ในระบบนิเวศของ EvoX ผู้ใช้ไม่จำเป็นต้องท่องจำคำสั่งติดตั้งหรืออินเทอร์เฟซที่ซับซ้อน ด้วย Codex และเครื่องมือ AI อื่น ๆ ที่มีความสามารถในการเข้าใจและรันโค้ด นักวิจัยเพียงแค่สนทนาด้วยภาษาธรรมชาติก็สามารถตั้งค่าสภาพแวดล้อม ออกแบบอัลกอริทึม และทำการทดลองระดับงานวิจัยได้ เมื่อจุดเริ่มต้นย้ายขึ้นมา การแบ่งงานก็เปลี่ยนไปด้วย: AI รับผิดชอบแปลงเจตนาให้เป็นโค้ดที่รันได้ ส่วนนักวิจัยรับผิดชอบตัดสินใจว่าปัญหาใดน่าศึกษาและผลลัพธ์ใดน่าเชื่อถือ
ทำไมทางเข้าจึงย้ายจาก "คำสั่ง" มาสู่ "บทสนทนา"
กระบวนการแบบเดิมกำหนดให้นักวิจัยต้องจดจำคำสั่งติดตั้งเฟรมเวิร์ก วิธีตั้งค่าดีพเพนเดนซี และกฎการเรียกใช้อินเทอร์เฟซก่อน ทำให้จุดเริ่มต้นของการทดลองถูกกดทับด้วยรายละเอียดมากมาย วิธีทำงานแบบ AI Native ย้ายทางเข้าขึ้นมาสู่การแสดงเจตนา: คุณอธิบายงาน ข้อจำกัด และเกณฑ์การยอมรับ ส่วนเครื่องมือรับผิดชอบตรวจสอบสภาพแวดล้อม เติมดีพเพนเดนซี สร้างสคริปต์และรันให้ สำหรับนักพัฒนาที่มีประสบการณ์ด้านวิศวกรรมอยู่แล้ว เวลาที่ประหยัดได้จะย้ายไปสู่ส่วนที่ยากจริง ๆ นั่นคือการนิยามปัญหาและการตัดสินผลลัพธ์
งานที่ AI รับผิดชอบในบทสนทนาเดียว
- ตั้งค่าสภาพแวดล้อม: ติดตั้ง EvoX และดีพเพนเดนซี ตรวจสอบว่าสภาพแวดล้อม GPU และ CUDA ใช้งานได้
- ออกแบบอัลกอริทึม: เลือกหรือสร้างโค้ดอัลกอริทึมตามงาน เช่น สร้างกระบวนการประชากร ครอสโอเวอร์ และมิวเทชันของ NSGA-II สำหรับปัญหาหลายวัตถุประสงค์
- รันการทดลอง: ส่งงาน ติดตามสถานะการรัน ส่งคืนบันทึกและสาเหตุความล้มเหลว พร้อมรองรับการตรวจสอบต่อในบทสนทนา
- รวบรวมผลลัพธ์: รวบรวมตัวชี้วัด วาดกราฟการลู่เข้าและแผนผังเส้นทาง พร้อมส่งออกบันทึกการทดลองที่ทำซ้ำได้
ตัวอย่าง: การหาเส้นทางหลบสิ่งกีดขวางของหุ่นยนต์ในคลังสินค้า
สมมติว่าต้องการหาเส้นทางที่สั้นที่สุดและหลบสิ่งกีดขวางได้อย่างราบรื่นให้หุ่นยนต์ในผังคลังสินค้าคงที่ นักวิจัยเพียงแค่อธิบายเป้าหมายและข้อจำกัด AI ก็สามารถเรียกใช้ NSGA-II ของ EvoX เพื่อประเมินเส้นทางตัวเลือกจำนวนมากแบบขนานบน GPU และให้เส้นทางแบบแสดงภาพที่ไม่ชนสิ่งกีดขวางพร้อมกราฟกระบวนการปรับให้เหมาะสม สิ่งที่นักวิจัยต้องตัดสินใจในตอนนี้คือ: ผังนั้นเป็นตัวแทนของสถานการณ์จริงหรือไม่ การชั่งน้ำหนักระหว่างรัศมีปลอดภัยกับความยาวเส้นทางสมเหตุสมผลหรือไม่ และผลลัพธ์เพียงพอต่อการสนับสนุนข้อสรุปทางวิศวกรรมหรือไม่
หน้าที่ของคนย้ายขึ้น
ยิ่งเครื่องมือง่ายต่อการใช้ ความรับผิดชอบของคนยิ่งชัดเจนขึ้น AI สามารถเปลี่ยนความคิดให้เป็นโค้ดได้อย่างรวดเร็ว แต่ไม่อาจตัดสินใจแทนคุณได้ว่าความคิดนั้นน่าศึกษาหรือไม่ เป้าหมายสื่อถึงปัญหาจริงหรือไม่ การเปรียบเทียบยุติธรรมหรือไม่ ดังนั้นสิ่งที่ต้องฝึกจริง ๆ คือการตั้งคำถาม: อะไรที่เปลี่ยนแปลงได้? ผลตอบรับใดบ่งชี้ว่าการเปลี่ยนแปลงได้ผล? ข้อจำกัดใดที่ห้ามละเมิด? รอบถัดไปควรเก็บอะไรไว้? —— Code is cheap. Taste matters.
ตั้งค่าเฟรมเวิร์กผ่านบทสนทนาภาษาธรรมชาติภาพแสดงขั้นตอนที่นักวิจัยตั้งค่าสภาพแวดล้อม EvoX และรันการทดลองผ่านบทสนทนาภาษาธรรมชาติ: AI รับผิดชอบตรวจสอบสภาพแวดล้อม เติมดีพเพนเดนซี สร้างสคริปต์อัลกอริทึมและรัน ส่วนนักวิจัยเสนอเป้าหมายและข้อจำกัด พร้อมตัดสินว่าผลลัพธ์ใดน่าเชื่อถือ ทางเข้าย้ายจากการจดจำคำสั่งมาสู่การแสดงเจตนา หน้าที่ของคนจึงมุ่งไปที่การนิยามปัญหาและการตัดสินผลลัพธ์
