TreeQuest ระดมสมองโมเดล AI เพิ่มศักยภาพประมวลผลมากขึ้น 30%

Sakana AI บริษัทวิจัยและพัฒนา AI จากญี่ปุ่น เปิดตัวเทคนิคในการรัน AI รูปแบบใหม่ จากเดิมที่อาศัยการซอยแยกย่อยเพื่อฝึกฝนผู้เชียวชาญตามลำพัง พวกเขาพัฒนาเทคนิค Multi‑LLM AB‑MCTS ที่อาศัยโมเดลหลายตัวช่วยกันทำตามคำสั่งและแก้ปัญหา เพื่อมองหาตัวเลือกที่ถูกต้องที่สุด

 

จุดเด่นสำคัญของระบบนี้คือ Adaptive Branching Monte Carlo ที่อาศัยความร่วมมือระหว่างโมเดลในการขยายขอบเขตการประมวลผลคำตอบให้มีประสิทธิภาพสูงสุด โดยมีจุดหมายคือ การคิดเชิงลึกเพื่อค้นหาคำตอบที่ดีที่สุด และการคิดในมุมกว้างซึ่งจะช่วยให้มองเห็นปัญหาอย่างรอบด้านจนออกมาเป็นคำตอบที่ดีที่สุด

 

ขั้นตอนการทำงานเริ่มจากเมื่อได้รับคำขอจากผู้ใช้งาน ระบบจะเริ่มประมวลความต้องการจากนั้นจึงเริ่มกระจายงานไปให้โมเดลแต่ละตัว โดยอ้างอิงความถนัดเชี่ยวชาญของโมเดลนั้นๆ ซึ่งจะช่วยให้โมเดลแต่ละตัวสามารถปฏิบัติงานที่ได้รับมอบหมายให้ตรงความถนัดจนงานออกมามีประสิทธิภาพสูงสุด

 

จุดเด่นของวิธีการนี้คือ การที่โมเดลแต่ละตัวถูกใช้งานตรงความถนัดจึงได้คำตอบที่มีประสิทธิภาพสูง สามารถตัดสินใจให้โมเดลไหนคิดแบบไหนได้ ทั้งการเจาะลึก ขยาย หรือนำเสนอมุมมองใหม่ของเนื้อหาแล้วนำมาประกอบกันภายหลัง ช่วยให้ผู้ใช้งานได้คำตอบที่มีประสิทธิภาพสูงสุดโดยไม่ต้องผูกกับโมเดลตัวเดียว

 

ในขั้นตอนการทดสอบทีมวิจัยใช้งานระบบนี้ร่วมกับโมเดล 3 ตัว ได้แก่ o4-mini, Gemini 2.5 Pro และ Deepseek R1 ผลการทดสอบปรากฏว่า ระบบนี้สามารถทำคะแนนแบบทดสอบ  ARC-AGI-2 มากกว่าการใช้โมเดลแยกเดี่ยวถึง 30% พร้อมอาการหลอนที่ลดลงอย่างเห็นได้ชัด

 

สำหรับท่านที่สนใจระบบนี้เปิดต้นแบบให้ใช้งานในฐานะโอเพนซอร์สชื่อ TreeQuest เป็นที่เรียบร้อย สามารถดาวน์โหลดมาทดสอบการใช้งานได้ทั่วไป