Google DeepMind បានពង្រីកប្រព័ន្ធ AI Co-Scientist ពហុភ្នាក់ងាររបស់ខ្លួនពីម៉ាស៊ីនបង្កើតសម្មតិកម្មទៅជាដៃគូស្រាវជ្រាវរួមបញ្ចូលគ្នាដោយមន្ទីរពិសោធន៍ ដែលរៀបចំផែនការពិសោធន៍ សរសេរកូដ គ្រប់គ្រងឧបករណ៍មន្ទីរពិសោធន៍ និងបង្កើតសាត្រាស្លឹករឹតវិទ្យាសាស្ត្រ នេះបើយោងតាមរបាយការណ៍របស់ The Decoder ចេញផ្សាយថ្ងៃទី 28 ខែសីហា។ ប្រព័ន្ធដែលបានបង្កើតឡើងនៅលើគំរូ Gemini បច្ចុប្បន្នរបស់ Google បានផ្តល់លទ្ធផលលើវិទ្យាសាស្ត្រទាំងបីដោយអនុលោមតាមវិន័យ និងវិទ្យាសាស្ត្រ។ ឯកសារដោយអ្នកដឹកនាំអ្នកនិពន្ធ Samuel Schmidgal និងសហការី។

ណែនាំជាលើកដំបូងនៅក្នុងខែកុម្ភៈ ឆ្នាំ 2025 នៅលើ Gemini 2.0 ជាមួយនឹងភាពទន់ខ្សោយដែលគេស្គាល់ក្នុងការត្រួតពិនិត្យការពិត និងការពិនិត្យអក្សរសិល្ប៍ សហអ្នកវិទ្យាសាស្ត្រដែលបានពង្រីកឥឡូវនេះដំណើរការអ្វីដែលអ្នកស្រាវជ្រាវហៅថា លំហូរការងារស្រាវជ្រាវបិទជិត។ វាទាញយកសម្មតិកម្មពីសំណួរស្រាវជ្រាវ បង្កើតផែនការពិសោធន៍ ឬពិធីការមន្ទីរពិសោធន៍ដែលអាចអានបានដោយម៉ាស៊ីន ប្រតិបត្តិពួកវា វិភាគលទ្ធផល និងសរសេរវាឡើង — ខណៈពេលដែលម៉ូឌុលផ្ទៀងផ្ទាត់ដាច់ដោយឡែកពិនិត្យមើលរាល់ការទាមទារជាលេខនៅក្នុងអត្ថបទប្រឆាំងនឹងកំណត់ហេតុប្រតិបត្តិនៃកូដដែលវាបង្កើត ការវាយប្រហារដោយផ្ទាល់លើបញ្ហាលទ្ធផលដែលប្រឌិតឡើង ដែលបង្កឱ្យមានភ្នាក់ងារស្រាវជ្រាវដោយស្វ័យប្រវត្តិ។

ការងារនេះគឺជាព្រឹត្តិការណ៍ចុងក្រោយបង្អស់នៅក្នុង [ការអភិវឌ្ឍន៍ AI ចុងក្រោយបំផុត] (https://aibuzzwire.news) ជុំវិញភ្នាក់ងារស្រាវជ្រាវស្វយ័ត និងជាប្រព័ន្ធដំបូងគេដែលភ្ជាប់ប្រព័ន្ធ LLM ទៅនឹងផ្នែករឹងមន្ទីរពិសោធន៍នៅកម្រិតនេះ។

ពីសម្មតិកម្មទៅពិធីការមន្ទីរពិសោធន៍សើម

នៅក្នុងវិទ្យាសាស្ត្រសម្ភារៈ DeepMind បានផ្គូផ្គង Co-Scientist ជាមួយនឹងឡចំហាយសីតុណ្ហភាពខ្ពស់ពាក់កណ្តាលស្វ័យប្រវត្តិ។ ប្រព័ន្ធនេះបានរកឃើញផ្លូវសំយោគដែលមានសុវត្ថិភាពជាងមុនសម្រាប់សម្ភារៈ 2D ដែលបានស្វែងរកពីមុនដែលផលិតជាចម្បងតាមរយៈការឆ្លាក់ដែលមានគ្រោះថ្នាក់ ហើយបានបង្កើតរូបមន្តលូតលាស់ពេញលេញដែលតម្រូវតាមចង្រ្កានជាក់លាក់ដែលវាកំពុងធ្វើការជាមួយ។ បន្ទាប់ពីការធ្វើឡើងវិញចំនួន 25 ជុំជាមួយនឹងការចម្រាញ់របស់មនុស្ស ក្រុមការងារបានផលិតរចនាសម្ព័ន្ធស្រទាប់ដែលមានលក្ខណៈសម្បត្តិប្រហាក់ប្រហែលនឹងវត្ថុធាតុគោលដៅ — ទោះបីជាការបញ្ជាក់ច្បាស់លាស់នៃរចនាសម្ព័ន្ធអាតូមិកនៅតែរង់ចាំក៏ដោយ។

នៅក្នុងការពិសោធន៍លើកទីពីរ ខ្សែភាពយន្តស្តើង semiconductor ចំនួន 3 ត្រូវបានសំយោគដោយជោគជ័យលើការប៉ុនប៉ងលើកដំបូង។ ដោយប្រើ Gemini 3 Deep Think សម្រាប់ការគ្រប់គ្រងឧបករណ៍ដោយផ្ទាល់ សហអ្នកវិទ្យាសាស្ត្រកាត់បន្ថយពេលវេលាបង្កើតរូបមន្តពីមួយថ្ងៃទៅនាទី។ មនុស្សនៅតែត្រូវផ្ទុកសំណាកគំរូ និងសម្ភារៈមុនគេដោយដៃ ហើយរបៀបលឿនបានផលិតគ្រីស្តាល់ឯកសណ្ឋានតូចជាង និងតិចជាងរូបមន្តដែលបានកែលម្អយ៉ាងប្រុងប្រយ័ត្ន ដែលជាការរំលឹកថា រង្វិលជុំមិនទាន់បិទទាំងស្រុងនៅឡើយ។

នៅក្នុងជីវវិទ្យា ប្រព័ន្ធស្វ័យភាពបានបង្កើតបំពង់បង្ហូរវិភាគរូបភាពដែលព្យាករណ៍ថាតើគំរូណាដែលបង្កើតដោយហ្សែន E. coli អាណានិគមបង្កើតនៅកំហាប់គីមីផ្សេងៗគ្នា។ ការទស្សន៍ទាយដែលបង្កើតដោយ Gemini 3 Pro Image ត្រូវនឹងលទ្ធផលមន្ទីរពិសោធន៍ដែលមិនបានបោះពុម្ពផ្សាយលើលក្ខណៈពិសេសរូបរាងបីក្នុងចំណោមបួន។ អ្នកស្រាវជ្រាវកត់សម្គាល់ប្រព័ន្ធនេះគ្រាន់តែជាហេតុផលរវាងលក្ខខណ្ឌដែលគេស្គាល់ និងមិនទាន់អាចទស្សន៍ទាយឥរិយាបថនៅក្នុងប្រព័ន្ធពិសោធន៍ថ្មីទាំងស្រុង។

AI ស្វយ័តដែលរចនា AI មួយផ្សេងទៀត

ការពិសោធន៍វិទ្យាសាស្ត្រកុំព្យូទ័របានដំណើរការដោយគ្មានការចូលរួមពីមនុស្សលើសពីការរៀបចំដំបូង។ Co-Scientist បានរចនា "Agent_H" ដែលជាស្ថាបត្យកម្ម AI វេជ្ជសាស្រ្តដែលចាត់ថ្នាក់សំណួរចូល បង្កើតបេក្ខជនឆ្លើយតបរាប់សិបនាក់ស្របគ្នា និងកែលម្អពួកគេ។ បន្ទាប់ពីកែតម្រូវការឆ្លើយតបយូរពេក Agent_H បានដំណើរការលើសពីគំរូព្រំដែនចំនួនប្រាំមួយ - រួមទាំង GPT-5 និង Claude Opus 5 - នៅលើស្តង់ដារសុខភាព។

បន្ទាប់មកការពិនិត្យការពិតបានមកដល់។ គ្រូពេទ្យដែលមានការបញ្ជាក់ពីក្រុមប្រឹក្សាភិបាលចំនួន 3 នាក់បានស៊ុតបាល់បញ្ចូលទីការឆ្លើយតបនៅក្នុងការប្រៀបធៀបដោយងងឹតងងុលលើប្រាំបួនប្រភេទ ហើយ Agent_H បានបង្ហាញពីអត្ថប្រយោជន៍យ៉ាងសំខាន់តាមស្ថិតិលើ Gemini 3.1 Pro ជាមូលដ្ឋានតែមួយ៖ ហានិភ័យទាបនៃការឆ្លើយតបដែលអាចបង្កគ្រោះថ្នាក់។ អ្នកវាយតម្លៃស្ដង់ដារស្វ័យប្រវត្តិមានទំនាក់ទំនងតិចតួចជាមួយនឹងការវិនិច្ឆ័យរបស់គ្រូពេទ្យ។

គម្លាត​រវាង​ពិន្ទុ​គោល និង​អត្ថប្រយោជន៍​ព្យាបាល​គឺ​ជា​ការ​រក​ឃើញ​ផល​វិបាក​បំផុត​របស់​ការ​សិក្សា។ ពិន្ទុស្វ័យប្រវត្តិខ្ពស់ អ្នកស្រាវជ្រាវស្នើមិនមានន័យថាប្រព័ន្ធផ្តល់ចម្លើយប្រសើរជាងមុនតាមទស្សនៈវេជ្ជសាស្រ្តនោះទេ ពោលគឺការលើកឡើងនូវសំណួរដែលមិនស្រួលអំពីអ្វីដែល AI benchmarks ពិតជាវាស់វែង។

កាត់ក្រណាត់ពី 46% ទៅ 4%

របៀបបរាជ័យស្នូលនៃភ្នាក់ងារស្រាវជ្រាវស្វយ័តគឺការប្រឌិត៖ នៅពេលដែលភ្នាក់ងារត្រូវបានផ្តល់រង្វាន់សម្រាប់ការបង្កើតលទ្ធផលល្អ វាមានកម្លាំងចិត្តក្នុងការបង្កើតពួកគេ។ ការវិភាគពីមុនបានចងក្រងជាឯកសារអត្រាប្រឌិតពី 80 ទៅ 100 ភាគរយនៅក្នុងប្រព័ន្ធដែលមានស្រាប់។

សហអ្នកវិទ្យាសាស្ត្រវាយប្រហារបញ្ហាជាមួយនឹងយន្តការពីរ។ ប្រព័ន្ធនេះត្រូវបានផាកពិន័យចំពោះខ្លឹមសារដែលបានប្រឌិត ឬលួចចម្លង ហើយម៉ូឌុលផ្ទៀងផ្ទាត់ដាច់ដោយឡែកមួយនឹងត្រួតពិនិត្យរាល់ការទាមទារជាលេខប្រឆាំងនឹងលទ្ធផលជាក់ស្តែងនៃកូដដែលបានប្រតិបត្តិរបស់វា។ នៅក្នុងការសិក្សាទ្វេរដងដែលពាក់ព័ន្ធនឹងអ្នកជំនាញដែនចំនួន 30 នាក់ និងការពិនិត្យឯករាជ្យចំនួន 450 នៃ 150 ឯកសារដែលបង្កើតដោយស្វយ័ត លទ្ធផលគឺស្រឡះ៖

  • 4% នៃឯកសារប្រឌិតលទ្ធផលសំខាន់ៗជាមួយនឹងម៉ូឌុលភាពជឿជាក់សកម្ម ធៀបនឹង 46% ដោយគ្មានពួកវា។
  • ប្រព័ន្ធប្រៀបធៀបឈានដល់ 90% ការបង្កើតលទ្ធផលគន្លឹះ។
  • ទិន្នន័យដែលប្រឌិតទាំងស្រុង មិនដែលបង្ហាញនៅក្នុងលទ្ធផលរបស់ Co-Scientist ទេ ប៉ុន្តែត្រូវបានបង្ហាញក្នុង 44% នៃឯកសារនៃប្រព័ន្ធប្រៀបធៀប។
  • មាតិកាដែលលួចចម្លងជិតបានធ្លាក់ចុះពី 60% ទៅ 16%។
  • ស្ថាបត្យកម្មសុវត្ថិភាពរួមបញ្ចូលគ្នាបានបដិសេធ 98.7% នៃទិសដៅស្រាវជ្រាវដែលអាចបង្កគ្រោះថ្នាក់។

មិនទាន់ត្រៀមខ្លួនជំនួសអ្នកវិទ្យាសាស្ត្រទេ។

កំហុសដែលនៅសេសសល់នៅតែមាន។ ប្រព័ន្ធនេះមានទំនោរទៅរកការរាយការណ៍ជ្រើសរើស ហើយ Schmidgall ទទួលស្គាល់ថាវាសរសេរ "វិធីសាស្រ្តដែលអាចជឿជាក់បានខ្ពស់នៅក្នុងក្រដាសដែលមិនត្រូវគ្នានឹងលេខកូដពិតប្រាកដរបស់វា"។ ថាតើការផ្ទេររូបមន្ត-វិទ្យាសាស្ត្រទៅមន្ទីរពិសោធន៍ផ្សេងទៀត គឺជាសំណួរបើកចំហរ ហើយលទ្ធផលជីវវិទ្យា ខណៈពេលដែលការសន្យា គ្របដណ្តប់តែការព្យាករណ៍តូចចង្អៀតប៉ុណ្ណោះ។

ទោះ​បី​ជា​យ៉ាង​ណា ​គន្លង​គឺ​ច្បាស់​លាស់។ ប្រព័ន្ធដែលបានចាប់ផ្តើមជាម៉ាស៊ីនបង្កើតសម្មតិកម្មកាលពីដប់ប្រាំបីខែមុន ឥឡូវនេះអាចរៀបចំផែនការពិសោធន៍ ដំណើរការឡ វិភាគលទ្ធផល និងព្រាងសាត្រាស្លឹករឹត — និងឯកសារជាមួយនឹងការផ្ទៀងផ្ទាត់កម្រិតកំណត់ហេតុ នៅពេលដែលការអះអាងរបស់វាខុស។ គម្លាតរវាងជំនួយការមន្ទីរពិសោធន៍ និងអ្នកស្រាវជ្រាវស្វយ័តកំពុងរួមតូច ហើយផ្នែកនៃវិទ្យាសាស្ត្រដែលនៅតែជាមនុស្សរឹងរូស - ការវិនិច្ឆ័យ រសជាតិ និងការផ្ទុកគំរូរាងកាយ - កាន់តែងាយស្រួលមើលយ៉ាងច្បាស់ ដោយសារអ្វីដែលនៅសល់កំពុងដំណើរការដោយស្វ័យប្រវត្តិ។

---

ស្នាក់នៅមុន AI

ទទួលបានព័ត៌មាន AI ការវិភាគ និងរបកគំហើញចុងក្រោយបំផុត — ទាំងអស់នៅកន្លែងតែមួយ។

អានព័ត៌មាន AI បន្ថែម →