แล็บแนวหน้า

Rob Fergus

หัวหน้า Meta FAIR

เหตุผลที่ติดตาม: ทิศทางของ FAIR

การย้ายงาน

ยังไม่มีการย้ายงานที่เผยแพร่

งานวิจัย

งานวิจัย2026-10-20 · Zenodo (CERN European Organization for Nuclear Research)

เปิดเผยข้อมูลโครงสร้างที่ใช้ในงานวิจัยการออกแบบเอนไซม์ด้วยปัญญาประดิษฐ์

Supplementary Data 2. Designed and predicted structures of all designs

เดมิส แฮสซาบิส · Pushmeet Kohli · Rob Fergus และอีก 35 คน

ทำอะไร: คณะนักวิจัยได้เปิดเผยไฟล์ข้อมูลโครงสร้างทั้งหมดที่กล่าวถึงในงานวิจัยการออกแบบเอนไซม์ด้วยปัญญาประดิษฐ์สำหรับปฏิกิริยาเคมีใหม่
ผลลัพธ์หลัก: ไฟล์ซิปดังกล่าวประกอบด้วยข้อมูลโครงสร้างที่สร้างโดยโมเดลปัญญาประดิษฐ์ โครงสร้างที่ออกแบบใหม่ และข้อมูลโครงสร้างที่คาดการณ์เพิ่มเติม
ความสำคัญ: ข้อมูลที่เปิดเผยนี้ช่วยให้นักวิจัยที่เกี่ยวข้องสามารถตรวจสอบผลลัพธ์การออกแบบเอนไซม์ด้วยปัญญาประดิษฐ์และดำเนินการวิจัยเพิ่มเติมได้สรุปโดย AI

AI เพื่อวิทยาศาสตร์

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-10-06 · arXiv (Cornell University)

วิธีการใหม่ในการประเมินความสามารถในการพัฒนาตัวเองผ่านประสบการณ์ของAIเอเจนต์

Agent Plasticity: Measuring Self-Improvement Through Experience

Rob Fergus และอีก 10 คน

ทำอะไร: เพื่อวัดประสิทธิภาพการพัฒนาตัวเองของAIเอเจนต์ที่พัฒนาตนเองผ่านประสบการณ์ แนวคิดเรื่องความยืดหยุ่นของเอเจนต์จึงถูกนำมาใช้และศึกษาแนวทางการประเมิน
ผลลัพธ์หลัก: โมเดลล่าสุดแสดงให้เห็นความแตกต่างอย่างมากในเส้นทางการพัฒนาแม้จะมีโอกาสในการเรียนรู้ที่คล้ายคลึงกัน และเอเจนต์ที่มีประสิทธิภาพสูงสุดในตอนท้ายไม่ได้มีประสิทธิภาพในการพัฒนาสูงสุดเสมอไป
ความสำคัญ: สิ่งนี้แสดงให้เห็นว่าในการประเมินศักยภาพการพัฒนาของAI การวัดว่าเอเจนต์สามารถปรับปรุงได้อย่างมีประสิทธิภาพเพียงใดผ่านประสบการณ์นั้นมีความสำคัญ ไม่ใช่แค่ความสามารถ ณ จุดเวลาใดเวลาหนึ่งเท่านั้นสรุปโดย AI

เอเจนต์และการเขียนโค้ด

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-10-04 · arXiv (Cornell University)

เสนอวิธีการที่เอเจนต์ AI หลายตัวสะสมงานใน Git repository เพื่อแก้ปัญหา

GitSwarm: Decentralized Compounding Inference

Rob Fergus และอีก 13 คน

ทำอะไร: เสนอและประเมินผล GitSwarm ซึ่งเป็นระบบ 'การอนุมานแบบสะสม' (compounding inference) ที่เอเจนต์ AI ที่เหมือนกันหลายตัวสามารถทำงานได้อย่างอิสระใน Git repository ที่ใช้ร่วมกัน พร้อมทั้งสามารถบันทึก อ้างอิง และรวมผลลัพธ์ขั้นกลางได้อย่างต่อเนื่อง
ผลลัพธ์หลัก: รายงานว่าสามารถแก้โจทย์การพิสูจน์ทางคณิตศาสตร์ทั้ง 30 ข้อได้ในการรันเพียงครั้งเดียว ทำคะแนนเฉลี่ย 79.4 คะแนนในงานเขียนโปรแกรม ProgramBench ซึ่งสูงกว่า baseline ที่แข็งแกร่งที่สุดภายใต้เงื่อนไขงบประมาณที่กำหนด (65.1 คะแนน) และปรับปรุงโครงสร้างจุดเริ่มต้นผ่านการทดลองซ้ำในงานวิจัยโครงสร้างเครือข่ายประสาทเทียม 3 งาน
ความสำคัญ: แสดงให้เห็นว่า AI ไม่จำเป็นต้องทิ้งผลลัพธ์ในแต่ละครั้งที่ลองผิดลองถูก แต่สามารถสะสมความสำเร็จระดับกลางเพื่อนำกลับมาใช้ใหม่ในงานถัดไปได้ ซึ่งเป็นแนวทางหนึ่งสำหรับการแก้ปัญหาระยะยาวและการออกแบบ AI สำหรับการวิจัยทางวิทยาศาสตร์ อย่างไรก็ตาม เนื่องจากเป็นผลลัพธ์ระดับบทคัดย่อ จึงยากที่จะตัดสินผลกระทบทางอุตสาหกรรมที่แท้จริงได้จากข้อมูลนี้เพียงอย่างเดียวสรุปโดย AI

เอเจนต์และการเขียนโค้ด AI เพื่อวิทยาศาสตร์

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-09-29 · arXiv (Cornell University)

เสนอเทคนิคเมตาการอนุมาน (Meta-reasoning) ให้ AI Agent ไตร่ตรอง "วิธีการดำเนินการ" ก่อนเริ่มงาน

Thinking Before Thinking: Scaling Agentic Inference Through Meta-Reasoning

Rob Fergus และอีก 11 คน

ทำอะไร: เสนอวิธี "Agent Meta-reasoning" ที่จัดการการตัดสินใจควบคุมการทำงาน เช่น การนำผลงานก่อนหน้ากลับมาใช้ใหม่ การเริ่มใหม่ตั้งแต่ต้น หรือการหยุดทำงาน สำหรับ AI Agent ที่ต้องปฏิบัติงานยาวนาน ให้เป็นกระบวนการอนุมานที่เป็นระบบ
ผลลัพธ์หลัก: ในการทดสอบ ProgramBench ซึ่งเป็นเกณฑ์มาตรฐานการรีแฟกทอรีโปรแกรม ทำคะแนนได้ 71.5% บนพื้นฐานของ GPT-5.5 ซึ่งสูงกว่า 58.0% ของ Codex และทำคะแนนได้ 67.2% บนพื้นฐานของ Opus 4.8 ซึ่งสูงกว่า 65.5% ของ Claude Code
ความสำคัญ: บทคัดย่อระบุว่ายิ่ง AI Agent ปฏิบัติงานยาวนานขึ้นเท่าใด การจัดสรรทรัพยากรการประมวลผลให้กับการควบคุมการทำงานที่มีโครงสร้างก็ยิ่งมีความสำคัญมากขึ้นเท่านั้น อย่างไรก็ตาม เนื่องจากผลลัพธ์ในบทคัดย่อได้มาจากเกณฑ์มาตรฐานและเงื่อนไขการทดลองเฉพาะเจาะจง จึงยากที่จะสรุปได้ทันทีว่าจะแปลผลไปสู่ประสิทธิภาพของผลิตภัณฑ์จริงสรุปโดย AI

ประสิทธิภาพการอนุมาน เอเจนต์และการเขียนโค้ด

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

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