โลกคอมพิวติ้งเชิงวิทยาศาสตร์ที่ขับเคลื่อนด้วย “Agentic AI” ก้าวหน้าไปอีกขั้นในวันอังคาร เมื่อ OpenAI เผยแพร่รายงานภาคสนามซึ่งแสดงให้เห็นว่านักวิจัยใช้เอเจนต์ AI เขียนโค้ด (AI Coding Agents) ช่วยย่นงานพัฒนาซอฟต์แวร์วิทยาศาสตร์ที่ปกติใช้เวลาหลายเดือน ให้จบลงได้ภายในไม่กี่วัน
รายงานดังกล่าวบันทึกเคสการใช้งานจริงในจีโนมิกส์ และชีววิทยาเชิงคำนวณวงกว้าง ซึ่งมีภารกิจที่โดยปกติใช้เวลากว่า 18 เดือน แต่เมื่อใช้เอเจนต์ AI กลับทำเสร็จได้ภายในราวหนึ่งสัปดาห์
OpenAI วางกรอบให้สิ่งนี้เป็น “หลักฐานเชิงปฏิบัติ” ว่า agentic AI กำลังเปลี่ยนวิธีการค้นพบองค์ความรู้ทางวิทยาศาสตร์ในวันนี้แล้ว ไม่ใช่แค่คำสัญญาในอนาคต แต่คือขีดความสามารถที่กำลังถูกใช้งานจริงในห้องแลบ
Agentic AI ในคอมพิวติ้งเชิงวิทยาศาสตร์: รายงาน OpenAI พบอะไรจริง ๆ
แกนหลักของรายงานคือการใช้ Agentic AI ในเวิร์กโฟลว์คอมพิวติ้งเชิงวิทยาศาสตร์ และผลลัพธ์ที่ออกมาค่อนข้างเฉพาะเจาะจง ทีมวิจัยด้านจีโนมิกส์นำเอเจนต์ AI เขียนโค้ดมาเร่งอัปเกรดซอฟต์แวร์วิทยาศาสตร์รุ่นเก่า ด้วยความเร็วที่เมื่อสองปีก่อนแทบจะเป็นไปไม่ได้
หนึ่งในเคสที่ถูกบันทึกไว้คือโครงการปรับปรุงระบบซอฟต์แวร์เดิม ที่ถูกประเมินว่าต้องใช้ทรัพยากรวิศวกรรมราว 18 เดือน แต่เมื่อใช้เอเจนต์ AI เขียนโค้ด งานชุดเดียวกันกลับเสร็จภายในหนึ่งสัปดาห์
การย่นเวลาได้ราว 90% นี้ไม่ได้มาจากแค่ “พิมพ์โค้ดเร็วขึ้น”
แต่มาจากรูปแบบการทำงานคนละชุดโดยสิ้นเชิง เอเจนต์ไม่ได้แค่ช่วยเติมบรรทัดโค้ด
มันอ่านโค้ดเบสเดิม วิเคราะห์ส่วนที่ล้าสมัย เสนอวิธีเขียนใหม่ ทดสอบผลลัพธ์ แล้ววนปรับปรุงซ้ำ โดยมีการแทรกแซงจากมนุษย์น้อยที่สุดระหว่างแต่ละสเต็ป นักวิทยาศาสตร์เพียงกำหนด “เป้าหมาย” แทนที่จะต้องระบุทุกขั้นตอนอย่างละเอียด
นี่คือจุดที่ “AI agent” แตกต่างจาก “ผู้ช่วยเขียนโค้ด” แบบดั้งเดิม
โค้ดโคไพลอตจะเสนอเพียงบรรทัดถัดไป แต่เอเจนต์จะวางแผนงานหลายสเต็ป รันข้ามทั้งเซสชัน ตรวจสอบเอาต์พุตของตัวเอง และแก้ไขเมื่อผลลัพธ์เบี่ยงเบนไปจากช่วงที่คาดหวัง
รายงาน OpenAI ฉบับนี้จึงถือเป็นหนึ่งในตัวอย่างสาธารณะที่ชัดเจนที่สุด ว่าการใช้เอเจนต์ AI ในสถาบันวิจัยจริงหน้าตาเป็นอย่างไร
ทำไมจีโนมิกส์จึงเป็นสนามแรกที่เอเจนต์ AI เขียนโค้ดพิสูจน์ตัวเอง
จีโนมิกส์เป็น “สนามทดลอง” สำหรับ agentic AI ด้วยเหตุผลเชิงโครงสร้าง วงการนี้พึ่งพาซอฟต์แวร์รุ่นเก่า บางส่วนถูกพัฒนามานานหลายสิบปี เขียนด้วยภาษาอย่าง Fortran และ C โดยนักวิทยาศาสตร์ที่ให้ความสำคัญกับความถูกต้อง มากกว่าความง่ายต่อการบำรุงรักษา
หนี้ทางเทคนิคจึงสะสมต่อเนื่อง การจะยกเครื่องท่อวิเคราะห์ข้อมูลจีโนมิกส์หนึ่งชุด ปกติต้องใช้วิศวกรที่เข้าใจทั้งชีววิทยา และสถาปัตยกรรมซอฟต์แวร์ไปพร้อมกัน
และคนประเภทนี้ทั้งหายากและมีต้นทุนสูง
เอเจนต์ AI เขียนโค้ดจึงเข้ามา “เลี่ยงคอขวด” เรื่องกำลังคน พวกมันอ่านเอกสารได้หลายภาษาโปรแกรมมิง เข้าใจคอมเมนต์เชิงวิทยาศาสตร์ที่ฝังอยู่ในโค้ดรุ่นเก่า และสร้างเวอร์ชันรุ่นใหม่ได้ โดยไม่ต้องผ่านการฝึกเฉพาะทางในโดเมนนั้นหลายปี
คอขวดจึงขยับจาก “หาคนเขียนโค้ดให้ตรงโจทย์” มาเป็น “ระบุเป้าหมายให้ชัด” ซึ่งเป็นปัญหาที่จัดการง่ายกว่ามาก
อ่านเพิ่มเติม: การโจมตีแบบ Crypto Wrench พุ่งถึง 52 เคสใน 6 เดือน ส่วนใหญ่เกิดในฝรั่งเศส
รายงานของ OpenAI ยังขยายประเด็นไปสู่การเร่งการค้นพบทางวิทยาศาสตร์นอกเหนือจากแค่การอัปเดตซอฟต์แวร์
เมื่อเอเจนต์รันโค้ดได้เร็วขึ้น บนท่อข้อมูลที่สะอาดขึ้น และใช้ชุดข้อมูลขนาดใหญ่ขึ้น ผลลัพธ์ก็ออกมารวดเร็วขึ้นไปด้วย สำหรับจีโนมิกส์แล้ว ความเร็วหมายถึงการระบุสายพันธุ์พันธุกรรมได้เร็วขึ้น ยืนยันเป้าหมายการพัฒนายาได้เร็วขึ้น และย่นเวลาตั้งแต่ตั้งสมมติฐานจนถึงการยืนยันเชิงทดลอง
ความได้เปรียบด้านความเร็วจะ “ทบต้น” ไปเรื่อย ๆ
มุมมองระมัดระวังของ Sam Altman ท่ามกลางความเร่งนี้
รายงานภาคสนามของ OpenAI ถูกเผยแพร่ในวันเดียวกับที่ Sam Altman ซีอีโอของ OpenAI ให้สัมภาษณ์ TechCrunch ว่า บริษัทอาจจำเป็นต้อง “ชะลอจังหวะการพัฒนา AI เพื่อให้โลกมีเวลาพร้อมรับมือ” ความตึงเครียดระหว่างสองข้อความนี้มีอยู่จริง และควรถูกพูดถึงอย่างตรงไปตรงมา
การที่บริษัทเดียวกันเผยหลักฐานว่าเอเจนต์ AI เขียนโค้ดของตนย่นโครงการวิทยาศาสตร์จาก 18 เดือนเหลือหนึ่งสัปดาห์ พร้อมกับตั้งคำถามว่าโลกอาจยังไม่พร้อมสำหรับสิ่งที่จะตามมา ไม่ได้เป็นคำพูดที่ขัดแย้งกัน
แต่เป็นการบรรยายสถานการณ์เดียวกันจากสองมุมมอง
รายงานภาคสนามสะท้อน “ศักยภาพ” ขณะที่คำพูดของ Altman สะท้อน “ผลกระทบ”
ทั้งสองอย่างถูกต้อง แต่คำถามที่ยังไม่ถูกตอบคือ ใครกันแน่ที่มีอำนาจกำหนดจังหวะ ระหว่างห้องแลบ บริษัทเทคโนโลยี หน่วยงานกำกับดูแล หรือกลุ่มนักวิจัยที่กำลังรันเอเจนต์เหล่านี้ในท่อจีโนมิกส์จริงแล้วในวันนี้
จากของเล่นวิจัยสู่โครงสร้างพื้นฐานวิทยาศาสตร์
สิ่งที่เห็นชัดคือ เอเจนต์ AI เขียนโค้ดในโลกคอมพิวติ้งเชิงวิทยาศาสตร์ไม่ได้อยู่ในเฟส “ทดลองใช้” อีกต่อไป แต่กำลังเข้าสู่เฟส “นำไปใช้จริง” แล้ว
รายงานของ OpenAI เป็น “รายงานภาคสนาม” ไม่ใช่ “งานวิจัยวิชาการ” และความต่างนี้มีนัยสำคัญ
งานวิจัยวิชาการมักอธิบายสิ่งที่ “เป็นไปได้” ในสภาพแวดล้อมที่ควบคุมได้ แต่รายงานภาคสนามเล่าว่าเกิดอะไรขึ้นเมื่อให้นักวิทยาศาสตร์ตัวจริงใช้เครื่องมือจริงกับปัญหาจริง แล้ววัดผลลัพธ์อย่างตรงไปตรงมา
โดยประวัติศาสตร์แล้ว คอมพิวติ้งเชิงวิทยาศาสตร์มักตามหลังซอฟต์แวร์ผู้บริโภคในการรับเครื่องมือใหม่ ๆ
การย่นงาน 18 เดือนเหลือหนึ่งสัปดาห์ที่บันทึกในรายงาน OpenAI บ่งชี้ว่าช่องว่างนี้กำลังปิดตัวเร็วกว่าแผนของสถาบันส่วนใหญ่ ห้องแลบและมหาวิทยาลัยที่ยังไม่เริ่มสำรวจโค้ดเบสเดิมของตัวเองเพื่อใช้เอเจนต์ช่วยปรับปรุง กำลังถูกวัดได้แล้วว่าล้าหลังเพื่อนร่วมวงการที่ลงมือไปก่อน
และเคสจีโนมิกส์ก็ไม่ได้จำกัดอยู่แค่ชีววิทยา
เคมีเชิงคำนวณ การจำลองภูมิอากาศ ดาราศาสตร์ฟิสิกส์ และวิทยาศาสตร์วัสดุ ต่างก็รันอยู่บนโค้ดเบสเก่าในลักษณะใกล้เคียงกัน และต่างมีบุคลากรดูแลที่หายากไม่แพ้กัน พลวัตที่ทำให้จีโนมิกส์เป็นผู้เล่นกลุ่มแรก จึงมีแนวโน้มจะเกิดซ้ำในทุกสาขาวิทยาศาสตร์ที่ใช้คอมพิวเตอร์เข้มข้น
สิ่งที่ OpenAI บันทึกในหนึ่งสนาม จึงมีศักยภาพจะถูกจำลองซ้ำได้ในอีกนับสิบสาขา
อ่านต่อ: กระเป๋าเงิน Sparrow Wallet บนร้าน Apple กลายเป็นของปลอม สูญเงินกว่า 1.8 ล้านดอลลาร์