แวดวงวิชาการ

Percy Liang

มหาวิทยาลัยสแตนฟอร์ด และ Together AI

เหตุผลที่ติดตาม: การประเมินและโมเดลโอเพนซอร์ส

การย้ายงาน

ยังไม่มีการย้ายงานที่เผยแพร่

งานวิจัย

งานวิจัย2026-10-22

พบกฎในการเพิ่มประสิทธิภาพด้วยข้อมูลสังเคราะห์ที่สร้างโดยปัญญาประดิษฐ์

Rewriting Scaling Laws for Synthetic Data with Compute and Data Constraints

Percy Liang และอีก 6 คน

ทำอะไร: ได้ศึกษาถึงกฎในการทำนายสัดส่วนและประสิทธิภาพที่เหมาะสมภายใต้ข้อจำกัดด้านการประมวลผลและข้อมูล เมื่อโมเดลภาษาใช้ข้อมูลสังเคราะห์ (Synthetic rewrites) ซึ่งเป็นการเขียนเอกสารภาษาธรรมชาติใหม่ในสไตล์ที่ต่างออกไป ในการฝึกอบรมล่วงหน้า
ผลลัพธ์หลัก: เมื่อปริมาณการประมวลผลของคอมพิวเตอร์เพิ่มขึ้น สัดส่วนที่เหมาะสมของข้อมูลสังเคราะห์ก็จะเพิ่มขึ้นด้วย และโมเดลที่ฝึกด้วยข้อมูลสังเคราะห์ที่สร้างโดยโมเดลที่มีขนาดใหญ่กว่าหรือเท่ากันแสดง performance ที่เหนือกว่าโมเดลที่ใช้เฉพาะข้อมูลต้นฉบับ
ความสำคัญ: สิ่งนี้แสดงให้เห็นว่าวิธีการฝึกอบรมปัญญาประดิษฐ์โดยใช้ข้อมูลสังเคราะห์สามารถคาดการณ์ได้ และช่วยเอาชนะข้อจำกัดด้านข้อมูลพร้อมทั้งปรับปรุงประสิทธิภาพได้อย่างมีประสิทธิภาพสรุปโดย AI

การฝึกและการขยายขนาด

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-10-04 · arXiv (Cornell University)

การวัดว่า AI สามารถคิดไอเดียการวิจัยในอนาคตได้ง่ายเพียงใด

Priced Guidance: Can Language Models Generate Future Research Ideas?

Percy Liang และอีก 2 คน

ทำอะไร: เสนอวิธีการประมาณความน่าจะเป็นที่โมเดลภาษาจะคิดไอเดียการวิจัยใหม่ๆ ขึ้นมาเองได้โดยไม่มีคำใบ้ ผ่านปริมาณข้อมูล (ต้นทุนการบีบอัด) ที่จำเป็นสำหรับการบอกคำตอบ
ผลลัพธ์หลัก: ประเมินโมเดล 5 ตัวโดยใช้ไอเดียหลักจาก 87 เปเปอร์ด้านการเรียนรู้เชิงลึก (deep learning) โดยโมเดลเดี่ยวที่ดีที่สุดมีต้นทุนการบีบอัดมัธยฐานอยู่ที่ 69.9 บิต ซึ่งต่ำกว่าเครื่องมือบีบอัดทั่วไปอย่าง gzip ซึ่งมีค่ามัธยฐานอยู่ที่ 5,712 บิตอย่างมาก
ความสำคัญ: งานวิจัยนี้แสดงให้เห็นกรอบการประเมินแบบใหม่ที่สามารถคำนวณขอบเขตล่างของความน่าจะเป็นที่โมเดลจะคิดไอเดียขึ้นมาได้ อย่างไรก็ตาม บทคัดย่อไม่ได้กล่าวถึงผลผลิตทางการวิจัยหรือผลกระทบต่อตลาดสรุปโดย AI

AI เพื่อวิทยาศาสตร์

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-09-10

การวิเคราะห์ ภาวะการ overfit ของโมเดล Mixture-of-Experts เมื่อมีการทำซ้ำข้อมูลฝึกฝนปัญญา искусственный интеллект

Data Scarcity and Model Sparsity: Mixtures-of-Experts Overfit More to Repeated Data

Percy Liang และอีก 4 คน

ทำอะไร: การศึกษานี้เปิดเผยว่าเมื่อข้อมูลการฝึกปัญญาประดิษฐ์ถูกทำซ้ำ โครงสร้าง 'Mixture-of-Experts' ที่นิยมใช้กันอย่างแพร่หลายในปัจจุบันจะสูญเสียประสิทธิภาพเร็กว่าโมเดลทั่วไป
ผลลัพธ์หลัก: เมื่อข้อมูลถูกทำซ้ำ โมเดล Mixture-of-Experts จะเกิดภาวะ overfit ได้ง่าย ซึ่งแม้ว่าจะบรรเทาลงได้บ้างด้วยเทคนิคการ regularize แบบเดิม แต่ก็ยังไม่สามารถเทียบเท่าประสิทธิภาพของการเรียนรู้ด้วยข้อมูลที่ไม่ซ้ำกันได้
ความสำคัญ: สิ่งนี้แสดงให้เห็นถึงความจำเป็นในการกำหนดกลยุทธ์การฝึกอบรมโดยคำนึงถึงลักษณะเฉพาะของโครงสร้างโมเดลปัญญาประดิษฐ์ ในสถานการณ์ที่จำเป็นต้องเรียนรู้ซ้ำเนื่องจากความขาดแคลนข้อมูลสรุปโดย AI

การฝึกและการขยายขนาด

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-05-06 · arXiv.org

การพัฒนาแอสวอร์ตแอล์สมีระบอบเพื่อประเมินความเสียงด้านความปลอดภัยของ AI agents

DecodingTrust-Agent Platform (DTap): A Controllable and Interactive Red-Teaming Platform for AI Agents

Percy Liang และอีก 16 คน

ทำอะไร: ได้พัฒนาแอสวอร์ตแอล์สมีระบอบและเครืองมือจูจโจมตีอะเตอมิที่สามารถประโมินความเสียงด้านความปลอดภัยของ AI agents ในสภาวะการณ์จริงที่หลากหลาย
ผลลัพธ์หลัก: ด้วยเหตุนี้ จึงสามารถเพิ่มเพิมความเข้าใจและรู้แจ้งเกี่ยวกับรูพแบบความบลอนพร่องเชิงระบบของ AI agents ต่างเหล่านี้ได้
ความสำคัญ: สามารถนั่มาใช้เป็นข่อมูลพื้นฐานได้อย่างมีประสิทธิภาพในการพัฒนา AI agents รุ่นถัดไปที่มีความปลอดภัยสรุปโดย AI

เอเจนต์และการเขียนโค้ด ความปลอดภัยและกฎระเบียบ

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

หน้านี้รวบรวมงานวิจัยที่เผยแพร่ ประกาศอย่างเป็นทางการ และรายงานข่าว เพื่อเป็นข้อมูลเท่านั้น บทสรุปงานวิจัยเขียนโดย AI จากบทคัดย่อและตรวจสอบโดยผู้ดูแล อาจแตกต่างจากต้นฉบับ โปรดตรวจสอบต้นฉบับสำหรับเนื้อหาสำคัญ ไม่ใช่คำแนะนำให้ซื้อหรือขายหลักทรัพย์ใดหรือคำปรึกษาด้านการลงทุน การย้ายงานอ้างอิงประกาศอย่างเป็นทางการหรือสื่อหลัก และประวัติการทำงานบางส่วนอ้างอิงจาก Wikidata (CC0) บทสรุปในหน้านี้แปลโดย AI จากฉบับภาษาเกาหลีที่ผู้ดูแลตรวจสอบแล้ว