นักวิจัยจาก Sakana AI และ UC Berkeley ได้เผยแพร่วิธีการที่พวกเขากล่าวว่าช่วยให้โมเดลภาษาพัฒนาตัวเองได้โดยการจัดระเบียบ ตัดสิน และเรียนรู้จากทีมที่มีตัวแทนหลายรายของตนเอง ซึ่งเป็นแนวทางที่ขยายการพัฒนาตนเองแบบเรียกซ้ำไปสู่งานวิจัยที่ไม่มีคีย์คำตอบอัตโนมัติอยู่

บทความ "MASS: การปรับปรุงตนเองแบบเรียกซ้ำผ่านการกำกับดูแลตนเองแบบหลายตัวแทน" ปรากฏในเดือนตุลาคม 2026 บน arXiv (2610.12176) ควบคู่ไปกับหน้าโครงการเชิงโต้ตอบจากห้องปฏิบัติการในโตเกียว รายชื่อผู้แต่งครอบคลุมทั้งสองสถาบัน ได้แก่ Hyunin Lee จาก UC Berkeley ซึ่งทำงานเสร็จระหว่างฝึกงานที่ Sakana AI; นักวิจัยของ Sakana Jinglue Xu, Jeffrey Seely และ Yujin Tang; และดงฮยอนลีจาก UC Berkeley, Somayeh Sojoudi และ Matei Zaharia For more context on this story, see our ongoing AI news.

งานนี้ดึงดูดความสนใจทันทีในชุมชนนักพัฒนาซอฟต์แวร์ในช่วงสุดสัปดาห์ ซึ่งการสนทนาของ Hacker News เกี่ยวกับโครงการมีคะแนนเกิน 100 คะแนนภายในไม่กี่ชั่วโมง

เมื่อโมเดลเป็นหัวหน้างานเพียงคนเดียวเท่านั้น

ความคืบหน้าล่าสุดในการปรับปรุงตนเองของ AI นั้นอาศัยรางวัลที่ตรวจสอบได้ เช่น คำตอบทางคณิตศาสตร์ที่สามารถตรวจสอบได้ รหัสที่ผ่านการทดสอบหรือไม่ก็ได้ ทีม Berkeley-Sakana เริ่มต้นจากสถานที่ที่แตกต่าง พวกเขาแย้งว่าที่ขอบเขตการวิจัย มักไม่มีความจริงภาคพื้นดินอยู่ในมือ การประเมินการค้นพบที่เสนออาจต้องใช้ความเชี่ยวชาญที่ขาดแคลน อุปกรณ์ราคาแพง หรือการทดลองที่ใช้เวลานานกว่าการสร้างข้อเสนอนั้นเอง

ผลลัพธ์คือช่องว่างที่กว้างขึ้น: ความสามารถในการผลิตงานใหม่ก้าวหน้าเร็วกว่าความสามารถในการควบคุมดูแล เมื่อไม่มีครูที่แข็งแกร่งกว่านี้ ผู้เขียนเขียนว่า โมเดลที่ได้รับการปรับปรุง — สิ่งที่พวกเขาเรียกว่า “ผู้เพิ่มประสิทธิภาพ” — อาจเป็นหัวหน้างานที่มีความสามารถมากที่สุดที่เหลืออยู่ นั่นกระตุ้นให้เกิดสิ่งที่พวกเขาเรียกว่าการพัฒนาตนเองแบบเรียกซ้ำที่เป็นเนื้อเดียวกัน ซึ่งโมเดลเดียวกันนี้ทำหน้าที่เป็นตัวเพิ่มประสิทธิภาพและผู้ประเมินของตัวเอง

คำถามเปิดคือระบบสามารถสร้างสัญญาณการฝึกอบรมที่เป็นประโยชน์สำหรับตัวมันเองในลูปนั้นได้อย่างไร คำตอบของพวกเขายืมมาจากประวัติศาสตร์ของมนุษย์

มวลทำงานอย่างไร

MASS ย่อมาจาก Multi-Agent Self-Supervision เปลี่ยนโมเดลที่ใช้ร่วมกันให้เป็นระบบสามบทบาท น้ำหนักเดียวกันทำหน้าที่เป็นตัวแทนในการแก้ปัญหาที่สร้างพื้นที่ทำงานของโค้ด ผลลัพธ์ และรายงานการวิจัย เครื่องมือเพิ่มประสิทธิภาพเวิร์กโฟลว์ที่แก้ไขวิธีที่ทีมตัวแทนย่อยแบ่งงาน และผู้ประเมินที่เปรียบเทียบพื้นที่ทำงานสองแห่งและผู้ตัดสินที่ตอบสนองงานได้ดีกว่า

วงในจะค้นหาเวิร์กโฟลว์ของทีม - แผนการเขียนที่ครอบคลุมบทบาทของตัวแทนย่อยแต่ละราย คำแนะนำ "สัญญา" ที่ระบุหลักฐานที่เจ้าหน้าที่ต้องมอบให้แก่กัน และลำดับการโทรหรือการกระโดดระหว่างพวกเขา ขั้นตอนการทำงานของแชมป์เปี้ยนจะยังคงอยู่ตลอดการวนซ้ำ และจะต้องถูกโจมตีจึงจะถูกแทนที่ ขั้นตอนการทำงานทางการเงินที่ได้รับการพัฒนาขั้นตอนหนึ่งถูกย่อไว้ในเอกสาร การเตรียมข้อมูลตามลำดับ การสร้างคุณลักษณะ การสร้างแบบจำลอง และการทดสอบย้อนกลับก่อนการตรวจสอบ และสัญญาข้อมูลบังคับให้ผู้เชี่ยวชาญด้านข้อมูลตรวจสอบว่าการทดสอบย้อนหลังจะไม่ทำให้ข้อมูลในอนาคตรั่วไหลไปสู่การตัดสินใจในอดีต

วงรอบนอกจะแปลงประสบการณ์โดยรวมของทีมให้เป็นข้อมูลการฝึกอบรม ระบบรันเวิร์กโฟลว์แชมป์เปี้ยน 18 ครั้ง จัดอันดับพื้นที่ทำงานผลลัพธ์ด้วยตนเอง เก็บการดำเนินการที่ดีที่สุด 16 รายการ และปรับแต่งโมเดลที่ใช้ร่วมกันบนนั้น โดยที่พรอมต์เวิร์กโฟลว์จะถูกลบออกในภายหลัง ดังนั้นทักษะการประสานงานจึงถือเป็นน้ำหนักมากกว่าคำแนะนำ จากนั้นแบบจำลองที่อัปเดตจะกลับมาทำงานต่อทั้งสามบทบาท และกระบวนการจะทำซ้ำ

กำไรที่วัดได้จากงานที่ไม่สามารถตรวจสอบได้

ทีมงานดำเนินการ MASS สองรอบโดยเริ่มจาก Qwen3.6-27B ในสภาพแวดล้อม qwen-code coding-agent พื้นที่ฝึกอบรมเป็นชุดงานวิจัยสังเคราะห์ 12 งาน ซึ่งครอบคลุมด้านการเงิน หุ่นยนต์ และร้านขายยา โดยแต่ละงานต้องใช้รหัส ผลเชิงปริมาณ และรายงานที่เป็นลายลักษณ์อักษร เก้างานถูกกำหนดไว้สำหรับการฝึกอบรม และอีกสามงานถูกจัดขึ้นหลังการฝึกอบรม คำอธิบายงานถูกสร้างขึ้นโดย GPT-5.5 ก่อนการทดสอบ

ในงานทดสอบที่จัดขึ้นทั้งสามงาน อัตราการชนะที่ตัดสินจากภายนอกของโมเดลเทียบกับเวอร์ชันพื้นฐานเพิ่มขึ้นจาก 53.9% หลังจากหนึ่งรอบเป็น 69.9% หลังจากสอง โมเดลรอบสองยังเอาชนะโมเดลรอบแรกด้วยการเปรียบเทียบ 60.8% เพื่อหลีกเลี่ยงการให้เกรดโดยใช้เกณฑ์มาตรฐานเดียวกับที่ใช้ในระหว่างการฝึกอบรม นักวิจัยได้ให้ GPT-5.5 และ Claude Opus 4.8 ประเมินงานที่เสร็จสมบูรณ์ โดยที่การตัดสินเหล่านั้นจะถูกระงับจาก MASS เอง

ประสิทธิภาพได้รับการปรับปรุงควบคู่ไปกับคุณภาพ หลังจากผ่านไปสองรอบ คะแนนต่อโทเค็นเอาท์พุตก็สูงถึง 1.2 ถึง 1.6 เท่าของระดับของโมเดลพื้นฐานจากการวัดประสิทธิภาพสาธารณะสี่รายการ ได้แก่ MLR-Bench, DSBench, ScienceAgentBench และ AstaBench

คำถามเพื่อความปลอดภัย ไม่ใช่แค่การสาธิตความสามารถ

ผู้เขียนมีความชัดเจนว่าการตั้งค่าดังกล่าวเป็นการสอบสวนด้านความปลอดภัยเป็นสองเท่า หากระบบการวิจัยอัตโนมัติสามารถรวบรวมความสามารถของตนเองได้ จำเป็นต้องเข้าใจเงื่อนไขที่ทำให้เกิดการปรับปรุงอย่างหลีกเลี่ยงไม่ได้ตั้งแต่เนิ่นๆ บทความวิจัยตั้งข้อสังเกตว่าแนวโน้มของการระเบิดของข่าวกรอง "ให้เหตุผลเพิ่มเติมในการศึกษาเงื่อนไขเหล่านี้ตั้งแต่เนิ่นๆ" โดยวางกรอบคำถามหลักว่า จะรักษาการกำกับดูแลที่มีความหมายได้อย่างไร เมื่อไม่มีหัวหน้างานที่แข็งแกร่งกว่านี้

สิ่งพิมพ์ดังกล่าวเกิดขึ้นท่ามกลางการถกเถียงกันอย่างดุเดือดเกี่ยวกับความเสี่ยงที่แท้จริงนั้น ในช่วงปลายเดือนกันยายน เจฟฟรีย์ ฮินตัน, โยชัว เบนจิโอ และนักวิทยาศาสตร์ชั้นนำคนอื่นๆ ได้ออกคำเตือนสาธารณะเกี่ยวกับความเป็นไปได้ของการระเบิดของข่าวกรองที่ไม่อาจควบคุมได้ และการวิจัยเกี่ยวกับระบบตัวแทนที่ทำงานทางวิทยาศาสตร์ได้เร่งตัวไปทั่วทั้งภาคสนาม

ข้อจำกัดที่ต้องจำไว้

ผลลัพธ์มาพร้อมกับคำเตือนที่ผู้เขียนรับทราบ ชุดสังเคราะห์มีขนาดเล็ก และสัญญาณการฝึกทั้งหมดสร้างขึ้นเอง ซึ่งหมายความว่าการออกแบบจะไม่ทราบความถูกต้องของการตัดสินของโมเดลเอง — ผู้ตัดสินภายนอกใช้สำหรับการวัดเท่านั้น ไม่ใช่การฝึก งานการฝึกอบรมหนึ่งงานถูกแยกออกหลังจากการค้นหาเวิร์กโฟลว์ล้มเหลวในการค้นหาเวิร์กโฟลว์ใดๆ ที่เกินกว่าการอ้างอิง ซึ่งเป็นเครื่องเตือนใจว่าการวนซ้ำไม่ได้ให้ผลกำไรเสมอไป และการประเมินภายนอกเองก็อาศัยโมเดลชายแดน ซึ่งเป็นตัวแทนที่ไม่สมบูรณ์สำหรับความจริงภาคพื้นดิน

อะไรจะเกิดขึ้นต่อไป

สำหรับ Sakana AI ทาง MASS ได้ขยายวาระการวิจัยที่เน้นไปที่การทำให้กระบวนการทางวิทยาศาสตร์เป็นอัตโนมัติ ตามงานก่อนหน้าของห้องปฏิบัติการเกี่ยวกับการสร้างการทดลองที่ขับเคลื่อนด้วย AI และระบบการตรวจสอบโดยตัวแทนสำหรับการตรวจสอบการอ้างสิทธิ์ในการวิจัย หากสูตรการควบคุมตนเองโดยรวมถ่ายโอนไปไกลกว่างานสังเคราะห์ ปัญหาคอขวดที่กำหนดเป้าหมายไว้ ซึ่งก็คือการควบคุมเอาต์พุตของ AI ที่ชายแดน จะเพิ่มความกดดันมากขึ้นเท่านั้นเมื่อระบบการวิจัยแบบอัตโนมัติทวีคูณขึ้น

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →