บทความรับเชิญของ Anthropic เรียกร้องให้ AI นำเสนอช่วงความเป็นไปได้ของแบบจำลองทางวิทยาศาสตร์

เมื่อวันที่ 6 พฤศจิกายน 2026 Anthropic เผยแพร่บทความวิจัยรับเชิญ ซึ่ง Jakob Macke, Daniel Gedon และ Stefan Wahl ผู้ได้รับทุนจากโครงการ AI for Science เสนอว่าเอเจนต์ LLM ควรนำเสนอการแจกแจงแบบถ่วงน้ำหนักของแบบจำลองทางวิทยาศาสตร์ที่เป็นไปได้ แทนการเลือกแบบจำลองเพียงแบบเดียวที่สอดคล้องกับข้อมูลมากที่สุด ผู้เขียนเป็นนักวิจัยจาก ELLIS Institute Tübingen และ University of Tübingen

ประเด็นหลักที่ผู้เขียนแยกให้เห็นคือ การสร้างผลสังเกตขึ้นมาใหม่กับการทำความเข้าใจระบบนั้นเป็นคนละเรื่องกัน การกำหนดค่าพารามิเตอร์ได้หลายรูปแบบอาจให้ผลลัพธ์เทียบเท่ากัน และโครงสร้างสมการที่แตกต่างกันก็อาจอธิบายผลการวัดชุดเดียวกันได้ ดังนั้น เอเจนต์ที่ให้คำตอบที่พอใช้ได้เพียงคำตอบเดียวจึงปิดบังทางเลือกอื่น ซึ่งอาจรองรับกลไกหรือคำทำนายที่แตกต่างกัน

การสร้าง การกำหนดข้อจำกัด และการตีความแบบจำลอง

บทความแบ่งการสร้างแบบจำลองทางวิทยาศาสตร์ออกเป็นสามขั้นตอนที่ทำซ้ำ ได้แก่ การสร้างองค์ประกอบและสมการของแบบจำลอง การกำหนดข้อจำกัดให้พารามิเตอร์ที่ปรับได้โดยใช้ผลการวัด และการตีความว่าผลลัพธ์บอกอะไรเกี่ยวกับระบบจริง ตัวอย่างทางประวัติศาสตร์ที่ยกมาคือแบบจำลองเซลล์ประสาทของ Hodgkin และ Huxley ทั้งสองเลือกใช้พจน์ยกกำลังสี่ เพราะรูปแบบที่เรียบง่ายกว่าสอดคล้องกับข้อมูลน้อยกว่า ขณะที่ Huxley ใช้เวลามากกว่าสามสัปดาห์แก้สมการด้วยเครื่องคิดเลขแบบหมุนมือ หลังจากคอมพิวเตอร์ของ Cambridge University ใช้งานไม่ได้ในปี 1951

ประเด็นสำคัญอยู่ที่ประวัติของทางเลือกที่ถูกปฏิเสธ พจน์ยกกำลังสี่สนับสนุนสมมติฐานเกี่ยวกับส่วนประกอบหลายส่วนที่เคลื่อนไหวในประตูกั้นของเยื่อหุ้มเซลล์ หากไม่รู้ว่าพจน์ยกกำลังต่ำกว่านั้นใช้ไม่ได้ การที่แบบจำลองสอดคล้องกับข้อมูลเชิงตัวเลขเพียงอย่างเดียวก็ไม่เพียงพอที่จะยืนยันการตีความดังกล่าว ผู้เขียนใช้ตัวอย่างนี้กำหนดมาตรฐานสำหรับ AI ว่าต้องเก็บรักษาสิ่งที่กระบวนการสร้างแบบจำลองเปิดเผยไว้ รวมถึงแบบจำลองที่ไม่ผ่านการทดสอบและความไม่แน่นอนที่ยังเหลืออยู่

จากการแจกแจงพารามิเตอร์สู่การแจกแจงแบบจำลอง

การอนุมานแบบเบย์ช่วยจัดการปัญหาในระดับพารามิเตอร์ โดยแทนค่าที่เป็นไปได้ด้วยการแจกแจงความน่าจะเป็นซึ่งอาศัยทั้งความสอดคล้องกับข้อมูลและความรู้ก่อนหน้า การคำนวณค่าความน่าจะเป็นตามแบบแผนมักทำได้ยากจนแทบเป็นไปไม่ได้สำหรับตัวจำลองเชิงกลไก โดยบททบทวนของ PNAS ปี 2020อธิบายว่า การคำนวณค่าความน่าจะเป็นนั้นต้องรวมเส้นทางการทำงานที่เป็นไปได้ทั้งหมดของตัวจำลองไว้โดยนัย

การอนุมานที่อาศัยการจำลองใช้วิธีสุ่มตัวอย่างพารามิเตอร์ เรียกใช้ตัวจำลอง แล้วฝึกตัวประมาณค่าแบบโครงข่ายประสาทจากผลลัพธ์สังเคราะห์แทน วิธี SNPE ต้องใช้แบบจำลองที่เรียกใช้งานได้ ข้อจำกัดเบื้องต้นของพารามิเตอร์ และข้อมูลที่สังเกตได้หรือคุณลักษณะสรุป โดยไม่ต้องประเมินค่าความน่าจะเป็นหรือใช้โค้ดแบบจำลองที่หาอนุพันธ์ได้ ในการทดลองจำลอง Hodgkin-Huxley หนึ่งรอบใช้การจำลอง 100,000 ครั้ง เพื่อประมาณค่าพารามิเตอร์ทางชีวกายภาพ 8 ตัวจากคุณลักษณะแรงดันไฟฟ้า 7 รายการ การเพิ่มคุณลักษณะช่วยให้การแจกแจงภายหลังแคบลง และแสดงให้เห็นว่าข้อมูลจำกัดค่าพารามิเตอร์แต่ละตัวได้มากหรือน้อยเพียงใด หลังจากขั้นตอนจำลองและฝึกโมเดลในช่วงแรก ตัวประมาณแทนที่ที่เรียนรู้แล้วสามารถประเมินข้อมูลใหม่ได้อย่างมีประสิทธิภาพ

บทความขยายแนวคิดนี้จากพารามิเตอร์ไปสู่โครงสร้างแบบจำลอง เอเจนต์ LLM สามารถเขียนโค้ดตัวจำลองสำหรับแบบจำลองที่เป็นไปได้ เรียกใช้ตัวจำลอง กำหนดข้อจำกัดของพารามิเตอร์ เปรียบเทียบผลลัพธ์กับข้อมูลสังเกต และปรับแก้สมการได้ การทดลองแยกกันอาจให้โครงสร้างที่แตกต่างกันแต่มีความเหมาะสมเท่าเทียมกัน ดังนั้นผลลัพธ์ที่เสนอจึงเป็นกลุ่มแบบจำลองที่ถ่วงน้ำหนัก โดยแบบจำลองที่มีข้อมูลสนับสนุนจะได้รับน้ำหนักมากขึ้น แบบจำลองที่ยืดหยุ่นเกินไปจะได้รับน้ำหนักน้อยลง และแบบจำลองที่มีหลักฐานสนับสนุนมากกว่าจะถูกนำไปใช้เป็นจุดตั้งต้นสำหรับสร้างรูปแบบแปรผันต่อไป คุณลักษณะที่แบบจำลองซึ่งยังคงอยู่มีร่วมกันบ่งชี้ว่าสิ่งใดได้รับการสนับสนุนจากหลักฐาน ส่วนจุดที่แบบจำลองเห็นไม่ตรงกันจะชี้ให้เห็นว่าหลักฐานยังมีจำกัดและอาจต้องทดลองอะไรต่อ

ModelSMC ค้นหาแบบจำลองที่เรียกใช้งานได้

ในบทความ ModelSMC ปี 2026 ที่เผยแพร่ก่อนหน้านี้ Wahl และคณะ ซึ่งรวมถึง Macke และ Gedon ได้วางรูปแบบแนวทางนี้อย่างเป็นทางการให้เป็นการอนุมานเชิงความน่าจะเป็นเหนือโปรแกรมตัวจำลองที่เรียกใช้งานได้ แบบจำลองแต่ละแบบทำหน้าที่เป็นอนุภาคที่ LLM เสนอหรือปรับแต่ง โดยอาศัยการนำไปใช้ในรุ่นก่อนหน้า ผลตอบกลับจากการประเมิน และบริบทของงาน การให้น้ำหนักตามค่าความน่าจะเป็นและการสุ่มตัวอย่างซ้ำช่วยรวมกลุ่มแบบจำลองไว้ที่โครงสร้างที่มีแนวโน้มดี ขณะที่ในระหว่างค้นหา จะรวมผลของพารามิเตอร์ออก แทนที่จะลดแต่ละโครงสร้างให้เหลือค่าประมาณที่ปรับให้เหมาะที่สุดเพียงค่าเดียว งานวิจัยระบุว่าได้รับเครดิต API ผ่านโครงการ AI for Scienceของ Anthropic ซึ่งเปิดตัวเมื่อวันที่ 5 พฤษภาคม 2025 สำหรับนักวิจัยที่สังกัดสถาบันซึ่งได้รับคัดเลือก โดยเน้นเป็นพิเศษที่ชีววิทยาและวิทยาศาสตร์ชีวภาพ

การทดลองครอบคลุมพลวัตทางระบาดวิทยาสังเคราะห์ ตัวจำลองการควบคุมอัลโดสเตอโรนในไต และงานค้นหาโครงสร้างแบบ Hodgkin-Huxley ที่ใช้ข้อมูลบันทึกแรงดันไฟฟ้าจริง 10 ชุด ผู้เขียนรายงานว่าแบบจำลองประสาทวิทยาที่มีน้ำหนักสูงมักเพิ่มกระแสโพแทสเซียมชนิด M ที่ทำงานช้า โดยบางครั้งเพิ่มร่วมกับช่องไอออนอีกชนิดหนึ่ง และตระกูลแบบจำลองนี้ได้อันดับหนึ่งใน 9 จาก 10 รอบ โดยรวมแล้ว ผลการวัดเชิงปริมาณใกล้เคียงกับ FunSearch+ และรูปแบบอนุภาคเดี่ยว เมื่อใช้งบประมาณในระดับใกล้เคียงกัน ข้อได้เปรียบที่ผู้เขียนกล่าวอ้างคือการวิเคราะห์การแจกแจงภายหลังของกลุ่มแบบจำลอง ไม่ใช่การมีประสิทธิภาพเหนือกว่าในทุกกรณี

การตีความและการตรวจสอบความถูกต้อง

ต้นทุนและข้อพึ่งพาที่ระบุไว้ของ ModelSMC มีความสำคัญไม่แพ้ผลลัพธ์ การจำลองซ้ำและการประมาณค่าความน่าจะเป็นใช้ทรัพยากรคำนวณสูง ค่าความน่าจะเป็นโดยประมาณจากโมเดลตัวแทนอาจก่อให้เกิดอคติเมื่อกำหนดรูปแบบแบบจำลองไม่ถูกต้อง และการค้นพบขึ้นอยู่กับว่า LLM จะเสนอและสร้างโครงสร้างที่มีประโยชน์ได้หรือไม่ บทความรับเชิญยังเพิ่มข้อควรพิจารณาในภาพกว้างว่า ระบบเหล่านี้ส่วนใหญ่ผ่านการทดสอบด้วยการค้นพบแบบจำลองที่ทราบอยู่แล้วอีกครั้ง และยังมีหลักฐานเพียงเล็กน้อยว่าระบบทำงานได้กับปัญหาทางวิทยาศาสตร์ที่ยังไม่มีคำตอบ

ผู้เขียนระบุว่าการตีความเป็นขั้นตอนที่มอบหมายให้ทำแทนได้ยากที่สุด เพราะสามารถวัดความสอดคล้องกับข้อมูลได้ แต่ไม่มีเกณฑ์ที่ชัดเจนในระดับเทียบเคียงกันสำหรับการวัดความเข้าใจที่ดีขึ้น เมื่อระบบถูกรบกวนแล้ว แบบจำลองที่สอดคล้องกับข้อมูลเห็นพ้องกัน ก็จะช่วยเสริมความหนักแน่นของคำทำนาย ขณะที่ความเห็นไม่ตรงกันเผยให้เห็นกลไกที่ยังหาคำอธิบายไม่ได้ และอาจช่วยชี้แนะแนวทางการทดลองครั้งต่อไป ข้อกำหนดนี้ยิ่งสำคัญขึ้น หาก AI ช่วยลดแรงกดดันที่มีมาแต่เดิมให้ต้องสร้างแบบจำลองขนาดกะทัดรัดและมนุษย์อ่านเข้าใจได้ เพราะแบบจำลองที่ใหญ่ขึ้นยิ่งทำให้จำเป็นต้องระบุความไม่แน่นอนอย่างชัดเจน และสรุปกลไกให้กระชับ

ดังนั้น มาตรฐานที่ผู้เขียนกำหนดจึงสูงกว่าแค่การสร้างแบบจำลองที่สอดคล้องกับข้อมูล โดยระบบ AI ควรบันทึกหลักฐานที่รองรับคำตอบ ซึ่งรวมถึงผลการวัดที่ช่วยระบุองค์ประกอบแต่ละส่วนได้อย่างชัดเจน แบบจำลองที่เป็นไปได้แต่ใช้ไม่ได้ผล ความไม่แน่นอนที่ยังหาข้อยุติไม่ได้ และคำถามที่เกิดขึ้นระหว่างการค้นหา เมื่อคำนึงถึงฐานการตรวจสอบความถูกต้องที่ยังจำกัดนี้ คำถามชี้ขาดคือ การคงการแจกแจงความน่าจะเป็นเหนือแบบจำลองไว้ ควบคู่กับประวัติของทางเลือกที่ถูกปฏิเสธ จะช่วยให้เกิดความเข้าใจต่อปัญหาทางวิทยาศาสตร์ที่ยังเปิดกว้างและไม่มีคำตอบอย่างแท้จริงได้หรือไม่