AI News · 2026-08-02

OpenAI เผยแพร่ "Ten advances in mathematics and theoretical computer science" โดยระบุว่า "The results were achieved by an internal version of Astra, our next major model." ซึ่งเป็นโมเดลที่ยังไม่ปล่อยและยังไม่มีใครนอกบริษัทได้ใช้

เกณฑ์ความยากที่ต้นฉบับใช้: "ten results to problems that have been open and have seen no progress on the main result for at least a decade, and in most cases much longer."

สิ่งที่ทำให้ข่าวนี้ต่างจากข่าว AI ทำคณิตศาสตร์ครั้งก่อนๆ ไม่ใช่ผลลัพธ์ แต่คือหลักฐาน: ทุกข้อมาพร้อม ใบรับรอง Lean 4 ที่เครื่องตรวจได้ บน GitHub ใต้ Apache-2.0 (ต้องใช้ Lean 4.32.0 + mathlib + Lake) พร้อมไดเรกทอรี ComparatorChallenges ให้คนนอกตรวจเอง · ใครมี Lean compiler ตรวจความถูกต้องเชิงตรรกะได้ทันทีโดยไม่ต้องเชื่อคำพูดของ OpenAI

ผลลัพธ์ที่ยกมาได้ เช่น ขอบเขตบนใหม่ของการจัดเรียงทรงกลมมิติสูงลงถึงระดับ Cohn-Elkies threshold · การสร้างที่แสดงว่ามีกลุ่มที่ไม่เป็น sofic อยู่จริง · ตัวอย่างค้านของ Connes's rigidity conjecture · ขอบเขตล่างแบบ superexponential ของ multicolor triangle Ramsey numbers ที่แก้ปัญหา Erdős ข้อ 183 · และตัวอย่างค้านที่แก้ปัญหา Erdős ข้อ 146 กับ 180

🔴 ตัวเลขที่ถูกอ่านผิดกันทั้งอินเทอร์เน็ตและเราเกือบผิดตาม: ต้นฉบับเขียนว่า "The total number of tokens needed to find solutions to these problems would cost roughly $2,000 at Sol API rates" คือ ~$2,000 รวมทั้งสิบข้อ เฉลี่ยราว $200 ต่อข้อ · ไม่ใช่ $2,000 ต่อข้อ · Noam Brown ของ OpenAI ตอกย้ำเองในกระทู้ว่า "We didn't spend a lot on each problem."

🔴 จุดที่สื่อรายงานผิดคนละทางสองแบบ: ต้นฉบับเขียนว่า "These arguments were then prepared into manuscripts by humans with the same model. Afterward, the model formalized each argument in a Lean certificate." แปลว่าโมเดลเป็นคนทำ Lean formalization เอง ส่วนคนช่วยตอนเรียบเรียงเป็นต้นฉบับบทความ · ห้ามพูดว่าคนเป็นคนแปลงเป็น Lean และห้ามพูดว่าคน "แค่จัดรูปแบบ"

⚠ สองคำที่ต้องแก้ก่อนใช้: "การสร้างกลุ่ม non-sofic ที่ชัดแจ้งเป็นครั้งแรก" เป็นคำของสื่อ ต้นฉบับเขียนแค่ "a construction establishing the existence of non-sofic groups" · และ "ปรับปรุงขอบเขต sphere packing ครั้งแรกตั้งแต่ 1978" ผิด ที่ถูกคือปรับปรุง exponent ครั้งแรกนับจาก Kabatiansky-Levenshtein 1978 เพราะ Cohn-Zhao (2014) เคยปรับปรุงในระดับค่าคงที่ไปแล้ว

เสียงค้านที่หนักที่สุดไม่ได้เถียงว่าคณิตศาสตร์ผิด แต่เถียงเรื่องสิ่งที่ไม่ได้บอก: ลองไปกี่โจทย์ก่อนได้สิบข้อนี้ · แต่ละข้อลองกี่รอบ · compute จริงเท่าไร · ความเห็นที่ได้คะแนนสูงสุดเขียนว่า "the $2000 number could be completely misleading, similar to P-value hacking by not disclosing the total experimental setup." · ⚠ แต่ต้องพูดอีกด้านคู่กัน: Noam Brown ยอมรับเองว่าทีมลองโจทย์ใหญ่อื่นแล้วไม่สำเร็จ ดังนั้น "ไม่เปิดเผยความล้มเหลวเลย" แรงเกินไป

⚠ สถานะ ณ วันนี้: ยังไม่ผ่าน peer review และยังไม่มีการตรวจสอบระดับชุมชน · แต่ก็ห้ามพูดว่าไม่มีคนนอกอ่านเลย เพราะเอกสารระบุชื่อผู้อ่านล่วงหน้าไว้ เช่น Sorin Popa (ส่วน Connes rigidity) และ Henry Bradford, Michael Chapman, Alon Dogon, Francesco Fournier-Facio (ส่วน non-sofic groups)

▲ ทำไมต้องรู้ · ข่าวนี้เปลี่ยนคำถามที่คนทำงานสาย AI ถามกันบ่อยที่สุด จาก "AI แทนงานคิดได้ไหม" เป็น "งานแบบไหนที่มันแทนได้" คำตอบที่ได้ตรงกับหลักการที่ว่า AI จะแข็งแรงเป็นพิเศษกับงานที่มีเครื่องมือตรวจอัตโนมัติว่าทำถูกหรือผิด เช่น Lean ที่เป็นกรรมการของคณิตศาสตร์เชิงรูปนัย ส่วนงานวิจัยเชิงประจักษ์ที่ไม่มีกรรมการแบบนั้น AI ยังทำได้ไม่ดีเท่า อีกบทเรียนหนึ่งที่นำไปใช้ได้จริงคือการอ่านตัวเลขที่บริษัทเทคโนโลยีประกาศ ข่าวนี้เปิดหลักฐานที่ใครก็ตรวจได้ฟรี (ไฟล์ Lean) แต่ไม่เปิดเผยว่าลองแก้โจทย์ไปกี่ครั้งกว่าจะได้สิบข้อนี้ ทำให้ประเมินความยากจริงไม่ได้ ข้อควรระวังคือใบรับรอง Lean พิสูจน์แค่ว่าไม่มีช่องโหว่เชิงตรรกะ แต่ไม่ได้พิสูจน์ว่าสิ่งที่ formalize ไว้ตรงกับโจทย์ที่วงการเข้าใจ ส่วนนั้นยังต้องให้ผู้เชี่ยวชาญอ่านอยู่ดี

OpenAI · openai/ten-proofs (GitHub) · Simon Willison · HN · ต้นฉบับ PDF · openai-astra-ten-proofs

งานตรวจสอบ trajectory ที่ถูกให้คะแนนว่าล้มเหลว 150 เส้นทางจาก benchmark 5 ตัว ครอบคลุมงานเว็บ งาน enterprise workflow และการควบคุมเดสก์ท็อป

ผล: 15.3% ของคำตัดสินว่าล้มเหลวนั้นไม่ถูกต้อง แยกเป็น 10.7% ที่ตัวประเมินตัดสินผิด (false negative) และ 4.7% ที่ตัวโจทย์เองพัง

ปัญหาที่ระบุครอบคลุมทั้งท่อ: "tasks can be stale, trajectories can omit decisive visual evidence, evaluators can reject valid alternatives, and aggregate reports can hide the cause of failure" · และในความล้มเหลวที่เป็นของจริง สาเหตุหลักคือการวางแผนและการตรวจสอบตัวเอง ไม่ใช่การกดผิดจิ้มผิด

▲ ทำไมต้องรู้ · งานวิจัยนี้ชี้ว่าตัวเลขความล้มเหลวของ agent ที่รายงานกันก็ผิดได้เอง เพราะราว 1 ใน 7 ของกรณีที่ถูกตัดสินว่าล้มเหลว จริงๆ แล้วเป็นความผิดของตัวเกณฑ์ตรวจเอง ไม่ใช่ของ agent คนที่ต้องประเมินเครื่องมือ AI จึงไม่ควรเชื่อตัวเลขสำเร็จหรือล้มเหลวทันที ควรดูด้วยว่าใครเป็นคนตัดสินและตัดสินอย่างไร ในกรณีที่ล้มเหลวจริงส่วนใหญ่ต้นตอมาจากการวางแผนและตรวจงานตัวเองพลาด ไม่ใช่ความแม่นในการกดคลิก ซึ่งบอกว่าการเลือก agent ควรดูว่ามันรู้ตัวเองหรือไม่ว่าทำเสร็จแล้ว มากกว่าดูความแม่นของแต่ละการกระทำ ข้อควรระวังคือตัวเลขนี้มาจากกลุ่มตัวอย่างเพียง 150 เส้นทาง ยังเล็กเกินจะสรุปเป็นสัดส่วนกลางของทุก benchmark

arXiv 2607.28367

งานเสนอกรอบชื่อ AISPA ที่ตรวจ system prompt แปดมิติ โดยไล่อ่านคำสั่ง 3,249 ข้อ จากสินค้า AI เชิงพาณิชย์ 88 ตัว

ผล: 98.9% ของสินค้ามีคำสั่งที่ปกป้องผู้ใช้อย่างน้อยหนึ่งข้อ · แต่มีเพียง 24% ที่ครอบคลุมครบทั้งแปดมิติ · และราว 40% มีคำสั่งที่จัดว่าเป็นปัญหาอย่างน้อยหนึ่งข้อ · ความต่างระหว่างเจ้าห่างกันมาก บางเจ้ามีคำสั่งเชิงปกป้องเกิน 60 ข้อ ขณะที่บางเจ้ามีไม่ถึง 5 ข้อ

▲ ทำไมต้องรู้ · งานวิจัยนี้ยืนยันด้วยตัวเลขว่าสิ่งที่คนใช้ AI สงสัยมานานคือจริง ผู้ให้บริการสั่งพฤติกรรมให้โมเดลไว้เบื้องหลังจริงๆ โดยที่ผู้ใช้ไม่เห็น องค์กรที่กำลังเลือกซื้อผลิตภัณฑ์ AI ควรถามผู้ขายไม่ใช่แค่ว่าใช้โมเดลตัวไหน แต่ควรถามว่าสั่งอะไรโมเดลไว้บ้างและยอมให้ตรวจสอบได้หรือไม่ ตัวเลขในงานวิจัยที่บางเจ้ามีคำสั่งปกป้องผู้ใช้เกิน 60 ข้อ ขณะที่บางเจ้ามีไม่ถึง 5 ข้อ บอกว่าการไม่เขียนกฎก็เป็นการตัดสินใจแบบหนึ่งเช่นกัน ไม่ใช่ความเป็นกลาง ข้อควรระวังคือตัวเลขนี้มาจากเกณฑ์ของทีมวิจัยเอง ไม่ใช่มาตรฐานกลาง จึงห้ามใช้ชี้ตัวหรือกล่าวหาผู้ให้บริการรายใดรายหนึ่งเป็นการเฉพาะ

arXiv 2607.28617

benchmark ที่วัดงาน data engineering ตั้งแต่ต้นจนจบ 100 โจทย์ ครอบคลุม 5 เอนจิน (PySpark, MySQL, HiveSQL, PrestoSQL/Trino, FlinkSQL) โดยตรวจด้วยสคริปต์ที่ตัดสินแบบตายตัว ไม่ใช้ LLM เป็นคนตรวจ

ผล: จาก agent ระดับ frontier 16 ตัว ตัวที่เก่งที่สุดได้เพียง 74.9 · และแต่ละตัวเก่งคนละเอนจิน ไม่มีตัวไหนเหนือทุกด้าน

▲ ทำไมต้องรู้ · งานนี้ตรงกับสิ่งที่หลายองค์กรอยากให้ AI ช่วยมากที่สุด คือการต่อท่อข้อมูลและเขียน query ผลที่สำคัญที่สุดคือไม่มีโมเดลไหนเก่งครบทุกเอนจินฐานข้อมูล แต่ละตัวถนัดคนละแบบ ดังนั้นคำถามที่ควรถามไม่ใช่ "โมเดลไหนดีที่สุด" แต่คือ "โมเดลไหนดีที่สุดกับระบบข้อมูลที่องค์กรเราใช้จริง" ข้อควรระวังคือตัวเลขนี้มาจากโจทย์ทดสอบเพียง 100 ข้อ ถือว่าไม่มาก และคำว่า "งานอุตสาหกรรมจริง" เป็นคำที่ผู้เขียนงานวิจัยใช้เอง

arXiv 2607.28033

งานทดลองเชิงระบบเรื่อง inference-time scaling ของ computer-use agent ที่รันบนเครื่องผู้ใช้ ทดสอบ Qwen3-VL-8B/30B-A3B, UI-TARS-1.5-7B และ OpenCUA-7B บน OSWorld

ผลที่คมที่สุด: การยืดขอบเขตเวลาให้ทำงานนานขึ้นช่วยลดอาการค้างจนหมด step จริง แต่แทบไม่ทำให้อัตราสำเร็จดีขึ้น เพราะ "longer horizons often extend erroneous trajectories rather than correct them" · ส่วนการให้บริบทมากขึ้นช่วยให้เส้นทางนิ่งขึ้นแต่ผลตอบแทนตันเมื่อ token แพงขึ้น และความล้มเหลวเปลี่ยนรูปไปเป็น การประกาศว่าสำเร็จทั้งที่ยังไม่สำเร็จ

▲ ทำไมต้องรู้ · งานนี้แก้ความเข้าใจผิดที่พบบ่อยเวลาลอง agent แล้วไม่ได้ผล คือ "ให้มันคิดนานขึ้นอีกหน่อยน่าจะดีขึ้น" ผลการทดลองกลับพบว่าการเพิ่มเวลาไม่ได้แก้ปัญหาที่เกิดจากเข้าใจโจทย์ผิดตั้งแต่ต้น มันแค่ทำให้ agent เดินผิดทางได้ไกลขึ้น ที่น่ากังวลกว่านั้นคือความล้มเหลวบางส่วนกลายเป็นการรายงานว่าสำเร็จทั้งที่ยังไม่สำเร็จ ซึ่งอันตรายกว่าความล้มเหลวที่เห็นชัด เพราะคนจะไม่รู้ว่าต้องกลับไปตรวจงานซ้ำ ข้อควรระวังคืองานนี้ทดสอบเฉพาะโมเดลขนาดเล็กที่รันในเครื่อง จึงยังโอนข้อสรุปไปใช้กับโมเดล frontier บนคลาวด์ไม่ได้

arXiv 2607.28573

หน้าประกาศของ OpenAI เขียนว่า "GPT-5.6 Luna, our fastest and most affordable model, will cost 80% less, while GPT-5.6 Terra, our balanced model for everyday work, will cost 20% less."

ตัวเลขยืนยันจากเอกสารของ OpenAI เองทั้งราคาก่อนและหลัง: Luna จาก $1.00/$6.00 เหลือ $0.20/$1.20 · Terra จาก $2.50/$15.00 เหลือ $2.00/$12.00 · Sol ชั้น Standard คงเดิมที่ $5.00/$30.00 (ต่อ 1 ล้าน token input/output) · changelog ระบุวันเริ่มว่า "Starting July 30"

ยังมีผลกับการนับโควตาของแพ็กเกจรายเดือนด้วย: "These lower prices for Luna and Terra are also reflected in how usage is counted against paid subscriptions when using Codex and ChatGPT Work."

⚠ ชื่อฟีเจอร์ที่ต้องเรียกให้ถูก: ไม่มีของชื่อ "Sol Fast" · OpenAI เรียกว่า "Fast mode" และเอกสารระบุว่ามันมาแทน Priority processing เดิม จึงไม่ใช่บริการใหม่เอี่ยม · สเปกคือ "up to 2.5× faster speeds than Standard processing at twice the price" โดยความสามารถโมเดลไม่เปลี่ยน · และมีให้ครบสามรุ่นไม่ใช่เฉพาะ Sol: Sol Fast $10/$60 · Terra Fast $4/$24 · Luna Fast $0.40/$2.40

OpenAI บอกว่าเงินส่วนหนึ่งมาจากการให้โมเดลปรับปรุงระบบเสิร์ฟของตัวเอง: ระบุว่าฝึก GPT-5.6 ให้ "writing and improving kernels in Triton and Gluon" และโมเดล "autonomously rewrote and optimized our production kernels, the core code that executes" จนได้ "reduced end-to-end serving costs by 20%" · (นี่คือข้อค้างจาก 30 ก.ค. ที่เราบันทึกไว้ว่า primary เปิดไม่ได้ · รอบนี้เปิดได้และยืนยันตรงกัน)

⚠ แต่ 20% คือส่วนของงาน kernel เท่านั้น ไม่ใช่ที่มาของการลดราคา 80% · OpenAI ไม่ได้แจกแจงว่าที่เหลือมาจากไหน ห้ามผูกเป็นเหตุผลเดียว · และแม้ OpenAI จะใช้คำว่า "autonomously" เอง แต่สื่อสายเทคโนโลยีบางเจ้ากรอบว่าเป็นกระบวนการที่คนนำ

🔴 จุดที่บทความบนเน็ตหลายเจ้าเขียนผิดและห้ามลอกตาม: "OpenAI ตัดราคาต่ำกว่า DeepSeek ได้แล้ว" ไม่จริง · DeepSeek V4-Flash-0731 อยู่ที่ $0.14/$0.28 · ขา input DeepSeek ยังถูกกว่า ($0.14 < $0.20) และขา output ถูกกว่าราว 4.3 เท่า ($0.28 vs $1.20) · ที่ Luna ชนะจริงคือฝั่งค่ายปิด: Claude Haiku 4.5 อยู่ที่ $1/$5 และ Gemini 3.5 Flash-Lite อยู่ที่ $0.30/$2.50 ซึ่ง Luna ถูกกว่าทั้งสองขา

ด้านคะแนน Artificial Analysis จัด DeepSeek V4 Flash 0731 (max) ไว้ที่ 50 และ GPT-5.6 Luna (max) ที่ 51 ต่างกันหนึ่งแต้ม ⚠ ต้องกำกับ variant (max) และวันที่ทุกครั้ง เพราะคะแนน AA ขยับตลอด

▲ ทำไมต้องรู้ · ราคาโมเดลนี้ลดลงถึง 5 เท่าภายในเวลาเพียง 21 วันหลังเปิดขายจริง ซึ่งกระทบการตัดสินใจของทุกองค์กรที่กำลังจะเซ็นสัญญาระยะยาวกับผู้ให้บริการ AI ราคาที่เห็นวันนี้มีอายุใช้งานเป็นสัปดาห์ ไม่ใช่เป็นปี การล็อกสัญญายาวด้วยราคาปัจจุบันจึงมีความเสี่ยง เรื่องนี้ยังน่าสนใจเพราะเกิดพร้อมกับข่าวราคาโมเดลอีกเรื่องในสามวันเดียวกัน (ดูข้อ 8) ซึ่งบอกทิศทางเดียวกันคือราคาที่ผู้ใช้เห็นกำลังเปลี่ยนเร็วและโปร่งใสน้อยลง ส่วนคำอ้างว่า AI ช่วยเขียน kernel ลดต้นทุนได้เองนั้นเป็นตัวเลขจริงจาก OpenAI แต่คิดเป็นแค่ 20% ของการลดราคาทั้งหมด ไม่ใช่ที่มาของส่วนลด 80% ทั้งก้อน

OpenAI pricing · ประกาศ · Fast mode docs · efficiency · Simon Willison · CNBC · gpt-5-6-price-cut-2026

เมื่อ 31 ก.ค. คลังเก็บเรื่องนี้จาก changelog ของ Gemini API ในฐานะ endpoint สอง preview ที่เปิดใหม่ · รอบนี้มีรายละเอียดฝั่งการใช้งานจริงเพิ่ม: ER ย่อจาก embodied reasoning คือ AI ที่เข้าใจโลกผ่านภาพจากกล้องแล้ววางแผนงานเป็นขั้นตอน

ของใหม่เทียบรุ่นก่อน: ควบคุมได้ทั้งตัวไม่ใช่แค่แขน · จับของชิ้นเล็กได้ละเอียดขึ้น · และประสานงานหุ่นยนต์หลายตัวพร้อมกันได้ · หุ่นยนต์ที่สาธิตมาจากหลายผู้ผลิต ได้แก่ Spot ของ Boston Dynamics, Apollo 2 ของ Apptronik และแขนกล F3 Duo ของ Franka

▲ ทำไมต้องรู้ · เรื่องนี้ไม่ใช่สิ่งที่คนทำงานออฟฟิศไทยจะได้ใช้พรุ่งนี้ แต่เป็นสัญญาณเรื่องทิศทางตลาดหุ่นยนต์ Google เลือกไม่ทำหุ่นยนต์เอง แต่ทำสมอง AI ที่เสียบเข้ากับหุ่นยนต์ของผู้ผลิตหลายยี่ห้อได้ ซึ่งเป็นรูปแบบเดียวกับที่ระบบปฏิบัติการเคยชนะมาก่อน ข้อควรระวังคือนี่ยังเป็นสถานะ preview เป็นการสาธิตของผู้ผลิตเอง ยังไม่มีการทดสอบอิสระ

Blognone (ไทย) · Gemini API changelog

วันที่ 31 ก.ค. Cursor เปลี่ยนหน้าสรุปการใช้งานของแพ็กเกจ self-serve (รายบุคคลและ Teams) จากการแสดงยอดเป็นดอลลาร์ ไปเป็นการแสดงจำนวน token แทน

เสียงผู้ใช้ในกระทู้ของบริษัทเอง: "The $$ amount is replaced by token amount which is completely useless." และ "This is unacceptable and makes it impossible for team members to track their own personal usage."

คำอธิบายของบริษัท: พนักงานระบุว่าเป็นการเปลี่ยนที่ตั้งใจ เพราะยอดดอลลาร์ที่เคยแสดงมัก "often higher amounts than the user's plan cost" เนื่องจากโควตาที่แถมมาในแพ็กเกจ ทำให้ผู้ใช้สับสน และแนะให้ไปดูที่หน้า Spending แทน

แต่ปัญหายังไม่จบ: ผู้ใช้รายงานว่าไฟล์ CSV ที่ export ออกมาแสดง "$0.00" ทุกรายการ รวมถึงข้อมูลย้อนหลังและรายการที่ถูกเรียกเก็บเงินจริง

▲ ทำไมต้องรู้ · เรื่องนี้ไม่ใช่ข่าวเทคโนโลยี AI แต่เป็นข่าวเรื่องความโปร่งใสของต้นทุน ซึ่งเป็นคำถามที่องค์กรถามมากที่สุดเวลาจะขยายการใช้ AI ทั้งบริษัท ก่อนเลือกเครื่องมือ AI ควรถามคำถามที่คนมักลืมคือจะเห็นตัวเลขค่าใช้จ่ายของตัวเองได้ละเอียดแค่ไหน และผู้ให้บริการเปลี่ยนสิ่งที่เราเห็นได้ฝ่ายเดียวหรือไม่ เหตุผลที่ Cursor ให้ก็ไม่ใช่เรื่องไร้สาระ เพราะยอดที่เคยแสดงเกินราคาแพ็กเกจจริงทำให้ผู้ใช้ตกใจ แต่ทางแก้ที่เลือกคือลดข้อมูลลงแทนที่จะอธิบายให้ชัดขึ้น ซึ่งเป็นจุดที่ผู้ใช้จำนวนมากไม่ยอมรับ ข้อควรระวังคือข้อมูลนี้อ่านจากกระทู้ในฟอรัมของบริษัทเอง ไม่ใช่ประกาศทางการ และอาการไฟล์ CSV แสดง $0.00 เป็นรายงานจากผู้ใช้ที่ยังไม่ได้ตรวจสอบซ้ำ

Cursor forum

หลังสเปก MCP ฉบับ 2026-07-28 ลบ session ระดับโปรโตคอลทิ้ง Simon Willison ปล่อยเครื่องมือสามตัวในวันเดียว: mcp-explorer (เครื่องมือบรรทัดคำสั่งไว้สำรวจ MCP server), datasette-mcp (ปลั๊กอิน) และ llm-mcp-client ที่ทำให้เครื่องมือ LLM ของเขาต่อกับ MCP แบบ stateless ได้

เหตุผลที่เขาให้คือแบบใหม่ยิงคำขอเดียวจบ แทนที่จะต้องขอ session ก่อนแล้วค่อยเรียก tool จึงตรวจสอบง่ายกว่าและปลอดภัยกว่าการเปิด shell ให้ agent เข้าถึงเทอร์มินัล

วันถัดมาเขาปล่อย datasette-agent 0.4a0 ที่เพิ่มกลไก context.browser_task() ให้ tool ของ agent สั่งรัน JavaScript ในเบราว์เซอร์ของผู้ใช้ได้ และ datasette-apps 0.2a0 ที่ให้ agent ทดสอบแอปที่ตัวเองสร้างใน iframe ที่มองไม่เห็น เพื่อทำ smoke test เอง

▲ ทำไมต้องรู้ · ยืนยันว่าการเปลี่ยนสเปก MCP เมื่อสัปดาห์ที่แล้วไม่ใช่เรื่องบนกระดาษ ระบบนิเวศขยับตามภายในสามวัน · แกนสำหรับองค์กรที่ต่อ MCP ไปแล้ว: ของที่เขียนไว้ก่อนหน้านี้มีวันหมดอายุจริง และเครื่องมือฝั่งใหม่เริ่มมีให้ใช้แล้ว จึงไม่มีเหตุผลจะเลื่อนการวางแผนอัปเกรดออกไป · แกนที่สองที่น่าสนใจกว่าและเป็นรูปแบบที่คลังเห็นซ้ำทั้งเดือน: ของที่ปล่อยตามมาสองตัวหลังเป็นเรื่อง "ให้ agent ตรวจงานตัวเองได้" · agent ที่ทดสอบแอปของตัวเองใน iframe คือการเอาเครื่องตรวจไปวางไว้ข้างๆ ตัวสร้าง ซึ่งเป็นหลักการเดียวกับ Lean ในข้อ 1 และ test agent ของ Chrome · caveat: ทั้งหมดเป็นซอฟต์แวร์รุ่น alpha ของนักพัฒนาคนเดียว ไม่ใช่ของที่ผู้ให้บริการรายใหญ่รับรอง

Simon Willison: stateless MCP · llm-mcp-client · datasette-apps · mcp-stateless-2026

งานวิจัยทดสอบบริการกรองภาพเชิงพาณิชย์ 3 เจ้า ที่ใช้ foundation model เป็นเครื่องยนต์ ด้วย การแปลงภาพแบบง่าย 7 วิธี ที่ไม่ต้องรู้ว่าโมเดลข้างในเป็นอะไร

ผล: ทั้งสามเจ้าถูกเลี่ยงได้ด้วยการแปลงที่ต้นทุนแทบเป็นศูนย์และไม่ต้องใช้ความรู้เทคนิค เช่นการกลับสี (color inversion) และการแปลงเป็นภาพขาวดำ · ความทนทานต่างกันมากตามชุดข้อมูลและประเภทของเนื้อหาอันตราย โดยเนื้อหาหลายสื่อและเนื้อหาเกี่ยวกับการทำร้ายตัวเองอ่อนเป็นพิเศษ

ข้อสรุปของผู้เขียน: "replacing conventional moderation classifiers with foundation-model-based APIs does not, by itself, provide a reliable security boundary" และแนะให้ใช้เป็นชั้นหนึ่งในระบบหลายชั้น ไม่ใช่ตัวกรองเดี่ยว

▲ ทำไมต้องรู้ · เรื่องนี้กระทบองค์กรที่กำลังเอาโมเดลภาษาใหญ่ไปแทนระบบกรองเนื้อหาเดิม เพราะงานวิจัยชี้ว่าโมเดลใหม่กว่าไม่ได้แปลว่าปลอดภัยกว่าเสมอไปในงานกรองเนื้อหา เทคนิคที่ใช้เลี่ยงระบบกรองทั้งสามเจ้าได้คือเทคนิคง่ายๆ อายุหลายปีอย่างการกลับสีภาพ ไม่ใช่วิธีโจมตีสมัยใหม่เลย ข้อสรุปที่นำไปใช้ได้คือควรใช้โมเดลใหญ่เป็นชั้นเสริมในระบบตรวจสอบหลายชั้น ไม่ใช่เอามาแทนที่ระบบกรองเดิมทั้งหมด เพราะระบบที่พึ่งพาโมเดลเดียวมีจุดล้มเหลวจุดเดียวเสมอไม่ว่าโมเดลนั้นจะเก่งแค่ไหน ข้อควรระวังคืองานวิจัยนี้ไม่ได้ระบุชื่อผู้ให้บริการทั้งสามเจ้า จึงห้ามเดาว่าเป็นใคร และยังไม่รู้ว่าผู้ให้บริการแก้ไขปัญหานี้แล้วหรือยัง

arXiv 2607.28187

benchmark ที่วัดโมเดลสร้าง/แก้ภาพในสถานการณ์ที่มีคนหลายคนโต้ตอบกัน โดยเจาะไปที่ความผิดพลาดที่พบบ่อยคือ "fused limbs, invented extremities, and interpenetrating bodies" คือแขนขาเชื่อมติดกัน อวัยวะที่งอกเกินมา และร่างกายทะลุกันเอง

วิธีวัดใช้การสร้างโครงร่างสามมิติกลับจากภาพเพื่อให้คะแนนความถูกต้องเชิงกายวิภาค · ผลที่น่าสนใจที่สุดสำหรับคนที่ต้องประเมินเครื่องมือ: ตัว VLM ที่ถูกใช้เป็นกรรมการให้คะแนนงานประเภทนี้ ให้คะแนนสูงเกินจริง

▲ ทำไมต้องรู้ · ปัญหานี้ตรงกับสิ่งที่ทีมการตลาดเจอทุกวัน คือภาพที่มีคนหลายคนมักออกมาผิดรูปร่างกาย จุดที่น่าสนใจกว่าคือเมื่อใช้ AI อีกตัวมาเป็นกรรมการให้คะแนนภาพเหล่านี้ ผลกลับเอนไปทางให้คะแนนสูงเกินจริง ซึ่งเป็นข้อเตือนใจว่าการให้ AI ตรวจงานที่ AI ทำเองมักได้คะแนนที่ดูดีเกินจริง การตรวจที่มีความหมายต้องมีเกณฑ์วัดจากของจริง ไม่ใช่ความเห็นของโมเดลอีกตัว ข้อควรระวังคือนี่เป็นงานวิจัยเฉพาะทางด้านภาพ ห้ามโอนตัวเลขไปใช้กับงานประเภทอื่น

arXiv 2607.27616

เมื่อวานคลังเก็บคำพูดของซีอีโอ Reddit ที่ว่า AI Overviews ของ Google ทำให้ทราฟฟิกที่ส่งต่อมาลดลงชัดเจน · ตัวเลขผลประกอบการที่มาคู่กันในรายงานเดียวกันคือ รายได้ไตรมาส 2 ที่ $805 ล้าน เติบโต 61% และกำไรสุทธิ $253 ล้าน

▲ ทำไมต้องรู้ · ตัวเลขสองชุดนี้ดูขัดกันแต่เป็นจริงพร้อมกันได้ ทราฟฟิกจากการค้นหาลดลงจริง ในขณะที่รายได้รวมของบริษัทโตขึ้น 61% เพราะ Reddit เปลี่ยนแหล่งรายได้และแหล่งผู้ใช้ไปแล้ว บทเรียนสำหรับธุรกิจที่ทำคอนเทนต์และกำลังกังวลเรื่อง AI แย่งทราฟฟิกคือการเสียช่องทางหนึ่งไม่เท่ากับการเสียธุรกิจ ถ้าเริ่มสร้างช่องทางรายได้อื่นตั้งแต่ตัวเลขยังดี จุดที่ต้องระวังคือรายได้ส่วนหนึ่งของ Reddit มาจากการขายข้อมูลให้บริษัท AI เอง ซึ่งหมายความว่าบริษัทได้ประโยชน์จากคลื่นเดียวกับที่กำลังแย่งทราฟฟิกของตัวเองไปด้วย

Blognone (ไทย)

Brockman โพสต์ว่า "at openai, many people hook their chatgpt up to slack. people really don't like when a coworker's chatgpt contacts them asking for help with a task, even when they'd be perfectly happy doing that same work if asked by that coworker."

Simon Willison ตีความว่าเป็นหลักฐานว่าคนให้ค่ากับความสัมพันธ์โดยตรงมาก และอยากให้ AI ช่วยคืนเวลาหรือทำให้ความสัมพันธ์แน่นขึ้น มากกว่าจะให้มันมาแทรกกลางระหว่างคนกับคน

▲ ทำไมต้องรู้ · ข้อสังเกตนี้มาจากองค์กรที่ใช้ AI เข้มข้นที่สุดในโลกแห่งหนึ่ง และตอบคำถามที่ทีมกำลังจะเปิดใช้ agent ในที่ทำงานควรคิดก่อน ปัญหาไม่ได้อยู่ที่ความสามารถของเครื่องมือ แต่อยู่ที่ว่าใครเป็นคนส่งข้อความ งานเดียวกันคำขอเดียวกัน เปลี่ยนแค่ผู้ส่งจากคนเป็นบอทแล้วผลตอบรับพลิกไปเลย บทเรียนที่นำไปใช้ได้คือควรแยกให้ชัดระหว่างงานที่ AI ทำแทนเรา ซึ่งมีคนอื่นเป็นผู้รับผล กับงานที่ AI ทำให้เราซึ่งไม่มีคนอื่นเกี่ยวข้อง เพราะสองแบบนี้ควรมีกฎการใช้งานคนละชุด ข้อควรระวังคือนี่เป็นข้อสังเกตเชิงประสบการณ์ของผู้บริหารคนเดียว ไม่ใช่ผลสำรวจ และเป็นบริบทของบริษัทในสหรัฐ ไม่ใช่ที่ทำงานไทย

Simon Willison

🔴 ติดป้ายก่อนอ่าน: เรายืนยันได้เฉพาะว่ามีบทความชื่อนี้ขึ้นฟีดของ Hacker News เมื่อ 1 ส.ค. ที่ 124 คะแนน 115 ความเห็น · เว็บต้นทาง (antipope.org ของนักเขียนนิยาย Charlie Stross) เปิดไม่ได้เพราะการตรวจใบรับรอง TLS ไม่ผ่าน และหน้ากระทู้ HN คืน 429 · เนื้อหาของบทความเรายังไม่ได้อ่าน ห้ามสรุปแทนผู้เขียนเด็ดขาด

▲ ทำไมต้องรู้ · สิ่งที่ยืนยันได้ตอนนี้คือมีบทความชื่อนี้ขึ้นเป็นที่พูดถึงมากบน Hacker News จริง แม้ยังเปิดอ่านเนื้อหาเต็มไม่ได้ สิ่งที่มีความหมายในตัวมันเองคือ ในวันที่ข่าวใหญ่ที่สุดคือ AI แก้โจทย์คณิตศาสตร์ที่ค้างมาสิบปี รายการที่คนอ่านคุยกันมากที่สุดกลับเป็นบทความของนักเขียนที่อธิบายว่าทำไมเขาไม่ใช้ AI ในงานเขียนของตัวเอง ซึ่งเตือนใจได้ว่าคนที่เลือกไม่ใช้เครื่องมือไม่ได้แปลว่าเขาไม่เข้าใจมัน บ่อยครั้งแปลว่างานของเขามีเป้าหมายที่เครื่องมือนั้นช่วยไม่ได้

HN q=AI feed

🔴 ติดป้าย: ยืนยันได้เฉพาะว่ามีโครงการชื่อ Flint อยู่ที่ microsoft.github.io/flint-chart คำบรรยายว่า "A Visualization Language for the AI Era" และขึ้น Hacker News 248 คะแนน 66 ความเห็นเมื่อ 1 ส.ค. · หน้าเว็บคืนมาแต่หัวเรื่อง ไม่มีเนื้อหา จึงยังไม่รู้ว่ามันทำอะไรได้บ้าง มี license อะไร

▲ ทำไมต้องรู้ · เก็บเป็นรายการเฝ้าดู · แกนที่พอพูดได้จากชื่อโครงการอย่างเดียวและตรงกับปัญหาที่คนใช้ AI เจอจริง: การให้ AI สร้างกราฟทุกวันนี้มักได้โค้ดที่รันแล้วสวยแต่แก้ยาก เพราะภาษาที่ใช้ออกแบบมาให้คนเขียน ไม่ได้ออกแบบมาให้เครื่องเขียนแล้วคนอ่านต่อ · เป็นตัวอย่างของแนวโน้มที่ควรจับตา: เครื่องมือรุ่นใหม่เริ่มถูกออกแบบโดยตั้งสมมติฐานว่าผู้เขียนคนแรกจะเป็นโมเดล ไม่ใช่คน · จะตามไปอ่านรายละเอียดในรอบถัดไป

Flint (Microsoft) · HN frontpage feed