OpenAI บอกว่าโมเดลภายในที่เริ่มเทรน 28 ส.ค. แก้โจทย์คณิตศาสตร์ที่ค้างมานานได้ "มากกว่า 100 ข้อ" — นักคณิตศาสตร์ 9 คนตั้งกลุ่มที่ปรึกษาอิสระเพื่อดูว่าจะทยอยปล่อยผลอย่างไร
วันที่ 21 ก.ย. 2026 OpenAI โพสต์ประกาศเรื่องการตั้ง Advisory Group on Mathematics and Artificial Intelligence (AGMAI) ในโพสต์เดียวกันมีประโยคเปิดที่สำคัญกว่าตัวประกาศ:
“On August 28, we began training a new internal model. In addition to resolving the Navier–Stokes Millennium Prize problem, this model has now resolved more than 100 long-standing open problems across most areas of mathematics.”
OpenAI บอกด้วยว่าความเร็วของโมเดลนี้ “has surprised the mathematicians within OpenAI” จนต้องหารือกันภายในว่าจะแจ้งวงการอย่างไร เรื่องนี้ต่อจาก ข้อพิพาทเรื่อง Navier–Stokes, แถลงการณ์ของ Clay Institute และ จดหมายเปิดผนึกของผู้ได้เหรียญ Fields 25 คน ซึ่งโพสต์ของ OpenAI อ้างถึงตรง ๆ ว่าเป็นเหตุผลที่ต้องมีกลุ่มนี้
กลุ่มที่ปรึกษาคือใคร และทำอะไร
สมาชิกชุดแรก 9 คน โดยมี Institute for Advanced Study (IAS) เป็นเจ้าภาพ: François Charles, Camillo De Lellis, Timothy Gowers, Martin Hairer, Nikhil Srivastava, Ulrike Tillmann, Ravi Vakil, Edward Witten และ Melanie Matchett Wood
ตาม agmai.org กลุ่มนี้เกิดขึ้นหลัง OpenAI ติดต่อสมาชิกบางคนเพื่อตั้งคณะที่ปรึกษาภายนอก แต่สมาชิกเลือกตั้งเป็นกลุ่มอิสระแทน (ซึ่ง OpenAI ก็ตกลง) แล้วชวนคนอื่นมาร่วม ข้อตกลงหลัก:
- ไม่รับค่าตอบแทน จาก OpenAI และจะ เผยแพร่คำแนะนำต่อสาธารณะ บนเว็บไซต์
- ยินดีให้คำแนะนำกับ บริษัท AI ใดก็ได้ ที่โมเดลมีผลต่อคณิตศาสตร์ ไม่ได้ผูกกับ OpenAI เท่านั้น
- ไม่มีอำนาจตัดสินใจในบริษัทใด ความรับผิดชอบยังอยู่ที่บริษัท
งานแรกที่ agmai.org ระบุคือ “advising OpenAI on how to coordinate the release of a large number of significant results in mathematics that they report have been produced by their internal model” และเปิดแบบฟอร์มให้นักคณิตศาสตร์ส่งความเห็น
ประโยคที่ควรอ่านซ้ำ
ในโพสต์ OpenAI มีประโยคหนึ่งที่กำหนดขอบเขตของกลุ่มไว้ชัด: “Importantly, the group will not be responsible for advising us on how to pace our internal progress on mathematics.” แปลว่ากลุ่มนี้ช่วยได้เรื่อง จะปล่อยผลอย่างไร แต่ไม่มีสิทธิ์พูดเรื่อง จะพัฒนาเร็วแค่ไหน
วันที่ 22 ก.ย. Martin Hairer เขียน guest post บนบล็อกของ Terence Tao ว่ามี “torrent of misinformation” เกี่ยวกับกลุ่มนี้ เขายืนยันว่า ไม่ใช่สมาชิกทุกคนที่ OpenAI ติดต่อมาตั้งแต่แรก, ในการประชุมมีแค่สมาชิก 9 คน, IAS เป็นผู้ดูแลด้าน IT กฎหมาย และการสื่อสาร และสมาชิก ไม่ได้เซ็นเอกสารที่จำกัดสิ่งที่จะพูดต่อสาธารณะ นอกจากเรื่องความลับตามปกติ เขายอมรับเองด้วยว่า 9 คนนี้ “clearly don’t form a representative sample” ของวงการ และ “It would also be very naïve to believe that the AI labs won’t try to spin whatever we say”
สิ่งที่ยังไม่มี
- ยังไม่มีรายชื่อโจทย์ แม้แต่ข้อเดียว ตัวเลข “มากกว่า 100 ข้อ” เป็นคำของ OpenAI ฝ่ายเดียว ยังไม่มีการตรวจสอบจากภายนอก
- สื่อบางแห่งรายงานว่ามีโจทย์ใหญ่อื่นอยู่ในรายการด้วย แต่ ไม่มีในโพสต์ของ OpenAI เราจึงยังไม่รายงานเป็นข้อเท็จจริง
- ไม่มีข้อมูลว่าโมเดลนี้คืออะไร จะเปิดให้ใช้หรือไม่ หรือเกี่ยวกับ GPT-6 รุ่นที่เปิดให้ใช้อยู่อย่างไร
มุมมอง AI Curator
ถ้าตัวเลข 100 ข้อเป็นจริงแม้เพียงส่วนหนึ่ง นี่คือจุดที่ “AI ช่วยคณิตศาสตร์” เปลี่ยนจากงานทีละชิ้นไปเป็น ปัญหาการจัดการคิว ปัญหาไม่ใช่ว่าจะพิสูจน์ได้หรือไม่ แต่เป็นว่าวงการจะ ตรวจสอบทันหรือไม่ เพราะการตรวจบทพิสูจน์ใหม่หนึ่งชิ้นใช้เวลาผู้เชี่ยวชาญเป็นเดือน การที่ OpenAI ยอมรับว่าต้องมีคนช่วยวางแผนการปล่อยผล ก็เท่ากับยอมรับว่าคอขวดตอนนี้อยู่ที่คนตรวจ ไม่ใช่ที่โมเดล
ประโยคที่ว่ากลุ่มไม่ได้มีหน้าที่ดูเรื่องความเร็ว ตรงกับข้อกังวลในจดหมายของผู้ได้เหรียญ Fields ที่ว่าบริษัทใช้โจทย์เปิดเป็นเบนช์มาร์กโดยไม่คิดถึงผลกระทบต่อวงการ กลุ่มที่ปรึกษาจะช่วยให้การปล่อยผลมีระเบียบขึ้น แต่คำถามหลักของจดหมายยังไม่ได้คำตอบ
สำหรับไทยและภูมิภาค ผลกระทบที่ใกล้ตัวที่สุดคือเรื่อง นักศึกษาปริญญาเอกและนักวิจัยรุ่นใหม่ ที่เลือกหัวข้อจากโจทย์เปิดที่อาจถูกแก้ไปแล้วในโมเดลภายในของบริษัท โดยไม่มีใครรู้เพราะรายชื่อยังไม่เปิด ถ้า AGMAI ผลักดันให้ เปิดรายชื่อโจทย์ที่แก้แล้ว (แม้ยังไม่เปิดบทพิสูจน์) ได้เร็ว จะเป็นประโยชน์ที่จับต้องได้ที่สุดสำหรับนักวิจัยนอกศูนย์กลางอย่างพวกเรา
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