NVIDIA HORIZON: เอเจนต์ที่ 'วิวัฒน์ตัวเอง' ผ่าน git worktree จนออกแบบชิปผ่านเบนช์มาร์กครบ 100%
ปลายเดือน มิ.ย. 2026 ทีมวิจัยของ NVIDIA เผยแพร่เปเปอร์ “Agentic Hardware Design as Repository-Level Code Evolution” บน arXiv (ผู้เขียน: Cunxi Yu, Chenhui Deng, Nathaniel Pinckney, Brucek Khailany) แนะนำระบบเอเจนต์ชื่อ HORIZON และในสัปดาห์นี้ (รายงานโดย MarkTechPost วันที่ 4 ก.ค.) มันเริ่มได้รับความสนใจในวงกว้าง เพราะแนวคิดเบื้องหลังไม่ได้เกี่ยวกับแค่การออกแบบชิป — มันคือ แพตเทิร์นของ coding agent ยุคใหม่ ที่นักพัฒนาซอฟต์แวร์ทุกคนควรรู้จัก
จุดที่ทำให้เป็นข่าวคือ ผลลัพธ์: HORIZON ทำเบนช์มาร์กงานออกแบบวงจรระดับ RTL (register-transfer level) ได้ครบ 100% ในทั้งสี่ชุดทดสอบ ทั้งที่อัตราผ่านในรอบแรก (first-pass) เฉลี่ยเพียง 47.8% ส่วนที่เหลือมาจากการที่เอเจนต์ วนปรับปรุงงานของตัวเองซ้ำ ๆ โดยไม่มีมนุษย์คอยสั่ง จนผ่านเกณฑ์ที่กำหนดไว้
แนวคิดหลัก: มองงานเป็น “การวิวัฒน์โค้ดใน repository”
เอเจนต์เขียนโค้ดทั่วไปมักทำงานแบบ single-turn — รับโจทย์ สร้างคำตอบทีเดียวจบ HORIZON พลิกมุมนี้: มันมองแต่ละโจทย์เป็น repository ที่ต้องค่อย ๆ วิวัฒน์ ผ่านการแก้ไขหลายรอบภายใต้การควบคุมเวอร์ชัน หัวใจมีสองส่วน:
- Markdown harness — ผู้ใช้เขียนไฟล์ Markdown ที่ประกอบด้วย 4 ส่วน: เป้าหมาย (objective), ความรู้เฉพาะโดเมน (domain guidance), ตัวประเมินผล (evaluator), และ เกณฑ์การยอมรับ (acceptance criteria) ระบบจะคอมไพล์ไฟล์นี้เป็น “project pack” ที่ขับเคลื่อนการวนทำงานอัตโนมัติ
- git worktree แยกอิสระ — เอเจนต์ทำงานบน worktree ของตัวเอง แต่ละรอบจะ วางแผนเป้าหมายย่อย → แก้ไฟล์ใน worktree → เรียกเครื่องมือ → รัน evaluator → คอมมิต งานที่ผ่านเกณฑ์กลายเป็นตัวอย่าง “บวก” ที่เก็บไว้เรียนรู้ ส่วนงานที่พังถูกบันทึกเป็นตัวอย่าง “ลบ” — นี่คือกลไก self-evolving ที่ทำให้มันเก่งขึ้นเรื่อย ๆ ภายในงานเดียว
ที่น่าสนใจสำหรับคนคุมงบ: ราว 91% ของโทเคน ที่ใช้เป็น prompt caching ทำให้ต้นทุนต่อรอบการวนต่ำลงมาก แม้จะวนหลายสิบรอบ
ตัวเลขจริงจากเบนช์มาร์ก
HORIZON ทดสอบบนสี่ชุด และไต่จากค่าเริ่มต้นถึง 100% ด้วยจำนวนรอบต่างกัน:
- ChipBench — เริ่มที่ 20.0% ผ่านครบใน 5 รอบ
- RTLLM-2.0 — เริ่มที่ 78.0% ผ่านครบใน 2 รอบ
- Verilog-Eval-v2 — เริ่มที่ 86.2% ผ่านครบใน 2 รอบ
- CVDP (แยกหลายหมวด) — เริ่มที่ 0.0–79.1% ใช้ตั้งแต่ 1 ถึง 82 รอบแล้วแต่ความยาก
ทีมวิจัยระบุ ข้อจำกัด อย่างตรงไปตรงมาว่า เบนช์มาร์กเหล่านี้เป็นเพียง “proxy ที่ควบคุมได้” ของงานออกแบบชิปจริงซึ่งซับซ้อนกว่ามาก การได้ 100% บนเบนช์มาร์กจึงไม่ได้แปลว่าออกแบบ SoC ทั้งตัวได้เอง — แต่มันพิสูจน์ว่า ลูปวิวัฒน์โค้ดแบบมี evaluator ที่ดีนั้นได้ผลจริง
มุมมอง AI Curator
เรื่องนี้ถูกจัดหมวดว่าเป็น “งานวิจัยด้านฮาร์ดแวร์” แต่คุณค่าที่แท้จริงสำหรับนักพัฒนาซอฟต์แวร์อยู่ที่ แพตเทิร์น ไม่ใช่ที่ RTL ลองสังเกตว่าโครงของ HORIZON — worktree แยกอิสระ + ลูป แก้/รัน-evaluator/คอมมิต + เก็บตัวอย่างบวก-ลบ — คือสิ่งเดียวกับที่ coding agent สมัยใหม่ (รวมถึง Claude Code, Cursor และเครื่องมือ agentic อื่น ๆ ที่เรารายงานตลอดสัปดาห์) กำลังทำอยู่ ความแตกต่างที่ทำให้ HORIZON ไต่ถึง 100% ไม่ใช่โมเดลที่ฉลาดกว่า แต่คือ evaluator ที่วัดผลได้ชัดเจน ในงานออกแบบวงจรมี testbench/formal check ที่บอก “ถูก/ผิด” ได้แน่นอน เอเจนต์จึงมีสัญญาณให้ไต่ขึ้นได้จริง
บทเรียนที่นำกลับมาใช้ได้ทันที: ถ้าคุณอยากให้เอเจนต์วนปรับปรุงงานตัวเองได้ ให้ลงทุนกับ “ตัววัดผล” ก่อนลงทุนกับพรอมป์ต์ — เขียนเทสต์ที่ครอบคลุม, ตั้ง acceptance criteria ให้ machine-checkable, แล้วปล่อยให้เอเจนต์วนบน worktree ของมันเอง งานที่มี oracle ชัด (คอมไพล์ผ่านไหม เทสต์เขียว performance ถึงเกณฑ์ไหม) คือจุดที่ลูป self-evolving แบบนี้ให้ผลคุ้มที่สุด ส่วนงานที่ “ถูก/ผิด” ก้ำกึ่ง (เช่น UX, ดีไซน์) ยังต้องมีมนุษย์อยู่ในลูป
สำหรับบริบทไทย/SEA ที่กำลังผลักดันการออกแบบชิปและ IC design ในประเทศ งานแบบนี้ชี้ว่ากำแพงความเชี่ยวชาญด้าน RTL อาจถูกลดทอนลงด้วยเอเจนต์ที่วนออกแบบเองภายใต้ evaluator ที่ทีมเป็นคนกำหนด — แต่ต้องย้ำว่านี่คือผลระดับเบนช์มาร์ก ยังห่างจากการเทปเอาต์ชิปจริง สิ่งที่ควรทำวันนี้ไม่ใช่รอเอเจนต์ออกแบบ SoC ให้ทั้งตัว แต่คือ ฝึกทีมให้เขียน harness และ evaluator ที่ดี เพราะนั่นคือทักษะที่กำหนดว่าเอเจนต์รุ่นถัดไปจะทำงานแทนคุณได้แค่ไหน
แหล่งข่าว
อ่านเพิ่มในหมวด งานวิจัย
Anthropic ให้ Claude สร้างชุดข้อมูลที่ดูไร้พิษภัยแต่ทำโมเดลเบี้ยว ซ่อนในเรื่องเลี้ยงผึ้งและมวยปล้ำ จนผ่านระบบตรวจที่คล้ายของจริง
ทีม Alignment ของ Anthropic ให้ Claude ปีนหาชุดข้อมูล fine-tune ที่หลบ monitor ได้ ผลคือซ่อนพฤติกรรมในงานเขียนแนวบทบาทสมมติ และโมเดลที่เทรนแล้วนำไปใช้ในบุคลิกตัวเอง ผลซ้ำได้บน Qwen 3.6 27B แต่การทดลองเอื้อฝ่ายโจมตีมากและไม่ได้สะท้อนโมเดลที่ใช้งานจริง
Memdoor ทำซ้ำ GVS5H ได้: ทีม Qwen3.8-27B ห้าตัวตามทัน Fable 5 บนโจทย์ LiveCodeBench Hard แต่ผู้ทำบอกเองว่า 'เท่า' ไม่ใช่ 'ชนะ'
Memdoor ปล่อย workflow team-solve ที่เขียนวิธี GVS5H เป็น YAML ล้วนและทำคะแนน 9.8/10 บน LiveCodeBench Hard 10 ข้อ เทียบกับ 8.0 ของ Fable 5 แบบเรียกครั้งเดียว แต่ตัวอย่างเล็กและมีข้อจำกัด ส่วนงานวิจัยต้นฉบับชี้ว่าวิธีนี้ไม่ได้ช่วยทุกโมเดล
QwenPU รัน LLM ซ้อนใน LLM ด้วยหน่วยเวกเตอร์ที่คอมไพล์ลงในน้ำหนัก Qwen3.5-4B ส่วน bootgpt ทำให้เครื่อง 386 บูตเข้าโมเดลภาษาโดยไม่มี OS
ผู้สร้าง Qwenputer ปล่อย QwenPU เมื่อ 31 ต.ค. รัน stories260K ของ Karpathy บนหน่วยเวกเตอร์ที่คอมไพล์ลงในน้ำหนัก Qwen3.5-4B ลดเหลือ 53,000 trace token ต่อหนึ่ง token เรื่องเล่า วันเดียวกัน bootgpt ใส่โมเดล int8 ขนาด 11.5KB ให้บูตบนเครื่อง 386 โดยไม่มี OS