## #114 Karpathy Auto Research Deep Dive
AI กำลังขยับจาก “ผู้ช่วย”
ไปเป็น “นักลองแทนเรา”
☕ ถ้าคุณยังคิดว่า AI มีหน้าที่แค่ช่วยเขียน ช่วยสรุป และช่วยตอบคำถาม
ผมคิดว่าคุณอาจกำลังประเมินมันต่ำไปแล้ว
สิ่งที่เริ่มน่าสนใจกว่าในตอนนี้ คือ AI ไม่ได้แค่ช่วยสร้าง output
แต่มันเริ่มช่วย “ลองผิดลองถูก” แทนเราได้บางส่วนแล้ว
และนี่คือเหตุผลที่โพสต์ล่าสุดของ Andrej Karpathy น่าสนใจมาก
สำหรับคนที่ยังไม่คุ้นชื่อ
Karpathy คืออดีต founding member ของ OpenAI และอดีตหัวหน้าฝั่ง AI ของ Tesla
ถือเป็นหนึ่งในคนสำคัญของวงการ AI ยุคใหม่
สิ่งที่เขาแชร์ ไม่ใช่แค่ของเล่นใหม่สำหรับสาย AI
แต่มันคือสัญญาณว่า AI กำลังขยับจาก copilot
ไปสู่บทบาทที่คล้าย junior researcher
ล่าสุดเขาแชร์โปรเจกต์ชื่อ autoresearch
ที่ให้ AI agent แก้โค้ด, รัน experiment, วัดผล, แล้วคัดเฉพาะสิ่งที่ดีขึ้นเก็บไว้
พูดง่ายๆ คือ AI เริ่มไม่ได้แค่ “ช่วยทำ”
แต่มันเริ่ม “ช่วยลอง” ได้แล้ว
1. ประเด็นสำคัญของเรื่องนี้ ไม่ใช่แค่ AI เขียนโค้ดได้
แต่คือ AI เริ่มเข้าไปอยู่ใน experiment loop ได้
ในงานวิจัยจริง งานจำนวนมากไม่ได้อยู่ที่การพิมพ์ code อย่างเดียว
แต่มันอยู่ที่การลอง
รัน
วัด
เทียบ
ย้อนกลับ
แล้วลองใหม่
ถ้า AI เข้าไปวิ่งอยู่ใน loop นี้ได้
productivity ของงานความรู้จะเปลี่ยนทันที
2. สิ่งที่ Karpathy ทำ น่าสนใจเพราะมัน simple มาก
แก่นของ autoresearch คือ
ให้ agent อยู่กับ training setup เล็กๆ แต่จริง
แก้ไฟล์หลัก
รัน train 5 นาที
ดู metric
ถ้าดีขึ้นก็เก็บ
ถ้าแย่ลงก็ทิ้ง
แล้ววนใหม่
ความฉลาดของมันไม่ได้อยู่ที่ระบบซับซ้อน
แต่อยู่ที่ loop ชัด, scope ชัด, metric ชัด
3. นี่แหละคือสิ่งที่หลายคนยังมองข้ามในยุค AI
หลายคนยังคิดว่า advantage อยู่ที่ prompt เก่ง
แต่ของจริงอาจไม่ใช่แบบนั้น
advantage รอบต่อไป
อาจอยู่ที่ใครออกแบบระบบทดลองได้ดีกว่า
ใครวาง objective ชัดกว่า
และใครสร้าง feedback loop ที่ดีพอให้ agent วิ่งได้ต่อเนื่อง
4. ถ้ามองลึกลงไป มันกำลังเปลี่ยน “งานของนักวิจัย”
เมื่อก่อนนักวิจัยต้องใช้เวลาเยอะกับ
แก้โค้ด
รัน experiment
จดผล
rollback
แล้วเริ่มใหม่
ถ้างานพวกนี้บางส่วนย้ายให้ agent ทำได้
บทบาทของคนจะขยับขึ้นไปอยู่ที่
เลือกปัญหาที่ควรแก้
วาง constraint
เลือก metric ที่ไม่หลอกตัวเอง
ตีความผลลัพธ์
ตัดสินใจว่าอะไรมีความหมายจริง
5. เพราะงั้น ผมไม่คิดว่าเรื่องนี้คือ “AI จะมาแทนนักวิจัยไหม”
แต่ผมคิดว่าคำถามที่ถูกกว่าคือ
AI จะเข้ามาแทน “ส่วนไหนของ loop” ก่อน
และคนที่เข้าใจเรื่องนี้เร็ว
จะมี bandwidth เหลือไปทำงานที่ยากกว่าเดิม
ในขณะที่คนอื่นยังติดอยู่กับ manual iteration
6. จุดที่ต้องระวังมากที่สุด คือถ้า metric ผิด AI ก็จะเก่งผิดทาง
agent ทำงานเร็วขึ้นก็จริง
แต่ถ้าคุณวัดผิด
มันก็จะ optimize สิ่งผิดๆ เร็วขึ้นเหมือนกัน
อันนี้ใช้ได้ทั้งใน research และ business
ถ้า KPI ผิด
automation ไม่ได้ช่วย
มันแค่เร่งความเสียหาย
ดังนั้นเรื่องใหญ่ไม่ใช่แค่ deploy agent
แต่คือเลือกสิ่งที่จะวัดให้ถูกตั้งแต่ต้น
7. สิ่งที่น่าสนใจกว่านั้นคือ impact นี้อาจไม่ได้เริ่มจาก lab ใหญ่
แต่อาจเริ่มจากทีมเล็กที่วางระบบดี
เพราะของแบบนี้ไม่ได้แปลว่าเฉพาะบริษัทใหญ่จะได้ประโยชน์
มันแปลว่าทีมเล็กที่มี codebase เล็ก, ปัญหาชัด, และ objective ชัด
อาจเร่งความเร็วของ R&D ได้มากกว่าที่เคยมาก
competitive advantage ในอนาคต
อาจไม่ได้อยู่ที่จำนวนคนอย่างเดียว
แต่อยู่ที่ใครสร้าง experiment engine ได้ก่อน
8. และถ้ามองให้กว้างกว่างานวิจัย
นี่อาจเป็น pattern ของงานความรู้แทบทุกประเภท
ถ้างานไหนมี
งานที่ต้องลองซ้ำ
objective ชัด
feedback loop ชัด
เกณฑ์ประเมินผลที่พอเชื่อถือได้
agent ก็มีโอกาสเข้าไปช่วยวิ่ง loop นั้นได้
ไม่ว่าจะเป็น product, marketing, pricing, sales ops หรือ support
9. นี่คือการเปลี่ยนจาก AI as assistant
ไปสู่ AI as experimentation layer
ช่วงแรก AI ช่วยเราสร้าง output
แต่ระยะต่อไป AI จะช่วยเราลองทางเลือกแทน
ช่วยวัดแทนบางส่วน
และช่วยวนซ้ำแทนได้โดยไม่เหนื่อย
ตรงนี้ต่างหาก ที่จะเปลี่ยนวิธีทำงานขององค์กรจริงๆ