AI นักวิทยาศาสตร์คืออะไร? เมื่อ AI เริ่มทำการทดลองเอง ไม่ต้องรอมนุษย์สั่ง

เดือนกุมภาพันธ์ 2026 OpenAI กับ Ginkgo Bioworks ประกาศผลงานที่ทำให้วงการวิทยาศาสตร์ต้องหยุดฟัง… GPT-5 ออกแบบการทดลอง สั่งหุ่นยนต์ในแล็บทำจริง วิเคราะห์ผลเอง แล้ววนกลับมาทดลองรอบใหม่ ทั้งหมด 36,000 ครั้งใน 6 เดือน

ไม่มีมนุษย์คนไหนนั่งสั่งงานอยู่เลย

และมันลดต้นทุนการผลิตโปรตีนลงได้ 40%

AI นักวิทยาศาสตร์คืออะไร?

AI นักวิทยาศาสตร์ (AI Scientist) คือระบบ AI ที่ทำงานได้ครบวงจรเหมือนนักวิจัยจริง ตั้งแต่ตั้งสมมติฐาน ออกแบบการทดลอง สั่งหุ่นยนต์ทำแล็บ วิเคราะห์ผลลัพธ์ แล้วปรับแผนทดลองรอบถัดไปเอง โดยแทบไม่ต้องมีมนุษย์เข้าไปช่วย

ถ้าเปรียบกับคน… AI ทั่วไปเหมือนนักศึกษาฝึกงานที่ต้องบอกทีละขั้น “ค้นเปเปอร์ให้หน่อย” “วิเคราะห์ข้อมูลชุดนี้ให้ที” แต่ AI นักวิทยาศาสตร์เหมือน postdoc (นักวิจัยหลังปริญญาเอก) ที่คุณยื่นโจทย์วิจัยให้ แล้วเขาไปจัดการเองจนเจอคำตอบ

สิ่งที่ทำให้มันต่างจาก AI Agent ทั่วไปก็คือ มันเชื่อมต่อกับ “แล็บจริง” ได้ มีหุ่นยนต์คอยผสมสาร ทำปฏิกิริยา วัดผล แล้วส่งข้อมูลกลับมาให้ AI วิเคราะห์ ครบลูปทั้งหมดโดยอัตโนมัติ

ทำไมปี 2026 ถึงเป็นจุดเปลี่ยน?

เรื่อง AI ช่วยงานวิจัยไม่ใช่เรื่องใหม่ แต่ปี 2026 เป็นปีแรกที่ทุกอย่างมาบรรจบกัน ทั้ง AI ที่ฉลาดพอ หุ่นยนต์แล็บที่แม่นยำพอ และต้นทุนที่ถูกลงพอจะทำให้ใช้งานจริงในเชิงพาณิชย์ได้

ตามข้อมูลจาก Precedence Research ตลาด AI for Scientific Discovery มีมูลค่า 4.8 พันล้านดอลลาร์ในปี 2025 และคาดว่าจะโตเป็น 34.78 พันล้านดอลลาร์ภายในปี 2035 ด้วยอัตราเติบโต 21.9% ต่อปี

Demis Hassabis ถึงกับทำนายว่าใน 10-15 ปีข้างหน้า เราจะเข้าสู่ “ยุคทองใหม่ของการค้นพบ” หรือ “ยุค Renaissance ของวิทยาศาสตร์” ที่ขับเคลื่อนด้วย AI

แล้วเคสจริงที่เกิดขึ้นแล้วมีอะไรบ้าง?

GPT-5 x Ginkgo Bioworks: AI ที่สั่งแล็บทำการทดลอง 36,000 ครั้ง

เคสที่น่าตื่นเต้นที่สุดในตอนนี้คือความร่วมมือระหว่าง OpenAI กับ Ginkgo Bioworks ที่ประกาศเมื่อ 5 กุมภาพันธ์ 2026

GPT-5 ได้ทำงานร่วมกับ cloud laboratory (แล็บที่ควบคุมผ่านระบบออนไลน์) ของ Ginkgo Bioworks ที่เมืองบอสตัน โดยมีหุ่นยนต์แล็บที่เรียกว่า Reconfigurable Automation Carts หรือ RAC (รถเข็นหุ่นยนต์ที่ปรับเปลี่ยนการทำงานได้) คอยทำตามคำสั่ง ทั้งหมดนี้ทำงานเป็น closed loop (วงจรปิดที่ทำงานวนซ้ำอัตโนมัติ) แบบนี้:

1. GPT-5 ออกแบบชุดการทดลองในรูปแบบ 384-well plate (แผ่นทดลองที่มีหลุมเล็กๆ 384 หลุม สำหรับทดสอบสารหลายตัวพร้อมกัน)
2. หุ่นยนต์ในแล็บทำการทดลองตามที่ AI สั่ง
3. ข้อมูลผลลัพธ์ถูกส่งกลับมาให้ GPT-5
4. GPT-5 วิเคราะห์ผล ตั้งสมมติฐานใหม่ แล้วสั่งทดลองรอบถัดไป

ตลอดระยะเวลา 6 เดือน ระบบนี้ทำการทดลองไป 36,000 ครั้ง สร้างข้อมูลกว่า 150,000 จุด และลดต้นทุนการผลิตโปรตีน superfolder green fluorescent protein หรือ sfGFP (โปรตีนเรืองแสงสีเขียวที่ใช้เป็นตัวทดสอบมาตรฐานในห้องแล็บ) ลงจาก 698 ดอลลาร์ต่อกรัม เหลือ 422 ดอลลาร์ต่อกรัม ลดลง 40%

ที่น่าสนใจคือ GPT-5 ใช้เวลาแค่ 3 รอบการทดลอง (ประมาณ 2 เดือน) ก็สร้างสถิติใหม่ได้แล้ว

ตามรายงานจาก Scientific American สิ่งที่ทำให้เคสนี้สำคัญมากไม่ใช่แค่ตัวเลข แต่เป็นการพิสูจน์ว่า AI สามารถ “ทำวิทยาศาสตร์” ได้จริง ไม่ใช่แค่ช่วยวิเคราะห์ข้อมูล

และ Ginkgo ก็ไม่ได้เก็บผลงานไว้ในห้องแล็บ สารเคมีที่ AI ปรับปรุงแล้วถูกนำไปขายในเชิงพาณิชย์เรียบร้อยแล้ว

Self-Driving Lab คืออะไร?

Self-Driving Lab คือแล็บวิจัยอัตโนมัติที่รวม 3 สิ่งเข้าด้วยกัน: หุ่นยนต์ทำการทดลอง, AI วิเคราะห์ผล, และอัลกอริทึมที่ตัดสินใจว่าจะทดลองอะไรต่อ ทั้งหมดทำงานเป็นวงจรปิดโดยไม่ต้องมีมนุษย์คอยสั่ง

ตามรายงานจาก Royal Society Open Science Self-Driving Lab ไม่ได้มาแทนที่นักวิทยาศาสตร์มนุษย์ แต่เป็นแนวคิดแบบ “Industry 5.0” (อุตสาหกรรมยุคที่ 5 ที่เน้นมนุษย์ทำงานร่วมกับเครื่องจักร) ที่รวมความคิดสร้างสรรค์ของมนุษย์เข้ากับความแม่นยำและความไม่เหน็ดเหนื่อยของระบบอัตโนมัติ

5 เคสจริงที่พิสูจน์ว่า AI นักวิทยาศาสตร์ทำงานได้แล้ว

1. Argonne National Lab: 6,000 การทดลองแบตเตอรี่ใน 5 เดือน

Argonne National Laboratory ซึ่งเป็นห้องปฏิบัติการแห่งชาติของสหรัฐฯ ใช้ระบบ Self-Driving Lab ชื่อ Polybot ทำการทดลองเกี่ยวกับ electronic polymers (วัสดุที่รวมความยืดหยุ่นของพลาสติกกับคุณสมบัติการนำไฟฟ้า ซึ่งมีการประยุกต์ใช้กับแบตเตอรี่และอุปกรณ์อิเล็กทรอนิกส์) ไปกว่า 6,000 ครั้งในเวลา 5 เดือน

Kawtar Hafidi รองผู้อำนวยการด้าน Physical Sciences and Engineering ของ Argonne กล่าวว่า “การจับคู่ AI กับหุ่นยนต์กำลังเปลี่ยนวิธีที่เราทำวิทยาศาสตร์” โดยเปลี่ยนจากการ trial and error (ลองผิดลองถูก) ที่ใช้เวลาหลายปี ไปสู่การค้นพบที่ขับเคลื่อนด้วยข้อมูลอย่างรวดเร็ว

ถ้าใช้วิธีวิจัยแบบเดิม การทดลอง 6,000 ครั้งนี้จะใช้เวลา 5-8 ปี

2. Google DeepMind GNoME: ค้นพบโครงสร้างผลึกใหม่ 2.2 ล้านชนิด (381,000 ชนิดเป็นวัสดุเสถียรใหม่)

Google DeepMind สร้าง AI ชื่อ GNoME (Graph Networks for Materials Exploration) ที่ค้นพบโครงสร้างผลึกใหม่ 2.2 ล้านชนิดในเวลาแค่ 17 วัน เท่ากับความรู้ที่มนุษย์ต้องใช้เวลาเกือบ 800 ปีจึงจะสะสมได้

ในจำนวนนี้มี 380,000 ชนิดที่มีความเสถียรสูง ซึ่งอาจนำไปพัฒนาเป็นตัวนำยิ่งยวด แบตเตอรี่รุ่นใหม่ หรือวัสดุสำหรับรถยนต์ไฟฟ้าได้

ที่น่าทึ่งกว่านั้นคือ นักวิจัยจากห้องแล็บทั่วโลกได้สังเคราะห์วัสดุจากการทำนายของ GNoME ขึ้นมาจริงแล้ว 736 ชนิด พิสูจน์ว่า AI ทำนายถูก

งานวิจัยนี้ตีพิมพ์ใน Nature เมื่อปี 2023 และเป็นหนึ่งในจุดเริ่มต้นของกระแส AI for Science ที่เราเห็นในปี 2026

3. MARS: ระบบ Multi-Agent (AI หลายตัวทำงานร่วมกัน) 19 ตัวที่สร้างวัสดุใหม่ใน 3.5 ชั่วโมง

นักวิจัยจาก Shenzhen Institute of Advanced Technology ของจีน สร้างระบบชื่อ MARS ที่ใช้ AI Agent 19 ตัวทำงานร่วมกับเครื่องมือเฉพาะทาง 16 ชนิด แบ่งเป็นทีมแบบนี้:

• Orchestrator (ตัวควบคุมหลัก) ควบคุมงานทั้งหมด
• Scientist Group ค้นหาความรู้และออกแบบทางออก
• Engineer Group แปลงแบบเป็นขั้นตอนที่หุ่นยนต์ทำได้
• Executor Group สั่งหุ่นยนต์ทำการทดลอง
• Analyst Group วิเคราะห์ผลและวางกลยุทธ์ปรับปรุง

ระบบนี้สามารถ optimize (ปรับปรุงให้ดีที่สุด) perovskite nanocrystals (อนุภาคนาโนเพอรอฟสไกต์ ซึ่งเป็นวัสดุที่ใช้ในเซลล์แสงอาทิตย์รุ่นใหม่) ได้ใน 10 รอบการทดลอง และออกแบบ วัสดุคอมโพสิตที่ทนน้ำชนิดใหม่ได้ภายใน 3.5 ชั่วโมง

4. Sakana AI Scientist: AI เขียนเปเปอร์วิจัยผ่าน Peer Review

Sakana AI สตาร์ทอัพจากญี่ปุ่น สร้างระบบ AI Scientist ที่ทำงานครบวงจรตั้งแต่สร้างไอเดียวิจัย เขียนโค้ด ทำการทดลอง สร้างกราฟ เขียนเปเปอร์ จนถึงส่งรีวิว ทั้งหมดนี้มีต้นทุนแค่ 15 ดอลลาร์ต่อเปเปอร์ (ตัวเลขนี้เป็นเฉพาะค่า experimentation phase ยังไม่รวมค่า writing phase อีกราว $5 รวมแล้วประมาณ $15–$25 ต่อเปเปอร์)

เวอร์ชัน 2 ของระบบ (AI Scientist-v2) สามารถเขียนเปเปอร์ที่ผ่าน peer review (การตรวจสอบโดยผู้เชี่ยวชาญในสาขาเดียวกัน) ใน workshop ระดับ ICLR 2025 (งานประชุมวิชาการ AI ระดับโลก) ได้สำเร็จ

แต่ต้องบอกว่าระบบนี้ยังมีข้อจำกัด ตามการประเมินจาก นักวิจัย National University of Singapore พบว่าราว 42% ของการทดลองล้มเหลวเนื่องจาก coding errors (ข้อผิดพลาดในโค้ดโปรแกรม) — ตัวเลขนี้มาจากการวิเคราะห์โดยนักวิจัยภายนอก ไม่ใช่จากเปเปอร์ต้นฉบับของ Sakana AI โดยตรง และการประเมินความใหม่ของงานวิจัยยังไม่แม่นยำ

5. FutureHouse Robin: AI ค้นพบการใช้งานใหม่ของยาเดิม (drug repurposing) สำหรับโรคตา

FutureHouse องค์กรไม่แสวงหากำไรที่ได้รับทุนจาก Eric Schmidt อดีต CEO ของ Google สร้างระบบ multi-agent (AI หลายตัวทำงานร่วมกัน) ชื่อ Robin ที่ทำงานครบวงจรตั้งแต่ค้นหาเอกสาร สร้างสมมติฐาน เสนอการทดลอง วิเคราะห์ผล แล้วปรับปรุงสมมติฐาน

Robin ใช้ AI Agent หลายตัวทำงานร่วมกัน: Crow (ตอบคำถามจากเอกสารวิจัย), Falcon (สังเคราะห์งานวิจัย), Owl (ตรวจสอบงานก่อนหน้า), Phoenix (ทดลองเคมี) และ Finch (วิเคราะห์ข้อมูล)

ผลงานที่น่าสนใจคือ Robin สามารถค้นพบ ripasudil (ยาหยอดตาที่ใช้รักษาต้อหิน) ว่าเป็นยาที่อาจรักษาโรค dry age-related macular degeneration หรือ dAMD (โรคจุดรับภาพเสื่อมจากอายุแบบแห้ง ซึ่งเป็นสาเหตุหลักของการสูญเสียการมองเห็นในผู้สูงอายุ) ได้ ซึ่งเป็นการค้นพบทางวิทยาศาสตร์ที่แท้จริง

Sam Rodriques ผู้ร่วมก่อตั้ง FutureHouse กล่าวว่า AI Scientist สามารถเพิ่มผลผลิตของนักวิทยาศาสตร์ได้ 10-100 เท่า

เปรียบเทียบ 5 เคส AI นักวิทยาศาสตร์

เงินทุนมหาศาลที่ไหลเข้า AI for Science

เรื่องนี้ไม่ใช่แค่งานวิจัยในห้องแล็บ เม็ดเงินลงทุนขนาดใหญ่กำลังไหลเข้ามา

Lila Sciences สตาร์ทอัพจาก Cambridge, Massachusetts ที่ก่อตั้งโดย Flagship Pioneering ระดมทุนไปแล้วกว่า 550 ล้านดอลลาร์ มูลค่าบริษัทเกิน 1.3 พันล้านดอลลาร์ เพื่อสร้างสิ่งที่พวกเขาเรียกว่า “Scientific Superintelligence” หรือ AI ที่ฉลาดกว่ามนุษย์ในด้านวิทยาศาสตร์

Lila สร้างระบบที่เรียกว่า AI Science Factory (AISF) ที่รวม AI กับแล็บอัตโนมัติเข้าด้วยกัน เป้าหมายคือการเอาทั้ง life science (วิทยาศาสตร์ชีวภาพ), chemical science (วิทยาศาสตร์เคมี) และ materials science (วิทยาศาสตร์วัสดุ) มาให้ AI จัดการ

นักลงทุนรายใหญ่ที่เข้ามาหนุนหลังก็ไม่ธรรมดา ตั้งแต่ General Catalyst, ARK Venture Fund ไปจนถึง NVIDIA ที่เข้าร่วมลงทุนในรอบต่อขยายเมื่อเดือนตุลาคม 2025

FutureHouse ก็ได้รับทุนจาก Eric Schmidt อดีต CEO ของ Google เช่นกัน พร้อมเปิดโปรแกรม Fellowship (ทุนสนับสนุนนักวิจัย) ที่ให้ทุนนักวิจัย 125,000 ดอลลาร์ต่อปี เพื่อทำงานร่วมกับ AI Scientist

แล้ว Self-Driving Lab เร็วกว่าแล็บปกติแค่ไหน?

ตามงานวิจัยที่ตีพิมพ์ใน Nature Chemical Engineering นักวิจัยพัฒนาเทคนิคใหม่ที่เรียกว่า dynamic flow experiment (การทดลองแบบไหลต่อเนื่องที่ปรับเปลี่ยนเงื่อนไขได้ตลอด) ทำให้ Self-Driving Lab เก็บข้อมูลได้เร็วกว่าเทคนิคเดิม อย่างน้อย 10 เท่า

หลักการคือ… แทนที่จะรอให้ปฏิกิริยาเคมีเสร็จทีละครั้ง (ซึ่งอาจใช้เวลาถึง 1 ชั่วโมงต่อการทดลอง) ระบบใหม่จะปรับส่วนผสมเคมีแบบต่อเนื่องขณะที่สารไหลผ่านระบบ แล้ววัดผลแบบ real-time (ทันทีขณะเกิดปฏิกิริยา) ไปพร้อมกัน

ผลคือ AI สามารถระบุตัวเลือกวัสดุที่ดีที่สุดได้ตั้งแต่การฝึกรอบแรกเลย

AlphaFold: จุดเริ่มต้นที่พิสูจน์ว่า AI เปลี่ยนวิทยาศาสตร์ได้จริง

ก่อนจะมี Self-Driving Lab มี AI ตัวหนึ่งที่จุดประกายทุกอย่างขึ้นมา นั่นคือ AlphaFold ของ Google DeepMind

AlphaFold แก้ปัญหาที่นักวิทยาศาสตร์พยายามมา 50 ปี คือการทำนายโครงสร้าง 3 มิติของโปรตีนจากลำดับกรดอะมิโน ซึ่งเป็นพื้นฐานของการพัฒนายา วัคซีน และการรักษาโรค

Demis Hassabis, John Jumper และ David Baker ได้รับรางวัลโนเบลเคมี 2024 (Hassabis และ Jumper จากผลงาน AlphaFold, Baker จากผลงาน computational protein design) ซึ่งเป็นรางวัลโนเบลครั้งแรกในสาขาเคมีที่มอบให้กับผลงาน AI (ปีเดียวกัน รางวัลโนเบลฟิสิกส์ก็มอบให้ John Hopfield และ Geoffrey Hinton จากผลงานด้าน AI เช่นกัน)

จนถึงตอนนี้ นักวิจัยกว่า 2 ล้านคนทั่วโลกใช้ AlphaFold ในงานวิจัย ตั้งแต่ออกแบบเอนไซม์ ทำความเข้าใจโรค ไปจนถึงค้นหายาใหม่

AlphaFold คือหลักฐานว่า AI สามารถเปลี่ยนวิทยาศาสตร์ได้จริง และ Self-Driving Lab คือวิวัฒนาการขั้นต่อไป ที่ AI ไม่ได้แค่วิเคราะห์ข้อมูล แต่ลงมือทำการทดลองเองด้วย

สิ่งที่ต้องระวัง: AI นักวิทยาศาสตร์ยังไม่สมบูรณ์แบบ

แต่ก่อนจะตื่นเต้นกันเกินไป… ถึง AI จะทำได้น่าทึ่งแค่ไหน มันยังมีรอยรั่วที่ต้องรู้

ตามรายงานจาก ACM SIGIR Forum ที่ประเมินระบบ AI Scientist ของ Sakana AI พบว่า:

• 42% ของการทดลองล้มเหลว เนื่องจาก coding errors (ข้อผิดพลาดในโค้ดที่ AI เขียนเอง)
• การประเมินความใหม่ (novelty หรือความแปลกใหม่ของงานวิจัย) ไม่แม่น บ่อยครั้งที่ AI จัดให้แนวคิดเก่าเป็นของใหม่
• Literature review (การทบทวนงานวิจัยที่เคยมีคนทำมาก่อน) ยังไม่ดีพอ ทำให้บางทีทำซ้ำงานที่คนอื่นทำไปแล้ว

ผลลัพธ์ของ GPT-5 x Ginkgo ก็ทดสอบกับโปรตีนชนิดเดียว (sfGFP) ในระบบ CFPS (Cell-Free Protein Synthesis หรือระบบสังเคราะห์โปรตีนแบบไม่ใช้เซลล์มีชีวิต) ระบบเดียว ยังไม่ได้พิสูจน์ว่าจะใช้ได้กับโปรตีนอื่นหรือแพลตฟอร์มอื่น

แต่นี่เป็นเรื่องปกติของเทคโนโลยีใหม่ ข้อจำกัดเหล่านี้กำลังถูกแก้ไขอย่างรวดเร็ว และด้วยเม็ดเงินลงทุนที่ไหลเข้ามา ความก้าวหน้าจะเร็วขึ้นเรื่อยๆ

แล้วเราควรทำอะไรตอนนี้?

เรื่องนี้อาจฟังเหมือนไกลตัว แต่ผลกระทบมันใกล้กว่าที่คิด

อ่านเพิ่มเรื่อง AI Agent คืออะไร? เพื่อเข้าใจพื้นฐานว่า AI ที่ทำงานเองโดยอัตโนมัติมันทำงานยังไง และอ่าน AGI จะมาถึงปี 2027 จริงไหม? เพื่อเห็นภาพว่า AI กำลังฉลาดขึ้นเร็วแค่ไหน

สรุป

ตัวเลขพูดเอง GPT-5 ทำการทดลอง 36,000 ครั้งในแล็บจริง, GNoME ค้นพบโครงสร้างผลึกใหม่ 2.2 ล้านชนิด (381,000 ชนิดเป็นวัสดุเสถียร), Robin ค้นพบการใช้งานใหม่ของยาเดิม (drug repurposing) ทุกอย่างเกิดขึ้นภายในช่วง 2-3 ปีที่ผ่านมา

เรากำลังเข้าสู่ยุคที่ความเร็วของการค้นพบทางวิทยาศาสตร์จะถูกเร่งขึ้นหลายสิบเท่า และผลกระทบจะแผ่ไปถึงทุกอุตสาหกรรม ตั้งแต่ยา อาหาร พลังงาน ไปจนถึงวัสดุก่อสร้าง

ยาที่เคยใช้เวลาพัฒนา 10 ปี อาจเหลือ 2 ปี วัสดุที่เคยต้อง trial and error (ลองผิดลองถูก) เป็นพันครั้ง AI จัดการได้ภายในวันเดียว

นี่คือยุคที่การค้นพบถูกบีบอัดเข้ามา… และมันเพิ่งเริ่มต้น