OpenAI เปิดผลงานคณิตศาสตร์ 719 ฉบับ — AI กำลังค้นพบความรู้ใหม่ หรือมนุษย์กำลังตรวจสอบไม่ทัน?
เมื่อโมเดล AI เริ่มเสนอข้อพิสูจน์ให้กับโจทย์ระดับงานวิจัย คำถามสำคัญไม่ใช่แค่ว่าเครื่องฉลาดแค่ไหน แต่คือเราจะรู้ได้อย่างไรว่าคำตอบนั้นถูกต้องและมีคุณค่าทางวิทยาศาสตร์จริง
HYBRID MIND Research Desk · ตรวจสอบแหล่งข้อมูลถึงวันที่ 11 ตุลาคม 2026 · บทความวิเคราะห์เชิงข่าว · ภาพปกเป็นภาพประกอบเชิงแนวคิด
วันที่ 6 ตุลาคม OpenAI เปิดคลังต้นฉบับคณิตศาสตร์จำนวนมากที่สร้างโดยโมเดลวิจัยภายใน บางชิ้นเสนอคำตอบต่อปัญหาที่นักคณิตศาสตร์ศึกษามายาวนาน ขณะเดียวกัน เพียงหนึ่งวันหลังเผยแพร่ก็มีการถอนและแก้ไขงานบางส่วน เหตุการณ์นี้จึงเป็นทั้งสัญญาณความก้าวหน้าของ AI และบททดสอบของกระบวนการตรวจสอบความรู้ในยุคใหม่ [1] [2]
719 ฉบับ แปลว่า AI แก้โจทย์สำเร็จ 719 ข้อแล้วหรือ?
ไม่ใช่ คลัง OpenAI Math จัดกลุ่มต้นฉบับตาม families หนึ่งกลุ่มอาจมีบทความหลัก ผลต่อยอด คำอธิบายประกอบ หรือแนวพิสูจน์อีกแบบหนึ่ง ตัวเลขจำนวนไฟล์จึงไม่ใช่หน่วยวัดเดียวกับจำนวนปัญหาที่ถูกแก้สำเร็จอย่างเป็นอิสระ [3]
รายงานข่าววันแรกใช้งานจำนวน 722 ฉบับ แต่ประวัติ Repository ระบุว่ามีการถอน 3 ฉบับเมื่อพบข้อผิดพลาด ตลอดจนแก้ไข 14 ฉบับ และปรับข้อมูลอ้างอิงในงานที่เกี่ยวข้องอีก 13 ฉบับ จึงต้องระบุวันที่ทุกครั้งเมื่อเปรียบเทียบตัวเลข [2]
OpenAI ยังให้ข้อมูลว่าใช้ทรัพยากรประมวลผลต่อผลลัพธ์เฉลี่ย เทียบเท่า การใช้ ChatGPT Pro Thinking ประมาณ 3 ชั่วโมง นี่เป็นหน่วยเปรียบเทียบ Compute ที่ผู้ประกาศรายงาน ไม่ใช่หลักฐานว่าเครื่องหนึ่งรันครบทุกกระบวนการภายในสามชั่วโมงจริง [1]
จากการแก้โจทย์ สู่การเสนอความรู้ใหม่
การแก้โจทย์คณิตศาสตร์ทั่วไปมักเริ่มจากปัญหาที่มีคำตอบหรือวิธีตรวจได้อยู่แล้ว ส่วนโจทย์วิจัยอาจยังไม่รู้ว่าจะพิสูจน์อย่างไร เมื่อ AI เสนอข้อพิสูจน์ เราจึงต้องตรวจทั้งข้อความของทฤษฎี เงื่อนไขที่ใช้ ลำดับเหตุผล และความเชื่อมโยงกับองค์ความรู้เดิม การได้ข้อความยาวที่ดูเหมือนบทความวิจัยเพียงอย่างเดียวไม่เพียงพอ
แผนภาพนี้เป็นกระบวนการอธิบายเพื่อการเรียนรู้ ไม่ใช่แผนผังสถาปัตยกรรมภายในของโมเดล OpenAI เนื่องจากบริษัทไม่ได้เปิดเผยรายละเอียดเทคนิคของโมเดลทั้งหมด
สิ่งที่ OpenAI เปิดเผย
บริษัทระบุว่าเป็นโมเดล Frontier ภายในซึ่งยังไม่ได้เปิดสู่สาธารณะ มีการเผยแพร่เอกสาร ผลลัพธ์บางส่วนใน Lean สถิติการทดสอบ และบทสรุปกระบวนการให้เหตุผลจำนวน 10 รายการ [1]
สิ่งที่ยังบอกไม่ได้
สถาปัตยกรรมที่ใช้จริง การผสมเทคนิคฝึกโมเดล และสัดส่วนงานที่มนุษย์เข้าไปเลือกหรือปรับแก้ในทุกกรณี ยังไม่มีหลักฐานสาธารณะครบพอให้ลงข้อสรุปตายตัว
Lean คืออะไร และทำไม Proof ผ่านคอมพิวเตอร์แล้วยังมีข้อถกเถียง?
Lean เป็นระบบภาษาและเครื่องมือช่วยพิสูจน์ทางคณิตศาสตร์ เมื่อข้อพิสูจน์ถูกเขียนเป็นนิพจน์เชิงตรรกะที่ระบบรองรับ ตัวตรวจสอบขนาดเล็กหรือ Kernel จะตรวจว่าขั้นตอนต่าง ๆ อนุมานตามกฎของระบบได้หรือไม่ การตรวจนี้มีคุณค่าอย่างมาก เพราะช่วยลดความเสี่ยงจากข้อผิดพลาดภายในข้อพิสูจน์เชิงรูปแบบ
แต่ยังมีอีกคำถามหนึ่ง: เราเขียนโจทย์ใน Lean ตรงกับสิ่งที่มนุษย์ต้องการพิสูจน์จริงหรือเปล่า? หากระบบพิสูจน์ข้อความ A ได้สมบูรณ์ แต่คำอธิบายภาษามนุษย์กำลังอ้างข้อความ B ที่ไม่เท่ากัน ความถูกต้องของ A ไม่ได้กลายเป็นการรับรอง B โดยอัตโนมัติ
Interactive: คลิกเลือกสถานการณ์จำลอง
ตัวอย่างเพื่ออธิบายหลักคิด ไม่ใช่การรัน Lean จริง
ตัวอย่าง A — ตั้งข้อความตรงกับสิ่งที่อยากพิสูจน์
ผู้วิจัยต้องการพิสูจน์ประพจน์ A แล้ว formalize เป็น A ตามความหมายเดิม หาก Kernel ตรวจส่วนพิสูจน์ A ผ่าน เราได้หลักฐานที่แข็งแรงสำหรับ ข้อความ A ที่ formalize ไว้ แต่ยังต้องเข้าใจขอบเขตสมมติฐานและความสำคัญของมัน
ตัวอย่าง B — Lean ผ่าน แต่โจทย์ถูกแปลผิด
ในภาษาอังกฤษผู้วิจัยอ้างว่า “ทุกกรณีเป็นจริง” แต่ข้อความในระบบกลับเขียนว่า “มีอย่างน้อยหนึ่งกรณีที่เป็นจริง” ซึ่งอ่อนกว่า แม้ Lean ตรวจข้อความหลังสำเร็จ ก็ยังไม่ได้พิสูจน์คำอ้างที่แรงกว่าในภาษามนุษย์ ปัญหานี้เรียกว่า Semantic / Specification Gap
ตัวอย่าง C — พิสูจน์ภายใต้สมมติฐานที่ไม่ตรงกับปัญหา
ข้อความในระบบอาจถูกต้อง เมื่อยอมรับสมมติฐาน H แต่ถ้าต้นฉบับไม่สามารถยืนยัน H สำหรับโจทย์จริงได้ ข้อสรุปสุดท้ายก็ยังต้องถูกตรวจสอบ การอ่านรายการ Axioms, Definitions และ Dependencies จึงสำคัญ
งานศึกษาชื่อ Navier-Stokes Lost in Translation จาก Alexander Bastounis, Fabian Circelli และ Anders C. Hansen วิเคราะห์ความไม่ตรงกันระหว่างคำอธิบายภาษามนุษย์กับ Lean ในตัวอย่างที่เกี่ยวข้องกับข้อพิสูจน์ Navier–Stokes ที่ OpenAI เสนอ งานนี้เป็นข้อทักท้วงด้านความหมายของการ formalize ไม่ใช่การพิสูจน์ว่าข้อเสนอทางคณิตศาสตร์ทุกชิ้นในคลังเป็นเท็จ [4]
ตัวอย่างผลงานจริง: จากข้อเสนอที่น่าจับตา ถึงงานที่ถูกถอน
เพื่อไม่ให้ตัวเลข 719 กลายเป็นข่าวเชิงปริมาณเพียงอย่างเดียว ลองดูตัวอย่าง 5 กรณีจากต้นฉบับและบันทึก Repository โดยทุกกรณีแยกระหว่าง “ผู้เผยแพร่อ้างว่าได้ผลอะไร” กับ “สถานะการตรวจรับจากวงการ”
CASE 01 / ALGORITHMSขอบเขตความเร็วของการคูณเมทริกซ์: 9/4
ต้นฉบับ An Upper Bound of 9/4 for the Matrix Multiplication Exponent เสนอว่าเลขชี้กำลังของการคูณเมทริกซ์เหนือจำนวนเชิงซ้อนมีขอบเขตบนไม่เกิน 9/4 นี่เป็นข้ออ้างเชิงทฤษฎีที่อาจสำคัญต่อความซับซ้อนเชิงคำนวณ แต่ไม่เท่ากับการมีอัลกอริทึมใหม่ที่เร็วที่สุดในเครื่องจริงทันที
สถานะ: มีต้นฉบับและรายการใน Formalization Catalog ของ Repository; ยังไม่ควรสรุปว่าได้รับการรับรองโดย Peer Review อิสระจากหลักฐานเพียงเท่านี้ อ่านต้นฉบับ · ดูรายการ Lean
CASE 02 / GEOMETRIC COMBINATORICSการจำแนกรูปแบบ Euclidean Ramsey
คลังเผยแพร่ต้นฉบับเรื่อง A classification of finite Euclidean Ramsey configurations ว่าด้วยการจัดประเภทชุดจุดที่เกิดรูปแบบสีเดียวในการระบายสีพื้นที่ Euclidean มิติสูง งานถูกระบุในรายการ Formalization ด้วย แต่ความสำคัญและความใหม่ในประวัติศาสตร์คณิตศาสตร์ยังต้องให้ผู้เชี่ยวชาญสาขาตรวจอย่างเป็นอิสระ
CASE 03 / RAMSEY THEORYข้อเสนอเรื่อง Hypercube Ramsey Number
ในสารบัญผลงาน OpenAI ระบุข้อเสนอว่าจำนวน Ramsey ของ Hypercube มีอันดับเติบโตเท่ากับจำนวนจุดของมันในเชิง asymptotic ซึ่งหากได้รับการยืนยันจะมีความสำคัญต่อทฤษฎี Ramsey
สถานะ: เป็นข้อกล่าวอ้างในคลังต้นฉบับ ยังไม่ยืนยันสถานะการตรวจสอบอิสระเฉพาะชิ้นในบทความนี้ เอกสารต้นฉบับ
CASE 04 / WITHDRAWN RESULTWeil Classes: การถอนงานหลังพบข้อผิดพลาดเรื่องเครื่องหมาย
OpenAI ถอนต้นฉบับ Algebraicity of Weil classes on split abelian eightfolds หลังพบความผิดพลาดของเครื่องหมายในเหตุผลสำคัญ ส่งผลกระทบต่อข้อพิสูจน์ที่อาศัยผลดังกล่าวอีกสองชิ้น ได้แก่ Kuga–Satake และ rational Hodge for products of K3 surfaces
ความหมายสำคัญ: งานที่ถอนพิสูจน์ไม่สำเร็จตามวิธีเดิม แต่การถอนข้อพิสูจน์ไม่ใช่ข้อยืนยันว่าทฤษฎีที่ต้องการพิสูจน์เป็นเท็จ อ่าน Withdrawal Notice
CASE 05 / REVISED RESULTSกลุ่ม Lipschitz Heights และ Ashkin–Teller
บันทึกวันที่ 7 ตุลาคมระบุว่ามีการซ่อมเหตุผลในต้นฉบับ 4 ชิ้นภายในกลุ่มงานนี้ ครอบคลุม crossing, boundary attachment, conditioning และ convergence การแก้ไขเหล่านี้ชี้ว่าการเผยแพร่งาน AI ยังต้องมีกระบวนการตรวจพบ แก้ไข และติดตามเวอร์ชันเช่นเดียวกับงานวิจัยของมนุษย์
สถานะ: ได้รับการแก้ไขตามประวัติ Repository แต่บทความนี้ไม่ได้รับรองความถูกต้องของฉบับแก้ อ่าน Revision History
หมายเหตุ: กรณีศึกษานี้เป็นตัวอย่างเพื่อสำรวจความหลากหลายของสถานะหลักฐาน มิใช่การสุ่มตัวอย่างทางสถิติเพื่อประมาณอัตราความถูกต้องของต้นฉบับทั้งคลัง
OpenAI กับนักคณิตศาสตร์ ไม่ได้โต้เถียงกันแค่ว่า AI เก่งหรือไม่เก่ง
ความขัดแย้งที่สำคัญกว่าคะแนนความสามารถคือมาตรฐานการเผยแพร่องค์ความรู้ Advisory Group on Mathematics and Artificial Intelligence (AGMAI) ซึ่งเป็นกลุ่มอิสระที่ OpenAI ขอคำปรึกษา ย้ำว่าบทบาทการให้คำแนะนำไม่ใช่การรับรองผลงานทั้งหมด และการเผยแพร่เป็นจุดเริ่มต้นของกระบวนการทำความเข้าใจ ไม่ใช่จุดสิ้นสุด [5]
มุมมองความก้าวหน้า
AI อาจขยายขอบเขตโจทย์วิจัยที่สามารถเสนอแนวพิสูจน์ได้เร็วขึ้น เปิดโอกาสให้เกิดแนวคิดใหม่ และช่วยนักวิจัยตรวจสิ่งที่เคยทำได้ช้า อย่างไรก็ดี จำเป็นต้องดูคุณภาพของผลงานรายชิ้น ไม่ใช่จำนวนต้นฉบับรวมอย่างเดียว
มุมมองความรับผิดชอบ
AGMAI เรียกร้องข้อมูลที่ตรวจสอบได้เกี่ยวกับโมเดล Prompts เวลาและต้นทุนการประมวลผล สถิติของโจทย์ที่ทำไม่สำเร็จ ตลอดจนการสนับสนุนผู้เชี่ยวชาญที่จะเข้ามาทำความเข้าใจผลงาน และไม่สนับสนุนการใช้โจทย์วิจัยระดับสูงทดสอบบนโมเดลปิดเป็นแนวปฏิบัติปกติ [6]
รายงานของ Axios เน้นศักยภาพของ AI ที่ขยายจากการเขียนโปรแกรมไปสู่การวิจัยคณิตศาสตร์ ขณะที่ TechCrunch เจาะจงมาตรฐานการตรวจสอบ ความเข้าใจของมนุษย์ และช่องว่างการแปลจากภาษาธรรมชาติเป็น Lean การอ่านทั้งสองมุมพร้อมเอกสารต้นทางช่วยลดความเสี่ยงจากการสรุปข่าวตามพาดหัวเพียงฝ่ายเดียว [7] [8]
ความเร็วในการสร้างข้อพิสูจน์อาจเพิ่มขึ้นอย่างมหาศาล แต่ความเข้าใจ ความใหม่ และความน่าเชื่อถือยังต้องอาศัยการตรวจสอบที่รับผิดชอบได้
กรอบ 5 ระดับสำหรับอ่านงาน AI Research
กรอบ 5 ขั้นนี้เป็นเครื่องมืออธิบายที่ Hybrid Mind เสนอขึ้นสำหรับผู้อ่าน ไม่ใช่ระบบคะแนนอย่างเป็นทางการของ AGMAI และไม่ใช่การจัดระดับงานทั้ง 719 ฉบับโดยอัตโนมัติ
OpenAI เทียบกับ AlphaProof และ Gemini Deep Think: เก่งกันคนละโจทย์
ก่อนหน้านี้ AI แสดงศักยภาพทางคณิตศาสตร์ในการแข่งขัน International Mathematical Olympiad (IMO) แต่การทำโจทย์แข่งขันกับการเสนอข้อพิสูจน์ต่อปัญหาวิจัยใหม่ไม่ใช่ชุดทดสอบเดียวกัน จึงห้ามนำจำนวนโจทย์หรือคะแนนมาจัดอันดับความสามารถโดยตรง
โจทย์ IMO 2024 ระดับเหรียญเงิน (28/42 คะแนน) โดยใช้ระบบ formal reasoning รวมกับระบบแก้เรขาคณิต และมีผู้เชี่ยวชาญช่วยแปลโจทย์เข้ารูปแบบทางการ
โจทย์ IMO 2025 ระดับเหรียญทอง (35/42 คะแนน) ใช้เหตุผลด้วยภาษาธรรมชาติแบบ End-to-end และมีผู้ตรวจระดับการแข่งขันประเมินคำตอบ
กลุ่มผลงานวิจัยใน 719 ต้นฉบับ ครอบคลุมปัญหาเปิดและงานวิจัยจำนวนมาก แต่มีสถานะ Formalization และการตรวจรับอิสระไม่เท่ากันทุกชิ้น
หากต้องการเปรียบเทียบประสิทธิภาพเชิงปริมาณจริง ต้องใช้ชุดโจทย์เดียวกัน นิยามความสำเร็จเดียวกัน เครื่องมือและ Compute ที่ระบุได้ และผู้ประเมินที่เป็นอิสระ
อนาคตของ AI Scientist ขึ้นอยู่กับคุณภาพระบบตรวจสอบ ไม่ใช่จำนวนกระดาษที่ผลิตได้
ถ้าโมเดลสามารถเสนอข้อพิสูจน์ได้เร็วขึ้นจริง วงการวิทยาศาสตร์จะต้องพัฒนาทั้งเครื่องมือตรวจความถูกต้อง การเปรียบเทียบกับองค์ความรู้เดิม การทำซ้ำผล และวิธีสนับสนุนให้นักวิจัยเข้าใจงานเหล่านั้น ความได้เปรียบด้านการประมวลผลอาจทำให้สถาบันที่เข้าถึงโมเดลราคาแพงมีโอกาสต่างจากผู้อื่น ซึ่งเป็นอีกประเด็นที่ AGMAI หยิบขึ้นมา
โอกาสที่เห็นได้
การช่วยค้นหาแนวพิสูจน์ การ formalize ผลงาน การค้นหาข้อผิดพลาด การสร้างเส้นทางตรวจสอบและประวัติการแก้ไขที่ตรวจย้อนหลังได้ รวมถึงการช่วยให้นักวิทยาศาสตร์มีเครื่องมือสำรวจสมมติฐานที่หลากหลายกว่าเดิม
ข้อจำกัดที่ยังอยู่
ความใหม่ของข้อค้นพบเทียบกับงานเดิม ความหมายตรงกับข้ออ้างหรือไม่ ความถูกต้องของสมมติฐาน ต้นทุนในการตรวจงานปริมาณมหาศาล และคำถามว่าใครรับผิดชอบเมื่อ AI เสนอข้อพิสูจน์ที่ผิด
ข้อสรุปของ Hybrid Mind: เหตุการณ์ครั้งนี้เป็นความก้าวหน้าที่น่าจับตา แต่ยังไม่มีหลักฐานเพียงพอให้สรุปว่ามนุษย์หมดบทบาทในการวิจัย หรือผลงานทุกชิ้นกลายเป็นความรู้ทางคณิตศาสตร์ที่ได้รับการยอมรับแล้ว มาตรฐานที่เหมาะสมคือการให้เครดิตทั้งความสามารถของ AI และความจำเป็นของการตรวจสอบอิสระอย่างเท่าเทียมกัน
คำถามที่คนอ่านอยากรู้
OpenAI พิสูจน์โจทย์คณิตศาสตร์ 719 ข้อสำเร็จแล้วใช่ไหม?
ยังสรุปไม่ได้ 719 คือจำนวนต้นฉบับที่จัดอยู่ใน 372 Families และผลงานมีสถานะการตรวจสอบต่างกัน
Lean คืออะไร?
Lean คือภาษาและระบบตรวจสอบข้อพิสูจน์เชิงตรรกะที่เขียนเป็นทางการ ช่วยตรวจความสอดคล้องของการอนุมานภายในระบบ
Lean ผ่านแล้วหมายความว่าพิสูจน์จริงหรือ?
หมายถึงรูปแบบพิสูจน์ที่ระบบได้รับผ่านตามเงื่อนไขของมัน แต่ต้องตรวจว่าข้อความที่เขียนตรงกับทฤษฎีที่ต้องการพิสูจน์และใช้สมมติฐานที่เหมาะสมด้วย
ทำไมมีต้นฉบับที่ถูกถอน?
บันทึกของ OpenAI ระบุข้อผิดพลาดเรื่องเครื่องหมายในข้อพิสูจน์ Weil classes ซึ่งส่งผลต่อผลงานที่อาศัยมันอีกสองชิ้น
นักคณิตศาสตร์รับรองผลงานทั้งหมดแล้วหรือยัง?
ยังไม่ควรกล่าวเช่นนั้น AGMAI ระบุชัดว่าตนไม่ได้รับรองผลลัพธ์ทั้งหมด การประเมินต้องดำเนินต่อในชุมชนคณิตศาสตร์
OpenAI เปิดเผยตัวโมเดลที่ใช้แล้วหรือไม่?
OpenAI ระบุว่าเป็นโมเดล Frontier ภายใน และกำลังพิจารณาวิธีเปิดให้ใช้โดยรับผิดชอบ ไม่ได้เปิดเผยทุกองค์ประกอบของโมเดล
ทำไมบางข่าวรายงาน 722 แต่บางแหล่งรายงาน 719?
รายงานวันแรกนับ 722 ต้นฉบับ ก่อนที่รายการหลังการถอน 3 ชิ้นจะเหลือ 719
บทความ Navier–Stokes Lost in Translation พิสูจน์ว่า AI ผิดทั้งหมดหรือไม่?
ไม่ใช่ งานนี้ชี้ปัญหาความตรงกันทางความหมายระหว่างภาษามนุษย์กับ Lean ในกรณีศึกษาที่วิเคราะห์ จึงไม่ใช่คำตัดสินรวบยอดต่อคลังทั้งหมด
AI กำลังจะมาแทนนักคณิตศาสตร์หรือเปล่า?
ยังไม่มีหลักฐานเพียงพอสำหรับข้อสรุปนั้น การตั้งโจทย์ ตรวจสอบ นำเสนอต่อชุมชน และเข้าใจคุณค่าของผลงานยังเป็นส่วนสำคัญของงานวิจัย
ผู้อ่านตรวจสอบข้อมูลด้วยตัวเองได้ที่ไหน?
เริ่มจากประกาศ OpenAI, README และ history ใน GitHub, คำแถลง AGMAI และงาน arXiv ที่ลิงก์ไว้ด้านล่าง
ตารางตรวจข้อกล่าวอ้าง: อะไรมีหลักฐาน อะไรยังต้องรอการยืนยัน
การรายงานข่าววิทยาศาสตร์ควรแยก “มีเอกสารต้นฉบับยืนยันว่าบริษัทกล่าวเช่นนั้น” ออกจาก “มีผู้ตรวจสอบอิสระรับรองว่าข้ออ้างทางวิทยาศาสตร์เป็นจริงแล้ว” ตารางนี้ระบุสถานะตามหลักฐานที่เข้าถึงได้ภายในวันที่ 11 ตุลาคม 2026
หลักฐานและแหล่งอ้างอิง
- OpenAI — Sharing AI progress in mathematics (6 ต.ค. 2026)
- OpenAI Math — Repository History (รายการถอน/แก้ไข 7 ต.ค. 2026)
- OpenAI Math — README & Catalog (719 manuscripts, 372 families)
- Bastounis, Circelli & Hansen — Navier–Stokes Lost in Translation (arXiv preprint, 2026)
- AGMAI — Statement on OpenAI’s Release of Mathematical Results (6 ต.ค. 2026)
- AGMAI — Responsible Release of AI-Generated Mathematics (29 ก.ย. 2026)
- Axios — OpenAI’s math breakthrough points beyond math (8 ต.ค. 2026)
- TechCrunch — OpenAI’s math solutions aren’t meeting the field’s standards yet (8 ต.ค. 2026)
- OpenAI Math — Lean Formalization Catalog
- Google DeepMind — AlphaProof & AlphaGeometry 2 at IMO 2024 (25 ก.ค. 2024)
- Google DeepMind — Gemini Deep Think at IMO 2025 (21 ก.ค. 2025)
- Google DeepMind — Aletheia Mathematical Research Agent (11 ก.พ. 2026)
Editorial methodology: แยกข้อมูลที่ผู้ผลิตโมเดลอ้างกับข้อมูลที่ผู้เชี่ยวชาญตรวจสอบโดยอิสระ ไม่ใช้จำนวนต้นฉบับเป็นสถิติความถูกต้อง และบันทึกความเปลี่ยนแปลงตามวันเวลาที่ตรวจ แหล่งอ้างอิงอาจได้รับการปรับปรุงหลังวันเผยแพร่บทความ
ใส่ความเห็น