អ្នកស្រាវជ្រាវ MIT បានបង្កើតបច្ចេកទេសបណ្តុះបណ្តាលដែលផលិតគំរូអាកាសធាតុ AI ដែលអាចសម្របខ្លួនបានលឿន ដោយប្រើប្រភាគនៃទិន្នន័យដែលជាធម្មតាត្រូវការ ជាជំហានដែលពួកគេនិយាយថាអាចកាត់បន្ថយពេលវេលាផលិតឧបករណ៍ទាំងនេះពីខែ ឬច្រើនឆ្នាំមកជាអ្វីដែលអាចប្រើបានច្រើនជាងមុនសម្រាប់ការសម្រេចចិត្តគោលនយោបាយ។ ការស្រាវជ្រាវលេចឡើងនៅសប្តាហ៍នេះនៅក្នុង Proceedings of National Academy of Sciences ។

គំរូនៅក្នុងសំណួរគឺជាកម្មវិធីត្រាប់តាមអាកាសធាតុ៖ ប្រព័ន្ធពពោះជំនួស AI បង្រួមដែលធ្វើត្រាប់តាមគំរូប្រព័ន្ធផែនដីពេញខ្នាត (ESMs) ។ ESMs គឺជាអ្នកធ្វើការនៃវិទ្យាសាស្ត្រអាកាសធាតុ — ការក្លែងធ្វើផ្អែកលើរូបវិទ្យាដ៏ធំសម្បើមដែលគ្រោងពីរបៀបដែលសីតុណ្ហភាព ទឹកភ្លៀង និងកម្រិតទឹកសមុទ្រឆ្លើយតបទៅនឹងការបំភាយឧស្ម័នផ្ទះកញ្ចក់ — ប៉ុន្តែសេណារីយ៉ូអនាគតតែមួយអាចចំណាយពេលរាប់ខែដើម្បីដំណើរការលើចង្កោមនៃកុំព្យូទ័រទំនើប។ ផ្ទុយទៅវិញ កម្មវិធីត្រាប់តាម ដំណើរការក្នុងរយៈពេលតែប៉ុន្មានវិនាទីប៉ុណ្ណោះ ដោយអនុញ្ញាតឱ្យអ្នកវិទ្យាសាស្ត្រសាកល្បងសេណារីយ៉ូរាប់ពាន់ ស៊ើបអង្កេតផលប៉ះពាល់ក្នុងតំបន់ និងការបំពុលជាក់លាក់ និងដាក់ទង់លទ្ធផលដែលមិនរំពឹងទុកនៃអន្តរាគមន៍គោលនយោបាយ។ សម្រាប់ការគ្របដណ្តប់បន្តនៃតួនាទីពង្រីករបស់ AI នៅក្នុងវិទ្យាសាស្ត្រ សូមតាមដាន [ព័ត៌មានស្រាវជ្រាវ AI] (https://aibuzzwire.news) របស់យើង។

បញ្ហា៖ ទិន្នន័យបណ្តុះបណ្តាលជាក់ស្តែងធ្វើឱ្យគំរូផុយស្រួយ

នៅពេលអ្នកស្រាវជ្រាវបង្កើតកម្មវិធីត្រាប់តាមអាកាសធាតុ ជាធម្មតាពួកគេហ្វឹកហាត់វានៅលើសេណារីយ៉ូនៃការបំភាយឧស្ម័ននាពេលអនាគតពី 6 ទៅ 8 ដែលដើរតាមគន្លងជាក់ស្តែង។ នីមួយៗត្រូវតែដំណើរការតាមរយៈ ESM ពេញលេញ ដើម្បីផលិតទិន្នន័យបណ្តុះបណ្តាល ដែលធ្វើឲ្យការបង្កើតសំណុំទិន្នន័យមានតម្លៃថ្លៃ និងយឺត។ ក្រុមការងារ MIT ពីមុនបានកំណត់របៀបបរាជ័យដ៏ស្រាលមួយ៖ កម្មវិធីត្រាប់តាមដែលបានបណ្តុះបណ្តាលលើសេណារីយ៉ូជាក់ស្តែងអាចដំណើរការបាននៅពេលត្រូវបានស្នើសុំឱ្យទស្សន៍ទាយស្ថានភាពដែលមិនធ្លាប់ស្គាល់ ឬប្រលោមលោក — ស្ថានភាពដែលអ្នកបង្កើតគោលនយោបាយត្រូវការស្វែងរកកាន់តែខ្លាំងឡើង។

លោក Christopher Womack PhD '26 ដែលបច្ចុប្បន្នជាបណ្ឌិតសភានៅ ETH Zurich និងជាអ្នកដឹកនាំកាសែតនៅក្នុង MIT News បាននិយាយថា "ក្បួនដោះស្រាយរបស់យើងអាចបង្កើតសេណារីយ៉ូចំលែកមួយចំនួនដែលមើលទៅមិនដូចអនាគតជាក់ស្តែង ប៉ុន្តែយើងមិនខ្វល់ច្រើនទេ ប្រសិនបើសេណារីយ៉ូបណ្តុះបណ្តាលមានភាពប្រាកដនិយម" ។ "យើងគ្រាន់តែព្យាយាមបង្កើតសំណុំទិន្នន័យល្អបំផុតដែលអាចធ្វើទៅបានដើម្បីបណ្តុះបណ្តាលកម្មវិធីត្រាប់តាម។

មួយ ESM រត់ជំនួសឱ្យប្រាំបី

បច្ចេកទេសថ្មីបញ្ច្រាសបំពង់ធម្មតា។ ជំនួសឱ្យការប្រមូលផ្តុំសេណារីយ៉ូជាក់ស្តែង ក្បួនដោះស្រាយមួយបង្កើតសេណារីយ៉ូសំយោគដែលបានកែលម្អដែលត្រូវបានកែសម្រួល ដើម្បីបង្កើនជំនាញទស្សន៍ទាយរបស់អ្នកត្រាប់តាមជាក់លាក់មួយ។ ដំណើរការចាប់ផ្តើមជាមួយនឹងសេណារីយ៉ូតាមអំពើចិត្តដែលដំណើរការតាមរយៈគំរូអាកាសធាតុដ៏សាមញ្ញ និងរហ័ស វាស់វែងថាតើកម្មវិធីត្រាប់តាមបង្កើតឡើងវិញនូវលទ្ធផលពេញលេញរបស់ ESM យ៉ាងដូចម្តេច បន្ទាប់មករំខានដល់ទិន្នន័យបណ្តុះបណ្តាលឡើងវិញ - បង្កើនការបញ្ចេញឧស្ម័ន CO2 យ៉ាងខ្លាំងនៅឆ្នាំ 2050 ឬកាត់បន្ថយឧស្ម័នមេតានយ៉ាងឆាប់រហ័សនៅឆ្នាំ 2037 ។

សេណារីយ៉ូសំយោគលទ្ធផលមើលទៅគ្មានអ្វីដូចគន្លងនៃពិភពពិតនោះទេ។ Womack បាននិយាយថា "តាមរយៈការណែនាំ wiggles និងការយោលប្រេកង់ខ្ពស់ទាំងនេះ ទិន្នន័យរបស់យើងអាចឱ្យកម្មវិធីត្រាប់តាមដើម្បីទាញយកព័ត៌មានជាច្រើនបន្ថែមទៀតអំពីប្រព័ន្ធទាំងមូល" ។ ការទូទាត់ជាក់ស្តែងគឺច្រើនណាស់៖ ដែលជាកន្លែងដែលការកសាងសំណុំបណ្តុះបណ្តាលម្តងតម្រូវឱ្យដំណើរការ ESM ពេញលេញពីប្រាំមួយទៅប្រាំបីដង អ្នកប្រើប្រាស់ឥឡូវនេះត្រូវការការរត់តែមួយ។

ឆ្លងកាត់ការសាកល្បងម៉ូដែលប្រពៃណីបានបរាជ័យ

អ្នកស្រាវជ្រាវបានរាយការណ៍ថាកម្មវិធីត្រាប់តាមដែលបានបណ្តុះបណ្តាលជាមួយនឹងវិធីសាស្រ្តរបស់ពួកគេបានព្យាករណ៍យ៉ាងត្រឹមត្រូវនូវលទ្ធផលនៃសេណារីយ៉ូដែលវាមិនធ្លាប់ឃើញក្នុងអំឡុងពេលហ្វឹកហាត់ ខណៈដែលកម្មវិធីត្រាប់តាមបែបប្រពៃណីមិនអាចសម្របខ្លួនបាន។ នៅក្នុងការធ្វើតេស្តមួយដែលរំលេចដោយ MIT News កម្មវិធីត្រាប់តាមដែលបណ្តុះបណ្តាលដោយសំយោគបានត្រឹមត្រូវនូវផលប៉ះពាល់នៃគោលនយោបាយគ្រប់គ្រងការបំពុលក្នុងតំបន់ដែលកាត់បន្ថយការបំពុលមួយខណៈពេលដែលការបំភាយឧស្ម័នផ្សេងទៀតបន្តកើនឡើង ដែលជាករណីដែលកម្មវិធីត្រាប់តាមដែលបានបណ្តុះបណ្តាលតាមធម្មតាដែលពួកគេបានវាយតម្លៃបរាជ័យ។

Womack បាននិយាយថា "កម្មវិធីត្រាប់តាមអាកាសធាតុគឺសមស្របជាពិសេសសម្រាប់ការធ្វើគំរូនៃសេណារីយ៉ូទាក់ទងនឹងគោលនយោបាយ" ។ "ដោយប្រើវិធីសាស្រ្តរបស់យើងដើម្បីបង្កើតទិន្នន័យបណ្តុះបណ្តាលដែលប្រសើរឡើងសម្រាប់កម្មវិធីត្រាប់តាម យើងអាចបង្កើនល្បឿននៃការផលិតកម្មវិធីត្រាប់តាមដែលអាចទុកចិត្តបានកាន់តែច្រើន ដូច្នេះយើងអាចជឿទុកចិត្តបានប្រសើរជាងលទ្ធផលរបស់ពួកគេសម្រាប់ការសម្រេចចិត្តគោលនយោបាយ។"

ការ​សម្របខ្លួន​ជា​រឿង​សំខាន់​ព្រោះ​អនាគត​នឹង​មិន​ដូច​នឹង​ឈុត​ហ្វឹកហាត់​នោះ​ទេ។ Selin បាននិយាយថា "នៅពេលអនាគត យើងប្រាកដជានឹងឃើញអាកាសធាតុ និងសេណារីយ៉ូ ដែលយើងមិនធ្លាប់ឃើញពីមុនមក"។ "ប្រសិនបើយើងអាចក្លែងធ្វើសេណារីយ៉ូផ្សេងៗគ្នាទាំងនេះបានកាន់តែរឹងមាំ យើងអាចផ្តល់ព័ត៌មានដែលអាចទុកចិត្តបានបន្ថែមទៀតដល់ភាគីពាក់ព័ន្ធដែលត្រូវការវា"។

ហេតុអ្វីពេលវេលាសំខាន់

អ្នកនិពន្ធជាន់ខ្ពស់ Noelle Selin សាស្ត្រាចារ្យនៅវិទ្យាស្ថាន MIT សម្រាប់ទិន្នន័យ ប្រព័ន្ធ និងសង្គម និងនាយកដ្ឋានផែនដី បរិយាកាស និងវិទ្យាសាស្ត្រភព និងជានាយកមជ្ឈមណ្ឌលសម្រាប់វិទ្យាសាស្ត្រ និងយុទ្ធសាស្ត្រនិរន្តរភាព បានកំណត់ការងារនេះថាជាការជួសជុលខ្សែសង្វាក់ផ្គត់ផ្គង់សម្រាប់ព័ត៌មានអាកាសធាតុដោយខ្លួនឯង។ ដោយសារការបណ្តុះបណ្តាលកម្មវិធីត្រាប់តាមអាចចំណាយពេលច្រើនខែ ឬច្រើនឆ្នាំ ឧបករណ៍ដែលមានសម្រាប់អ្នករៀបចំផែនការតែងតែហួសសម័យហើយ។ នាងបាននិយាយថា "តាមរយៈការកាត់បន្ថយពេលវេលាផលិតនោះ ខ្ញុំគិតថាបច្ចេកទេសនេះនឹងក្លាយជាការផ្លាស់ប្ដូរហ្គេមទាក់ទងនឹងការទទួលបានឧបករណ៍ថ្មីៗទៅក្នុងដៃអ្នកស្រាវជ្រាវ និងអ្នកអនុវត្ត"។

ពាក្យស្នើសុំពង្រីកបានល្អលើសពីការសិក្សា៖ ការព្យាករណ៍អាកាសធាតុទាន់សម័យជូនដំណឹងដល់ការសម្រេចចិត្តលើភាពធន់នៃបណ្តាញអគ្គិសនី ការការពារសុខភាពសាធារណៈ និងការធ្វើផែនការកសិកម្ម។ ក្រុមនេះក៏រួមមាន Shahine Bouabid, Andrei Sokolov, Popat Salunke និង Glenn Flierl នៃ MIT និង Sebastian D. Eastham នៃ Imperial College London ។ គោលដៅបន្ទាប់របស់អ្នកស្រាវជ្រាវគឺការពង្រីកបច្ចេកទេស ដូច្នេះអ្នកត្រាប់តាមនៅតែរឹងមាំនៅពេលដែលភពផែនដីចូលទៅក្នុងលក្ខខណ្ឌអាកាសធាតុដោយគ្មានគំរូប្រវត្តិសាស្ត្រ។

---

ស្នាក់នៅមុន AI

ទទួលបានព័ត៌មាន AI ការវិភាគ និងរបកគំហើញចុងក្រោយបំផុត — ទាំងអស់នៅកន្លែងតែមួយ។

អានព័ត៌មាន AI បន្ថែម →