โมเดลของ OpenAI ประสบความสำเร็จในการหักล้างสมมติฐานหลักในสาขาวิยุตคณิต

เป็นเวลานานเกือบ 80 ปีแล้วที่นักคณิตศาสตร์พยายามหาคำตอบให้กับคำถามที่ดูเหมือนง่ายแต่ซับซ้อนที่ว่า หากเราวางจุดจำนวน $n$ จุดลงบนระนาบ เราจะสร้างคู่ของจุดที่มีระยะห่างกันพอดีเท่ากับ 1 หน่วยได้มากที่สุดกี่คู่

นี่คือปัญหาระยะทางหนึ่งหน่วยบนระนาบ ซึ่ง Paul Erdős ได้ตั้งโจทย์ไว้เป็นครั้งแรกในปี 2489 นับเป็นหนึ่งในคำถามที่มีชื่อเสียงที่สุดในสาขาเรขาคณิตเชิงผสมผสาน ซึ่งอธิบายเข้าใจง่ายแต่กลับหาคำตอบได้ยากอย่างยิ่ง หนังสือ Research Problems in Discrete Geometry ปี 2548 โดย Brass, Moser และ Pach ได้ระบุถึงโจทย์ข้อนี้ว่าเป็น “ปัญหาในสาขาเรขาคณิตเชิงผสมผสานที่เป็นที่รู้จักมากที่สุด (และอธิบายได้ง่ายที่สุด) ก็ว่าได้” ด้าน Noga Alon นักคณิตศาสตร์เชิงผสมผสานชั้นนำจากมหาวิทยาลัยพรินสตัน ก็ได้อธิบายว่านี่คือ “หนึ่งในโจทย์โปรดของ Erdős” Erdős ถึงกับเสนอเงินรางวัลสำหรับการแก้ปัญหานี้

วันนี้พวกเราขอเสนอความสำเร็จครั้งประวัติศาสตร์ในการไขปริศนาโจทย์ระยะหนึ่งหน่วย หลังจากที่ Erdős ได้เผยแพร่ผลงานต้นแบบ นักวิจัยส่วนใหญ่ก็เชื่อกันมาตลอดว่า การสร้างรูปแบบแนว “ตารางช่องสี่เหลี่ยม” ตามภาพประกอบด้านล่างนี้ เป็นแนวทางที่มีประสิทธิภาพที่สุดแล้วในการเพิ่มคู่ที่มีระยะห่างหนึ่งหน่วยให้ได้มากที่สุด โมเดลภายในของ OpenAI ได้พิสูจน์หักล้างสมมติฐานที่ค้างคามานานข้อนี้สำเร็จ พร้อมทั้งนำเสนอชุดตัวอย่างจำนวนนับไม่ถ้วนที่ช่วยเพิ่มประสิทธิภาพการคำนวณแบบพหุนาม ข้อพิสูจน์ดังกล่าวได้รับการตรวจสอบและยืนยันความถูกต้องโดยกลุ่มนักคณิตศาสตร์จากภายนอกเป็นที่เรียบร้อยแล้ว นอกจากนี้พวกเขายังได้เขียนบทความวิชาการฉบับคู่ขนานเพื่ออธิบายแนวคิดในการพิสูจน์ พร้อมทั้งให้ข้อมูลพื้นฐานและบริบทเพิ่มเติมเกี่ยวกับความสำคัญของผลลัพธ์ในครั้งนี้ด้วย

ผลลัพธ์ดังกล่าวยังมีความน่าสนใจเป็นพิเศษในแง่ของกระบวนการและวิธีการที่ใช้ในการค้นพบ ข้อพิสูจน์ดังกล่าวเกิดจากโมเดลการให้เหตุผลอเนกประสงค์ตัวใหม่ล่าสุด ซึ่งไม่ใช่โมเดลที่เทรนมาเพื่อทำโจทย์คณิตศาสตร์โดยตรง ไม่ได้พึ่งพาโครงสร้างระบบช่วยค้นหากลยุทธ์การพิสูจน์ และไม่ได้สร้างขึ้นมาเพื่อเจาะจงแก้โจทย์ปัญหาระยะหนึ่งหน่วยนี้เลยด้วยซ้ำ เราได้ดำเนินงานประเมินผลโมเดลดังกล่าวผ่านชุดโจทย์ปัญหาของ Erdős ซึ่งเป็นส่วนหนึ่งของความพยายามในวงกว้างเพื่อทดสอบว่าโมเดลขั้นสูงจะสามารถมีส่วนร่วมในงานวิจัยระดับแนวหน้าได้หรือไม่ และในกรณีนี้โมเดลสามารถสร้างข้อพิสูจน์ที่ช่วยคลี่คลายปัญหาที่ค้างคามานานได้สำเร็จ

ข้อพิสูจน์นี้ถือเป็นก้าวสำคัญครั้งประวัติศาสตร์สำหรับวงการคณิตศาสตร์และชุมชน AI เหตุการณ์นี้ถือเป็นครั้งแรกในประวัติศาสตร์ที่ AI สามารถไขโจทย์ปัญหาเปิดอันโด่งดัง ซึ่งเป็นหัวใจสำคัญของสาขาย่อยในวิชาคณิตศาสตร์ได้ด้วยตนเอง ผลงานดังกล่าวยังเป็นข้อพิสูจน์ที่ชัดเจนถึงความสามารถในการคิดวิเคราะห์เชิงลึกที่ระบบ AI ทำได้ในปัจจุบัน วิชาคณิตศาสตร์เปรียบเสมือนเวทีทดสอบชั้นดีที่ช่วยให้เรามองเห็นระบบการคิดหาเหตุผลได้อย่างชัดเจนที่สุด เพราะโจทย์คณิตศาสตร์นั้นมีความชัดเจนตายตัว เราสามารถส่งข้อพิสูจน์ไปตรวจเช็กความถูกต้องได้ง่าย และการแสดงวิธีทำที่ยาวเหยียดจะสำเร็จลงได้ก็ต่อเมื่อการให้เหตุผลนั้นสอดรับกันอย่างสมบูรณ์ตั้งแต่ต้นจนจบ วิธีที่ใช้แก้ปัญหานี้ก็น่าสนใจเช่นกัน ข้อพิสูจน์นี้ได้นำแนวคิดที่ลึกซึ้งและเหนือความคาดหมายจากทฤษฎีจำนวนเชิงพีชคณิต มาประยุกต์ใช้ในการไขโจทย์ปัญหาเรขาคณิตขั้นเบื้องต้นได้อย่างน่าทึ่ง

Tim Gowers ผู้ได้รับรางวัลเหรียญฟิลด์สได้กล่าวถึงผลงานชิ้นนี้ว่าเป็น “ก้าวสำคัญของวงการคณิตศาสตร์ที่ขับเคลื่อนด้วย AI” ขณะที่ Arul Shankar นักทฤษฎีจำนวนได้แสดงความเห็นว่า “ผมคิดว่าบทความนี้แสดงให้เห็นชัดเจนว่าระบบ AI ทุกวันนี้ไม่ใช่แค่เครื่องมือคอยช่วยเหลือนักคณิตศาสตร์อีกต่อไปแล้ว แต่พวกมันสามารถคิดค้นไอเดียที่แปลกใหม่และหลักแหลมขึ้นมาได้เอง แถมยังสามารถสานต่อความคิดนั้นจนกลายเป็นผลสำเร็จที่จับต้องได้จริง”

สามารถศึกษารายละเอียดของข้อพิสูจน์ดังกล่าวได้ที่นี่⁠(เปิดในหน้าต่างใหม่) อ่านเอกสารประกอบที่เขียนโดยกลุ่มนักคณิตศาสตร์ชั้นนำจากหน่วยงานภายนอกได้ที่นี่⁠(เปิดในหน้าต่างใหม่) ศึกษาการให้เหตุผลแบบเป็นลำดับขั้นของโมเดลในฉบับย่อได้ที่นี่⁠(เปิดในหน้าต่างใหม่)

กำหนดให้ $u(n)$ แทนจำนวนคู่จุดที่มีระยะห่างหนึ่งหน่วยที่มากที่สุดเท่าที่เป็นไปได้ จากกลุ่มจุดจำนวน $n$ จุดบนระนาบ ตัวอย่างที่ให้อัตราการเติบโตเชิงเส้นสามารถสร้างได้อย่างง่ายดาย โดยการจัดวางจุด $n$ จุดเรียงกันเป็นเส้นตรงจะทำให้เกิดคู่จุดจำนวน $n-1$ คู่ ในขณะที่การจัดวางจุดแบบตารางสี่เหลี่ยมจะทำให้เกิดคู่จุดประมาณ $2n$ คู่ โครงสร้างรูปแบบเดิมซึ่งเป็นที่รู้จักดีที่สุด อันเกิดจากการปรับสเกลตารางสี่เหลี่ยมจัตุรัสนั้น แสดงให้เห็นว่าสามารถให้ผลลัพธ์ที่สูงกว่า โดยมีค่าเป็น $n^{1 + C / \log \log(n)}$ สำหรับค่าคงที่ $C$ เนื่องจากค่า$\log \log(n)$ จะมีค่าเข้าสู่อนันต์ตามค่า $n$ พจน์ส่วนเกินในตัวยกกำลังจึงมีค่าเข้าใกล้ $0$ ซึ่งหมายความว่าโครงสร้างเหล่านี้ทำให้อัตราการเติบโตเพิ่มขึ้นเร็วกว่าเชิงเส้นเพียงเล็กน้อยเท่านั้น เป็นเวลานานหลายทศวรรษที่ผู้คนส่วนใหญ่เชื่อกันว่า อัตราการเติบโตนี้คือขีดจำกัดที่ดีที่สุดเท่าที่เป็นไปได้แล้ว และไม่มีโครงสร้างรูปแบบใดที่จะสามารถพัฒนาให้ดีขึ้นกว่าตารางสี่เหลี่ยมจัตุรัสได้อย่างมีนัยสำคัญ ในเชิงเทคนิค Erdős คาดการณ์ค่าขอบเขตบนไว้ที่ $n^{1+o(1)}$ ซึ่งพจน์ $o(1)$ ที่เพิ่มเข้ามานั้น แสดงถึงพจน์ที่มีค่าเข้าสู่ $0$ เมื่อค่า $n$ เพิ่มขึ้น

ผลลัพธ์ใหม่ของเราหักล้างข้อคาดการณ์นี้ ถ้าจะอธิบายให้ชัดเจนกว่านั้นก็คือ สำหรับค่า $n$ ที่มีจำนวนมากมายเป็นอนันต์ บทพิสูจน์นี้สามารถสร้างรูปแบบการจัดวางจุด $n$ จุดที่ส่งผลให้เกิดคู่จุดระยะห่างหนึ่งหน่วยได้อย่างน้อย $n^{1+\delta}$ คู่ โดยกำหนดให้ตัวยกกำลัง $\delta > 0$ เป็นค่าคงที่ค่าหนึ่ง (แม้ว่าบทพิสูจน์ดั้งเดิมของ AI จะไม่ได้ระบุค่า $\delta$ ไว้อย่างชัดเจน แต่การปรับปรุงที่กำลังจะเผยแพร่โดย วิล ซอวิน (Will Sawin) ศาสตราจารย์ด้านคณิตศาสตร์แห่งมหาวิทยาลัยพรินสตัน แสดงให้เห็นว่าสามารถใช้ $\delta=0.014$ ได้)

ประวัติความเป็นมาของโจทย์ปัญหานี้ จะช่วยให้เราเข้าใจได้ดียิ่งขึ้นว่า เหตุใดผลลัพธ์ในครั้งนี้จึงน่าทึ่งและสร้างความประหลาดใจเป็นอย่างมาก ค่าขอบเขตล่างที่ดีที่สุดเท่าที่มีการบันทึกไว้ แทบไม่มีการเปลี่ยนแปลงใดๆ เลยนับตั้งแต่ Erdős คิดค้นโครงสร้างรูปแบบดั้งเดิมขึ้นในปี 2489 ค่าขอบเขตบนที่ดีที่สุดคือ $O(n^{4/3})$ ซึ่งเป็นผลงานที่ต้องย้อนไปถึงการศึกษาของ Spencer, Szemerédi และ Trotter ในปี 2527 ซึ่งหลังจากนั้นแม้ว่านักคณิตศาสตร์อย่าง Székely, Katz และ Silier, Pach, Raz, และ Solymosi รวมถึงคนอื่นๆ จะพยายามปรับแต่งรายละเอียดและพัฒนาโครงสร้างที่เกี่ยวข้องเพิ่มเติม แต่ค่าขอบเขตบนดังกล่าวก็ยังคงแทบไม่มีการเปลี่ยนแปลงใดๆ เลย เพื่อหาหลักฐานมาสนับสนุนข้อคาดการณ์ดังกล่าว Matoušek และ Alon-Bucić-Sauermann จึงได้ศึกษาโจทย์ปัญหานี้โดยเปลี่ยนไปใช้ระยะทางแบบ Non-Euclidean ในระนาบ และพิสูจน์ให้เห็นว่าระยะทางแบบ Non-Euclidean "ส่วนใหญ่" ล้วนเป็นไปตามข้อคาดการณ์นั้น

จุดที่น่าทึ่งที่สุดก็คือ ฟันเฟืองชิ้นสำคัญในการสร้างโมเดลนี้กลับซ่อนตัวอยู่ในคณิตศาสตร์อีกแขนงที่ต่างกันคนละขั้วอย่างทฤษฎีจำนวนเชิงพีชคณิต ซึ่งมุ่งเน้นการขุดลึกในประเด็นเรื่องการแยกตัวประกอบในระบบขยายของจำนวนเต็ม หรือที่เราเรียกกันในวงการว่า Algebraic Number Fields

หากมองในภาพรวม บทพิสูจน์นี้เริ่มต้นขึ้นจากแนวคิดทางเรขาคณิตที่คุ้นเคยกันดี ก่อนที่จะต่อยอดแนวคิดนั้นไปในทิศทางที่ไม่มีใครคาดคิด

เราสามารถทำความเข้าใจค่าขอบเขตล่างดั้งเดิมของ Erdős ผ่านระบบ Gaussian Integers ซึ่งก็คือจำนวนที่อยู่ในรูป $a+bi$ โดยที่ $a$ และ $b$ เป็นจำนวนเต็ม และ $i$ คือรากที่สองของ $-1$ จำนวนเต็ม Gaussian Integers เป็นส่วนขยายของจำนวนเต็มธรรมดา และมีคุณสมบัติทางคณิตศาสตร์ที่เหมือนกัน เช่น คุณสมบัติการแยกตัวประกอบเฉพาะได้เพียงรูปแบบเดียว ส่วนขยายของจำนวนเต็มหรือจำนวนตรรกยะในลักษณะดังกล่าวเป็นที่รู้จักกันในนาม ฟิลด์จำนวนเชิงพีชคณิต (Algebraic Number Fields) ข้อพิสูจน์ใหม่นี้ได้เปลี่ยนจากการใช้จำนวนเต็ม Gaussian ไปเป็นการใช้แนวคิดวงกว้างที่ซับซ้อนยิ่งขึ้นจากทฤษฎีจำนวนเชิงพีชคณิต ซึ่งมาพร้อมกับความสมมาตรที่หลากหลายกว่าเดิม ทำให้สามารถสร้างคู่จุดที่มีระยะห่างหนึ่งหน่วยได้เป็นจำนวนมากกว่าเดิมมหาศาล

ข้อโต้แย้งที่แม่นยำดังกล่าว ใช้เครื่องมือต่างๆ เช่น Infinite Class Field Towers และทฤษฎี Golod–Shafarevich เพื่อแสดงให้เห็นว่าฟิลด์จำนวนที่จำเป็นต้องใช้ในข้อโต้แย้งนั้นมีอยู่จริง นักทฤษฎีจำนวนเชิงพีชคณิตคุ้นเคยกับแนวคิดเหล่านี้เป็นอย่างดี ทว่าการที่แนวคิดดังกล่าวส่งผลกระทบต่อโจทย์ปัญหาทางเรขาคณิตบนระนาบยูคลิดกลับสร้างความประหลาดใจเป็นอย่างยิ่ง

ผลลัพธ์นี้คือเหตุการณ์สำคัญที่แสดงถึงการร่วมมือกันระหว่าง AI กับวงการคณิตศาสตร์ เพราะระบบ AI สามารถคิดวิธีแก้โจทย์ยากๆ ที่นักคณิตศาสตร์ทั่วโลกพยายามหาคำตอบมานานได้ด้วยตัวมันเอง ซึ่งโจทย์นี้ถือเป็นหัวใจหลักของศาสตร์คณิตศาสตร์ยุคปัจจุบันเลยทีเดียว เหตุการณ์นี้ยังทำให้เราได้เห็นภาพสะท้อนในยุคแรกๆ ของการทำงานร่วมกันในรูปแบบใหม่ระหว่าง AI กับนักคณิตศาสตร์ที่เป็นมนุษย์ สำหรับกรณีดังกล่าว งานศึกษาร่วมโดยคณะนักคณิตศาสตร์ภายนอก ช่วยให้เห็นภาพรวมที่สมบูรณ์และลึกซึ้งยิ่งขึ้นอย่างมีนัยสำคัญเมื่อเปรียบเทียบกับการพิจารณาผลลัพธ์ดั้งเดิมเพียงลำพัง

ดังที่ Thomas Bloom เขียนไว้ในบันทึกว่า:

“เวลาที่ผมจะประเมินความสำคัญและอิทธิพลของข้อพิสูจน์ที่สร้างโดย AI คำถามที่ผมมักจะถามตัวเองก็คือ สิ่งนี้ได้สอนอะไรใหม่ๆ เกี่ยวกับโจทย์ปัญหานี้ให้เราบ้างไหม แล้วตอนนี้เราเข้าใจวิยุตคณิตดีขึ้นหรือยัง ซึ่งผมคิดว่าคำตอบค่อนข้างไปในทางที่เป็นบวกครับ เพราะสิ่งนี้แสดงให้เห็นว่า โครงสร้างทางทฤษฎีจำนวนยังมีเรื่องให้เราค้นหาเกี่ยวกับโจทย์ลักษณะนี้อีกมากเกินกว่าที่เราคาดไว้เยอะ แถมทฤษฎีจำนวนที่ต้องใช้นั้นยังอาจลึกซึ้งมากๆ อีกด้วย ผมเชื่อเลยว่าในอีกไม่กี่เดือนข้างหน้า นักทฤษฎีจำนวนเชิงพีชคณิตหลายคนจะหันมาสนใจและศึกษาโจทย์ปัญหาเปิดของวิยุตคณิตอย่างจริงจังแน่นอนครับ”

การค้นพบความเชื่อมโยงที่ไม่มีใครคาดคิดระหว่างทฤษฎีจำนวนเชิงพีชคณิตกับวิยุตคณิตจากผลลัพธ์ในครั้งนี้ ถือเป็นส่วนหนึ่งที่ทำให้ความสำเร็จดังกล่าวน่าทึ่งและเป็นที่จับตามอง ผลลัพธ์นี้ไม่ได้หยุดอยู่แค่การพิสูจน์ข้อสมมติฐานเฉพาะข้อใดข้อหนึ่งเท่านั้น แต่มันยังช่วยสร้างสะพานเชื่อมสำคัญให้แก่นักคณิตศาสตร์ในการเปิดประตูไปสู่การสำรวจโจทย์ปัญหาอื่นๆ ที่เกี่ยวข้องต่อไปอีกด้วย

Bloom ยังชี้ให้เห็นถึงความเป็นไปได้ที่กว้างขวางยิ่งขึ้นในภาพรวมว่า:

“พรมแดนแห่งความรู้นั้นมีลักษณะก้าวกระโดดไม่เท่ากันในแต่ละจุด และแน่นอนว่าในอีกไม่กี่เดือนหรือกี่ปีข้างหน้า เราคงจะได้เห็นความสำเร็จที่น่าทึ่งแบบนี้ในคณิตศาสตร์ด้านอื่นๆ อีกเยอะ ซึ่งระบบ AI จะเข้ามาช่วยไขโจทย์ปัญหาเปิดที่ค้างคามานาน ด้วยการเผยให้เห็นความเชื่อมโยงที่ไม่มีใครคาดคิด และช่วยผลักดันกลไกทางเทคนิคที่มีอยู่ให้ก้าวไปจนถึงขีดจำกัด พูดง่ายๆ คือ AI กำลังพาเราไปเปิดหูเปิดตาและสำรวจระบบความรู้ทางคณิตศาสตร์ที่พวกเราช่วยกันสร้างมานานหลายร้อยปีให้ทะลุปรุโปร่งยิ่งขึ้น และทำให้เราต้องลุ้นต่อว่า AI จะช่วยให้เราค้นพบสิ่งแปลกใหม่อะไรในอนาคตอีกบ้าง”

ผลลัพธ์ในครั้งนี้ถือเป็นตัวอย่างอันน่าทึ่งที่จุดประกายความหวังใหม่ ชี้ให้เห็นว่า AI ไม่เพียงแต่ช่วยหาคำตอบให้กับโจทย์ปัญหาเท่านั้น แต่ยังสามารถสร้างการค้นพบทางคณิตศาสตร์ครั้งใหม่ ซึ่งจะยิ่งมีความชัดเจนและทรงคุณค่าลึกซึ้งยิ่งขึ้นเมื่อมนุษย์เข้ามาช่วยตีความและขยายผลต่อในภายหลัง

บทเรียนที่เราได้รับจากเรื่องนี้ยิ่งใหญ่กว่าแค่ผลลัพธ์ของโจทย์ข้อนี้มาก การพัฒนาทักษะเหตุผลทางคณิตศาสตร์จะช่วยยกระดับให้ AI กลายเป็นคู่คิดในงานวิจัยที่เก่งกาจขึ้น โดย AI จะเข้ามาช่วยปะติดปะต่อแนวคิดที่ซับซ้อน ช่วยเชื่อมโยงไอเดียจากศาสตร์ต่างแขนงที่อยู่ห่างไกลกัน ช่วยชี้ช่องทางที่น่าสนใจซึ่งผู้เชี่ยวชาญอาจมองข้ามไป และช่วยให้นักวิจัยสามารถเดินหน้าแก้โจทย์ปัญหาที่มีความซับซ้อนเกินไปหรือต้องใช้เวลามากเกินกว่าที่มนุษย์จะทำไหวได้สำเร็จ

ความสามารถเหล่านี้มีความสำคัญและส่งผลกระทบกว้างขวางเกินกว่าแค่ในโลกคณิตศาสตร์ ถ้าโมเดลสามารถเรียบเรียงเหตุผลยากๆ ให้สอดคล้องกันได้ จับไอเดียจากความรู้คนละขั้วมาผูกเข้าด้วยกัน และสร้างผลงานที่ผู้เชี่ยวชาญยอมรับได้ ความสามารถแบบนี้ก็เอาไปปรับใช้ในวงการชีววิทยา ฟิสิกส์ วัสดุศาสตร์ วิศวกรรมศาสตร์ และการแพทย์ได้ดีไม่แพ้กันเลย สิ่งนี้ถือเป็นสะพานเชื่อมไปสู่เป้าหมายระยะยาวของเราในการทำวิจัยด้วยระบบอัตโนมัติ ซึ่งระบบเหล่านี้จะเข้ามาช่วยให้นักวิทยาศาสตร์และวิศวกรมีโอกาสเปิดมุมมองค้นหาไอเดียใหม่ๆ ได้กว้างขึ้น และมีแรงขับเคลื่อนไปลุยกับโจทย์ทางเทคนิคที่หินขึ้นกว่าเดิม

AI กำลังจะเข้ามามีบทบาทสำคัญอย่างยิ่งในกระบวนการทำงานวิจัยส่วนที่ต้องใช้ความคิดสร้างสรรค์ และที่สำคัญที่สุดคือ มันกำลังจะเข้ามาช่วยพัฒนางานวิจัยด้าน AI เองด้วย แม้ว่าความก้าวหน้าครั้งนี้จะไม่ใช่เรื่องเหนือความคาดหมาย แต่มันก็ช่วยตอกย้ำว่าพวกเราต้องรีบทำความเข้าใจเกี่ยวกับยุคต่อไปของการพัฒนา AI ยุคนี้มีทั้งความท้าทายในการควบคุมระบบที่ฉลาดมากๆ ให้ปลอดภัย และเรื่องอนาคตของการทำงานร่วมกันระหว่างมนุษย์กับ AI

อนาคตที่ว่านั้นยังต้องพึ่งพาการตัดสินใจของมนุษย์เราอยู่ดี ความเชี่ยวชาญของมนุษย์จะมีค่ามากขึ้น ไม่ได้ลดลงแต่อย่างใด AI สามารถเข้ามาช่วยเราค้นหา แนะนำ และตรวจสอบความถูกต้องได้ มนุษย์เรายังคงเป็นคนเลือกโจทย์ปัญหาที่สำคัญ เป็นคนแปลความหมายของผลลัพธ์ และเป็นคนตัดสินใจว่าเราจะเดินหน้าหาคำตอบในคำถามไหนต่อไป