จะเกิดอะไรขึ้นเมื่อ AI เริ่มพัฒนา AI ด้วยตัวเอง?

Astra แสดงให้เห็นว่า AI มาไกลแค่ไหน แล้วอะไรที่จะพามันไปต่อ?

ความก้าวหน้าอย่างต่อเนื่องของโมเดลที่มีความสามารถมากที่สุดในปัจจุบัน ขึ้นอยู่กับ การตัดสินใจที่ชาญฉลาดยิ่งขึ้นก่อนการฝึก กลยุทธ์ที่ดีขึ้นระหว่างการฝึก และโครงสร้างพื้นฐานที่มีประสิทธิภาพมากขึ้นซึ่งรองรับทั้งสองอย่าง ซึ่งเป็นงานที่ยังคงนำโดยนักวิจัยมนุษย์เป็นส่วนใหญ่ เมื่อ AI สามารถปรับปรุงสิ่งเหล่านี้ได้อย่างเป็นลูกโซ่ จังหวะของความก้าวหน้าจะเปลี่ยนไปอย่างสิ้นเชิง: การปรับปรุงที่ได้รับการยืนยันแต่ละครั้งจะเสริมความแข็งแกร่งให้กับรอบถัดไป

นี่คือเหตุผลที่เราสร้างระบบวิจัย AI อัตโนมัติของ Apex Intelligence สำหรับการค้นพบและตรวจสอบการปรับปรุงในทุกขั้นตอนของการฝึก AI

ในการประเมินครั้งแรก ระบบของเราบรรลุ SOTA อย่างเป็นทางการใหม่สามรายการบน SLDBench SimpleTES, GPUMode TriMul (H100) และ MLS-Bench Fused Causal Attention Kernel โดยผลลัพธ์ TriMul ของเราเหนือกว่า TTT-Discover จากทีมที่ประกอบด้วย Stanford, NVIDIA และสถาบันอื่นๆ บน NanoChat Autoresearch ผลลัพธ์ B200 ของเราเหนือกว่าผลลัพธ์ที่เผยแพร่จากทั้ง Recursive SuperIntelligence และ Hyra ของ Tencent Hunyuan ทำให้อยู่ในระดับใกล้เคียงกับ SOTA สาธารณะสำหรับการฝึก LLM แบบงบประมาณคงที่

สิ่งนี้แสดงให้เห็นว่ากระบวนทัศน์การวิจัยแบบเรียกซ้ำอัตโนมัติของ Apex นั้นทำงานในระดับเดียวกับ—และในบางกรณีก็เหนือกว่า—วิศวกรรมมนุษย์ระดับสูงและระบบอัตโนมัติที่ล้ำสมัยใน การทำนายการปรับขนาดโมเดล การฝึกโมเดลภาษาแบบงบประมาณคงที่ และประสิทธิภาพของ GPU Kernel

ภายในแต่ละเกณฑ์มาตรฐาน วงจรการวิจัยจะทำงานโดยอัตโนมัติ: ระบบจะระบุสิ่งที่จะปรับปรุง ทดสอบแนวคิด ตรวจสอบผลลัพธ์ และเรียนรู้จากหลักฐาน ผลลัพธ์ระดับแนวหน้าเหล่านี้สร้างจุดเริ่มต้นที่แข็งแกร่งขึ้นสำหรับรอบถัดไป—นี่คือวิธีการที่การปรับปรุงกลายเป็นแบบเรียกซ้ำ

การประเมิน I: SLDBench (โปรโตคอล 4 งาน SimpleTES)

ก่อนที่การฝึกขนาดใหญ่จะเริ่มต้น นักวิจัยต้องทำนายประสิทธิภาพในระดับที่พวกเขาไม่สามารถทดสอบได้โดยตรง กฎการปรับขนาด (Scaling laws) ชี้แนะการตัดสินใจเกี่ยวกับขนาดโมเดล องค์ประกอบของข้อมูล อัตราการเรียนรู้ ขนาดแบตช์ และการคำนวณ กฎที่พอดีกับการทดลองขนาดเล็กแต่คาดการณ์ได้ไม่ดีในขนาดที่ใหญ่ขึ้น อาจทำให้งบประมาณการฝึกทั้งหมดผิดทิศทาง

SLDBench เปลี่ยนความไม่แน่นอนนี้ให้เป็นงานค้นพบที่วัดผลได้ ซึ่งสร้างขึ้นจากการทดลองฝึก LLM ที่เผยแพร่แล้วมากกว่า 5,000 ครั้ง แต่ละระบบต้องสร้างกฎเชิงสัญลักษณ์และขั้นตอนการปรับให้เหมาะสมที่สามารถสรุปผลไปยังระบบการปรับขนาดที่ไม่ได้เห็นมาก่อน ตามการประเมินสี่งานที่ใช้โดย SimpleTES ระบบ AI ของเราถูกทดสอบบน การปรับขนาดแบบขนาน การปรับขนาดส่วนผสมของโดเมน การปรับขนาดร่วมของอัตราการเรียนรู้/ขนาดแบตช์ และการปรับขนาดการคำนวณรูปตัว U

ภายใต้ผู้ประเมินสาธารณะที่กำหนด ระบบของเราปรับปรุงการอ้างอิงสาธารณะก่อนหน้าในทุกงาน โดยเพิ่มค่าเฉลี่ยสี่งานจาก 0.8613 เป็น 0.8846 (+2.71%) การปรับปรุงที่มากที่สุดเกิดขึ้นในการปรับขนาดรูปตัว U ซึ่งคะแนนเพิ่มขึ้นจาก 0.4975 เป็น 0.5761 (+15.80%) การปรับขนาดร่วมของอัตราการเรียนรู้/ขนาดแบตช์ดีขึ้นจาก 0.9506 เป็น 0.9650 (+1.51%) พร้อมกับการปรับปรุงเพิ่มเติมในการปรับขนาดแบบขนานและการปรับขนาดส่วนผสมของโดเมน คะแนนเหล่านี้วัดประสิทธิภาพในระบบที่ไม่ได้เห็นมาก่อน โดยให้รางวัลกับกฎที่ยังคงแม่นยำนอกเหนือจากการทดลองที่ใช้ในการปรับให้เหมาะสม

รูปที่ 1: ระบบวิจัย AI ของเราปรับปรุงการอ้างอิงสาธารณะก่อนหน้าในงาน SLDBench ทั้งสี่งานที่เลือก โดยเพิ่มคะแนนเฉลี่ยที่ไม่ได้เห็นมาก่อนจาก 0.8613 เป็น 0.8846 การปรับปรุงที่มากที่สุดคือการปรับขนาดรูปตัว U คะแนนที่สูงกว่าดีกว่า

ความก้าวหน้าในระดับวิธีการที่ชัดเจนที่สุดปรากฏในการปรับขนาดการคำนวณรูปตัว U ระบบ AI ของเราแสดงเส้นโค้งเป็นผลรวมของแนวโน้มการปรับขนาดที่คงอยู่และผลกระทบของระบบเฉพาะที่ซึ่งเกิดขึ้นในช่วงการคำนวณที่จำกัดแล้วค่อยๆ หายไป โครงสร้างนี้ป้องกันไม่ให้การพลิกกลับชั่วคราวในข้อมูลที่สังเกตได้ถูกคาดการณ์ต่อไปอย่างไม่มีกำหนด

ความแตกต่างนี้จะชี้ขาดเมื่อผู้ประเมินไม่แสดงช่วงสุดท้ายของเส้นโค้ง สมการที่ยืดหยุ่นสามารถสร้างการโค้งงอที่สังเกตได้ในขณะที่คาดการณ์ไปในทิศทางที่ผิด การสร้างแบบจำลองอย่างชัดเจนถึงการเริ่มต้น ระยะเวลา และการสลายตัวขององค์ประกอบชั่วคราวจะสร้างการคาดการณ์หลังจุดเปลี่ยนที่แม่นยำยิ่งขึ้น

ผลลัพธ์นี้มีความหมายในทางเทคนิคเนื่องจากการแยกส่วนประกอบช่วยปรับปรุงความแม่นยำในข้อมูลที่ไม่ได้เห็นในขณะที่ยังคงสามารถตีความและทดสอบได้ มันชี้ให้เห็นถึงสมมติฐานที่สามารถนำกลับมาใช้ใหม่ได้สำหรับการค้นพบกฎการปรับขนาด: การพลิกกลับที่เห็นได้ชัดอาจสะท้อนถึงระบบชั่วคราวที่ซ้อนทับบนแนวโน้มการปรับขนาดในระยะยาว

การประเมิน II: NanoChat Autoresearch

การฝึกแบบงบประมาณคงที่บังคับให้ทุกแนวคิดต้องพิสูจน์คุณค่าของมัน: การปรับปรุงต้องมาจากการใช้เวลาและฮาร์ดแวร์เดียวกันอย่างมีประสิทธิภาพมากขึ้น สิ่งนี้ทำให้ NanoChat Autoresearch เป็นการทดสอบโดยตรงว่าระบบ AI สามารถเปลี่ยนการทดลองอย่างรวดเร็วเป็นการใช้งานการฝึกโมเดลที่แข็งแกร่งขึ้นได้หรือไม่

เผยแพร่โดย Andrej Karpathy ในเดือนมีนาคม 2026 NanoChat Autoresearch ให้ตัวแทนหนึ่ง GPU และอิสระในการปรับเปลี่ยนสถาปัตยกรรมโมเดล ตัวปรับให้เหมาะสม พารามิเตอร์ไฮเปอร์ และโค้ดการฝึก การทดลองแต่ละครั้งได้รับงบประมาณห้านาทีเท่ากันและให้คะแนนโดย validation bits per byte (val_bpb; ยิ่งต่ำยิ่งดี) การตั้งค่าได้ขยายไปสู่ autoresearch@home ซึ่งผู้เข้าร่วมที่เป็นมนุษย์และตัวแทน AI แบ่งปันการทดลองและแข่งขันกับโซลูชันสาธารณะที่แข็งแกร่งที่สุด

ภายใต้การตั้งค่า B200 เดียวแบบ 300 วินาทีคงที่ ระบบ AI ของเราถึง 0.892426 val_bpb ทำให้อยู่ในระดับใกล้เคียงกับแนวหน้าสาธารณะ ซึ่งเหนือกว่าผลลัพธ์การรันเดี่ยวที่ดีที่สุดที่เผยแพร่ของ Recursive SuperIntelligence ในเดือนมิถุนายน 2026 ที่ 0.903891 และค่าเฉลี่ย 10 ซีดที่ 0.9108745 รวมถึงผลลัพธ์ Hyra ของ Tencent Hunyuan ในเดือนกรกฎาคม 2026 ที่ 0.901543 และเข้าใกล้ผู้นำกระดานผู้นำสาธารณะ ณ เดือนกันยายน 2026 ซึ่งก็คือ ScienceGuru ของ AutoTrust AI ที่ 0.889522

รูปที่ 2: การเปรียบเทียบ Validation BPB ภายใต้งบประมาณการฝึก B200 เดี่ยวแบบ 300 วินาทีคงที่ ยิ่งต่ำยิ่งดี

การปรับปรุงที่เด็ดขาดมาจากการนำความกระจัดกระจายของ n-gram ผ่านการคำนวณการฝึก การใช้งาน ScienceGuru แสดงให้เห็นถึงคุณค่าของหน่วยความจำ n-gram ขนาดใหญ่ แต่ละแบตช์เข้าถึงเพียงเศษเสี้ยวของแถวของมัน ระบบ AI ของเราระบุต้นทุนการไล่ระดับสีที่หนาแน่นซึ่งยังคงอยู่ในเส้นทางการฝึกและแทนที่ด้วย backward pass ที่กะทัดรัดซึ่งอัปเดตเฉพาะแถวที่ใช้โดยแบตช์ปัจจุบันเท่านั้น

การเปลี่ยนแปลงนี้ช่วยลดหน่วยความจำการฝึกสูงสุดจากประมาณ 177.7 GB เหลือ 140.6 GB—ลดลง 20.9%—ในขณะที่ยังคงคุณภาพใกล้เคียง SOTA ภายในงบประมาณ 300 วินาทีเท่ากัน ระบบ AI ของเราถึง 0.892426 val_bpb ในขณะที่ประมวลผลโทเค็นน้อยกว่าประมาณ 4.5% เมื่อเทียบกับการใช้งาน ScienceGuru ซึ่งแสดงให้เห็นว่าคุณภาพใกล้เคียง SOTA ไม่ได้ขึ้นอยู่กับปริมาณโทเค็นที่สูงขึ้น

ระบบ AI ของเราขยายหลักการเดียวกันนี้ไปยังเส้นทางการเข้าถึงหน่วยความจำทั้งหมด มันรวมการค้นหาตาราง n-gram สองครั้ง การต่อกัน การค้นพบแถวที่ใช้งาน และการลงทะเบียนแถวเข้าเป็น Triton kernel เดียว backward pass ใช้การแมปแถวไปยังช่องที่ได้โดยตรงอีกครั้ง ซึ่งช่วยลดงานจัดทำดัชนีที่ซ้ำกันและรักษาความกระจัดกระจายตั้งแต่การค้นหาจนถึงการอัปเดตการไล่ระดับสี

นี่เป็นผลลัพธ์ของระบบที่แข็งแกร่ง เนื่องจากโมเดลแบบกระจัดกระจายไม่ต้องจ่ายต้นทุนของระบบแบบหนาแน่นอีกต่อไป หลักการเดียวกันนี้อาจถ่ายโอนไปยังงานอื่นๆ ที่สร้างขึ้นจากตารางการฝังหรือหน่วยความจำขนาดใหญ่ เมื่อใดก็ตามที่แต่ละแบตช์สัมผัสเพียงชุดย่อยเล็กๆ ของแถว

การประเมิน III: GPUMode TriMul H100

เมื่อ GPU kernel ได้รับการปรับให้เหมาะสมอย่างหนักแล้ว ความหน่วงที่เหลืออยู่มักจะไม่พบในการดำเนินการที่ชัดเจนที่สุด คอขวดจะเคลื่อนที่ไปตามขอบเขตการหลอมรวม เค้าโครงเทนเซอร์ และเส้นทางการเข้าถึงหน่วยความจำ ทำให้ความก้าวหน้าต่อไปเป็นการทดสอบการค้นพบคอขวดพอๆ กับการสร้าง kernel

งาน GPUMode TriMul มุ่งเป้าไปที่ Triangle Multiplicative Update ที่ใช้ในโมเดลโครงสร้างโปรตีนระดับ AlphaFold ผู้เข้าร่วมต้องสร้างการใช้งานที่ถูกต้องในเชิงตัวเลขซึ่งลดความหน่วงเฉลี่ยเรขาคณิตให้เหลือน้อยที่สุดในเจ็ดรูปทรงอินพุตคงที่บน NVIDIA H100 งานนี้ดึงดูดโซลูชันของมนุษย์และระบบอัตโนมัติที่แข็งแกร่ง รวมถึง TTT-Discover ซึ่งเผยแพร่ในเดือนมกราคม 2026 โดยนักวิจัยจาก Stanford, NVIDIA, Astera Institute, UC San Diego และ Together AI

ในเจ็ดรูปทรง H100 ระบบ AI ของเราถึงความหน่วงเฉลี่ยเรขาคณิตที่ 1,036.1 μs ในการประเมินแบบคู่บนเครื่องเดียวกันของเรา สิ่งนี้ดีกว่าการเปรียบเทียบที่ออกแบบโดยมนุษย์ที่แข็งแกร่งที่สุด stashuk-olek (1,064.9 μs) อยู่ที่ 2.71% ผลลัพธ์ยังต่ำกว่าในเชิงตัวเลขเมื่อเทียบกับการใช้งานที่รายงานแยกต่างหากจาก shiyegao CUDA (1,074 μs), Zeyu Shen Triton (1,140 μs) และ TTT-Discover (1,161 μs) ในขณะที่อยู่ภายใน 0.59% ของ 1,030 μs ที่รายงานแยกต่างหากของ K-Search

รูปที่ 3: ความหน่วงเฉลี่ยเรขาคณิตในเจ็ดงาน GPUMode TriMul H100 ระบบ AI ของเราถึง 1,036.1 μs ยิ่งต่ำยิ่งดี

ค่าสาธารณะนำมาจากรายงานหรือบันทึกการประเมินที่เกี่ยวข้อง และไม่ใช่การวัดแบบคู่บนเครื่องเดียวกัน ผลลัพธ์ 1,036.1 μs ของเราวัดในเครื่องโดยใช้ผู้ประเมินอย่างเป็นทางการ

การใช้งาน TriMul ประสิทธิภาพสูงที่มีอยู่แล้วใช้การหลอมรวม การคูณเมทริกซ์เฉพาะทาง การปรับให้เหมาะสมเฉพาะรูปทรง และการเคลื่อนย้ายข้อมูลที่คำนึงถึงเค้าโครง ระบบของเราเริ่มต้นด้วยการผลักดันการหลอมรวมฝั่งผู้ผลิตให้ไกลขึ้น จากนั้นตรวจพบผลตอบแทนที่ลดลงและขึ้นอยู่กับรูปทรงเมื่อความดันรีจิสเตอร์เพิ่มขึ้น ดังนั้นจึงเปลี่ยนการค้นหาไปยังวิธีการบริโภคผลลัพธ์ของผู้ผลิต

สำหรับรูปทรงงานหลายแบบ ระบบ AI ของเราระบุ ขอบเขต BMM→LayerNorm ว่าเป็นแหล่งที่มาของความหน่วงที่เหลืออยู่ การใช้งานที่ได้จะโหลดเอาต์พุต BMM ตามมิติทางกายภาพที่ต่อเนื่องกันและดำเนินการ transpose ที่จำเป็นในรีจิสเตอร์ก่อน LayerNorm

ผลลัพธ์มีความสำคัญในทางเทคนิคเนื่องจากระบบ AI ของเราเปลี่ยนสมมติฐานการค้นหาด้วยตัวเอง: มันรับรู้เมื่อการปรับให้เหมาะสมฝั่งผู้ผลิตอิ่มตัวแล้ว ระบุตำแหน่งคอขวดใหม่ข้ามขอบเขต BMM→LayerNorm และเปลี่ยนเป้าหมายการปรับให้เหมาะสมตามนั้น แผนเฉพาะรูปทรงของมันยังแสดงให้เห็นว่าระบบสามารถปรับตัวได้เมื่อคอขวดเคลื่อนที่ไปตามงานต่างๆ—ความสามารถที่มีคุณค่าในวงกว้างมากกว่าการปรับแต่งการออกแบบ kernel คงที่

การประเมิน IV: MLS-Bench — Fused Causal Attention Kernel (H100)

Attention เป็นคอขวดหลักด้านการคำนวณและหน่วยความจำในการฝึกและการอนุมานของ Transformer ดังนั้นประสิทธิภาพของมันจึงส่งผลโดยตรงต่อความเร็วและต้นทุนของโมเดล Kernel attention แบบหลอมรวมสมัยใหม่ได้รับการปรับให้เหมาะสมอย่างมากแล้ว เหลือพื้นที่ให้ปรับปรุงเพียงเล็กน้อย การปรับปรุงเพิ่มเติมจำเป็นต้องพิจารณาอัลกอริทึมเชิงตัวเลขใหม่ควบคู่ไปกับการจัดตารางเวลาและการเคลื่อนย้ายหน่วยความจำ

งาน Fused Causal Attention ของ MLS-Bench ขอให้ระบบ AI ใช้งาน fused self-attention forward pass ของ OpenAI Triton บน NVIDIA H100 เพิ่มปริมาณงานสูงสุดในการกำหนดค่า causal-attention สามแบบ และรักษาค่าคลาดเคลื่อนสัมบูรณ์สูงสุดให้ต่ำกว่า 1e-2 เกณฑ์มาตรฐานรวมถึงผลลัพธ์จากโมเดลระดับแนวหน้า เช่น Claude Opus 4.6, GPT-5.4 และ Gemini 3.1 Pro ซึ่งเป็นพื้นฐานที่แข็งแกร่งจาก Anthropic, OpenAI และ Google DeepMind

ในการกำหนดค่า attention แบบหลอมรวมสามแบบ ระบบของเราถึง 430.7, 468.4 และ 451.7 TFLOP/s ในมิติหัว 64, 128 และ 256 ตามลำดับ ผลลัพธ์เหล่านี้สร้างสถิติใหม่ที่ดีที่สุดในทั้งสามการกำหนดค่า โดยปรับปรุงจากผลลัพธ์ชั้นนำก่อนหน้า 27.18%, 15.63% และ 17.11% ตามลำดับ

รูปที่ 4: การเปรียบเทียบปริมาณงานในสามงาน Fused Causal Attention ของ MLS-Bench

การปรับปรุงที่ใหญ่ที่สุดมาจากการทำให้เส้นทาง online softmax ง่ายขึ้น การใช้งานสไตล์ FlashAttention มาตรฐานจะรักษาค่าสูงสุดที่กำลังทำงานอยู่และปรับขนาดสถิติ softmax ที่สะสมซ้ำๆ เพื่อความเสถียรเชิงตัวเลข ระบบวิจัยอัตโนมัติของเราพบว่า ในงาน MLS-Bench ค่า logits attention ที่ปรับขนาดแล้วอยู่ในช่วงที่แคบพอสมควร ทำให้สามารถลบการปรับขนาดซ้ำนี้ได้ในขณะที่ยังคงเป็นไปตามค่าความคลาดเคลื่อนเชิงตัวเลขของเกณฑ์มาตรฐาน

Rescale-free softmax ที่ได้จะสะสมค่าเอ็กซ์โปเนนเชียลและค่าถ่วงน้ำหนักโดยตรง และทำให้เป็นมาตรฐานครั้งเดียวในตอนท้าย สิ่งนี้ปรับปรุงปริมาณงานขึ้น 21.0%, 8.5% และ 19.3% สำหรับมิติหัว 64, 128 และ 256 ตามลำดับ

การปรับปรุงเพิ่มเติมมาจากการปรับตารางเวลาเฉพาะรูปทรงและการเคลื่อนย้ายหน่วยความจำให้เหมาะสม รวมถึงการจัดตารางเวลา LPT และ TMA เส้นทางแบบไม่ต้องปรับขนาดเป็นผลลัพธ์ที่น่าสนใจที่สุด因为它改变了数值算法内部的假设：为更广泛操作范围设计的稳定机制对于正在评估的工作负载来说是不必要的。

ในวงกว้างมากขึ้น ผลลัพธ์นี้ชี้ให้เห็นถึงโอกาสที่กว้างขึ้นว่า แม้จะอยู่ใกล้ขอบเขตของระบบ การปรับปรุงเพิ่มเติมอาจมาจากการทบทวนสมมติฐานที่มักถูกมองว่าตายตัว ในกรณีนี้ ระบบวิจัยอัตโนมัติของ Apex ไม่ได้เพียงแค่ปรับแต่งพารามิเตอร์และตารางเวลาของ kernel ที่มีอยู่: มันระบุการป้องกันเชิงตัวเลขที่สามารถละเว้นได้อย่างปลอดภัยภายใต้ระบบปฏิบัติการของเกณฑ์มาตรฐาน และเปลี่ยนข้อสังเกตนั้นเป็นเส้นทางการดำเนินการที่เร็วขึ้น นี่คือพฤติกรรมประเภทที่เราสนใจ: การใช้การค้นหาไม่เพียงเพื่อปรับพารามิเตอร์และตารางเวลาให้เหมาะสม แต่ยังเพื่อท้าทายโครงสร้างของการใช้งานที่กำหนดไว้

เหนือกว่าเกณฑ์มาตรฐาน

เกณฑ์มาตรฐานบันทึกผลลัพธ์ ระบบ AI แบบเรียกซ้ำนำมันไปข้างหน้า ในสี่เกณฑ์มาตรฐาน ระบบวิจัย AI ของเราได้สร้างการปรับปรุงระดับแนวหน้าที่ได้รับการตรวจสอบแล้ว กระบวนการของมันเป็นไปตามวงรอบสี่ขั้นตอน: ค้นพบ สิ่งที่ไม่รู้จักที่มีมูลค่าสูง ตรวจสอบ โซลูชันที่เป็นตัวเลือก เรียนรู้ จากหลักฐาน และ ปรับปรุง รอบถัดไป ขั้นตอนต่อไปคือการถ่ายโอน—เปลี่ยนความก้าวหน้าเฉพาะงานเป็นความรู้ที่นำกลับมาใช้ใหม่ได้ ซึ่งเสริมสร้างรอบที่ตามมา

การวิจัยให้กำเนิดเส้นโค้ง S ถัดไป ข้อมูลเชิงลึกทางวิทยาศาสตร์ การวิจัยใหม่ และระบบทางวิศวกรรม ปูทางใหม่—ซึ่งการดำเนินการและขนาดจะเปลี่ยนเป็นอุตสาหกรรมในโลกแห่งความเป็นจริง เมื่อเส้นโค้ง S หนึ่งถึงที่ราบสูง ความก้าวหน้าต่อไปขึ้นอยู่กับการปลดล็อกเส้นถัดไป เราเชื่อว่าการปฏิวัติทางเทคโนโลยีที่กำลังจะมาถึงจะถูกกำหนดโดย AI ที่ทำหน้าที่เป็นเครื่องมือวิจัยโดยกำเนิด

AI กำลังเปลี่ยนจากผู้ช่วยเป็นเพื่อนร่วมงาน การตัดสินใจและจินตนาการของมนุษย์ชี้นำสิ่งที่สำคัญ AI ขยายสิ่งที่สามารถสำรวจได้ เมื่อรวมกันแล้ว พวกเขาสามารถค้นพบทิศทางใหม่ สร้างแรงบันดาลใจให้กับคำถามใหม่ และสร้างโมเดลที่มีความสามารถมากขึ้น—สร้างวงจรเสริมกำลังระหว่างการค้นพบของเครื่องจักรและจินตนาการของมนุษย์ Astra แสดงให้เห็นว่า AI มาไกลแค่ไหน แล้วอะไรที่จะพามันไปต่อ? ความสามารถในการช่วยค้นพบสิ่งที่จะเกิดขึ้นต่อไป

เรากำลังเปิดเผยผลลัพธ์เหล่านี้ให้คุณตรวจสอบ ทำซ้ำ และขยายผล โค้ด บันทึกการทดลอง การใช้งานที่ค้นพบ และเอกสารการประเมิน พร้อมให้ใช้งานแล้วบน GitHub และ เว็บไซต์ของเรา