាងាយស្រួលណាស់ក្នុងដំណើរការលឿន។ សម្រាប់ពេលនេះ ដើម្បីទៅឱ្យឆ្ងាយនៅក្នុងវិទ្យាសាស្ត្រ វានៅតែមានតម្រូវការសម្រាប់ការណែនាំ ការយល់ដឹង រសជាតិ និងការថែទាំពីអ្នកជំនាញ។"

Philip Ewels ដែលដឹកនាំគម្រោង RustQC មានភាពមិនច្បាស់លាស់។ លោក​បាន​ពណ៌នា​ភ្នាក់ងារ​ថា​ជា «​ការ​និយាយ​គួរ​ឱ្យ​ជឿជាក់ និង​មាន​ទំនុកចិត្ត​ខុស​ក្នុង​វិធី​ដែល​ងាយ​នឹង​ខកខាន​»​។ Ewels មិន​ដែល​អនុញ្ញាត​ឱ្យ​ម៉ូដែល​វិនិច្ឆ័យ​ភាពត្រឹមត្រូវ​នៃ​ការងារ​របស់​ពួកគេ​ទេ ផ្ទុយទៅវិញ​ការ​បង្កើត​ឧបករណ៍​សាកល្បង​ឯករាជ្យ​ដើម្បី​ចាប់​កំហុស​របស់​ពួកគេ។

កំហុសលាក់ក្នុងទិដ្ឋភាពធម្មតា។

ករណីសិក្សា bayesm បង្ហាញថាតើកំហុសទាំងនេះពិបាកយ៉ាងណាក្នុងការចាប់បាន។ ការសរសេរឡើងវិញ Rust របស់វាដំណើរការលឿនជាងវិធីដើមពី 2 ទៅ 20 ដង ប៉ុន្តែកំណែដំបូងនៃវិធីសាស្រ្តកម្រិតខ្ពស់ពីរមានពិការភាពតិចតួច។ ក្នុង​មួយ ភ្នាក់ងារ​បាន​ដាក់​បញ្ច្រាស​ប៉ារ៉ាម៉ែត្រ​គ្រប់គ្រង​គន្លឹះ ដែល​បណ្ដាល​ឱ្យ​កម្មវិធី​ប្រើ​តម្លៃ​ដែល​បាន​បម្រុង​ទុក។ កំហុសដាច់ដោយឡែកមួយប៉ះពាល់ដល់ការគណនាខ្លួនឯង។ អ្នកស្រាវជ្រាវបានរកឃើញបញ្ហាទាំងពីរនេះតែប៉ុណ្ណោះ បន្ទាប់ពីដំណើរការការធ្វើតេស្តក្រិតតាមខ្នាតលម្អិតប្រឆាំងនឹងសំណុំទិន្នន័យសំយោគរាប់ពាន់ជាមួយនឹងលទ្ធផលដែលគេដឹង។

វគ្គនេះគូសបញ្ជាក់ពីការផ្លាស់ប្តូររចនាសម្ព័ន្ធអំពីរបៀបដែលអ្នកវិទ្យាសាស្ត្រអាចធ្វើការរួមជាមួយនឹង AI៖ ជាជាងការសរសេរកូដដោយខ្លួនឯង កិច្ចការស្នូលរបស់ពួកគេក្លាយជាការផ្ទៀងផ្ទាត់លទ្ធផលយ៉ាងម៉ត់ចត់ ដែលជាតួនាទីដែលទាមទារជំនាញដែនជ្រៅដែលភ្នាក់ងារខ្លួនឯងមិនអាចផ្គត់ផ្គង់បាន។

តើវាមានន័យយ៉ាងណាសម្រាប់វិទ្យាសាស្ត្រ

ការ​រក​ឃើញ​នេះ​បាន​កើត​ឡើង​នៅ​ពេល​នៃ​ការ​ពិភាក្សា​គ្នា​យ៉ាង​ខ្លាំង​អំពី​របៀប​ដែល​ប្រព័ន្ធ AI ស្វ័យភាព​គួរ​ត្រូវ​បាន​ផ្តល់​ឱ្យ​នៅ​ក្នុង​ដែន​ភាគហ៊ុន​ខ្ពស់។ ការបង្កើនល្បឿនគឺពិតជាផ្លាស់ប្តូរ - ការកាត់បន្ថយ 60 ដងនៃពេលវេលាដំណើរការអាចបង្វែរការងារពេញមួយយប់ទៅជាការសម្រាកកាហ្វេ។ ប៉ុន្តែការរួមចំណែកដ៏សំខាន់បំផុតរបស់របាយការណ៍អាចជាភាពស្មោះត្រង់របស់វាអំពីដែនកំណត់។ ភ្នាក់ងារដែលមានភាពរហ័សរហួន ស្ទាត់ជំនាញ និងការបញ្ចុះបញ្ចូល ប៉ុន្តែមិនអាចវាយតម្លៃដោយខ្លួនឯងនូវសុពលភាពវិទ្យាសាស្ត្រ គឺជាឧបករណ៍ដ៏មានអានុភាពនៅក្នុងដៃរបស់អ្នកជំនាញដែលដឹងច្បាស់អំពីអ្វីដែលត្រូវពិនិត្យ។

សម្រាប់អ្នកស្រាវជ្រាវដែលពាក់ព័ន្ធ មេរៀនគឺច្បាស់ណាស់៖ AI អាចបង្កើតឡើងវិញនូវរន្ទានៃវិទ្យាសាស្ត្រក្នុងល្បឿនគួរឱ្យកត់សម្គាល់ ប៉ុន្តែការវិនិច្ឆ័យរបស់មនុស្សនៅតែមានបន្ទុក។

នាំមុខ AI

ពីរបកគំហើញនៃការស្រាវជ្រាវរហូតដល់ការដាក់ពង្រាយសហគ្រាស ល្បឿននៃការផ្លាស់ប្តូរគឺមិនឈប់ឈរ។ ចំណាំ AI Buzz Wire សម្រាប់ការគ្របដណ្តប់ដែលកំពុងត្រួតពិនិត្យការពិតអំពីរបៀបដែលបញ្ញាសិប្បនិម្មិតកំពុងផ្លាស់ប្តូរវិទ្យាសាស្ត្រ អាជីវកម្ម និងសង្គម។

អានព័ត៌មានស្រាវជ្រាវ AI បន្ថែម →