วงการคณิตศาสตร์สะเทือน Google DeepMind เปิดตัว AI ร่วมวิจัยระดับโลก

Google DeepMind เปิดเผยงานวิจัยใหม่ชื่อ AI Co-Mathematician: Accelerating Mathematicians with Agentic AI ซึ่งกำลังได้รับความสนใจอย่างมากจากแวดวงคณิตศาสตร์และอุตสาหกรรมปัญญาประดิษฐ์ทั่วโลก หลังเปิดตัวระบบ “AI Co-Mathematician” หรือ AI ผู้ร่วมวิจัยคณิตศาสตร์ ที่ออกแบบมาเพื่อทำงานร่วมกับนักวิจัยมนุษย์ในกระบวนการค้นพบองค์ความรู้ใหม่ ไม่ใช่เพียงการแก้โจทย์คณิตศาสตร์หรือพิสูจน์สมการแบบครั้งเดียวจบเหมือนระบบ AI ทั่วไป

AI เปลี่ยนบทบาทจากผู้ช่วยสู่ผู้ร่วมวิจัย

งานวิจัยฉบับดังกล่าวเผยให้เห็นทิศทางใหม่ของเทคโนโลยี AI ที่กำลังขยับจาก “ผู้ช่วยตอบคำถาม” ไปสู่ “AI collaborator” หรือ AI ผู้ร่วมวิจัย ที่สามารถช่วยบริหาร workflow งานวิจัยระยะยาว ตั้งแต่ตั้งคำถาม ค้นวรรณกรรม ทดลองสมมติฐาน วิเคราะห์ข้อมูล เขียนโค้ด ตรวจสอบความถูกต้อง ไปจนถึงจัดทำเอกสารวิจัย

Google DeepMind ระบุว่า แม้ในช่วงหลายปีที่ผ่านมา วงการ AI ด้านคณิตศาสตร์จะมีพัฒนาการก้าวกระโดด ทั้งระบบพิสูจน์ทฤษฎี โมเดล reasoning และ AI สำหรับค้นหาอัลกอริทึมใหม่ แต่ข้อจำกัดสำคัญของระบบส่วนใหญ่ คือ ยังไม่สามารถรองรับ “กระบวนการวิจัยจริง” ที่เต็มไปด้วยความไม่แน่นอน การลองผิดลองถูก และการย้อนกลับไปปรับสมมติฐานได้อย่างต่อเนื่อง

Workspace วิจัยแบบ stateful เก็บทุกการทดลอง

AI Co-Mathematician จึงถูกพัฒนาขึ้นในรูปแบบ “workspace” ที่สามารถจดจำบริบทของโครงการวิจัยแบบ stateful เก็บประวัติการทำงาน การทดลอง และแม้แต่แนวทางที่ล้มเหลว เพื่อให้นักวิจัยสามารถย้อนกลับมาศึกษาและต่อยอดได้ในภายหลัง

Agentic AI ทำงานเป็นทีมวิจัยหลายเอเจนต์

จุดเด่นสำคัญของระบบ คือ การใช้แนวคิด “Agentic AI” หรือ AI หลายเอเจนต์ทำงานร่วมกันเป็นทีม โดยมี “Project Coordinator Agent” ทำหน้าที่คล้ายหัวหน้าทีมวิจัย คอยบริหารและแบ่งงานให้เอเจนต์ย่อยทำงานแบบคู่ขนาน ไม่ว่าจะเป็นการค้นวรรณกรรมวิชาการ เขียนโค้ด ทดลองคำนวณ วิเคราะห์ทฤษฎี หรือรีวิวงานวิจัย

ระบบดังกล่าวได้รับแรงบันดาลใจจากแพลตฟอร์ม AI สำหรับนักพัฒนาซอฟต์แวร์ยุคใหม่ เช่น Claude Code และ OpenAI Codex ที่เปิดทางให้มนุษย์ทำงานร่วมกับ AI ได้อย่างต่อเนื่อง แต่ Google DeepMind มองว่างานคณิตศาสตร์มีความซับซ้อนมากกว่า ทั้งในแง่ตรรกะ ความเป็นนามธรรม และการสร้างองค์ความรู้ใหม่

ภายในระบบ AI หลายเอเจนต์สามารถแยกกันทำงานในหลาย “workstreams” พร้อมรายงานความคืบหน้าอย่างต่อเนื่อง ขณะเดียวกัน นักวิจัยมนุษย์ยังสามารถเข้าไปปรับทิศทาง เสนอสมมติฐานใหม่ หรือสั่งให้ระบบเปลี่ยนแนวทางการทดลองได้ตลอดเวลา

อีกหนึ่งกลไกสำคัญ คือ “review loop” ที่ใช้ AI Reviewer หลายตัวช่วยตรวจสอบความถูกต้อง ทั้งการพิสูจน์เชิงตรรกะ การอ้างอิงเอกสาร ความถูกต้องของโค้ด และผลลัพธ์การคำนวณ เพื่อลดความเสี่ยงจาก hallucination หรือการสร้างข้อมูลผิดพลาดของโมเดลภาษา

ทดลองใช้งานร่วมกับนักคณิตศาสตร์จริง

ทั้งนี้ระบบดังกล่าวถูกนำไปทดลองใช้งานกับนักคณิตศาสตร์มืออาชีพหลายราย และสามารถช่วยสร้างแนวทางใหม่ในการแก้ปัญหาระดับวิจัย รวมถึงช่วยแก้ “open problems” บางกรณีได้สำเร็จ หนึ่งในกรณีศึกษาสำคัญ คือ การช่วยนักคณิตศาสตร์ Marc Lackenby แก้ปัญหาเปิดจาก Kourovka Notebook ด้าน group theory โดยระบบสามารถสร้างแนวทางพิสูจน์เบื้องต้น แม้ยังมีข้อผิดพลาดอยู่บางส่วน แต่ผู้วิจัยมนุษย์สามารถเติมช่องว่างและพัฒนาต่อจนกลายเป็นคำพิสูจน์สมบูรณ์ได้

อีกกรณี คือ การช่วยวิเคราะห์ conjecture เกี่ยวกับ Stirling coefficients ซึ่งระบบสามารถสร้างทั้งหลักฐานเชิงคำนวณ แนวทางพิสูจน์ และตรวจพบว่าข้อสมมติฐานเดิมบางส่วนไม่ถูกต้อง ก่อนเสนอแนวคิดใหม่ที่มีความแม่นยำมากขึ้น นอกจากนี้ ยังมีการใช้งานในงานวิจัยด้าน Hamiltonian systems ซึ่งนักวิจัยระบุว่า AI ช่วยลดเวลาการสำรวจแนวทางที่ “ไปไม่รอด” ได้อย่างมาก ทำให้สามารถตัดสินใจเปลี่ยนทิศทางงานวิจัยได้รวดเร็วขึ้น

คะแนน FrontierMath สูงสุดในกลุ่ม AI คณิตศาสตร์

ด้านประสิทธิภาพ ระบบ AI Co-Mathematician ทำคะแนน 48% บน FrontierMath Tier 4 ซึ่งเป็น benchmark ระดับ “research-level mathematics” และถือเป็นคะแนนสูงสุดใหม่ในกลุ่มระบบ AI ที่เคยได้รับการประเมิน โดยสูงกว่า Gemini 3.1 Pro รุ่นพื้นฐานอย่างมีนัยสำคัญ

อย่างไรก็ตามระบบยังมีข้อจำกัดสำคัญ เช่น reviewer agents อาจเห็นพ้องกับคำตอบที่ผิด ระบบอาจติด loop ถกเถียงกันไม่จบ หรือสร้างเอกสารที่ดูน่าเชื่อถือแต่แฝงข้อผิดพลาดเชิงตรรกะอยู่ภายใน

AI อาจเพิ่มภาระข้อมูลวิชาการในอนาคต

งานวิจัยยังเตือนถึงผลกระทบต่อวงการวิชาการในอนาคต เพราะ AI สามารถสร้าง paper หรือเอกสารวิจัยจำนวนมากได้อย่างรวดเร็ว อาจเพิ่ม “semantic noise” หรือข้อมูลคุณภาพต่ำเข้าสู่ระบบ และสร้างภาระใหม่ให้กระบวนการ peer review ของวงการคณิตศาสตร์

Google DeepMind ยืนยันว่า เป้าหมายของ AI Co-Mathematician ไม่ใช่การแทนนักคณิตศาสตร์มนุษย์ แต่คือการสร้าง “AI collaborator” ที่ช่วยให้นักวิจัยทำงานได้เร็วขึ้น คิดได้กว้างขึ้น และสำรวจแนวคิดที่ซับซ้อนได้มีประสิทธิภาพมากขึ้น

งานวิจัยชี้ว่า อนาคตของ AI ด้านคณิตศาสตร์อาจไม่ได้แข่งขันกันเพียงว่า “ใครตอบโจทย์ได้เก่งกว่า” แต่จะวัดกันว่า “ใครช่วยมนุษย์ค้นพบองค์ความรู้ใหม่ได้ดีกว่า” ซึ่งอาจกลายเป็นจุดเปลี่ยนสำคัญของทั้งวงการ AI และการวิจัยวิทยาศาสตร์ในทศวรรษข้างหน้า