AI News · 2026-07-23

ผู้พิพากษา Araceli Martínez-Olguín (N.D. Cal.) อนุมัติขั้นสุดท้ายข้อตกลง class-action $1.5 พันล้าน · จ่ายนักเขียน อย่างน้อย ~$3,000 ต่อผลงาน · ครอบคลุม 482,460 ผลงาน เคลมแล้ว 91.3% (สูงผิดปกติเทียบ class-action ทั่วไป ~10%) · ศาลหั่นค่าทนายเหลือ $101,561,111 (จากขอ $187.5M) · ทนายโจทก์ Justin Nelson เรียกว่า "the largest known copyright recovery in history" · จุดที่ต้องเข้าใจให้ถูก: คำวินิจฉัยชั้นต้นของ Alsup (มิ.ย. 2025) ชี้ การเทรนบนหนังสือ = fair use แต่ การได้มา/จัดเก็บหนังสือเถื่อน ~7 ล้านเล่ม (LibGen/PiLiMi) ไม่ใช่ fair use → settle ก่อนขึ้นศาล damages ธ.ค. 2025 · Anthropic ไม่ยอมรับผิด · ต้องทำลายไฟล์เถื่อนใน 30 วัน · นักเขียน ~350 คน opt out · ไม่สร้าง binding precedent

▲ ทำไมต้องรู้ · คดีนี้ให้คำตอบเชิงรูปธรรมจุดแรกกับคำถามที่หลายองค์กรสงสัยว่าใช้ AI แล้วเสี่ยงผิดลิขสิทธิ์หรือไม่ แก่นสำคัญคือความเสี่ยงไม่ได้อยู่ที่โมเดลเรียนรู้จากงานคนอื่น แต่อยู่ที่แหล่งที่มาของข้อมูลฝึกถูกกฎหมายหรือไม่ ข้อควรระวังคือผลนี้ไม่ใช่บรรทัดฐานตายตัว เพราะคดีลักษณะเดียวกันกับ OpenAI Meta Midjourney และ Google ยังไม่จบ อาจตัดสินไปคนละทางได้ (anthropic-books-settlement-2026)

Engadget · ABC/AP · Authors Guild (91.3%) · Susman Godfrey (primary)

Nikkei รายงานว่า off-balance-sheet debt ของยักษ์เทคสหรัฐ (ระบุชื่อ Meta, Oracle) โตราว 8 เท่าใน ~4 ปี เป็นประมาณ $1.65 ล้านล้าน ตามการลงทุน AI ที่บวม · หนี้ประเภทนี้มาจาก สัญญาเช่า data center + สัญญาซื้อ GPU ที่ไม่ถูกบันทึกเป็นหนี้ตรงๆ บนงบ · ตัวอย่าง: หนี้นอกงบของ Meta ~$420B "เกือบ 3 เท่าของหนี้ที่โปร่งใส" · แก่นความกังวล: หนี้ที่ซ่อนอยู่มากกว่าหนี้จริง ทำให้นักลงทุนประเมินความเสี่ยงได้ยาก

▲ ทำไมต้องรู้ · ตัวเลขนี้ชี้ให้เห็นว่าการลงทุน AI ของบริษัทเทคยักษ์ใหญ่ไม่ได้จ่ายด้วยเงินสดล้วนๆ แต่ผ่านภาระผูกพันระยะยาวอย่างสัญญาเช่าและสัญญาซื้อที่ไม่ปรากฏเป็นหนี้ตรงๆ บนงบการเงิน ทำให้ประเมินความเสี่ยงที่แท้จริงได้ยากขึ้น ข้อควรระวังคือเลข 1.65 ล้านล้านดอลลาร์เป็นการประเมินเชิงวิเคราะห์ของ Nikkei ไม่ใช่ตัวเลขทางการจากงบการเงิน จึงควรอ่านเป็นสัญญาณเชิงโครงสร้างมากกว่าหนี้ที่ประกาศแล้วจริง

Nikkei Asia

Poolside (Jason Warner) ปล่อย Laguna S 2.1: MoE 118B รวม / 8B active · context ถึง 1M · เน้น agentic coding/long-horizon · weights บน Hugging Face ใต้ license OpenMDW-1.1 · เคลมทำได้เทียบเท่า/ชนะโมเดลที่ใหญ่กว่าหลายเท่า (DeepSeek-V4-Flash, Nemotron 3 Ultra, Inkling) บน Terminal-Bench 2.1 (70.2% thinking) · SWE-Bench Multilingual (78.5%) · เล็กพอรันบน NVIDIA DGX Spark ตัวเดียว · เทรนเสร็จใน <9 สัปดาห์ (pretrain 22 พ.ค. บน 4,096 H200)

▲ ทำไมต้องรู้ · คำกล่าวอ้างว่าเป็นโอเพนซอร์สที่เก่งที่สุดฝั่งตะวันตกยังเป็นตัวเลขที่ผู้พัฒนารายงานเอง ยังไม่มีการวัดผลอิสระมายืนยัน จุดที่น่าสนใจจริงคือโมเดลขนาดเล็กที่รันบนฮาร์ดแวร์เครื่องเดียวได้ ตอบโจทย์องค์กรที่ต้องการใช้ coding agent โดยไม่ให้ข้อมูลหลุดออกนอกเครื่อง (inkling-thinking-machines)

Poolside blog · VentureBeat · MarkTechPost

Google ประกาศ Gemini 3.6 Flash ขึ้น GA: ปรับ token efficiency + ความสามารถ code/agentic planning ที่ราคาต่ำกว่า 3.5 Flash (Blognone: ~17% ถูกลง) · release note ระบุตรงว่าแก้ปัญหา output ยาวเกิน · พร้อมกัน Gemini 3.5 Flash-Lite ขึ้น GA วางเป็น subagent latency ต่ำราคาถูกสำหรับงาน high-volume · deprecate พารามิเตอร์ sampling temperature/top_p/top_k สำหรับรุ่นใหม่

▲ ทำไมต้องรู้ · เทรนด์นี้สะท้อนว่าความก้าวหน้าของโมเดล AI ตอนนี้วัดกันที่ต้นทุนต่อ token มากพอๆ กับความเก่ง ไม่ใช่แค่ตัวเลข benchmark อย่างเดียว การที่ Google เริ่มเลิกใช้พารามิเตอร์อย่าง temperature top_p และ top_k ยังบ่งชี้ว่าผู้พัฒนาโมเดลกำลังลดตัวปรับแต่งที่เคยให้ผู้ใช้ควบคุมเอง แล้วหันไปคุมพฤติกรรมโมเดลจากภายในแทน ทั้งนี้ Flash เป็นรุ่นระดับกลางไม่ใช่ frontier จึงเป็นการอัปเดตแบบค่อยเป็นค่อยไปมากกว่าความก้าวกระโดด

Gemini API changelog · Blognone

Moonshot พัฒนา unified memory caching สำหรับ Kimi K2.6 บนชิป AMD MI355X เคลม "3.2x reduction in time to first token" + generate เร็วขึ้น 7.7% · วันเดียวกัน Microsoft ตกลง deploy AMD Helios AI server ใน Azure ขนาดใหญ่ (rollout ครึ่งหลังปี 2026) สำหรับ workload AI ขั้นสูง

▲ ทำไมต้องรู้ · สองข่าวนี้ชี้ไปทางเดียวกันว่าการผูกขาดชิป Nvidia ในตลาด AI เริ่มมีรอยรั่ว ทั้งจากฝั่งจีนที่ปรับโมเดลให้รันบน AMD ได้จริง และฝั่งสหรัฐที่ Microsoft เลือกซื้อฮาร์ดแวร์ AMD เข้า Azure การมีผู้ผลิตชิปทางเลือกช่วยกดอำนาจต่อรองของซัพพลายเออร์รายเดียวลง ซึ่งส่งผลต่อต้นทุน AI ในระยะยาว อย่างไรก็ตามตัวเลขประสิทธิภาพ 3.2 เท่าเป็นตัวเลขที่ผู้พัฒนาอ้างเอง และแผนของ Microsoft ก็ยังไม่เริ่มใช้งานจริง

Blognone (Moonshot AMD) · Blognone (MS Helios)

TSMC เตรียม ขึ้นราคา chipmaking สูงสุด 10% จากปี 2027 ครอบทุก node อ้างต้นทุนวัตถุดิบและอุปกรณ์ที่เพิ่มขึ้น กระทบการผลิตชิป AI

▲ ทำไมต้องรู้ · ต้นทุนที่ต้นน้ำของอุตสาหกรรมชิปแพงขึ้นแบบนี้ ในที่สุดมักส่งผ่านมาถึงราคาการใช้งานโมเดล AI ปลายทาง จึงไม่ควรตั้งสมมติฐานว่าราคาบริการ AI จะถูกลงเรื่อยๆ เพราะต้นทุนวัตถุดิบ พลังงาน และหน่วยความจำกำลังแพงขึ้นสวนทางกัน ทั้งนี้เป็นแผนราคาที่ประกาศล่วงหน้า ผลกระทบจริงต่อผู้ใช้ปลายทางยังต้องรอดูอีกที

Blognone

Willison เขียนสรุปเคส HF breach ("science fiction that happened") เน้น asymmetry: ฝ่ายรับที่ใช้ commercial API โดน guardrail บล็อก ส่วนฝ่ายโจมตี (โมเดล eval ที่ลด refusals) ทำได้อิสระ · Thomas Ptacek แย้ง de-hype: ความสามารถ sandbox escape/network hacking แบบนี้ ไม่ใช่ของใหม่ที่ต้องใช้ frontier model · open-weights ปี 2025 + pentesting framework ก็ทำได้ = อย่าตื่นตระหนกว่า "โมเดลเก่งขึ้นจนหลุดการควบคุม" เกินจริง · ประกบ smol.ai (07-21) ที่ชี้เทรนด์ specialized cyber model (Sakana Fugu-Cyber · Google Gemini 3.5 Flash Cyber = โมเดลเล็กเฉพาะทางเรียกซ้ำหลายรอบชนะโมเดลใหญ่)

▲ ทำไมต้องรู้ · เหตุการณ์นี้อ่านได้สองแบบ แบบที่ฟังดูน่าตกใจคือ AI หลุดการควบคุม แต่อีกแบบคือความสามารถนี้มีมาก่อนแล้ว ประเด็นจริงคือระบบป้องกันของฝั่งใช้งานทั่วไปเข้มงวดกว่าฝั่งที่ทดสอบเจาะระบบมาก ไม่ใช่โมเดลเก่งขึ้นจนควบคุมไม่ได้ เวลาเจอข่าวว่า AI ทำเรื่องน่ากลัวได้ จึงควรถามก่อนว่ามันใหม่จริงหรือเพิ่งเป็นครั้งแรกที่ถูกจับได้ (huggingface-agent-breach-2026)

Simon Willison · Ptacek (via Willison)

2.1.217 เพิ่ม emoji shortcode autocomplete (เก็บ 07-22 แล้ว) · 2.1.218: /code-review รันเป็น background subagent ให้บทสนทนาไม่รก · แก้ Windows path corruption กับไฟล์ที่มี segment ขึ้นต้น \u · MCP connection error report แนบ HTTP status + รายละเอียด · ลูกศรซ้ายต้องยืนยันก่อน discard บทสนทนา · แก้ engine teardown race + Bedrock metering สำหรับ application-inference-profile ARN + fix pull request event หายตอนออก session · (smol.ai: Claude Code รันคู่ iOS simulator บน macOS ได้แล้ว)

▲ ทำไมต้องรู้ · การย้าย /code-review ไปรันเป็น background subagent ช่วยให้บทสนทนาหลักไม่รกกับงานตรวจโค้ดที่หนัก สะท้อนทิศทางที่เครื่องมือ AI coding เริ่มแยกงานหนักไปทำเบื้องหลังมากขึ้น ส่วนการแก้บั๊ก path บน Windows ก็เป็นตัวอย่างว่าเครื่องมือที่พัฒนาบน Unix เป็นหลักยังมี edge case ให้แก้ต่อเนื่องสำหรับผู้ใช้ Windows

CHANGELOG

Release note Claude Platform: Managed Agents ตั้ง effort level ใน model config ได้ · เพิ่ม webhooks 4 environment.* + 3 memory_store.* event ให้ react ต่อ lifecycle โดยไม่ต้อง poll · สร้าง session พร้อม seed initial_events (สูงสุด 50 user.message/define_outcome · non-empty เริ่ม agent loop ในคอลเดียว) · version เป็น optional ตอน update agent (ใส่เพื่อ optimistic concurrency 409 หรือไม่ใส่เพื่อ update unconditional)

▲ ทำไมต้องรู้ · ฟีเจอร์เหล่านี้ตอบโจทย์คำถามที่หลายองค์กรเจอเวลาต้องดูแล agent หลายตัวพร้อมกัน การตั้งระดับ effort ได้ที่ตัว config ช่วยคุมต้นทุนและคุณภาพต่อ agent แต่ละตัว ส่วน webhooks ที่ครอบวงจรชีวิตของ environment และ memory store ทำให้ระบบตอบสนองต่อเหตุการณ์ได้ทันทีโดยไม่ต้อง poll ซ้ำๆ ซึ่งเป็นสัญญาณว่า Managed Agents เริ่มโตพอจะมีโมเดล event ที่ใช้งานจริงได้แล้ว

Claude Platform release notes

สามงานเด่น: DataFlow-Harness เป็น code-agent platform ที่ guide การสร้าง data pipeline ได้ end-to-end pass 93.3% (เปเปอร์เคลม) · AgentDebugX เป็น open-source toolkit debug ความล้มเหลวของ agent ผ่าน root-cause diagnosis + recovery · ABot-World-0 เป็น action-conditioned video world model รัน interactive long-horizon บน desktop GPU ตัวเดียว (upvote นำ 165)

▲ ทำไมต้องรู้ · งานวิจัยกลุ่มนี้สะท้อนว่าคุณค่าของ AI กำลังเลื่อนจากโมเดลเก่งขึ้นไปที่เครื่องมือช่วยสร้างและตรวจสอบระบบรอบตัวโมเดล องค์กรที่ใช้ agent ช่วยประกอบ data pipeline ยังต้องมีเครื่องมือตรวจสอบผลลัพธ์อยู่ดี เพราะอัตราความสำเร็จ 93.3% ที่เปเปอร์รายงานยังไม่ใช่ 100% ตัวเลขทั้งหมดเป็นข้อมูลที่ผู้วิจัยรายงานเอง ยังรอการตรวจสอบอิสระ

DataFlow-Harness 2607.16617 · AgentDebugX 2607.18754 · ABot-World-0 2607.19191

Dylan Castillo ทดสอบสมมติฐานว่า lab จงใจปั้นโมเดลให้เก่งเฉพาะ benchmark "นกกระทุงขี่จักรยาน" (SVG ที่ Willison ใช้เทสต์โมเดลประจำ) · รัน 48 prompt (8 สัตว์ × 6 ยานพาหนะ) ข้าม 7 โมเดล พบว่า pelican-on-bicycle ทำได้ตามที่ควรจากความเก่งของแต่ละองค์ประกอบ ไม่มีสัญญาณ optimize เฉพาะจุด

▲ ทำไมต้องรู้ · คำถามที่คนสงสัยกันบ่อยคือ benchmark ชื่อดังแบบนี้ถูกผู้พัฒนาโมเดลปั้นมาโกงหรือเปล่า การทดสอบรอบนี้ยังไม่พบหลักฐานว่ามีการปั้นเฉพาะจุด แต่สิ่งที่สำคัญกว่าคือวิธีตรวจสอบคือการตั้งสมมติฐานแล้วทดสอบอย่างเป็นระบบ ไม่ใช่เชื่อหรือปฏิเสธไปตามความรู้สึก เวลามีใครอ้างว่า benchmark ถูกโกงจึงควรถามหาหลักฐานเชิงระบบมากกว่าความรู้สึกล้วนๆ

Dylan Castillo (HN 347)

Redfin รายงานผลสำรวจว่า คนอเมริกันส่วนใหญ่ไม่อยากให้ตั้ง AI data center ใกล้ที่อยู่อาศัยตัวเอง (NIMBY) แม้จะรับรู้ประโยชน์เชิงการศึกษา/เศรษฐกิจ

▲ ทำไมต้องรู้ · การขยาย data center สำหรับ AI ไม่ได้ติดแค่เรื่องเงินและชิป แต่ยังติดการยอมรับของชุมชนรอบข้างเรื่องที่ดิน น้ำ ไฟ และเสียงด้วย ผลสำรวจนี้ทำในสหรัฐจึงควรอ่านเป็นสัญญาณความรู้สึกของสังคม ไม่ใช่ตัวเลขเชิงนโยบาย และบริบทในไทยหรือเอเชียอาจแตกต่างออกไป

Redfin (HN 128)