เมื่อวันที่ 7 สิงหาคม 2026 อดีตนักฟิสิกส์ทฤษฎีคนหนึ่งเขียนบล็อกท้าบริษัท AI แต่หลังจากนั้นไม่ถึงหนึ่งเดือน โมเดล AI อย่าง Claude ก็คำนวณโจทย์ตามคำท้านั้นได้สำเร็จ

ในโพสต์คำท้า เขาบอกกับบริษัท AI ชัดเจนว่า ถ้าอยากทำให้คนอย่างเขาทึ่งจริง ให้ลองนำ AI มาแก้โจทย์ใหญ่ที่ยังคั่งค้างอยู่ในสาขาฟิสิกส์ที่เขาเคยทำ โดยมีเงื่อนไขเพียงข้อเดียวคือ ต้องใช้ทรัพยากรคอมพิวเตอร์ในระดับที่นักวิชาการทั่วไปเข้าถึงได้ ไม่ใช่การทุ่มงบประมาณมหาศาลหลายล้านดอลลาร์ โจทย์ที่ Claude ทำสำเร็จคือการคำนวณความซับซ้อนไปถึงระดับ 9 loops ซึ่งตอนนั้นยังไม่เคยมีใครในวงการคำนวณได้

ผู้ตั้งคำท้าคือ Matt von Hippel อดีตนักฟิสิกส์ทฤษฎีที่ผันตัวมาเป็นนักเขียนวิทยาศาสตร์ เขาเล่าเรื่องราวทั้งหมดไว้ในบทความ «Yes, Claude can do nine loops» บนบล็อก Anthropic Science เมื่อวันที่ 25 กันยายน 2026 โดยช่วงท้ายของบทความยังมีข้อเขียนจาก Lance Dixon ศาสตราจารย์ด้านฟิสิกส์อนุภาคจาก SLAC และมหาวิทยาลัย Stanford ผู้ตรวจสอบและยืนยันว่าผลลัพธ์ของ Claude ถูกต้อง

สำหรับคนที่ไม่ได้ทำงานสายวิทยาศาสตร์ เรื่องนี้มีบทเรียนที่นำไปปรับใช้ได้ 2 เรื่องหลักๆ เรื่องแรกคือวิธีสั่งงาน AI ที่แทบมีแค่บอกให้ "ทำต่อไป" และเรื่องที่สองคือมุมมองจากตัวคนตั้งคำท้าเอง ซึ่งช่วยให้เราย้อนกลับมาทบทวนงานคั่งค้างของตัวเองได้เป็นอย่างดี

บันได loop ที่ยังไม่มีใครไปถึงขั้น 9

สาขาที่ von Hippel เคยทำวิจัยคือฟิสิกส์อนุภาคเชิงทฤษฎี หัวใจสำคัญของงานนี้คือการคำนวณสูตร scattering amplitudes ซึ่งบอกความน่าจะเป็นว่า เมื่ออนุภาคที่เล็กกว่าอะตอมชนกัน มีโอกาสเกิดผลลัพธ์แบบไหนได้บ้าง จากนั้นนักฟิสิกส์จะนำผลทำนายจากสูตรนี้ไปเทียบกับผลการทดลองจริงจากเครื่องเร่งอนุภาค เช่น Large Hadron Collider ถ้าตัวเลขไม่ตรงกัน ก็อาจเป็นหลักฐานนำไปสู่ทฤษฎีฟิสิกส์ใหม่ๆ

ปัญหาคือสูตรเหล่านี้คำนวณยากมหาศาล นักฟิสิกส์จึงต้องใช้วิธีคำนวณแบบประมาณค่า โดยกำหนดระดับความซับซ้อนหรือจำนวน loop เอาไว้ ยิ่งคำนวณจำนวน loop มากขึ้น ผลลัพธ์ก็ยิ่งแม่นยำและเข้าใกล้ความจริงมากขึ้น แต่ความยากในการคำนวณก็จะเพิ่มขึ้นเป็นทวีคูณในทุกๆ ขั้น

สำหรับการคำนวณอนุภาคในโลกจริง สูตรส่วนใหญ่ทำได้เพียง 2 loops เท่านั้น มีเพียงไม่กี่สูตรที่ไปถึง 3 loops

แล้วตัวเลข 9 loops มาจากไหน? คำตอบคือ นักฟิสิกส์มักลองวิธีคิดหรือเทคนิคใหม่ๆ กับแบบจำลองสมมุติก่อน แบบจำลองเหล่านี้ไม่ได้ใช้อธิบายอนุภาคในโลกจริงโดยตรง แต่มีโครงสร้างทางคณิตศาสตร์ที่คำนวณง่ายกว่า เมื่อโจทย์ง่ายลง นักฟิสิกส์จึงใช้แบบจำลองเหล่านี้ทดสอบได้ว่าเทคนิคการคำนวณใหม่ๆ จะพาเราไปได้ไกลแค่ไหน

ในคำท้าของ von Hippel มีโจทย์ให้เลือก 2 ข้อจากแบบจำลอง 2 แบบ ส่วนข้อที่ Claude ทำสำเร็จ คือการคำนวณบนทฤษฎีชื่อ N=4 super Yang-Mills ให้ถึงระดับ 9 loops จุดเด่นของทฤษฎีนี้คือมีสมมาตรสูงมากจนตัวแปรที่ใช้ในการคำนวณลดลงไปเยอะ ทำให้โจทย์ง่ายกว่าโลกจริงมาก

จุดนี้ต้องระวังไม่ให้เข้าใจผิด ตัวเลข 9 loops ในเรื่องนี้เทียบตรงๆ กับ 2 loops ของโลกจริงไม่ได้ เพราะนี่คือการคำนวณบนแบบจำลองที่ตั้งใจลดความซับซ้อนลงมาตั้งแต่แรก

ถึงจะเป็นแบบจำลอง แต่ละขั้นของบันไดนี้ก็มีคนค่อยๆ ไต่ขึ้นมาอย่างยากลำบาก von Hippel จบปริญญาเอกด้วยการช่วยคำนวณสูตรระดับ 3 loops และเห็นวงการขยับไปจนถึง 7 loops ก่อนที่เขาจะเริ่มหมดไฟ ส่วนขั้น 8 loops เพิ่งสำเร็จไปเมื่อปี 2023 โดยฝีมือของ Dixon ผู้ศึกษาโจทย์นี้มาตั้งแต่ต้น เขาใช้วิธีทางอ้อม คือไปคำนวณสูตรคู่ขนานที่ง่ายกว่าอย่าง form factor ก่อน แล้วค่อยอาศัยความเชื่อมโยงทางคณิตศาสตร์แปลงกลับมาหาคำตอบ

สำหรับขั้นที่ 9 ตอนที่โพสต์คำท้าออกไป ยังไม่เคยมีนักฟิสิกส์คนไหนคำนวณได้เลย รวมถึงตัว Dixon เองด้วยซ้ำ โดย Dixon เคยคาดไว้ว่า การไปถึงขั้นที่ 9 คงต้องใช้วิธีที่ซับซ้อนและอ้อมยิ่งกว่าเดิม ซึ่งอาจต้องพึ่งพา AI ในรูปแบบอื่นเข้ามาช่วย

bootstrap: เดาหน้าตาคำตอบไว้ก่อน แล้วตัดตัวเลือกทิ้งแบบซูโดกุ

วิธีที่พานักฟิสิกส์ไต่ระดับบันไดนี้ขึ้นมาเรื่อยๆ เรียกว่า "bootstrap" วิธีนี้ไม่ได้เริ่มจากการไล่คำนวณปฏิกิริยาของอนุภาคทีละรูปแบบ แต่เริ่มจากการตั้งสมมติฐานว่าหน้าตาของคำตอบน่าจะเป็นอย่างไร จากนั้นจึงนำเงื่อนไขและข้อมูลทั้งหมดที่มีมาช่วยคัดกรอง ทั้งผลลัพธ์จากเทคนิคการคำนวณอื่น กฎฟิสิกส์ที่คำตอบต้องสอดคล้อง รวมถึงความเชื่อมโยงกับโจทย์คู่ขนานที่คำนวณได้ง่ายกว่า

ถ้าจะเปรียบเทียบให้เห็นภาพที่สุด วิธีนี้เหมือนกับการเล่นซูโดกุ เราเริ่มต้นจากตารางว่างที่แต่ละช่องเป็นไปได้หลายตัวเลข แล้วค่อยๆ ตัดตัวเลขที่ขัดกับกติกาออกไปทีละตัว จนเหลือคำตอบเดียวที่ถูกต้องตามเงื่อนไขทั้งหมด แต่สิ่งที่ต่างออกไปคือ นักฟิสิกส์จะจงใจเก็บเงื่อนไขบางข้อแยกไว้ ไม่นำมาใช้คัดกรองตั้งแต่แรก เพื่อเอาไว้ตรวจสอบซ้ำในตอนท้ายว่าคำตอบที่ได้ไม่มีจุดผิดพลาด

เพราะมีเงื่อนไขสำรองเตรียมไว้ตรวจเช็กอยู่แล้ว Dixon จึงพร้อมตรวจสอบความถูกต้องได้ทันทีที่มีคนส่งคำตอบระดับ 9 loops มาให้

แทบไม่ได้สั่งอะไรนอกจาก "ทำต่อไป"

ปลายเดือนสิงหาคม นักฟิสิกส์ 2 คนจาก Anthropic คือ Liam Fitzpatrick และ Siddharth Mishra-Sharma ติดต่อกลับไปหา von Hippel เพื่อแจ้งว่า พวกเขาแก้โจทย์ข้อหนึ่งในคำท้าได้สำเร็จแล้ว

ทรัพยากรและวิธีที่พวกเขาใช้ยังอยู่ในเงื่อนไขคำท้าทุกประการ โดยไม่ได้ทุ่มพลังคอมพิวเตอร์มูลค่าหลายล้านดอลลาร์ ทั้งสองคนใช้ Claude รุ่น Fable 5.1 ผ่านแพลตฟอร์ม Claude Science

Claude Science เป็นแพลตฟอร์มแบบมีค่าใช้จ่ายที่ออกแบบมาเพื่อนักวิทยาศาสตร์โดยเฉพาะ ที่สำคัญคือไม่ใช่โมเดล AI ตัวใหม่ แต่เป็นโปรแกรมควบคุมที่เรียกว่า "harness" ซึ่งทำหน้าที่ครอบตัว Claude เอาไว้ พร้อมใส่กฎเกณฑ์และชุดคำสั่งเฉพาะทาง เพื่อช่วยให้ AI ทำงานวิจัยทางวิทยาศาสตร์ได้อย่างรัดกุมและใช้งานได้จริง

ขั้นตอนที่ von Hippel เล่าไว้นั้นเรียบง่ายมาก เริ่มจากทั้งสองคนถาม Claude ก่อนว่า โจทย์ในคำท้าข้อไหนที่โมเดลมีโอกาสทำสำเร็จมากที่สุด เมื่อได้ข้อสรุป พวกเขาก็ป้อนคำสั่งสั้นๆ เพียงประโยคเดียวว่า

The problem is to compute the Six-particle (hexagon) amplitude in planar N=4 SYM at nine loops.

ใจความของคำสั่งคือ ให้คำนวณแอมพลิจูดของอนุภาค 6 ตัวหรือโจทย์หกเหลี่ยม ในทฤษฎี N=4 super Yang-Mills หรือ N=4 SYM ที่ระดับ 9 loops

หลังจากป้อนโจทย์ สิ่งที่มนุษย์ทำต่อจากนั้นแทบมีแค่คอยสั่งให้ AI ทำงานต่อไปเรื่อยๆ ข้อความหนึ่งที่บทความยกมาเป็นตัวอย่างมีเนื้อหาดังนี้

I'm going to sleep and won't be available for another several hours. Keep working on this until I tell you to stop. Give me updates every 4-6 hours.

แปลเป็นไทยง่ายๆ ก็คือ "จะไปนอนแล้วนะ คงไม่อยู่หน้าจออีกหลายชั่วโมง ให้ทำงานนี้ต่อไปเรื่อยๆ จนกว่าจะบอกให้หยุด แล้วคอยรายงานความคืบหน้าทุกๆ 4-6 ชั่วโมงด้วย"

ข้อความนี้ไม่มีศัพท์ฟิสิกส์เลยแม้แต่คำเดียว อ่านแล้วเหมือนข้อความที่เราทิ้งไว้บอกเพื่อนร่วมงานก่อนเลิกงานไม่มีผิด

ในที่สุด Claude ก็คำนวณโจทย์นี้สำเร็จถึง 2 วิธีด้วยกัน วิธีแรกคือการใช้เทคนิค bootstrap แบบดั้งเดิม ส่วนวิธีที่สองคือการคำนวณทางอ้อมผ่าน form factor แบบเดียวกับที่ Dixon เคยใช้ตอนพิชิตขั้นที่ 8

หลักพันดอลลาร์ กับสองสัปดาห์ที่ใช้ตรวจ

บทความระบุตัวเลขค่าใช้จ่ายไว้ 2 ส่วน ซึ่งวัดคนละด้านกัน:

ส่วนแรกคือ ต้นทุนรวมราว 1,000 ถึง 2,000 ดอลลาร์ต่อการคำนวณหนึ่งวิธี เป็นค่าใช้จ่ายที่ผู้ใช้ทั่วไปต้องจ่ายถ้ารันงานในระดับนี้

ส่วนที่สองคือ ค่าประมวลผลคอมพิวเตอร์จริง ราว 100 ดอลลาร์ สำหรับการรันโค้ดภาษา Python ร่วมกับแพ็กเกจ SymPy ในวิธี bootstrap ซึ่งเทียบเท่ากับการเปิดใช้งาน CPU 96 ตัวต่อเนื่องตลอด 1 สัปดาห์เต็ม โดยเงินก้อนนี้รวมอยู่ในงบหลักพันดอลลาร์ของวิธีนั้นอยู่แล้ว ไม่ใช่ค่าใช้จ่ายที่ต้องจ่ายเพิ่ม

เมื่อเทียบสัดส่วนกันจะเห็นว่า ต้นทุนค่าคำนวณตัวเลขจริงๆ เป็นเพียงส่วนน้อยมาก แต่เงินส่วนใหญ่หมดไปกับค่าบริการที่ให้ Claude คิดและทำงานต่อเนื่องเป็นเวลานาน

von Hippel เล่าเสริมว่า การเปิดใช้ CPU 96 ตัวตลอดหนึ่งสัปดาห์อาจจะฟังดูเยอะเมื่อสิบปีก่อนตอนที่เขายังทำงานวิจัยอยู่ แต่สำหรับทุกวันนี้ ถือเป็นงบประมาณที่เข้าถึงได้และคุ้มค่าจะจ่ายถ้ามีเป้าหมายที่ชัดเจนพอ

สำหรับคำถามสำคัญว่า "คำตอบถูกต้องจริงไหม?" เมื่อวันที่ 1 กันยายน Fitzpatrick และ Mishra-Sharma ส่งผลลัพธ์ไปให้ Dixon ตรวจสอบ โดย Dixon ใช้วิธีแปลงคำตอบกลับมาเป็น form factor ระดับ 9 loops ซึ่งตรวจสอบความถูกต้องได้ง่ายกว่า และเป้าหมายนี้ก็คือสิ่งที่ทีมของ Dixon พยายามคำนวณมาตลอด 2-3 ปีที่ผ่านมา หลังจากใช้เวลาตรวจราว 2 สัปดาห์ ผลปรากฏว่าคำตอบถูกต้อง ผู้ที่สนใจสามารถดูผลคำนวณ 9 loops ฉบับเต็มได้ที่หน้าเว็บไซต์ของ Mishra-Sharma

สิ่งที่ทำให้ Dixon ทึ่งเป็นพิเศษไม่ใช่ขนาดของงาน แต่เป็น "ความเปราะบาง" ของกระบวนการคำนวณ เขาอธิบายว่า ถ้ามีสูตรหรือการคำนวณผิดพลาดแม้แต่จุดเดียว ผลลัพธ์ทั้งหมดจะพังทลายลงมาทันทีเหมือนขนมซูเฟล่ที่อบแล้วยุบ แล้วคนทำก็ต้องมานั่งงมหาเองว่าผิดพลาดตรงไหน ยิ่งไปกว่านั้น รายละเอียดปลีกย่อยจำนวนมากในงานนี้เป็นเรื่องน่าเบื่อและจุกจิกเกินกว่าจะเขียนอธิบายไว้ครบในเปเปอร์วิชาการ Claude จึงต้องเขียนโค้ดจัดการขั้นตอนเหล่านั้นขึ้นมาเองตั้งแต่ต้น

งานระดับแนวหน้า แต่ใช้วิธีเดิม

ก่อนจะประเมินว่าเรื่องนี้น่าทึ่งแค่ไหน ท้ายบทความต้นทางชี้แจงความโปร่งใสไว้ 3 ข้ออย่างตรงไปตรงมา คือ Anthropic เป็นผู้เชิญ von Hippel มาเขียนบทความและจ่ายค่าตอบแทนให้ พนักงานของ Anthropic มีส่วนช่วยให้ความเห็นต่อร่างบทความ แต่เนื้อหาและทัศนะทั้งหมดเป็นของตัวเขาเอง และ Dixon ตรวจทานผลลัพธ์โดยอิสระ โดยได้เครดิตการใช้งาน Claude เป็นค่าตอบแทน

ในแง่ความสำเร็จ เรื่องนี้น่าประทับใจอย่างแท้จริง von Hippel มองว่านี่คืองานคำนวณระดับแนวหน้าของวงการฟิสิกส์ ซึ่งปกติเป็นงานของผู้เชี่ยวชาญระดับหัวแถว ต่างจากสถานการณ์ในโพสต์ Vibe physics เมื่อเดือนมีนาคมที่ผ่านมา ซึ่งตอนนั้น AI ยังทำงานฟิสิกส์ได้เหมือนนักศึกษา คือทำได้แค่งานชิ้นเล็กๆ มนุษย์ต้องคอยประคับประคองอยู่ตลอด และยังเกิดข้อผิดพลาดบ่อยครั้ง

แต่ในครั้งนี้ Claude Science ทำงานจนเสร็จได้ในรอบเดียว โดยไม่มีใครคอยชี้นำทางวิทยาศาสตร์ที่ซับซ้อนไปกว่าการบอกให้ "ทำต่อไป" von Hippel ยอมรับตามตรงว่า ถ้าเขาเป็นคนเปิด CPU 96 ตัวรันงานแบบนี้เองหนึ่งสัปดาห์ โอกาสสูงมากที่จะต้องมีสัปดาห์ที่สองตามมา เพราะการทำงานรอบแรกมักเกิดข้อผิดพลาดขึ้นเสมอ แม้เขาจะไม่รู้ว่าระหว่างทาง Claude พลาดไปกี่ครั้ง แต่ระบบ harness ก็ประคับประคองจนพาโมเดลไปถึงคำตอบที่ถูกต้องได้โดยไม่ต้องมีคนเข้ามาช่วยแก้ ข้อสรุปในมุมนี้ของเขาคือ AI ทำงานคำนวณระดับนี้ได้อย่างน่าเชื่อถือแล้ว

อย่างไรก็ดี ในอีกด้านหนึ่ง คนที่ออกมาย้ำว่าเรื่องนี้ไม่ใช่ความฉลาดล้ำเหนือมนุษย์ ก็คือตัวคนตั้งคำท้าอย่าง von Hippel เอง โดยเขาสรุปว่า Claude ทำสำเร็จได้เพราะใช้วิธีการที่มีคนรู้อยู่แล้ว เพียงแต่นำมาคำนวณด้วยพลังประมวลผลที่มากกว่าที่เคยมีใครทำมาก่อน โมเดลอาจได้เปรียบจากการใช้ภาษา Python แทนโปรแกรมคณิตศาสตร์เฉพาะทางที่นักฟิสิกส์คุ้นเคย และอาจเขียนโปรแกรมได้เป็นระบบมากกว่านักวิจัย แต่ก็ยังไม่ถึงขั้นมีสติปัญญาเหนือมนุษย์

Dixon เองก็แสดงความเห็นไปในทิศทางเดียวกันว่า ถ้าดูขั้นตอนที่ Claude ใช้แก้โจทย์ จะเห็นว่า Claude นำเทคนิคทั้งหมดที่เขาและทีมวิจัยพัฒนาขึ้นตลอดหลายปีมาใช้ และให้ผลลัพธ์ออกมาในรูปแบบเดียวกับที่ทีมของเขาเคยวางแบบแผนไว้แล้วทั้งหมด

นอกจากนี้ การคำนวณขั้นที่ 9 ก็ไม่ได้ไกลเกินความสามารถของมนุษย์ขนาดนั้น เพราะเพียงไม่กี่วันหลังจากทราบเรื่องของ Claude von Hippel ก็ได้รับข่าวจาก Song He นักฟิสิกส์สาขาเดียวกันจาก Chinese Academy of Sciences ในปักกิ่ง ว่าทีมของเขาก็คำนวณผลลัพธ์ส่วนใหญ่ของโจทย์เดียวกันนี้ได้แล้วเช่นกัน โดยใช้ GPT-6 ช่วยคำนวณเงื่อนไขบางส่วน แต่โครงสร้างหลักของงานยังคงเป็นฝีมือมนุษย์

คนที่จะนำผลลัพธ์เหล่านี้ไปเขียนเปเปอร์และอธิบายให้นักวิจัยรุ่นต่อไปเข้าใจ ก็ยังคงเป็นมนุษย์ ทั้ง Dixon, Song He และทีมของพวกเขา ส่วน Claude นั้น von Hippel มองว่าบทบาทในภารกิจนี้จบลงแล้ว อย่างน้อยก็ในตอนนี้

นำบทเรียน 3 ข้อนี้ไปปรับใช้กับงานค้างของตัวเอง

บทเรียนที่สำคัญที่สุดในมุมมองของ von Hippel คือ ในโลกจริงยังมีงานที่อยู่ในวิสัยพอทำได้ แต่ยังไม่มีใครลงมือทำ หลงเหลืออยู่อีกมากเกินกว่าที่เราคิด แม้จะเป็นงานที่มีเป้าหมายเรียบง่ายและนิยามชัดเจน บางครั้งผู้เชี่ยวชาญก็ยังมองว่ามันยากเกินจริง เขายังเล่าเสริมด้วยว่า ตลอดหลายปีที่ผ่านมา คนสายคอมพิวเตอร์มักจะบอกเขาเสมอว่า วงการฟิสิกส์สาขานี้จะก้าวหน้าไปได้ไกลกว่านี้มาก ถ้ายอมจ้างโปรแกรมเมอร์เพิ่มสักไม่กี่คน ซึ่งในวันนี้ คนกลุ่มนั้นก็พูดได้อย่างเต็มปากแล้วว่าสิ่งที่พวกเขาคิดนั้นถูกต้อง

เมื่อรวบรวมข้อสังเกตทั้งหมดจากบทความ จะสรุปเป็นคำถามสำคัญ 3 ข้อ ที่เรานำไปใช้ประเมินงานคั่งค้างของตัวเองได้:

• เป้าหมายเขียนจบได้ในประโยคเดียวหรือไม่? โจทย์ฟิสิกส์ข้อนี้คือสูตรเดียวที่ระดับ 9 loops คำสั่งและเป้าหมายทั้งหมดจึงอธิบายจบได้อย่างชัดเจนในประโยคเดียว
• มีวิธีการคำนวณรองรับอยู่แล้วหรือยัง? เทคนิค bootstrap เป็นวิธีที่ Dixon และทีมพัฒนามาหลายปีจนตกผลึก งานที่เหลือจึงมีแค่ลงแรงทำตามขั้นตอนให้ครบโดยไม่ผิดพลาด
• มีวิธีตรวจสอบความถูกต้องของคำตอบเตรียมไว้ไหม? ทีมของ Dixon มีโครงการใช้โมเดล AI ที่สร้างเองมาช่วยทำนายขั้นที่สูงขึ้นอยู่แล้ว และมีสโลแกนประจำทีมว่า มีเครื่องมือพร้อมตรวจทุกคำตอบที่เครื่องส่งมาให้

สำหรับนักวิจัยหรือนักศึกษาระดับปริญญาโท-เอก งานที่เข้าเกณฑ์ 3 ข้อนี้อาจเป็นงานคำนวณที่เคยพักไว้เพราะคิดว่าต้องใช้เวลาประมวลผลของเครื่องนานเกินไป ส่วนคนทำงานทั่วไป อาจเป็นงานยาวๆ ที่น่าเบื่อ ซ้ำซาก แต่มองปราดเดียวก็รู้ได้ทันทีว่าผลลัพธ์ถูกต้องหรือไม่

ในบรรดาคำถามทั้งสามข้อ ข้อที่สามถือเป็นข้อที่ห้ามมองข้ามเด็ดขาด เพราะถ้าไม่มีวิธีตรวจสอบที่รัดกุม ต่อให้ได้คำตอบมา เราก็ไม่รู้ว่าคำตอบนั้นถูกหรือผิด von Hippel จึงเตือนคนที่ทำงานคำนวณกับอนุภาคในโลกจริงว่า ถ้าคิดจะใช้ AI harness มาช่วยทำงานวิจัยระดับแนวหน้าให้เสร็จในรอบเดียว สิ่งสำคัญที่ต้องมีควบคู่กันคือแผนการตรวจสอบผลลัพธ์

อย่างไรก็ตาม เขายังไม่แน่ใจว่าบทเรียนนี้จะขยายไปใช้ได้กว้างขวางแค่ไหน เพราะแบบจำลองสมมุติเป็นเรื่องของนักวิจัยกลุ่มเล็กๆ ส่วนงานวิจัยอนุภาคจริงแข่งขันกันอย่างดุเดือด งานที่ทำได้ง่ายและยังไม่มีใครแตะจึงอาจมีเหลือน้อยกว่า แต่ถึงอย่างนั้น เขาก็บอกว่าอย่าเพิ่งด่วนสรุป

เดิมที von Hippel ตั้งคำท้านี้ขึ้นมาเพราะอยากรู้ว่า AI จะขยายขีดจำกัดของการคำนวณไปได้ไกลแค่ไหน เขาหวังว่าจะได้เห็นเทคนิคแปลกใหม่ที่มีประสิทธิภาพเกินคาด

แต่สิ่งที่เขาได้เรียนรู้กลับมาจริงๆ คือ เขาคาดไม่ถึงว่า งานที่ดูยากจนไม่มีใครทำเหล่านั้น แท้จริงแล้วอยู่ใกล้แค่เอื้อมขนาดไหน

ที่มา: บทความ Claude computes a nine-loop amplitude in N=4 super-Yang-Mills จาก Anthropic