สถาปัตยกรรมสองลูป: โมเดลฐานเดี่ยวทำหน้าที่ทั้งทีมปฏิบัติการและผู้ตรวจ
นักวิจัยจาก Sakana AI และมหาวิทยาลัยแคลิฟอร์เนีย เบิร์กลีย์ (UC Berkeley) ประกอบด้วย Hyunin Lee, Jinglue Xu, Jeffrey Seely, Donghyun Lee, Somayeh Sojoudi, Matei Zaharia และ Yujin Tang ได้เผยแพร่งานวิจัยและเฟรมเวิร์ก Multi-Agent Self-Supervision (MASS) ซึ่งมุ่งเป้าไปที่การสำรวจกระบวนการพัฒนาตนเองแบบเรียกซ้ำอย่างเป็นเนื้อเดียวกัน (Homogeneous Recursive Self-Improvement หรือ RSI) สำหรับงานปลายเปิดที่ไม่สามารถใช้โปรแกรมภายนอกตรวจสอบความถูกต้องได้อย่างเด็ดขาด (Non-verifiable tasks)
แกนหลักของ MASS ถูกออกแบบให้ทำงานผ่านโมเดลภาษาขนาดใหญ่ฐานเดี่ยว คือ Qwen3.6-27B ซึ่งเข้ามารับบทบาทพร้อมกัน 3 หน้าที่ ได้แก่ ทีมเอเจนต์ปฏิบัติการ (Task-solving executor team), ตัวปรับแต่งเวิร์กโฟลว์ (Workflow optimizer) และตัวประเมินผลตนเอง (Self-evaluator) โครงสร้างนี้ขับเคลื่อนผ่านกลไก 2 ลูป โดยลูปภายใน (Inner Loop) จะค้นหาและปรับแต่งรูปแบบการจัดทีมเอเจนต์ บทบาท คำสั่ง สัญญาการสื่อสาร และโทโพโลยีการเรียกใช้โมเดล จากนั้นลูปภายนอก (Outer Loop) จะนำเวิร์กโฟลว์ที่ได้คะแนนสูงสุดไปรันจริงด้วยสุ่มค่า Seed ที่หลากหลาย จัดอันดับร่องรอยการทำงาน (Execution traces) ด้วยระบบประเมินตนเอง แล้วนำร่องรอยที่มีคุณภาพสูงสุดไปทำการ Fine-tune โมเดลฐานดั้งเดิมผ่านเทคนิค LoRA โดยปราศจากการใส่ข้อความเวิร์กโฟลว์แบบตายตัวลงไป
ผลการทดสอบเชิงประจักษ์: ประสิทธิภาพต่อโทเคนและอัตราชนะเกือบ 70%
ในการทดสอบระบบผ่าน 2 รอบวัฏจักร (2 cycles) บนกลุ่มงานวิจัยสังเคราะห์ในด้านการเงิน วิทยาการหุ่นยนต์ และเภสัชกรรม คณะวิจัยบันทึกได้ว่าคะแนนต่อจำนวนโทเคนขาออก (Score per output token) ของ MASS เพิ่มขึ้นระหว่าง 1.2 ถึง 1.6 เท่า เมื่อเทียบกับโมเดลฐานเดิม โดยทำสถิติสูงสุด 1.60 เท่าบนเบঞ্চมาร์ก MLR-Bench
เมื่อนำผลลัพธ์จากรอบที่สองไปให้ระบบภายนอกที่เป็นกลางอย่าง GPT-5.5 และ Claude Opus 4.8 ร่วมกันตัดสิน MASS ทำอัตราชนะ (Win rate) ต่อโมเดลฐาน Qwen3.6-27B ดั้งเดิมได้สูงถึง 69.9% นอกจากนี้ ในด้านประสิทธิภาพการประมวลผลข้อมูล การกลั่นร่องรอยการทำงานแบบหลายเอเจนต์ (Multi-agent traces) สามารถบรรลุอัตราชนะ 68.3% โดยใช้โทเคนในการเทรนเพียง 28.8 ล้านโทเคน เทียบกับการกลั่นร่องรอยแบบเอเจนต์เดี่ยว (Single-agent traces) ที่ทำอัตราชนะได้ 64.0% แต่ต้องใช้ปริมาณโทเคนถึง 42.0 ล้านโทเคน ซึ่งคิดเป็นการประหยัดโทเคนสำหรับการเรียนรู้แบบมีการกำกับดูแล (Supervised tokens) ลงถึง 31%
จุดบอดร่วมของระบบปิด: ประสิทธิภาพการเขียนโค้ดที่ถดถอยบน SWE-bench
แม้ตัวเลขในงานวิจัยปลายเปิดจะแสดงทิศทางที่เป็นบวก แต่คณะวิจัยระบุข้อจำกัดสำคัญอย่างตรงไปตรงมาว่า ความสามารถที่พัฒนาขึ้นไม่ได้ถ่ายโอนไปยังงานด้านวิศวกรรมซอฟต์แวร์อย่างครอบคลุม เมื่อนำโมเดลไปทดสอบบน SWE-bench Verified พบว่าคะแนนต่อโทเคนขาออกลดลงเหลือเพียง 0.94 เท่าของโมเดลฐานเดิม และยังทำคะแนนได้ต่ำกว่าเกณฑ์มาตรฐานบน Terminal-Bench 2.0 เช่นเดียวกัน
ผู้เขียนรายงานได้วิเคราะห์ว่า ปัญหานี้คือจุดอ่อนสำคัญ (Achilles' heel) ของระบบ Recursive Self-Improvement ที่เป็นเนื้อเดียวกัน เนื่องจากการที่โมเดลตัวเดียวกันทำหน้าที่ทั้งสร้างงานและตรวจงานตนเอง ทำให้ข้อบกพร่องภายในหรืออคติในการให้เหตุผลถูกมองข้าม และถูกตอกย้ำให้ฝังแน่นยิ่งขึ้นในระหว่างการ Fine-tune ส่งผลให้ระบบล้มเหลวในการทำงานที่มีเงื่อนไขความถูกต้องตายตัวอย่างการแก้ไขโค้ดคอมพิวเตอร์
มุมมองนักพัฒนา: ระหว่างความก้าวหน้าเชิงกระบวนการกับความกังขาเรื่องวงลูปปิด
ในหมู่นักวิจัยและนักพัฒนาด้านปัญญาประดิษฐ์ มีการถกเถียงกันอย่างกว้างขวางเกี่ยวกับนัยของงานวิจัยชิ้นนี้ ผู้เชี่ยวชาญบางส่วนเปรียบเทียบ MASS กับโครงการในอดีตอย่าง AI Scientist และมองว่าสิ่งที่เกิดขึ้นอาจยังเป็นเพียงการปรับแต่ง Prompt ขั้นสูงที่มีโครงสร้างซับซ้อน (Advanced Prompt Engineering) มากกว่าการที่ตัวโมเดลจะสามารถยกระดับสติปัญญาของตนเองได้อย่างแท้จริง
นอกจากนี้ นักปฏิบัติด้านวิศวกรรมระบบยังชี้ถึงข้อสังเกตเชิงเศรษฐศาสตร์ว่า หากมีระบบการพัฒนาตนเองแบบเรียกซ้ำที่ทำงานได้อย่างสมบูรณ์แบบและสร้างผลตอบแทนทวีคูณอย่างแท้จริง ห้องปฏิบัติการระดับแนวหน้าย่อมเลือกที่จะรันระบบดังกล่าวเป็นการภายในเพื่อเร่งทิ้งห่างคู่แข่ง มากกว่าการเปิดเผยโค้ดและรายงานการวิจัยสู่สาธารณะ ในขณะที่กลุ่มนักวิจัยด้านความปลอดภัยแสดงความกังวลว่า การพึ่งพาระบบประเมินตนเองแบบวงปิด (Closed self-evaluation loop) จะทำให้กระบวนการตรวจสอบความสอดคล้องด้านความปลอดภัย (Alignment) แบบดั้งเดิมไม่สามารถตรวจจับความผิดเพี้ยนที่สะสมอยู่ภายในได้
นัยสำคัญต่อภาคธุรกิจในไทย: โอกาสในงานวิเคราะห์เฉพาะทางและความเสี่ยงของระบบปิด
สำหรับองค์กรธุรกิจในประเทศไทย โดยเฉพาะในกลุ่มธุรกิจการเงิน ธนาคาร การวิจัยยา และการเกษตรแปรรูปขั้นสูง เฟรมเวิร์ก MASS มอบบทเรียนสำคัญด้านการลดต้นทุนการประมวลผล (Inference and Fine-tuning Cost) ผลการทดลองยืนยันว่าการใช้ Multi-Agent สร้างร่องรอยการทำงานเพื่อนำมากลั่นกรอง (Distill) ใส่โมเดลขนาด 27B ตัวเดียว ช่วยประหยัดโทเคนที่ต้องใช้เทรนได้ถึง 31% ซึ่งเหมาะสำหรับองค์กรที่ต้องการพัฒนาโมเดลเฉพาะทางบนฮาร์ดแวร์จำกัดโดยไม่ต้องพึ่งพาคลาวด์ขนาดใหญ่
อย่างไรก็ดี ผู้นำฝ่ายเทคโนโลยี (CTO) ขององค์กรไทยจำเป็นต้องตระหนักถึงความเสี่ยงด้านความถูกต้อง การนำระบบที่มีการกำกับดูแลตนเองไปใช้ในงานที่มีความอ่อนไหวสูง เช่น การคำนวณความเสี่ยงสินเชื่อ การตรวจสอบสัญญาทางกฎหมาย หรือระบบงานที่ต้องคอมไพล์โค้ดอย่างเข้มงวด ยังคงต้องมีกลไกตรวจสอบภายนอก (Human-in-the-loop หรือ Deterministic Verifiers) คอยกำกับเสมอ เพื่อป้องกันไม่ให้โมเดลผลิตและตอกย้ำข้อผิดพลาดที่ระบบมองไม่เห็นเองในระยะยาว
MASS แสดงให้เห็นว่าการกลั่นร่องรอยการทำงานของ Multi-Agent ลงสู่โมเดลเดี่ยวช่วยเพิ่มประสิทธิภาพการใช้โทเคนได้สูงถึง 1.6 เท่า แต่วงจรปิดแบบไร้ผู้ตรวจภายนอกยังคงมีความเสี่ยงต่อข้อผิดพลาดเชิงโครงสร้างสำหรับระบบองค์กร