AI LEADERS · MOVES & PAPERS

ผู้นำ AI: การย้ายงานและงานวิจัย — ความเคลื่อนไหวและผลงานวิจัยล่าสุด

การย้ายงานและผลงานวิจัยของบุคคลสำคัญในแล็บ AI, Big Tech และแวดวงวิชาการ เป็นสัญญาณล่วงหน้าของทิศทางเทคโนโลยีและความได้เปรียบทางการแข่งขัน ข้อมูลถูกรวบรวมอัตโนมัติทุกวัน ตรวจสอบโดยผู้ดูแล และสรุปให้เข้าใจง่ายพร้อมลิงก์ต้นฉบับ

ไฮไลต์ล่าสุด

งานวิจัย2026-10-30

การพัฒนาโมเดลโลกแบบ階층 (Hierarchical World Models) ที่ก้าวข้ามข้อจำกัดของการควบคุมหุ่นยนต์ที่ซับซ้อน

อียาน เลอเกิง

งานวิจัย2026-10-29

เทคโนโลยีสำหรับการเรียนรู้ข้อมูลหุ่นยนต์ร่วมกันที่ใช้ตัวควบคุมที่หลากหลาย

Chelsea Finn

งานวิจัย2026-10-29

พิสูจน์ว่าโมเดลปัญญาประดิษฐ์เรียนรู้โลกใบเดียวกันแม้จะมีรูปแบบข้อมูลที่แตกต่างกัน

อียาน เลอเกิง

งานวิจัย2026-10-29

ยกระดับประสิทธิภาพ AI บทสนทนาการตรวจทางจิตเวชด้วยการฝึกฝนในสภาพแวดล้อมเสมือน

Mark Chen

บุคคล ทั้งหมด แล็บแนวหน้า แล็บเกิดใหม่แวดวงวิชาการ ฮาร์ดแวร์ AI เกาหลี จีน ผู้บริหาร

สาขา ทั้งหมด HBM และหน่วยความจำ GPU และตัวเร่ง AI ประสิทธิภาพการอนุมาน การฝึกและการขยายขนาด เอเจนต์และการเขียนโค้ด หุ่นยนต์และ AI เชิงกายภาพ World model และมัลติโมดัล ดาต้าเซ็นเตอร์และพลังงาน AI เพื่อวิทยาศาสตร์ความปลอดภัยและกฎระเบียบ

การย้ายงาน · แวดวงวิชาการ

ประวัติการทำงานล่าสุด (อ้างอิง Wikidata อาจมีข้อมูลที่ยังไม่ได้ยืนยัน)

เหอ ไข่หมิง — สถาบันเทคโนโลยีแมสซาชูเซตส์ เข้าร่วม 2024-01
เหอ ไข่หมิง — เฟซบุ๊ก เข้าร่วม 2016 · สิ้นสุด 2024-01
เจฟฟรีย์ ฮินตัน — กูเกิล เข้าร่วม 2013 · สิ้นสุด 2023-05-01

งานวิจัย · แวดวงวิชาการ

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 ↗

งานวิจัย2026-10-12 · arXiv (Cornell University)

พัฒนาเทคโนโลยีการ ใช ้ป ัญญาประดิษฐ ์เพ ื่อค้นหาวัสดุแคนดิเดตแอนติบอดีที่หลากหลายได้อย่างมีประสิทธิภาพ

Multi-Objective Amortized CDRH3 Sequence Sampling Diversifies Promising Antibody Candidates

Yoshua Bengio และอีก 5 คน

ทำอะไร: คณะผู้วิจัยได้พัฒนาเทคโนโลยีการสร้างลำดับแอนติบอดีแบบใหม่ที่ใช้ปัญญาประดิษฐ์ ซึ่งสามารถพิจารณาเงื่อนไขหลายประการและความหลากหลายไปพร้อมๆ กันในกระบวนการออกแบบแอนติบอดี
ผลลัพธ์หลัก: เมื่อเทียบกับวิธีเดิม ที่ความเหมือนของลำดับ 50 เปอร์เซ็นต์ สามารถสร้างแคนดิเดตแอนติบอดีที่หลากหลายและเป็นที่ยอมรับได้มากกว่าถึง 10 เท่า
ความสำคัญ: งานวิจัยนี้สามารถช่วยลดโอกาสความล้มเหลวในขั้นตอนเริ่มต้นของการพัฒนายา และช่วยสำรวจแคนดิเดตแอนติบอดีที่มีศักยภาพหลากหลายสรุปโดย AI

AI เพื่อวิทยาศาสตร์

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-10-08 · Code Ocean

เปิดตัวเทคโนโลยีอธิบายสาเหตุของความไม่แน่นอนในปัญญาประดิษฐ์

pce-uncertainty-attribution: code for "Interpretable attribution of decision-relevant uncertainty in AI"

Yoshua Bengio และอีก 6 คน

ทำอะไร: เปิดเผยโค้ดและวิธีการที่อธิบายว่าความไม่แน่นอนในการตัดสินใจของโมเดลปัญญาประดิษฐ์ที่ได้รับการฝึกแล้วมาจากปัจจัยใด
ผลลัพธ์หลัก: ระบุสาเหตุของความไม่แน่นอนของโมเดลในด้านเคมี การออกแบบการทดลอง และการจัดตำแหน่งโมเดลภาษา โดยใช้การแทนที่ด้วยพหุนาม
ความสำคัญ: สามารถนำไปใช้เพื่อทำความเข้าใจกระบวนการตัดสินใจของโมเดลปัญญาประดิษฐ์ให้ดีขึ้นและเพิ่มความน่าเชื่อถือในหลากหลายสาขาสรุปโดย AI

AI เพื่อวิทยาศาสตร์ ความปลอดภัยและกฎระเบียบ

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-10-06 · arXiv (Cornell University)

พัฒนาอัลกอริทึมช่วยให้การเรียนรู้พฤติกรรมของหุ่นยนต์ปัญญาประดิษฐ์เป็นไปอย่างรวดเร็ว

QF3: Fast Flow RL with Filtered Q-Gradients

Pieter Abbeel และอีก 9 คน

ทำอะไร: คณะนักวิจัยได้พัฒนา QF3 ซึ่งเป็นอัลกอริทึมการเรียนรู้แบบเสริมกำลังตัวใหม่ที่ช่วยเรียนรู้รูปแบบพฤติกรรมของหุ่นยนต์ได้อย่างมีประสิทธิภาพ
ผลลัพธ์หลัก: พิสูจน์แล้วว่าสามารถเรียนรู้ค่านโยบายการเคลื่อนที่และการติดตามการเคลื่อนไหวของหุ่นยนต์ฮิวแมนนอยด์ได้ด้วยความเร็วมากกว่าวิธีเดิมประมาณ 10 เท่า
ความสำคัญ: แสดงให้เห็นถึงความเป็นไปได้ในการเรียนรู้และปรับปรุงเทคโนโลยีการควบคุมพฤติกรรมของหุ่นยนต์ให้รวดเร็วและมีประสิทธิภาพยิ่งขึ้นสรุปโดย AI

หุ่นยนต์และ AI เชิงกายภาพ

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-10-06 · arXiv (Cornell University)

เทคโนโลยีหุ่นยนต์ฮิวแมนนอยด์ควบคุมวัตถุด้วยร่างกายทั้งหมดโดยใช้ตัวอย่างจากการสาธิตของมนุษย์

Workhorse: Learning Robust Whole-Body Humanoid Loco-Manipulation from Human Data

Pieter Abbeel และอีก 6 คน

ทำอะไร: พัฒนาเทคโนโลยีที่ช่วยให้หุ่นยนต์ฮิวแมนนอยด์สามารถจัดการวัตถุและเคลื่อนที่ได้ โดยใช้ Video การสาธิตของมนุษย์ผ่านตัววางแผนการมองเห็นและตัวติดตามการเรียนรู้แบบเสริมแรง
ผลลัพธ์หลัก: ดำเนินการควบคุมวัตถุด้วยร่างกายทั้งหมดที่ซับซ้อนได้อย่างสำเร็จบนหุ่นยนต์ Unitree G1 ของจริง เช่น การ 运箱, การจับกล่อง และการก้าวข้ามกระเป๋าเดินทาง
ความสำคัญ: แสดงให้เห็นว่าหุ่นยนต์สามารถปรับปรุงความสามารถในการรักษาสمดุลและจัดการวัตถุในสภาพแวดล้อมที่ซับซ้อนโดยอาศัยข้อมูลพฤติกรรมของมนุษย์ได้สรุปโดย AI

หุ่นยนต์และ AI เชิงกายภาพ

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 ↗

งานวิจัย2026-10-03 · arXiv (Cornell University)

นักวิจัยเสนอ ำรอบสำหรับประเมินวิธีการกำกับดูแลคำตอบของ AI ด้วยการรันโค้ด

PyINE: A Framework for Scalable Elicitation and Oversight via Code Execution

Yoshua Bengio และอีก 7 คน

ทำอะไร: ได้สร้างโครงสร้างพื้นฐาน PyINE ที่นำผลลัพธ์จากการรันโปรแกรมมาใช้เป็นคำตอบที่ถูกต้อง และตรวจสอบว่าผู้กำกับดูแลจะสามารถเชื่อถือคำตอบของ AI ที่มีการอนุมานที่ดูสมเหตุสมผลแต่ยังไม่สมบูรณ์ได้หรือไม่
ผลลัพธ์หลัก: โมเดลที่ถูกฝึกให้ใช้ทางลัดมีความสามารถในการทำนายผลลัพธ์การรันดีขึ้นอย่างมาก แต่ยังคงเกิดข้อผิดพลาดที่เป็นระบบเมื่อเบาะแสที่ผิดขัดแย้งกับการทำงานจริง และผู้กำกับดูแลแบบเรียนรู้ที่มีต้นทุนต่ำมักจะพลาดข้อผิดพลาดจากทางลัดที่พบได้น้อยอยู่บ่อยครั้ง
ความสำคัญ: มีความหมายในแง่ของการนำเสนอสภาพแวดล้อมการทดลองที่สามารถเปรียบเทียบวิธีการกำกับดูแลเพื่อตรวจสอบคำตอบของ AI ได้ภายใต้เงื่อนไขเดียวกันและนำกลับมาใช้ใหม่ได้ แต่ในบทคัดย่อไม่ได้มีการกล่าวถึงผลลัพธ์ในการนำไปประยุกต์ใช้จริงในบริการสรุปโดย AI

ความปลอดภัยและกฎระเบียบ

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-10-02 · arXiv (Cornell University)

นำเสนอ GOTT เทคโนโลยีการจับวัตถุที่นำกลับมาใช้ใหม่ได้สำหรับมือกลหลายรูปแบบ

GOTT: Object-centric Dexterous Manipulation with a Reusable Cross-Embodiment Primitive

Pieter Abbeel และอีก 6 คน

ทำอะไร: เพื่อืให้มือกลที่มีหลายนิ้วคล้ายมือมนุษย์สามารถจับวัตถุได้อย่างมั่นคงและเคลื่อนย้ายไปในทิศทางที่ต้องการ จึงได้มีการเสนอ GOTT ซึ่งเป็นเทคโนโลยีการสัมผัสที่สามารถใช้ร่วมกันได้ในหุ่นยนต์และรูปทรงมือที่แตกต่างกัน
ผลลัพธ์หลัก: รายงานระบุว่าในการจำลองและการทดลองด้วยหุ่นยนต์จริง GOTT สามารถสร้างการสัมผัสที่มั่นคงได้กับวัตถุที่หลากหลาย แพลตฟอร์มแขนและมือ และรูปทรงมือที่ไม่เคยใช้ในการฝึกมาก่อน ทั้งยังช่วยเพิ่มอัตราความสำเร็จของงานโดยรวมอย่างต่อเนื่องเมื่อเทียบกับการใช้วิธีการจับแบบกำหนดล่วงหน้า
ความสำคัญ: งานวิจัยนี้แสดงให้เห็นถึงความเป็นไปได้ในการนำเทคโนโลยีเดียวกันกลับมาใช้ใหม่ได้แม้ประเภทของมือกลจะเปลี่ยนไป หากใช้ชิ้นส่วนการเคลื่อนไหวส่วนกลางที่ไม่ขึ้นอยู่กับหุ่นยนต์เฉพาะตัว อย่างไรก็ตาม จากบทคัดย่อเพียงอย่างเดียว ยังยากที่จะประเมินระดับการนำไปใช้เชิงพาณิชย์หรือผลกระทบทางอุตสาหกรรมจริงสรุปโดย AI

หุ่นยนต์และ AI เชิงกายภาพ

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-10-01 · arXiv (Cornell University)

VISTA: งานวิจัยเกี่ยวกับการเพิ่มประสิทธิภาพของ AI เอเจนต์แบบหลายรูปแบบด้วยความทรงจำเชิงภาพ

VISTA: A Visual Harness for Reasoning in an Interactive World

เหอ ไข่หมิง และอีก 4 คน

ทำอะไร: นักวิจัยได้เสนอ 'วิชวลฮาร์เนส (visual harness)' ที่มีชื่อว่า VISTA ซึ่งช่วยให้โมเดล AI แบบหลายรูปแบบที่จัดการทั้งรูปภาพและข้อความสามารถแก้โจทย์ในสภาพแวดล้อมเชิงภาพแบบโต้ตอบได้ดียิ่งขึ้น
ผลลัพธ์หลัก: รายงานระบุว่าหลังจากนำ VISTA ไปใช้ใน ARC-AGI-3 คะแนนประสิทธิภาพการกระทำเทียบกับมนุษย์ (Relative Human Action Efficiency) เพิ่มขึ้นจาก 40.68 เป็น 100.00 และสามารถเคลียร์เกมสาธารณะทั้ง 25 เกมได้สำเร็จ โดยใช้จำนวนการกระทำน้อยกว่ามนุษย์กลุ่มแรกที่เข้าร่วมถึง 57.4%
ความสำคัญ: ผลงานนี้แสดงให้เห็นว่าวิธีการเพิ่มความทรงจำเชิงภาพและฟังก์ชันการค้นคืนให้กับโมเดลที่มีอยู่เดิมนั้นมีประสิทธิภาพในงานเกมเชิงภาพเฉพาะทาง อย่างไรก็ตาม เนื่องจากบทคัดย่องานวิจัยระบุผลลัพธ์เพียงแค่บางเบนช์มาร์ก จึงยังไม่สามารถสรุปได้ทันทีว่าจะสามารถนำไปประยุกต์ใช้กับหน้างานอุตสาหกรรมจริงได้ทั้งหมดสรุปโดย AI

เอเจนต์และการเขียนโค้ด

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-10-01 · arXiv (Cornell University)

framework RPG ที่ช่วยให้หุ่นยนต์พัฒนาความสามารถของตนเองผ่านการฝึกฝนในระบบจำลอง

Reconstruct, Practice, Go Real: Guided Self-Improvement for Embodied Agents

Pieter Abbeel และอีก 9 คน

ทำอะไร: เสนอ framework RPG ที่ปรับปรุงระบบงานของหุ่นยนต์ด้วยตนเองโดยไม่ต้องอาศัยการแทรกแซงเพิ่มเติมจากมนุษย์
ผลลัพธ์หลัก: ในการทดสอบเงื่อนไขเริ่มต้นใหม่ของงานปฏิบัติการ 22 งาน อัตราความสำเร็จเพิ่มขึ้นจาก 28.6% หลังจากการฝึกซ้อมครั้งแรก เป็น 95.0% หลังจากผ่านไป 15 รอบ และการทดสอบกับหุ่นยนต์จริง 30 ครั้งประสบความสำเร็จทั้งหมด
ความสำคัญ: งานวิจัยนี้แสดงให้เห็นถึงความเป็นไปได้ในการปรับปรุงซอฟต์แวร์ควบคุมหุ่นยนต์โดยใช้แรงงานมนุษย์น้อยลง แม้ว่าจะยากที่จะตัดสินระดับการประยุกต์ใช้ในอุตสาหกรรมจริงหรือเชิงพาณิชย์ได้จากบทคัดย่อเพียงอย่างเดียวสรุปโดย AI

เอเจนต์และการเขียนโค้ด หุ่นยนต์และ AI เชิงกายภาพ

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-09-30 · arXiv (Cornell University)

นักวิจัยเสนอ TacEx เพิ่มประสิทธิภาพการเรียนรู้ของหุ่นยนต์ด้วยความอยากรู้อยากเห็นเชิงสัมผัส

Tactile Curiosity Drives Robot Interaction

Pieter Abbeel และอีก 6 คน

ทำอะไร: เสนอ TacEx ซึ่งเป็นกรอบการสำรวจที่ช่วยให้หุ่นยนต์พัฒนาความอยากรู้อยากเห็นเกี่ยวกับการสัมผัส (ความรู้สึกเมื่อสัมผัสกับวัตถุ) เพื่อเรียนรู้วิธีการสัมผัสและหยิบจับวัตถุด้วยตนเอง
ผลลัพธ์หลัก: ตามบทคัดย่อ TacEx รวบรวมข้อมูลการปฏิสัมพันธ์ที่มีการสัมผัสสูงโดยไม่ต้องอาศัยรางวัลจากงานหรือการสาธิตจากผู้เชี่ยวชาญ และสามารถใช้ข้อมูลนี้เรียนนโยบายการหยิบและวางโดยไม่ต้องมีการปฏิสัมพันธ์กับสภาพแวดล้อมเพิ่มเติม รวมถึงช่วยเพิ่มประสิทธิภาพการเรียนรู้ต่อเนื่องของโมเดลการมองเห็น ภาษา และการกระทำด้วย
ความสำคัญ: การเรียนรู้ของหุ่นยนต์แบบเดิมใช้เวลาส่วนใหญ่ไปกับการเคลื่อนไหวแบบสุ่มในอากาศ งานวิจัยนี้แสดงให้เห็นทิศทางว่าการสำรวจโดยเน้นการสัมผัสสามารถปรับปรุงประสิทธิภาพการเรียนรู้ได้ อย่างไรก็ตาม เป็นการยากที่จะตัดสินระดับการนำไปใช้จริงหรือความเป็นไปได้ในการ commercialize จากบทคัดย่อเพียงอย่างเดียวสรุปโดย AI

หุ่นยนต์และ AI เชิงกายภาพ

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-09-29 · arXiv (Cornell University)

ขยายวิดีโอจริงเพียงไม่กี่รายการด้วย AI เพื่อเรียนรู้การเคลื่อนไหวและการหยิบจับสิ่งของของฮิวแมนนอยด์

Counterfactual Video Generation Enables Scalable Humanoid Loco-Manipulation

Pieter Abbeel และอีก 8 คน

ทำอะไร: นำเสนอวิธี (PRISM) ที่ใช้ AI สร้างวิดีโอจำลองที่หลากหลายโดยอ้างอิงจากวิดีโอจริงของมนุษย์ที่กำลังหยิบจับสิ่งของเพียงไม่กี่รายการ และนำไปใช้ในการฝึกอบรมหุ่นยนต์
ผลลัพธ์หลัก: รายงานว่านโยบายการควบคุมเพียงนโยบายเดียวที่เรียนรู้ด้วยวิธีนี้ประสบความสำเร็จในการทำให้หุ่นยนต์ฮิวแมนนอยด์ในโลกจริงสามารถหยิบ ย้าย และวางกล่อง ถังน้ำมัน ถัง และลูกบอลได้โดยไม่ต้องเรียนรู้เพิ่มเติมในโลกจริง
ความสำคัญ: มีความสำคัญในแง่ของการแสดงให้เห็นถึงความเป็นไปได้ในการเพิ่มข้อมูลการฝึกอบรมด้วยวิดีโอจริงจำนวนน้อย ในสถานการณ์ที่ยากลำบากในการรวบรวมข้อมูลการสาธิตจากหุ่นยนต์จริงจำนวนมากสรุปโดย AI

การฝึกและการขยายขนาด หุ่นยนต์และ AI เชิงกายภาพ

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-09-28 · The International Journal of Robotics Research

บทความปริทัศน์ครอบคลุมงานวิจัย 'เวิลด์โมเดล' สำหรับการเรียนรู้ของหุ่นยนต์

World model for robot learning: A comprehensive survey

Pieter Abbeel และอีก 17 คน

ทำอะไร: นี่คือบทความสำรวจ (บทความปริทัศน์แบบองค์รวม) ที่รวบรวมและจัดระเบียบ 'เวิลด์โมเดล' ซึ่งเป็นโมเดลที่ทำนายว่าสภาพแวดล้อมจะเปลี่ยนแปลงไปอย่างไรตามการกระทำ จากมุมมองของการเรียนรู้ของหุ่นยนต์
ผลลัพธ์หลัก: จากบทคัดย่อ บทความนี้ได้สรุปวิธีการที่เวิลด์โมเดลถูกนำไปใช้ในนโยบายของหุ่นยนต์, ตัวจำลองสถานการณ์, การประเมินผล และการสร้างข้อมูล รวมถึงเส้นทางการพัฒนาของเวิลด์โมเดลวิดีโอของหุ่นยนต์ พร้อมทั้งสรุปชุดข้อมูล, เกณฑ์มาตรฐาน และวิธีการประเมินที่เป็นตัวแทน
ความสำคัญ: เอกสารนี้ช่วยรวบรวมแนว2ทางการวิจัยการเรียนรู้ของหุ่นยนต์ที่กระจัดกระจายให้อยู่ในกรอบเดียวกัน ซึ่งช่วยให้เข้าใจทิศทางการวิจัยที่เกี่ยวข้อง อย่างไรก็ตาม บทคัดย่อไม่ได้พิสูจน์ประสิทธิภาพเฉพาะตัวหรือความสำเร็จทางการค้าของแต่ละเทคโนโลยีสรุปโดย AI

หุ่นยนต์และ AI เชิงกายภาพ World model และมัลติโมดัล

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-09-28

การวิเคราะห์ผลกระทบและการตอบสนองเชิงนโยบายจากการอัตโนมัติในการวิจัยและพัฒนา AI

What if automating AI R&D triggers an intelligence explosion?

Jakub Pachocki · เจฟฟรีย์ ฮินตัน · Yoshua Bengio และอีก 19 คน

ทำอะไร: นักวิจัยได้ประเมินความเป็นไปได้ที่การอัตโนมัติในการวิจัยและพัฒนาปัญญาประดิษฐ์ (AI) จะกระตุ้นให้เกิดการระเบิดทางปัญญา รวมถึงผลกระทบและแนวทางการตอบสนองเชิงนโยบายที่เกี่ยวข้อง
ผลลัพธ์หลัก: คาดว่าระบบ AI จะสามารถอัตโนมัติงานวิจัยและพัฒนา AI ส่วนใหญ่ได้ภายในไม่กี่ปีข้างหน้า ซึ่งอาจนำไปสู่การเติบโตของความสามารถอย่างรวดเร็วในระดับที่สังคมรับมือไม่ไหว
ความสำคัญ: เตือนถึงประโยชน์ที่อาจได้รับจากการอัตโนมัติในการวิจัยและพัฒนา AI ควบคู่ไปกับความเสี่ยงขั้น極 เช่น การสูญเสียการควบคุม และกระตุ้นให้เตรียมความพร้อมเชิงนโยบายสรุปโดย AI

ความปลอดภัยและกฎระเบียบ

สรุปฉบับเต็ม อ่านต้นฉบับ ↗

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 ↗

งานวิจัย2026-07-20 · Proceedings of the National Academy of Sciences of the United States of America

การวิเคราะห์ความจำเป็นและโจทย์เชิงสถาบันในการประเมินประสิทธิภาพปัญญาประดิษฐ์ด้านกฎหมาย

There is no free benchmark: An institutional view of legal AI benchmarking

Christopher Manning และอีก 5 คน

ทำอะไร: วิเคราะห์ความจำเป็นของการทำเบนช์มา marquée (การเทียบมาตรฐาน) สาธารณะเพื่อตรวจสอบประสิทธิภาพและความเสี่ยงของเครื่องมือ AI ด้านกฎหมาย ตลอดจนโจทย์ในการออกแบบเชิงสถาบัน
ผลลัพธ์หลัก: ชี้ให้เห็นว่าระบบนิเวศ AI ด้านกฎหมายยังขาดความโปร่งใสของข้อมูล และการออกแบบระบบการเทียบมาตรฐานจำเป็นต้องมีแนวทางที่รอบคอบเพื่อป้องกันการบิดเบือนหรือการดัดแปลง
ความสำคัญ: สะท้อนให้เห็นว่ากลยุทธ์การเทียบมาตรฐานที่ปรับให้เข้ากับทรัพยากรและข้อจำกัดมีความสำคัญต่อการใช้งาน AI ในด้านกฎหมายอย่างปลอดภัยและมีความรับผิดชอบสรุปโดย AI

ความปลอดภัยและกฎระเบียบ

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

บุคคล

แล็บแนวหน้า

แล็บเกิดใหม่

Mira MuratiCEO Thinking Machines Lab อันเดรจ คาร์แพธีAndrej Karpathyผู้ก่อตั้ง Eureka Labs อียาน เลอเกิงYann LeCunผู้ก่อตั้ง AMI Labsกิจกรรมล่าสุด 2026-10-30 Ilya SutskeverCEO SSI Llion JonesSakana AIกิจกรรมล่าสุด 2026-10-06 Lilian Wengผู้ร่วมก่อตั้ง Thinking Machines Lab Barret Zophย้ายบ่อย (มีรายงานว่ากลับสู่ OpenAI ปี 2026 แล้วย้ายอีกครั้ง)Sergey LevinePhysical Intelligence·UC เบิร์กลีย์กิจกรรมล่าสุด 2026-10-06 Aravind Srinivasซีอีโอ Perplexity Arthur Menschซีอีโอ Mistral AI Ashish VaswaniEssential AIกิจกรรมล่าสุด 2026-10-28 Aidan Gomezซีอีโอ Cohereกิจกรรมล่าสุด 2026-09-12 John Schulmanนักวิทยาศาสตร์หลัก Thinking Machines Lab Chelsea FinnPhysical Intelligence·สแตนฟอร์ดกิจกรรมล่าสุด 2026-10-29 เฟย์-เฟย์ หลี่Fei-Fei LiCEO World Labs·สแตนฟอร์ดกิจกรรมล่าสุด 2026-10-07

แวดวงวิชาการ

Richard Suttonมหาวิทยาลัยอัลเบอร์ตา Stuart Russellมหาวิทยาลัยแคลิฟอร์เนีย เบิร์กลีย์แอนดรูว์ อึ่งAndrew NgDeepLearning.AI และ AI Fund Yoshua Bengioมหาวิทยาลัยมอนทรีออล และ LawZeroกิจกรรมล่าสุด 2026-10-12 เจฟฟรีย์ ฮินตันGeoffrey Hintonศาสตราจารย์กิตติคุณ มหาวิทยาลัยโตรอนโตกิจกรรมล่าสุด 2026-09-28 Christopher Manningมหาวิทยาลัยสแตนฟอร์ดกิจกรรมล่าสุด 2026-07-20 Percy Liangมหาวิทยาลัยสแตนฟอร์ด และ Together AIกิจกรรมล่าสุด 2026-10-22 Pieter Abbeelมหาวิทยาลัยแคลิฟอร์เนีย เบิร์กลีย์กิจกรรมล่าสุด 2026-10-06 เหอ ไข่หมิงKaiming Heสถาบันเทคโนโลยีแมสซาชูเซตส์กิจกรรมล่าสุด 2026-10-01

ฮาร์ดแวร์ AI

Bill Dallyหัวหน้านักวิทยาศาสตร์ NVIDIA Tri DaoTogether AI · มหาวิทยาลัยพรินซ์ตันกิจกรรมล่าสุด 2026-08-12 Song HanMIT · NVIDIAกิจกรรมล่าสุด 2026-10-07 Andrew Feldmanซีอีโอ Cerebras Jonathan RossGroq Jim Kellerซีอีโอ Tenstorrent Jim Fanฝ่ายหุ่นยนต์ NVIDIA

เกาหลี

Ha Jung-wooรองประธานคณะกรรมการยุทธศาสตร์ AI แห่งชาติ (ลาออกจากตำแหน่งหัวหน้าฝ่าย AI สำนักประธานาธิบดีในปี 2026)กิจกรรมล่าสุด 2026-04-22 Kim Sung Hunซีอีโอ Upstage Bae Kyunghoonรัฐมนตรีว่าการกระทรวงวิทยาศาสตร์และเทคโนโลยีสารสนเทศและการสื่อสาร (อดีตผู้อำนวยการสถาบันวิจัย AI ของ LG)Oh Alice HaeyunKAIST Lee Hae-minหัวหน้าฝ่ายวางแผนอนาคต AI สำนักประธานาธิบดี (แต่งตั้งในปี 2026)Cho Kyunghyunมหาวิทยาลัยนิวยอร์ก และ Genentechกิจกรรมล่าสุด 2026-10-04

จีน

Liang Wenfengผู้ก่อตั้ง DeepSeekกิจกรรมล่าสุด 2026-10-12 Yang Zhilinผู้ก่อตั้ง Moonshot AIกิจกรรมล่าสุด 2026-07-27 Kai-Fu Lee01.AI

ผู้บริหาร

Kwak Noh-jungซีอีโอ SK Hynix มาร์ก ซักเคอร์เบิร์กMark Zuckerbergซีอีโอ Meta แซม ออลต์เมินSam Altmanซีอีโอ OpenAI Jun Young-hyunหัวหน้าแผนก DS Samsung Electronics เจนเซ่น หวงJensen Huangซีอีโอ NVIDIA C.C. Weiประธานและซีอีโอ TSMC Greg Brockmanประธาน OpenAI Lisa Suซีอีโอ AMD Lip-Bu Tanซีอีโอ Intel สัตยา นาเดลลาSatya Nadellaซีอีโอ Microsoft Sanjay Mehrotraซีอีโอ Micron Masayoshi Sonประธาน SoftBank ศุนทัร ปิจไชSundar Pichaiซีอีโอ Alphabet Andy Jassyซีอีโอ Amazon อีลอน มัสก์Elon Muskซีอีโอ xAI และ Tesla Kevin ScottCTO Microsoft Hock Tanซีอีโอ Broadcom

ทำไมต้องติดตามการย้ายงานและงานวิจัยของผู้นำ AI

ในอุตสาหกรรม AI คนคือเทคโนโลยี การที่นักวิจัยคนสำคัญย้ายไปบริษัทใดหรือก่อตั้งแล็บใหม่ มักกลายเป็นผลิตภัณฑ์ การระดมทุน และการควบรวมกิจการในอีกไม่กี่เดือน หน้านี้ติดตามการเปลี่ยนสังกัดในแล็บแนวหน้า แล็บเกิดใหม่ แวดวงวิชาการ ชิป AI และบุคคลในเกาหลีและจีน

งานวิจัยบอกว่าบุคคลนั้นกำลังโฟกัสเรื่องอะไร เราจัดงานวิจัยเป็น 10 สาขาที่เชื่อมโยงกับการลงทุน เช่น HBM และหน่วยความจำ GPU และตัวเร่ง ประสิทธิภาพการอนุมาน เอเจนต์ และหุ่นยนต์ พร้อมสรุปสามบรรทัด — ทำอะไร ผลลัพธ์หลัก ความสำคัญ — จากบทคัดย่อ และลิงก์ต้นฉบับกับ PDF ข้อมูลนี้มีไว้เพื่อหาไอเดีย ไม่ใช่คำแนะนำให้ซื้อหรือขายหลักทรัพย์ใด

คำถามที่พบบ่อย

ถาม: ติดตามใครบ้าง?

นักวิจัยและผู้บริหารคนสำคัญในแล็บแนวหน้า (OpenAI, Google DeepMind, Anthropic, Meta ฯลฯ) แล็บเกิดใหม่ แวดวงวิชาการ บริษัทชิป AI รวมถึงเกาหลีและจีน ผู้บริหารที่แทบไม่เขียนงานวิจัยจะติดตามเฉพาะการย้ายงาน

ถาม: ข้อมูลมาจากไหนและอัปเดตบ่อยแค่ไหน?

งานวิจัยมาจาก Semantic Scholar และ arXiv ส่วนประวัติมาจาก Wikidata (CC0) และประกาศทางการกับรายงานข่าว รวบรวมอัตโนมัติทุกวัน และเผยแพร่เฉพาะรายการที่ผู้ดูแลตรวจสอบและอนุมัติแล้ว

ถาม: ใครเป็นผู้เขียนบทสรุปงานวิจัย?

AI (Google Gemini) ร่างบทสรุปจากบทคัดย่อของงานวิจัย และผู้ดูแลตรวจสอบก่อนเผยแพร่ ภาษาอื่นเป็นการแปลด้วย AI จากบทสรุปภาษาเกาหลีที่ตรวจแล้ว โปรดยืนยันตัวเลขและบริบทในต้นฉบับเสมอ

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