AI News · 2026-08-09

OpenAI เผยแพร่โพสต์ชื่อ Responding to the next frontier of critical cyber capabilities เมื่อ 7 ส.ค. 2026 ระบุว่าหลังประเมินโมเดลรุ่นถัดไปที่ยังไม่ปล่อยซึ่งใช้ชื่อภายในว่า Astra ผลออกมาแรงพอที่บริษัทเขียนเองว่า "our preliminary evaluations indicate strong enough performance that we cannot rule out Critical capability level" ในหมวดความปลอดภัยไซเบอร์ของกรอบ Preparedness Framework ซึ่งบริษัทเผยแพร่ครั้งแรกเมื่อธันวาคม 2023

นิยามระดับ Critical ที่โพสต์ยกมาเองมีสองขา ขาแรกคือโมเดลที่หาและสร้าง exploit ระดับ zero-day ได้ทุกระดับความรุนแรง ในระบบสำคัญที่ป้องกันแน่นหนาในโลกจริงหลายระบบ โดยไม่ต้องมีคนเข้าไปช่วย ขาที่สองคือโมเดลที่วางแผนและลงมือโจมตีแบบใหม่ตั้งแต่ต้นจนจบกับเป้าหมายที่ป้องกันแน่นหนา เมื่อได้รับเพียงเป้าหมายกว้างๆ ข้อเดียว

สิ่งที่บริษัทลงมือทำคือพักงานภายในที่เกี่ยวกับ Astra ซึ่งยังไม่ผ่านข้อกำหนดความปลอดภัยชุดที่เข้มขึ้น เพิ่มสภาพแวดล้อมทดสอบที่แยกออกมาและจำกัดทั้งทางออกอินเทอร์เน็ตและเครื่องมือ เพิ่มการเข้ารหัสและการป้องกันน้ำหนักโมเดล เพิ่มการรันแบบ sandbox กับการเฝ้าระวังและตรวจจับ แล้วทำงานร่วมกับหน่วยงานรัฐที่เกี่ยวข้องและองค์กรด้านความปลอดภัย AI ที่คัดเลือกไว้ เพื่อทดสอบความสามารถของโมเดล

ถ้อยคำเป็นเรื่องที่ต้องอ่านให้ตรงในข่าวนี้ เพราะโพสต์เขียนว่ายังตัดความเป็นไปได้ไม่ได้ ไม่ได้เขียนว่าถึงระดับ Critical แล้ว ส่วนคำว่าครั้งแรกมาจากข้อความที่ OpenAI โพสต์บน X เองว่ากำลังปฏิบัติกับ Astra เป็นโมเดลตัวแรกของบริษัทในระดับ critical ด้านไซเบอร์ตามกรอบของตัวเอง โดยโมเดลก่อนหน้ารวมถึง GPT-5.6 Sol ถูกประเมินไว้ที่ระดับ High ไม่ใช่ Critical

ข้อควรระวังคือหน้าเว็บของ OpenAI ปิดกั้นเครื่องมือดึงข้อมูลของเรา เราจึงอ่านตัวบทผ่าน text proxy ไม่ใช่จากหน้าต้นฉบับโดยตรง ทั้งหมดนี้เป็นการประเมินเบื้องต้นของผู้ขายที่ประเมินสินค้าตัวเองและยังไม่มีการยืนยันจากภายนอก โพสต์ระบุชัดด้วยว่า "Astra is an upcoming model, and was not involved in exploiting Hugging Face." จึงเป็นโมเดลคนละตัวกับที่ก่อเหตุกับ Hugging Face และยังไม่มีกำหนดปล่อย Astra

▲ ทำไมต้องรู้ · สิ่งที่ข่าวนี้บอกกับคนทำงานคือความสามารถเขียนโค้ดกับความสามารถเจาะระบบเป็นของที่โตขึ้นพร้อมกัน แยกจากกันไม่ได้ เมื่อผู้สร้างโมเดลเองต้องพักงานเพราะกลัวความสามารถของสิ่งที่ตัวเองสร้าง สมมติฐานที่องค์กรควรใช้คือเครื่องมือรุ่นถัดๆ ไปจะเจาะระบบเก่งขึ้นเรื่อยๆ ไม่ว่าจะตั้งใจหรือไม่ ข้อที่หยิบไปใช้ได้ทันทีคือระบบภายในที่ agent เข้าถึงได้ ควรถูกนับว่าเป็นระบบที่ผู้โจมตีเข้าถึงได้ด้วย และอีกข้อคือเวลาอ่านข่าวความปลอดภัยของ AI ให้ดูว่าใครประเมิน เพราะกรณีนี้ผู้ประเมินคือเจ้าของโมเดล ไม่ใช่ผู้ตรวจอิสระ

TechCrunch · OpenAI · openai-astra-critical-cyber · openai-astra-ten-proofs

กระทรวงพลังงานสหรัฐประกาศ Genesis Open Models Initiative เมื่อ 7 ส.ค. 2026 โดยระบุเป้าหมายว่าจะผลิตโมเดลพื้นฐานแบบเปิดน้ำหนักรุ่นใหม่ที่ออกแบบมาเพื่อเร่งการค้นพบทางวิทยาศาสตร์โดยเฉพาะ ภายใต้ภารกิจใหญ่ที่เรียกว่า Genesis Mission ขอบเขตงานที่ระบุครอบคลุมการค้นหาวัสดุใหม่ ระบบพลังงาน การจำลองระบบโลก ฟิวชัน ชีววิทยา และฟิสิกส์พลังงานสูง เรื่องนี้ขึ้น Hacker News ด้วยคะแนน 346 และ 150 ความเห็น

โมเดลตัวแรกของชุดนี้ชื่อ Genesis-Science-1 พัฒนาร่วมกับบริษัท Arcee โดยข้อความในประกาศใช้รูปอนาคตว่าจะเป็นโมเดลตัวแรก ไม่ใช่ว่ามีอยู่แล้ว

จุดที่สำคัญที่สุดในทางปฏิบัติคือสิ่งที่ยังไม่มี ตรวจแล้วไม่พบน้ำหนักโมเดล ไม่มี model card บนคลังโมเดลสาธารณะ ไม่มีการเปิดเผยจำนวนพารามิเตอร์หรือสถาปัตยกรรม ไม่มีผลวัดคะแนน และไม่มีการระบุสัญญาอนุญาต ทุกแหล่งเขียนเพียงคำว่า open-weight ซึ่งเป็นคำที่ไม่เท่ากับ open source

ส่วนที่ใช้งานได้จริงในวันนี้คือกำหนดส่งข้อเสนอ ช่วงรับข้อเสนอสำหรับขั้น foundation ปิดวันที่ 14 ส.ค. 2026 และขั้น post-training ปิดวันที่ 25 ส.ค. 2026 โดยกำหนดส่งมอบงานอยู่ที่ 28 ส.ค. และ 14 ก.ย. ตามลำดับ และจะมีรอบถัดไปทุกไตรมาส ข้อควรระวังคือกำหนดชุดนี้เพิ่งเลื่อนมาแล้วราวแปดวันจากตารางเดิมที่ประกาศเมื่อ 23 ก.ค. จึงเป็นวันที่ที่ขยับได้

▲ ทำไมต้องรู้ · ข่าวนี้มีค่าสองชั้นสำหรับคนทำงาน ชั้นแรกคือทิศทาง เพราะเมื่อรัฐบาลสหรัฐลงมาทำโมเดลเปิดน้ำหนักเพื่องานวิทยาศาสตร์เอง แปลว่าโมเดลเปิดกลายเป็นเรื่องของนโยบายรัฐ ไม่ใช่แค่ทางเลือกของคนอยากประหยัด ชั้นที่สองเป็นบทเรียนการอ่านข่าวที่ใช้ได้ทุกวัน คือประกาศของหน่วยงานรัฐกับของที่ใช้งานได้จริงเป็นคนละเรื่อง ข่าวนี้คือการเปิดรับข้อเสนอ ยังไม่ใช่การปล่อยโมเดล คำถามที่ควรถามทุกครั้งที่เห็นข่าวโมเดลใหม่คือดาวน์โหลดได้แล้วหรือยัง และสัญญาอนุญาตเขียนว่าอะไร

DOE · Genesis Open Models · Arcee · HN · doe-genesis-open-models

Google DeepMind เผยแพร่เมื่อ 6 ส.ค. 2026 ว่าโมเดลชุด WeatherNext Cyclones ทำความคลาดเคลื่อนของตำแหน่งศูนย์กลางพายุได้ราว 100 กิโลเมตรที่ระยะสามวันล่วงหน้า เมื่อวัดกับข้อมูลปี 2023 ถึง 2025 และความคลาดเคลื่อนของความรุนแรงอยู่ที่ราว 11 นอต ที่ระยะสามวันเช่นกัน โดยเทียบกับ ECMWF-ENS สำหรับตำแหน่งและ HWRF สำหรับความรุนแรง เรื่องนี้ขึ้น Hacker News เมื่อ 8 ส.ค. ด้วยคะแนน 403

บริษัทสรุปผลนี้เป็นคำว่าได้เวลาล่วงหน้าเพิ่มขึ้นมากกว่า 24 ชั่วโมง และอธิบายด้วยประโยคว่าการพยากรณ์สามวันของเราดีเท่ากับที่โมเดลรุ่นก่อนทำได้ที่สองวัน การฝึกใช้ข้อมูลบรรยากาศทั่วโลกเกือบ 20 เทราไบต์ ร่วมกับฐานข้อมูล IBTrACS ที่ครอบคลุมพายุราว 5,000 ลูก และมีการใช้งานจริงในฤดูพายุเฮอริเคนปี 2025 ฝั่งความเร็ว บริษัทระบุว่าสร้างการพยากรณ์ 15 วันหนึ่งชุดได้ในเวลาไม่ถึงหนึ่งนาทีบนชิป TPU เดียว และเปิดน้ำหนักโมเดลไว้บน GitHub

ข้อควรระวังมีสองข้อที่บริษัทเขียนเอง ข้อแรกคือโมเดลทำงานที่ความละเอียด 28 คูณ 28 กิโลเมตร และบริษัทยอมรับว่ายังเป็นคำถามวิจัยที่เปิดอยู่ว่าโมเดลให้ผลแม่นระดับนี้ที่ความละเอียดเท่านี้ได้อย่างไร ข้อที่สองคือบริษัทแนะนำเองให้ประชาชนฟังประกาศเตือนภัยจากกรมอุตุนิยมวิทยาของประเทศตัวเองเป็นหลัก ส่วนเสียงค้านในกระทู้ชี้ว่านักพยากรณ์มองเห็นพายุล่วงหน้าห้าถึงสิบวันอยู่แล้ว การขยับจากสองวันเป็นสามวันจึงเป็นการลดความไม่แน่นอน ไม่ใช่การเพิ่มเวลาอพยพให้ชุมชนตรงๆ และตัวเลขทั้งชุดเป็นการวัดของผู้สร้างเอง

▲ ทำไมต้องรู้ · ประเทศไทยอยู่ปลายทางของพายุที่ก่อตัวในทะเลจีนใต้และมหาสมุทรแปซิฟิกทุกปี ความแม่นของการพยากรณ์เส้นทางพายุจึงแปลงเป็นการตัดสินใจจริงเรื่องการเก็บผลผลิต การจัดคิวขนส่ง และการเตรียมพื้นที่เสี่ยงน้ำท่วม สิ่งที่ควรอ่านให้ตรงคือของแบบนี้ยังเป็นเครื่องมือของหน่วยงานพยากรณ์ ไม่ใช่ของที่องค์กรทั่วไปเอาไปใช้แทนประกาศทางการ ส่วนบทเรียนที่กว้างกว่านั้นคือการเปิดน้ำหนักโมเดลของงานที่วัดผลได้ชัดแบบนี้ ทำให้คนภายนอกตรวจซ้ำได้จริง ซึ่งเป็นมาตรฐานที่ควรเรียกร้องจากข่าว AI ทุกเรื่องที่อ้างตัวเลข

Google DeepMind · HN

Anthropic ประกาศเมื่อ 7 ส.ค. 2026 ว่าตั้งแต่วันที่ 14 ส.ค. 2026 โหมดที่เรียกว่า auto mode จะกลายเป็นค่าเริ่มต้นของ session ใหม่บนแพ็กเกจ Pro, Max และ Team ส่วน Claude Enterprise, Claude API และบริการบนคลาวด์ของพาร์ตเนอร์ยังเป็นแบบเลือกเปิดเองไปก่อน โดยบริษัทระบุว่ามีแผนจะเปลี่ยนให้เป็นค่าเริ่มต้นทั้งหมดภายในเดือนถัดไป พร้อมเลิกคิดเงินค่าประมวลผลของตัวคัดกรอง ซึ่งแปลว่าตอนนี้ยังมีการคิดเงินส่วนนี้อยู่ ค่าเดิมที่ผู้ใช้ตั้งไว้เองจะไม่ถูกเปลี่ยนจนกว่าจะกดยอมรับ และค่าที่องค์กรกำหนดไว้ไม่ถูกแตะ

ตัวเลขที่บริษัทใช้สนับสนุนมาจากการจ้างผู้ทดสอบ 1,053 คนผ่านบริษัทวิจัยคนกลาง ให้ทำงานเขียนโค้ดในสภาพแวดล้อมทดสอบที่สร้างขึ้นเพื่อการศึกษานี้ ไม่ใช่ในโค้ดของตัวเอง แล้วสลับคำสั่งขออนุญาตหนึ่งครั้งกลาง session เป็นคำสั่งที่อันตรายอย่างชัดเจน ผลคือผู้ทดสอบจับได้เพียง 13.6% หรือ 143 จาก 1,053 ครั้ง ขณะที่ auto mode บล็อกคำสั่งชุดเดียวกันได้ 89% หรือ 937 จาก 1,053 ครั้ง และบริษัทเขียนว่า "Head to head, auto mode blocked 800 commands that a human approved, while humans blocked only 6 that auto mode allowed."

ฝั่งการทดสอบการโจมตี Anthropic ระบุว่าจ้างบริษัทภายนอกชื่อ Trajectory Labs ให้ประเมิน โดยทดสอบสถานการณ์ prompt injection แบบอ้อม 72 แบบ ทำซ้ำแบบละ 10 ครั้งรวม 720 ครั้ง แล้วรายงานว่าไม่มีการโจมตีสำเร็จเลยกับ Claude Fable 5, Opus 5 และ Sonnet 5 ที่รัน auto mode ขณะที่ GPT-5.6 Sol ในโหมด Auto-review ของ Codex ถูกโจมตีสำเร็จ 5.83% ข้อควรระวังคือนี่เป็นงานที่ผู้ถูกวัดเป็นผู้จ้าง ไม่ใช่การตรวจสอบอิสระ ตัวรายงานไม่มีที่ให้อ่าน และการเทียบข้ามค่ายทำผ่านตัวเชื่อมเบราว์เซอร์ที่ผู้ทดสอบสร้างขึ้นเอง ไม่ใช่ค่าตั้งต้นของสินค้าแต่ละตัว

สิ่งที่ต้องอ่านคู่กันคืองานวิชาการจาก HKUST ร่วมกับ ETH Zurich ที่วัด auto mode ด้วยโจทย์ที่ตั้งใจให้กำกวมและกดดันระบบ แล้วได้อัตราปล่อยของอันตรายผ่านแบบครบวงจรที่ 81.0% รวมถึงพบว่า 36.8% ของการกระทำที่เปลี่ยนสถานะระบบไม่เคยผ่านตัวคัดกรองเลย เพราะเป็นการแก้ไฟล์ในโปรเจกต์ ข้อจำกัดที่ต้องระบุให้ยุติธรรมคืองานนี้ใช้โจทย์กดดันซึ่งต่างจากการใช้งานจริง ผู้เขียนเองอ้างว่า Anthropic รายงานอัตราพลาดบนการใช้งานจริงไว้ที่ 17% และเวอร์ชันที่ทดสอบเก่ากว่าที่ประกาศรอบนี้ราวสามเดือนครึ่ง มันจึงไม่หักล้างเลข 89% โดยตรง แต่หักล้างการอ่านแบบกว้างว่าโหมดนี้กันของอันตรายได้เก้าในสิบทุกกรณี

Anthropic เขียนข้อจำกัดของตัวเองไว้ว่า "while we believe auto mode reduces risk for most users, it relies on classification systems and therefore does not eliminate risk" และแนะนำให้คนตรวจงานเองสำหรับการเปลี่ยนแปลงที่มีความเสี่ยงสูงบนระบบที่ใช้งานจริง ผู้ใช้สลับโหมดได้ด้วย Shift+Tab ในบรรทัดคำสั่งหรือกล่องเลือกโหมดบนแอป และปิดโหมดนี้ทั้งหมดได้ด้วยการตั้งค่า disableAutoMode ให้เป็นค่า disable ซึ่งตั้งได้ทั้งในไฟล์ตั้งค่าของผู้ใช้เองและในค่าที่องค์กรกำหนด

▲ ทำไมต้องรู้ · เรื่องนี้กระทบคนที่ใช้เครื่องมือ AI เขียนโค้ดทุกคนโดยตรง เพราะค่าเริ่มต้นเปลี่ยนหมายถึงพฤติกรรมเปลี่ยนเองแม้ไม่มีใครไปกดอะไร สิ่งที่ควรทำก่อนวันที่ 14 ส.ค. คือรู้ว่าทีมของคุณอยู่บนแพ็กเกจไหน และตัดสินใจล่วงหน้าว่าจะรับค่าใหม่หรือจะตั้งค่าเดิมค้างไว้ ส่วนบทเรียนที่ใหญ่กว่าตัวสินค้าคือข้ออ้างว่าคนกดอนุมัติไม่ได้ช่วยอะไรนั้นมีหลักฐานหนุนจริง แต่ข้อสรุปที่ตามมาไม่ใช่ว่าปล่อยให้ระบบตัดสินเองแล้วจบ เพราะงานวิชาการชี้ว่าการกระทำจำนวนมากไม่ได้เข้าด่านคัดกรองด้วยซ้ำ วิธีที่ปลอดภัยกว่าคือลดสิ่งที่ agent เข้าถึงได้ตั้งแต่ต้น แทนการฝากความปลอดภัยไว้กับด่านใดด่านเดียว

Anthropic · Claude Code docs · Simon Willison · arXiv 2604.04978 · claude-code-auto-mode-default

บันทึกการเปลี่ยนแปลงของ Claude Code เพิ่มเวอร์ชัน 2.1.225 และ 2.1.226 ซึ่งใหม่กว่ารุ่นที่คลังบันทึกไว้ ตัวหลังมีรายการเดียวคือแก้บั๊กและปรับความเสถียร ส่วน 2.1.225 มีรายการยาว รายการที่เปลี่ยนการทำงานมากที่สุดคือการรองรับเพดานค่าใช้จ่ายของ gateway ในคำเตือนการใช้งาน โดยข้อความเมื่อชนเพดานจะบอกทั้งวงเงิน เวลาที่รีเซ็ต และข้อความจากผู้ดูแล และการเพิ่มคำถามยืนยันความน่าเชื่อถือของโฟลเดอร์ให้คำสั่งเรียก agent เหมือนที่ตัวหลักมีอยู่แล้ว

ในกลุ่มการแก้บั๊กมีสามรายการที่ควรอ่าน รายการแรกคือโหมดอนุมัติอัตโนมัติเคยนับการที่ตัวคัดกรองความปลอดภัยปฏิเสธคำขอตรวจสิทธิ์ของตัวเอง ว่าเป็นการถูกบล็อกติดกัน ซึ่งทำให้ระบบหยุดทำงานเอง ตอนนี้คำสั่งนั้นยังถูกปฏิเสธเหมือนเดิมแต่โมเดลจะถูกบอกให้ข้ามไปทำอย่างอื่นแทนการลองซ้ำ รายการที่สองคือ token ที่มีอายุยาวเคยถูกแทนที่ด้วย token อายุสั้นเมื่อเจอข้อผิดพลาด 401 ชั่วคราว ทำให้ session ที่รันแบบไม่มีคนดูพังจนต้องเริ่มใหม่ รายการที่สามคือข้อความข้าม session เคยค้างอยู่โดยไม่มีการแจ้งและไม่มีวันหมดอายุใน session ที่รันแบบไม่มีคนดู

ข้อควรระวังคือไฟล์บันทึกการเปลี่ยนแปลงไม่มีวันที่กำกับรายเวอร์ชันเลย จึงยืนยันไม่ได้ว่าสองรุ่นนี้ออกวันไหน และรายการเรื่องเพดานค่าใช้จ่ายกับตัวรันงานบนเครื่องตัวเองใช้ได้เฉพาะองค์กรที่วางระบบของตัวเอง ไม่ใช่ผู้ใช้ทั่วไป

▲ ทำไมต้องรู้ · รายการที่มีค่าที่สุดในชุดนี้สำหรับคนทำงานคือข้อความบอกเหตุผลเมื่อชนเพดานค่าใช้จ่าย เพราะปัญหาที่เจอกันจริงเวลาองค์กรตั้งเพดานคือเครื่องมือหยุดทำงานโดยผู้ใช้ไม่รู้ว่าหยุดเพราะอะไร แล้วเสียเวลาไล่หาสาเหตุผิดที่ ส่วนบั๊กที่ระบบหยุดตัวเองเพราะนับการปฏิเสธของตัวคัดกรองผิด เป็นตัวอย่างที่ดีว่ากลไกความปลอดภัยที่ซ้อนกันหลายชั้นสามารถขัดกันเองได้ ซึ่งเป็นเหตุผลที่งานอัตโนมัติทุกตัวควรมีวิธีดูว่ามันหยุดตอนไหนและเพราะอะไร

Claude Code CHANGELOG

งานชื่อ The Bitter Lesson of Tool Calling เทียบสองวิธีที่ให้โมเดลเรียกใช้เครื่องมือ วิธีแรกคือรูปแบบมาตรฐานที่โมเดลตอบเป็น JSON วิธีที่สองคือการยื่นเครื่องมือให้เป็นฟังก์ชัน Python ที่ระบุชนิดข้อมูล แล้วให้โมเดลเขียนโค้ดเรียกใช้ในเทิร์นเดียว ผลบนชุดทดสอบ BFCL v4 กับ 14 โมเดลคือวิธีที่สองเสมอหรือดีกว่าใน 11 จาก 14 โมเดล และในตระกูล GPT-5.6 ดีขึ้น 10.6%

เมื่อทดสอบงานที่ต้องเรียกเครื่องมือหลายตัวขนานกัน วิธีที่สองเสมอหรือดีกว่าใน 13 จาก 14 โมเดล และผู้เขียนระบุว่ามันทนต่อสภาพที่บริบทยาวจนคุณภาพเริ่มตกได้ดีกว่า โดยวิธีมาตรฐานแย่ลงเฉลี่ย 2.3% ในสภาพเดียวกัน ข้อควรระวังคือวิธีนี้แพ้ใน 3 จาก 14 โมเดล และผู้เขียนเองสรุปว่าผลดีขึ้นตามความสามารถของโมเดล แปลว่าโมเดลที่เขียนโค้ดไม่เก่งอาจไม่ได้อะไรจากวิธีนี้

▲ ทำไมต้องรู้ · ถ้าทีมของคุณต่อ AI เข้ากับเครื่องมือหรือระบบภายในอยู่แล้ว งานนี้บอกว่าผลลัพธ์ขยับได้ราวสิบเปอร์เซ็นต์จากการเปลี่ยนวิธียื่นเครื่องมือเพียงอย่างเดียว โดยไม่ต้องเปลี่ยนโมเดลและไม่ต้องจ่ายเพิ่ม นี่เป็นของที่ควรลองก่อนตัดสินใจอัปเกรดไปใช้โมเดลที่แพงกว่า เพราะการอัปเกรดโมเดลมีค่าใช้จ่ายต่อเนื่องทุกเดือน ส่วนการเปลี่ยนวิธีต่อเครื่องมือจ่ายครั้งเดียวเป็นเวลาของนักพัฒนา

arXiv 2608.06370

งานชื่อ DataSpace สร้างชุดทดสอบให้ agent ทำงานวิเคราะห์ข้อมูลจากพื้นที่ทำงานที่มีไฟล์คลุกเคล้าหลายรูปแบบ ทั้ง CSV, JSON, SQLite, Markdown, PDF และวิดีโอ รวม 410 โจทย์ข้ามภาษา 7,439 ไฟล์ ขนาดรวม 15.01 กิกะไบต์ โดยผ่านการตรวจและซ่อมโจทย์ด้วยผู้เชี่ยวชาญ 11 คน และถูกใช้เป็นชุดวัดทางการของการแข่งขัน KDD Cup 2026

ผลที่วัดจากโมเดลแนวหน้าหกตัวและตัวประกอบหรือ harness ที่ใช้กันแพร่หลายห้าแบบ คือคะแนนสูงสุดอยู่ที่ 66.34% และเมื่อตรึงโมเดลไว้ตัวเดียวแล้วเปลี่ยนแต่ harness คะแนนห่างกันได้ถึง 15.36 จุด จุดที่ทุกโมเดลตกเหมือนกันคือการรวมหลักฐานจากไฟล์หลายรูปแบบและการเชื่อมตารางเข้าด้วยกัน ผู้เขียนระบุเองว่าชุดทดสอบนี้ยังไม่ถูกทำคะแนนจนเต็ม

▲ ทำไมต้องรู้ · ตัวเลข 15.36 จุดตอบคำถามที่หลายองค์กรถามผิดตั้งแต่ต้น คือมักถามว่าจะใช้โมเดลตัวไหน ทั้งที่ส่วนที่ขยับผลได้เท่ากันหรือมากกว่าคือระบบที่สร้างครอบมัน ตั้งแต่วิธีป้อนไฟล์ วิธีเก็บผลกลางทาง ไปจนถึงลำดับขั้นที่ให้มันทำงาน ผลในทางปฏิบัติคือถ้าผลลัพธ์ที่ได้ยังไม่ดีพอ การเปลี่ยนไปจ่ายค่าโมเดลที่แพงกว่าไม่ใช่ทางแรกที่ควรลอง อีกจุดที่ควรจำคือทุกโมเดลตกตรงงานรวมข้อมูลหลายรูปแบบเข้าด้วยกัน ซึ่งเป็นงานที่สำนักงานไทยทำทุกวันเวลาต้องเอาข้อมูลจาก PDF ไปรวมกับตารางในไฟล์อื่น

arXiv 2608.03451

งานนี้ตรวจรายงานการเงินของหน่วยงานรัฐความยาว 780 หน้า แล้วพบว่า 86.8% ของบรรทัดเนื้อหาเป็นแถวในตาราง และตัวเลขหนึ่งตัวรับหน่วยของมันมาจากหัวตารางที่อยู่เหนือขึ้นไปโดยมีค่ากลางที่ 13 บรรทัด ผลคือการตัดเอกสารเป็นก้อนตามวิธีมาตรฐานมักแยกตัวเลขออกจากข้อมูลที่บอกว่ามันเป็นหน่วยอะไร ซึ่งผู้เขียนเรียกว่าความคลาดเคลื่อนระดับสองหลัก

แม้จะสร้างตัวตัดก้อนที่รู้จักโครงสร้างตารางขึ้นมาเทียบให้เต็มที่แล้ว ก็ยังเหลือก้อนที่มีตัวเลขแต่ไม่มีหัวบอกปีงบประมาณอยู่ 27 ถึง 30% ในทุกขนาดก้อนที่ลอง วิธีที่ผู้เขียนเสนอตอบคำถามที่ตรวจแล้วได้ 58.8% จาก 51 ข้อ เทียบกับวิธีค้นด้วยเวกเตอร์ที่ได้ 15.7% และเทียบกับตัวที่ปรับแต่งแล้วที่ได้ 35.3% ข้อควรระวังที่ผู้เขียนเขียนเองอย่างตรงไปตรงมาคือวิธีค้นแบบคำสำคัญอย่าง BM25 ให้ผลที่แยกจากวิธีของพวกเขาไม่ออกทางสถิติ ผลนี้จึงแยกการค้นแบบใช้เวกเตอร์ออกจากแบบไม่ใช้เวกเตอร์ ไม่ได้พิสูจน์ว่าการให้ agent ค้นซ้ำหลายรอบดีกว่าการค้นด้วยคำ และฐานหลักฐานคือเอกสารใบเดียวกับคำถาม 51 ข้อเท่านั้น

▲ ทำไมต้องรู้ · องค์กรไทยจำนวนมากกำลังเอาเอกสารเข้าระบบถามตอบด้วย AI และเอกสารที่อยากถามที่สุดมักเป็นงบการเงิน รายงานประจำปี และตารางราคา ซึ่งเป็นกลุ่มที่งานนี้ชี้ว่าวิธีมาตรฐานพลาดง่ายที่สุด สิ่งที่หยิบไปใช้ได้ทันทีคือก่อนเชื่อคำตอบที่ระบบดึงตัวเลขมาให้ ให้ตรวจว่าหน่วยและปีงบประมาณมาจากไหน เพราะความผิดพลาดแบบนี้ไม่ได้ทำให้คำตอบดูผิด มันทำให้คำตอบดูถูกต้องแต่ผิดขนาดไปหลายเท่า อีกข้อที่น่าสนใจคือความซื่อสัตย์ของผู้เขียนเอง ที่รายงานว่าวิธีเก่าอย่าง BM25 ทำได้ดีเท่าวิธีใหม่ของตัวเอง

arXiv 2608.06305

งานนี้ศึกษา agent ที่กลั่นทักษะจากงานที่ตัวเองเคยทำแล้วเก็บไว้ใช้ซ้ำ และพบว่าผลไม่ได้ดีขึ้นเรื่อยๆ ตามจำนวนทักษะที่สะสม แต่พอคลังทักษะใหญ่เกินจุดหนึ่ง ทักษะที่เพิ่มเข้าไปใหม่กลับทำให้ผลแย่ลง คำอธิบายเชิงโครงสร้างที่ผู้เขียนให้คือเมื่อทักษะที่มีข้อบกพร่องเข้าไปอยู่ในบริบทการตัดสินใจแล้ว มันจะกลายเป็นวัตถุดิบให้การกลั่นทักษะรอบถัดไป จนเกิดเป็นสายการปนเปื้อนข้ามรอบ

ผลที่ตามมาคือการปนเปื้อนนี้ย้อนกลับไม่ได้ในทางโครงสร้าง เพราะการลบทักษะต้นเหตุออกทีหลังกู้ผลที่เสียไปคืนได้เพียงส่วนน้อย วิธีที่ผู้เขียนเสนอคือใส่ด่านตรวจก่อนรับทักษะเข้าคลัง โดยใช้ผู้ตรวจสามแบบที่ต่างกันคือความถูกต้องเชิงโครงสร้าง ความไม่เป็นอันตรายของพฤติกรรม และความสอดคล้องเชิงความหมาย แล้วรายงานว่าทำได้ 72% บนชุดทดสอบ Terminal-Bench 2 ด้วยคลังทักษะที่เล็กกว่าราวห้าเท่า ข้อควรระวังคือวิธีที่ชนะเป็นวิธีของผู้เขียนเอง และฐานหลักฐานคือชุดทดสอบสองชุด

▲ ทำไมต้องรู้ · ความเชื่อที่แพร่หลายคือยิ่งให้ AI จำสิ่งที่เคยทำไว้มากเท่าไร มันยิ่งเก่งขึ้นเท่านั้น งานนี้บอกว่าไม่จริงเสมอไป และที่แย่กว่าคือความเสียหายจากการจำของผิดนั้นล้างออกยาก สิ่งที่หยิบไปใช้ได้กับงานจริงคือถ้าคุณให้ AI จดวิธีทำงานหรือคู่มือของทีมไว้ใช้ซ้ำ ต้องมีคนตรวจก่อนที่มันจะกลายเป็นของอ้างอิง ไม่ใช่ปล่อยให้สะสมเองแล้วเชื่อว่ายิ่งมากยิ่งดี เพราะเอกสารที่ผิดหนึ่งใบจะถูกใช้เป็นต้นแบบของใบต่อไปเรื่อยๆ

arXiv 2608.05810

งานชื่อ HarnessOpt-Bench วัดความสามารถของโมเดลในการปรับปรุงตัวประกอบรอบ agent ซึ่งรวมทั้งคำสั่งตั้งต้น เครื่องมือ ลำดับการทำงาน หน่วยความจำ และโค้ดที่ประสานงาน โดยให้โมเดลผู้ปรับได้รับระบบตั้งต้น ผลตอบรับที่ให้คะแนน และงบการทดลองที่จำกัด แล้วให้เสนอผลลัพธ์สุดท้ายมาวัดด้วยชุดทดสอบที่กันไว้ไม่ให้เห็นตลอดการค้นหา

ผลจากการวัดโมเดลแนวหน้าห้าตัวในบทบาทผู้ปรับ ทั้งแบบใช้ระบบกลางร่วมกันและแบบใช้ระบบของตัวเอง บนงานปลายทางสี่แบบ รวม 111 รอบที่ให้คะแนน คือความต่างระหว่างโมเดลผู้ปรับมากกว่าความต่างระหว่างระบบที่มันทำงานผ่าน และการใช้ระบบของตัวเองก็ไม่ได้ดีกว่าอย่างสม่ำเสมอ ข้อควรระวังที่ผู้เขียนระบุคือการวัดแบบนี้แพงและผลแกว่ง และผลที่ได้ต่างกันมากตามงานและจุดตั้งต้น

▲ ทำไมต้องรู้ · งานนี้กับข้อ 7 ชี้ไปทางเดียวกันจากสองมุม คือทุกวันนี้ผลของงาน AI ถูกตัดสินที่ระบบรอบๆ โมเดลมากกว่าที่เคยคิด สิ่งที่ใช้ได้กับการตัดสินใจจริงคือถ้าจะจ้างใครมาปรับปรุงระบบ AI ของคุณ ความสามารถของคนหรือเครื่องมือที่มาปรับ สำคัญกว่าการเลือกแพลตฟอร์มที่จะไปยืนอยู่บน และควรกันชุดทดสอบของตัวเองไว้ส่วนหนึ่งไม่ให้ผู้รับงานเห็น เพื่อวัดว่าที่ปรับมาดีขึ้นจริงหรือแค่ปรับให้ผ่านข้อสอบที่เห็น

arXiv 2608.06301

งานนี้ปรับชุดเครื่องมือค้นข้อมูลของ NVIDIA ให้ใช้กับภาษากรีกสมัยใหม่ ซึ่งเป็นภาษาที่ไม่มีอยู่ในโมเดลชุดนั้นและไม่มีในชุดวัดหลายภาษาหลักๆ ผลที่ควรอ่านก่อนอย่างอื่นคือวิธีค้นด้วยคำสำคัญอย่าง BM25 ที่ไม่ต้องตั้งค่าพารามิเตอร์อะไรเลย ทำได้ดีกว่าโมเดลค้นข้อมูลหลายภาษาแบบเวกเตอร์หลายตัวที่หยิบมาใช้ทันที บนคลังเอกสารเฉพาะทางภาษากรีก

เมื่อฝึกเพิ่มด้วยคู่ข้อมูลค้นหาภาษากรีก 65,773 คู่ โมเดลฝังข้อความขนาด 1 พันล้านพารามิเตอร์ขยับคะแนน nDCG@10 จาก 0.362 เป็น 0.835 และการปรับโมเดลอ่านขนาด 30 พันล้านพารามิเตอร์แบบ LoRA ทำให้ความถูกต้องของคำตอบที่กรรมการตัดสินขยับจาก 29.4% เป็น 66.9% ข้อควรระวังที่ผู้เขียนเขียนเองคือความสามารถที่เรียนมาถ่ายไปยังภาษากรีกทั่วไปได้ แต่ข้อได้เปรียบเหนือ BM25 ยังขึ้นกับโดเมน และวิธีที่ชนะเป็นของผู้เขียนเองบนชุดวัดที่ผู้เขียนสร้าง

▲ ทำไมต้องรู้ · เรื่องนี้ตรงกับสถานการณ์ของภาษาไทยแบบชนกันพอดี เพราะทีมไทยที่ทำระบบถามตอบจากเอกสารมักเริ่มด้วยการหยิบโมเดลค้นข้อมูลหลายภาษาที่มีชื่อเสียงมาใช้ทันที แล้วสรุปว่าคุณภาพที่ได้คือเพดานของเทคโนโลยี งานนี้บอกว่าควรทดลองวิธีค้นด้วยคำสำคัญเทียบไว้เป็นเส้นฐานทุกครั้ง เพราะมันฟรี ไม่ต้องฝึก และอาจชนะของที่ดูทันสมัยกว่าบนภาษาและโดเมนของคุณ อีกข้อคือถ้าจะเอาชนะเส้นฐานนั้นจริง ต้องลงทุนฝึกเพิ่มด้วยข้อมูลภาษาตัวเอง ไม่ใช่แค่เปลี่ยนไปใช้โมเดลที่ใหญ่ขึ้น

arXiv 2608.05138

ไชยชนก ชิดชอบ รัฐมนตรีว่าการกระทรวงดิจิทัลเพื่อเศรษฐกิจและสังคม ระบุเมื่อ 9 ส.ค. 2026 ว่าตามกรอบสัญญา โครงการ TH-AI Passport จะต้องเริ่มดำเนินการช้าที่สุดภายในวันที่ 1 ก.ย. 2569 ตัวโครงการคือการให้คนไทยอายุ 15 ปีขึ้นไปจำนวน 5 ล้านสิทธิ ใช้ AI ระดับ Pro หรือ Premium จำนวน 12 โมเดลฟรีหนึ่งปี โดยต้องอบรมออนไลน์และผ่านการประเมินก่อน พร้อมคอร์สทักษะ AI กว่า 130 คอร์ส

สาระที่รัฐมนตรีระบุว่าเปลี่ยนคือรูปแบบการจ่ายเงิน จากเดิมที่จ่ายแบบเหมา มาเป็นการจ่ายตามจำนวนผู้ใช้งานจริงรายเดือน โดยยังคงเพดานไว้ที่ 5 ล้านคน และอธิบายด้วยตัวอย่างว่าหากมีผู้ลงทะเบียนครบ 5 ล้านคน แต่เดือนใดมีผู้ใช้งานจริงเพียง 4 ล้านคน รัฐจะจ่ายเฉพาะผู้ใช้งาน 4 ล้านคนในเดือนนั้น เหตุผลที่ยกมาสนับสนุนโครงการคือการลดความเหลื่อมล้ำในการเข้าถึงเทคโนโลยี พร้อมเล่าจากการลงพื้นที่ว่าพบครูที่ใช้บริการฟรีได้เพียงราวสี่คำสั่งก่อนต้องรอวันถัดไป ซึ่งเป็นเรื่องเล่าของเจ้าของโครงการเองและไม่ได้ระบุว่าเป็นบริการตัวไหน

ตัวเลขที่ควรใช้อ้างอิงคือค่าจ้างที่ชนะการประมูล 1,621 ล้านบาท ต่ำกว่าราคากลางราว 1.76% โดยคู่สัญญาเป็นกิจการร่วมค้าของบริษัทไทย ไม่ใช่ผู้ให้บริการ AI โดยตรง ข้อควรระวังที่สำคัญคือสัญญาฉบับแก้ไขยังไม่ปิด ตัวรายงานระบุเองว่าอยู่ระหว่างตรวจสอบรายละเอียดและคาดว่าจะได้ข้อสรุปในสัปดาห์ถัดไป และโครงการนี้เคยตั้งเป้าเปิดวันที่ 1 ก.ค. แล้วไม่ทัน วันที่ 1 ก.ย. จึงเป็นเพดานตามสัญญา ไม่ใช่วันเปิดที่ยืนยันแล้ว อีกข้อคือรายชื่อ 12 โมเดลยังไม่เคยเปิดเผย รายชื่อยี่ห้อที่ปรากฏตามสื่อบางแห่งเป็นการคาดการณ์ของผู้เขียนข่าว ไม่ใช่การยืนยันของรัฐ

ฝั่งที่คัดค้านมีสาระหลักห้าข้อ คือเป้า 5 ล้านคนไม่มีการศึกษาความต้องการรองรับ ข้อกำหนดการประมูลถูกตั้งข้อสังเกตว่าอาจล็อกสเปกและให้เวลายื่นข้อเสนอสั้นผิดปกติ ความคุ้มค่าเมื่อเทียบกับการซื้อโควตาแบบรวมศูนย์ ความกังวลเรื่องผลประโยชน์ทับซ้อน และความกังวลเรื่องอธิปไตยข้อมูลกับคำสั่งที่ผู้ใช้ 5 ล้านคนจะพิมพ์เข้าไป โดยเมื่อ 21 มิ.ย. ณัฐพงษ์ เรืองปัญญาวุฒิ จากพรรคประชาชนเรียกร้องให้คณะกรรมการป้องกันและปราบปรามการทุจริตแห่งชาติเข้าตรวจสอบเองโดยไม่ต้องรอผู้ร้อง และเมื่อ 22 มิ.ย. มีแถลงการณ์ร่วมของ 16 องค์กรด้านเทคโนโลยี ฝ่ายรัฐยืนยันว่าทำตามขั้นตอนกฎหมายครบถ้วน ไม่มีการล็อกสเปก ไม่ชะลอและไม่ยกเลิก แต่พร้อมรีเซ็ตทั้งหมดหากพบว่าผิดกฎหมาย และระบุว่าข้อมูลผู้ใช้เก็บบนคลาวด์ในประเทศไทยโดยผู้ให้บริการนำไปฝึกโมเดลต่อไม่ได้

▲ ทำไมต้องรู้ · ถ้าโครงการนี้เปิดจริง คนไทย 5 ล้านคนจะได้ใช้เครื่องมือ AI ระดับที่ต้องจ่ายเงินฟรีหนึ่งปี ซึ่งเป็นการเปลี่ยนสภาพการแข่งขันของคนทำงานทั้งประเทศในระดับที่ไม่เคยมีมาก่อน สิ่งที่ควรทำในทางปฏิบัติคือติดตามวันเปิดลงทะเบียนและเงื่อนไขการอบรม เพราะสิทธิมีเพดานและต้องผ่านการประเมินก่อน ส่วนสิ่งที่ควรเตรียมใจคือกำหนดการยังเลื่อนได้ เพราะเลื่อนมาแล้วหนึ่งรอบและสัญญายังไม่ลงนาม อีกเรื่องที่ควรคิดตั้งแต่วันนี้คือคำถามเรื่องข้อมูล เพราะการพิมพ์งานของบริษัทเข้าเครื่องมือที่รัฐจัดหาให้ ยังต้องอ่านเงื่อนไขเองว่าข้อมูลไปอยู่ที่ไหน

กรุงเทพธุรกิจ · MDES · The Standard · The Momentum · th-ai-passport-2026

กระทรวงดิจิทัลเพื่อเศรษฐกิจและสังคมเปิดสถิติเมื่อ 9 ส.ค. 2026 ว่าครึ่งปีแรกของปี 2569 มีคดีหลอกลวงออนไลน์มากกว่า 170,000 คดี มูลค่าความเสียหายใกล้ 9,000 ล้านบาท เฉลี่ยราว 52,000 บาทต่อคดี โดยเฟซบุ๊กเป็นช่องทางที่พบมากที่สุดที่ 61% ขณะที่ LINE สร้างความเสียหายรวมใกล้เคียงกันจากจำนวนคดีที่น้อยกว่า

ฝั่งมาตรการ รัฐระบุว่ามีการใช้ AI ตรวจจับข้อความหลอกลวงและพฤติกรรมชักชวนลงทุน ร่วมกับการเชื่อมข้อมูลข้ามธนาคารแบบทันทีเพื่ออายัดบัญชีม้า การทำบัญชีดำร่วมกันของธนาคารไทย และการเร่งคืนเงินให้ผู้เสียหายโดยไม่ต้องรอคำสั่งศาล ซึ่งตั้งเป้าไว้ในเดือน ก.ย. 2569 ส่วนสภาผู้บริโภคเดินหน้าดำเนินคดีกับแพลตฟอร์มและสถาบันการเงินในประเด็นหน้าที่ป้องกันการหลอกลวง ข้อควรระวังคือตัวเลขทั้งชุดเป็นการเปิดเผยของหน่วยงานรัฐ และรายงานไม่ได้แยกให้เห็นว่าคดีกลุ่มไหนเกี่ยวข้องกับ AI โดยตรง

▲ ทำไมต้องรู้ · ตัวเลขนี้เป็นฐานที่ควรจำไว้เวลาประเมินความเสี่ยงของการเอา AI มาใช้ในงานที่ต้องคุยกับลูกค้า เพราะเมื่อของปลอมสร้างง่ายขึ้น ช่องทางที่คนไทยถูกหลอกมากที่สุดก็เป็นช่องทางเดียวกับที่ธุรกิจส่วนใหญ่ใช้ขายของ สิ่งที่หยิบไปใช้ได้ทันทีคือตั้งวิธียืนยันตัวตนที่ไม่ผูกกับสิ่งที่ปลอมได้ง่าย เช่นการโทรกลับตามเบอร์ที่บันทึกไว้เอง แทนการเชื่อข้อความหรือเสียงที่ส่งเข้ามา และควรบอกลูกค้าล่วงหน้าว่าช่องทางไหนเป็นของจริงของบริษัท

กรุงเทพธุรกิจ

รัฐมนตรีกระทรวงการสื่อสารและดิจิทัลของอินโดนีเซียกล่าวเมื่อ 7 ส.ค. 2026 ในงานเปิดตัว Zankore ซึ่งเป็นความร่วมมือของ Indosat Ooredoo Hutchison, Ooredoo Group, Nokia และ NVIDIA เพื่อสร้างโรงงานคอมพิวเตอร์สำหรับงาน AI โดยตั้งเป้ากำลังประมวลผล 1 กิกะวัตต์ภายในสามปี ซึ่งกระทรวงระบุว่าเป็นโครงการโครงสร้างพื้นฐานด้านการประมวลผล AI ที่ใหญ่ที่สุดในเอเชียตะวันออกเฉียงใต้

แผนก่อสร้างเริ่มครึ่งแรกของปี 2027 ที่เมืองบาตังในชวากลาง โดยเปิดที่ราว 200 เมกะวัตต์ก่อนขยายไปถึง 1 กิกะวัตต์ และมีการอ้างประมาณการของอุตสาหกรรมว่าโรงงานเต็มรูปแบบมีต้นทุนราว 50 ล้านดอลลาร์ต่อเมกะวัตต์ อีกส่วนของโครงการคือการพัฒนา Sahabat-AI ซึ่งเป็นโมเดลภาษาแบบเปิดขนาด 70 พันล้านพารามิเตอร์ ครอบคลุมภาษาอินโดนีเซียพร้อมภาษาชวา ซุนดา บาหลี และบาตัก ส่วนโรงงานผลิตชิปกราฟิกแห่งแรกของประเทศที่จิการังในชวาตะวันตกมีกำหนดเปิดเดือน ธ.ค. 2026 ข้อควรระวังคือทั้งหมดเป็นเป้าหมายและแผนที่ประกาศในงานเปิดตัว ยังไม่ใช่กำลังผลิตที่มีอยู่จริง

▲ ทำไมต้องรู้ · เรื่องนี้เป็นหมุดเทียบที่ตรงที่สุดสำหรับคนไทยที่ติดตามว่าภูมิภาคนี้กำลังเดินไปทางไหน เพราะเพื่อนบ้านกำลังลงทุนทั้งสองด้านพร้อมกัน คือทั้งเครื่องที่รันโมเดลและตัวโมเดลที่รองรับภาษาท้องถิ่นของตัวเองรวมถึงภาษาถิ่นย่อย ผลต่อธุรกิจไทยในทางปฏิบัติคือค่าบริการประมวลผล AI ในภูมิภาคมีโอกาสถูกลงเมื่อกำลังผลิตเพิ่ม และการมีโมเดลที่เข้าใจภาษาท้องถิ่นดีขึ้นเป็นเงื่อนไขของการขยายตลาดไปประเทศเพื่อนบ้าน ซึ่งเป็นเรื่องที่ควรถามผู้ให้บริการว่ารองรับภาษาอะไรได้จริงบ้าง

ANTARA

หน่วยงานพัฒนาพื้นที่ฐานทัพเก่าของฟิลิปปินส์ระบุเมื่อ 9 ส.ค. 2026 ว่าเขตอุตสาหกรรม AI ชื่อ Pax Silica ในนิวคลาร์กซิตี จังหวัดตาร์ลัก จะใช้เวลาพัฒนาเต็มรูปแบบ 30 ปีโดยเริ่มปี 2028 แบ่งเป็นสามระยะ ระยะแรกครอบคลุมพื้นที่ราว 500 เฮกตาร์และคาดว่าจะมีผู้ประกอบการ 10 ถึง 20 ราย โดยผู้บริหารระบุกรอบเวลาไว้ที่สามถึงห้าปี

ตัวเลขที่หน่วยงานคาดการณ์คือเงินลงทุนตั้งต้นจากผู้ประกอบการต่างชาติราว 10,000 ล้านดอลลาร์สำหรับถนน น้ำ และไฟ และเมื่อพัฒนาเต็มที่คาดว่าจะมีการลงทุน 40,000 ถึง 70,000 ล้านดอลลาร์ รายได้ค่าเช่า 60,000 ล้านเปโซในระยะ 25 ปี และการจ้างงานตรง 130,000 ถึง 190,000 ตำแหน่ง จุดที่น่าสนใจที่สุดคือผู้บริหารระบุว่าจะไม่มีการสร้างศูนย์ข้อมูลขนาดใหญ่ในเขตนี้ โดยมีบริษัทอเมริกันรายหนึ่งเคยพิจารณาสร้างในนิวคลาร์กซิตีแล้วยกเลิกเพราะความต้องการไฟฟ้า เขตนี้จะเน้นการผลิตชิปสำหรับโทรศัพท์ โน้ตบุ๊ก และเซิร์ฟเวอร์แทน ข้อควรระวังคือตัวเลขทั้งหมดเป็นการคาดการณ์ของหน่วยงานรัฐในการแถลงข่าว ไม่ใช่เงินลงทุนที่เกิดขึ้นแล้ว

▲ ทำไมต้องรู้ · ประเด็นที่ใช้ได้จริงจากข่าวนี้คือข้อจำกัดเรื่องไฟฟ้ากำลังกลายเป็นตัวกำหนดว่าใครจะได้อะไรในภูมิภาค เมื่อโครงการที่รัฐหนุนเต็มที่ยังเลือกไม่สร้างศูนย์ข้อมูลขนาดใหญ่เพราะไฟไม่พอ นั่นเป็นสัญญาณที่ตรงกับคำถามที่ธุรกิจไทยควรถามเวลาวางแผนใช้ AI หนักๆ ว่ากำลังไฟและต้นทุนพลังงานในประเทศรองรับได้แค่ไหน อีกจุดที่ควรอ่านคือการแยกบทบาท ระหว่างประเทศที่รับงานผลิตชิ้นส่วนกับประเทศที่รับงานประมวลผล ซึ่งเป็นสองบทบาทที่ให้ผลตอบแทนและต้องการทรัพยากรคนละแบบ

The Philippine Star

รัฐมนตรีศึกษาธิการของเดนมาร์กประกาศเมื่อวันพฤหัสบดีที่ 6 ส.ค. 2026 ว่าจะเพิ่มการสอบปากเปล่าเพื่อป้องกันงานเขียนชิ้นใหญ่ในหลักสูตรเตรียมอุดมศึกษาแบบสองปี โดยนักเรียนต้องอภิปรายและอธิบายงานเขียนของตัวเองให้ครูประเมินได้ว่าเข้าใจข้อโต้แย้งและวิธีการที่เขียนไปจริงหรือไม่ พร้อมมาตรการอื่นอีกสองข้อคือการขยายการใช้ซอฟต์แวร์เฝ้าหน้าจอในการสอบ และการแนะนำให้เพิ่มงานเขียนที่ทำในโรงเรียนโดยมีผู้คุม

รัฐมนตรีระบุว่า "We unfortunately have a problem with AI cheating in upper secondary education. Action is needed now." ขณะที่ประธานสมาคมโรงเรียนมัธยมปลายมองว่าชุดมาตรการนี้ยังห่างจากความเพียงพอมาก แต่ยอมรับว่าเป็นก้าวที่สมเหตุสมผล บริบทตัวเลขที่สมาคมอ้างจากผลสำรวจของหน่วยงานประเมินคุณภาพการศึกษาคือนักเรียนมัธยมปลายเก้าในสิบคนใช้ AI ในงานที่เกี่ยวกับการเรียน ข้อควรระวังคือรายงานที่เราอ่านได้ไม่ระบุวันที่มาตรการมีผลบังคับใช้ และเป็นการรายงานที่อ้างต่อจากสำนักข่าวโทรทัศน์และสำนักข่าวของเดนมาร์ก ไม่ใช่เอกสารของกระทรวงโดยตรง

▲ ทำไมต้องรู้ · สิ่งที่เดนมาร์กเลือกทำมีบทเรียนที่ใช้ได้ไกลกว่าโรงเรียน เพราะเมื่อไม่มีเครื่องมือไหนตรวจได้แน่ชัดว่างานชิ้นหนึ่ง AI เขียนหรือไม่ ทางที่เหลือคือเปลี่ยนวิธีวัด จากการดูผลงานไปเป็นการดูว่าเจ้าตัวอธิบายมันได้หรือเปล่า หลักเดียวกันใช้ได้กับการรับคนเข้าทำงานและการประเมินผลงานในองค์กร คือแทนที่จะพยายามจับว่าใครใช้ AI ให้เปลี่ยนโจทย์เป็นให้เล่าว่าตัดสินใจอย่างไรและทำไมจึงเลือกทางนั้น ซึ่งเป็นสิ่งที่คนที่ส่งงานโดยไม่อ่านตอบไม่ได้

NordiskPost

Senko Rašić เผยแพร่บทความเมื่อ 8 ส.ค. 2026 โต้ประโยคที่แพร่หลายในการถกเรื่อง AI เขียนโค้ด ซึ่งบอกว่า AI อาจเขียนโค้ดเก่ง แต่การเขียนโค้ดไม่เคยเป็นส่วนที่ยากของงานซอฟต์แวร์ เรื่องนี้ได้ 650 คะแนนและ 402 ความเห็นบน Hacker News ซึ่งสูงสุดในกรอบวันนี้

วิธีเถียงของเขาคือย้อนถาม ว่าถ้าการเขียนโค้ดง่ายจริง โปรแกรมเมอร์จะได้ค่าตอบแทนและการยอมรับสูงขนาดนี้ไปทำไม คนอย่าง John Carmack จะเป็นที่จดจำได้อย่างไร และซอฟต์แวร์จะยังมีบั๊กมากขนาดนี้เพราะอะไร กลับกัน ถ้าการกำหนดว่าจะสร้างอะไรเป็นส่วนที่ยากจริง คนทำหน้าที่นั้นก็ควรได้เงินมากกว่าและถูกสัมภาษณ์ยากกว่า เขาปฏิเสธการแบ่งสองขั้วนี้ทั้งหมด และสรุปว่าสิ่งที่สำคัญคือความเข้าใจระบบอย่างลึกซึ้งควบคู่กับเหตุผลว่าเรากำลังสร้างมันไปเพื่ออะไร ข้อควรระวังคือนี่เป็นบทความความเห็นของบุคคล ไม่มีข้อมูลหรือผลวัดประกอบ และไม่ได้ระบุว่าใครเป็นเจ้าของประโยคที่เขาโต้ ส่วนความเห็นในกระทู้ก็แตกเป็นสองทาง โดยฝ่ายที่ไม่เห็นด้วยชี้ว่าในองค์กรใหญ่ การรวบรวมความต้องการและการหาข้อตกลงกับผู้เกี่ยวข้องเป็นคอขวดจริง

▲ ทำไมต้องรู้ · บทสนทนานี้กำลังเกิดขึ้นในทุกองค์กรที่เริ่มให้ AI ช่วยทำงาน ไม่เฉพาะงานเขียนโค้ด เพราะประโยคเดียวกันถูกนำไปใช้กับงานเขียน งานออกแบบ และงานวิเคราะห์ด้วย สิ่งที่ควรระวังคือการสรุปว่าเมื่อ AI ทำส่วนที่เป็นฝีมือได้แล้ว ส่วนที่เหลือคือการคิดว่าจะสร้างอะไร ซึ่งฟังดูมีเหตุผลแต่ข้ามข้อเท็จจริงว่าคนที่จะตรวจงาน AI ได้ ต้องเคยทำงานนั้นเก่งพอที่จะรู้ว่ามันผิดตรงไหน คำถามที่มีประโยชน์กว่าสำหรับหัวหน้างานคือถ้าคนในทีมไม่เคยลงมือทำงานระดับรายละเอียดเอง อีกสามปีใครจะเป็นคนบอกได้ว่างานที่ AI ส่งมาใช้ได้หรือไม่

Senko Rašić · HN