งานวิจัยใหม่ให้ AI ค้นหาอัลกอริทึมด้วยการผ่อนคลายสมมติฐาน
ทีมวิจัยเสนอให้ระบบ AI ค้นหาอัลกอริทึมใหม่ ด้วยการผ่อนคลายสมมติฐานที่อัลกอริทึมเดิมยึดไว้ แทนการค้นหาจากตัวโค้ดโดยตรง
งานวิจัย AutoAssumption ถูกส่งเข้า arXiv เมื่อ 10 พฤศจิกายน 2026 โดย Igor Sadalski, Minghao Guo, Benjamin Jones และ Wojciech Matusik
แนวคิดหลักของงานนี้คือ ความก้าวหน้าหลายอย่างในระบบ ML มาจากการทำลายสมมติฐานเดิม เช่น speculative decoding ที่ไม่ต้องใช้ forward pass หนึ่งรอบต่อหนึ่งโทเค็นอีกต่อไป แต่อัลกอริทึมส่วนใหญ่ไม่ได้เขียนสมมติฐานของตัวเองไว้ชัดเจน ทำให้การค้นหาที่ผ่านมาเน้นค้นจากโปรแกรม ซึ่งการแก้ไขหนึ่งจุดมักเปลี่ยนการออกแบบหลายอย่างพร้อมกัน จนยากจะระบุว่าผลดีมาจากส่วนไหน
ทีมผู้วิจัยจึงเขียนอัลกอริทึม 89 ตัวจากงานด้าน KV-cache eviction, weight pruning และ speculative decoding ให้อยู่ในรูปของบทพิสูจน์ (proof graph) ซึ่งทำให้สมมติฐานทุกข้อเห็นได้ชัด จากนั้นให้ LLM ผ่อนคลายสมมติฐานทีละข้อเพื่อสร้างอัลกอริทึมใหม่ โดยมีตัวตรวจพิสูจน์ Lean เป็นผู้ตรวจสอบว่าผลลัพธ์ยังถูกต้องตามเหตุผล
ผู้เขียนรายงานผลทดลองว่า วิธีจัดการ KV-cache ได้คะแนน RULER-4K สูงสุดในกลุ่มที่ทดสอบ ส่วนวิธี pruning ได้ perplexity ต่ำสุดเมื่อเทียบกับ 13 วิธี บนโมเดล LLaMA สี่ตัว อย่างไรก็ตาม นี่เป็นตัวเลขที่ผู้เขียนรายงานเอง ยังไม่มีการทดสอบอิสระจากทีมอื่นมายืนยัน
สิ่งที่ยังไม่ชัดคือ แนวทางนี้จะใช้ได้ดีกับงานนอกเหนือจากสามกลุ่มที่ทดลองหรือไม่ และต้นทุนการค้นหาเมื่อขยายขนาดปัญหาเป็นอย่างไร ซึ่งบทคัดย่อที่เผยแพร่ยังไม่ได้ให้รายละเอียดส่วนนี้
แนวทางนี้เปลี่ยนการค้นหาอัลกอริทึมจากการลองแก้โค้ดเป็นการตรวจสอบเหตุผลที่อยู่เบื้องหลัง ซึ่งอาจช่วยให้นักพัฒนาเข้าใจว่าทำไมวิธีหนึ่งจึงได้ผล แต่ผลยังมาจากผู้เขียนเอง จึงควรรอการทดสอบอิสระก่อนเชื่อว่าใช้ได้กว้าง