AI News · 2026-07-12

Mistral เปิด Robostral Navigate โมเดล vision-language-action สำหรับหุ่นยนต์นำทาง 8B พารามิเตอร์ · จุดเด่น: นำทางด้วย กล้อง RGB ตัวเดียว ไม่ต้องใช้ LiDAR/depth sensor · รับคำสั่งภาษาธรรมชาติทำงานหลายสเต็ป · ใช้ "pointing-based navigation" (ทำนายพิกัดเป้าหมายในภาพ แทนระยะ metric) · ทำงานข้ามชนิดหุ่น (ล้อ/ขา/บิน) · เทรนบน ~400,000 simulated trajectory / 6,000 scene + online RL (CISPO) · Mistral เคลม SOTA บน R2R-CE: success rate 79.4% (val seen) / 76.6% (val unseen) นำ single-camera เดิม 9.7 จุด · เลข benchmark ทั้งหมดเป็นค่า Mistral รายงานเอง lab อิสระยังไม่ยืนยัน

▲ ทำไมต้องรู้ · ข่าวนี้ต่อเนื่องจากกระแส embodied AI/หุ่นยนต์ที่ร้อนมาสักพัก และเป็นสัญญาณว่าค่ายใหญ่ในยุโรปเริ่มลงสนามหุ่นยนต์นำทาง ไม่ใช่แค่ทำ LLM แชทอย่างเดียว ข้อควรระวังคือตัวเลข benchmark ที่ Mistral เคลมเป็นค่าที่บริษัทรายงานเอง ยังไม่มีแล็บอิสระยืนยัน จึงควรแยกคำเคลมของผู้ผลิตออกจากผลทดสอบอิสระเสมอเวลาอ่านข่าวโมเดลใหม่ (คู่กับ grok-4-5, tencent-hunyuan-hy3) ภาพรวมคือ AI ลงถึงชั้น physical navigation แล้ว แต่ยังเป็นงานวิจัย/เดโม ไม่ใช่ของใช้งานจริงในอุตสาหกรรมวันนี้

Mistral · HN 487 pts

ขยับจาก 2.1.206 · ของใหม่: auto mode พร้อมใช้บน Bedrock, Vertex, Foundry โดยไม่ต้อง opt-in · แก้ terminal ค้างตอน stream เนื้อหายาว · แก้ prompt-injection warning ที่เตือนผิด (spurious) · แก้ auto-updater ที่ชนกับ custom launcher script · แก้ปัญหา session management จิปาถะ

▲ ทำไมต้องรู้ · อัปเดตนี้ทำให้ auto mode ใช้ได้ครบบน cloud provider หลักอย่าง Bedrock, Vertex และ Foundry โดยไม่ต้อง opt-in เพิ่ม ซึ่งมีผลตรงกับองค์กรที่รัน Claude Code ผ่านคลาวด์เหล่านี้อยู่แล้ว ที่น่าสังเกตคือ Claude Code เริ่มมีระบบเตือน prompt-injection ในตัว (เวอร์ชันนี้แก้จุดที่มันเตือนผิดพลาด) ซึ่งสอดคล้องกับกระแสเรื่องความปลอดภัยของ AI agent ที่กำลังเป็นประเด็นอยู่ตอนนี้

CHANGELOG

โปรเจกต์ open-source (JustVugg/colibri) เป็น engine ภาษา C ล้วน ไม่มี dependency · รัน GLM-5.2 (MoE 744B total) บนเครื่องผู้บริโภคด้วยเทคนิค expert streaming: dense part (~17B, int4 ~9.9GB) อยู่ใน RAM · routed experts (~370GB) อยู่บนดิสก์ โหลด on-demand เข้า LRU cache (โมเดล activate แค่ ~40B/token, เปลี่ยนจริงแค่ ~11GB) · พ่วง speculative decoding + KV-cache บีบ 57x · แลกด้วยความเร็ว: ~0.05-0.1 tok/s (cold) ถึง ~0.4 tok/s บนเครื่องดี

▲ ทำไมต้องรู้ · ต่อ thread local/sovereign AI (คู่กับ AMD Ryzen AI Halo 07-07, llama.cpp 1M) · เคสสอน MoE ชั้นดี: อธิบายว่าทำไมโมเดล 744B รันบน RAM 25GB ได้ (เพราะ activate แค่เศษเสี้ยว/token) · แต่ต้องเตือนตัวเลขจริง: ~0.1 tok/s = ช้ามากใช้งานจริงไม่ไหว · data point ว่า "รันโมเดลยักษ์ที่บ้าน" ทำได้เชิงเทคนิค แต่ throughput ยังเป็นกำแพง

GitHub · HN 890 pts

Noma Labs พบช่องโหว่ prompt injection ใน GitHub Agentic Workflows (AI agent สถานะ preview) · ผู้โจมตีไม่ต้องมี credential แค่เปิด GitHub Issue ใน public repo ที่ซ่อนคำสั่งภาษาอังกฤษ · agent มอง issue body เป็น "คำสั่ง" แทน "ข้อมูล" แล้วถูกจูงให้ดึงไฟล์จาก private repo ในองค์กรมาโพสต์เป็น public comment · การเปลี่ยนคำเดียว (ขึ้นต้น "Additionally") ทำให้โมเดลตีความเป็นงานต่อเนื่องแล้ว reframe แทนที่จะ refuse · เงื่อนไข: agent ต้องถูกให้สิทธิ์เข้า private repo อยู่แล้ว (over-permissioned) · สถานะ ณ ~9 ก.ค.: ยังไม่มี patch/CVE, GitHub ยังไม่ตอบสื่อ · ผู้วิจัยว่าเป็นปัญหาเชิงโครงสร้าง ไม่ใช่บั๊กที่ patch เดียวจบ

▲ ทำไมต้องรู้ · เป็นเคสรูปธรรมของ prompt injection ผสม data exfiltration ที่เกิดกับเครื่องมือจริงที่คนใช้งานอยู่ ตอบคำถามที่หลายองค์กรกำลังเจอว่าปล่อยให้ AI agent ทำงานอัตโนมัติในองค์กรเสี่ยงอะไรบ้าง หลักที่ย้ำได้จากเคสนี้มีสามข้อ หนึ่งคือ least privilege เพราะการให้สิทธิ์เกินจำเป็นขยายความเสียหายเมื่อถูกเจาะ สองคือ input จากภายนอกทุกชนิดต้องถือเป็นช่องโจมตีได้เสมอ และสามคือการหวังว่าโมเดลจะปฏิเสธคำสั่งอันตรายเองไม่ใช่มาตรการความปลอดภัยที่เชื่อถือได้ (คู่กับ automationbench-aa, singapore-safr-ai-agents, gitlost-github-agent-injection)

Noma · The Register · HN 538 pts

benchmark ใหม่ (arXiv 10 ก.ค.) วัด "proactive agent" ในสภาพจริง: 400 task สองภาษา (อังกฤษ/จีน) รันใน live Docker container (ซอฟต์แวร์/browser/filesystem จริง) ตรวจแบบ step-by-step checkpoint ไม่ใช่คำตอบสำเร็จรูป · วัด 5 มิติ: skill usage, exploration, long-context reasoning, multimodal, cross-platform coordination · ผล: โมเดลนำ (Claude Opus-4.8, GPT-5.4) pass rate < 50% · เก่งสุดที่ skill usage/exploration · แต่ long-context/multimodal/cross-platform ยากกว่ามาก · framework/harness มีผลชัด: OpenClaw ชนะ EDICT/Nanobot สม่ำเสมอ

▲ ทำไมต้องรู้ · เป็นตัวเลขอิสระอีกชุดที่ตอกย้ำแนวโน้มเดือนนี้ (คู่กับ automationbench-aa) ปล่อยให้ agent ทำงานจริงข้ามระบบยังพลาดเกินครึ่ง ดังนั้นการมีคนตรวจสอบร่วม (human-in-the-loop) ยังจำเป็นอยู่ ที่น่าสนใจคือ harness หรือโครงสร้างที่ครอบตัวโมเดลมีผลต่อผลลัพธ์มากกว่าที่คิด เพราะ OpenClaw ทำผลงานดีกว่า EDICT และ Nanobot อย่างสม่ำเสมอแม้ใช้โมเดลตัวเดียวกัน ซึ่งแปลว่าการเลือกเครื่องมือรอบตัวโมเดลสำคัญพอกับการเลือกโมเดลเอง

arXiv 2607.08768

Eric Lu ทดลองทำ Ghost Font: ไม่ใช่ไฟล์ฟอนต์ TTF แต่เป็นวิธีสื่อสารข้อความด้วย motion/video ที่ต้าน AI · ตัวอักษรเป็นจุดที่ขยับเป็น pattern ตาคนจับได้แต่เฟรมนิ่งเฟรมเดียวอ่านไม่ออก (จุดกลืนกับ noise) · แต่ละคลิปแฝง decoy message หลอก AI · อ้างแรงบันดาลใจจาก ZXX font (Sang Mun, 2013) ที่ตอนนี้ AI แกะได้แล้ว · เสนอใช้เป็น CAPTCHA + benchmark วัดพัฒนาการ AI visual perception

▲ ทำไมต้องรู้ · ต่อเนื่องจากประเด็น AI กับความน่าเชื่อถือของเนื้อหาที่ร้อนอยู่ช่วงนี้ (คู่กับข่าว Pangram AI content 07-10, AI fake news 07-03) เรื่องนี้น่าสนใจสองมุม มุมแรกคือความพยายามป้องกันเนื้อหาจาก AI scraping กำลังเป็นสนามใหม่ แม้จะเป็นเกมแมวไล่จับหนู เพราะ ZXX font ที่เคยทำแบบเดียวกันเมื่อปี 2013 ตอนนี้ AI แกะออกหมดแล้ว มุมที่สองคือมันทำหน้าที่เป็นตัววัดว่า AI มองเห็นภาพเก่งแค่ไหนไปในตัว บทเรียนสำคัญคือวิธีต้าน AI แบบนี้ใช้ได้ชั่วคราวเท่านั้น โมเดลรุ่นใหม่มักตามทันในที่สุด จึงไม่ใช่ทางแก้ถาวร

Ghost Font · HN 190 pts

บทวิเคราะห์ io-fund (ต้นฉบับ 12 มิ.ย. · เพิ่ง trend HN 11 ก.ค.) ชี้ Nvidia มีบทบาทซ้อน 3 ชั้นกับ neocloud (CoreWeave/Nebius): นักลงทุน + ซัพพลายเออร์ + ผู้ค้ำดีมานด์ · Nvidia ลงทุน ~$2B ต่อบริษัท (บวก stake เดิม) · neocloud เอาเงินไปซื้อ GPU จาก Nvidia "หลายหมื่นล้าน" · Nvidia ยังค้ำ CoreWeave $6.3B รับซื้อ capacity ที่ขายไม่ออกถึงปี 2032 · CoreWeave capex สูงกว่า operating cash flow ~2.5:1 ($7.7B vs $2.98B ไตรมาสล่าสุด) พึ่งหนี้ + Nvidia หนัก

▲ ทำไมต้องรู้ · เป็นมุมมองที่ตั้งคำถามกับความยั่งยืนของบูม GPU ไม่ใช่แค่ว่าตลาดกำลังโตแค่ไหน แต่เงินลงทุนใน infra AI ตอนนี้อาจถูกนับดีมานด์วนอยู่ในวงเดียวกันเอง เพราะ Nvidia ลงทุนใน neocloud แล้ว neocloud ก็เอาเงินนั้นไปซื้อ GPU คืนจาก Nvidia ซึ่งถูกนับเป็นดีมานด์ของ Nvidia อีกที (คู่กับข่าวฝั่ง supply เช่น SK Hynix IPO 07-11, Samsung Q2, Anthropic Kentucky DC 07-07) ข้อควรระวังคือบทวิเคราะห์นี้ต้นฉบับเผยแพร่ตั้งแต่กลางเดือนมิถุนายนแล้วเพิ่งมา trend ใหม่ ตัวเลขอาจขยับไปแล้ว จึงควรอ่านเป็นกรอบคำถามมากกว่าตัวเลขล่าสุด

io-fund · HN 130 pts

CEO SK Hynix คาด ปี 2027 จะเป็นปีที่ memory chip ขาดแคลนหนักที่สุด และภาวะตึงตัวจะลากยาวถึง 2030 แม้ขยายกำลังผลิต · ต่อจากข่าว SK Hynix ทำ IPO สหรัฐ $26.5B (07-11) แรงดีมานด์ HBM สาย AI

▲ ทำไมต้องรู้ · ต่อ thread ต้นทุน/supply AI · มิติที่ผู้บริหารต้องวางแผน: ไม่ใช่แค่ราคา GPU แต่ memory (HBM/DRAM) จะขาดและแพงยาวถึงปลายทศวรรษ · กระทบต้นทุน inference/serving ทั้งห่วงโซ่ · ใช้เตือนลูกค้าที่วางแผน on-prem/private cluster ว่า hardware planning ต้องเผื่อ supply constraint ไม่ใช่แค่งบ

Blognone

Meta ระงับฟีเจอร์ที่ให้ผู้ใช้ generate ภาพ AI โดยอิงโพสต์สาธารณะบน Instagram หลังเจอกระแสต้านจากศิลปิน/ครีเอเตอร์เรื่องสิทธิ์เนื้อหา

▲ ทำไมต้องรู้ · เป็นตัวอย่างว่าแรงต้านจากผู้สร้างสรรค์ผลงานมีผลจริงต่อการตัดสินใจของบริษัทเทคโนโลยีรายใหญ่ ประเด็นว่า AI เอางานของคนอื่นไปเทรนหรือ generate ต่อได้แค่ไหนยังเป็นจุดที่ถกเถียงกันอยู่ในวงการเนื้อหาและการตลาด และเมื่อดูคู่กับข่าวที่เนื้อหาที่ AI สร้างกำลังท่วมฟีดโซเชียล (07-10) จะเห็นสองด้านของเหรียญเดียวกัน คือฝั่งที่ผลิตเนื้อหา AI ล้นตลาด กับฝั่งเจ้าของงานต้นฉบับที่กำลังต่อต้าน

Blognone

บริการ Slopfix (3 วิศวกร 1 สัปดาห์ $10k · ปรับตามผลจริง) รับ refactor codebase ที่ AI generate จนบวม · thesis: โค้ด AI ทำงานตอนแรกแต่ maintain ไม่ขึ้นเมื่อโตขึ้น เพราะ "agent มองภาพรวมไม่ออก เริ่ม duplicate โค้ดแทนที่จะหาของเดิม" · ตัวอย่าง: ลด 100,000 บรรทัด เหลือ 35,000 ฟังก์ชันเท่าเดิม · คิดเงินตามผล (ลดได้จริงกี่ %)

▲ ทำไมต้องรู้ · ต่อ thread "AI confidence theater + lines-of-code = liability" (คู่กับ Garry Tan 37k บรรทัด/วัน 07-08, Bun-in-Rust $165k 07-10) · เคสสอนผู้บริหารตรงๆ: วัด productivity ด้วยปริมาณโค้ด = ผิด โค้ดยิ่งเยอะยิ่งเป็นหนี้เทคนิค · เกิดตลาดใหม่ "รับลบ AI slop" = สัญญาณว่า AI-generated code ที่ไม่มี architecture review กำลังสร้างปัญหาจริงในองค์กร

odra.dev/slopfix · HN 302 pts

บทความ geohot (11 ก.ค.) แย้งชุมชน AI singularity ว่าประเมินพลัง AI เกินจริง · argument หลัก: ไม่มี hard takeoff (recursive self-improvement ติดกำแพงโลกกายภาพ) · supply chain/การผลิต/ฟิสิกส์เป็นข้อจำกัดที่ compute เร่งไม่ได้ · เสนอ 2 อนาคต: Plan A (รัฐใช้ AI regulation คุม/สอดส่อง) vs Plan L (personal AI รันเองที่เครื่อง align กับเจ้าของ) · วิจารณ์ทั้ง narrative utopia และ dystopia ว่าหลุดจากความจริงวิศวกรรมพอกัน

▲ ทำไมต้องรู้ · เป็นมุมมองที่คานกระแส "AI จะเปลี่ยนโลกภายในไม่กี่ปี" ด้วยข้อจำกัดทางกายภาพและห่วงโซ่อุปทานที่ compute เร่งไม่ได้ เหมาะเป็นข้อมูลสำหรับใครที่กำลังตื่นตระหนกหรือตื่นเต้นเกินจริงกับกระแส AI hype เพราะสะท้อนว่ามีฝั่งวิศวกรที่มองว่า AI ทรงพลังจริงแต่ไม่ใช่เวทมนตร์ และควรระวังการวางแผนธุรกิจบนสมมติฐานว่า AI จะ takeoff แบบก้าวกระโดด (จับคู่กับประเด็น cost/ROI อย่าง Tunguz break-even 2029 จากข่าว 07-07) ทั้งนี้เนื้อหาเป็นความเห็นส่วนบุคคล ไม่ใช่ข้อเท็จจริงที่ตรวจสอบยืนยันได้

geohot · HN 172 pts