นักวิจัยของ Nvidia ได้สร้างระบบตัวแทนที่ผลักดัน Claude Opus 5 ของ Anthropic ให้ได้คะแนน 100% ที่สมบูรณ์แบบบน ARC-AGI-3 ซึ่งเป็นหนึ่งในเกณฑ์มาตรฐานการให้เหตุผลเชิงโต้ตอบที่มีความต้องการมากที่สุดใน AI โดยใช้โมเดลเดียวกันซึ่งได้คะแนน 30% เมื่อทำงานด้วยตัวมันเอง ผลลัพธ์ที่เผยแพร่เมื่อวันศุกร์ในบล็อกทางเทคนิคของ Nvidia ถือเป็นหลักฐานที่ชัดเจนที่สุดว่าซอฟต์แวร์ที่ล้อมรอบโมเดลชายแดนนั้นมีความสำคัญพอ ๆ กับตัวโมเดลเอง สำหรับใครก็ตามที่ติดตาม การพัฒนา AI ล่าสุด ถือเป็นการเปลี่ยนแปลงในด้านความได้เปรียบทางการแข่งขันใน AI แบบตัวแทนที่มีอยู่จริง

ระบบนี้เรียกว่า AVO ย่อมาจาก Agentic Variation Operators และเป็นสถาปัตยกรรมอเนกประสงค์ของ Nvidia สำหรับเอเจนต์อิสระในขอบเขตระยะไกล — AI ที่สามารถทำงานเป็นเวลาหลายชั่วโมงหรือหลายวัน แทนที่จะตอบข้อความแจ้งเพียงครั้งเดียว ในชุดสาธารณะของ ARC-AGI-3 AVO บันทึกคะแนน 100.00 RHAE ในสภาพแวดล้อมเกมทั้งหมด 25 เกม โดยผ่านด่านทั้งหมด 183 ด่านในการดำเนินการกับสภาพแวดล้อม 6,624 รายการโดยใช้ Claude Opus 5 เป็นโมเดลแบ็กเอนด์

สิ่งที่ ARC-AGI-3 ทดสอบจริง

ARC-AGI-3 เป็นเกณฑ์มาตรฐานการให้เหตุผลเชิงโต้ตอบที่สร้างโดยมูลนิธิ ARC Prize เจ้าหน้าที่ถูกทิ้งไปในสภาพแวดล้อมที่ไม่คุ้นเคย เหมือนเกมโดยไม่มีคำแนะนำ ไม่มีกฎเกณฑ์ที่ระบุไว้ และไม่มีเป้าหมายที่ระบุไว้ โดยจะต้องสำรวจผ่านการลองผิดลองถูก สรุปว่าสภาพแวดล้อมทำงานอย่างไร ค้นหาว่า "ชัยชนะ" หมายถึงอะไร จากนั้นจึงดำเนินการอย่างมีประสิทธิภาพเพียงพอที่จะก้าวผ่านระดับที่ยากขึ้นเรื่อยๆ

เกณฑ์ชี้วัดการให้คะแนนของเกณฑ์มาตรฐาน Relative Human Action Efficiency (RHAE) ผสมผสานการทำงานให้เสร็จสิ้นเข้ากับการกระทำที่เจ้าหน้าที่เสียไปเพียงเล็กน้อยเมื่อเทียบกับผู้เล่นที่เป็นมนุษย์เป็นครั้งแรก นั่นจึงเป็นการทดสอบความเป็นอิสระอย่างยั่งยืนอย่างโหดร้าย เจ้าหน้าที่ต้องจดจำสิ่งที่เรียนรู้ ฟื้นตัวจากข้อผิดพลาด และจัดสรรงบประมาณการดำเนินการอย่างระมัดระวังตลอดการวิ่ง

หมายเลขพาดหัวของ Nvidia ได้รับบริบทจากการเปรียบเทียบ VISTA ซึ่งเป็นชุดควบคุมการโต้ตอบโดยตรงก่อนหน้านี้ซึ่งใช้ Claude Opus 5 เช่นกัน ได้สร้างระดับสาธารณะ 183 ระดับเดียวกันในการดำเนินการกับสภาพแวดล้อม 7,542 รายการ AVO ต้องการการดำเนินการน้อยลงประมาณ 12% เพื่อทำงานให้เสร็จ ตามโพสต์ในบล็อกของ Nvidia

จากเคอร์เนล GPU ไปจนถึงเกมที่ไม่รู้จัก

AVO ไม่ได้สร้างมาเพื่อไขปริศนา Nvidia สาธิตสถาปัตยกรรมเกี่ยวกับการเพิ่มประสิทธิภาพเคอร์เนล GPU เป็นครั้งแรก ซึ่งเป็นโดเมนที่การเปลี่ยนแปลงโค้ดเล็กๆ น้อยๆ สามารถทำลายความถูกต้อง พฤติกรรมของหน่วยความจำ และปริมาณงานด้วยวิธีที่คาดเดาไม่ได้ ในการศึกษา Attention-Kernel ครั้งหนึ่ง AVO ทำงานอย่างต่อเนื่องเป็นเวลาเจ็ดวัน สำรวจทิศทางการปรับให้เหมาะสมมากกว่า 500 ทิศทาง และดำเนินการเวอร์ชันเคอร์เนล 40 เวอร์ชัน บนระบบ NVIDIA DGX B200 ผลลัพธ์เคอร์เนลความสนใจแบบหลายหัวมีประสิทธิภาพเหนือกว่า cuDNN สูงถึง 3.5% และ FlashAttention-4 สูงถึง 10.5% จากนั้นเอเจนต์ได้ปรับเคอร์เนลที่พัฒนาแล้วให้สอดคล้องกับความสนใจในการสืบค้นแบบกลุ่มภายในเวลาประมาณ 30 นาทีของการทำงานอัตโนมัติเพิ่มเติม

จากนั้นแกนหลักเดียวกัน — ตรวจสอบ วางแผน นำไปใช้ ทดสอบ และประเมินผล — จะถูกชี้ไปที่ ARC-AGI-3 โดยมีเพียงอินเทอร์เฟซงานเท่านั้นที่เปลี่ยนไป มีสองกลไกที่สืบทอดมา อย่างแรกคือหน่วยความจำถาวร ซึ่งจัดเก็บการใช้งานก่อนหน้า ผลการประเมิน เอาท์พุตของคอมไพลเลอร์และโปรไฟล์ และการให้เหตุผลที่สะสม ดังนั้นเอเจนต์จึงสามารถดำเนินการต่อจากสถานะปัจจุบัน แทนที่จะสร้างบริบทใหม่ตั้งแต่ต้น คนที่สองคือหัวหน้างาน ตัวแทนคนที่สองที่เฝ้าดูวิถีโดยรวมและเข้าแทรกแซงเมื่อความคืบหน้าหยุดชะงัก

หัวหน้างานคือความก้าวหน้า

TechCrunch ซึ่งสัมภาษณ์ Adel El Hallak รองประธานฝ่ายผลิตภัณฑ์ในหน่วย AI ของบริษัท Nvidia เน้นย้ำว่าหัวหน้างานเป็นองค์ประกอบที่สำคัญที่สุด “มันเกือบจะทำหน้าที่เหมือนซีอีโอที่จะสะกิดเจ้าหน้าที่เมื่อมันออกนอกเส้นทางหรือเริ่มสำรวจเส้นทางที่อาจนำไปสู่ทางตัน หรือสำรวจเส้นทางที่เคยเหยียบย่ำมาก่อนหน้านี้อีกครั้ง” El Hallak บอกกับสิ่งพิมพ์

ช่องว่างด้านประสิทธิภาพนั้นสิ้นเชิง การทดสอบของ Nvidia พบว่า Claude Opus 5 ที่ไม่มีสายรัดที่ซับซ้อนสามารถจัดการคะแนน 30% บน ARC-AGI-3 ซึ่งเป็นผลลัพธ์ที่ดีที่สุดในบรรดาโมเดลเปลือยที่ทดสอบ แต่ไม่มีที่ไหนเลยที่ใกล้จะทำงานได้เต็มประสิทธิภาพ โมเดลของ OpenAI ได้คะแนนต่ำกว่า 10% ในเกณฑ์มาตรฐาน และบริษัทได้เผยแพร่ผลการวิจัยของตัวเองเมื่อเดือนที่แล้ว ซึ่งแสดงให้เห็นว่าการปรับแต่งการตั้งค่าสายรัดเพียงสองครั้งทำให้คะแนนเพิ่มขึ้นสามเท่า ไม่มีการกำหนดค่าเฉพาะรุ่นใดที่ใกล้เคียงกับ 100% ที่ AVO ทำได้

โดยเฉพาะอย่างยิ่ง การกำหนดค่า AVO ทำงานในรูปแบบข้อความเท่านั้น: การสังเกตแต่ละครั้งจัดทำเป็นตารางข้อความขนาด 64x64 ที่แน่นอน โดยไม่มีการส่งรูปภาพหรือโทเค็นรูปภาพไปยังแบบจำลอง อำนาจในการให้เหตุผลมาจากวงจรรอบแบบจำลอง ไม่ใช่จากการรับรู้หลายรูปแบบ

เหตุใดอุตสาหกรรมจึงเดิมพันสายรัด

การค้นพบนี้เกิดขึ้นท่ามกลางคลื่นหลักฐานที่แสดงว่าโครงสร้างพื้นฐานของเอเจนต์ ไม่ใช่ความสามารถของโมเดลดิบ ถือเป็นคอขวดสำหรับ AI อัตโนมัติในปัจจุบัน Databricks เผยแพร่การวิจัยการเปรียบเทียบประสิทธิภาพในเดือนกรกฎาคม ซึ่งแสดงให้เห็นว่าสายรัดส่งผลกระทบอย่างมากต่อทั้งประสิทธิภาพและต้นทุน "คุณสามารถเลือกรุ่นเดียวกันได้ แต่สายรัดต่างกัน และคุณจะได้รับค่าใช้จ่ายเพิ่มขึ้นอย่างมากหากคุณใช้สายรัดผิด" Ali Ghodsi ซีอีโอของ Databricks กล่าวกับ TechCrunch "นั่นสามารถเพิ่มต้นทุนของคุณได้ 2 เท่า"

El Hallak วางกรอบข้อโต้แย้งที่กว้างขึ้นของ Nvidia ในแง่ของการเปิดกว้าง “เราเชื่อว่าการมี Open Agent Stack ซึ่งคุณสามารถควบคุมทั้งระบบ โครงสร้างพื้นฐาน และรันไทม์ เป็นสิ่งที่จำเป็นสำหรับเราในการนำระบบนิเวศไปข้างหน้าและปลอดภัย” เขากล่าว Nvidia มีเทคโนโลยีสายรัดขนาดเปิดภายใต้แบรนด์ NeMo และการวิจัยของ AVO ได้รับการบันทึกไว้ในบทความเกี่ยวกับ arXiv

เกณฑ์มาตรฐานที่มีประวัติ

ARC-AGI-3 ได้กลายเป็นจุดวาบไฟในการแข่งขันระหว่างห้องปฏิบัติการชายแดน ก่อนหน้านี้ OpenAI อ้างว่าได้ผลลัพธ์ที่ยอดเยี่ยมสำหรับรุ่น GPT-5.6 Sol บนเกณฑ์มาตรฐาน โดยอาศัยการตรวจสอบการตั้งค่าการประเมินที่ใช้อย่างละเอียด ผลลัพธ์ของ Nvidia ก้าวข้ามการถกเถียงในแง่หนึ่ง — มันไม่ได้อ้างว่าเป็นโมเดลที่ชาญฉลาดกว่า แต่เป็นเพียงเอเจนต์ที่ได้รับการออกแบบทางวิศวกรรมที่ดีกว่าสำหรับรุ่นที่มีอยู่

ข้อความสำหรับนักพัฒนาและองค์กรที่สร้างผลิตภัณฑ์เอเจนต์นั้นตรงไปตรงมา: การเลือกแบบจำลองยังคงมีความสำคัญ แต่การออกแบบระบบในตอนนี้จะตัดสินใจว่าโมเดลชายแดนจะให้ผลลัพธ์ที่ชายแดนหรือไม่ ดังที่ Nvidia กล่าวไว้ การประเมินแบบจำลองนั้นไม่เหมือนกับการประเมินตัวแทน และตารางเกณฑ์มาตรฐานของปี 2026 ก็ให้รางวัลแก่วิศวกรที่สร้างโครงนั่งร้านเพิ่มมากขึ้น

ก้าวนำหน้า AI

สถาปัตยกรรมเอเจนต์กำลังดำเนินไปเร็วกว่าที่เคย และช่องว่างระหว่างการควบคุมที่ดีและไม่ดีตอนนี้วัดเป็นคะแนนมาตรฐานและดอลลาร์จริง ติดตาม AI Buzz Wire สำหรับการรายงานข่าวรายวันที่ยืนยันแหล่งที่มาของการวิจัย AI การวัดประสิทธิภาพ และการเปิดตัวผลิตภัณฑ์

อ่านข่าวการวิจัย AI เพิ่มเติม →