รายงาน OpenAI เผย Coding Agents ช่วยเร่งความเร็วซอฟต์แวร์งานวิจัยวิทยาศาสตร์

OpenAI ได้เผยแพร่รายงานภาคสนามฉบับใหม่ซึ่งทำการติดตามโครงการคอมพิวเตอร์เพื่องานวิจัยทางวิทยาศาสตร์จำนวน 8 โครงการ โดยระบุว่า Coding Agents มีส่วนช่วยลดระยะเวลาการทำงาน (runtimes) ลงได้อย่างน่าสนใจ โครงการเหล่านี้ประกอบด้วยการใช้ Codex ล้วนๆ ใน 5 กรณี และการใช้งานร่วมกันระหว่าง Codex กับ Claude Code ของ Anthropic อีก 3 กรณี แม้ว่านี่จะเป็นรายงานจากผู้ให้บริการที่สำรวจการใช้งานผลิตภัณฑ์ของตนเองในแวดวงการวิจัยจากกรณีศึกษาที่เขียนโดยผู้มีส่วนร่วม แต่รูปแบบเบื้องหลังก็นับว่าน่าสนใจไม่น้อย

ซอฟต์แวร์สำหรับงานวิจัยมักมีปัญหาเรื่องการบำรุงรักษา เครื่องมือที่สร้างขึ้นเพื่อประกอบบทความชิ้นเดียวและเขียนโดยทีมวิชาการขนาดเล็กที่ไม่มีทีมวิศวกรสนับสนุนโดยเฉพาะ มักจะสะสมหนี้ทางเทคนิค (technical debt) ซึ่งไม่มีงบประมาณหรือภารกิจหลักในการสะสาง รายงานของ OpenAI ระบุว่า AI agents สามารถเข้ามาช่วยจัดการหนี้ทางเทคนิคเหล่านี้ได้ โดย 8 โครงการที่อ้างถึงครอบคลุมทั้งด้านจีโนมิกส์ ภูมิคุ้มกันวิทยา สถิติ และการจัดลำดับ RNA

งานเหล่านี้แบ่งออกเป็น 3 หมวดหมู่หลัก:

• การทำความสะอาดระบบแพ็กเกจและบิลด์ (packaging and build-system cleanup)
• การปรับแต่งประสิทธิภาพโค้ดที่มีอยู่ (performance optimisation on existing code)
• การพอร์ตภาษาหรือแบ็กเอนด์เต็มรูปแบบ (full language or backend ports)

ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง

ตัวอย่างเช่น cyvcf2 ไลบรารี Python สำหรับอ่านไฟล์ความแปรผันทางจีโนมิกส์ ได้รับการแทนที่ระบบแพ็กเกจและบิลด์แบบเดิมด้วยกระบวนการใหม่ที่เป็นเอกภาพ ตามคำบอกเล่าของ Brent Pedersen ผู้มีส่วนร่วมในโครงการ ซึ่งระบุว่าการทำให้อย่างรวดเร็วด้วย AI เป็นเรื่องหนึ่ง แต่การจะไปให้ไกลในทางวิทยาศาสตร์ยังคงต้องอาศัยคำแนะนำจากผู้เชี่ยวชาญ ความเข้าใจ รสนิยม และความใส่ใจ

ขณะที่ HI.SIM โปรแกรมจำลองการอ่านข้อมูล DNA-sequencing ผ่านการปรับแต่งแบบอัตโนมัติเกือบสมบูรณ์จาก GPT-5.2 และ GPT-5.6 ซึ่ง Andrew Ho ผู้มีส่วนร่วมระบุว่าช่วยลดเวลาการประมวลผลลง 31 เปอร์เซ็นต์ ในชุดทดสอบที่เป็นตัวแทนโดยไม่เปลี่ยนผลลัพธ์ Ho ซึ่งนิยามตัวเองว่าไม่ใช่ผู้เชี่ยวชาญด้านจีโนมิกส์และไม่ใช่โปรแกรมเมอร์ภาษา C เรียกผลลัพธ์นี้ว่าน่าอัศจรรย์ใจจากมุมมองของผู้ใช้งาน เนื่องจากเขาเคยเสียเวลากับบั๊กด้านประสิทธิภาพและปัญหาการแพ็กเกจที่เขารู้จักแต่ไม่สามารถแก้ไขด้วยตนเองได้

ในส่วนของ Hifiasm ซึ่งใช้สำหรับการประกอบจีโนม (genome assembly) จาก PacBio HiFi reads ได้รับการลดเวลาการประมวลผลลง 25 เปอร์เซ็นต์ในเป้าหมายการปรับแต่ง และราว 15 เปอร์เซ็นต์บนข้อมูลการจัดลำดับของมนุษย์ที่แยกต่างหาก อ้างอิงจาก Suyash Shringarpure ผู้มีส่วนร่วมรายหนึ่ง ซึ่งระบุว่า AI agent สามารถตั้งค่าโครงสร้างการเบนช์มาร์กและเสนอแนะทางเลือกได้เอง แต่การให้ผลลัพธ์การโพรไฟล์และการคุมทิศทางโมเดลให้ออกมาจากโหมดความล้มเหลวซ้ำๆ ยังคงเป็นงานที่มนุษย์ต้องทำเท่านั้น

"การเขียนโค้ดตัวจัดเรียงความยาว 20,000บรรทัดด้วยมือไม่ใช่การใช้เวลาที่คุ้มค่า แต่ด้วยเอเจนต์ มันกลายเป็นงานที่ใช้เวลาหลายสัปดาห์ในการควบคุมทิศทาง"

James M. Ferguson

นอกจากนี้ ยังมีโครงการอื่นๆ เช่น rustar-aligner, svb และ kuva ที่เกี่ยวข้องกับการพัฒนาด้วยภาษา Rust โดยใช้ Coding Agents รวมถึงการสร้าง STAR ซึ่งเป็นเครื่องมือจัดลำดับ RNA ที่หยุดการบำรุงรักษาไปแล้วขึ้นใหม่ทั้งหมด James M. Ferguson ผู้มีส่วนร่วมระบุว่าเอเจนต์เปลี่ยนมุมมองในสิ่งที่ควรลองทำ อย่างไรก็ตาม การตรวจสอบยังคงเป็นคนละเรื่องกัน เนื่องจากโมเดลสามารถอ้างว่ากราฟดูดี แต่การตรวจสอบกราฟกว่า 900 รูปด้วยตาก่อนเผยแพร่ยังคงเป็นภาระของมนุษย์

ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง

ในโครงการ RustQC ได้รวบรวมเครื่องมือควบคุมคุณภาพการจัดลำดับ RNA จำนวน 15 รายการให้เป็นโปรแกรมเดียว ซึ่ง Phil Ewels ระบุว่าช่วยลดเวลาประมวลผลลง 60 เท่า และลดการอินพุต/เอาต์พุตของดิสก์ลง 25 เท่า ขณะที่ HelixForge ซึ่งเป็นการสร้างเครื่องมือจำลองการกลายพันธุ์ BAMSurgeon ใหม่แบบ GPU-native ก็สามารถลดเวลาประมวลผลลงราว 60 เท่าเช่นกันตามข้อมูลจาก Mamad Ahangari, Varun Goyal และ Hassan Masoudi

ที่มา: AI News