# เอกสารประกอบการสอน ระบบวิวัฒนาการอัจฉริยะ EvoX และการปฏิบัติงานวิจัยแบบ AI Native

เวลาเรียน: 1 · หน้าสไลด์: 16

## แนวทางการอ่าน

- [บทที่ 7｜หัวข้อ: กระบวนทัศน์การวิจัยแบบ AI Native และการเข้าสู่ภาคปฏิบัติ EvoX](#lecture-lesson-1)

---

<a id="lecture-lesson-1"></a>

## บทที่ 7｜หัวข้อ: กระบวนทัศน์การวิจัยแบบ AI Native และการเข้าสู่ภาคปฏิบัติ EvoX

<a id="lecture-page-1"></a>

### กระบวนทัศน์การวิจัยแบบ AI Native และการเข้าสู่ภาคปฏิบัติ EvoX

*หน้า 1*

> **เป้าหมายหน้า: ** เชี่ยวชาญเส้นทางปฏิบัติในการเข้าสู่ EvoX ในสภาพแวดล้อมแบบ AI Native และซาบซึ้งกับหลักการวิจัยหลัก "Code is cheap. Taste matters"

> **เป้าหมายหน้า**
>
> นี่คือหน้าเปิดของบทที่เจ็ด ซึ่งกำหนดทิศทางให้กับหน่วย "กระบวนทัศน์การวิจัยแบบ AI Native และการปฏิบัติ EvoX" ทั้งหมด ผู้เรียนต้องสร้างความเข้าใจสองประการ: หนึ่งคือเส้นทางปฏิบัติในการทำการทดลอง EvoX อย่างมีประสิทธิภาพด้วยเครื่องมือ AI เช่น Codex ในสภาพแวดล้อม AI Native; สองคือเมื่อโค้ดสามารถสร้างได้โดยอัตโนมัติ ความสามารถที่แท้จริงและไม่สามารถทดแทนได้ของนักวิจัย — รสนิยมและความสามารถในการตั้งคำถามสำคัญ ซึ่งก็คือประโยคที่ย้ำซ้ำในหน้านี้: Code is cheap. Taste matters.

> **ลำดับการอธิบาย**
>
> 1. เริ่มจากสถานการณ์ อธิบายว่าในรูปแบบการทำงานแบบ AI Native การเขียนสคริปต์ทดลอง การสร้างกระบวนการเพิ่มประสิทธิภาพ EvoX การรันการทดลองเปรียบเทียบ ซึ่งเป็น "งานแรง" เหล่านี้ เครื่องมือ AI สามารถรับผิดชอบได้มากพอสมควร นักวิจัยไม่จำเป็นต้องเขียนด้วยมือทีละบรรทัดอีกต่อไป สิ่งนี้เปลี่ยนแปลงจังหวะการทำวิจัยโดยตรง: จาก "เขียนได้หรือไม่" เปลี่ยนเป็น "คุ้มค่าที่จะทำหรือไม่"
>
> 2. จากนั้นลงสู่วิธีการ เมื่อใช้เครื่องมืออย่าง Codex ในการทดลอง EvoX วิธีทั่วไปคืออธิบายเจตนาการทดลอง การตั้งปัญหา และเกณฑ์การประเมินให้ชัดเจน ให้เครื่องมือสร้างโครงโปรแกรมที่รันได้ ส่วนนักวิจัยมุ่งเน้นตรวจสอบว่าการออกแบบการทดลองใช้ได้หรือไม่ ผลลัพธ์เชื่อถือได้หรือไม่
>
> 3. สุดท้ายชี้ให้เห็นหลักการหลัก เมื่อโค้ดถูกลง สิ่งที่หายากกลายเป็นดุลยพินิจ: หัวข้อมีคุณค่าหรือไม่ เส้นฐานยุติธรรมหรือไม่ ตัวชี้วัดอธิบายปัญหาได้หรือไม่ ข้อสรุปยืนได้หรือไม่ Taste กำหนดทิศทางการวิจัย ความสามารถในการตั้งคำถามกำหนดความลึกของการวิจัย

**ประเด็นการสอน**

- เครื่องมือ AI ลดต้นทุนการทำให้เป็นจริง ไม่ใช่เกณฑ์การวิจัย
- เกณฑ์เปลี่ยนจาก "ความชำนาญในการเขียนโปรแกรม" ไปเป็น "รสนิยมทางปัญหา" เมื่อใช้เครื่องมืออย่าง Codex บทบาทของคนคือตั้งคำถามที่ดี กำหนดเกณฑ์การประเมิน ตรวจสอบผลลัพธ์ที่สร้างขึ้น ไม่ใช่รับผลลัพธ์แบบเชิงรับ "Code is cheap. Taste matters." ไม่ได้ปฏิเสธความสามารถทางวิศวกรรม แต่เตือนว่า: ในยุคเขียนโปรแกรมอัตโนมัติ รสนิยมและความสามารถในการตั้งคำถามคือคูเมืองที่แท้จริงของนักวิจัย

**ตรวจสอบความเข้าใจ**

ขอให้ผู้เรียนอธิบายด้วยคำพูดของตนเองว่า หากโค้ดสามารถสร้างได้โดยอัตโนมัติ เวลาของนักวิจัยในการทดลอง EvoX ควรลงทุนใหม่ที่ไหน คำตอบที่ผ่านควรชี้ไปที่การเลือกปัญหา การออกแบบการทดลอง การตัดสินผลลัพธ์ ซึ่งเป็นงานเชิงดุลยพินิจ ไม่ใช่แค่ "ให้ AI เขียนเร็วขึ้น"

> **คำแนะนำการเปลี่ยนผ่าน**
>
> หลังจากยืนยันว่าผู้เรียนสามารถพูดถึงความสัมพันธ์หลัก "ต้นทุนการทำให้เป็นจริงลดลง คุณค่าของดุลยพินิจเพิ่มขึ้น" ได้แล้ว จึงเข้าสู่หน้าถัดไป เพื่อขยายขั้นตอนและตัวอย่างการปฏิบัติ EvoX ที่เฉพาะเจาะจง

<a id="lecture-page-2"></a>

### กระบวนทัศน์การวิจัยแบบ AI Native และการเข้าสู่ภาคปฏิบัติ EvoX

*หน้า 2*

> **เป้าหมายหน้า: ** เข้าใจเส้นทางโดยรวมและหลักการวิจัยหลักในการเข้าสู่ EvoX ในสภาพแวดล้อม AI Native

> **เป้าหมายหน้า**
>
> เชื่อม "กระบวนทัศน์การวิจัยแบบ AI Native" และ "การเข้าสู่ภาคปฏิบัติ EvoX" ให้เป็นเส้นทางเดียว — เมื่อต้นทุนการทำให้เป็นจริงลดลง นักวิจัยต้องเปลี่ยนความสนใจจากการเขียนโค้ดไปสู่การตั้งคำถาม การกำหนดการประเมิน การกำหนดทิศทาง และการวิพากษ์ผลลัพธ์ และจดจำหลักการหลัก "Code is cheap. Taste matters."

> **ลำดับการอธิบาย**
>
> อธิบายการเปลี่ยนกระบวนทัศน์ก่อน จากนั้นอ่านแผนผังสถาปัตยกรรม ต่อมาอธิบายว่า EvoX ไม่ใช่เครื่องมืออัลกอริทึมเดียว แต่เป็นระบบวิวัฒนาการอัจฉริยะที่รันได้ ประกอบรวมได้ และสำรวจได้อย่างต่อเนื่อง; สุดท้ายลงสู่การเข้าสู่ภาคปฏิบัติ: เปลี่ยนจาก "เลือกอัลกอริทึม" เป็น "ออกแบบกระบวนการ"

**ประเด็นการสอน**

- โมเดลขนาดใหญ่ GPU Agent และเวิร์กโฟลว์อัตโนมัติกลายเป็นโครงสร้างพื้นฐานการวิจัยเริ่มต้น โค้ดที่ใช้งานได้ การทดลองแบบกลุ่ม การขยายการค้นหา ถูกลงเรื่อยๆ
- AI รับผิดชอบทำให้คำตอบเป็นจริง เร่งการทดลอง ขยายการค้นหา
- คนรับผิดชอบทิศทาง ข้อจำกัด รสนิยม และการตัดสินใจสำคัญ ความสนใจของคนเคลื่อนจาก "พิมพ์โค้ด" ขึ้นไปสู่ "กำหนดมาตรฐาน ตัดสินใจ เลือก ผลลัพธ์" เริ่มจาก "ปัญหาจริง·รสนิยมการวิจัย" คนตั้งคำถาม กำหนดมาตรฐาน ตัดสินทิศทาง
- เมื่อแปลงเป็นวิถีการสำรวจที่รันได้ โครงสร้างพื้นฐาน AI จะรับช่วงต่อ แล้วส่งให้ EvoX ภายใน EvoX มีสี่ส่วน: การกำหนดปัญหา (ความขัดแย้งของเป้าหมาย ข้อจำกัด) การออกแบบการประเมิน (ตัวชี้วัด น้ำหนัก เกณฑ์) กระบวนการวิวัฒนาการ (คำตอบที่เป็นไปได้ การวนซ้ำแบบกลุ่ม) การจัดตาราง Runtime (พลังประมวลผล การทำงานพร้อมกัน การทำซ้ำ) ผลลัพธ์คือแผนทางเลือกหลายแบบ ผลลัพธ์ที่ตรวจสอบได้ วิวัฒนาการอย่างต่อเนื่อง กลายเป็นผลงานวิจัยที่วิพากษ์ได้ ทำซ้ำได้ และผ่านลูปป้อนกลับ "การวิพากษ์และการยอมรับ" กลับไปยังจุดเริ่มต้น สืบทอดสายธารการคำนวณวิวัฒนาการ มุ่งสู่ปัญหาหลายเป้าหมายที่ซับซ้อน การสำรวจแบบเปิด และวิวัฒนาการระดับระบบอย่างต่อเนื่อง ไม่ใช่ตัวแก้ปัญหาเดียว แต่เป็นฐานทางวิศวกรรมที่รันได้ ประกอบรวมได้ สำรวจได้อย่างต่อเนื่อง: ผลผลิตจากการทดลองหนึ่งสามารถสืบทอดโดยการทดลองถัดไป กระบวนการค้นหาเองสามารถวิวัฒนาการได้อย่างต่อเนื่อง สี่จุดยึดยังคงเป็นการกำหนดปัญหา การออกแบบการประเมิน กระบวนการวิวัฒนาการ และการจัดตาราง Runtime ข้อผิดพลาดทั่วไปคือการมองจุดเข้าถึงเป็น "เลือกหนึ่งจากหลายอัลกอริทึม" จุดเริ่มต้นที่ถูกต้องคือระบุความขัดแย้งของเป้าหมายและข้อจำกัดก่อน แปลงปัญหาเป็นกระบวนการสำรวจที่รันได้ เปรียบเทียบได้ และวิวัฒนาการได้อย่างต่อเนื่อง คนกำหนดความขัดแย้งของเป้าหมาย เงื่อนไขข้อจำกัด และเกณฑ์การยอมรับก่อน
- AI สร้างและวนซ้ำโค้ดอย่างรวดเร็ว
- EvoX รันแบบกลุ่ม เปรียบเทียบแผนทางเลือก
- สุดท้ายได้ผลลัพธ์ที่วิพากษ์ได้ ตรวจสอบได้ ตัวอย่างเช่น การทดลองปรับให้เหมาะสมหลายเป้าหมาย ไม่ควรให้ AI เขียนโค้ดทั้งหมดแล้วรับผลลัพธ์เลย แต่ควรให้เครื่องรับผิดชอบการทำให้เป็นจริงและการสำรวจ ให้คนรับผิดชอบการกำหนดและการตัดสิน Code is cheap. Taste matters. เมื่อโค้ดไม่หายากอีกต่อไป รสนิยมทางปัญหา เกณฑ์การประเมิน ความสามารถในการชั่งน้ำหนักและการยอมรับ คือความสามารถในการแข่งขันด้านวิจัยที่ทดแทนได้ยากกว่า

**การจัดการแบบฝึกหัด**

หน้านี้มีคำถามแบบเลือกตอบ 5 ข้อ ข้อ 1 ตัวเลือกที่ถูกต้องคือ "เปลี่ยนจากการเขียนโค้ดไปสู่การตั้งคำถาม กำหนดเกณฑ์การประเมิน และตัดสินทิศทาง" จุดสำคัญของผลป้อนกลับ: การทำให้เป็นจริงและการสำรวจแบบกลุ่มมอบให้ AI ได้ หน้าที่หลักของคนคือตั้งคำถาม กำหนดมาตรฐาน และตัดสินผลลัพธ์ ข้อ 2 ตัวเลือกที่ถูกต้องคือ "ระบบวิวัฒนาการอัจฉริยะและฐานทางวิศวกรรมที่รันได้ ประกอบรวมได้ และสำรวจได้อย่างต่อเนื่อง" หากผิด ให้เตือนว่าอย่าลดทอน EvoX เป็นอัลกอริทึมใดอัลกอริทึมหนึ่ง ข้อ 3 ตัวเลือกที่ถูกต้องคือ "ระบุความขัดแย้งของเป้าหมายและข้อจำกัดก่อน แปลงปัญหาเป็นกระบวนการสำรวจที่รันได้" เน้นว่าจุดเข้าถึงไม่ใช่การเลือกอัลกอริทึมหรือการตั้งค่าพารามิเตอร์ ข้อ 4 ตัวเลือกที่ถูกต้องคือ "เมื่อโค้ดไม่หายากอีกต่อไป รสนิยมทางปัญหา เกณฑ์การประเมิน และการตัดสินการยอมรับกลายเป็นความสามารถที่หายากกว่า"

ไม่ได้ปฏิเสธการทำให้เป็นจริงและการตรวจสอบ แต่เน้นการเปลี่ยนแปลงของความหายาก ข้อ 5 ตัวเลือกที่ถูกต้องคือ "ให้ AI เขียนโค้ดทั้งหมดแล้วนำผลลัพธ์การรันมาใช้เลย โดยไม่กำหนดเป้าหมายและมาตรฐานด้วยมนุษย์อีก" ซึ่งขัดแย้งกับการแบ่งงาน "AI ทำให้เป็นจริงและสำรวจ คนกำหนดและตัดสิน"

ออกแบบการทดลองปรับให้เหมาะสมหลายเป้าหมายหนึ่งครั้งด้วย EvoX สถานการณ์ต้องการปรับต้นทุน ประสิทธิภาพ และความทนทานให้เหมาะสมพร้อมกัน ตัวชี้วัดทั้งสามขัดแย้งกัน และถูกจำกัดด้วยงบประมาณพลังประมวลผลและรอบการส่งมอบ การแบ่งงานมนุษย์-เครื่องควรเขียนเป็น: มนุษย์รับผิดชอบการกำหนดและการตัดสิน — ตั้งคำถาม เขียนความขัดแย้งของเป้าหมายและข้อจำกัดอย่างชัดเจน ออกแบบตัวชี้วัดการประเมินและเกณฑ์การยอมรับ และตัดสินทิศทางและวิพากษ์ผลลัพธ์อย่างมีวิจารณญาณต่อหน้าผลลัพธ์; AI รับผิดชอบการทำให้เป็นจริงและการสำรวจ — สร้างและวนซ้ำโค้ดอย่างรวดเร็ว รันแผนทางเลือกแบบกลุ่ม ขยายการค้นหาและเร่งการทดลอง ทั้งสองสร้างลูปปิด "คนกำหนดทิศทาง—AI ขยายการสำรวจ—คนทำการยอมรับ"

ความขัดแย้งของเป้าหมายไม่ได้ถูกกำหนดอย่างชัดเจน เกณฑ์การประเมินคลุมเครือ ข้อจำกัดถูกละเลย ผลลัพธ์ยากต่อการตัดสินว่าดีหรือแย่ ทำซ้ำและสะสม; ควรเปลี่ยนไปให้ความสำคัญกับการออกแบบกระบวนการ กำหนดการกำหนดปัญหาและวิธีการประเมินให้ชัดเจน วางแผนการสร้างคำตอบที่เป็นไปได้ การรันเปรียบเทียบแบบกลุ่ม และการจัดตาราง Runtime และนำผลลัพธ์แต่ละรอบเข้าสู่การวิพากษ์และการยอมรับ

**กิจกรรมในชั้นเรียน**

ขอให้นักศึกษาเลือกปัญหาที่คุ้นเคย เขียนความขัดแย้งของเป้าหมายและเกณฑ์การยอมรับในหนึ่งประโยค แล้วอธิบายว่า AI และ EvoX รับส่วนใด ตรวจสอบความเข้าใจ: สุ่มขอให้นักศึกษาทวน "ทำไมต้องกำหนดการประเมินก่อน แล้วจึงแตะโค้ด" และชี้บทบาทของลูปป้อนกลับในแผนผังสถาปัตยกรรม คำแนะนำการเปลี่ยนผ่าน: หลังจากยืนยันว่านักศึกษาสามารถแยกแยะความสามารถที่ถูกลงกับความสามารถที่หายากได้แล้ว จึงเข้าสู่หน้าถัดไปซึ่งมีตัวอย่าง โปรแกรมประยุกต์ หรือบทสรุป

<a id="lecture-page-3"></a>

### ขอบเขตความสามารถของโมเดลขนาดใหญ่และระบบวิวัฒนาการอย่างต่อเนื่อง

*หน้า 3*

> **เป้าหมายหน้า: ** เข้าใจช่องว่างระหว่างการเติบโตของความสามารถโมเดลขนาดใหญ่กับการสร้างระบบที่ปรับตัวเข้ากับโลกจริงในระยะยาว

**ประเด็นการสอน**

- เมื่อเห็นคำกล่าวเช่น "ความสามารถของโมเดลเพิ่มขึ้น" ให้ถามสองคำถาม: <em>ผลลัพธ์ที่มีประสิทธิผล</em>รอบนี้สะสมอยู่ที่ไหน? รอบถัดไปใครสืบทอด? ถ้าตอบไม่ได้ สิ่งที่เพิ่มขึ้นเป็นเพียงความสามารถในการเรียกใช้ครั้งเดียว ไม่ใช่ความสามารถในการปรับตัวระยะยาวของระบบ
- สร้างคำตอบที่เป็นไปได้ก่อน → ตรวจสอบกับความจริง → สะสมเข้าคลัง → สืบทอดและวิวัฒนาการต่อ ลำดับเปลี่ยนไม่ได้: ไม่มีคำตอบที่เป็นไปได้ก็ตรวจสอบไม่ได้ ไม่มีการตรวจสอบก็สะสมไม่ได้ ไม่มีการสะสมก็ไม่มีจุดเริ่มต้นที่สืบทอดได้
- ความเข้าใจผิดที่พบบ่อยสองประการ: มอง "ประสิทธิภาพดีในการทำงานครั้งเดียว" เป็น "ระบบปรับตัวได้ระยะยาว"; มอง "คำตอบที่เป็นไปได้ที่ยังไม่ผ่านการตรวจสอบ" เป็น "ข้อสรุปที่มีอยู่แล้ว" วิธีตรวจสอบตนเองคือดูว่าผลลัพธ์นี้ผ่านการตรวจสอบจริงหรือไม่ และถูกเขียนเข้าสู่เวอร์ชันโครงการที่สืบทอดได้หรือไม่

**เป้าหมายหน้า**

"การเติบโตของความสามารถ" ของโมเดลขนาดใหญ่กับ "การปรับตัวระยะยาว" ของระบบไม่ใช่สิ่งเดียวกัน ผู้เรียนต้องเข้าใจว่าทำไมการทำให้ความสามารถโมเดลแข็งแกร่งไม่ได้เท่ากับโครงการสามารถวิวัฒนาการต่อในโลกจริงได้โดยอัตโนมัติ และลูปปิดระดับระบบควรประกอบด้วยส่วนใดบ้าง

**ลำดับการอธิบาย**

แนะนำให้ดำเนินตามลำดับ "ส่วนประกอบความสามารถ → ทำไมไม่เพียงพอ → ลูปปิดสี่ขั้น → ความสัมพันธ์ระหว่างส่วนประกอบกับระบบ → การตรวจสอบความเข้าใจผิด" อธิบายก่อนว่าโมเดลขนาดใหญ่ทำอะไรได้ แล้วสร้างช่องว่างทางปัญญา (แข็งแกร่งครั้งเดียว ≠ มั่นคงระยะยาว) จากนั้นให้โครงสร้างลูปปิดเป็นวิธีแก้ สุดท้ายปิดท้ายด้วยแนวคิด "ส่วนประกอบ—ระบบ"

**ประเด็นการสอน**

หนึ่ง ความสามารถสามประเภทที่โมเดลขนาดใหญ่ให้ได้ มันสามารถรับผิดชอบความเข้าใจ การสร้าง และการเรียกใช้เครื่องมือได้อย่างมั่นคงแล้ว: แยกเป้าหมายและข้อจำกัดเป็นคำอธิบายงานที่รันได้; สร้างสมมติฐานโค้ด การออกแบบการทดลองและเอกสาร; เชื่อมต่อทรัพยากรภายนอกเช่นการค้นคืน การคำนวณ การคอมไพล์ และการจำลอง ดังนั้นการนำโมเดลขนาดใหญ่เป็น "ส่วนประกอบอัจฉริยะ" เข้าสู่กระบวนการวิจัยและวิศวกรรมจึงเป็นวิธีที่ใช้ได้จริงในปัจจุบัน แต่ต้องอธิบายให้ชัด: ความสามารถทั้งสามนี้ตอบคำถาม "งานครั้งเดียวทำถูกหรือไม่" ไม่สามารถตอบ "งานระยะยาวทำถูกอย่างต่อเนื่องหรือไม่"

สอง ทำไมความสามารถครั้งเดียวที่แข็งแกร่งจึงไม่เพียงพอ โครงการวิศวกรรมจริงมักดำเนิน数月乃至数年 และบริบทของ Agent เดียวจะหมดลงในที่สุด หากประสบการณ์ไม่สามารถสะสมได้ ทุกรอบงานต้องเริ่มจากศูนย์ การเติบโตของความสามารถจะไม่แปลงเป็นความสามารถในการปรับตัวระยะยาวโดยอัตโนมัติ ตรงนี้สามารถเสนอได้ว่า: ต้องขยายวัตถุวิวัฒนาการเป็น "โลกซอฟต์แวร์" ที่ดำรงอยู่อย่างต่อเนื่อง และอาศัยการคงอยู่ระดับโครงการ เพื่อให้ประสบการณ์ไม่สูญหายไปกับการทดลองครั้งเดียว

ส่วนประกอบอัจฉริยะเสนอสมมติฐาน แก้ไข หรือทำให้เป็นจริง ณ ขณะนี้พวกมันเป็นเพียงคำตอบที่เป็นไปได้ ไม่ใช่ข้อสรุป; การตรวจสอบจริง: คำตอบที่เป็นไปได้ต้องผ่านสภาพแวดล้อมจริง การจำลอง หรือการทดลอง และผ่านด่านการคอมไพล์ การทดสอบ การตรวจสอบพฤติกรรม และการยอมรับระดับบน; การสะสมผลลัพธ์: เฉพาะผลลัพธ์ที่มีประสิทธิผลที่ผ่านการตรวจสอบเท่านั้นจึงถูกเขียนเข้าสู่เวอร์ชันโครงการที่ได้รับการยอมรับ กลายเป็นทรัพย์สินที่นำกลับมาใช้ได้; วิวัฒนาการต่อ: งานต่อๆ ไปสืบทอดผลลัพธ์ที่สะสมไว้ บนพื้นฐานนั้นสร้างคำตอบที่เป็นไปได้ต่อไป สูตรคือ "สร้างคำตอบที่เป็นไปได้ก่อน → ตรวจสอบกับความจริง → สะสมเข้าคลัง → สืบทอดและวิวัฒนาการต่อ" ต้องเน้นการพึ่งพาเชิงตรรกะ: ไม่มีคำตอบที่เป็นไปได้ก็ตรวจสอบไม่ได้ ไม่มีการตรวจสอบก็สะสมไม่ได้ ไม่มีการสะสมก็ไม่มีจุดเริ่มต้นที่สืบทอดได้

สี่ ใช้ระบบความร่วมมือหลาย Agent อย่าง Genesis เป็นตัวอย่างลูปปิด Agent ที่เข้าร่วมงานมีวงจรชีวิตจำกัด ผู้ปฏิบัติระดับบนเข้าใจเป้าหมายและแบ่งงานแบบเวียนเกิด ผู้ปฏิบัติระดับล่างทำงานส่วนย่อยให้เสร็จและทดสอบ หากจำเป็นก็เวียนเกิดลงต่อไป; การแก้ไขที่เป็นไปได้ถูกส่งเป็นเพียงคำตอบที่เป็นไปได้ ต้องผ่านการคอมไพล์ การทดสอบ การตรวจสอบพฤติกรรม และการยอมรับระดับบนจึงได้รับการยอมรับ ความพยายามที่ล้มเหลวถูกปฏิเสธ ผลลัพธ์ที่ผ่านการตรวจสอบถูกเขียนเข้าสู่เวอร์ชันโครงการ กลายเป็นพื้นฐานทางประวัติศาสตร์สำหรับผู้ปฏิบัติในภายหลัง ในสถานการณ์เช่นการปรับโครงสร้างคอมไพเลอร์และการอัปเกรดซอฟต์แวร์วิทยาศาสตร์ กลไกนี้แสดงให้เห็นถึงความน่าเชื่อถือสูงและอัตราเร่งการทำงาน

ส่วนประกอบความสามารถรับผิดชอบสร้างคำตอบที่เป็นไปได้คุณภาพสูงที่จุดเดียว ลูปปิดของระบบรับผิดชอบตัดสินว่าคำตอบที่เป็นไปได้ใดควรถูกเก็บไว้ เก็บอย่างไร และถ่ายทอดสู่รอบถัดไปอย่างไร หากขาดลูปปิด ความสามารถยิ่งแข็งแกร่งก็ยิ่งสร้างคำตอบที่เป็นไปได้ที่ยังไม่ผ่านการตรวจสอบมากขึ้น; หากขาดส่วนประกอบที่แข็งแกร่ง ลูปปิดก็ขาดแหล่งคำตอบที่เป็นไปได้คุณภาพสูง

หก ความเข้าใจผิดทั่วไปและวิธีตรวจสอบตนเอง การตีความผิดที่พบบ่อยที่สุดคือมอง "ความสามารถของโมเดลเพิ่มขึ้น" เท่ากับ "ระบบปรับตัวได้ระยะยาว" เกณฑ์การตัดสินไม่ใช่ว่าโมเดลทำงานได้ดีแค่ไหนในงานครั้งหนึ่ง แต่เป็นว่าผลลัพธ์ที่มีประสิทธิผลสามารถสะสมได้อย่างมั่นคงและสืบทอดโดยงานรอบถัดไปหรือไม่ สามารถสอนคำถามสองข้อให้ผู้เรียน: ผลลัพธ์ที่มีประสิทธิผลรอบนี้สะสมอยู่ที่ไหน? รอบถัดไปใครสืบทอด? หากตอบไม่ได้ สิ่งที่เพิ่มขึ้นเป็นเพียงความสามารถในการเรียกใช้ครั้งเดียว ความเข้าใจผิดอีกประการคือมอง "คำตอบที่เป็นไปได้ที่ยังไม่ผ่านการตรวจสอบ" เป็น "ข้อสรุปที่มีอยู่แล้ว" วิธีตรวจสอบตนเองคือดูว่ามันผ่านการตรวจสอบจริงหรือไม่ และถูกเขียนเข้าสู่เวอร์ชันโครงการที่สืบทอดได้หรือไม่

**เบาะแสวัสดุ**

ด้านซ้ายเป็นพื้นที่ส่วนประกอบ "ความสามารถโมเดลขนาดใหญ่" แสดงความเข้าใจ การสร้าง การเรียกใช้เครื่องมือ สามรายการ; ด้านขวาเป็น "ลูปปิดระบบวิวัฒนาการอย่างต่อเนื่อง" ประกอบด้วยสี่โหนด การสร้างคำตอบที่เป็นไปได้ การตรวจสอบจริง การสะสมผลลัพธ์ การวิวัฒนาการต่อ เป็นวงจร ตรงกลางระบุ "ส่วนประกอบความสามารถต้องถูกจัดระเบียบโดยระบบ" เมื่ออธิบายสามารถพาผู้เรียนเดินตามลูกศรไปรอบลูปปิด แล้วชี้กลับไปด้านซ้าย อธิบายว่าส่วนประกอบจะมีคุณค่าในระยะยาวก็ต่อเมื่อถูกจัดระเบียบโดยระบบ

**เบาะแสแบบฝึกหัดและแนวทางคำตอบ**

ตำแหน่งที่ถูกต้องของโมเดลขนาดใหญ่ในกระบวนการ (ส่วนประกอบอัจฉริยะที่ระบบจัดระเบียบได้ รับผิดชอบความเข้าใจ การสร้าง และการเรียกใช้เครื่องมือ); ทำไมการเติบโตของความสามารถไม่เท่ากับการปรับตัวระยะยาว (บริบทของเซสชันเดียวจะหมดลง และผลลัพธ์ที่ยังไม่ผ่านการตรวจสอบไม่สามารถสะสมเป็นทรัพย์สินที่สืบทอดได้); ลำดับที่ถูกต้องของลูปปิด (การสร้างคำตอบที่เป็นไปได้ → การตรวจสอบจริง → การสะสมผลลัพธ์ → การวิวัฒนาการต่อ); เกณฑ์ที่โค้ดเข้าสู่ประวัติโครงการใน Genesis (ผ่านการคอมไพล์ การทดสอบ และการตรวจสอบพฤติกรรม และผ่านการยอมรับระดับบน); และการอธิบายความสัมพันธ์ "ส่วนประกอบ—ระบบ" อย่างถูกต้อง

โจทย์กรณีศึกษาต้องการออกแบบลูปปิดระดับระบบสำหรับห้องปฏิบัติการคำนวณวิทยาศาสตร์ระยะยาว และให้กลไกสำหรับ "แผนที่ล้มเหลวถูกลองซ้ำแล้วซ้ำเล่า" และ "สมาชิกใหม่ไม่สามารถสืบทอดข้อสรุปก่อนหน้า" จุดสำคัญของคำตอบ: ใช้ประตูการยอมรับที่เข้มงวดและบันทึกการตัดสินใจปฏิเสธคำตอบที่เป็นไปได้ที่ไม่ผ่านและเก็บเหตุผลความล้มเหลว ใช้การคงอยู่ระดับโครงการเขียนผลลัพธ์ที่ผ่านการยอมรับเข้าสู่เวอร์ชันโครงการที่ได้รับการยอมรับ; พร้อมชี้ให้เห็นว่า — การเพิ่มความสามารถโมเดลเพียงอย่างเดียวสามารถเพิ่มคุณภาพคำตอบที่เป็นไปได้ครั้งเดียว แต่รากเหง้าของปัญหาทั้งสองอยู่ที่การขาดการตรวจสอบ การบันทึก และการสะสม

**ตรวจสอบความเข้าใจ**

ทำไมโมเดลที่แข็งแกร่งขึ้นไม่เท่ากับโครงการวิวัฒนาการระยะยาวได้ดีขึ้น และลูปปิดสี่ขั้นแต่ละขั้นแก้ปัญหาอะไร หากคำตอบหยุดอยู่แค่ "โมเดลเก่งมาก" สามารถแนะนำให้กลับไปที่คำถามสองข้อ "ผลลัพธ์ที่มีประสิทธิผลสะสมอยู่ที่ไหน ใครสืบทอด" เพื่อเติมเต็ม

**คำแนะนำการเปลี่ยนผ่าน**

หลังจากยืนยันว่าผู้เรียนสามารถแยกแยะ "คุณภาพคำตอบที่เป็นไปได้ครั้งเดียว" กับ "การคัดกรอง การสะสม และการสืบทอดระดับระบบ" ได้แล้ว จึงเข้าสู่หน้าถัดไปซึ่งมีโปรแกรมประยุกต์ ตัวอย่าง หรือภาคปฏิบัติ

<a id="lecture-page-4"></a>

### การแปลงปัญหาจริงเป็นกระบวนการสำรวจ EvoX

*หน้า 4*

> **เป้าหมายหน้า: ** เชี่ยวชาญวิธีการกำหนดวัตถุที่เปลี่ยนแปลงได้ เกณฑ์การประเมิน และกลไกการเก็บรักษาเมื่อเผชิญกับปัญหาจริง

> **เป้าหมายหน้า**
>
> เชี่ยวชาญวิธีการกำหนดวัตถุที่เปลี่ยนแปลงได้ เกณฑ์การประเมิน และกลไกการเก็บรักษาเมื่อเผชิญกับปัญหาจริง และเข้าใจลำดับ "แปลงปัญหาก่อน แล้วจึงพูดถึงการเลือกอัลกอริทึม"

> **ลำดับการอธิบาย**
>
> ปัญหาจริง (ความต้องการอธิบายได้) → การกำหนดวัตถุที่เปลี่ยนแปลงได้ (ตัวแปรสามารถสุ่มตัวอย่างได้) → การสร้างเกณฑ์การประเมิน (เป้าหมายคำนวณได้) → กลไกการเก็บรักษาและการเลือก (คำตอบที่เป็นไปได้สืบทอดได้) → การสำรวจแบบวนซ้ำ EvoX (แต่ละรุ่นทำซ้ำได้) → ผลลัพธ์แผนทางเลือก (ข้อสรุปวัดได้)
>
> เมื่อการประเมินบิดเบือน ให้ย้อนกลับไปที่การสร้างเกณฑ์การประเมิน; เมื่อความหลากหลายยุบตัว ให้ย้อนกลับไปที่กลไกการเก็บรักษา
>
> 3. จากนั้นขยายเงื่อนไขการยอมรับสี่ข้อตามลำดับ และใช้การออกแบบปีกอากาศยวดวิกฤตอธิบายวิธีการแมป
>
> 4. สุดท้ายตรวจสอบความเข้าใจด้วยคำถามถูกผิดห้าข้อและกรณีศึกษาแผ่นระบายความร้อนแบตเตอรี่

**ประเด็นการสอน**

- การแปลงปัญหาจริงเป็นกระบวนการสำรวจ EvoX คือการเขียนความต้องการทางวิศวกรรมหรือการวิจัยที่คลุมเครือใหม่เป็นนิยามปัญหาวิวัฒนาการที่ "สุ่มตัวอย่างได้ ประเมินได้ เก็บรักษาได้ ตรวจสอบแบบวนซ้ำได้" ก่อนที่จะเขียนการตั้งค่าอัลกอริทึมใดๆ EvoX รับช่วงสายการสำรวจ มันต้องรู้ว่าสุ่มตัวอย่างในพื้นที่ใด ให้คะแนนด้วยมาตรฐานใด ผลลัพธ์ใดควรสืบทอด ข้อมูลเหล่านี้มาจากตัวปัญหาเท่านั้น อัลกอริทึมสามารถหาคำตอบได้เฉพาะภายในนิยาม ไม่สามารถหาคำตอบที่ถูกต้องจากปัญหาที่นิยามผิดได้ แปลความต้องการจริงเป็นตัวแปรการตัดสินใจ กำหนดรูปแบบการแสดงมิติและขอบเขต และแยกแยะพารามิเตอร์ต่อเนื่อง โครงสร้างไม่ต่อเนื่อง乃至วัตถุระดับโปรแกรม ขอบเขตที่แคบเกินไปจะตัดคำตอบที่ดีที่สุดที่แท้จริงออกจากพื้นที่ค้นหา
- ตัวแปรสามารถสุ่มตัวอย่างได้ แยกเป้าหมายที่คลุมเครือเป็นฟังก์ชันเป้าหมายและข้อจำกัดที่คำนวณได้ ระบุตัวชี้วัดที่ต้อง最大化 ข้อจำกัดแข็ง และการชั่งน้ำหนักหลายเป้าหมาย เมื่อผลป้อนกลับเบาบางหรือการจำลองแพง ให้เพิ่มแบบจำลองตัวแทนแทนการคำนวณที่มีต้นทุนสูง เงื่อนไขการยอมรับ: เป้าหมายคำนวณได้ และผลลัพธ์คงที่ ทำซ้ำได้ภายใต้อินพุตเดียวกัน กำหนดว่าคำตอบที่เป็นไปได้ถูกบันทึก เปรียบเทียบ และสืบทอดอย่างไร ให้กระบวนการวิวัฒนาการมีความจำ ทิศทาง และความหลากหลาย ไม่ใช่การลองผิดลองถูกแบบครั้งเดียวที่ไม่เกี่ยวข้องกันทีละรอบ เงื่อนไขการยอมรับ: คำตอบที่เป็นไปได้สืบทอดได้ ผลลัพธ์การแปลงต้องทำซ้ำได้ วัดได้ ตรวจสอบแบบวนซ้ำได้ ทุกขั้นตอนสามารถตอบได้ว่า "การเปลี่ยนแปลงครั้งนี้ดีขึ้นจริงหรือไม่" การตั้งตัวแปรไม่ครบจะเข้าใจพื้นที่คำตอบผิด การประเมินบิดเบือนจะทำให้การปรับให้เหมาะสมเบี่ยงเบนทั้งหมด
- ความเบี่ยงเบนทั้งสองประเภทนี้ไม่สามารถชดเชยได้ด้วยตัวดำเนินการในภายหลังหรือการวนซ้ำที่มากขึ้น ในการออกแบบปีกอากาศยวดวิกฤต วัตถุที่เปลี่ยนแปลงได้คือพารามิเตอร์การรบกวนทางเรขาคณิตของปีกอากาศพื้นฐาน
- เกณฑ์การประเมินคือตัวชี้วัดหลายเป้าหมายเช่นอัตราส่วนแรงยกต่อแรงต้าน การลู่เข้าของแรงต้าน ความทนทาน และใช้แบบจำลองตัวแทนควบคุมต้นทุนการจำลอง
- กลไกการเก็บรักษาคือการส่งออกกลุ่มแผนทางเลือกที่หลากหลายซึ่งคำนึงถึงตัวชี้วัดต่างๆ มอบให้ผู้เชี่ยวชาญในสาขาชั่งน้ำหนักตัดสินใจ ปัญหาจริงเดียวกัน เพียงเปลี่ยนชุดขอบเขตตัวแปรหรือเกณฑ์การประเมิน ข้อสรุปการสำรวจจะแตกต่างกันโดยสิ้นเชิง

**การครอบคลุมคำสำคัญ**

- การแปลงปัญหา การกำหนดวัตถุที่เปลี่ยนแปลงได้ ตัวแปรสามารถสุ่มตัวอย่างได้ การสร้างเกณฑ์การประเมิน เป้าหมายคำนวณได้ กลไกการเก็บรักษาและการเลือก คำตอบที่เป็นไปได้สืบทอดได้ การสำรวจแบบวนซ้ำ EvoX แต่ละรุ่นทำซ้ำได้ การประเมินบิดเบือน ความหลากหลายยุบตัว แบบจำลองตัวแทน ปีกอากาศยวดวิกฤต

**การจัดการแบบฝึกหัด**

คำตอบที่ถูกต้องคือ "เพราะการแปลงกำหนดพื้นที่ค้นหาและเกณฑ์การประเมิน อัลกอริทึมสามารถหาคำตอบได้เฉพาะภายในนิยามนี้" เมื่ออธิบายเน้นว่าการแปลงตอบ "อะไรเปลี่ยนแปลงได้" และ "เปลี่ยนแปลงแล้วประเมินอย่างไร" ขีดจำกัดบนของพื้นที่สำรวจและทิศทางการปรับให้เหมาะสมถูกกำหนดโดยมัน; ต้นทุนการสุ่มตัวอย่างหรือประเภทตัวดำเนินการไม่ใช่ประเด็นสำคัญ

คำตอบที่ถูกต้องคือ "พื้นที่ค้นหาแคบเกินไป คำตอบที่ดีที่สุดที่แท้จริงไม่อยู่ในนั้น ตัวดำเนินการและการวนซ้ำในภายหลังไม่สามารถชดเชยได้" การตั้งตัวแปรไม่ครบเป็นความเบี่ยงเบนในขั้นตอนการแปลง ฟังก์ชันการประเมิน กลไกการเก็บรักษา และตัวดำเนินการไม่สามารถสร้างมิติที่ไม่ได้กำหนดขึ้นมาได้

คำตอบที่ถูกต้องคือ "ใช้แบบจำลองตัวแทนประมาณการประเมินด้วยต้นทุนต่ำ พร้อมเก็บความสัมพันธ์การชั่งน้ำหนักหลายเป้าหมายและข้อจำกัดแข็งอย่างชัดเจน" เมื่อการประเมินแพงและเป้าหมายขัดแย้ง วิธีที่ถูกต้องคือลดต้นทุนการประเมินครั้งเดียวและแสดงความขัดแย้งและข้อจำกัดอย่างชัดเจน ไม่ใช่ลดจำนวนรุ่นการวนซ้ำหรือรวมแบบถ่วงน้ำหนักอย่างง่าย

คำตอบที่ถูกต้องคือ "ให้คำตอบที่เป็นไปได้ถูกบันทึก เปรียบเทียบ และสืบทอด ทำให้กระบวนการวิวัฒนาการมีความจำ ทิศทาง และความหลากหลาย" กลไกการเก็บรักษาไม่รับผิดชอบการประเมิน และไม่รับผิดชอบแก้ไขขอบเขตตัวแปร

คำตอบที่ถูกต้องคือ "ทุกขั้นตอนควรทำซ้ำได้และสามารถตอบ 'การเปลี่ยนแปลงครั้งนี้ดีขึ้นจริงหรือไม่' มิฉะนั้นความเบี่ยงเบนจะถูกขยายในการวนซ้ำ" การประเมินรวมภายหลังไม่สามารถแทนการตรวจสอบทีละขั้นได้ การตั้งตัวแปรไม่ครบและการประเมินบิดเบือนเกิดขึ้นในขั้นตอนการแปลง การวนซ้ำเพียงแต่ขยายความเบี่ยงเบน

เมื่อตอบถูก ให้ยืนยันว่านักศึกษาสามารถเชื่อมโยงแนวคิดในหน้านี้และอธิบายเหตุผลได้; เมื่อตอบผิด ขอให้นักศึกษากลับไปที่ย่อหน้าที่เกี่ยวข้อง หาหลักฐานหรือตัวอย่างสำคัญแล้วจึงตัดสิน

> **เบาะแสแบบฝึกหัด**
>
> - การปรับให้เหมาะสมทางเรขาคณิตของช่องทางระบายความร้อนของแผ่นระบายความร้อนแบตเตอรี่ ใช้เฉพาะความกว้างช่องทางเป็นตัวแปรการตัดสินใจ ละเลยทิศทางช่องทาง รูปแบบโทโพโลยี จำนวนระดับการแยก ตำแหน่งทางเข้า-ออก และระดับความเป็นอิสระของโครงสร้างไม่ต่อเนื่องอื่นๆ ถือเป็นการกำหนดวัตถุที่เปลี่ยนแปลงได้แคบเกินไป รูปทรงที่ดีที่สุดที่แท้จริงอาจไม่อยู่ในพื้นที่ค้นหา
> - ใช้อุณหภูมิสูงสุดเป็นเป้าหมายเดียว มอบการลดแรงดันและความสม่ำเสมอของอุณหภูมิให้การตัดสินด้วยประสบการณ์ ถือเป็นการประเมินบิดเบือน ความขัดแย้งหลายเป้าหมายไม่ถูกสร้างแบบจำลองอย่างชัดเจน
> - การจำลอง 3 ชั่วโมงต่อครั้งคูณ 200 รุ่น ขาดการควบคุมต้นทุนการประเมินและเกณฑ์การตรวจสอบที่ทำซ้ำได้ เลือก个体ที่ "ดูดีที่สุด" จากผลลัพธ์โดยตรง ไม่สามารถตอบ "การเปลี่ยนแปลงครั้งนี้ดีขึ้นจริงหรือไม่" บนวัตถุที่เปลี่ยนแปลงได้ นำพารามิเตอร์ต่อเนื่อง (ความกว้าง ความลึก ความหนาของช่องทาง) และโครงสร้างไม่ต่อเนื่อง (โทโพโลยีช่องทาง จำนวนระดับการแยก ตำแหน่งทางเข้า-ออก) มารวมด้วยกัน ระบุช่วงค่าหรือวิธีการเข้ารหัส และแยกแยะปริมาณคงที่ เงื่อนไขการตรวจสอบคือตัวแปรสามารถสุ่มตัวอย่างได้ บนเกณฑ์การประเมิน เขียนอุณหภูมิสูงสุด การลดแรงดัน ความสม่ำเสมอของอุณหภูมิเป็นฟังก์ชันเป้าหมายหลายเป้าหมายอย่างชัดเจน เขียนขีดจำกัดบนของการลดแรงดัน ความเป็นไปได้ในการผลิตเป็นข้อจำกัดแข็ง ใช้แบบจำลองตัวแทนรับผิดชอบการประเมินส่วนใหญ่และปรับเทียบด้วยการจำลองจริงเป็นระยะ เงื่อนไขการตรวจสอบคือเป้าหมายคำนวณได้ คงที่และทำซ้ำได้ภายใต้อินพุตเดียวกัน บนกลไกการเก็บรักษา เก็บบันทึกกลุ่มแผนทางเลือกที่หลากหลายซึ่งชั่งน้ำหนักข้ามเป้าหมาย ไม่ใช่คำตอบที่ดีที่สุดเพียงหนึ่งเดียว กำหนดกฎการเปรียบเทียบและกฎการสืบทอด และใช้ตัวชี้วัดความหลากหลายติดตามความเป็นเนื้อเดียวกัน เงื่อนไขการตรวจสอบคือคำตอบที่เป็นไปได้สืบทอดได้ ในการรันและตรวจสอบ บันทึกตัวชี้วัดที่ทำซ้ำได้ทุกรุ่น
> - หากความน่าเชื่อถือของการประเมินลดลง ให้ย้อนกลับไปที่การสร้างเกณฑ์การประเมินเพื่อปรับเทียบใหม่
> - หากความหลากหลายยุบตัว ให้ย้อนกลับไปที่กลไกการเก็บรักษาเพื่อปรับกลยุทธ์การคัดกรองและการสืบทอด

**กิจกรรมในชั้นเรียน**

ขอให้นักศึกษาเขียน "ทำให้การออกแบบนี้ดีขึ้น" ใหม่เป็นนิยามปัญหาการสำรวจที่ประกอบด้วยวัตถุที่เปลี่ยนแปลงได้ เกณฑ์การประเมิน และกลไกการเก็บรักษาในหนึ่งประโยค แล้วตรวจสอบซึ่งกันและกันว่าตรงตาม "สุ่มตัวอย่างได้ คำนวณได้ สืบทอดได้ ทำซ้ำได้" หรือไม่

**ตรวจสอบความเข้าใจ**

สุ่มขอให้นักศึกษาหนึ่งคนสรุปประเด็นสำคัญของหน้านี้ด้วยคำพูดของตนเอง ครูเติมเต็มเงื่อนไขการยอมรับและลูปป้อนกลับที่ขาดหายตามคำตอบ

> **คำแนะนำการเปลี่ยนผ่าน**
>
> หลังจากยืนยันว่านักศึกษาสามารถพูด "กำหนดก่อน แล้วเปิด optimizer" และกลไกย้อนกลับสองประเภทได้แล้ว จึงเข้าสู่หน้าถัดไปซึ่งมีตัวอย่าง โปรแกรมประยุกต์ หรือบทสรุป

<a id="lecture-page-5"></a>

### การปรับให้เหมาะสมหลายเป้าหมายและการสำรวจหลายคำตอบ

*หน้า 5*

> **เป้าหมายหน้า: ** ตระหนักถึงความซับซ้อนของการดึงกันหลายเป้าหมายในโลกจริงและความจำเป็นในการเก็บกลุ่มแผนทางเลือก

> **เป้าหมายหน้า**
>
> ตระหนักถึงความซับซ้อนของการดึงกันหลายเป้าหมายในโลกจริง เข้าใจว่าทำไมต้องเก็บกลุ่มแผนทางเลือก และเชี่ยวชาญ Pareto domination, Pareto front, ราคาของการทำให้เป็นสเกลาร์ และการประเมินสองมิติของการลู่เข้าและความหลากหลาย

**ประเด็นการสอน**

- นี่เป็นปัญหาหลายเป้าหมายจริงหรือไม่ เกณฑ์การตัดสินไม่ใช่ "จำนวนเป้าหมายมากกว่า 1" แต่เป็นว่าเป้าหมายขัดแย้งกันหรือไม่ ยกตัวอย่างการออกแบบปีกอากาศยวดวิกฤต: อัตราส่วนแรงยกต่อแรงต้าน ความแข็งแรงโครงสร้าง ระยะขอบการสูญเสียแรงยก และต้นทุนการผลิต/การจำลองดึงกัน การเพิ่มอัตราส่วนแรงยกต่อแรงต้านมักหมายถึงภาระโครงสร้างและต้นทุนการผลิตเพิ่มขึ้นพร้อมกัน หากเป้าหมายทั้งหมดสามารถปรับปรุงพร้อมกันได้โดยไม่สูญเสีย ปัญหาก็ลดลงเป็นเป้าหมายเดียว การสำรวจหลายคำตอบไม่จำเป็นและสิ้นเปลืองพลังประมวลผล ทิศทางตรงข้าม ดึงกัน这才構成หลายเป้าหมายที่แท้จริง สอง Pareto domination และ Pareto front คำตอบ A ครอบงำคำตอบ B ก็ต่อเมื่อ A ไม่แย่กว่า B ในทุกเป้าหมาย (สำหรับทุกเป้าหมาย i มี fᵢ(A) ≤ fᵢ(B)) และดีกว่าอย่างเคร่งครัดในอย่างน้อยหนึ่งเป้าหมาย (มี j ที่ fⱼ(A) < fⱼ(B)) คำตอบใดที่ถูกครอบงำ ย่อมมีสิ่งทดแทนที่ "ดีเท่ากันอย่างน้อย ดีกว่าในบางจุด" ดังนั้นไม่มีคุณค่าในการเก็บรักษา คำตอบทั้งหมดที่ไม่ถูกคำตอบใดครอบงำ constituye Pareto front — คำตอบบน front ไม่ครอบงำกันเอง ใครเหมาะสมกว่าขึ้นอยู่กับความชอบ ไม่ใช่คณิตศาสตร์ สาม ราคาของการทำให้เป็นเป้าหมายเดียว วิธีการทำให้เป็นสเกลาร์เช่นการรวมแบบถ่วงน้ำหนัก ε-constraint บีบเป้าหมายแบบเวกเตอร์เป็นสเกลาร์เดียว สะดวกในทางวิศวกรรม แต่ราคาชัดเจน: ปกปิดโครงสร้างการชั่งน้ำหนัก — เมื่อน้ำหนักถูกกำหนดแล้ว รูปร่างของ front และทิศทางทางเลือกจะมองไม่เห็น ผู้ตัดสินใจเห็นเพียงคะแนนเดียว น้ำหนักต้องกำหนดล่วงหน้า — แต่ความชอบจริงมักไม่สามารถทำให้เป็นรูปแบบล่วงหน้าได้ มักจะชัดเจนขึ้นในขั้นตอนการ评审 การครอบคลุมจำกัด — การรวมแบบถ่วงน้ำหนักมักเข้าถึงได้เฉพาะจุดบางจุดบน front ส่วนที่ไม่นูนของ front ยากที่จะเข้าถึง เมื่อการตรวจสอบในภายหลังเปลี่ยนน้ำหนัก การค้นหาทั้งหมดต้องรันใหม่ ซึ่งตรงกันข้ามกับ "การสำรวจครั้งเดียวแลกอิสรภาพในการตัดสินใจหลายครั้ง" การลู่เข้าและความหลากหลาย การลู่เข้า (ชุดคำตอบเข้าใกล้ front จริงหรือไม่) และความหลากหลาย (คำตอบครอบคลุมส่วนต่างๆ ของ front หรือไม่) ทั้งสองมักดึงกัน: เมื่อแรงกดดันการเลือกเอนไปทาง "ดีกว่า" มากเกินไป ประชากรจะยุบตัวไปที่จุดหนึ่งหรือส่วนเล็กๆ ของ front ดูเหมือนลู่เข้าเร็ว แต่ทิ้งข้อมูลการชั่งน้ำหนัก ดังนั้นต้องรักษาความหลากหลายของประชากรอย่างชัดเจน พร้อมกับแรงกดดันการเลือกเช่น crowding distance การสลายตัว การขับเคลื่อนด้วยตัวชี้วัด (เช่น hypervolume) ตำแหน่งการตัดสินใจเปลี่ยนไป optimizer เพียงรับผิดชอบสร้างกลุ่มคำตอบที่เป็นไปได้ที่เปรียบเทียบได้ การเลือก最终由ความชอบหรือผู้เชี่ยวชาญในสาขาทำ optimizer ไม่ควรลู่เข้าเร็วเกินไปแทนผู้ตัดสินใจ เหตุผลเชิงปฏิบัติในการเก็บกลุ่มคำตอบที่เป็นไปได้ที่แตกต่างคือ "การป้องกันความเสี่ยง" — เมื่อความชอบไม่รู้ จะเปลี่ยนตามสถานการณ์ หรือข้อจำกัดจะถูกแก้ไขในขั้นตอนการนำไปใช้ กลุ่มแผนที่หลากหลายมีคุณค่ามากกว่า "คำตอบที่ดีที่สุด" เพียงหนึ่งเดียว ในแง่อินเทอร์เฟซการใช้งาน ปัญหาหลายเป้าหมายควรถูกกำหนดเป็นฟังก์ชันการประเมินแบบเวกเตอร์ (คืนค่าเป้าหมายหลายค่าพร้อมกัน) และการส่งออกชุดแผนทางเลือก ไม่ใช่ fitness แบบสเกลาร์กับการคืนค่าเดียว จำนวนค่าที่คืนของฟังก์ชันการประเมินกำหนดมิติเป้าหมาย โครงสร้างการส่งออกกำหนดว่าสามารถรักษาความหลากหลายได้หรือไม่

> **เบาะแสวัสดุ**
>
> - หน้านี้มีแผนภาพกระจาย Pareto front แบบสองมิติ แกนนอนคือเป้าหมาย 1 คุณภาพโครงสร้าง (ยิ่งน้อยยิ่งดี) แกนตั้งคือเป้าหมาย 2 ต้นทุนการผลิต (ยิ่งน้อยยิ่งดี) ในภาพมีป้ายกำกับคำตอบที่ไม่ถูกครอบงำ คำตอบที่ถูกครอบงำ Pareto front จุดที่การทำให้เป็นสเกลาร์เข้าถึง ทิศทางการปรับปรุง พื้นที่เบาบางและพื้นที่หนาแน่น สามารถใช้แผนภาพนี้อธิบายความสัมพันธ์การครอบงำ รูปร่าง front และความหลากหลายได้อย่าง直观 และอธิบายว่าการรวมแบบถ่วงน้ำหนักมักเข้าถึงได้เฉพาะจุดบางจุดบน front

> **เบาะแสแบบฝึกหัด**
>
> - หน้านี้มีคำถามแบบเลือกตอบ 5 ข้อและกรณีศึกษา 1 กรณี ข้อ 1 ตรวจสอบการตัดสิน Pareto domination ตัวเลือกที่ถูกต้องคือ "คำตอบ A ครอบงำคำตอบ B ก็ต่อเมื่อ A ไม่แย่กว่า B ในทุกเป้าหมาย และดีกว่าอย่างเคร่งครัดในอย่างน้อยหนึ่งเป้าหมาย" เมื่อแนะนำเน้นว่าเงื่อนไขทั้งสองต้องเป็นจริงพร้อมกัน คำตอบที่互有优劣ไม่ครอบงำกัน จะอยู่บน Pareto front พร้อมกัน ข้อ 2 ตรวจสอบเกณฑ์การตัดสินปัญหาหลายเป้าหมาย ตัวเลือกที่ถูกต้องคือ "เป้าหมายมีทิศทางตรงข้าม การปรับปรุงหนึ่งย่อมแลกกับการเสื่อมของอีกหนึ่ง" เมื่อแนะนำชี้ให้เห็นว่าความขัดแย้งคือแก่นแท้ของหลายเป้าหมาย ประเด็นไม่ใช่จำนวนเป้าหมาย แต่เป็นความสัมพันธ์ขัดแย้งที่ดึงกัน ข้อ 3 ตรวจสอบการตัดสินวิธีการทำให้เป็นสเกลาร์ ตัวเลือกที่ถูกต้องคือ "การทำให้เป็นสเกลาร์ปกปิดโครงสร้างการชั่งน้ำหนัก และต้องกำหนดน้ำหนักล่วงหน้า แต่ความชอบจริงมักไม่สามารถทำให้เป็นรูปแบบล่วงหน้าได้" เมื่อแนะนำเตือนราคาสองประการ: ปกปิดโครงสร้างการชั่งน้ำหนัก และต้องกำหนดน้ำหนักล่วงหน้า ข้อ 4 ตรวจสอบความสัมพันธ์ระหว่างการลู่เข้ากับความหลากหลาย ตัวเลือกที่ถูกต้องคือ "ทั้งสองมักดึงกัน การ poursuivre การลู่เข้ามากเกินไปทำให้ประชากรยุบตัวไปที่ส่วนใดส่วนหนึ่งของ front" สามารถถามกลับ: หากคำตอบทั้งหมดอัดแน่นอยู่ที่จุดหนึ่งบน front แม้ดูเหมือนลู่เข้า แต่ผู้ตัดสินใจยังเลือกได้หรือไม่? ข้อ 5 ตรวจสอบการแบ่งงานระหว่าง optimizer กับผู้ตัดสินใจ ตัวเลือกที่ถูกต้องคือ "optimizer ส่งออกกลุ่มคำตอบที่ไม่ถูกครอบงำที่เปรียบเทียบได้ การเลือก最終交给ความชอบหรือผู้เชี่ยวชาญในสาขา" เมื่อแนะนำอธิบายว่าตำแหน่งการตัดสินใจเปลี่ยนไป คุณค่าของการปรับให้เหมาะสมหลายเป้าหมายอยู่ที่การเก็บกลุ่มคำตอบที่เป็นไปได้ กรณีศึกษาว่าด้วยการชั่งน้ำหนักหลายเป้าหมายของปีกอากาศยวดวิกฤต คำถาม 1 ต้องการอธิบายว่าทำไม構成ปัญหาหลายเป้าหมายที่แท้จริง และความเสี่ยงในการใช้คะแนนถ่วงน้ำหนักรวมส่งออก "ปีกอากาศที่ดีที่สุด" เพียงหนึ่งเดียวในขั้นตอนการ评审 จุดสำคัญของคำตอบ: เป้าหมายมีทิศทางตรงข้าม ดึงกัน ไม่สามารถปรับปรุงพร้อมกันโดยไม่สูญเสีย
> - คะแนนถ่วงน้ำหนักรวมปกปิดโครงสร้างการชั่งน้ำหนัก ต้องกำหนดน้ำหนักล่วงหน้า เมื่อน้ำหนักถูกปรับต้องรันใหม่ งบประมาณการจำลอง难以承受 คำถาม 2 ต้องการอธิบายวิธีกำหนดฟังก์ชันการประเมินและโครงสร้างการส่งออก และวิธีเลือกในสถานที่评审 จุดสำคัญของคำตอบ: ฟังก์ชันการประเมินเปลี่ยนเป็นรูปแบบเวกเตอร์ คืนค่าสี่สิ่ง (อัตราส่วนแรงยกต่อแรงต้าน คุณภาพโครงสร้าง ระยะขอบการสูญเสียแรงยก ต้นทุนการผลิตและการจำลอง)
> - ส่งออกเป็นชุดแผนทางเลือก คือกลุ่มคำตอบ Pareto front ที่ไม่ครอบงำกัน
> - ในระดับอัลกอริทึมรักษาความหลากหลายอย่างชัดเจน พร้อมกับแรงกดดันการเลือกเช่น crowding distance การสลายตัว หรือ hypervolume
> - ในสถานที่评审เลือกจากกลุ่มคำตอบตามความชอบจริง เมื่อตอบถูก ให้ยืนยันว่านักศึกษาสามารถเชื่อมโยงแนวคิดในหน้านี้และอธิบายเหตุผลได้
> - เมื่อตอบผิด ขอให้นักศึกษากลับไปที่คำอธิบายในหน้านี้ หาหลักฐานหรือตัวอย่างสำคัญแล้วจึงตัดสิน

**กิจกรรมในชั้นเรียน**

สามารถขอให้นักศึกษายกตัวอย่างความขัดแย้งหลายเป้าหมายในชีวิตประจำวัน (เช่น การเลือกซื้อโทรศัพท์ระหว่างประสิทธิภาพ ราคา และอายุแบตเตอรี่) อธิบายว่าทำไมไม่มีคำตอบที่ดีที่สุดเพียงหนึ่งเดียว และคุณค่าของการเก็บกลุ่มแผนทางเลือก

**ตรวจสอบความเข้าใจ**

สุ่มขอให้นักศึกษาหนึ่งคนสรุปประเด็นสำคัญของหน้านี้ด้วยคำพูดของตนเอง ครูเติมเต็มคำสำคัญที่ขาดหายตามคำตอบ เช่น Pareto domination, Pareto front, การลู่เข้า, ความหลากหลาย, การยุบตัวของประชากร, ฟังก์ชันการประเมินแบบเวกเตอร์

> **คำแนะนำการเปลี่ยนผ่าน**
>
> หลังจากยืนยันว่านักศึกษาสามารถพูดถึงแก่นแท้ของปัญหาหลายเป้าหมาย (ความขัดแย้งของเป้าหมาย) และความหมายของ Pareto front และความหลากหลายได้แล้ว จึงเข้าสู่หน้าถัดไปซึ่งมีตัวอย่าง โปรแกรมประยุกต์ หรือบทสรุป

**แหล่งอ้างอิง**

จากร่าง EvoClass หน้า 7-7

<a id="lecture-page-6"></a>

### MetaDE: ปรับปรุงอัลกอริทึมวิวัฒนาการด้วยอัลกอริทึมวิวัฒนาการ

*หน้า 6*

> **เป้าหมายหน้า: ** เข้าใจวิธีใช้วัตถุวิวัฒนาการเป็นวิธีการสร้างคำตอบที่เป็นไปได้เอง

**ประเด็นการสอน**

- ชั้นในตอบ "คำนวณอะไร" ชั้นนอกรับ "คำนวณอย่างไรจึงดีขึ้น" ระหว่างสองชั้นส่งสัญญาณเดียว — ประสิทธิภาพงาน คือ fitness
- อย่ามองคำตอบที่ได้จากชั้นในเป็นผลลัพธ์สุดท้ายของ MetaDE ผลผลิตที่แท้จริงคือการตั้งค่าอัลกอริทึมที่ถ่ายทอดได้: ย้ายไปยังอินสแตนซ์ใหม่ประเภทเดียวกันการตั้งค่ายังใช้ได้ ส่วนคำตอบเดียวbanyak已经过期
- ปิดเอกสารแล้วถามตัวเอง: การประเมินชั้นนอกหนึ่งครั้งประมาณเท่ากับการรันชั้นในเต็มรูปแบบกี่ครั้ง? หากตอบไม่ได้ แสดงว่ายังไม่เข้าใจโครงสร้างต้นทุนของ MetaDE และทำไมต้องทำงานพร้อมกัน

【เป้าหมายหน้า】

เข้าใจวิธีใช้วัตถุวิวัฒนาการเป็นวิธีการสร้างคำตอบที่เป็นไปได้เอง คือ MetaDE ใช้ลูปปิดการปรับให้เหมาะสมสองชั้นที่อัลกอริทึมวิวัฒนาการปรับปรุงอัลกอริทึมวิวัฒนาการ

【ลำดับการอธิบาย】

กลยุทธ์การกลายพันธุ์ อัตราการผสม CR ปัจจัยการขยาย F ขนาดประชากร NP การตั้งค่าเหล่านี้ใครเลือก?

ชั้นนอกเข้ารหัสการตั้งค่าและวิวัฒนาการ ชั้นในรัน DE แบบขนานบนงานจริง คืนค่าการประเมินประสิทธิภาพ

จาก "หาคำตอบ" ยกระดับเป็น "หาวิธีที่หาได้คำตอบ"

การส่งการตั้งค่าลง → ชั้นในแก้ปัญหา → ส่งประสิทธิภาพกลับ → ชั้นนอกปรับปรุง; ต้นทุนการประเมินสูง การทำงานพร้อมกันด้วย GPU เป็นเงื่อนไข enabling สำคัญ

5. สรุปแก่นแท้หนึ่งประโยคและความเข้าใจผิดทั่วไป ดำเนินการแบบฝึกหัดและตรวจสอบความเข้าใจ

【ประเด็นการสอน】

ชั้นในได้รับการตั้งค่า DE ที่เฉพาะเจาะจง รันการแก้ปัญหาเต็มรูปแบบบนงานจริง สร้างคำตอบที่เป็นไปได้และคืนค่าการประเมินประสิทธิภาพที่เปรียบเทียบได้; ชั้นนอกรหัสการตั้งค่า DE พารามิเตอร์เกิน หรือการรวมกลยุทธ์เป็น个体 ใช้ประสิทธิภาพงานเป็น fitness ใช้การเลือก การรวมตัวใหม่ การกลายพันธุ์ปรับปรุงการตั้งค่ารุ่นถัดไป

ผลผลิตของ DE แบบดั้งเดิมคือเวกเตอร์คำตอบ; ผลผลิตของ MetaDE คือชุดการตั้งค่าอัลกอริทึมที่สามารถสร้างคำตอบที่ดีกว่าบนงานประเภทนี้ได้อย่างมั่นคง วัตถุการค้นหายกระดับจาก "คำตอบ" เป็น "เครื่องที่สร้างคำตอบ" ทำให้ผลลัพธ์จากการค้นหาชั้นนอกหนึ่งครั้งสามารถถ่ายทอดไปใช้กับอินสแตนซ์อื่นในตระกูลเดียวกันได้

ระบบทั้งหมดเชื่อมด้วยลูปปิดเดียว — ชั้นนอกส่งการตั้งค่าลง → ชั้นในดำเนินการแก้ปัญหา → ส่งประสิทธิภาพกลับ → ชั้นนอกปรับปรุงการตั้งค่ารุ่นถัดไป 个体หนึ่งของชั้นนอกต้องจ่ายราคาของการรันชั้นในเต็มรูปแบบหนึ่งครั้ง (มักขนานหลายครั้ง) เพื่อให้ได้ fitness ดังนั้นการจัดการต้นทุนการประเมินและการจัดตารางแบบขนานจึงเป็นแกนของการออกแบบระบบ เป็นเพราะ GPU สามารถรันงานชั้นในจำนวนมากพร้อมกันได้ จึงทำให้ meta-optimization ที่มี "การประเมินแพง" นี้เป็นไปได้ในทางวิศวกรรม

ชั้นในรับผิดชอบ "คำนวณอะไร" ชั้นนอกรับผิดชอบ "คำนวณอย่างไรจึงดีขึ้น" ทั้งสองชั้นใช้สัญญาณ fitness เดียวกัน — ประสิทธิภาพงาน นี่คือเหตุผลที่它們能構成ลูปปิด

【การครอบคลุมคำสำคัญ】

การปรับให้เหมาะสมสองชั้น ชั้นใน ชั้นนอก fitness การส่งการตั้งค่าลง การส่งประสิทธิภาพกลับ การทำงานพร้อมกันด้วย GPU ต้นทุนการประเมิน การตั้งค่าอัลกอริทึมวิวัฒนาการเชิงอนุพันธ์ (กลยุทธ์การกลายพันธุ์ อัตราการผสม CR ปัจจัยการขยาย F ขนาดประชากร NP)

【เบาะแสแบบฝึกหัด】

วัตถุวิวัฒนาการชั้นนอกคือการตั้งค่าอัลกอริทึม; หน้าที่ชั้นในคือรับการตั้งค่า แก้ปัญหาบนงานจริงและคืนค่าการประเมินประสิทธิภาพ; ลำดับลูปปิดข้อมูลคือ ส่งการตั้งค่าลง → ชั้นในแก้ปัญหา → ส่งประสิทธิภาพกลับ → ชั้นนอกปรับปรุง; การเปลี่ยนเป้าหมาย相对于 DE แบบดั้งเดิมคือจากการหาคำตอบที่ดีที่สุดของปัญหาเดียว ไปสู่การหาอัลกอริทึมและการตั้งค่าที่สร้างคำตอบได้ดีขึ้น; ต้นทุนการคำนวณหลักมาจากการประเมิน个体ชั้นนอกต้องจ่ายราคาการรันชั้นในเต็มรูปแบบ GPU ขนานรันงานชั้นในจำนวนมากพร้อมกัน ทำให้ meta-optimization เป็นไปได้ในทางวิศวกรรม

เมื่อตอบถูก ยืนยันว่าสามารถเชื่อมโยงแนวคิดในหน้านี้และอธิบายเหตุผลได้; เมื่อตอบผิด แนะนำให้กลับไปที่คำอธิบายในหน้านี้ หาหลักฐานหรือตัวอย่างสำคัญแล้วจึงตัดสิน

การตั้งค่า MetaDE สำหรับตัวแก้เส้นทางโลจิสติกส์ ชั้นในรัน DE เต็มรูปแบบบนงานจัดส่งจริง ได้คำตอบเส้นทางและต้นทุนการขนส่งเฉลี่ย เป็นการประเมินประสิทธิภาพที่เปรียบเทียบได้ส่งกลับ ชั้นนอกรหัสการตั้งค่า DE (เช่น [กลยุทธ์การกลายพันธุ์ DE/best/1, CR = 0.7, F = 0.5, NP = 60]) เป็น个体 ใช้ต้นทุนการขนส่งเฉลี่ยเป็น fitness ดำเนินการเลือก การรวมตัวใหม่ และการกลายพันธุ์ สร้างประชากรการตั้งค่ารุ่นถัดไป เมื่องบประมาณ GPU จำกัด สามารถใช้การประเมินแบบเป็นชั้น (คัดกรองคร่าวๆ ด้วยงานตัวแทนจำนวนน้อยก่อน ประเมินเฉพาะการตั้งค่าที่อยู่อันดับต้นบนชุดงานเต็ม) และการจัดตารางแบบขนานเป็นกลุ่ม (รวมการรันชั้นในของ个体ทั้งหมดในรุ่นเดียวกันเป็นกลุ่มส่งให้ GPU) เพื่อลดต้นทุนการประเมินหรือเพิ่มประสิทธิภาพการค้นหา

ยังสามารถลดขนาดประชากรชั้นนอกหรือใช้แบบจำลองตัวแทนประมาณประสิทธิภาพ แต่ต้องชั่งน้ำหนักระหว่างความหลากหลายในการค้นหากับความเบี่ยงเบนในการประมาณ เหตุผลทั้งหมดอยู่ที่ "fitness ชั้นนอกขึ้นอยู่กับการรันชั้นในเต็มรูปแบบ" และ "การทำงานพร้อมกันสามารถ分摊เวลารอของ个体เดียว"

【ความเข้าใจผิดทั่วไป】

อย่ามองคำตอบที่ได้จากชั้นในเป็นผลลัพธ์สุดท้ายของ MetaDE ผลผลิตที่แท้จริงคือการตั้งค่าอัลกอริทึมที่ถ่ายทอดได้: ย้ายไปยังอินสแตนซ์ใหม่ประเภทเดียวกันการตั้งค่ายังใช้ได้ ส่วนคำตอบเดียวbanyak已经过期

【ตรวจสอบความเข้าใจ】

การประเมินชั้นนอกหนึ่งครั้งประมาณเท่ากับการรันชั้นในเต็มรูปแบบกี่ครั้ง? หากตอบไม่ได้ แสดงว่ายังไม่เข้าใจโครงสร้างต้นทุนของ MetaDE และทำไมต้องทำงานพร้อมกัน ยังสามารถขอให้นักศึกษาสรุปหน้าที่ชั้นในและชั้นนอกกับลำดับลูปปิดด้วยคำพูดของตนเอง

【คำแนะนำการเปลี่ยนผ่าน】

หลังจากยืนยันว่านักศึกษาสามารถพูด "ชั้นในตอบ 'คำนวณอะไร' ชั้นนอกรับ 'คำนวณอย่างไรจึงดีขึ้น' ทั้งสองชั้นใช้สัญญาณ fitness เดียวกันคือประสิทธิภาพงาน" ได้แล้ว จึงเข้าสู่หน้าถัดไปซึ่งมีตัวอย่าง โปรแกรมประยุกต์ หรือบทสรุป

<a id="lecture-page-7"></a>

### รูปแบบการทำงานแบบ AI Native และจุดเข้าถึงที่สะดวก

*หน้า 7*

> **เป้าหมายหน้า: ** สัมผัสประสบการณ์เวิร์กโฟลว์แบบ AI Native ที่ไม่ต้องท่องจำคำสั่งติดตั้งหรืออินเทอร์เฟซที่ซับซ้อน

> **เป้าหมายหน้า**
>
> เข้าใจรูปแบบการทำงานแบบ AI Native และจุดเข้าถึงที่สะดวก ย้ายจุดเริ่มต้นการใช้ EvoX จากการจดจำคำสั่งติดตั้งและอินเทอร์เฟซที่ซับซ้อนไปสู่การแสดงเจตนาการทดลองด้วยภาษาธรรมชาติ หลังเรียนควรสามารถอธิบายความหมายของ "บทสนทนาคือจุดเข้าถึง" และแยกแยะส่วนที่เครื่องมือ AI และนักวิจัยรับผิดชอบ

> **ลำดับการอธิบาย**
>
> เปรียบเทียบวิธีดั้งเดิมกับวิธี AI Native ก่อน; จากนั้นอธิบายกระบวนการ کاملตาม "เจตนาภาษาธรรมชาติ → AI เข้าใจและดำเนินการ → ผลผลิตการทดลอง EvoX"; สุดท้ายใช้กรณีหุ่นยนต์คลังสินค้าหลบหลีกสิ่งกีดขวางหาเส้นทาง สาธิตวิธีใช้ "เป้าหมาย—ข้อจำกัด—การยอมรับ" สามสิ่งอธิบายการทดลองให้ AI

**ประเด็นการสอน**

- ใช้ภาษาธรรมชาติอธิบายงาน ข้อจำกัด และเป้าหมายการยอมรับ AI รับผิดชอบเข้าใจโค้ดและดำเนินการ ไม่ต้องเชี่ยวชาญคำสั่งติดตั้ง การตั้งค่าส่วนเพิ่ม และการเรียกใช้อินเทอร์เฟซที่ซับซ้อนล่วงหน้า การติดตั้งเฟรมเวิร์ก การตั้งค่าการรัน การเลือกหรือสร้างอัลกอริทึม สามารถให้ AI ช่วยทำให้เสร็จได้ บทสนทนากลายเป็นจุดเข้าถึงที่สะดวกเชื่อมเจตนาของนักวิจัยกับผลผลิตการทดลอง EvoX นักวิจัยมุ่งเน้นรสนิยมทางปัญหา การชั่งน้ำหนักหลายเป้าหมาย การยอมรับแผน และการตัดสินอย่างมีวิจารณญาณ ในวิธีดั้งเดิม ก่อนเริ่มการทดลอง EvoX ต้องจดจำคำสั่ง ส่วนเพิ่ม และอินเทอร์เฟซก่อน
- รูปแบบการทำงานแบบ AI Native ย้ายจุดเข้าถึงขึ้นไปสู่ "การแสดงเจตนา" คุณอธิบายว่าต้องการบนปัญหาอะไร ภายใต้ข้อจำกัดอะไร ด้วยมาตรฐานอะไรยอมรับ เครื่องมืออย่าง Codex รับผิดชอบแปลเจตนาเป็นโค้ดที่รันได้และการดำเนินการสภาพแวดล้อม และคืนสถานะการรัน ด้วยวิธีนี้ จุดเริ่มต้นการทดลองไม่ใช่การจดจำคำสั่งอีกต่อไป แต่เป็นนิยามปัญหาที่ชัดเจน หุ่นยนต์คลังสินค้าหลบหลีกสิ่งกีดขวางหาเส้นทาง สามารถใช้ภาษาธรรมชาติขอให้ AI เรียก EvoX NSGA-II ทำการปรับให้เหมาะสมหลายเป้าหมายบน GPU และส่งออกเส้นทางที่มองเห็นได้ ตรงนี้ต้องแยกแยะข้อมูลสามประเภท: เจตนาคือ "หลบหลีกสิ่งกีดขวางหาเส้นทางสำหรับหุ่นยนต์คลังสินค้า ใช้ EvoX NSGA-II ทำการปรับให้เหมาะสมหลายเป้าหมายบน GPU"
- เป้าหมายคือความยาวเส้นทางสั้นที่สุด ระยะปลอดภัยสูงสุด พลังงานต่ำสุด
- ข้อจำกัดคือคืนผลลัพธ์ภายใน 5 นาที
- เป้าหมายการยอมรับคือส่งออก Pareto front และเส้นทางที่มองเห็นได้ และเก็บผลการรันที่ทำซ้ำได้ เครื่องมือ AI รับผิดชอบเข้าใจโค้ด ตั้งค่าสภาพแวดล้อมและส่วนเพิ่ม เลือกหรือสร้างอัลกอริทึม ดำเนินการบน GPU และคืนสถานะ
- หน้าที่ของคนย้ายขึ้นไปสู่การกำหนดปัญหา การตั้งเกณฑ์การประเมิน การชั่งน้ำหนักหลายเป้าหมาย การยอมรับแผน และการตัดสินอย่างมีวิจารณญาณ

**การจัดการแบบฝึกหัด**

หากถาม "แนวคิดหลักคืออะไร" ควร把握 "สัมผัสประสบการณ์เวิร์กโฟลว์แบบ AI Native ที่ไม่ต้องท่องจำคำสั่งติดตั้งหรืออินเทอร์เฟซที่ซับซ้อน" หากต้องการให้ตัดสินว่าคำกล่าวใดสมเหตุสมผลที่สุด ควรเลือกตัวเลือกที่เชื่อมโยงแนวคิดในหน้านี้และให้หลักฐานหรือตัวอย่าง; การตัดสินตามความรู้สึก การเปลี่ยนปัจจัยทั้งหมดพร้อมกัน และการข้ามวัสดุไปท่องคำตอบโดยตรง ไม่ผ่านข้อกำหนด เกี่ยวกับ "การตั้งค่าสภาพแวดล้อมและการออกแบบอัลกอริทึมอย่างรวดเร็ว" ก็ต้องอธิบายด้วยหลักฐานหรือตัวอย่าง ไม่ใช่แค่จำข้อสรุป

**ตรวจสอบความเข้าใจ**

ขอให้นักศึกษาอธิบายด้วยคำพูดของตนเองถึงความสัมพันธ์ "เจตนาภาษาธรรมชาติ → AI เข้าใจและดำเนินการ → ผลผลิตการทดลอง EvoX" และอธิบายว่าทำไมนักวิจัยยังต้องตรวจสอบว่าข้อจำกัดพึงพอใจหรือไม่ Pareto front สมเหตุสมผลหรือไม่ เส้นทางปลอดภัยและ可行หรือไม่ หลังจากยืนยันว่านักศึกษาสามารถแยกแยะหน้าที่การดำเนินการของ AI กับหน้าที่การตัดสินของคนได้แล้ว จึงเข้าสู่เนื้อหาภาคปฏิบัติต่อไป

<a id="lecture-page-8"></a>

### ภาคปฏิบัติงานหาเส้นทางหุ่นยนต์คลังสินค้า

*หน้า 8*

> **เป้าหมายหน้า: ** เข้าใจวิธีใช้ AI เรียก EvoX อย่างรวดเร็วเพื่อแก้ปัญหาหลบหลีกสิ่งกีดขวางหาเส้นทางที่เฉพาะเจาะจง

> **ลำดับการอธิบาย**
>
> ชั้นวาง สินค้า ทางเดิน สิ่งกีดขวาง จุดเริ่มต้นและจุดสิ้นสุดถูกกำหนดแล้ว ต้องหาเส้นทางที่ไม่ชนและสั้นที่สุด
>
> 2. ชี้ให้เห็นว่าความยาวเส้นทางกับความปลอดภัยในการหลบหลีกมักไม่สอดคล้องกัน ดังนั้นจึงเป็นปัญหาการปรับให้เหมาะสมหลายเป้าหมายทั่วไป ไม่ใช่เส้นทางสั้นที่สุดเป้าหมายเดียว
>
> 3. อธิบาย AI เป็น "ตัวแปลงาน" แปลคำอธิบายงานภาษาธรรมชาติเป็นคำสั่งเรียก EvoX ที่รันได้ ลดการเขียนโค้ดด้วยมือและการตั้งค่าพารามิเตอร์
>
> 4. EvoX NSGA-II ทำการประเมินประชากรและการค้นหาแบบขนานบน GPU เก็บคำตอบ折中หลายแบบ สร้างตระกูลเส้นทางจาก "สั้นแต่เสี่ยง" ถึง "ยาวแต่ปลอดภัย"
>
> แสดงภาพเส้นทางที่เป็นไปได้และเส้นโค้งแนวโน้มการลู่เข้า เพื่อสังเกตความเป็นไปได้และความคืบหน้าการค้นหา

**ประเด็นการสอน**

- กำหนดรูปแบบคลังสินค้า สภาพแวดล้อมสิ่งกีดขวาง จุดเริ่มต้นและจุดสิ้นสุดของหุ่นยนต์ จุดสำคัญเส้นทาง จุดควบคุมเส้นโค้ง รัศมีการเลี้ยว โปรไฟล์ความเร็ว ฯลฯ ลดความยาวเส้นทาง
- ลดความเสี่ยงการชนหรือเพิ่มความเป็นไปได้ในการไม่ชนสูงสุด เส้นทางต้องอยู่ในทางเดิน ไม่สามารถผ่านชั้นวางหรือสิ่งกีดขวาง และพึงพอใจข้อจำกัดทางจลนศาสตร์ของหุ่นยนต์ แปลงคำอธิบายภาษาธรรมชาติเป็นคำสั่งเรียก EvoX ที่รันได้โดยอัตโนมัติ ลดต้นทุนการตั้งค่า
- ไม่แทนที่อัลกอริทึมการปรับให้เหมาะสม ประเมินเส้นทางที่เป็นไปได้จำนวนมากแบบขนาน เร่งการวนซ้ำ NSGA-II
- ไม่เปลี่ยนข้อเท็จจริงที่มีคำตอบ折中หลายเป้าหมาย แสดงเส้นทางที่มองเห็นได้เพื่อสังเกตความเป็นไปได้ของเส้นทาง ความหลากหลาย และแนะนำเส้นทางที่ไม่ชน
- เส้นโค้งแนวโน้มการลู่เข้าตัดสินว่าเข้าสู่ช่วง plateau หรือไม่ กำหนดเป้าหมายและข้อจำกัดก่อนปรับพารามิเตอร์
- ความเป็นไปได้สำคัญกว่าความยาวเส้นทาง
- ใช้แนวโน้มการลู่เข้าตัดสินว่าจะวนซ้ำต่อหรือหยุด

**การจัดการแบบฝึกหัด**

องค์ประกอบอินพุตงาน -> กำหนดรูปแบบคลังสินค้า สภาพแวดล้อมสิ่งกีดขวาง จุดเริ่มต้นและจุดสิ้นสุด ผลป้อนกลับ: อินพุตงานกำหนดสภาพแวดล้อม ข้อจำกัด และเงื่อนไขเริ่มต้น-สิ้นสุด

สองเป้าหมายที่ NSGA-II จัดการ -> ความยาวเส้นทางและความปลอดภัยในการหลบหลีก ผลป้อนกลับ: เส้นทางที่สั้นกว่าอาจใกล้สิ่งกีดขวาง ข้อกำหนดความปลอดภัยอาจทำให้เส้นทางยาวขึ้น

คุณค่าหลักของ AI -> แปลงคำอธิบายงานเป็นคำสั่งเรียก EvoX ที่รันได้โดยอัตโนมัติ ผลป้อนกลับ: AI เป็นชั้นการแปลงานและการสร้างคำสั่ง ลดต้นทุนการตั้งค่า

ข้อได้เปรียบของ GPU -> ประเมินเส้นทางที่เป็นไปได้จำนวนมากแบบขนาน เร่งการวนซ้ำ NSGA-II ผลป้อนกลับ: GPU เร่งการประเมินและการค้นหา ไม่เปลี่ยนแก่นแท้折中หลายเป้าหมาย

แผนที่เส้นทางที่มองเห็นได้และแนวโน้มการลู่เข้า -> สังเกตความเป็นไปได้ของเส้นทาง ความหลากหลาย และแนะนำเส้นทางที่ไม่ชน; กระบวนการปรับให้เหมาะสมลู่เข้าหรือไม่ ผลป้อนกลับ: แผนที่เส้นทางดูคุณภาพคำตอบเชิงพื้นที่ แนวโน้มการลู่เข้าดูความคืบหน้าการค้นหาในมิติเวลา

กำหนดตัวแปรการตัดสินใจ เป้าหมายการปรับให้เหมาะสมสองเป้าหมาย เงื่อนไขข้อจำกัด; อธิบายการแบ่งงานของ AI, EvoX NSGA-II และ GPU และอธิบายว่าแนวโน้มการลู่เข้าช่วยการตัดสินใจอย่างไร จุดสำคัญของคำตอบ: AI แปลงคำอธิบายงานเป็นคำสั่งเรียก EvoX; NSGA-II ประเมินแบบขนานบน GPU การจัดเรียงแบบไม่ครอบงำและ crowding distance รักษาคำตอบ折中; ส่งออกเส้นทางที่มองเห็นได้และเส้นโค้งการลู่เข้า; หากเส้นโค้งราบเรียบผลตอบแทนจำกัด หากยังลดลงสามารถเพิ่มจำนวนการวนซ้ำหรือขนาดประชากร

**ตรวจสอบความเข้าใจ**

สุ่มขอให้นักศึกษาหนึ่งคนสรุปประเด็นสำคัญของหน้านี้ด้วยคำพูดของตนเอง ผู้สอนเติมเต็มคำสำคัญที่ขาดหายตามคำตอบ

> **คำแนะนำการเปลี่ยนผ่าน**
>
> หลังจากยืนยันว่านักศึกษาสามารถพูดความสัมพันธ์หลักของหน้านี้ได้แล้ว จึงเข้าสู่หน้าถัดไปซึ่งมีตัวอย่าง โปรแกรมประยุกต์ หรือบทสรุป

<a id="lecture-page-9"></a>

### ผลการทดลองและการวิเคราะห์ด้วยการมองเห็น

*หน้า 9*

> **เป้าหมายหน้า: ** เรียนรู้การตีความแนวโน้มการลู่เข้าในกระบวนการปรับให้เหมาะสมและข้อมูลผลลัพธ์ที่สมบูรณ์

> **เป้าหมายหน้า**
>
> เรียนรู้การตีความแนวโน้มการลู่เข้าในกระบวนการปรับให้เหมาะสมและข้อมูลผลลัพธ์ที่สมบูรณ์ เข้าใจว่า "แนวโน้มกระบวนการ + ผลลัพธ์สุดท้าย" ต้องยืนยันกัน ไม่สามารถสรุปจากผลลัพธ์ที่ดีที่สุดครั้งเดียว

> **ลำดับการอธิบาย**
>
> 1. อ่านเส้นโค้งการลู่เข้าก่อน ตัดสินว่ากระบวนการค้นหาเดินหน้าหรือไม่
>
> 2. จากนั้นดูเส้นทางสุดท้ายและตารางตัวชี้วัดภายใต้รูปแบบคลังสินค้าคงที่ ตัดสินว่าแผนใช้ได้หรือไม่
>
> 3. ใช้ข้อมูลการทดลองที่สมบูรณ์สนับสนุนข้อสรุปที่ทำซ้ำได้
>
> 4. จัดการการตีความผิดทั่วไปผ่านแบบฝึกหัดและกรณีศึกษา

**ประเด็นการสอน**

- หลักฐานสองประเภทขาดไม่ได้ เส้นโค้งตอบ "การค้นหาเคลื่อนไหวหรือไม่" เส้นทางและตัวชี้วัดตอบ "ผลลัพธ์ใช้ได้หรือไม่" เฉพาะแนวโน้มการลู่เข้าอธิบายว่าการค้นหาเดินหน้า เส้นทางที่มองเห็นได้และตารางตัวชี้วัดอธิบายว่าแผนใช้ได้ เงื่อนไขทั้งสองเป็นจริงพร้อมกันจึงสรุปได้ หากขาดครึ่งใดก็เป็นเพียงการคาดเดา ปรับปรุงต่อเนื่อง ลดลงอย่างมั่นคงในช่วงต้นถึงกลางหรือตัวชี้วัดรวมเพิ่มขึ้นอย่างมั่นคง
- แกว่ง ขึ้นลงและไม่มีทิศทางระยะยาว อาจมาจากสัญญาณรบกวนการประเมิน ความขัดแย้งของข้อจำกัด หรือความหลากหลายมากเกินไป
- ชะงักงัน ช่วงหนึ่งเกือบราบแต่ต่อมายังอาจปรับปรุงได้
- ลู่เข้าเร็วเกินไป ราบเรียบโดยสิ้นเชิงตั้งแต่เนิ่นๆ และไม่ฟื้นตัว ส่วนมากเนื่องจากสูญเสียความหลากหลายของประชากรหรือพื้นที่คำตอบถูกบีบอัดเร็วเกินไป เมื่อเส้นโค้งช่วงหลังปรากฏ "ชะงักงันช่วงหลัง/ลู่เข้าเร็วเกินไป?" ต้องรวมกับบันทึกเพื่อแยกแยะ ไม่สามารถเขียนเป็น "ลู่เข้าแล้ว" โดยตรง การเปรียบเทียบเส้นทางภายใต้รูปแบบคลังสินค้าคงที่ ต้องวางเส้นทางที่ดีที่สุดและเส้นทางเปรียบเทียบซ้อนบนแผนที่คลังสินค้าคงที่เดียวกัน ตรวจสอบว่าเส้นทางไปถึงได้จริงหรือไม่ การหลบหลีกสิ่งกีดขวางสมเหตุสมผลหรือไม่ ช่วงสุดท้ายใกล้จุดสิ้นสุดมั่นคงหรือไม่ รูปแบบคงที่เป็นข้อจำกัดสำคัญ ทำให้ความแตกต่างเส้นทางระหว่างการรันต่างๆ หรือพารามิเตอร์ต่างๆ สามารถ Attribution ไปที่การปรับให้เหมาะสมเอง ไม่ใช่การเปลี่ยนแปลงแผนที่ ตารางตัวชี้วัดให้การเปรียบเทียบ直观: ความยาวเส้นทาง 128.4 ต่อ 156.9 จำนวนการเลี้ยวรวม 6 ต่อ 9 ต้นทุนรวม 1.00 ต่อ 1.21 แสดงข้อได้เปรียบของเส้นทางที่ดีที่สุดในหลายตัวชี้วัด การตั้งค่าการรันและ seed สุ่ม บันทึกการวนซ้ำ ค่าตัวเลขของแต่ละเป้าหมายตามจำนวนรุ่น เส้นทางสุดท้ายและผลการประเมิน หากเส้นโค้งช่วงหลังไม่ปรับปรุงชัดเจน ควรใช้บันทึกที่สมบูรณ์ตัดสินว่าเป็นการลู่เข้าเร็วเกินไป การประเมินอิ่มตัว หรือเข้าใกล้คำตอบที่ใช้ได้
- หากจำเป็น รันซ้ำหรือตรวจสอบไขว้ เส้นโค้งที่ราบเรียบตั้งแต่เนิ่นๆ ไม่ได้หมายถึงหาคำตอบที่ดีที่สุดได้แล้วโดยอัตโนมัติ และไม่ได้หมายถึงอัลกอริทึมล้มเหลวโดยอัตโนมัติ
- เส้นทางที่ดูสวยงามก็ไม่ได้หมายถึงการค้นหามั่นคง ผลลัพธ์ที่ดีที่สุดครั้งเดียวอาจเป็นการปรับปรุงจริง หรืออาจเป็นความผันผวนแบบสุ่มหรือผลผลิตของการประเมินอิ่มตัว แนวโน้มกระบวนการและผลลัพธ์สุดท้ายต้องยืนยันกัน

**การครอบคลุมคำสำคัญ**

- แนวโน้มการลู่เข้า การตรวจสอบเส้นทาง รูปแบบคลังสินค้าคงที่ ทำซ้ำได้ การลู่เข้าเร็วเกินไป การประเมินอิ่มตัว ตัวชี้วัด hypervolume ความยาวเส้นทาง จำนวนการเลี้ยวรวม ต้นทุนรวม

> **เบาะแสแบบฝึกหัด**
>
> - คำถามแบบเลือกตอบห้าข้อเกี่ยวกับการตัดสินหลักของหน้านี้ ข้อ 1 ถามความสัมพันธ์ระหว่างเส้นโค้งการลู่เข้ากับการแสดงเส้นทางสุดท้าย ทิศทางที่ถูกต้องคือ "เส้นโค้งสะท้อนว่ากระบวนการค้นหาเดินหน้าหรือไม่ เส้นทางและตารางตัวชี้วัดสะท้อนว่าแผนสุดท้ายใช้ได้หรือไม่ ทั้งสองต้องรวมกันตัดสิน" ข้อ 2 ถามวิธีจัดการเมื่อค่าตัวชี้วัดราบเป็นเวลานานหลังรุ่นที่ 200 ทิศทางที่ถูกต้องคือ "รวมกับบันทึกที่สมบูรณ์ตัดสินว่าเป็นการลู่เข้าเร็วเกินไป การประเมินอิ่มตัว หรือเข้าใกล้คำตอบที่ใช้ได้ หากจำเป็นปรับกลยุทธ์และรันซ้ำ" ข้อ 3 ถามว่าข้อสรุปที่ทำซ้ำได้ควรบันทึกและตรวจสอบอะไร ทิศทางที่ถูกต้องคือ "การตั้งค่าการรัน seed สุ่ม บันทึกการวนซ้ำ ค่าแต่ละเป้าหมาย เส้นทางสุดท้ายและผลการประเมิน" ข้อ 4 ถามวัตถุประสงค์ของรูปแบบคลังสินค้าคงที่ ทิศทางที่ถูกต้องคือ "ทำให้ความแตกต่างเส้นทางระหว่างการรันต่างๆ หรืออัลกอริทึมต่างๆ สามารถ Attribution ไปที่การปรับให้เหมาะสมเอง ไม่ใช่การเปลี่ยนแปลงสภาพแวดล้อม" ข้อ 5 ถามการตีความ "ราบเรียบมากและหยุดเปลี่ยนแปลงตั้งแต่เนิ่นๆ" อย่างเข้มงวด ทิศทางที่ถูกต้องคือ "ตรวจสอบว่ามีการประเมินอิ่มตัวหรือสูญเสียความหลากหลายของประชากรเร็วเกินไปหรือไม่ และตรวจสอบไขว้ผ่านการรันซ้ำและตัวชี้วัด" ผลป้อนกลับการตอบ: เมื่อถูกต้อง อธิบายว่าการตัดสินนี้เชื่อมโยงแนวคิดในหน้านี้และให้หลักฐาน
> - เมื่อผิด กลับไปที่คำอธิบายในหน้านี้ หาหลักฐานหรือตัวอย่างสำคัญแล้วจึงตัดสิน ใน "การทำซ้ำการหาเส้นทางหลายเป้าหมายภายใต้รูปแบบคลังสินค้าคงที่" หากเส้นโค้งหลังรุ่นที่ 180 แบนราบและได้เส้นทางที่เป็นไปได้ที่ดี ต้องรวบรวมและตรวจสอบการตั้งค่าการรันและ seed สุ่ม บันทึกการวนซ้ำ ค่าตัวเลขของแต่ละเป้าหมายตามจำนวนรุ่น เส้นทางสุดท้ายและผลการประเมินภายใต้รูปแบบคงที่ ตารางตัวชี้วัดสำคัญ และแนะนำให้รันซ้ำหรือตรวจสอบไขว้ ไม่สามารถใช้เฉพาะผลลัพธ์ที่ดีที่สุดครั้งเดียว เพราะจุดที่ดีที่สุดเดี่ยวอาจมาจากความผันผวนแบบสุ่มหรือการประเมินอิ่มตัว ไม่สามารถอธิบายว่าการค้นหาเดินหน้าจริงหรือไม่ และไม่สามารถทำซ้ำโดยผู้อื่น หากหลังรันซ้ำรูปร่างเส้นโค้งใกล้เคียงแต่เส้นทางสุดท้ายต่างกัน ควรเปรียบเทียบการกระจายตัวชี้วัด而非ค่าจุดเดียว ตรวจสอบ seed และการตั้งค่าว่าสอดคล้องกันหรือไม่ ตรวจสอบการลู่เข้าเร็วเกินไปหรือการประเมินอิ่มตัว หากจำเป็นเพิ่มจำนวนรุ่นการวนซ้ำ ปรับกลยุทธ์การรักษาความหลากหลาย หรือแก้ไขฟังก์ชันการประเมิน และให้เส้นทางตัวอย่างและสรุปสถิติในรายงาน

**ตรวจสอบความเข้าใจ**

สุ่มขอให้นักศึกษาหนึ่งคนสรุปด้วยคำพูดของตนเองถึงความสัมพันธ์ "เส้นโค้งดูแนวโน้ม เส้นทางดูการนำไปใช้" และ "แนวโน้มกระบวนการและผลลัพธ์สุดท้ายขาดไม่ได้" ครูเติมเต็มคำสำคัญที่ขาดหายตามคำตอบ สามารถขอให้นักศึกษายกตัวอย่างใกล้ประสบการณ์อธิบายว่าทำไมดูเฉพาะเส้นโค้งหรือดูเฉพาะเส้นทางอาจตัดสินผิด

> **คำแนะนำการเปลี่ยนผ่าน**
>
> หลังจากยืนยันว่านักศึกษาสามารถพูดว่าเส้นโค้งการลู่เข้ากับการแสดงเส้นทางต้องรวมกันตัดสินได้แล้ว จึงเข้าสู่หน้าถัดไปซึ่งมีตัวอย่าง โปรแกรมประยุกต์ หรือบทสรุป

<a id="lecture-page-10"></a>

### ยิ่งเครื่องมือง่ายต่อการใช้ ความรับผิดชอบของคนยิ่งชัดเจน

*หน้า 10*

> **เป้าหมายหน้า: ** ตระหนักถึงการเปลี่ยนแปลงบทบาทและความรับผิดชอบของนักวิจัยมนุษย์หลังเครื่องมืออัตโนมัติเป็นที่แพร่หลาย

> **เป้าหมายหน้า**
>
> เข้าใจว่าหลังเครื่องมืออัตโนมัติเป็นที่แพร่หลาย ความรับผิดชอบของนักวิจัยไม่ได้เบาลง แต่ย้ายจาก "การทำให้เป็นจริง" ขึ้นไปสู่ "การกำหนดและการตัดสิน" หน้านี้ต้องการให้นักศึกษาจดจำประโยคหนึ่ง: ยิ่งเครื่องมือง่ายต่อการใช้ ความรับผิดชอบของคนยิ่งชัดเจน

**ประเด็นการสอน**

- AI และ EvoX กดต้นทุนการดำเนินการ "ความคิด→โค้ด→การทดลอง" ให้ต่ำมาก การสร้างการทำให้เป็นจริงอย่างรวดเร็ว การปรับพารามิเตอร์แบบกลุ่ม การวาดเส้นโค้ง กลายเป็นเรื่องง่าย แต่ต้นทุนการดำเนินการลดลงไม่เท่ากับต้นทุนการตัดสินหายไป โมเดลไม่สามารถตอบคำถาม前置สามข้อแทนนักวิจัยได้: ปัญหานี้คุ้มค่าที่จะวิจัยหรือไม่? เป้าหมายแม่นยำหรือไม่? การเปรียบเทียบยุติธรรมหรือไม่? รันผ่าน คอมไพล์ผ่าน ทดสอบผ่าน ตัวชี้วัดดีขึ้น ล้วนเป็นเพียงสัญญาณที่เป็นไปได้ ไม่เท่ากับข้อสรุปทางวิทยาศาสตร์成立 ด้านซ้ายเป็นชั้นการดำเนินการ AI/เครื่องมือ รับผิดชอบสร้างโค้ดที่เป็นไปได้ การทดลองแบบกลุ่มและการปรับพารามิเตอร์ การวาดและแสดงภาพอัตโนมัติ และให้การทำให้เป็นจริงที่มีคุณค่าต่ำถูกคัดออกอย่างรวดเร็ว
- ด้านขวาเป็นชั้นความรับผิดชอบของมนุษย์ รับผิดชอบตั้งคำถามสำคัญ กำหนดเป้าหมายและเกณฑ์การประเมิน รับประกันการเปรียบเทียบที่เป็นธรรม ตรวจสอบว่าข้อสรุปมีประสิทธิผลหรือไม่ และการตัดสินคุณค่ากับรสนิยม ตรงกลางเป็นประตู "การตัดสินที่ไม่สามารถ outsource ได้" เกณฑ์การยอมรับไม่สามารถประนีประนอมได้ การแก้ไขที่เป็นไปได้ต้องผ่านการตัดสินของมนุษย์ ประตูการยอมรับของ Genesis คือการทำให้เป็นวิศวกรรมของขอบเขตนี้: การแก้ไขที่เป็นไปได้ต้องผ่านการคอมไพล์ การทดสอบ การตรวจสอบพฤติกรรม และการยอมรับระดับบน จึงเข้าสู่ประวัติโครงการ ในการทดลองหลายเป้าหมาย EvoX Agent สามารถสร้างแผนทางเลือกอย่างรวดเร็ว ปรับพารามิเตอร์และวาดกราฟ แต่นักวิจัยยังต้องตรวจสอบ: ฟังก์ชันเป้าหมายเป็นตัวแทนความต้องการจริงหรือไม่? ความหลากหลายของคำตอบถูกปกปิดโดยตัวชี้วัดหรือไม่? โหมดความล้มเหลวถูกแสดงอย่างเลือกสรรหรือไม่? ณ จุดนี้คุณค่าของเครื่องมือคือให้การทำให้เป็นจริงที่มีคุณค่าต่ำถูกคัดออกเร็วขึ้น ให้การตัดสินที่มีคุณค่าสูงกลายเป็นคอขวดเร็วขึ้น คำแนะนำของ Turing ก็อยู่ที่จุดนี้: ข้างหน้ามี很多事情ต้องทำ Code is cheap. Taste matters. ความสามารถหลักคือตั้งคำถามสำคัญและควบคุมข้อสรุปในวิธีที่ทำซ้ำได้
- รสนิยมของนักวิจัยกำหนดว่าความสะดวกทางเทคโนโลยี最终ถูกแปลงเป็นคุณค่าทางวิทยาศาสตร์ประเภทใด

**การครอบคลุมคำสำคัญ**

- ต้นทุนการดำเนินการ ต้นทุนการตัดสิน การตัดสินที่ไม่สามารถ outsource ได้ ความถูกต้องทางวิทยาศาสตร์ ประตูการยอมรับ สัญญาณที่เป็นไปได้ การเปรียบเทียบที่เป็นธรรม การตัดสินคุณค่าและรสนิยม แหล่งอ้างอิง: หน้านี้ดำเนิน حول "ความรับผิดชอบย้ายขึ้น: จากการทำให้เป็นจริงสู่การกำหนดและการตัดสิน" และ "ประสิทธิผลของผลลัพธ์สำคัญกว่าความสำเร็จในการรัน" เบาะแสวัสดุ: สามารถใช้แผนภาพเปรียบเทียบซ้าย-ขวาเน้นการแบ่งงานระหว่างชั้นการดำเนินการ AI/เครื่องมือกับชั้นความรับผิดชอบของมนุษย์ ตรงกลางเน้น "การตัดสินที่ไม่สามารถ outsource ได้"

**การจัดการแบบฝึกหัด**

ข้อ 1 ควรเลือก "ผ่านการคอมไพล์ การทดสอบ การตรวจสอบพฤติกรรม และการยอมรับระดับบน" จุดสำคัญของผลป้อนกลับ: ไม่ว่าจะเร็วหรือสวยงามแค่ไหนก็เป็นเพียงสัญญาณที่เป็นไปได้ ประเด็นคือประตูการยอมรับ ข้อ 2 ควรเลือก "การเลือกปัญหา การกำหนดเป้าหมายและเกณฑ์การประเมินยังต้องรับผิดชอบโดยมนุษย์" จุดสำคัญของผลป้อนกลับ: เครื่องมือเร่งการดำเนินการ ไม่ได้ยกเลิกการตัดสิน ข้อ 3 ควรเลือก "ปัญหาคุ้มค่าที่จะวิจัยหรือไม่ เป้าหมายแม่นยำหรือไม่ การเปรียบเทียบยุติธรรมหรือไม่" จุดสำคัญของผลป้อนกลับ: สามประเภทนี้เป็นเงื่อนไข前置ของความถูกต้องทางวิทยาศาสตร์ ข้อ 4 ควรตรวจสอบ "ฟังก์ชันเป้าหมายเป็นตัวแทนความต้องการจริงหรือไม่ ความหลากหลายของคำตอบถูกปกปิดโดยตัวชี้วัดหรือไม่ โหมดความล้มเหลวถูกแสดงอย่างเลือกสรรหรือไม่" เป็นลำดับแรก จุดสำคัญของผลป้อนกลับ: ตัวชี้วัดดีขึ้นไม่เท่ากับข้อสรุป成立

ข้อ 5 ควรเลือก "หลังต้นทุนการทำให้เป็นจริงลดลง รสนิยมและดุลยพินิจของนักวิจัยกำหนดว่าความสะดวกทางเทคโนโลยีถูกแปลงเป็นคุณค่าทางวิทยาศาสตร์ประเภทใด" จุดสำคัญของผลป้อนกลับ: Code is cheap หมายถึงต้นทุนการทำให้เป็นจริงลดลง Taste matters หมายถึงการตัดสินและรสนิยมสำคัญกว่า

ในโครงการ Genesis หลาย Agent Agent สามารถเสนอแพตช์ที่เป็นไปได้ รันการทดสอบ และสรุปตัวชี้วัด แต่การอนุมัติเข้าสู่ประวัติโครงการ การกำหนดเกณฑ์การยอมรับ และการอธิบายข้อสรุปต้องรับผิดชอบโดยมนุษย์ การตัดสินที่ไม่สามารถ outsource ได้包括: การเพิ่มความมั่นคงเป็นความต้องการจริงหรือไม่ ความมั่นคงนิยามอย่างไร เส้นฐานเป็นตัวแทนสถานการณ์จริงหรือไม่ และเส้นฐาน ตัวแปร โหมดความล้มเหลวถูกปฏิบัติอย่างสม่ำเสมอหรือไม่ หากใช้เฉพาะ "ตัวชี้วัดเส้นฐานเพิ่มขึ้น" เป็นเกณฑ์การยอมรับ ความเสี่ยงอาจมาจากความเบี่ยงเบนของฟังก์ชันเป้าหมาย การ overfit เส้นฐาน การแสดงกรณีสำเร็จอย่างเลือกสรร การซ่อนโหมดความล้มเหลว หรือการเปรียบเทียบที่ไม่เป็นธรรม

ทิศทางการปรับปรุงคือเพิ่มการทำซ้ำเส้นฐาน การควบคุมตัวแปร การทดลอง ablation การรายงานโหมดความล้มเหลว การชั่งน้ำหนักหลายเป้าหมาย และการตรวจสอบขอบเขตการ extrapolate ในประตูการยอมรับ และต้องการให้มนุษย์ยืนยันว่าฟังก์ชันเป้าหมายเป็นตัวแทนความต้องการจริงหรือไม่ การเปรียบเทียบเป็นธรรมหรือไม่

ถามว่าคุ้มค่าก่อน ถามว่าทำอย่างไรทีหลัง; ถือเกณฑ์การยอมรับเป็นความรับผิดชอบของตัวเอง; รสนิยมกำหนดทิศทางของความสะดวกทางเทคโนโลยี ตรวจสอบความเข้าใจ: ขอให้นักศึกษาพูดในการหนึ่งประโยคว่าการตัดสินที่ไม่สามารถ outsource ได้ที่สำคัญที่สุดในหน้านี้คืออะไร และอธิบายวิธีตรวจสอบ คำแนะนำการเปลี่ยนผ่าน: หลังจากยืนยันว่านักศึกษาสามารถแยกแยะ "สัญญาณที่เป็นไปได้" กับ "ข้อสรุปทางวิทยาศาสตร์" และพูดขอบเขตของชั้นการดำเนินการกับชั้นความรับผิดชอบได้แล้ว จึงเข้าสู่หน้าถัดไปซึ่งมีโปรแกรมประยุกต์หรือบทสรุป

<a id="lecture-page-11"></a>

### แก่นของการวิจัย: ความสามารถในการตั้งคำถามสำคัญ

*หน้า 11*

> **เป้าหมายหน้า: ** เชี่ยวชาญความสามารถในการตั้งคำถามหลักที่สำคัญกว่าการเขียนโค้ดในยุคเขียนโปรแกรมอัตโนมัติ

> **เป้าหมายหน้า**
>
> หน้านี้ต้องการให้นักศึกษาเข้าใจว่าในการวิจัยแบบ AI Native การเขียนโปรแกรมอัตโนมัติและโมเดลขนาดใหญ่ได้กดต้นทุน "การทำให้คำตอบเป็นจริง" ให้ต่ำมาก ศูนย์กลางการวิจัยจึงย้ายจาก "ทำได้หรือไม่" ขึ้นไปสู่ "คุ้มค่าที่จะทำหรือไม่ ควรทำที่ไหน" ความสามารถหลักของนักวิจัยคือตั้งคำถามสำคัญ และรักษาทิศทาง เกณฑ์การชั่งน้ำหนัก และความหมายทางวิทยาศาสตร์

**ประเด็นการสอน**

- 1. การเปลี่ยนแปลงโครงสร้างต้นทุนคือจุดเริ่มต้นเชิงตรรกะของหน้านี้ การสร้างโค้ด การค้นหาแผน การดำเนินการทดลอง สามารถมอบให้ AI ทำได้
- เมื่อคำตอบถูกลง สิ่งที่หายากกลายเป็น "ตั้งคำถามถูก" AI รับผิดชอบขยายพื้นที่คำตอบและเส้นทางการดำเนินการ คนรับผิดชอบการกำหนดปัญหาและการควบคุมทิศทาง ความรับผิดชอบจึงย้ายขึ้น 2. ใช้แผนที่ความคิดในหน้า แยกความสามารถในการตั้งคำถามสำคัญเป็นหกองค์ประกอบ และอธิบายทีละข้อ: เป้าหมายและความขัดแย้ง——ปริมาณที่ต้องปรับปรุงจริงคืออะไร หลายเป้าหมายชั่งน้ำหนักอย่างไร ใครสำคัญกว่า
- ข้อจำกัดและขอบเขต——เงื่อนไขใดแลกเปลี่ยนไม่ได้ พื้นที่คำตอบใหญ่แค่ไหน
- การประเมินและการตรวจสอบ——ตัวชี้วัดสังเกตได้หรือไม่ โปรโตคอลการตรวจสอบและงบประมาณการประเมินเป็นเท่าใด
- คำตอบ/พื้นที่คำตอบ——ต้องการความหลากหลายและความทนทานประเภทใด
- เกณฑ์ความล้มเหลว——ผลลัพธ์ใดควรถูกตัดสินว่าล้มเหลว
- การแบ่งงานมนุษย์-เครื่องและรสนิยม——AI ขยายคำตอบ คนควบคุมทิศทาง สามารถแนะนำให้นักศึกษาจดหกประเภทนี้เป็นรายการตรวจสอบตนเอง 3. แก่นแท้ของการตั้งคำถามสำคัญไม่ใช่การ追问รายละเอียดการทำให้เป็นจริง แต่เป็นการแปลงสัญชาตญาณที่คลุมเครือเป็นโครงสร้างการวิจัยที่ตรวจสอบได้ วิวัฒนาการได้ แบ่งงานได้ คุณภาพการตั้งคำถามกำหนดคุณภาพพื้นที่คำตอบ: นิยามปัญหายิ่งชัดเจน การค้นหาและวิวัฒนาการยิ่งมีแนวโน้มตกในพื้นที่ที่มีความหมาย ผลผลิตยิ่งมีแนวโน้มอธิบายได้ นำกลับมาใช้ได้
- นิยามยิ่งคลุมเครือ โมเดลยิ่งสามารถลองสุ่มในพื้นที่ใหญ่เกินไป ผลลัพธ์มักดูเหมือน可行แต่ไม่สามารถสะสม 4. การแบ่งงานมนุษย์-เครื่องและรสนิยมหลักของนักวิจัย AI ขยายพื้นที่คำตอบและเส้นทางการดำเนินการ คนควบคุมทิศทาง เกณฑ์การชั่งน้ำหนัก และความหมายทางวิทยาศาสตร์ ใช้การปฏิบัติอย่างการวิวัฒนาการระดับระบบอย่างต่อเนื่องเช่น Genesis เป็นตัวอย่าง: การแก้ไขที่เป็นไปได้ต้องผ่านการคอมไพล์ การทดสอบ และการยอมรับระดับบน จึงเข้าสู่เวอร์ชันโครงการที่ได้รับการยอมรับ กลายเป็นพื้นฐานทางประวัติศาสตร์สำหรับงานต่อๆ ไป
- หากในขั้นตอนการตั้งคำถามไม่ได้กำหนดโปรโตคอลการประเมินและเกณฑ์ความล้มเหลวให้ชัดเจน ด่านการยอมรับก็ไม่มีพื้นฐานในการตัดสิน ผลผลิต AI สามารถ停留在ผลผลิตโค้ดครั้งเดียว ไม่สามารถ跨越บริบทและวงจรงานสะสม รสนิยมหลักคือการตัดสินสามประการ: อะไรคุ้มค่าที่จะถาม หลักฐานใดยอมรับได้ แผนใด可行但不คุ้มค่าที่จะทำ เขียนใหม่เป็น "ความขัดแย้งจริงคืออะไร? เป้าหมายและข้อจำกัดวัดปริมาณอย่างไร? งบประมาณการประเมินและมาตรฐานการตรวจสอบคืออะไร? ต้องการความหลากหลายและความทนทานประเภทใด? ผลลัพธ์ใดควรถูกตัดสินว่าล้มเหลว?" ด้วยวิธีนี้ AI จึงสามารถทำให้คำตอบเป็นจริงได้อย่างมีประสิทธิภาพ คนก็มีพื้นฐานในการยอมรับ ห้าคำถามแบบเลือกตอบสอดคล้องกับการตัดสินห้าประการของหน้านี้——ทำไมแก่นการวิจัยย้ายขึ้น แก่นแท้ของการตั้งคำถามสำคัญ องค์ประกอบที่คำถามสำคัญหนึ่งข้อต้องชัดเจน ความสัมพันธ์ระหว่างคุณภาพการตั้งคำถามกับพื้นที่คำตอบ การตัดสินสามชั้นของรสนิยมหลัก เมื่อจัดการไม่ต้องอ่านทีละข้อ สามารถให้นักศึกษาตอบก่อน แล้วใช้ผลป้อนกลับเช่น "สิ่งที่ถูกลดคือต้นทุนการทำให้เป็นจริง ไม่ใช่ต้นทุนการตัดสิน" "คลุมเครือไม่เท่ากับอิสระ" เพื่อแก้ไข โจทย์กรณีศึกษาต้องการให้นักศึกษาเขียน "ใช้ EvoX ทำการปรับให้เหมาะสม" ใหม่เป็นการ์ดปัญหาที่ครอบคลุมเป้าหมายและความขัดแย้ง ข้อจำกัดและขอบเขต การประเมินและการตรวจสอบ เกณฑ์ความล้มเหลว และอธิบายว่าคุณภาพการตั้งคำถามกำหนดว่าการทดลองสามารถสะสมเป็นผลผลิตโครงการที่วิวัฒนาการได้อย่างต่อเนื่องหรือไม่ จุดอ้างอิง: Genesis มองโค้ดที่ส่งเป็นคำตอบที่เป็นไปได้ ต้องผ่านการคอมไพล์ การทดสอบ และการยอมรับระดับบนจึงเข้าสู่เวอร์ชันที่ได้รับการยอมรับ
- ขาดตัวชี้วัดที่สังเกตได้ โปรโตคอลการตรวจสอบ และเกณฑ์ความล้มเหลว การยอมรับก็ไม่มีพื้นฐาน
- AI รับผิดชอบสร้างคำตอบที่เป็นไปได้ ค้นหา และรันการทดสอบ คนรับผิดชอบกำหนดเป้าหมาย ข้อจำกัดแข็ง งบประมาณการประเมิน และเกณฑ์ความล้มเหลว และทำการตัดสินการยอมรับ สุ่มขอให้นักศึกษาหนึ่งคนทวนรายการตรวจสอบตนเองหกข้อด้วยคำพูดของตนเอง และให้ความต้องการที่คลุมเครือในการวิจัยของตนเอง ลองเขียนใหม่ในสถานที่ หลังจากยืนยันว่านักศึกษาสามารถพูด "รันผ่านไม่เท่ากับคุ้มค่าลงทุน" "คุณภาพการตั้งคำถามกำหนดคุณภาพพื้นที่คำตอบ" สองชั้นนี้ได้แล้ว จึงเข้าสู่หน้าถัดไป

<a id="lecture-page-12"></a>

### การแบ่งงานมนุษย์-เครื่อง: AI ทำให้คำตอบเป็นจริง มนุษย์ควบคุมทิศทาง

*หน้า 12*

> **เป้าหมายหน้า: ** จัดระเบียบความสัมพันธ์การแบ่งงานและความร่วมมือระหว่าง AI กับนักวิจัยในกระบวนการสำรวจทางวิทยาศาสตร์

**ประเด็นการสอน**

- ก่อนการทดลองทุกครั้งถามตัวเองสามประโยค: ปัญหานี้ใครเลือก? เกณฑ์การประเมินใครกำหนด? ข้อสรุปใครยอมรับ? หากคำตอบทั้งสามข้อชี้ไปที่ "ฉัน" การแบ่งงานก็สุขภาพดี; หากชี้ไปที่โมเดลทั้งหมด การควบคุมทิศทางก็เสียไปแล้ว
- เมื่อเกณฑ์การประเมินถูกแก้ไขโดยกระบวนการอัตโนมัติ การปรับให้เหมาะสมจะเปลี่ยนไปสู่ "ตัวชี้วัดที่ปรับปรุงง่ายที่สุด" อย่างเงียบๆ การตั้งฟังก์ชันเป้าหมายและข้อจำกัดเป็น read-only คือประตูแรกที่ป้องกันการ漂移
- AI ขยายแบนด์วิดท์ มนุษย์รักษาความหมาย——สิ่งที่ส่งมอบไม่ใช่ตัวเลขที่มากขึ้น แต่เป็นข้อสรุปที่ยืนได้

### เป้าหมายหน้า

จัดระเบียบความสัมพันธ์การแบ่งงานและความร่วมมือระหว่าง AI กับนักวิจัย กำหนดขอบเขตระหว่างชั้นการดำเนินการ AI กับชั้นการควบคุมของมนุษย์ เข้าใจว่าทำไม "AI ขยายแบนด์วิดท์การสำรวจ มนุษย์รักษาความหมายทางวิทยาศาสตร์"

### ลำดับการอธิบาย

มอบการทำให้เป็นจริงและการสำรวจให้ AI เหลือทิศทางและการตัดสินให้กับนักวิจัย

ลูปปิดความร่วมมือมนุษย์-เครื่อง ชั้นการดำเนินการ AI ประกอบด้วยการทำให้คำตอบเป็นจริง การรันการทดลองแบบกลุ่ม การค้นหาคำตอบที่เป็นไปได้ การป้อนกลับผลลัพธ์; ชั้นการควบคุมของมนุษย์ประกอบด้วยการกำหนดปัญหา การเลือกทิศทาง การตัดสินหลักฐาน การยอมรับความหมายทางวิทยาศาสตร์ ทั้งสองข้างเชื่อมด้วย "ผลลัพธ์ขึ้น มาตรฐานลง": AI ผลักดันคำตอบที่เป็นไปได้และผลป้อนกลับการทดลองให้กับนักวิจัย นักวิจัยส่งเป้าหมาย ข้อจำกัด และเกณฑ์การยอมรับกลับให้ AI

ทำให้คำตอบเป็นจริงอย่างรวดเร็ว รันการทดลองแบบกลุ่ม ค้นหาคำตอบที่เป็นไปได้และป้อนกลับ เมื่อปัญหาและเกณฑ์การประเมินชัดเจน AI สามารถให้แผนที่รันได้ ตรวจสอบได้ในเวลาสั้นมาก ทำให้การลองผิดลองถูกเปลี่ยนจากทรัพยากรหายากเป็นปฏิบัติการปกติ

ตั้งคำถามสำคัญ กำหนดเป้าหมาย ข้อจำกัด และเกณฑ์การประเมิน ตัดสินว่าหลักฐานเชื่อถือได้หรือไม่ ทำการยอมรับความหมายทางวิทยาศาสตร์ ต้องแยกแยะ "ผลลัพธ์ที่รันผ่าน" กับ "ผลลัพธ์ที่เชื่อถือได้" ระบุ overfitting การรั่วไหลของข้อมูล และการปลอมตัวชี้วัด

หากขาดข้างใดข้างหนึ่งจะใช้ไม่ได้ มีเพียง AI จะได้ผลลัพธ์ที่ไม่มีความหมายจำนวนมาก; มีเพียงมนุษย์ แบนด์วิดท์การสำรวจจำกัด ใช้การสำรวจวิวัฒนาการหลายเป้าหมายเป็นตัวอย่าง AI สามารถสร้างและรันแผนทางเลือกจำนวนมากโดยอัตโนมัติ นักวิจัยตัดสินว่าเป้าหมายการปรับให้เหมาะสม เงื่อนไขข้อจำกัด และตัวชี้วัดการประเมินเป็นตัวแทนปัญหาจริงหรือไม่ และคัดกรองทิศทางที่เชื่อถือได้ทางวิทยาศาสตร์และคุ้มค่าที่จะสำรวจต่อ

มอบเกณฑ์การประเมินให้ AI ตัดสินใจอัตโนมัติด้วย ระบบจะปรับให้เหมาะสมอย่างมีประสิทธิภาพต่อเป้าหมายที่ไม่สะท้อนปัญหาวิทยาศาสตร์จริง สร้างผลลัพธ์ "ดูสมเหตุสมผล" แต่ไม่มีความหมายจำนวนมาก การตัดสินใจใดที่เปลี่ยน "อะไรถือว่าดี" ต้องเหลือไว้ฝั่งมนุษย์

ปัญหานี้ใครเลือก? เกณฑ์การประเมินใครกำหนด? ข้อสรุปใครยอมรับ? หากคำตอบทั้งสามข้อชี้ไปที่ "ฉัน" การแบ่งงานก็สุขภาพดี; หากชี้ไปที่โมเดลทั้งหมด การควบคุมทิศทางก็เสียไปแล้ว

AI ขยายแบนด์วิดท์ มนุษย์รักษาความหมาย——สิ่งที่ส่งมอบไม่ใช่ตัวเลขที่มากขึ้น แต่เป็นข้อสรุปที่ยืนได้

### ประเด็นการสอน

การทำให้คำตอบเป็นจริง การรันการทดลองแบบกลุ่ม การค้นหาคำตอบที่เป็นไปได้ การป้อนกลับผลลัพธ์ แกนคือกดต้นทุนการทำให้เป็นจริงให้ใกล้ศูนย์

การกำหนดปัญหา การเลือกทิศทาง การตัดสินหลักฐาน การยอมรับความหมายทางวิทยาศาสตร์ แกนคือเก็บต้นทุนการตัดสินไว้ในมือตัวเอง

AI ขยายแบนด์วิดท์การสำรวจ มนุษย์ควบคุมทิศทางและเกณฑ์การยอมรับ

เมื่อเกณฑ์การประเมินถูกแก้ไขโดยกระบวนการอัตโนมัติ การปรับให้เหมาะสมจะเปลี่ยนไปสู่ "ตัวชี้วัดที่ปรับปรุงง่ายที่สุด" อย่างเงียบๆ การตั้งฟังก์ชันเป้าหมายและข้อจำกัดเป็น read-only คือประตูแรกที่ป้องกันการ漂移

ไม่ใช่รันตัวเลขผลลัพธ์มากขึ้น แต่ผลลัพธ์มีความหมายทางวิทยาศาสตร์จริง ปริมาณจึงมีคุณค่า

### การครอบคลุมคำสำคัญ

ชั้นการดำเนินการ AI ชั้นการควบคุมของมนุษย์ ลูปปิดความร่วมมือมนุษย์-เครื่อง แบนด์วิดท์การสำรวจ การ漂移ของเกณฑ์การประเมิน ฟังก์ชันเป้าหมาย read-only การยอมรับความหมายทางวิทยาศาสตร์ คำถามตรวจสอบตนเองสามข้อ

### การจัดการแบบฝึกหัด

คำตอบที่ถูกต้องคือ "ทำให้คำตอบเป็นจริงอย่างรวดเร็ว รันการทดลองแบบกลุ่มและค้นหาคำตอบที่เป็นไปได้" AI รับผิดชอบการทำให้เป็นจริงและการสำรวจ; การตัดสินคุณค่าปัญหา การตัดสินความน่าเชื่อถือของหลักฐาน การยอมรับความหมายทางวิทยาศาสตร์เป็นของชั้นการควบคุมของมนุษย์

คำตอบที่ถูกต้องคือ "เพราะเฉพาะเมื่อผลลัพธ์มีความหมายทางวิทยาศาสตร์จริง ปริมาณจึงมีคุณค่า" ปริมาณมาจากแบนด์วิดท์การสำรวจของ AI คุณค่ามาจากการตัดสินความหมายทางวิทยาศาสตร์ของมนุษย์

คำตอบที่ถูกต้องคือ "เป้าหมายการปรับให้เหมาะสม เงื่อนไขข้อจำกัด และตัวชี้วัดการประเมินเป็นตัวแทนปัญหาจริงหรือไม่" การสร้างคำตอบที่เป็นไปได้และการรันแบบกลุ่มเป็นของชั้นการดำเนินการ AI; นักวิจัยต้องควบคุมชั้น "อะไรถือว่าดี"

คำตอบที่ถูกต้องคือ "ให้นักวิจัยมุ่งความสนใจที่การตัดสินทิศทางและเกณฑ์การยอมรับ" AI ขยายความกว้าง มนุษย์ให้ทิศทาง ทั้งสองเสริมกัน而非แทนกัน

คำตอบที่ถูกต้องคือ "ระบบจะปรับให้เหมาะสมอย่างมีประสิทธิภาพต่อเป้าหมายที่ไม่สะท้อนปัญหาวิทยาศาสตร์จริง สร้างผลลัพธ์ที่ดูสมเหตุสมผลแต่ไม่มีความหมายจำนวนมาก" การมอบเกณฑ์การประเมินให้ระบบเท่ากับให้ผู้ถูกประเมินกำหนดข้อสอบเอง; การตัดสินใจใดที่เปลี่ยนเกณฑ์การประเมิน ต้องเก็บไว้ให้มนุษย์ตรวจสอบ

### การจัดการกรณีศึกษา

1. ชั้นการดำเนินการ AI 包括การสร้างสูตรที่เป็นไปได้ การรันการจำลองแบบกลุ่ม การเก็บตัวชี้วัดประสิทธิภาพและการปรับปรุงประชากร สิ่งเหล่านี้เป็นของการทำให้เป็นจริงและการสำรวจ ชั้นการควบคุมของมนุษย์包括ระบบวัสดุที่ต้องค้นหา เป้าหมายประสิทธิภาพและข้อจำกัดกระบวนการ ตัวชี้วัดเป็นตัวแทนความหมายทางฟิสิกส์จริงหรือไม่ คำตอบสุดท้ายคุ้มค่าที่จะลงทุนทดลองต่อหรือไม่ สิ่งเหล่านี้เป็นของทิศทางและการตัดสิน เกณฑ์การแบ่งคือ: การตัดสินใจใดที่เปลี่ยน "อะไรถือว่าดี" ต้องเหลือไว้ฝั่งมนุษย์; งานใดที่ดำเนินการตามมาตรฐานที่กำหนดไว้ในขนาดที่ใหญ่ขึ้น สามารถมอบให้ AI ได้

2. หากให้ AI ปรับน้ำหนักตัวชี้วัดประสิทธิภาพอัตโนมัติผ่าน meta-optimization ความเสี่ยงหลักคือการ漂移ของเกณฑ์การประเมิน: หลังจากระบบที่ถูกปรับให้เหมาะสมควบคุมอำนาจประเมินตัวเองพร้อมกัน มันจะเอนไปทาง "ตัวชี้วัดที่ปรับปรุงง่ายที่สุด" สูตรที่ได้คะแนนสูงอาจเป็นไปไม่ได้ทางฟิสิกส์หรือไม่มีคุณค่าจริง และผิวเผินมักดูสมเหตุสมผลมาก ยากที่จะระบุได้ในทันที การออกแบบการป้องกัน包括: ประกาศฟังก์ชันเป้าหมายและข้อจำกัดเป็น受控且 read-only; meta-optimization อนุญาตให้ปรับเฉพาะ hyperparameter จำนวนน้อยภายในขอบเขตที่มนุษย์กำหนดและตั้งขีดจำกัดบน-ล่าง; ตั้งประตูการยอมรับที่เป็นอิสระจากเป้าหมายการปรับให้เหมาะสม เช่น การสังเคราะห์จริงและการทดลองลักษณะเฉพาะ; การเปลี่ยนแปลงน้ำหนักใดต้องผ่านการตรวจสอบอย่างชัดเจนของนักวิจัยและ留下บันทึก รับประกันการตัดสินใจทิศทางสามารถ追溯ได้

### กิจกรรมในชั้นเรียน

ขอให้นักศึกษาใช้ตัวอย่างที่ใกล้ประสบการณ์การเรียนหรือการวิจัยของตนเอง ทวนการแบ่งงาน "AI ทำให้คำตอบเป็นจริง มนุษย์ควบคุมทิศทาง" และอธิบายความสัมพันธ์ระหว่างตัวอย่างนี้กับคำถามตรวจสอบตนเองสามข้อ

### ตรวจสอบความเข้าใจ

ชั้นการดำเนินการ AI ชั้นการควบคุมของมนุษย์ ลูปปิดความร่วมมือมนุษย์-เครื่อง การ漂移ของตัวชี้วัด คำถามตรวจสอบตนเองสามข้อ เติมเต็มคำสำคัญที่ขาดหายตามคำตอบ

### คำแนะนำการเปลี่ยนผ่าน

หลังจากยืนยันว่านักศึกษาสามารถพูดความสัมพันธ์หลัก "AI ขยายแบนด์วิดท์การสำรวจ มนุษย์ควบคุมทิศทางและเกณฑ์การยอมรับ" ได้แล้ว จึงเข้าสู่หน้าถัดไปซึ่งมีตัวอย่าง โปรแกรมประยุกต์ หรือบทสรุป

<a id="lecture-page-13"></a>

### หลักการหลัก: Code is cheap. Taste matters

*หน้า 13*

> **เป้าหมายหน้า: ** สัมผัสแนวคิด Turing และเป้าหมายสูงสุดของ EvoX ในการสร้างโครงสร้างพื้นฐานเปิด

> **เป้าหมายหน้า**
>
> เข้าใจหลักการหลัก "Code is cheap. Taste matters" สัมผัสแนวคิด Turing และเป้าหมายสูงสุดของ EvoX ในการสร้างโครงสร้างพื้นฐานเปิด

**ประเด็นการสอน**

- 1. Code is cheap เป็นคำอธิบายตามจริงของสถานะวิศวกรรมปัจจุบัน เมื่อต้นทุนส่วนเพิ่มของการสร้างและทำให้โค้ดเป็นจริงถูกกดโดยโมเดลขนาดใหญ่และฐาน tensor ให้ใกล้ศูนย์ โค้ดไม่ใช่กำแพงอีกต่อไป และไม่ใช่หน่วยวัดผลงานวิจัย "รันผ่าน" ลดจากผลงานเป็นข้อกำหนดเบื้องต้น เปลี่ยนจากผลงานที่แสดงได้เป็นตั๋วเข้าทำงานต่อ 2. Taste matters คือการจัดตำแหน่งใหม่ของหน้าที่มนุษย์หลังการแบ่งงานมนุษย์-เครื่อง เมื่อ "AI ทำให้คำตอบเป็นจริง มนุษย์ควบคุมทิศทาง" กลายเป็นการแบ่งงานเริ่มต้น สิ่งที่หายากจริงในฝั่งมนุษย์คือความสามารถในการตั้งคำถามสำคัญ กำหนดเกณฑ์การประเมิน ตัดสินทิศทางในความขัดแย้งหลายเป้าหมาย 3. รสนิยมประกอบด้วยการตัดสินสี่ประเภท: การเลือกปัญหา——ทำปัญหาอะไรกำหนดขีดจำกัดบนได้ดีกว่าใช้วิธีอะไร เมื่อทิศทางผิด ยิ่งทำให้เป็นจริงเร็วก็ยิ่งสิ้นเปลือง
- การออกแบบฟังก์ชันเป้าหมายและเกณฑ์การประเมิน——เมื่อเลือกตัวชี้วัดผิด โมเดลจะลู่เข้าไปในทิศทางที่ผิดอย่างมีประสิทธิภาพเท่านั้น
- เกณฑ์การชั่งน้ำหนักหลายเป้าหมาย——ความชอบระหว่างประสิทธิภาพ ความสามารถในการทำซ้ำ ความสามารถในการบำรุงรักษา ต้นทุนการนำไปใช้ ต้องถูกประกาศอย่างชัดเจน ไม่ใช่ตัดสินชั่วคราว
- การตีความและการ Attribution ผลลัพธ์——แยกแยะ "บังเอิญรันผ่าน" กับ "เข้าใจจริง" และตัดสินว่าผลตอบแทนมาจากการเปลี่ยนแปลงใด 4. รสนิยมต้องตรวจสอบได้ รสนิยมไม่ใช่การยืนยันเชิงสุนทรียศาสตร์ และไม่สามารถตัดสินด้วยอาวุโสหรือการโหวต ต้องถูก falsify ผ่าน "เข้าสู่สภาพแวดล้อมจริง—รับผลป้อนกลับจริง": เขียนการตัดสินเป็นสมมติฐานที่ตรวจสอบได้ ใช้ความล้มเหลวและความสำเร็จในสถานการณ์จริงแก้ไข มิฉะนั้นการอภิปรายก็เหลือเพียงการโต้เถียงเรื่องความชอบ 5. ความหมายของโครงสร้างพื้นฐานอยู่ที่การให้รสนิยมมีจุดลงจอด เป้าหมายสูงสุดของ EvoX คือการสร้างโครงสร้างพื้นฐานเปิดที่สามารถเข้าสู่สภาพแวดล้อมจริง รับผลป้อนกลับจริง ฐานที่เปิด แยกส่วน ประกอบรวมได้ ลดต้นทุนการนำไปใช้ให้ต่ำพอ ทำให้ความคิดดีๆ เข้าสู่สถานการณ์จริงด้วยต้นทุนต่ำ ถูกคัดกรอง ถูกสะสม ถูกสืบทอด——ดุลยพินิจจึงมี载体ที่สามารถขัดเกลาได้ซ้ำๆ Code cheap ไม่เท่ากับวิศวกรรมสามารถละเลยได้ ประตูการยอมรับ ความสามารถในการทำซ้ำ ความสามารถในการบำรุงรักษา และลูปป้อนกลับยังคง構成เกณฑ์จริง รสนิยมแสดงออกอย่างแม่นยำในการตัดสินเกณฑ์เหล่านี้: ผลป้อนกลับประเภทใดควรเชื่อ ตัวชี้วัดใดต้องยืนหยัด ความพยายามล้มเหลวประเภทใดควรถูกปฏิเสธ而非ถูกรวม คุณค่าของกลไกแบบ Genesis ก็อยู่ที่นี่——การแก้ไขที่เป็นไปได้ต้องผ่านการคอมไพล์ การทดสอบ การตรวจสอบพฤติกรรม และการยอมรับระดับบน จึงกลายเป็นพื้นฐานทางประวัติศาสตร์ที่ผู้ปฏิบัติในภายหลังสืบทอดได้ เราเห็นได้เฉพาะระยะใกล้ข้างหน้า แต่เห็นว่ามี很多事情ต้องทำ 与其เถียงเรื่องรูปแบบสุดท้ายของสติปัญญา สร้างโครงสร้างพื้นฐานเปิดที่สามารถเข้าสู่สถานการณ์จริง รับผลป้อนกลับจริงได้อย่างต่อเนื่อง ให้การสำรวจทุกรอบตรวจสอบได้ สืบทอดได้ หน้าใช้แผนภาพแนวโน้มแสดงต้นทุนการทำให้เป็นจริงลดลงอย่างต่อเนื่อง คุณค่าของการตัดสินเพิ่มขึ้นอย่างต่อเนื่อง จุดตัดของทั้งสองสร้างจุดเปลี่ยน หมายถึงดุลยพินิจกลายเป็นตัวแปรสำคัญ ใต้ภาพแสดงคำสำคัญวิสัยทัศน์ EvoX: เปิด ประกอบรวมได้ ผลป้อนกลับจริง วิวัฒนาการอย่างต่อเนื่อง

**การจัดการแบบฝึกหัด**

หน้านี้มีคำถามแบบเลือกตอบห้าข้อ ตรวจสอบความเข้าใจเกี่ยวกับความหมายทางวิศวกรรมของ Code is cheap ทิศทางการเปลี่ยนของความหายาก การ falsify ได้ของรสนิยม เกณฑ์วิศวกรรมสี่ข้อ และวัตถุประสงค์ของโครงสร้างพื้นฐาน EvoX หลังจากตอบแล้วเปรียบเทียบผลป้อนกลับ เน้นแยกแยะ "ตัวชี้วัดด้านการทำให้เป็นจริง" กับ "ความสามารถด้านการตัดสิน": จำนวนบรรทัดโค้ด ความแม่นยำการเติมโค้ด ความนิยมของเฟรมเวิร์ก ความถี่การ commit ไม่สามารถแทนการตัดสิน "อะไรควรถูกยอมรับ" โจทย์กรณีศึกษาต้องการให้ทีมระบุส่วนที่ควรลงทุนก่อนและออกแบบกระบวนการยอมรับการแก้ไขที่เป็นไปได้ที่ตรวจสอบรสนิยม

ทิศทางอ้างอิง包括การเลือกปัญหาและการกำหนดเป้าหมาย การออกแบบฟังก์ชันเป้าหมายและเกณฑ์การประเมิน ประตูการยอมรับและเกณฑ์การชั่งน้ำหนักหลายเป้าหมาย การตีความและการ Attribution ผลลัพธ์ และลูปปิด "การแก้ไขที่เป็นไปได้—การทดสอบแยก—การให้คะแนน—การยอมรับระดับบน—การสืบทอดทางประวัติศาสตร์—การป้อนกลับ"

**ตรวจสอบความเข้าใจ**

สุ่มขอให้นักศึกษาหนึ่งคนสรุปประเด็นสำคัญของหน้านี้ด้วยคำพูดของตนเอง ผู้สอนเติมเต็มคำสำคัญที่ขาดหายตามคำตอบ เช่น "รันผ่านเป็นเพียงตั๋วเข้า" "รสนิยมต้อง falsify ได้" "เกณฑ์วิศวกรรมสี่ข้อ"

> **คำแนะนำการเปลี่ยนผ่าน**
>
> หน้านี้รับช่วงการแบ่งงาน "AI ทำให้คำตอบเป็นจริง มนุษย์ควบคุมทิศทาง" จากหน้าก่อน ให้หลักการหลักที่สนับสนุนการแบ่งงานนี้; หน้าถัดไปจะเปลี่ยนไปสู่ภาคปฏิบัติการสนทนาชี้นำ AI ทำภารกิจ EvoX

<a id="lecture-page-14"></a>

### กิจกรรมในชั้นเรียน: สนทนาชี้นำ AI ทำภารกิจ EvoX

*หน้า 14*

> **เป้าหมายหน้า: ** ตรวจสอบกระบวนการภารกิจการปรับให้เหมาะสมพื้นฐานในสภาพแวดล้อม AI Native ผ่านการปฏิบัติ

**กิจกรรมในชั้นเรียน**

สนทนาชี้นำ AI ทำภารกิจ EvoX

> **เป้าหมายหน้า**
>
> ทำลูปปิดขั้นต่ำ "พร้อมต์ → สร้าง → รัน → ยอมรับ" ในสภาพแวดล้อม EvoX จริง ประเด็นไม่ใช่แค่ได้โค้ดที่อ่านได้ แต่ตรวจสอบรูปแบบการทำงาน AI Native: คนให้ทิศทาง AI ให้การทำให้เป็นจริง คนทำการยอมรับ

> **ลำดับการอธิบาย**
>
> อธิบายภารกิจกิจกรรมก่อน จากนั้นแยกวิธีสร้างพร้อมต์ ต่อมาอธิบายวิธียอมรับผลการรัน สุดท้ายใช้วิธีเพิ่มข้อจำกัดจัดการผลลัพธ์ที่ไม่น่าพอใจ และกลับไปที่การแบ่งงานมนุษย์-เครื่อง

**ประเด็นการสอน**

- ใช้พร้อมต์บทสนทนาหนึ่ง段落ขับเคลื่อน AI สร้างและรันภารกิจการปรับให้เหมาะสม EvoX พื้นฐาน แล้วตรวจสอบผลลัพธ์เหมือนวิศวกร ปัญหาการปรับให้เหมาะสมและฟังก์ชันเป้าหมาย (เช่น การ最小化ฟังก์ชัน Rastrigin) พื้นที่ค้นหาและมิติ (เช่น 10 มิติและช่วงค่า) อัลกอริทึมหรือตัวดำเนินการ (เช่น อัลกอริทึม DE ตัวดำเนินการผสมและกลายพันธุ์) ขนาดประชากรและจำนวนรุ่นการวนซ้ำ (เช่น ประชากร 128 วนซ้ำ 200 รุ่น) แพลตฟอร์มการคำนวณ (CPU หรือ GPU tensor) ผลลัพธ์ที่คาดหวัง (ค่าที่ดีที่สุด เส้นโค้งการลู่เข้า บันทึกการรัน) หยาบเกินไปจะเรียกการตั้งค่าเริ่มต้น ยากต่อการตัดสินว่าตรงกับเจตนาหรือไม่
- ละเอียดเกินไปจะลดเป็นเขียนโค้ดด้วยมือ วิธีที่เหมาะสมคือกำหนดข้อจำกัดและเกณฑ์การยอมรับให้ชัดเจน มอบรายละเอียดการทำให้เป็นจริงให้ AI ตัวอย่างเช่น ระบุปัญหา อัลกอริทึม ขนาดประชากร และจำนวนการวนซ้ำ แต่ไม่จำเป็นต้องกำหนดวิธีเรียกอินเทอร์เฟซเฉพาะ รันจริงหรือไม่ ไม่ใช่แค่ให้โค้ด ดูบันทึกเทอร์มินัลและเวลารัน
- เส้นโค้งการลู่เข้าลู่เข้าดีขึ้นอย่างซ้ำซากและไม่มีการแกว่งผิดปกติหรือไม่
- ค่าที่ดีที่สุดสอดคล้องกับขนาดที่รู้ของปัญหา เช่น ค่าที่ดีที่สุดทั่วโลกของฟังก์ชัน Rastrigin คือ 0
- seed สุ่มและการตั้งค่าทำซ้ำได้หรือไม่ หลังจาก fix seed แล้วรันซ้ำควรได้ผลลัพธ์เหมือนหรือใกล้เคียง เมื่อผลลัพธ์ไม่เป็นไปตามคาด ให้เพิ่มข้อจำกัดผ่านบทสนทนาก่อน เช่น "fix seed=42 รันใหม่และให้ค่าเฉลี่ยและความแปรปรวนของการรันซ้ำสามครั้ง" สังเกตว่า AI สามารถวนซ้ำแก้ไข而非เขียนใหม่ได้หรือไม่ มนุษย์รับผิดชอบการกำหนดปัญหา เกณฑ์ตัวชี้วัด และการตัดสินผลลัพธ์
- AI รับผิดชอบการเลือกอินเทอร์เฟซ การจัดระเบียบโค้ด และการดีบักและดำเนินการ ทำเฉพาะการตรวจสอบกระบวนการของภารกิจพื้นฐาน ไม่ขยายหัวข้อต่อไป如 MetaDE การวิวัฒนาการสองชั้น การชั่งน้ำหนักหลายเป้าหมาย หรือ Genesis หลาย Agent ตัวอย่างพร้อมต์อ้างอิง: "ใช้ EvoX แก้ค่าต่ำสุดของฟังก์ชัน Rastrigin (10 มิติ) ใช้อัลกอริทึม DE ประชากร 128 วนซ้ำ 200 รุ่น ใช้ GPU tensor backend fix seed=42
- กรุณารันโดยตรงและคืนค่า fitness ที่ดีที่สุด กราฟเส้นโค้งการลู่เข้า และบันทึกการรัน" รันจริงหรือไม่ รูปร่างเส้นโค้งการลู่เข้าสมเหตุสมผลหรือไม่ ค่าที่ดีที่สุดใกล้ 0 หรือไม่ ผลการรันซ้ำสอดคล้องกันหรือไม่

> **เบาะแสแบบฝึกหัด**
>
> - ไม่จำเป็นต้องระบุจำนวนบรรทัดโค้ดเฉพาะของการทำให้อัลกอริทึมเป็นจริง
> - หลักฐานสำคัญที่ยืนยันการรันจริงคือบันทึกการวนซ้ำเทอร์มินัลและเส้นโค้งการลู่เข้า
> - เมื่อผลลัพธ์ไม่ดี วิธีที่มีประสิทธิภาพที่สุดคือเพิ่มข้อจำกัด เช่น fix seed สุ่มและรันซ้ำ
> - มนุษย์รับผิดชอบหลักในการกำหนดปัญหา เกณฑ์ตัวชี้วัด และการตัดสินผลลัพธ์
> - ความละเอียดพร้อมต์ควรกำหนดข้อจำกัดและเกณฑ์การยอมรับให้ชัดเจน มอบรายละเอียดการทำให้เป็นจริงให้ AI หากนักศึกษาตอบผิด สามารถแนะนำให้กลับไปที่ "องค์ประกอบพร้อมต์" "รายการตรวจสอบการรัน" "การแบ่งงานมนุษย์-เครื่อง" สามแห่งเพื่อหาหลักฐาน ฟังก์ชัน Ackley 20 มิติ, CMA-ES, ประชากร 64, วนซ้ำ 500, CPU, fix seed=123 หากเส้นโค้งช่วงต้นแกว่งรุนแรงและค่าที่ดีที่สุดมากกว่า 0 มาก สาเหตุที่เป็นไปได้包括ขนาดขั้นตอนใหญ่เกินไป ความหลากหลายของประชากรไม่เพียงพอ พารามิเตอร์อัลกอริทึมไม่ตรงกับมิติปัญหา seed สุ่มทำให้การสำรวจช่วงต้นผันผวน เป็นต้น การเพิ่มข้อจำกัดสามารถ fix seed และรันซ้ำสามครั้ง คำนวณค่าเฉลี่ยและความแปรปรวน
> - ขอให้ส่งออกการเปลี่ยนแปลงค่าที่ดีที่สุดทุกรุ่น
> - ปรับขนาดขั้นตอนหรือขนาดประชากรแล้วรันใหม่ เมื่อยอมรับ นอกเหนือจากค่าที่ดีที่สุด ควรตรวจสอบว่ารันจริงหรือไม่ รูปร่างเส้นโค้งการลู่เข้า ขนาดค่าที่ดีที่สุด ความสามารถในการทำซ้ำ ความสมเหตุสมผลของเวลารัน สามารถให้นักศึกษาแบ่งกลุ่มทำงาน หนึ่งคนรับผิดชอบสร้างพร้อมต์ หนึ่งคนรับผิดชอบสังเกตบันทึกการรันและเส้นโค้งการลู่เข้า หนึ่งคนรับผิดชอบให้ข้อสรุปการยอมรับตามรายการตรวจสอบ
> - บันทึกผลลัพธ์ที่ล้มเหลวหรือไม่น่าพอใจหนึ่งครั้ง และลองปรับปรุงด้วยการเพิ่มข้อจำกัด

**ตรวจสอบความเข้าใจ**

สุ่มขอให้นักศึกษาหนึ่งคนสรุปประเด็นสำคัญของหน้านี้ด้วยคำพูดของตนเอง ผู้สอนเติมเต็มองค์ประกอบพร้อมต์ คำถามยอมรับสี่ข้อ และหลักการวนซ้ำ而非เขียนใหม่ตามคำตอบ

> **คำแนะนำการเปลี่ยนผ่าน**
>
> หลังจากยืนยันว่านักศึกษาสามารถพูดความสัมพันธ์หลัก "คนให้ทิศทาง AI ให้การทำให้เป็นจริง คนทำการยอมรับ" ได้แล้ว จึงเข้าสู่หน้าถัดไปซึ่งมีตัวอย่าง โปรแกรมประยุกต์ หรือบทสรุป

<a id="lecture-page-15"></a>

### สรุปหลักสูตร: เวิร์กโฟลว์ AI Native และรสนิยมทางวิทยาศาสตร์

*หน้า 15*

> **เป้าหมายหน้า: ** สรุปเวิร์กโฟลว์ AI Native ของ EvoX และการคิดเชิงวิพากษ์ในความร่วมมือมนุษย์-เครื่อง

> **เป้าหมายหน้า**
>
> หน้านี้เป็นบทสรุปของหลักสูตรทั้งหมด รวบรวมเวิร์กโฟลว์ AI Native ของ EvoX กับรสนิยมทางวิทยาศาสตร์ที่นักวิจัยทดแทนไม่ได้เป็นข้อสรุปเดียวกัน: เมื่อเครื่องมือกดต้นทุน "การทำให้คำตอบเป็นจริง" ให้ต่ำมาก "การกำหนดว่าอะไรคุ้มค่าที่จะทำ การตัดสินว่าผลลัพธ์ใดเชื่อถือได้" กลายเป็นจุดแบ่งของคุณค่าการวิจัย

> **ลำดับการอธิบาย**
>
> ด้านซ้ายเป็นเวิร์กโฟลว์ AI Native เริ่มจากบทสนทนาภาษาธรรมชาติ ทำการตั้งค่าสภาพแวดล้อม สร้างปัญหาและข้อจำกัด ขับเคลื่อนการรันวิวัฒนาการและการสำรวจแบบกลุ่ม การวิเคราะห์ด้วยการมองเห็นและการทบทวนผลลัพธ์; ด้านขวาเป็นรสนิยมทางวิทยาศาสตร์ของมนุษย์ รับผิดชอบกำหนดปัญหา ตั้งเป้าหมายและข้อจำกัด การชั่งน้ำหนักหลายเป้าหมาย การตัดสินความน่าเชื่อถือของผลลัพธ์และทิศทางวิวัฒนาการ
>
> AI ทำให้คำตอบเป็นจริง มนุษย์ควบคุมทิศทาง; ลงสู่ประโยคเดียวคือ Code is cheap. Taste matters.
>
> เวิร์กโฟลว์บีบอัดต้นทุนเส้นทางจากความคิดถึงการทดลองที่รันได้ครั้งแรก; ความรับผิดชอบเพิ่มขึ้นตามความสะดวก; รสนิยมทางวิทยาศาสตร์มีจุดลงจอดที่ชี้ได้; การคิดเชิงวิพากษ์มีสี่คำถามที่มีโครงสร้าง; การวิวัฒนาการอย่างต่อเนื่องระดับโครงการและระดับระบบยังต้องการให้คนกำหนดเกณฑ์การยอมรับและทิศทางการวิวัฒนาการ
>
> สิ่งที่หายากไม่ใช่โค้ด แต่เป็นดุลยพินิจ; ความชำนาญในเวิร์กโฟลว์กำหนดว่ารันได้เร็วแค่ไหน รสนิยมทางวิทยาศาสตร์และการคิดเชิงวิพากษ์กำหนดว่าทิศทางที่รันถูกต้องหรือไม่

**ประเด็นการสอน**

- ใช้บทสนทนาภาษาธรรมชาติเป็นจุดเข้าถึง ขับเคลื่อนการทดลองทั้งสายของ EvoX มันลดต้นทุนเส้นทางจาก "ความคิด" ถึง "การทดลองที่รันได้ครั้งแรก" ไม่ใช่การทดลองเอง และไม่แทนการกำหนดปัญหาและการตัดสินผลลัพธ์ โครงสคริปต์ อินเทอร์เฟซพารามิเตอร์ และโค้ดวาดกราฟสามารถเกิดขึ้นได้เร็วขึ้น นักวิจัยจึงได้ความถี่การวนซ้ำการทดลองที่สูงขึ้น ยิ่งเครื่องมือง่ายต่อการใช้ ความรับผิดชอบของคนยิ่งชัดเจนขึ้น 自动化转移的是执行负担，而不是判断责任。 เมื่อ AI สร้างแผนทางเลือกในไม่กี่นาที "การชั่งน้ำหนักหลายเป้าหมายสมเหตุสมผลหรือไม่" "การเพิ่มตัวชี้วัดเชื่อถือได้หรือไม่" "ทิศทางถัดไปควรสำรวจอะไร" ยังต้องตอบโดยนักวิจัย ความสะดวกเพิ่มปริมาณการลองผิดลองถูก และขยายความเร็วการแพร่กระจายของการตัดสินใจผิดอย่างเท่าเทียมกัน การกำหนดปัญหา กำหนดว่าวิจัยอะไร ละทิ้งอะไร
- การตั้งเป้าหมายและข้อจำกัด แปลเจตนาที่คลุมเครือเป็นฟังก์ชันเป้าหมายที่ปรับให้เหมาะสมได้และข้อจำกัดแข็ง
- การชั่งน้ำหนักหลายเป้าหมาย ให้ความชอบที่ป้องกันได้ระหว่างความเร็วการลู่เข้า ความหลากหลาย ความทนทาน ต้นทุน
- การตัดสินความน่าเชื่อถือของผลลัพธ์ แยกแยะ "รันออกมาได้" กับ "ข้อสรุปยืนได้"
- การกำหนดทิศทางวิวัฒนาการ กำหนดว่ารอบถัดไปสำรวจที่ไหน ไม่ใช่รับคำตอบที่ดีที่สุดปัจจุบันแบบเชิงรับ สิ่งเหล่านี้ไม่ใช่ปัญหาการคำนวณ แต่เป็นปัญหาคุณค่าและการตัดสิน สมมติฐาน成立หรือไม่? AI อาจเติมเต็มสมมติฐานที่ไม่ได้กล่าวถึงอย่างเงียบๆ
- ตัวชี้วัดถูกตีความผิดหรือไม่? การเพิ่มขึ้นอาจมาจากการรั่วไหลของข้อมูล การเปลี่ยนเกณฑ์การประเมิน หรือ overfitting
- ผลลัพธ์ทำซ้ำได้หรือไม่? seed สุ่ม การจัดตารางแบบขนาน เวอร์ชันส่วนเพิ่ม ล้วนส่งผลต่อความสามารถในการทำซ้ำ
- ขอบเขตและโหมดความล้มเหลวถูกตรวจสอบหรือไม่? ยัง成立ในข้อจำกัดสุดขั้ว ข้อมูลเบาบาง หรือกรณีมิติสูงหรือไม่ AI รับผิดชอบการทำให้เป็นจริงและการสำรวจแบบกลุ่ม คนรับผิดชอบทิศทางและการตัดสินคุณค่า ไม่ว่าจะ自动化ระดับใด เกณฑ์การยอมรับและทิศทางการวิวัฒนาการยังต้องกำหนดโดยคน
- หากขาดการตัดสินนี้ในระยะยาว ช่องว่างในรสนิยมจะถูกเวลา放大เป็นหนี้ทางเทคนิคที่ยากต่อการชำระ AI ทำให้คำตอบเป็นจริง มนุษย์ควบคุมทิศทาง ก่อนมอบงานให้ AI ทุกครั้ง คิดให้ชัดเจนว่าเกณฑ์การยอมรับคืออะไร

**การครอบคลุมคำสำคัญ**

- เวิร์กโฟลว์ AI Native รสนิยมทางวิทยาศาสตร์ การคิดเชิงวิพากษ์ การแบ่งงานมนุษย์-เครื่อง ภาระการดำเนินการ ความรับผิดชอบในการตัดสิน การกำหนดปัญหา เป้าหมายและข้อจำกัด การชั่งน้ำหนักหลายเป้าหมาย ความน่าเชื่อถือของผลลัพธ์ ทิศทางวิวัฒนาการ หนี้ทางเทคนิค Code is cheap. Taste matters.

> **เบาะแสแบบฝึกหัด**
>
> - แบบฝึกหัดในหน้านี้ดำเนิน حولการบีบอัดต้นทุน การถ่ายโอนความรับผิดชอบ จุดลงจอดของรสนิยมทางวิทยาศาสตร์ การตรวจสอบเชิงวิพากษ์ และความเสี่ยงวิวัฒนาการอย่างต่อเนื่อง เมื่อจัดการให้นักศึกษาตัดสินก่อนว่า "สิ่งที่ถูกแทนที่โดยอัตโนมัติคืออะไร สิ่งที่未被แทนที่คืออะไร" แล้วกลับไปที่กรอบสองขั้น "รันผ่านก่อน แล้วตรวจสอบ"

**การจัดการแบบฝึกหัด**

เครื่องมือบีบอัดต้นทุนการทำให้เป็นจริงจากความคิดถึงการทดลองที่รันได้ครั้งแรก แต่ไม่เปลี่ยนความยากของการกำหนดปัญหาและการตัดสินผลลัพธ์ เมื่อให้ผลป้อนกลับเตือนให้แยกแยะ "ภาระการดำเนินการ" กับ "ความรับผิดชอบในการตัดสิน"

ความเร็วการผลิตเพิ่มขึ้น ทำให้ข้อสรุปที่ยังไม่ผ่านการตรวจสอบถูกมองเป็นผลงานที่ยืนยันแล้วและแพร่กระจายได้ง่ายขึ้น เมื่อให้ผลป้อนกลับเน้นว่าความสะดวกเพิ่มปริมาณการลองผิดลองถูก และขยายความเร็วการแพร่กระจายของการตัดสินใจผิดในสัดส่วนเดียวกัน

การกำหนดปัญหา การตั้งเป้าหมายและข้อจำกัด การชั่งน้ำหนักหลายเป้าหมาย การตัดสินความน่าเชื่อถือของผลลัพธ์ การกำหนดทิศทางวิวัฒนาการ เมื่อให้ผลป้อนกลับอธิบายว่าขั้นตอนเหล่านี้เป็นปัญหาคุณค่าและการตัดสิน ไม่ใช่ปัญหาการคำนวณ

สมมติฐานที่ซ่อนอยู่ซึ่ง AI ไม่ได้กล่าวถึงแต่เติมเต็มอย่างเงียบๆ และเกณฑ์การประเมินถูกเปลี่ยนแปลงหรือไม่ เมื่อให้ผลป้อนกลับชี้ว่าจุดสำคัญของการตรวจสอบเชิงวิพากษ์คือสมมติฐาน เกณฑ์ตัวชี้วัด ความสามารถในการทำซ้ำ และเงื่อนไขขอบเขต ไม่ใช่รูปแบบการนำเสนอ

ช่องว่างในรสนิยมถูกเวลา放大อย่างต่อเนื่อง สะสมเป็นหนี้ทางเทคนิคที่ยากต่อการชำระ เมื่อให้ผลป้อนกลับย้ำว่าอัตโนมัติรับประกันได้เพียง "รันผ่าน" ไม่สามารถรับประกัน "รันถูกทิศทาง"

เมื่อเผชิญกับคำตอบที่เป็นไปได้และการจัดอันดับที่แนะนำจาก AI ตรวจสอบเป้าหมายและข้อจำกัดว่าตรงกับความต้องการจริงของธุรกิจก่อน จากนั้นตรวจสอบเกณฑ์ตัวชี้วัดและเส้นฐาน ตรวจสอบการกระจายและความทนทานของคำตอบบน front การชั่งน้ำหนัก ทำการทดสอบขอบเขตและโหมดความล้มเหลว และ fix seed สุ่ม เวอร์ชันส่วนเพิ่ม และการตั้งค่าการทดลองเพื่อรับประกันการทำซ้ำ หากตัดสินใจแผนหลักทั้งหมดตามการจัดอันดับที่แนะนำของ AI และ推进ทิศทางอัตโนมัติ ความเสี่ยงคือการ outsource การตัดสินคุณค่าของการชั่งน้ำหนักหลายเป้าหมาย ทิศทางที่ผิดถูกสืบทอดซ้ำๆ ในการวนซ้ำภายหลัง และ "รันผ่าน" ถูกมองเป็น "ทิศทางถูกต้อง" อย่างผิดพลาด เมื่อจัดระเบียบการแบ่งงานใหม่ ให้ AI รับผิดชอบการทำให้เป็นจริงและการสำรวจแบบกลุ่ม ให้คนกำหนดน้ำหนักเป้าหมายและข้อจำกัดแข็ง ตั้งเกณฑ์การยอมรับ เก็บสิทธิ์ตรวจสอบและปฏิเสธ และกำหนดสมมติฐานและวิธีการตรวจสอบสำหรับรอบถัดไป

**กิจกรรมในชั้นเรียน**

ขอให้นักศึกษาทวน "คำถามตรวจสอบตนเองสี่ข้อ" ด้วยคำพูดของตนเอง และยกตัวอย่างที่ใกล้ประสบการณ์การเรียนหรือการวิจัยของตนเอง อธิบายว่าหากข้ามการตรวจสอบ จะมอง "รันออกมาได้" เป็น "ยืนได้" อย่างผิดพลาดได้อย่างไร

**ตรวจสอบความเข้าใจ**

สุ่มขอให้นักศึกษาหนึ่งคนสรุปประเด็นสำคัญของหน้านี้ และตอบ "ความชำนาญในเวิร์กโฟลว์กำหนดอะไร รสนิยมทางวิทยาศาสตร์และการคิดเชิงวิพากษ์กำหนดอะไร" ผู้สอนเติมเต็มความสัมพันธ์ที่ขาดหายตามคำตอบ: 前者กำหนดความเร็ว 后者กำหนดทิศทางและคุณค่า

> **คำแนะนำการเปลี่ยนผ่าน**
>
> หลังจากยืนยันว่านักศึกษาสามารถแยกแยะ "รันผ่าน" กับ "ยืนได้" "การทำให้คำตอบเป็นจริง" กับ "การควบคุมทิศทาง" ได้แล้ว จึงเข้าสู่หน้าถัดไปซึ่งมีตัวอย่าง โปรแกรมประยุกต์ หรือบทสรุป

<a id="lecture-page-16"></a>

### ภาคผนวกและจุดเข้าถึงชุมชนโอเพนซอร์ส

*หน้า 16*

> **เป้าหมายหน้า: ** เข้าถึงช่องทางสื่อสารอย่างเป็นทางการของ EvoX และทรัพยากรการเรียนรู้อย่างต่อเนื่อง

> **เป้าหมายหน้า**
>
> หน้านี้เป็นภาคผนวกของหลักสูตร สรุปจุดเข้าถึงชุมชนอย่างเป็นทางการของระบบวิวัฒนาการอัจฉริยะ EvoX และการปฏิบัติวิจัยแบบ AI Native อธิบายช่องทางสำหรับการเรียนรู้ต่อ การ提问 และการมีส่วนร่วมในการสำรวจ前沿หลังเรียน

**ประเด็นการสอน**

- แยกแยะจุดเข้าถึงอย่างเป็นทางการสองแห่งก่อน บัญชี WeChat อย่างเป็นทางการชื่อ "演化机器智能" ใช้เผยแพร่การอัปเดตหลักสูตร บทความเทคนิค ประกาศกิจกรรม และการตีความ前沿 เหมาะสำหรับติดตามทิศทางวิวัฒนาการอัจฉริยะอย่างเป็นระบบ กลุ่ม QQ อย่างเป็นทางการหมายเลข 297969717 ใช้สำหรับ提问แบบเรียลไทม์ การอภิปราย และการแลกเปลี่ยนกับเพื่อนร่วมงาน สะดวกในการรับผลป้อนกลับสำหรับปัญหาเฉพาะ ทั้งสองชี้ไปที่ "การมีส่วนร่วมอย่างต่อเนื่องในการสำรวจ前沿วิวัฒนาการอัจฉริยะ" ไม่ใช่แทนการเรียนรู้ในชั้นเรียน แต่สร้างวงจร "เรียน—ปฏิบัติ—แลกเปลี่ยน—เรียนต่อ" หลังเข้าร่วม ให้ดูประกาศปักหมุดและข้อความประวัติก่อน เข้าใจกฎและทรัพยากรที่มีอยู่ แล้วมีส่วนร่วมในการอภิปรายตามทิศทางการวิจัย เมื่อ提问 ให้提供背景ที่ชัดเจน คำถามเฉพาะ และวิธีที่ลองแล้ว
- การมีส่วนร่วมในการอภิปรายของผู้อื่นอย่างเชิงรุกยังสามารถ加深ความเข้าใจ ตรวจสอบเนื้อหา前沿เป็นระยะ แปลงทรัพยากรชุมชนเป็นความสามารถในการวิจัย แบบฝึกหัดในหน้านี้ดำเนิน حولข้อเท็จจริงสามประการและทัศนคติสองประการ ชื่อบัญชีทางการคือ "演化机器智能"
- หมายเลขกลุ่ม QQ คือ 297969717
- วัตถุประสงค์ของจุดเข้าถึงชุมชนคือ提供ช่องทางสำหรับการเรียนรู้ต่อ การ提问 และการสำรวจ前沿หลังเรียน
- การรับทรัพยากรหลังเรียนควรติดตามบัญชีทางการและเข้าร่วมกลุ่ม QQ ผ่านจุดเข้าถึงอย่างเป็นทางการ
- การใช้ชุมชนควร提问 แบ่งปัน และมีส่วนร่วมในการอภิปรายอย่างเชิงรุก ไม่ใช่ใช้เฉพาะก่อนสอบ เข้าร่วมกลุ่มที่ไม่เป็นทางการ หรือ潜水 กรณีศึกษาสามารถแนะนำให้นักศึกษาเขียนช่องทางอย่างเป็นทางการสองแห่ง และให้คำแนะนำการเรียนรู้ต่ออย่างน้อยสองข้อ เช่น ติดตามการอัปเดตบัญชีทางการ การ提问และแลกเปลี่ยนในกลุ่ม ติดตาม前沿 มีส่วนร่วมในโครงการโอเพนซอร์สหรือกิจกรรมออนไลน์ ใช้สิ่งที่เรียนในหลักสูตรในการวิจัยจริงและแบ่งปันประสบการณ์

**ตรวจสอบความเข้าใจ**

ขอให้นักศึกษาอธิบายด้วยคำพูดของตนเองว่าจุดเข้าถึงอย่างเป็นทางการสองแห่งเหมาะกับ用途ใด และทวนวิธีที่ถูกต้องหลังเข้าร่วมชุมชน หากนักศึกษาจำได้เฉพาะชื่อแต่说不出用途 สามารถให้กลับไปดูหน้าเปรียบเทียบจุดเข้าถึงสองแห่ง

> **คำแนะนำการเปลี่ยนผ่าน**
>
> หลังจากยืนยันว่านักศึกษาสามารถพูดความสัมพันธ์ระหว่างจุดเข้าถึงอย่างเป็นทางการกับวงจรการเรียนรู้ต่อได้แล้ว จึงเข้าสู่หน้าถัดไป

--- สิ้นสุดข้อความต้นฉบับ ---