การประมวลผลเชิงวิทยาศาสตร์ในยุค Agentic AI

การประมวลผลเชิงวิทยาศาสตร์เป็นเสาหลักของการวิจัยสมัยใหม่ทั้งในแวดวงวิชาการและภาคอุตสาหกรรม แต่ซอฟต์แวร์ที่ใช้วิเคราะห์ข้อมูลทางวิทยาศาสตร์กลับพัฒนาไม่ทันอัตราการสร้างข้อมูลที่เพิ่มขึ้นอย่างรวดเร็ว เครื่องมือวิจัยที่ใช้กันอย่างแพร่หลายจำนวนมากเริ่มต้นจากโค้ดประกอบบทความวิจัย ซึ่งพัฒนาโดยทีมวิชาการขนาดเล็กที่มีประสบการณ์ด้านวิศวกรรมจำกัด และแทบไม่มีเวลาสำหรับการจัดทำแพ็กเกจ การทดสอบ การเพิ่มประสิทธิภาพ หรือการสนับสนุนระยะยาว ผลที่ตามมาคือโครงสร้างพื้นฐานทางวิทยาศาสตร์มักต้องพึ่งพาเวิร์กโฟลว์ที่ช้า เปราะบาง และต้องบำรุงรักษาอยู่เสมอ ข้อจำกัดเหล่านี้ทำให้การค้นพบก้าวหน้าช้าลง

เอเจนต์ AI กำลังเริ่มเปลี่ยนสมการนี้ การลดต้นทุนงานวิศวกรรมและรับช่วงงานพัฒนาที่น่าเบื่อช่วยให้นักวิจัยสร้างต้นแบบแนวคิดได้เร็วขึ้น ทำโครงการที่ก่อนหน้านี้ไม่คุ้มจะลงมือ และบำรุงรักษาซอฟต์แวร์ในระยะยาวได้ง่ายขึ้น ด้วยเหตุนี้ ซอฟต์แวร์วิทยาศาสตร์จึงมีประสิทธิภาพและได้รับการดูแลดีขึ้น ทำให้นักวิจัยมีเวลาทุ่มเทให้กับการค้นพบมากกว่าเดิม

ราขอนำเสนอรายงานภาคสนามเชิงสำรวจที่รวบรวมโครงการประมวลผลทางวิทยาศาสตร์ด้วย AI แบบเอเจนต์ 8 โครงการ ซึ่งส่วนใหญ่เกี่ยวข้องกับวิทยาศาสตร์ชีวภาพ โดย 5 โครงการใช้ Codex เพียงอย่างเดียว และอีก 3 โครงการใช้ Codex ร่วมกับ Claude Code รายงานฉบับนี้รวบรวมกรณีศึกษาที่เขียนโดยทีมผู้พัฒนาแต่ละโครงการ พร้อมสรุปประเด็นสำคัญที่พบร่วมกัน โครงการครอบคลุมตั้งแต่งานบำรุงรักษาทั่วไปและการเพิ่มประสิทธิภาพเฉพาะจุด ไปจนถึงการย้ายภาษาโปรแกรมครั้งใหญ่และการออกแบบใหม่ให้ทำงานบน GPU โดยตรง ผู้ร่วมโครงการรายงานว่าเอเจนต์ช่วยลดเวลาในการพัฒนาและดูแลซอฟต์แวร์อย่างมีนัยสำคัญ และในบางกรณียังช่วยให้ทีมขนาดเล็กดำเนินงานที่ปกติต้องใช้ทรัพยากรด้านวิศวกรรมมากกว่านี้ได้ อย่างไรก็ตามพวกเขายังชี้ให้เห็นว่าการกำหนดผู้รับผิดชอบและการดูแลเครื่องมือเหล่านี้ในระยะยาวยังคงเป็นความท้าทายสำคัญ

ผู้ร่วมโครงการต่างกล่าวถึงการเปลี่ยนแปลงบทบาทของนักวิจัยจากผู้ลงมือพัฒนา มาเป็นผู้ตรวจสอบและประสานการทำงาน โดยระบุสิ่งที่ต้องสร้าง กำหนดวิธีประเมินความถูกต้อง และตัดสินว่าโครงการพร้อมเปิดตัวเมื่อใด ในรูปแบบการทำงานใหม่นี้ นักวิจัยยังคงควบคุมทิศทางทางวิทยาศาสตร์และมาตรฐานคุณภาพ ขณะที่ความช่วยเหลือจาก AI แบบเอเจนต์ช่วยให้ทำงานได้รวดเร็วยิ่งขึ้น

แม้แต่ละโครงการจะมีขอบเขตแตกต่างกันมาก แต่ทั้งหมดแสดงให้เห็นว่าเอเจนต์เขียนโค้ดกำลังช่วยลดข้อจำกัดด้านกำลังคนและความเชี่ยวชาญทางวิศวกรรมในการประมวลผลทางวิทยาศาสตร์ ปัจจุบันคอขวดกลับอยู่ที่การตรวจสอบความถูกต้องของผลลัพธ์จากเอเจนต์ AI ซึ่งยังต้องอาศัยวิจารณญาณของมนุษย์

ในทุกกรณีศึกษา เอเจนต์จัดการคำขอที่เฉพาะเจาะจงและมีขอบเขตชัดเจนได้อย่างมีประสิทธิภาพ แต่ไม่สามารถประเมินได้อย่างน่าเชื่อถือว่างานของตนถูกต้องตามหลักวิทยาศาสตร์หรือตรงตามความคาดหวังหรือไม่ ที่จริงแล้ว เอเจนต์มักแสดงความมั่นใจแม้งานของตนจะมีข้อผิดพลาดอย่างชัดเจน ผู้ตรวจสอบที่เป็นมนุษย์จึงต้องหาวิธีที่เชื่อถือได้ในการตรวจสอบผลลัพธ์ แนวทางที่มีประสิทธิภาพที่สุดใช้ข้อมูลอ้างอิงภายนอกหรือเกณฑ์การยอมรับที่วัดผลได้ เช่น ผลลัพธ์ตรงกันทุกประการ ประสิทธิภาพเทียบเท่าเครื่องมือเดิม พฤติกรรมทางสถิติที่เหมาะสม หรือคำตอบที่กำหนดไว้ล่วงหน้าด้วยข้อมูลจำลอง

อีกปรพเด็นหนึ่งที่พบซ้ำในหลายโครงการคือ โครงการส่วนใหญ่ไม่ได้ดำเนินงานแบบทำครั้งเดียวให้เสร็จ แต่ค่อย ๆ พัฒนาเป็นลำดับผ่านการปรับปรุงจากผลตอบรับ ผู้ร่วมโครงการแบ่งเป้าหมายขนาดใหญ่ออกเป็นงานย่อย แล้วใช้เกณฑ์วัดผลระหว่างทางและระบบทดสอบเพื่อประเมินและปรับปรุงผลงานของเอเจนต์ แม้เอเจนต์จะสร้างต้นแบบแรกได้อย่างรวดเร็ว แต่การจัดการกรณีพิเศษและความแตกต่างเชิงตัวเลขที่ละเอียดอ่อนกลับใช้เวลานานกว่ามาก โดยงานในช่วง “โค้งสุดท้าย” ของการพัฒนา มักเป็นส่วนที่ต้องใช้ความพยายามมากที่สุด

โดยรวมแล้ว กรณีศึกษาเหล่านี้ชี้ว่าเอเจนต์ช่วยให้นักวิจัยใช้เวลากับการลงมือพัฒนาน้อยลง และใช้เวลากำกับงานวิทยาศาสตร์มากขึ้น มนุษย์เป็นผู้กำหนดเป้าหมาย แบ่งโครงการที่ซับซ้อนออกเป็นส่วนที่จัดการได้ และตัดสินว่าผลลัพธ์ถูกต้องตามหลักวิทยาศาสตร์หรือไม่ การบรรเทาข้อจำกัดด้านวิศวกรรมที่มีมายาวนานช่วยให้เอเจนต์ขยายขอบเขตสิ่งที่นักวิจัยสร้างได้ พร้อมเปิดโอกาสให้นักวิจัยมุ่งเน้นคำถามและการตัดสินใจทางวิทยาศาสตร์ที่สำคัญที่สุด

ช่องว่างด้านการบำรุงรักษาซอฟต์แวร์วิจัยเป็นอุปสรรคที่ทำให้การพัฒนาต่อยอดเป็นไปอย่างล่าช้า และจำกัดทั้งความสามารถในการทำซ้ำและความน่าเชื่อถือของงานวิจัยมาโดยตลอด งานวิจัยที่ตีพิมพ์เกี่ยวกับ "โค้ดวิจัย⁠(เปิดในหน้าต่างใหม่)" และเครื่องมือโอมิกส์⁠(เปิดในหน้าต่างใหม่) พบว่าซอฟต์แวร์ที่ตีพิมพ์แล้วมักไม่สามารถติดตั้งในระบบคอมพิวเตอร์ใหม่หรือรันได้อย่างถูกต้องตามที่ระบุไว้ ทำให้นักวิจัยต้องใช้เวลามากในการกำหนดค่าและดีบัก แม้แต่การปรับปรุงตามปกติก็สามารถช่วยประหยัดเวลาของนักวิจัยและลดความต้องการด้านการประมวลผล ขณะที่การปรับปรุงและเขียนโค้ดตามประสิทธิภาพสามารถให้ผลลัพธ์ที่ดีกว่า

อย่างไรก็ตาม เมื่อการพัฒนามีต้นทุนต่ำลงก็ทำให้การสร้างเวอร์ชันที่เขียนขึ้นใหม่ในลักษณะคล้ายกันจำนวนมากเป็นเรื่องง่ายขึ้น ซึ่งอาจทำให้ฐานผู้ใช้แตกออกเป็นหลายกลุ่ม และทำให้ความเชี่ยวชาญของผู้ดูแลซึ่งจำเป็นต่อการรักษาความน่าเชื่อถือของแต่ละเครื่องมือต้องกระจายตามไปด้วย นั่นทำให้การดูแลระยะยาวและการระบุแหล่งที่มาเป็นสิ่งจำเป็น ซอฟต์แวร์วิทยาศาสตร์ที่พัฒนามาอย่างยาวนานมีทั้งแนวปฏิบัติที่ไม่ได้บันทึกไว้ ข้อกำหนดด้านความเข้ากันได้ และความไว้วางใจจากผู้ใช้ ซึ่งไม่สามารถถ่ายทอดได้เพียงแค่แปลหรือย้ายซอร์สโค้ด

กรณีศึกษาแสดงให้เห็นถึงเส้นทางที่เป็นไปได้หลายทาง การปรับปรุง MHCflurry และ cyvcf2 ได้ถูกรวมกลับเข้าไปในโปรเจกต์ต้นน้ำเดิม ขณะที่ rustar-aligner ถูกส่งต่อให้ชุมชนเข้ามาดูแลต่อ เนื่องจากโปรเจกต์ต้นน้ำเดิมถูกยกเลิกการพัฒนาไปแล้ว หากสามารถประสานงานกับผู้ดูแลโครงการเดิมได้ ควรเริ่มดำเนินการตั้งแต่ระยะเริ่มต้นให้เร็วที่สุด หากจำเป็นต้องพัฒนาเป็นอีกเวอร์ชันหนึ่ง เวอร์ชันนั้นต้องมีผู้รับผิดชอบที่ชัดเจนและมีแผนการบำรุงรักษาที่น่าเชื่อถือ หากไม่มีสิ่งนั้น การเขียนโค้ดใหม่ในยุคปัจจุบันอาจกลายเป็นโค้ดที่ถูกทิ้งร้างในวันพรุ่งนี้ แทนที่จะเป็นโครงสร้างพื้นฐานทางวิทยาศาสตร์ที่เชื่อถือได้

แม้รายงานภาคสนามฉบับนี้จะเป็นการทบทวนสิ่งที่เกิดขึ้นในอดีตและเป็นการสำรวจในเบื้องต้น แต่กรณีศึกษาต่างๆ ชี้ให้เห็นถึงการเปลี่ยนแปลงเชิงปฏิบัติในการพัฒนาซอฟต์แวร์วิทยาศาสตร์ เอเจนต์การเขียนโค้ดอย่าง Codex สามารถลดต้นทุนการบํารุงรักษา การย้ายระบบ การปรับแต่ง และการใช้งานใหม่ได้อย่างมาก คุณค่าทางวิทยาศาสตร์ระยะยาวของมันยังคงขึ้นอยู่กับการตัดสินใจของมนุษย์ว่าจะสร้างอะไร ตรวจสอบอย่างไร และใครจะเป็นผู้ดูแลรักษา การเปลี่ยนแปลงที่ลึกซึ้งไม่ใช่แค่การที่นักวิจัยสามารถผลิตซอฟต์แวร์ได้มากขึ้น แต่พวกเขาสามารถทุ่มเทความพยายามมากขึ้นในการกำหนด ตรวจสอบ และดูแลเครื่องมือเหล่านั้น

กรณีศึกษาเหล่านี้แสดงให้เห็นว่าเอเจนต์สามารถเร่งการพัฒนาต่อยอดในงานประมวลผลทางวิทยาศาสตร์ได้แล้วในปัจจุบัน เมื่อเอเจนต์เขียนโค้ดพัฒนาขึ้น นักวิจัยจะสามารถใช้เวลาน้อยลงในการดูแลกระบวนการวิเคราะห์ และใช้เวลามากขึ้นในการพัฒนาสาขาของตน