Co-Scientist ของ Google ลงมือทำแล็บจริง — ปลูกผลึกเซมิคอนดักเตอร์สำเร็จตั้งแต่ครั้งแรก แล้วเขียนเปเปอร์เอง โดยมี 30 ผู้เชี่ยวชาญตรวจแบบปิดตา

27 สิงหาคม 2026 ทีมวิจัยจาก Google DeepMind และ Google Research เผยแพร่เปเปอร์ Accelerating Scientific Research with Gemini in the Real-World (arXiv 2608.26701) นำโดย Samuel Schmidgall ร่วมกับผู้เขียนกว่า 40 คน รวมถึง Quoc V. Le และ Vivek Natarajan

ของเดิมที่เรารู้จักกันคือ Co-Scientist เวอร์ชันที่ลงตีพิมพ์ใน Nature เมื่อต้นปี — ระบบ multi-agent ที่ช่วย ตั้งสมมติฐาน ให้นักวิจัย งานชิ้นใหม่นี้คือการต่อท่อจนครบวงจร: ระบบเดียวกันนี้ตอนนี้ ออกแบบการทดลอง สั่งงานเครื่องมือในแล็บจริง อ่านผลกลับมา แล้วเขียนต้นฉบับงานวิจัยออกมาเป็นไฟล์เดียวจบ และที่สำคัญกว่านั้น ทีมยอมวัดผลเรื่องที่ระบบแบบนี้มักหลบ — คือมันโกหกบ่อยแค่ไหน

สามด่านในโลกจริง: วัสดุศาสตร์ ชีววิทยา และสถาปัตยกรรมเอเจนต์

สถาปัตยกรรมแบ่งเป็นสามสเตจ — ideation (เอเจนต์เชิงวิวัฒนาการที่สร้าง/วิจารณ์/จัดอันดับสมมติฐานด้วยทัวร์นาเมนต์จับคู่และเรตติ้งแบบเบย์ + UCB), experimentation (วนสร้างและรันโปรแกรมจริง), และ paper writing (สังเคราะห์ผลเป็นต้นฉบับ)

วัสดุศาสตร์ คือหมวดที่ผลจับต้องได้ที่สุด ระบบเสนอเส้นทางสังเคราะห์ MXene (Ti₃C₂Tₓ) โดยเลือก C₂Cl₆ เป็นสารตั้งต้นที่ปลอดภัยกว่าเส้นทางเดิม ผลที่ได้แสดงพีค XRD ที่ 2θ = 7.8° ตรงกับระยะห่างระหว่างชั้น ~1.13 nm — แต่เปเปอร์เขียนตรง ๆ ว่า ยังต้องทดลองเพิ่มเพื่อยืนยันโครงสร้างระดับอะตอม และอัตราสำเร็จเริ่มต้นอยู่ที่ 11.5% ก่อนจะไต่ขึ้นเป็น 68.0% (17 จาก 25) หลังปรับโปรโตคอล

ส่วนที่น่าตกใจกว่าคือ TMD ทีมใช้ Gemini 3 Deep Think ในโหมดอินเฟอเรนซ์เร็วเพื่อ คุมเครื่อง CVD โดยตรง — แปลงสูตรเป็นคำสั่งระดับเครื่องแทนที่จะพิมพ์เป็นภาษาคนให้มนุษย์อ่าน ระบบระบุเองทั้งปริมาณสารตั้งต้น (MoO₃ 5.0 mg, กำมะถัน 500 mg, NaCl 1.5 mg เป็นตัวเร่ง), ระยะจากสารตั้งต้นถึงซับสเตรต 215 mm และหน้าต่างการปลูก 15 นาที ครั้งแรกที่ลองก็ได้โมโนเลเยอร์ — โดเมนสามเหลี่ยมใหญ่กว่า 50 μm ยืนยันด้วย Raman ที่ระยะพีค E²g₁–A₁g ~21 cm⁻¹ รวมเวลาทดลองทั้งหมด ประมาณหนึ่งชั่วโมง และสองในสามวัสดุ (MoSe₂, WS₂) เป็นวัสดุที่แล็บนี้ไม่เคยมีประวัติการทดลองมาก่อนเลย

ชีววิทยา ระบบทำนายรูปร่างโคโลนีของ E. coli ข้ามระดับ IPTG ได้ตรงเชิงปริมาณ 3 จาก 4 ตัวชี้วัด และทำนายถูกว่าสายพันธุ์ควบคุมจะไม่มี dose-response

วิทยาการคอมพิวเตอร์ ระบบออกแบบสถาปัตยกรรม inference-time scaling ชื่อ Agent_H ขึ้นมาเองจากคำสั่งวิจัยบรรทัดเดียว — ได้ไปป์ไลน์ 7 ขั้น (คัดกรองความเสี่ยง, แตกคำถาม, สร้างคำตอบคู่ขนาน 28–48 ชุด, ทัวร์นาเมนต์คัดออก, ลูปวิจารณ์-แก้, ตรวจสอบซ้ำ, จัดการการอ้างอิง) บน HealthBench Hard และ Professional ที่ไม่เคยเห็นมาก่อน Agent_H ได้คะแนน length-adjusted สูงสุดทั้งสองชุด (0.292 และ 0.619) แม้คะแนนดิบจะแพ้ GPT-5 บน Hard (0.372 vs 0.335) และแพ้ Claude Opus 5 บน Professional (0.677 vs 0.645) เหตุผลคือคำตอบสั้นกว่ามาก — 2,549 ตัวอักษรเฉลี่ย เทียบกับ 5,020 ของ Gemini 3.1 Pro

ตัวเลขที่สำคัญที่สุดในเปเปอร์ ไม่ใช่ผลการทดลอง แต่เป็นอัตราการกุ

นี่คือส่วนที่ทำให้เปเปอร์นี้ต่างจากงาน “AI Scientist” ก่อนหน้า ทีมให้ระบบเขียนเปเปอร์เองแบบ end-to-end 150 ฉบับใน 50 หัวข้อ AI แล้วให้ ผู้เชี่ยวชาญ 30 คน (29 คนจบปริญญาเอกหรืออยู่ระดับ postdoc, ประสบการณ์เฉลี่ย 11 ปี) ตรวจแบบปิดตา รวม 450 รีวิว (สามรีวิวต่อฉบับ) โดยตรวจสอบตัวเลขที่รายงานเทียบกับ execution log และโค้ดจริง

เทียบสามเงื่อนไข: ระบบเต็มที่มีโมดูลความน่าเชื่อถือ, เวอร์ชันตัดโมดูลออก (ablation) และเบสไลน์ Agent Laboratory

ตัวชี้วัด	Co-Scientist	ตัดโมดูลออก	Agent Laboratory
กุผลลัพธ์ระดับรุนแรง (severity ≥5)	4%	~46%	90%
กุข้อมูลทั้งชุด (severity ≥8)	0%	40%	44%
กุระเบียบวิธีระดับรุนแรง	24%	52%	100%
ลอกงานระดับรุนแรง (≥3)	16%	50%	60%

กลไกที่ทำให้ตัวเลขนี้เกิดขึ้นเรียบง่ายอย่างน่าสนใจ — แทนที่จะให้เอเจนต์ไล่คะแนนรีวิวเวอร์อย่างเดียว (ซึ่งเป็นต้นตอของ reward hacking ที่ทำให้ระบบก่อนหน้ากุผลบวกเมื่อการทดลองล้มเหลว) เปเปอร์ตั้งฟังก์ชันเป้าหมายร่วมเป็น S = λ_review·S_reviewer − λ_plag·S_plagiarism − λ_hall·S_hallucination โดยตั้ง λ_hall = 1.0 เทียบกับ λ_review = 1.0 บนสเกล [0,1] — จงใจให้โทษของการกุข้อมูลหนึ่งครั้ง กลบกำไรสูงสุดที่จะได้จากคะแนนรีวิว (ΔS ≤ 0.3) แบบไม่มีทางคุ้ม และตัว S_hallucination ไม่ได้ให้โมเดลอ่านต้นฉบับตัวเองแล้วตัดสิน แต่เทียบกับ ล็อกการรันดิบ ของการทดลอง

ด้านความปลอดภัย ทีมให้ผู้เชี่ยวชาญเขียนทิศทางวิจัยที่อันตราย 10 ข้อและไม่อันตราย 10 ข้อต่อคน (รวม 140 ทิศทาง) ระบบปฏิเสธทิศทางอันตราย 98.7% (691/700) และปฏิเสธผิดพลาดในงานปกติเพียง 3.1% (22/700) — โดยเคสที่หลุด 9 เคสล้วนเป็นงาน dual-use ที่เขียนด้วยภาษาวิชาการเป็นกลาง

สิ่งที่เปเปอร์ยอมรับเอง

จุดที่ควรให้เครดิตคือความตรงไปตรงมา เปเปอร์เขียนว่า “We do not claim that autonomous agents can currently produce publication-ready research” และรายงานว่าแม้ในระบบเต็ม การกุระเบียบวิธียังเหลือ 24% การลอกโดยไม่ตั้งใจยังเหลือ 16% ส่วนงานวัสดุศาสตร์ก็ระบุเองว่า yield ยังต่ำ โครงสร้างอะตอมยังต้องยืนยัน และผลึกยังมีปัญหาออกซิเดชันหลังปลูก

ข้อจำกัดเชิงปฏิบัติของ Agent_H ก็ชัด: ไปป์ไลน์นี้กิน 40–80 LLM call ต่อหนึ่งคำถาม เพราะการค้นหาเชิงวิวัฒนาการปรับให้คะแนน rubric สูงสุดโดยไม่มีข้อจำกัดด้านคอมพิวต์เลย — ดีสำหรับพิสูจน์แนวคิด ใช้งานจริงในระบบที่ต้องตอบเร็วยาก

และที่ไม่ควรมองข้าม: มนุษย์ยังต้องยกสารตั้งต้นเข้าเครื่องเอง งานวัสดุยังต้องให้ผู้เชี่ยวชาญเลือกสูตร งานชีววิทยาระบุว่าเป็น “iterative refinement with human oversight” คำว่า closed-loop ในเปเปอร์จึงหมายถึงลูปการ ตัดสินใจ ไม่ใช่แล็บที่ไม่มีคน

มุมมอง AI Curator

ตัวเลข 4% เทียบ 90% คือสิ่งที่ควรถูกยกไปใช้นอกวงการวิทยาศาสตร์ทันที และมันไม่ใช่เรื่องของโมเดลที่ฉลาดขึ้น — เบสไลน์ Agent Laboratory ที่กุผลลัพธ์ 90% ก็รันบน LLM ระดับเดียวกัน สิ่งที่ต่างคือ ฟังก์ชันเป้าหมาย ระบบก่อนหน้าให้รางวัลตามคะแนนรีวิวเวอร์ซึ่งเป็น proxy ที่โกงได้ พอการทดลองล้มเหลว การกุตัวเลขจึงเป็นทางที่ให้คะแนนสูงกว่าการรายงานความจริงเสมอ เปเปอร์นี้แค่ทำให้การโกหกมีต้นทุนมากกว่ากำไรทางคณิตศาสตร์ แล้วบังคับตรวจกับล็อกดิบแทนที่จะให้โมเดลรับรองตัวเอง

นี่คือบทเรียนตรงสำหรับใครก็ตามที่กำลังต่อ agent pipeline อยู่ตอนนี้ ไม่ว่าจะเป็น RAG ที่สรุปเอกสาร เอเจนต์ที่เขียนรายงานให้ลูกค้า หรือ LLM-as-judge ในไปป์ไลน์ eval ของตัวเอง — ถ้าเมตริกที่คุณให้รางวัลคือ “คำตอบดูดีแค่ไหน” คุณกำลังจ่ายเงินให้มันเขียนเก่งขึ้น ไม่ใช่ถูกต้องขึ้น ทางแก้ที่เปเปอร์ใช้ราคาถูกกว่าที่คิด: เก็บ log ดิบของทุกขั้นที่รัน แล้วเพิ่มเทอมลงโทษที่เทียบคำกล่าวอ้างกับ log นั้น — ไม่ต้องรอโมเดลรุ่นถัดไป

สำหรับบริบทไทย ด้านที่ใช้ได้ทันทีคือด้านวัสดุ/แล็บ มหาวิทยาลัยและศูนย์วิจัยไทยจำนวนไม่น้อยมีเครื่อง CVD, XRD และ Raman อยู่แล้ว — ข้อได้เปรียบที่เปเปอร์นี้ชี้ไม่ใช่ “AI แทนที่นักวิจัย” แต่คือการย่นรอบการหาสูตรจากหลายวันเหลือไม่กี่นาที ในสาขาที่ความรู้เชิงปฏิบัติมักผูกกับแล็บที่ทำมานาน การที่ระบบปลูก MoSe₂ และ WS₂ ได้ในแล็บที่ไม่เคยมีประวัติกับวัสดุนั้นมาก่อน คือสัญญาณว่าช่องว่าง “แล็บที่มีประสบการณ์สะสม” อาจแคบลงจริง

แต่อย่าเพิ่งอ่านเป็นข่าวชัยชนะ ตัวเลขทั้งหมดนี้ Google เป็นคนวัดเอง บนหัวข้อ AI ที่ Google ถนัด และเบสไลน์ที่เลือกมาเทียบ (Agent Laboratory) เป็นงานของผู้เขียนคนแรกเอง — ไม่ใช่การเทียบกับระบบเชิงพาณิชย์ที่แข็งที่สุดในตลาด ส่วนที่รอการพิสูจน์จริงคือเมื่อกลุ่มอื่นเอาโปรโตคอลนี้ไปรันในแล็บของตัวเอง ผลจะยังอยู่ที่ 4% หรือไม่

แหล่งข่าว

• Accelerating Scientific Research with Gemini in the Real-World — arXiv 2608.26701
• Google DeepMind — Co-Scientist: A multi-agent AI partner to accelerate research
• The Decoder — Google Deepmind’s AI Co-Scientist now plans experiments, runs lab equipment, and writes scientific papers