10 · The Future Solver
10 · นักแก้ปัญหาแห่งอนาคต
THE SHORTEST PATH — A History of the Art and Science of Problem-Solving
เส้นทางที่สั้นที่สุด — ประวัติศาสตร์ของศิลปะและศาสตร์แห่งการแก้ปัญหา
Seoul, March 2016
โซล มีนาคม 2016
At the Four Seasons Hotel, on the tenth of March, Lee Sedol sat down for the second game of a five-game match against a piece of software he had predicted he would sweep 5–0 (AlphaGo versus Lee Sedol, Wikipedia). He had already lost game one. On move 37 of game two, playing Black, AlphaGo placed a stone on the fifth line, deep on the right side of the board, in a spot no strong human player would consider. Commentators watching the live feed assumed it was a bug. Fan Hui, the European champion AlphaGo had already beaten in a private match the previous October, said simply: "It's not a human move. I've never seen a human play this move" (DeepMind, AlphaGo). Lee Sedol left the table for over fifteen minutes. He resigned four and a half hours later, and AlphaGo led the match 2–0 (AlphaGo versus Lee Sedol, Wikipedia).
Lee Sedol แพ้เกมแรกไปแล้ว ตอนที่เขานั่งลงเล่นเกมที่สองที่โรงแรม Four Seasons วันที่สิบมีนาคม คู่แข่งคือซอฟต์แวร์ชิ้นหนึ่งในแมตช์ห้าเกม ที่เขาเคยทำนายว่าตัวเองจะกวาด 5–0 (AlphaGo versus Lee Sedol, Wikipedia) หมากที่ 37 ของเกมสอง AlphaGo เล่นฝ่ายดำ วางหมากลงบนเส้นที่ห้า ลึกเข้าไปทางขวาของกระดาน ในจุดที่ไม่มีผู้เล่นมนุษย์ฝีมือดีคนไหนคิดจะวาง นักวิจารณ์ที่ดูถ่ายทอดสดคิดว่าเป็นบั๊ก Fan Hui แชมป์ยุโรปที่ AlphaGo เอาชนะไปแล้วในแมตช์ปิดเมื่อเดือนตุลาคมปีก่อน พูดสั้นๆ ว่า "มันไม่ใช่หมากของมนุษย์ ผมไม่เคยเห็นมนุษย์เดินหมากนี้" ("It's not a human move. I've never seen a human play this move") (DeepMind, AlphaGo) Lee Sedol ลุกออกจากโต๊ะไปนานกว่าสิบห้านาที สี่ชั่วโมงครึ่งให้หลังเขายอมแพ้ AlphaGo นำแมตช์ 2–0 (AlphaGo versus Lee Sedol, Wikipedia)
The figure that stuck was a probability: AlphaGo's own policy network had estimated the odds of a human professional playing that stone at roughly one in ten thousand (DeepMind, AlphaGo). Go has been played for something like 2,500 years. Move 37 was not a memorized trick or a database lookup — Go's search space is larger than the number of atoms in the observable universe, too large for any lookup table — it was a stone nobody had ever recorded a human placing there, arrived at by a machine that had spent months playing games against itself. This book has spent nine chapters arguing that great solving is not deeper search through a fixed space but a change of space — new states, new operators, a shorter path. Move 37 is the moment that claim stopped being a description of human genius and became a description of something else: a system finding a shorter path through a space every human master believed they had already mapped.
ตัวเลขที่ค้างอยู่ในความทรงจำคือความน่าจะเป็นตัวเดียว: โครงข่ายนโยบาย (policy network) ของ AlphaGo เองประเมินว่าโอกาสที่มืออาชีพมนุษย์จะวางหมากตรงนั้นอยู่ที่ราวหนึ่งในหมื่น (DeepMind, AlphaGo) โกะถูกเล่นมาราวสองพันห้าร้อยปี Move 37 ไม่ใช่กลที่ท่องจำมา ไม่ใช่การเปิดดูฐานข้อมูล — พื้นที่ค้นหาของโกะใหญ่กว่าจำนวนอะตอมในเอกภพที่สังเกตได้ ตารางค้นหาใดก็รับไม่ไหว — มันคือหมากที่ไม่เคยมีบันทึกว่ามนุษย์คนไหนวางไว้ตรงนั้น และเครื่องจักรที่ใช้เวลาหลายเดือนเล่นกับตัวเองเดินทางไปถึงเอง หนังสือเล่มนี้ใช้เก้าบทเถียงว่าการแก้ปัญหาที่ยิ่งใหญ่ไม่ใช่การค้นหา (search) ที่ลึกลงไปในพื้นที่ตายตัว แต่คือการเปลี่ยนพื้นที่ — สถานะ (state) ชุดใหม่ ตัวดำเนินการ (operator) ชุดใหม่ เส้นทางที่สั้นลง Move 37 คือช่วงเวลาที่ข้อกล่าวอ้างนั้นเลิกเป็นคำบรรยายอัจฉริยภาพของมนุษย์ แล้วกลายเป็นคำบรรยายของอย่างอื่น: ระบบหนึ่งหาเส้นทางที่สั้นกว่าได้ ในพื้นที่ที่ปรมาจารย์มนุษย์ทุกคนเชื่อว่าตัวเองทำแผนที่ไว้หมดแล้ว
The generalization came fast. Within twenty months, DeepMind's successor system, AlphaZero, was given nothing but the rules of chess, shogi, and Go — no opening books, no grandmaster games, no domain-specific tuning — and told to play itself. Using one algorithm and one set of hyperparameters across all three games, it reached superhuman strength in each within twenty-four hours of self-play and beat the reigning world-champion program at each one (Silver et al., "A general reinforcement learning algorithm that masters chess, shogi and Go through self-play," 2017). The lesson of Move 37 was not "Go is solved." It was "the machine that reframes its own problem space, unaided, generalizes to problems its designers never showed it." That is the sentence this chapter has to take seriously, because it is the sentence the rest of the book has been building toward.
การขยายผลมาเร็ว ภายในยี่สิบเดือน AlphaZero ระบบรุ่นถัดมาของ DeepMind ได้รับแค่กติกาของหมากรุก โชกิ และโกะ — ไม่มีตำราเปิดเกม ไม่มีเกมของแกรนด์มาสเตอร์ ไม่มีการปรับจูนเฉพาะโดเมน — แล้วถูกสั่งให้เล่นกับตัวเอง อัลกอริทึมเดียว ไฮเปอร์พารามิเตอร์ชุดเดียว ใช้ข้ามทั้งสามเกม มันไปถึงระดับเหนือมนุษย์ในทุกเกมภายในยี่สิบสี่ชั่วโมงของการเล่นกับตัวเอง และเอาชนะโปรแกรมแชมป์โลกที่ครองตำแหน่งอยู่ในแต่ละเกม (Silver et al., "A general reinforcement learning algorithm that masters chess, shogi and Go through self-play," 2017) บทเรียนของ Move 37 ไม่ใช่ "โกะถูกแก้แล้ว" แต่คือ "เครื่องจักรที่เปลี่ยนกรอบ (reframe) พื้นที่ปัญหา (problem space) ของตัวเองได้โดยไม่มีใครช่วย ขยายผลไปยังปัญหาที่ผู้ออกแบบไม่เคยแสดงให้มันดู" บทนี้ต้องเอาจริงกับประโยคนั้น เพราะมันคือประโยคที่หนังสือทั้งเล่มมุ่งมาหา
The proof frontier
แนวหน้าของบทพิสูจน์
Long before Move 37, mathematics had already had its own argument about whether a machine's path counts as a path at all. In 1976, Kenneth Appel and Wolfgang Haken, working with algorithms built by John Koch, proved the four-color theorem — that any map can be colored with four colors so no two adjacent regions share one — by reducing the infinite space of possible maps to 1,936 unavoidable configurations and having a computer check each one by brute force, a case analysis covering roughly a billion individual cases that no human could perform by hand (AMS Blogs, "The Four Color Theorem"; Quanta Magazine, "Only Computers Can Solve This Map-Coloring Problem From the 1800s," 2023). It was the first major theorem proved with essential computer assistance, and it split the field: to purists, a proof must be checkable line by line by a human mind, and Appel–Haken's is not, so trusting it means trusting that a program ran correctly rather than trusting a chain of reasoning — a controversy that, fifty years later, has never fully closed (Quanta Magazine, 2023).
คณิตศาสตร์เถียงกันเรื่องนี้มาก่อน Move 37 นานแล้ว: เส้นทางของเครื่องจักรนับเป็นเส้นทางหรือเปล่า ปี 1976 Kenneth Appel กับ Wolfgang Haken ทำงานร่วมกับอัลกอริทึมที่ John Koch สร้างขึ้น พิสูจน์ทฤษฎีบทสี่สี — แผนที่ใดก็ตามระบายได้ด้วยสี่สี โดยไม่มีสองพื้นที่ที่ติดกันใช้สีเดียวกัน — วิธีคือลดพื้นที่อนันต์ของแผนที่ที่เป็นไปได้ให้เหลือ 1,936 โครงแบบที่เลี่ยงไม่ได้ แล้วให้คอมพิวเตอร์ตรวจทีละอันด้วยการไล่ทุกทาง (brute force) การวิเคราะห์กรณีครอบคลุมราวหนึ่งพันล้านกรณีย่อย ไม่มีมนุษย์คนไหนทำด้วยมือได้ (AMS Blogs, "The Four Color Theorem"; Quanta Magazine, "Only Computers Can Solve This Map-Coloring Problem From the 1800s," 2023) มันคือทฤษฎีบทสำคัญข้อแรกที่พิสูจน์ได้โดยต้องพึ่งคอมพิวเตอร์อย่างขาดไม่ได้ และมันแบ่งวงการออกเป็นสองฝ่าย ฝ่ายเคร่งจารีตถือว่าบทพิสูจน์ต้องตรวจได้ทีละบรรทัดด้วยจิตมนุษย์ ของ Appel–Haken ไม่ใช่แบบนั้น ดังนั้นการเชื่อมันคือการเชื่อว่าโปรแกรมรันถูกต้อง ไม่ใช่การเชื่อสายโซ่ของการให้เหตุผล — ข้อโต้เถียงนี้ห้าสิบปีให้หลังก็ยังไม่เคยปิดสนิท (Quanta Magazine, 2023)
The 2020s answer to "how do we trust a proof no one can read end to end" was not to stop using machines but to make the machine itself the reader. Lean, a proof assistant, and its community-built library mathlib let mathematicians write proofs in a language a computer can check line by line with total rigor — no step accepted on faith, ever. By the mid-2020s mathlib had grown to more than 115,000 definitions and 232,000 theorems across roughly 1.5 million lines (Bianchini et al., "A Comprehensive Survey of the Lean 4 Theorem Prover," 2025), built by a community of well over a thousand contributors. Its coming-of-age moment arrived in December 2020, when Fields Medalist Peter Scholze publicly challenged the formalization community to verify, in Lean, a hard new theorem of his and Dustin Clausen's about liquid vector spaces — a result Scholze himself was not fully certain was correct. Eighteen months later, at a workshop in Providence, Rhode Island, the "Liquid Tensor Experiment" was completed: the theorem checked out, verified not by trust in a human referee but by a machine incapable of accepting an invalid step (Lean community blog, "Completion of the Liquid Tensor Experiment," 2022). The same library is now being used, in a separate and much longer project, to re-verify Andrew Wiles's proof line by line (chapter 08 told that proof's human story); here the machine is not the discoverer but the incorruptible reader.
ทศวรรษ 2020 ตอบคำถาม "เราจะเชื่อบทพิสูจน์ที่ไม่มีใครอ่านจบตั้งแต่ต้นจนจบได้อย่างไร" ด้วยการทำให้เครื่องจักรเองเป็นผู้อ่าน ไม่ใช่ด้วยการเลิกใช้เครื่องจักร Lean คือผู้ช่วยพิสูจน์ (proof assistant) และ mathlib คือไลบรารีที่ชุมชนสร้างขึ้น ทั้งสองทำให้นักคณิตศาสตร์เขียนบทพิสูจน์ในภาษาที่คอมพิวเตอร์ตรวจได้ทีละบรรทัดด้วยความเข้มงวดเต็มที่ — ไม่มีขั้นไหนถูกรับด้วยความเชื่อใจ ไม่มีเลย พอถึงกลางทศวรรษ 2020 mathlib โตขึ้นเป็นนิยามกว่า 115,000 รายการและทฤษฎีบทกว่า 232,000 ข้อ กระจายอยู่ในโค้ดราว 1.5 ล้านบรรทัด (Bianchini et al., "A Comprehensive Survey of the Lean 4 Theorem Prover," 2025) สร้างโดยชุมชนผู้ร่วมสมทบที่มีมากกว่าหนึ่งพันคนไปมาก จุดที่มันเติบโตเป็นผู้ใหญ่คือเดือนธันวาคม 2020 Peter Scholze เจ้าของเหรียญ Fields ท้าชุมชนการทำให้เป็นรูปนัย (formalisation) อย่างเปิดเผย ให้ตรวจสอบทฤษฎีบทใหม่ที่ยากข้อหนึ่งของเขากับ Dustin Clausen เรื่อง liquid vector spaces ด้วย Lean — ผลลัพธ์ที่ Scholze เองยังไม่มั่นใจเต็มร้อยว่าถูกต้อง สิบแปดเดือนต่อมา ที่เวิร์กช็อปในเมือง Providence รัฐ Rhode Island "Liquid Tensor Experiment" เสร็จสมบูรณ์: ทฤษฎีบทผ่าน ผู้ตรวจไม่ใช่มนุษย์ที่ต้องไว้ใจ แต่เป็นเครื่องจักรที่รับขั้นที่ไม่สมเหตุสมผลไม่ได้เลย (Lean community blog, "Completion of the Liquid Tensor Experiment," 2022) ไลบรารีเดียวกันนี้กำลังถูกใช้ในโครงการที่แยกออกไปและยาวกว่ามาก เพื่อตรวจสอบบทพิสูจน์ของ Andrew Wiles ใหม่ทีละบรรทัด (บทที่ 08 เล่าเรื่องราวฝั่งมนุษย์ของบทพิสูจน์นั้นไว้แล้ว); ตรงนี้เครื่องจักรไม่ใช่ผู้ค้นพบ แต่เป็นผู้อ่านที่ติดสินบนไม่ได้
Discovery, not just verification, arrived next. On 25 July 2024, Google DeepMind announced that a combined system — AlphaProof, a reinforcement-learning prover built on the same self-play machinery as AlphaZero, paired with the geometry specialist AlphaGeometry 2 — had solved four of the six problems at the 2024 International Mathematical Olympiad, scoring 28 out of 42 points, the standard for a silver medal, one point short of gold (DeepMind, "AI achieves silver-medal standard solving International Mathematical Olympiad problems," 2024). AlphaProof solved the hardest problem on the paper outright — a problem only five of over six hundred human contestants solved in full (DeepMind, 2024). The full method was published in Nature in November 2025 (Nature, "Olympiad-level formal mathematical reasoning with reinforcement learning," 2025).
ลำดับถัดไปคือการค้นพบ ไม่ใช่แค่การตรวจสอบ วันที่ 25 กรกฎาคม 2024 Google DeepMind ประกาศว่าระบบผสมชุดหนึ่งแก้โจทย์ได้สี่ในหกข้อของ International Mathematical Olympiad ปี 2024 ระบบนั้นคือ AlphaProof ตัวพิสูจน์แบบเรียนรู้เสริมกำลังที่สร้างบนกลไกเล่นกับตัวเองชุดเดียวกับ AlphaZero จับคู่กับ AlphaGeometry 2 ผู้เชี่ยวชาญเรขาคณิต คะแนน 28 จาก 42 เท่ากับเกณฑ์เหรียญเงิน ห่างจากเหรียญทองหนึ่งคะแนน (DeepMind, "AI achieves silver-medal standard solving International Mathematical Olympiad problems," 2024) AlphaProof แก้โจทย์ที่ยากที่สุดในชุดข้อสอบได้อย่างสมบูรณ์ — โจทย์ที่ผู้เข้าแข่งขันมนุษย์กว่าหกร้อยคนแก้ได้เต็มเพียงห้าคน (DeepMind, 2024) วิธีการฉบับเต็มตีพิมพ์ใน Nature เดือนพฤศจิกายน 2025 (Nature, "Olympiad-level formal mathematical reasoning with reinforcement learning," 2025)
Gold came the following year, and it came from two directions at once, with an important difference between them. At the 2025 IMO, an experimental version of Google's Gemini Deep Think solved five of six problems for 35 of 42 points — and, unlike the 2024 result, the proofs were graded and certified by the actual IMO coordinators using the same rubric applied to the human contestants, a first for any AI system (DeepMind, "Advanced version of Gemini with Deep Think officially achieves gold-medal standard," 2025). OpenAI, days earlier, announced that an experimental general-purpose reasoning model had also scored 35 out of 42 under contest conditions, with three former IMO medalists grading the proofs — a result OpenAI reported itself rather than one certified by the Olympiad's own coordinators (OpenAI, 19 July 2025; Simon Willison's summary, 2025). That distinction — officially graded versus self-reported — matters more than either headline, and it recurs everywhere in this chapter: the machine's score is only as trustworthy as whoever is willing to check it against a rule nobody controls. A few months later Gemini Deep Think repeated the pattern in computer science, reaching gold-medal level at the 2025 ICPC World Finals, one of programming's hardest competitions (DeepMind, "Gemini achieves gold-medal level at the International Collegiate Programming Contest World Finals," 2025).
เหรียญทองมาถึงในปีถัดมา จากสองทิศทางพร้อมกัน และความต่างระหว่างสองทิศทางนั้นสำคัญ ที่ IMO ปี 2025 Gemini Deep Think ของ Google เวอร์ชันทดลอง แก้ได้ห้าในหกข้อ ได้ 35 จาก 42 คะแนน — และต่างจากผลปี 2024 ตรงที่บทพิสูจน์ถูกตรวจและรับรองโดยผู้ประสานงาน IMO ตัวจริง ด้วยเกณฑ์เดียวกับที่ใช้กับผู้เข้าแข่งขันมนุษย์ เป็นครั้งแรกสำหรับระบบ AI ใดๆ (DeepMind, "Advanced version of Gemini with Deep Think officially achieves gold-medal standard," 2025) ก่อนหน้านั้นไม่กี่วัน OpenAI ประกาศว่าโมเดลการให้เหตุผลอเนกประสงค์รุ่นทดลองก็ทำได้ 35 จาก 42 เช่นกันภายใต้เงื่อนไขการแข่งขัน โดยมีอดีตผู้ได้เหรียญ IMO สามคนตรวจบทพิสูจน์ — OpenAI รายงานผลนี้เอง ผู้ประสานงานของโอลิมปิกไม่ได้รับรอง (OpenAI, 19 July 2025; บทสรุปของ Simon Willison, 2025) ความต่างตรงนั้น — ตรวจอย่างเป็นทางการ กับรายงานตัวเอง — สำคัญกว่าพาดหัวข่าวทั้งสองอัน และมันวนกลับมาทุกที่ในบทนี้: คะแนนของเครื่องจักรน่าเชื่อถือได้แค่เท่าที่มีใครสักคนยินดีตรวจมันกับกฎที่ไม่มีใครควบคุมได้ ไม่กี่เดือนต่อมา Gemini Deep Think ทำแบบเดียวกันซ้ำในวิทยาการคอมพิวเตอร์ ไปถึงระดับเหรียญทองที่ ICPC World Finals ปี 2025 หนึ่งในการแข่งขันเขียนโปรแกรมที่ยากที่สุด (DeepMind, "Gemini achieves gold-medal level at the International Collegiate Programming Contest World Finals," 2025)
By early 2026 the frontier had moved from competition problems, which have known answers, to genuinely open ones. Mathematician Terence Tao maintains a running public tally of AI contributions to the unsolved Erdős problems — the hundreds of open questions Paul Erdős left behind, catalogued at erdosproblems.com — and in January 2026 he documented a threshold crossing: Erdős problem #728 was solved "more or less autonomously" by OpenAI's GPT-5.2 Pro, staying faithful to the problem's intended spirit (which had itself only recently been correctly reconstructed by the erdosproblems.com community) and producing a result not found anywhere in the existing literature; a second tool, Aristotle, translated the proof into Lean, which caught and helped fix a few minor errors along the way (Tao, Mathstodon, 7 January 2026; The Decoder, 16 January 2026). Tao's own framing is the responsible one to borrow. Erdős problems vary in difficulty "by several orders of magnitude," and many of the easier ones were simply never tried by a serious mathematician, so a problem sitting open for fifty years does not mean it resisted fifty years of human effort (Tao, GitHub wiki, "AI contributions to Erdős problems," 2026). His estimate, as of that writing, is that only one to two percent of currently open Erdős problems are within reach of today's tools with minimal human guidance (Tao, GitHub wiki, 2026) — real progress, honestly bounded, on the lowest-hanging branch of a very tall tree.
พอถึงต้นปี 2026 แนวหน้าเคลื่อนจากโจทย์แข่งขันที่มีคำตอบอยู่แล้ว ไปสู่โจทย์ที่เปิดอยู่จริง นักคณิตศาสตร์ Terence Tao ทำบัญชีสาธารณะที่เดินต่อเนื่องว่า AI มีส่วนแก้โจทย์ Erdős ที่ยังไม่ถูกแก้ไปแค่ไหน — คำถามเปิดหลายร้อยข้อที่ Paul Erdős ทิ้งไว้ รวบรวมไว้ที่ erdosproblems.com — และในเดือนมกราคม 2026 เขาบันทึกการข้ามธรณีประตูหนึ่ง: โจทย์ Erdős ข้อ #728 ถูกแก้ "โดยอัตโนมัติไม่มากก็น้อย" ("more or less autonomously") โดย GPT-5.2 Pro ของ OpenAI คำตอบซื่อตรงต่อเจตนาที่โจทย์ตั้งใจไว้ (เจตนานั้นเองก็เพิ่งถูกชุมชน erdosproblems.com ประกอบขึ้นใหม่ได้ถูกต้องเมื่อไม่นานมานี้) และให้ผลลัพธ์ที่ไม่ปรากฏอยู่ที่ไหนในวรรณกรรมที่มีอยู่; เครื่องมือตัวที่สองชื่อ Aristotle แปลบทพิสูจน์นั้นเป็น Lean ซึ่งจับและช่วยแก้ข้อผิดพลาดเล็กๆ ไม่กี่จุดระหว่างทาง (Tao, Mathstodon, 7 January 2026; The Decoder, 16 January 2026) กรอบที่ Tao วางไว้เองคือกรอบที่ควรยืมมาใช้ โจทย์ Erdős ยากต่างกัน "หลายอันดับของขนาด" และโจทย์ที่ง่ายกว่าหลายข้อก็แค่ไม่เคยมีนักคณิตศาสตร์จริงจังคนไหนลองทำ โจทย์ที่เปิดค้างมาห้าสิบปีจึงไม่ได้แปลว่ามันต้านความพยายามของมนุษย์มาห้าสิบปี (Tao, GitHub wiki, "AI contributions to Erdős problems," 2026) ประมาณการของเขา ณ เวลาที่เขียนนั้น: มีเพียงหนึ่งถึงสองเปอร์เซ็นต์ของโจทย์ Erdős ที่ยังเปิดอยู่ตอนนี้ ที่อยู่ในระยะเอื้อมของเครื่องมือปัจจุบันโดยมนุษย์ชี้แนะน้อยที่สุด (Tao, GitHub wiki, 2026) — ความคืบหน้าจริง ล้อมกรอบไว้อย่างซื่อสัตย์ บนกิ่งที่ต่ำที่สุดของต้นไม้ที่สูงมาก
Machines that invent algorithms
เครื่องจักรที่คิดค้นอัลกอริทึม
Proving theorems is one kind of search. Inventing the algorithms other searches run on is a different, stranger kind — because now the "problem space" is the space of possible algorithms, and the object the machine hands back is itself a method, not an answer.
การพิสูจน์ทฤษฎีบทคือการค้นหาแบบหนึ่ง การคิดค้นอัลกอริทึมที่การค้นหาอื่นวิ่งอยู่บนนั้นเป็นการค้นหาอีกแบบ และแปลกกว่า — เพราะตอนนี้ "พื้นที่ปัญหา" คือพื้นที่ของ*อัลกอริทึมที่เป็นไปได้* และสิ่งที่เครื่องจักรยื่นกลับมาคือวิธี ไม่ใช่คำตอบ
In October 2022, DeepMind's AlphaTensor — built directly on AlphaZero's architecture, with matrix multiplication reframed as a single-player game of decomposing a tensor — rediscovered the best known algorithms for multiplying matrices and, in several cases, beat them, finding new multiplication schemes 10 to 20 percent faster than the standard methods on real hardware such as Nvidia's V100 GPU (DeepMind/Nature, October 2022, via Wikipedia summary; MarkTechPost, October 2022). A year later, FunSearch — pairing a large language model with an automated checker and an evolutionary search loop — found a new construction for the cap set problem, a combinatorics question about how many points can be placed in a grid with no three in a line, that Terence Tao himself has called one of his favorite open questions; in eight dimensions, FunSearch found a cap set of 512 points, a result not present anywhere in its training data and unknown to the field (MIT Technology Review, "Google DeepMind used a large language model to solve an unsolved math problem," December 2023; DeepMind, "FunSearch").
เดือนตุลาคม 2022 AlphaTensor ของ DeepMind ค้นพบอัลกอริทึมคูณเมทริกซ์ที่ดีที่สุดเท่าที่รู้จักซ้ำอีกครั้ง และในหลายกรณีก็เอาชนะมัน ระบบนี้สร้างบนสถาปัตยกรรมของ AlphaZero โดยตรง โดยเปลี่ยนกรอบการคูณเมทริกซ์ให้เป็นเกมผู้เล่นเดียวของการแยกส่วนเทนเซอร์ วิธีคูณแบบใหม่ที่มันพบเร็วกว่าวิธีมาตรฐาน 10 ถึง 20 เปอร์เซ็นต์บนฮาร์ดแวร์จริงอย่าง GPU V100 ของ Nvidia (DeepMind/Nature, October 2022, ผ่านบทสรุปของ Wikipedia; MarkTechPost, October 2022) หนึ่งปีให้หลัง FunSearch พบการสร้างแบบใหม่สำหรับปัญหา cap set ระบบนี้จับคู่โมเดลภาษาขนาดใหญ่เข้ากับตัวตรวจอัตโนมัติและวงวนการค้นหาเชิงวิวัฒนาการ ปัญหา cap set เป็นคำถามเชิงการจัดหมู่ว่าจะวางจุดในตารางได้กี่จุดโดยไม่มีสามจุดใดอยู่ในแนวเดียวกัน Terence Tao เองเรียกมันว่าเป็นหนึ่งในคำถามเปิดที่เขาชอบที่สุด; ในแปดมิติ FunSearch พบ cap set ขนาด 512 จุด ผลลัพธ์นี้ไม่มีอยู่ที่ไหนในข้อมูลฝึกของมัน และวงการไม่เคยรู้จัก (MIT Technology Review, "Google DeepMind used a large language model to solve an unsolved math problem," December 2023; DeepMind, "FunSearch")
Then, in 2025, DeepMind generalized the trick into AlphaEvolve — a Gemini-powered coding agent that proposes candidate programs, has automated evaluators score them, and evolves the best candidates forward, applied to open problems across analysis, geometry, combinatorics, and number theory (DeepMind, "AlphaEvolve: A Gemini-powered coding agent for designing advanced algorithms," 2025; Novikov et al., "AlphaEvolve: A coding agent for scientific and algorithmic discovery," 2025). Across more than fifty such problems, AlphaEvolve matched the best known human solution roughly 75 percent of the time and improved on it about 20 percent of the time (DeepMind, 2025). Its single most striking result: a way to multiply two 4-by-4 matrices using 48 scalar multiplications instead of the 49 required by Volker Strassen's 1969 algorithm — the first improvement on that specific case in fifty-six years, and one that, unlike some earlier speedups, recurses cleanly to larger matrices (DeepMind, 2025). Chapter 06 described the mathematics of hardness — the wall that proves some problems cannot be compressed by anyone. AlphaTensor, FunSearch, and AlphaEvolve do not move that wall. They walk up very close to it, faster than any team of humans has walked, on problems the wall does not forbid.
ปี 2025 DeepMind ขยายกลนี้ให้ทั่วไปขึ้นเป็น AlphaEvolve — เอเจนต์เขียนโค้ดที่ขับด้วย Gemini มันเสนอโปรแกรมที่เป็นตัวเลือก ให้ตัวประเมินอัตโนมัติให้คะแนน แล้ววิวัฒน์ตัวเลือกที่ดีที่สุดต่อไปข้างหน้า ใช้กับปัญหาเปิดข้ามสาขาวิเคราะห์ เรขาคณิต การจัดหมู่ และทฤษฎีจำนวน (DeepMind, "AlphaEvolve: A Gemini-powered coding agent for designing advanced algorithms," 2025; Novikov et al., "AlphaEvolve: A coding agent for scientific and algorithmic discovery," 2025) จากปัญหาแบบนั้นกว่าห้าสิบข้อ AlphaEvolve เสมอกับคำตอบที่ดีที่สุดที่มนุษย์รู้จักราว 75 เปอร์เซ็นต์ของครั้ง และทำได้ดีกว่าราว 20 เปอร์เซ็นต์ของครั้ง (DeepMind, 2025) ผลที่สะดุดตาที่สุดชิ้นเดียวของมัน: วิธีคูณเมทริกซ์ 4 คูณ 4 สองตัวด้วยการคูณสเกลาร์ 48 ครั้ง แทนที่จะเป็น 49 ครั้งตามที่อัลกอริทึมปี 1969 ของ Volker Strassen ต้องใช้ — การปรับปรุงครั้งแรกในกรณีเฉพาะนั้นในรอบห้าสิบหกปี และต่างจากการเร่งความเร็วบางอันก่อนหน้า ตรงที่มันเรียกซ้ำขึ้นไปยังเมทริกซ์ที่ใหญ่กว่าได้อย่างสะอาด (DeepMind, 2025) บทที่ 06 บรรยายคณิตศาสตร์ของความยาก (hardness) — กำแพงที่พิสูจน์ว่าบางปัญหาไม่มีใครบีบอัดได้ AlphaTensor, FunSearch และ AlphaEvolve ไม่ได้ขยับกำแพงนั้น พวกมันเดินเข้าไปใกล้มันมาก เร็วกว่าที่ทีมมนุษย์ทีมไหนเคยเดิน บนปัญหาที่กำแพงไม่ได้ห้าม
All three systems are special-purpose: built, tuned, and scored against one narrow kind of problem. The more general shift, the one reshaping ordinary use of AI by mid-2026, is "test-time compute" or "test-time search" — letting a general-purpose language model spend extra computation at the moment it is asked a question, rather than only during training, generating, checking, and revising its own reasoning before committing to an answer. OpenAI introduced this publicly with the o1 model on 12 September 2024, describing a model trained to think longer, via reinforcement learning over chains of reasoning, before responding (OpenAI, "Learning to reason with LLMs," 2024). Three months later, o3 posted 87.5 percent on the ARC-AGI benchmark — a test built specifically to resist memorization — using a high-compute configuration, a leap the benchmark's own maintainers called unprecedented given that models had gone from roughly zero to five percent on the same test over the preceding four years (ARC Prize, "OpenAI o3 Breakthrough High Score on ARC-AGI-Pub," 2024). A Stanford team then showed, in January 2025, that the core trick could be reproduced cheaply: "budget forcing" — simply making a model keep reasoning by appending "Wait" when it tries to stop — reproduced OpenAI's scaling curves using a model fine-tuned on just a thousand examples (Muennighoff et al., "s1: Simple test-time scaling," 2025). By 2026 every major lab — OpenAI's o-series, Anthropic's extended-thinking Claude models, Google's Gemini Deep Think and Flash Thinking lines — ships some version of this: a model that, given a hard question, does not just recall an answer but runs an internal search over possible reasoning paths before committing to one. Chapter 05 traced search from Dijkstra's algorithm to A*; what "test-time search" means, as of this writing, is that the search chapter 05 described is now running silently, by default, inside the box that answers your question.
ทั้งสามระบบเป็นระบบเฉพาะกิจ: สร้าง ปรับจูน และให้คะแนนกับปัญหาแคบชนิดเดียว การเปลี่ยนแปลงที่ทั่วไปกว่า และปรับรูปการใช้ AI ในชีวิตประจำวันไปแล้วภายในกลางปี 2026 คือ "test-time compute" หรือ "test-time search" — โมเดลภาษาอเนกประสงค์ได้ใช้การคำนวณเพิ่ม*ในขณะที่ถูกถามคำถาม* ไม่ใช่เฉพาะตอนฝึก มันสร้าง ตรวจ และแก้การให้เหตุผลของตัวเองก่อนจะผูกมัดกับคำตอบ OpenAI เปิดตัวสิ่งนี้ต่อสาธารณะด้วยโมเดล o1 เมื่อวันที่ 12 กันยายน 2024 และอธิบายว่าเป็นโมเดลที่ถูกฝึกให้คิดนานขึ้นก่อนตอบ ผ่านการเรียนรู้เสริมกำลังบนสายการให้เหตุผล (OpenAI, "Learning to reason with LLMs," 2024) สามเดือนต่อมา o3 ทำคะแนน 87.5 เปอร์เซ็นต์บนเกณฑ์วัด (benchmark) ARC-AGI — ข้อสอบที่สร้างขึ้นมาเพื่อต้านการท่องจำโดยเฉพาะ — ด้วยการตั้งค่าแบบใช้การคำนวณสูง ผู้ดูแล benchmark เองเรียกการกระโดดนี้ว่าไม่เคยมีมาก่อน เพราะตลอดสี่ปีก่อนหน้า โมเดลไปได้จากราวศูนย์ถึงห้าเปอร์เซ็นต์บนข้อสอบเดียวกัน (ARC Prize, "OpenAI o3 Breakthrough High Score on ARC-AGI-Pub," 2024) เดือนมกราคม 2025 ทีมจาก Stanford แสดงให้เห็นว่ากลหลักนั้นทำซ้ำได้ในราคาถูก: "budget forcing" — แค่บังคับให้โมเดลให้เหตุผลต่อโดยเติมคำว่า "Wait" เข้าไปตอนมันพยายามจะหยุด — สร้างเส้นโค้งการขยายผลของ OpenAI ขึ้นมาใหม่ได้ ด้วยโมเดลที่ปรับละเอียดบนตัวอย่างเพียงหนึ่งพันชิ้น (Muennighoff et al., "s1: Simple test-time scaling," 2025) พอถึงปี 2026 ทุกแล็บใหญ่ — ซีรีส์ o ของ OpenAI, โมเดล Claude แบบ extended thinking ของ Anthropic, สาย Gemini Deep Think และ Flash Thinking ของ Google — ส่งเวอร์ชันหนึ่งของสิ่งนี้ออกมา: โมเดลที่เมื่อได้คำถามยาก ไม่ได้แค่ระลึกคำตอบ แต่รันการค้นหาภายในบนเส้นทางการให้เหตุผลที่เป็นไปได้ ก่อนจะผูกมัดกับเส้นทางหนึ่ง บทที่ 05 ไล่การค้นหาจากอัลกอริทึมของ Dijkstra ไปถึง A*; "test-time search" ณ เวลาที่เขียนนี้หมายความว่า การค้นหาที่บทที่ 05 บรรยายไว้ ตอนนี้วิ่งอยู่เงียบๆ โดยปริยาย อยู่ในกล่องที่ตอบคำถามของคุณ
The centaur, and its expiry
เซนทอร์ และวันหมดอายุของมัน
Chess told this story once already, a quarter-century before Move 37, and it is worth returning to precisely because it did not end the way its author expected.
หมากรุกเล่าเรื่องนี้ไปแล้วครั้งหนึ่ง หนึ่งในสี่ศตวรรษก่อน Move 37 และคุ้มที่จะกลับไปดู เพราะมันไม่ได้จบแบบที่คนคิดมันขึ้นมาคาดไว้
After losing his 1997 rematch to IBM's Deep Blue — the first defeat of a reigning world champion by a machine under tournament conditions — Garry Kasparov did not retreat from computers. He proposed "advanced chess": a human, assisted by an engine, playing another human similarly assisted, with the human making every final decision (Wikipedia, "Advanced chess"). The clearest proof of concept came in 2005, at the PAL/CSS Freestyle tournament: two American amateurs, using three ordinary chess programs and no supercomputer, beat a field that included grandmasters running dedicated supercomputers and engines running unaided (Wikipedia, "Advanced chess"; AME3, "Centaur Chess"). Kasparov's summary of the result became one of the most quoted sentences in the whole literature on human-machine teams: "weak human + machine + better process was superior to a strong computer alone and, more remarkably, superior to a strong human + machine + inferior process" (Kasparov, "Weak Human, Strong Force," War on the Rocks, 2022). The lesson generalized far past chess: skill at directing a tool could outweigh the raw power of the tool, or of the person, alone.
Garry Kasparov ไม่ได้ถอยหนีจากคอมพิวเตอร์ หลังแพ้แมตช์รีแมตช์ปี 1997 ให้ Deep Blue ของ IBM — ความพ่ายแพ้ครั้งแรกของแชมป์โลกที่ครองตำแหน่งอยู่ต่อเครื่องจักรภายใต้เงื่อนไขการแข่งขัน — เขาเสนอ "advanced chess": มนุษย์คนหนึ่งที่มีเอนจินช่วย เล่นกับมนุษย์อีกคนที่มีเอนจินช่วยเหมือนกัน โดยมนุษย์เป็นผู้ตัดสินใจขั้นสุดท้ายทุกครั้ง (Wikipedia, "Advanced chess") หลักฐานยืนยันแนวคิดที่ชัดที่สุดมาถึงในปี 2005 ที่การแข่งขัน PAL/CSS Freestyle: มือสมัครเล่นชาวอเมริกันสองคน ใช้โปรแกรมหมากรุกธรรมดาสามตัว ไม่มีซูเปอร์คอมพิวเตอร์ ชนะสนามที่มีทั้งแกรนด์มาสเตอร์ที่รันซูเปอร์คอมพิวเตอร์เฉพาะทาง และเอนจินที่รันตามลำพัง (Wikipedia, "Advanced chess"; AME3, "Centaur Chess") บทสรุปของ Kasparov ต่อผลนั้นกลายเป็นประโยคที่ถูกอ้างมากที่สุดประโยคหนึ่งในวรรณกรรมทั้งหมดว่าด้วยทีมมนุษย์-เครื่องจักร: "มนุษย์อ่อน + เครื่องจักร + กระบวนการที่ดีกว่า เหนือกว่าคอมพิวเตอร์แข็งแกร่งที่อยู่ลำพัง และที่น่าทึ่งกว่านั้น เหนือกว่ามนุษย์แข็งแกร่ง + เครื่องจักร + กระบวนการที่ด้อยกว่า" ("weak human + machine + better process was superior to a strong computer alone and, more remarkably, superior to a strong human + machine + inferior process") (Kasparov, "Weak Human, Strong Force," War on the Rocks, 2022) บทเรียนนี้ขยายผลไปไกลเกินหมากรุก: ทักษะในการกำกับเครื่องมืออาจมีน้ำหนักมากกว่ากำลังดิบของเครื่องมือ หรือของคนคนนั้น เพียงลำพัง
That window did not stay open. As early as 2013, commentators tracking engine progress were already arguing it was getting hard to find any human contribution centaur teams still added over the best engine running by itself (Business Insider, "Humans Are On The Verge Of Losing One Of Their Last Big Advantages Over Computers," November 2013, cited in Wikipedia, "Advanced chess"). Kasparov himself pushed back as late as 2017, telling Tyler Cowen he remained confident a well-operated centaur team could still outperform a top supercomputer given the right human (Kasparov, conversation with Tyler Cowen, 2017). By 2023, a peer-reviewed study of centaur-chess players found something more specific: AI was not merely assisting human chess skill anymore, it was substituting for it, displacing the very judgment humans once contributed and replacing it with new, narrower complementary tasks (Krakowski, Luger & Raisch, "Artificial intelligence and the changing sources of competitive advantage," Strategic Management Journal, 2023). And by 2024, even the one decision advanced-chess players still made for themselves — which of several disagreeing engines to trust in a given position — had itself been automated: a DeepMind team built a system that trains up to ten differently-specialized AlphaZero-style agents and has the group itself decide, through internal diversity and self-collaboration, which line of play to trust, outperforming any single engine, including on puzzles designed to defeat narrow engines (Zahavy et al., "Diversifying AI: Towards Creative Chess with AlphaZero," 2023; reported in Marginal Revolution, "'Centaur chess' is now run by computers," February 2024). The job title "centaur" still exists. The last task it used to describe — choosing which machine to believe — now belongs to a machine.
หน้าต่างนั้นไม่ได้เปิดค้างไว้ ตั้งแต่ปี 2013 นักสังเกตการณ์ที่ติดตามความก้าวหน้าของเอนจินก็เถียงกันแล้วว่าเริ่มหาไม่เจอ ว่าทีมเซนทอร์ (centaur) ยังเพิ่มอะไรจากมนุษย์ให้เหนือกว่าเอนจินที่ดีที่สุดที่รันตามลำพัง (Business Insider, "Humans Are On The Verge Of Losing One Of Their Last Big Advantages Over Computers," November 2013, อ้างใน Wikipedia, "Advanced chess") Kasparov เองยังโต้กลับช้าถึงปี 2017 เขาบอก Tyler Cowen ว่ายังมั่นใจว่าทีมเซนทอร์ที่ควบคุมดีทำได้เหนือกว่าซูเปอร์คอมพิวเตอร์ระดับท็อป ถ้าได้มนุษย์ที่ใช่ (Kasparov, สนทนากับ Tyler Cowen, 2017) พอถึงปี 2023 งานวิจัยที่ผ่านการทบทวนโดยผู้เชี่ยวชาญเกี่ยวกับผู้เล่นหมากรุกเซนทอร์พบสิ่งที่เจาะจงกว่านั้น: AI ไม่ได้แค่ช่วยเสริมทักษะหมากรุกของมนุษย์อีกต่อไป มัน*แทนที่*ทักษะนั้น ไล่วิจารณญาณที่มนุษย์เคยเป็นฝ่ายให้ออกไป แล้วแทนด้วยงานเสริมชนิดใหม่ที่แคบลง (Krakowski, Luger & Raisch, "Artificial intelligence and the changing sources of competitive advantage," Strategic Management Journal, 2023) พอถึงปี 2024 แม้แต่การตัดสินใจข้อเดียวที่ผู้เล่น advanced chess ยังทำเองอยู่ — จะเชื่อเอนจินตัวไหน ในบรรดาเอนจินที่เห็นไม่ตรงกันในตำแหน่งหนึ่ง — ก็ถูกทำให้อัตโนมัติไปด้วย: ทีม DeepMind สร้างระบบที่ฝึกเอเจนต์แบบ AlphaZero ที่เชี่ยวชาญต่างกันได้ถึงสิบตัว แล้วให้*ตัวกลุ่มเอง*ตัดสินว่าจะเชื่อแนวเล่นไหน ผ่านความหลากหลายภายในและการร่วมมือกันเอง ผลดีกว่าเอนจินเดี่ยวตัวใดๆ รวมถึงบนโจทย์ที่ออกแบบมาเพื่อเอาชนะเอนจินแคบๆ (Zahavy et al., "Diversifying AI: Towards Creative Chess with AlphaZero," 2023; รายงานใน Marginal Revolution, "'Centaur chess' is now run by computers," February 2024) ตำแหน่งงานชื่อ "เซนทอร์" ยังมีอยู่ งานสุดท้ายที่มันเคยหมายถึง — การเลือกว่าจะเชื่อเครื่องไหน — ตอนนี้เป็นของเครื่องแล้ว
Nobody has published a single clean controlled experiment proving "engine alone beats centaur" across the board in 2026, and this chapter will not pretend one exists. What exists instead is the shape of a fifteen-year retreat: 2005, humans plus modest software beat grandmasters and supercomputers; 2013, observers start doubting the human adds anything; 2017, Kasparov still disagrees; 2023, a management-science study documents substitution, not augmentation; 2024, the residual human judgment call gets automated too. Chess is a closed, fully-observable, zero-sum game with an objectively checkable winner — the conditions most favorable to a machine closing a gap completely. The open question this book cannot yet answer with evidence, only pose honestly, is which other domains share enough of chess's structure to close the same way, and on what timeline. Advanced chess took about twenty years from Kasparov's proposal to its own obsolescence. Nothing says every field runs on that clock, and nothing says none will.
ไม่มีใครตีพิมพ์การทดลองแบบมีกลุ่มควบคุมที่สะอาดชิ้นเดียวที่พิสูจน์ว่า "เอนจินตามลำพังชนะเซนทอร์" ในทุกกรณีในปี 2026 และบทนี้จะไม่แสร้งว่ามีอยู่ สิ่งที่มีอยู่แทนคือรูปทรงของการถอยร่นสิบห้าปี: ปี 2005 มนุษย์บวกซอฟต์แวร์พอประมาณชนะแกรนด์มาสเตอร์และซูเปอร์คอมพิวเตอร์; ปี 2013 ผู้สังเกตการณ์เริ่มสงสัยว่ามนุษย์เพิ่มอะไรให้หรือเปล่า; ปี 2017 Kasparov ยังไม่เห็นด้วย; ปี 2023 งานวิจัยทางวิทยาการจัดการบันทึกการแทนที่ ไม่ใช่การเสริม; ปี 2024 การตัดสินใจที่เหลืออยู่ของมนุษย์ก็ถูกทำให้อัตโนมัติไปด้วย หมากรุกเป็นเกมปิด สังเกตได้ทั้งหมด ผลรวมเป็นศูนย์ และมีผู้ชนะที่ตรวจได้อย่างเป็นภาววิสัย — เงื่อนไขที่เอื้อที่สุดให้เครื่องจักรปิดช่องว่างได้สนิท คำถามที่ยังเปิดอยู่ และหนังสือเล่มนี้ตอบด้วยหลักฐานไม่ได้ ได้แต่ตั้งขึ้นอย่างซื่อสัตย์ คือโดเมนอื่นใดบ้างที่มีโครงสร้างร่วมกับหมากรุกมากพอจะปิดแบบเดียวกัน และบนไทม์ไลน์ไหน advanced chess ใช้เวลาราวยี่สิบปีจากข้อเสนอของ Kasparov จนถึงความล้าสมัยของตัวมันเอง ไม่มีอะไรบอกว่าทุกสาขาเดินตามนาฬิกาเรือนนั้น และไม่มีอะไรบอกว่าจะไม่มีสาขาไหนเดินตามเลย
What is still handed to someone
สิ่งที่ยังถูกส่งให้ใครสักคน
So what, if anything, is left for a human solver once the search itself — proof search, algorithm search, move search, reasoning search — is something a machine does better and faster? The honest answer is not sentimental. It is structural, and it starts with a fact this book has repeated in every chapter: search only happens inside a space, and something, or someone, has to specify the space before the first move is searched.
แล้วอะไรเหลืออยู่ให้นักแก้ปัญหาที่เป็นมนุษย์ ถ้ามีอะไรเหลืออยู่จริง เมื่อการค้นหาเอง — ค้นหาบทพิสูจน์ ค้นหาอัลกอริทึม ค้นหาหมาก ค้นหาการให้เหตุผล — เป็นสิ่งที่เครื่องจักรทำได้ดีกว่าและเร็วกว่า คำตอบที่ซื่อสัตย์ไม่ใช่คำตอบเชิงอารมณ์ มันเป็นเชิงโครงสร้าง และเริ่มจากข้อเท็จจริงที่หนังสือเล่มนี้พูดซ้ำในทุกบท: การค้นหาเกิดขึ้น*ภายในพื้นที่*เท่านั้น และบางสิ่งหรือบางคนต้องกำหนดพื้นที่นั้นก่อนที่หมากแรกจะถูกค้นหา
AlphaGo did not decide to play Go. AlphaProof did not decide the goal predicate was "solve six IMO problems in four and a half hours under contest rules." AlphaEvolve did not decide that 4-by-4 matrix multiplication was worth fifty-six years of nobody trying to beat Strassen. FunSearch did not decide the cap set problem mattered more than a million other combinatorics questions it could equally well have searched. In every documented case in this chapter, a human being — Demis Hassabis's team choosing which competitions to enter, Terence Tao curating which Erdős problems were even worth listing, the IMO's own committee writing six problems nobody had seen before — set the goal predicate and the space before any machine searched a single node. Chapter 03 called this Pólya's oldest heuristic: understand the problem before attempting to solve it. What has changed is that understanding-the-problem is now nearly the whole job, because attempting-to-solve-it has been delegated.
AlphaGo ไม่ได้ตัดสินใจว่าจะเล่นโกะ AlphaProof ไม่ได้ตัดสินใจว่าเงื่อนไขเป้าหมายคือ "แก้โจทย์ IMO หกข้อในสี่ชั่วโมงครึ่งภายใต้กติกาการแข่งขัน" AlphaEvolve ไม่ได้ตัดสินใจว่าการคูณเมทริกซ์ 4 คูณ 4 คุ้มกับการที่ไม่มีใครพยายามเอาชนะ Strassen มาห้าสิบหกปี FunSearch ไม่ได้ตัดสินใจว่าปัญหา cap set สำคัญกว่าคำถามเชิงการจัดหมู่อีกล้านข้อที่มันค้นหาได้ดีพอกัน ในทุกกรณีที่มีบันทึกในบทนี้ มนุษย์เป็นผู้ตั้งเงื่อนไขเป้าหมายและพื้นที่ ก่อนที่เครื่องจักรใดจะค้นหาโหนดแรก — ทีมของ Demis Hassabis เลือกว่าจะลงแข่งรายการไหน Terence Tao คัดว่าโจทย์ Erdős ข้อไหนควรค่าแม้แต่จะถูกลงรายการ คณะกรรมการของ IMO เองเขียนโจทย์หกข้อที่ไม่มีใครเคยเห็น บทที่ 03 เรียกสิ่งนี้ว่าวิธีเดาอย่างมีหลัก (heuristic) ที่เก่าแก่ที่สุดของ Pólya: เข้าใจปัญหาก่อนพยายามแก้มัน สิ่งที่เปลี่ยนไปคือการเข้าใจปัญหาตอนนี้แทบเป็นงานทั้งหมด เพราะการพยายามแก้มันถูกมอบต่อไปแล้ว
This produces four things machines in this chapter still do not do, evidenced rather than assumed. First, problem-finding: nothing in the AlphaProof or AlphaEvolve pipeline decides which unsolved conjecture is worth an afternoon of compute; a mathematician or a curated public list does that upstream, every time. Second, taste in what counts as a good result: Tao's own commentary on the Erdős milestone spends more words distinguishing a genuine advance from a rediscovery than celebrating the win itself (Tao, GitHub wiki, 2026) — a judgment about significance, not correctness, that the tools cannot make about their own output. Third, setting the goal predicate: "score points under IMO rubric," "beat Strassen's multiplication count," "find a cap set bigger than 496" are all human-authored stopping conditions; change the predicate and the same search machinery hunts an entirely different, and possibly worthless, target. Fourth, verification and responsibility in the sense that matters legally and professionally: DeepMind needed actual IMO coordinators to certify Gemini's proofs before the "gold medal" claim meant anything, precisely because OpenAI's self-graded gold, days earlier, could not settle the question by itself (DeepMind, 2025; OpenAI, 2025). Someone external, accountable, and outside the system that produced the answer still has to be willing to sign it.
สี่อย่างจึงยังเป็นสิ่งที่เครื่องจักรในบทนี้ทำไม่ได้ และแต่ละอย่างมีหลักฐานรองรับ ไม่ใช่สมมติเอา หนึ่ง การ*หา*ปัญหา (problem-finding): ไม่มีอะไรในสายงานของ AlphaProof หรือ AlphaEvolve ที่ตัดสินว่าข้อความคาดการณ์ที่ยังไม่ถูกพิสูจน์ข้อไหนคุ้มกับการคำนวณหนึ่งบ่าย; นักคณิตศาสตร์คนหนึ่งหรือรายการสาธารณะที่ผ่านการคัดสรรทำหน้าที่นั้นที่ต้นน้ำ ทุกครั้งไป สอง รสนิยมว่าอะไรนับเป็นผลลัพธ์ที่ดี: คำอธิบายของ Tao เองต่อหมุดหมาย Erdős ใช้คำแยกความก้าวหน้าที่แท้จริงออกจากการค้นพบซ้ำ มากกว่าที่ใช้ฉลองชัยชนะนั้นเสียอีก (Tao, GitHub wiki, 2026) — นี่คือการตัดสินเรื่องนัยสำคัญ ไม่ใช่เรื่องความถูกต้อง และเครื่องมือทำกับผลงานของตัวเองไม่ได้ สาม การตั้งเงื่อนไขเป้าหมาย: "ทำคะแนนตามเกณฑ์ IMO" "เอาชนะจำนวนครั้งการคูณของ Strassen" "หา cap set ที่ใหญ่กว่า 496" ล้วนเป็นเงื่อนไขหยุดที่มนุษย์เขียนขึ้น; เปลี่ยนเงื่อนไข แล้วกลไกการค้นหาชุดเดิมก็จะไล่ล่าเป้าหมายที่ต่างออกไปโดยสิ้นเชิง และอาจไร้ค่า สี่ การตรวจสอบและความรับผิดชอบในความหมายที่สำคัญทางกฎหมายและทางวิชาชีพ: DeepMind ต้องใช้ผู้ประสานงาน IMO ตัวจริงมารับรองบทพิสูจน์ของ Gemini ก่อนที่คำว่า "เหรียญทอง" จะมีความหมาย เพราะเหรียญทองที่ OpenAI ตรวจเองเมื่อไม่กี่วันก่อนหน้านั้น ตัดสินคำถามนี้ด้วยตัวเองไม่ได้ (DeepMind, 2025; OpenAI, 2025) ยังต้องมีใครสักคนจากภายนอก รับผิดชอบได้ และอยู่นอกระบบที่ผลิตคำตอบนั้น ยินดีเซ็นรับรองมัน
Put together, these four are one thing wearing four names: framing. Chapter 09 argued that elegance is the felt experience of compression — a representation snapping into a form where the answer is nearly free. That felt experience still belongs to whoever chooses which representation to snap, because the machines in this chapter do not yet reach upstream and pick their own problems out of the world's infinite supply of unasked questions. This is the spine of the whole book, restated at its point of maximum stress: great solvers do not search harder; they change the space until the path is short — and as of mid-2026, the machines are the most powerful walkers of a fixed space that have ever existed, while the choice of which space to hand them is still, in every verified case in this chapter, made by a person. That handoff is not a consolation prize. It is leverage of a kind that did not exist twenty years ago: one well-framed question, posed to a system that can now search a space of matrix algorithms or IMO-level proofs to exhaustion overnight, moves further than a century of unaided human search ever could. The leverage of framing well has never been higher, because the machine on the other end of a well-posed question has never been stronger.
สี่อย่างนี้คือสิ่งเดียวที่สวมชื่อสี่ชื่อ: การวางกรอบ บทที่ 09 เถียงว่าความสง่างามคือประสบการณ์ที่รู้สึกได้ของการบีบอัด — representation ดีดเข้าสู่รูปที่คำตอบแทบจะได้มาฟรี ประสบการณ์นั้นยังเป็นของคนที่เลือกว่าจะดีด representation ไหน เพราะเครื่องจักรในบทนี้ยังเอื้อมขึ้นไปที่ต้นน้ำ แล้วหยิบปัญหาของตัวเองออกมาจากคลังคำถามที่ยังไม่มีใครถามอันไม่รู้จบของโลกไม่ได้ นี่คือแกนของหนังสือทั้งเล่ม กล่าวซ้ำ ณ จุดที่มันรับแรงมากที่สุด: นักแก้ปัญหาที่ยิ่งใหญ่ไม่ค้นหาหนักขึ้น — เขาเปลี่ยนพื้นที่จนเส้นทางสั้นลง — และ ณ กลางปี 2026 เครื่องจักรคือผู้เดินพื้นที่ตายตัวที่ทรงพลังที่สุดเท่าที่เคยมีมา ขณะที่การเลือกว่าจะยื่นพื้นที่*ไหน*ให้พวกมัน ยังเป็นสิ่งที่คนทำ ในทุกกรณีที่ตรวจสอบได้ในบทนี้ การส่งต่อนั้นไม่ใช่รางวัลปลอบใจ มันคือคานงัดชนิดที่ยังไม่มีอยู่เมื่อยี่สิบปีก่อน: คำถามที่วางกรอบมาดีข้อเดียว ตั้งกับระบบที่ตอนนี้ค้นหาพื้นที่ของอัลกอริทึมเมทริกซ์หรือบทพิสูจน์ระดับ IMO ได้จนหมดเกลี้ยงภายในคืนเดียว เดินไปได้ไกลกว่าการค้นหาของมนุษย์ที่ไม่มีตัวช่วยตลอดหนึ่งศตวรรษ คานงัดของการวางกรอบให้ดีไม่เคยสูงเท่านี้ เพราะเครื่องจักรที่ปลายอีกด้านของคำถามที่ตั้งมาดีไม่เคยแข็งแกร่งเท่านี้
The chapter that will age
บทที่จะเก่า
Every other chapter in this book describes events that finished: Alexander's knot, Euler's bridges, Snow's pump, four decades of protein folds closed in one. This chapter describes a slope, measured at a single moment on it, and slopes are exactly the kind of fact a book cannot future-proof. State plainly which parts are load-bearing and which are perishable, because a reader in 2030 deserves to know which sentences to distrust first.
บทนี้บรรยายความชัน ไม่ใช่เหตุการณ์ที่จบแล้ว ทุกบทอื่นในหนังสือเล่มนี้บรรยายเหตุการณ์ที่จบไปแล้ว: ปมของ Alexander, สะพานของ Euler, ปั๊มน้ำของ Snow, สี่ทศวรรษของการพับโปรตีนที่ปิดลงในคราวเดียว ความชันในบทนี้วัดไว้ ณ จุดเดียวบนความชันนั้น และความชันคือชนิดของข้อเท็จจริงที่หนังสือกันอนาคตไม่ได้เลย จึงต้องบอกตรงๆ ว่าส่วนไหนรับน้ำหนักและส่วนไหนเน่าเสียได้ เพราะผู้อ่านในปี 2030 สมควรได้รู้ว่าควรไม่ไว้ใจประโยคไหนก่อน
The perishable claims, ranked by how fast they will decay: the specific benchmark numbers — o3's 87.5 percent on ARC-AGI, AlphaEvolve's 75/20 percent split against state of the art, the 35-out-of-42 IMO scores — are snapshots of specific model versions in 2024 and 2025 and will be beaten, probably within a year or two of this writing, by systems not yet named. The claim that "one to two percent of open Erdős problems" are AI-tractable is Tao's estimate from January 2026 and is, by its author's own description, a moving number that should already be higher by the time this is read (Tao, GitHub wiki, 2026). The claim that chess's centaur advantage has fully closed is the best-supported historical judgment available at this writing, but it rests on chess's unusually clean, closed, checkable structure, and the chapter's honest admission — that no equivalent clean study yet exists for less closed domains — is itself a claim about 2026's evidence base, not about the future's. What should not decay, because it does not depend on any model version: the four-way split between problem-finding, taste, goal-setting, and accountable verification, and the observation that every machine result in this chapter still ran inside a space someone else specified. If that division collapses — if a system starts reliably choosing its own problems, its own stopping conditions, and standing behind its own answers without a human institution backstopping it — that will be the moment this chapter's central argument needs a rewrite, and whoever is reading this later will know it happened long before any historian gets around to writing the next edition.
ข้อกล่าวอ้างที่เน่าเสียได้ เรียงตามความเร็วที่มันจะเสื่อม: ตัวเลขเกณฑ์วัดเฉพาะเจาะจงเสื่อมเร็วที่สุด — 87.5 เปอร์เซ็นต์ของ o3 บน ARC-AGI, สัดส่วน 75/20 เปอร์เซ็นต์ของ AlphaEvolve เทียบกับสถานะล้ำสุด, คะแนน 35 จาก 42 ที่ IMO — คือภาพนิ่งของโมเดลเวอร์ชันเฉพาะในปี 2024 และ 2025 และจะถูกทำลายสถิติโดยระบบที่ยังไม่มีชื่อ อาจภายในหนึ่งถึงสองปีนับจากที่เขียนนี้ ข้อกล่าวอ้างว่า "หนึ่งถึงสองเปอร์เซ็นต์ของโจทย์ Erdős ที่เปิดอยู่" อยู่ในระยะที่ AI จัดการได้ คือประมาณการของ Tao จากเดือนมกราคม 2026 และตามคำบรรยายของผู้เขียนเอง มันคือตัวเลขที่เคลื่อนอยู่ น่าจะสูงกว่านั้นไปแล้วเมื่อข้อความนี้ถูกอ่าน (Tao, GitHub wiki, 2026) ข้อกล่าวอ้างว่าความได้เปรียบของเซนทอร์ในหมากรุกปิดสนิทไปแล้ว คือคำตัดสินเชิงประวัติศาสตร์ที่มีหลักฐานหนุนดีที่สุดเท่าที่มี ณ เวลาที่เขียนนี้ แต่มันตั้งอยู่บนโครงสร้างของหมากรุกที่สะอาด ปิด และตรวจได้อย่างผิดปกติ และคำสารภาพอย่างซื่อสัตย์ของบทนี้ — ว่ายังไม่มีงานวิจัยที่สะอาดเทียบเท่าสำหรับโดเมนที่ปิดน้อยกว่า — ก็เป็นข้อกล่าวอ้างเกี่ยวกับฐานหลักฐานของปี 2026 เอง ไม่ใช่เกี่ยวกับอนาคต สิ่งที่*ไม่ควร*เสื่อม เพราะไม่ขึ้นกับโมเดลเวอร์ชันใด คือการแยกสี่ทางระหว่างการหาปัญหา รสนิยม การตั้งเป้าหมาย และการตรวจสอบที่มีผู้รับผิดชอบ กับข้อสังเกตว่าผลลัพธ์จากเครื่องจักรทุกชิ้นในบทนี้ยังรันอยู่ในพื้นที่ที่คนอื่นกำหนดไว้ ถ้าการแบ่งนั้นพังลง — ถ้าระบบหนึ่งเริ่มเลือกปัญหาของตัวเอง เงื่อนไขหยุดของตัวเอง และยืนหลังคำตอบของตัวเองได้อย่างเชื่อถือได้ โดยไม่มีสถาบันของมนุษย์คอยรองรับ — นั่นคือช่วงเวลาที่ข้อเสนอหลักของบทนี้ต้องถูกเขียนใหม่ ใครก็ตามที่อ่านสิ่งนี้ในภายหลังจะรู้ว่ามันเกิดขึ้นแล้ว นานก่อนที่นักประวัติศาสตร์คนไหนจะได้ลงมือเขียนฉบับถัดไป
The Move
ท่าประจำบท
Move 10 — Delegate the search, keep the frame.
Move 10 — มอบการค้นหาให้เครื่อง เก็บกรอบไว้กับตัว
The machines in this chapter search better than any human who has ever lived, in every domain rigorous enough to hand them a checkable goal. That is not a threat to the century and a half of craft this book has documented; it is the craft's next tool, arriving on schedule. What it changes is where a solver's effort belongs.
เครื่องจักรในบทนี้ค้นหาได้ดีกว่ามนุษย์คนไหนที่เคยมีชีวิตอยู่ ในทุกโดเมนที่เข้มงวดพอจะยื่นเป้าหมายที่ตรวจได้ให้พวกมัน นั่นไม่ใช่ภัยคุกคามต่อฝีมือหนึ่งศตวรรษครึ่งที่หนังสือเล่มนี้บันทึกไว้ มันคือเครื่องมือชิ้นถัดไปของฝีมือนั้น มาถึงตามกำหนด สิ่งที่มันเปลี่ยนคือแรงของนักแก้ปัญหาควรไปอยู่ตรงไหน
- Push the search downstream, on purpose. Once a problem has a checkable goal predicate — a proof that can be verified, a matrix count that can be measured, a benchmark that can be scored — treat exhaustive human search on it as a poor use of a scarce mind. That work is now a commodity chapter 06 would recognize as tractable; spend your hours before that point, not during it.
- Spend the saved time upstream, where machines still cannot go. Problem-finding, taste about which result would matter if found, the choice of goal predicate, and accountable verification are the four things this chapter found no machine doing unassisted. That is where a solver's judgment now earns its keep.
- Never let a self-graded result stand as the verdict. The 2025 IMO gap between an officially certified gold medal and a self-reported one is the model for every future claim a machine — or a person leaning on one — makes about its own output. Someone outside the system that produced the answer has to be willing to check it and sign it.
- Treat the frame as the last thing that is still entirely yours. Every system in this chapter was pointed at its target by a human decision made before any search began. That decision has not been automated yet, anywhere, in any case this chapter could verify. Guard it accordingly.
- ดันการค้นหาไปปลายน้ำ อย่างตั้งใจ พอปัญหาหนึ่งมีเงื่อนไขเป้าหมายที่ตรวจได้ — บทพิสูจน์ที่ยืนยันได้ จำนวนครั้งการคูณที่วัดได้ benchmark ที่ให้คะแนนได้ — ให้ถือว่าการค้นหาแบบละเอียดถี่ถ้วนด้วยแรงมนุษย์บนปัญหานั้นเป็นการใช้จิตที่หายากอย่างสิ้นเปลือง งานนั้นตอนนี้เป็นสินค้าโภคภัณฑ์ที่บทที่ 06 จะเรียกว่าจัดการไหว (tractable); ใช้เวลาของคุณก่อนถึงจุดนั้น ไม่ใช่ระหว่างนั้น
- ใช้เวลาที่ประหยัดได้ไปที่ต้นน้ำ ที่เครื่องจักรยังไปไม่ถึง การหาปัญหา รสนิยมว่าผลลัพธ์ไหนจะสำคัญถ้าหาเจอ การเลือกเงื่อนไขเป้าหมาย และการตรวจสอบที่มีผู้รับผิดชอบ คือสี่สิ่งที่บทนี้ไม่พบว่าเครื่องจักรใดทำได้เองโดยไม่มีคนช่วย นั่นคือจุดที่วิจารณญาณของนักแก้ปัญหาหาเลี้ยงตัวเองได้ในตอนนี้
- อย่าปล่อยให้ผลที่ตรวจเองยืนเป็นคำตัดสิน ช่องว่างที่ IMO ปี 2025 ระหว่างเหรียญทองที่ได้รับการรับรองอย่างเป็นทางการ กับเหรียญทองที่รายงานเอง คือแบบจำลองของทุกข้อกล่าวอ้างในอนาคตที่เครื่องจักร — หรือคนที่พิงเครื่องจักรอยู่ — พูดถึงผลงานของตัวเอง ต้องมีใครสักคนนอกระบบที่ผลิตคำตอบนั้น ยินดีตรวจมันและเซ็นรับรอง
- ถือว่ากรอบคือสิ่งสุดท้ายที่ยังเป็นของคุณทั้งหมด ทุกระบบในบทนี้ถูกเล็งไปที่เป้าหมายด้วยการตัดสินใจของมนุษย์ที่เกิดขึ้นก่อนการค้นหาใดจะเริ่ม การตัดสินใจนั้นยังไม่ถูกทำให้อัตโนมัติที่ไหนเลย ในกรณีใดก็ตามที่บทนี้ตรวจสอบได้ ระวังรักษามันไว้ให้สมกับนั้น
The moves are gathered now, chapter by chapter, into a kit — everything from questioning the frame at Gordium to delegating the search to a machine that will outwalk you. What remains is the shortest path of all: turning eleven moves into a single practiced route through any new problem, which is the business of the closing chapter, 99 · The Leverage Route.
ตอนนี้บรรดาท่าถูกรวบรวมไว้แล้ว บทต่อบท เป็นชุดเครื่องมือชุดหนึ่ง — ตั้งแต่การตั้งคำถามกับกรอบที่กอร์เดียม ไปจนถึงการมอบการค้นหาให้เครื่องจักรที่จะเดินแซงคุณ สิ่งที่เหลืออยู่คือเส้นทางที่สั้นที่สุดของทั้งหมด: การเปลี่ยนสิบเอ็ดท่าให้เป็นเส้นทางเดียวที่ฝึกจนคล่อง ผ่านปัญหาใหม่ใดๆ ซึ่งคืองานของบทปิดท้าย 99 · เส้นทางคานงัด