Google DeepMind သည် ၎င်း၏ multi-agent AI Co-Scientist စနစ်အား စိတ်ကူးစိတ်သန်း ထုတ်ပေးသည့်စက်မှ ဓာတ်ခွဲခန်း-ပေါင်းစပ် သုတေသနလုပ်ဖော်ကိုင်ဖက်အဖြစ်သို့ ချဲ့ထွင်ပြီး စမ်းသပ်မှုများ၊ ကုဒ်ရေးရန်၊ ဓာတ်ခွဲခန်းသုံးပစ္စည်းများကို ထိန်းချုပ်ကာ သိပ္ပံနည်းကျ စာမူများထုတ်ပေးကြောင်း ဩဂုတ်လ 28 ရက်နေ့ထုတ် The Decoder ၏ အစီရင်ခံစာအရ သိရသည်။ Google ၏ လက်ရှိ Gemini မော်ဒယ်များတွင် တည်ဆောက်ထားသည့် စနစ်သည် သိပ္ပံပညာနှင့် အကျုံးဝင်သော သိပ္ပံနည်းကျ သုံးမျိုးဖြင့် ရလဒ်များကို ပေးဆောင်ထားသည်။ စာရေးဆရာ Samuel Schmidgall နှင့် လုပ်ဖော်ကိုင်ဖက်များ၏ စာတမ်း။

အချက်အလက်စစ်ဆေးခြင်းနှင့် စာပေပြန်လည်သုံးသပ်ခြင်းတွင် သိထားသည့်အားနည်းချက်များဖြင့် Gemini 2.0 ကို ဖေဖော်ဝါရီ 2025 တွင် ပထမဆုံးမိတ်ဆက်ခဲ့ပြီး၊ တိုးချဲ့ထားသော Co-Scientist သည် သုတေသီများက ကွင်းပိတ် သုတေသနလုပ်ငန်းအသွားအလာဟုခေါ်သည့်အရာကို လုပ်ဆောင်နေပြီဖြစ်သည်။ ၎င်းသည် သုတေသနမေးခွန်းတစ်ခုမှ ယူဆချက်ရယူကာ စမ်းသပ်မှုအစီအစဥ်များ သို့မဟုတ် စက်ဖတ်နိုင်သော ဓာတ်ခွဲခန်းပရိုတိုကောများကို ဖန်တီးပေးကာ ၎င်းတို့ကို လုပ်ဆောင်ပေးခြင်း၊ ရလဒ်များကို ခွဲခြမ်းစိတ်ဖြာပြီး ရေးသားခြင်းများ ပြုလုပ်နေစဉ် — သီးခြားအတည်ပြုခြင်း module များသည် ၎င်းထုတ်လုပ်လိုက်သော ကုဒ်၏လုပ်ဆောင်မှုမှတ်တမ်းများနှင့်ဆန့်ကျင်ဘက်ဖြစ်သော စာသားပါနံပါတ်တောင်းဆိုမှုတိုင်းကို အပြန်အလှန်စစ်ဆေးပြီး၊ တီထွင်ဖန်တီးထားသောရလဒ်များပြဿနာကို autonom သုတေသနပြုပါသည်။

၎င်းသည် ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရှိသော သုတေသနအေးဂျင့်များအနီးရှိ နောက်ဆုံးပေါ် AI ဖွံ့ဖြိုးတိုးတက်မှုများ တွင် နောက်ဆုံးမှတ်တိုင်ဖြစ်ပြီး ဤအဆင့်တွင် ရုပ်ပိုင်းဆိုင်ရာဓာတ်ခွဲခန်းဟာ့ဒ်ဝဲနှင့် LLM-based စနစ်တို့ကို ပေါင်းစပ်ထားသည့် ပထမဆုံးတစ်ခုဖြစ်သည်။

ယူဆချက်မှ ရေစိုဓာတ်ခွဲခန်း ပရိုတိုကောများအထိ

ပစ္စည်းသိပ္ပံတွင် DeepMind သည် Co-Scientist ကို semi-automated high-temperature furnace ဖြင့်တွဲထားသည်။ စနစ်သည် အန္တရာယ်ရှိသော etching ဖြင့် အဓိကအားဖြင့် ထုတ်လုပ်ထားသော ယခင်က ရှာဖွေထားသော 2D ပစ္စည်းအတွက် ပိုမိုဘေးကင်းသောပေါင်းစပ်မှုလမ်းကြောင်းကို တွေ့ရှိခဲ့ပြီး ၎င်းနှင့်အလုပ်လုပ်နေသော သီးခြားမီးဖိုနှင့်အံဝင်ခွင်ကျဖြစ်သော ပြီးပြည့်စုံသော ကြီးထွားမှုချက်ပြုတ်နည်းများကို ထုတ်လုပ်ခဲ့သည်။ လူသားသန့်စင်မှုဖြင့် အကြိမ် 25 ကြိမ် ပြုလုပ်ပြီးနောက်၊ အဖွဲ့သည် ပစ်မှတ်ပစ္စည်းနှင့် ဆင်တူသည့် အလွှာဖွဲ့စည်းပုံများကို ထုတ်လုပ်ခဲ့သည် — အက်တမ်ဖွဲ့စည်းပုံ၏ တိကျသေချာသော အတည်ပြုချက်ကို စောင့်ဆိုင်းနေဆဲဖြစ်သည်။

ဒုတိယစမ်းသပ်မှုတွင်၊ ပထမအကြိမ်ကြိုးစားမှုတွင် semiconductor ပါးလွှာသောရုပ်ရှင်သုံးကားကို အောင်မြင်စွာပေါင်းစပ်နိုင်ခဲ့သည်။ တိုက်ရိုက်စက်ပစ္စည်းထိန်းချုပ်မှုအတွက် Gemini 3 Deep Think ကိုအသုံးပြု၍ Co-Scientist သည် ဟင်းချက်နည်းဖွံ့ဖြိုးတိုးတက်ချိန်ကို ရက်များမှ မိနစ်အထိ ဖြတ်တောက်ခဲ့သည်။ လူသားများသည် နမူနာများနှင့် ရှေ့ပြေးပစ္စည်းများကို ကိုယ်တိုင်တင်ဆောင်နေရဆဲဖြစ်ပြီး အမြန်မုဒ်သည် ဂရုတစိုက်ပြုပြင်ထားသော ချက်ပြုတ်နည်းများထက် ပိုသေးငယ်ပြီး တူညီသောပုံဆောင်ခဲများကို ထုတ်လုပ်ပေးသည် — ကွင်းဆက်သည် အပြည့်အဝလက်မလွတ်သေးကြောင်း သတိပေးချက်တစ်ခုဖြစ်သည်။

ဇီဝဗေဒတွင်၊ စနစ်သည် မတူညီသော ဓာတုပြင်းအားများဖြင့် ကွဲပြားသော ဓာတုဗေဒပါဝင်မှုပုံစံများကို မျိုးရိုးဗီဇပြုပြင်ထားသော E. coli ကိုလိုနီပုံစံများကို ခန့်မှန်းပေးသည့် ရုပ်ပုံ-ခွဲခြမ်းစိတ်ဖြာမှုပိုက်လိုင်းတစ်ခုကို အလိုအလျောက်တည်ဆောက်ခဲ့သည်။ Gemini 3 Pro Image ဖြင့် ထုတ်လုပ်ထားသော ခန့်မှန်းချက်များသည် ပုံသဏ္ဍာန်အင်္ဂါရပ်လေးခုအနက် သုံးခုတွင် မထုတ်ဝေရသေးသော ဓာတ်ခွဲခန်းရလဒ်များနှင့် ကိုက်ညီပါသည်။ သုတေသီများသည် စနစ်အား သိရှိထားသည့် အခြေအနေများကြား အကြောင်းရင်းများသာဖြစ်ပြီး စမ်းသပ်မှုစနစ်အသစ်တစ်ခုလုံးတွင် အပြုအမူကို ခန့်မှန်း၍မရနိုင်သေးကြောင်း မှတ်သားထားသည်။

အခြား AI ကို ဒီဇိုင်းထုတ်သည့် ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရ AI တစ်ခု

ကွန်ပြူတာသိပ္ပံစမ်းသပ်ချက်သည် ကနဦးသတ်မှတ်မှုထက် လူသားပါဝင်ပတ်သက်မှုမရှိဘဲ လုပ်ဆောင်ခဲ့သည်။ Co-Scientist သည် ဝင်လာသောမေးခွန်းများကို အမျိုးအစားခွဲသည့် ဆေးဘက်ဆိုင်ရာ AI ဗိသုကာတစ်ခုဖြစ်သည့် "Agent_H" ကို ဒီဇိုင်းထုတ်ကာ တုံ့ပြန်မှုဆိုင်ရာ ကိုယ်စားလှယ်လောင်း ဒါဇင်ပေါင်းများစွာကို အပြိုင်ထုတ်ပေးကာ ၎င်းတို့ကို သန့်စင်ပေးပါသည်။ ရှည်လျားလွန်းသော တုံ့ပြန်မှုများကို ပြုပြင်ပြီးနောက်၊ Agent_H သည် ကျန်းမာရေးစံနှုန်းများတွင် GPT-5 နှင့် Claude Opus 5 အပါအဝင် ရှေ့တန်းမော်ဒယ်ခြောက်ခုကို စွမ်းဆောင်ရည်ထက် သာလွန်ခဲ့သည်။

နောက်တော့ အဖြစ်မှန်ကို စစ်ဆေးတယ်။ ဘုတ်အဖွဲ့မှ အသိအမှတ်ပြု သမားတော် သုံးဦးသည် အမျိုးအစား ကိုးခုရှိ မျက်စိကွယ်သော နှိုင်းယှဉ်မှုတွင် တုံ့ပြန်မှုများကို အမှတ်ပေးခဲ့ပြီး Agent_H သည် အခြေခံလိုင်း Gemini 3.1 Pro ထက် ကိန်းဂဏန်းအချက်အလတ် သိသိသာသာ အားသာချက်ကို ပြသခဲ့သည်- အန္တရာယ်ရှိသော တုံ့ပြန်မှုများ ဖြစ်နိုင်ခြေ နည်းပါးသည်။ အလိုအလျောက်စံနှုန်း အကဲဖြတ်သူများသည် သမားတော်များ၏ စီရင်ချက်များနှင့်သာ အားနည်းစွာ ဆက်စပ်နေသည်။

စံမှတ်ရမှတ်များနှင့် လက်တွေ့အသုံးဝင်မှုတို့ကြား ကွာဟမှုသည် လေ့လာမှု၏ နောက်ဆက်တွဲအရှိဆုံး ရှာဖွေတွေ့ရှိမှုဟု ယူဆနိုင်သည်။ မြင့်မားသောအလိုအလျောက်ရမှတ်များသည် သုတေသီများက ဆေးဘက်ဆိုင်ရာရှုထောင့်မှ ပိုမိုကောင်းမွန်သောအဖြေများကိုပေးဆောင်သည်ဟုမဆိုလိုပါ — AI စံနှုန်းများ အမှန်တကယ်တိုင်းတာခြင်းနှင့်ပတ်သက်၍ စိတ်မသက်မသာမေးခွန်းများ ပေါ်ပေါက်စေသည်။

ဖြတ်တောက်ခြင်း 46% မှ 4%

ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရှိသော သုတေသနအေးဂျင့်များ၏ အဓိကကျရှုံးမှုပုံစံမှာ ဖန်တီးထုတ်လုပ်ခြင်းဖြစ်သည်- အေးဂျင့်တစ်ဦးအား ရလဒ်ကောင်းများထုတ်ပေးရန်အတွက် ဆုချီးမြှင့်သည့်အခါ ၎င်းတို့ကို ဖန်တီးရန် မက်လုံးတစ်ခုရှိသည်။ ယခင် ခွဲခြမ်းစိတ်ဖြာချက်များသည် လက်ရှိစနစ်များတွင် 80 မှ 100 ရာခိုင်နှုန်းအထိ မှတ်တမ်းတင်ထားသော ထုတ်လုပ်မှုနှုန်းများ။

Co-Scientist သည် ပြဿနာကို ယန္တရားနှစ်ခုဖြင့် တိုက်ခိုက်သည်။ စနစ်သည် လုပ်ကြံဖန်တီးထားသော သို့မဟုတ် ခိုးကူးထားသော အကြောင်းအရာအတွက် အပြစ်ပေးခံရပြီး သီးခြားအတည်ပြုချက် module တစ်ခုသည် ၎င်း၏ကုဒ်၏ အမှန်တကယ်ရလဒ်များနှင့် ဆန့်ကျင်သည့် ဂဏန်းတောင်းဆိုမှုတိုင်းကို အပြန်အလှန်စစ်ဆေးပါသည်။ ဒိုမိန်းကျွမ်းကျင်သူ 30 နှင့် 150 အလိုအလျောက်ထုတ်လုပ်ထားသောစာတမ်းပေါင်း 150 ၏လွတ်လပ်သောပြန်လည်သုံးသပ်ချက် 450 တို့ပါဝင်သော double-blind လေ့လာမှုတစ်ခုတွင်ရလဒ်များသည်အလွန်ပြင်းထန်သည်-

  • စာရွက်များ၏ 4% သည် ၎င်းတို့မပါဘဲ စိတ်ချရသော module များဖြင့် သော့ချက်ရလဒ်များကို ဖန်တီးပြီး ၎င်းတို့မပါဘဲ 46% ဖြစ်သည်။
  • နှိုင်းယှဉ်မှုစနစ်သည် 90% သော့ရလဒ်ဖန်တီးမှုသို့ ရောက်ရှိခဲ့သည်။
  • Co-Scientist ၏ output တွင် လုံးဝဖန်တီးထားသော အချက်အလက် လုံးဝမပေါ်သော်လည်း နှိုင်းယှဉ်စနစ်၏ စာတမ်းများ၏ 44% တွင် ပေါ်လာပါသည်။
  • ခိုးယူထားသော အကြောင်းအရာသည် 60% မှ 16% သို့ ကျဆင်းသွားသည်။
  • အန္တရာယ်ဖြစ်နိုင်ချေရှိသော သုတေသနလမ်းညွှန်ချက်များ၏ 98.7% ကို ပေါင်းစပ်လုံခြုံရေးဗိသုကာတစ်ခုမှ ပယ်ချခဲ့သည်။

သိပ္ပံပညာရှင်များ အစားထိုးရန် အဆင်သင့်မဖြစ်သေးပါ။

အမှားအယွင်းများ ကျန်ရှိနေပါသည်။ စနစ်သည် ရွေးချယ်ထားသော အစီရင်ခံခြင်းဆီသို့ ဦးတည်နေပြီး Schmidgall က ၎င်းသည် "၎င်း၏အမှန်တကယ်ကုဒ်နှင့်မကိုက်ညီသော စာရွက်ထဲတွင် အလွန်ယုံကြည်နိုင်ဖွယ်ကောင်းသော နည်းလမ်းများကို ရေးထားသည်" ဟု အသိအမှတ်ပြုပါသည်။ သိပ္ပံနည်းကျ ချက်ပြုတ်နည်းများကို အခြားဓာတ်ခွဲခန်းများသို့ လွှဲပြောင်းပေးခြင်း ရှိမရှိသည် ပွင့်လင်းသော မေးခွန်းတစ်ခုဖြစ်ပြီး အလားအလာရှိသော ဇီဝဗေဒရလဒ်များသည် ကျဉ်းမြောင်းသော ခန့်မှန်းချက်များကိုသာ အကျုံးဝင်စေပါသည်။

သို့သော်လည်း လမ်းကြောင်းက ရှင်းပါတယ်။ လွန်ခဲ့သော ဆယ့်ရှစ်လက သီအိုရီမီးစက်တစ်ခုအနေဖြင့် စတင်ခဲ့သောစနစ်သည် ယခုအခါ စမ်းသပ်မှုတစ်ခုစီစဉ်ခြင်း၊ မီးဖိုတစ်ခုလည်ပတ်ခြင်း၊ အထွက်အားခွဲခြမ်းစိတ်ဖြာခြင်းနှင့် စာမူရေးဆွဲခြင်း—နှင့် ၎င်း၏ကိုယ်ပိုင်အရေးဆိုမှုများ မှားယွင်းနေသည့်အခါ မှတ်တမ်းအဆင့်အတည်ပြုချက်ဖြင့် စာရွက်စာတမ်းကို လုပ်ဆောင်နိုင်ပြီဖြစ်သည်။ ဓာတ်ခွဲခန်းလက်ထောက်နှင့် ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရ သုတေသီတို့ကြား ကွာဟချက်မှာ ကျဉ်းမြောင်းလာပြီး ခေါင်းမာမာဖြင့် လူသားအဖြစ် ကျန်ရှိနေသော သိပ္ပံပညာ၏ အစိတ်အပိုင်းများဖြစ်သော တရားစီရင်ခြင်း၊ အရသာနှင့် ရုပ်ပိုင်းဆိုင်ရာနမူနာတင်ခြင်း - ကျန်အရာများကို အလိုအလျောက်လုပ်ဆောင်နေသောကြောင့် အတိအကျ သိမြင်ရန် ပိုမိုလွယ်ကူလာသည်။

---

AI ၏ရှေ့တွင်နေရန်

နောက်ဆုံးပေါ် AI သတင်းများ၊ ခွဲခြမ်းစိတ်ဖြာမှုနှင့် အောင်မြင်မှုများ—အားလုံးကို တစ်နေရာတည်းတွင် ရယူပါ။

AI သတင်းအပြည့်အစုံကို ဖတ်ရှုရန် →