AI News · 2026-08-12

OpenAI ประกาศเมื่อวันที่ 10 ส.ค. 2026 ว่าแบ่งโครงการ Daybreak ออกเป็นสองชั้น ชั้นที่เรียกว่า Blue เปิดให้ผู้ป้องกันระบบที่ผ่านการอนุมัติใช้โมเดลทั่วไปอย่าง GPT-5.6 Sol โดยถอดด่านกรองระดับระบบที่ปกติจะสกัดคำถามด้านความปลอดภัยออกไป งานที่ระบุว่ารองรับคือการค้นหาช่องโหว่ ตรวจโค้ด วิเคราะห์มัลแวร์ รับมือเหตุการณ์ และตรวจสอบแพตช์ ส่วนชั้นที่เรียกว่า Red เปิดให้เข้าถึงโมเดลที่ฝึกมาเพื่องานความปลอดภัยโดยเฉพาะ และเป็นทางเดียวที่จะใช้ GPT-5.6-Cyber ได้

ตัวเลขที่บริษัทเผยแพร่คืออัตราการรับทำคำขอด้านความปลอดภัยขั้นสูง ซึ่งครอบคลุมโจทย์อย่างการประกอบห่วงโซ่การโจมตี การข้ามระบบยืนยันตัวตน และการยกระดับสิทธิ์ โดย GPT-5.6-Cyber อยู่ที่ 95% รุ่นก่อนหน้าอยู่ที่ 57.3% ส่วน GPT-5.6 Sol ที่คนทั่วไปใช้อยู่ที่ 1.5% และเมื่ออยู่ใต้ชั้น Blue ขยับขึ้นเป็นเพียง 2.0%

ผลงานชิ้นที่ตรวจสอบจากภายนอกได้คือบริษัทระบุว่าใช้โมเดลนี้ค้นพบช่องโหว่ระดับรุนแรงสูงใน V8 ซึ่งเป็นส่วนประมวลผล JavaScript ของ Chrome และ Google แก้ไปแล้วภายใต้รหัส CVE-2026-15903

ข้อควรระวังคือตัวเลขทั้งชุดเป็นการวัดของ OpenAI เอง ยังไม่มีผู้ตรวจภายนอกยืนยัน และหน้าประกาศต้นทางบน openai.com คืนค่า 403 กับเครื่องมือของเรา รายละเอียดทั้งหมดจึงมาจากสื่อความปลอดภัยที่อ่านหน้าประกาศนั้นเมื่อวันที่ 11 ส.ค.

▲ ทำไมต้องรู้ · ช่องว่างระหว่าง 1.5% กับ 95% คือหลักฐานที่ชัดที่สุดเท่าที่เคยมีตัวเลขว่า การที่โมเดลปฏิเสธคำขอของเราไม่ได้แปลว่ามันทำไม่ได้ แต่แปลว่ามีคนตั้งค่าไว้ว่าไม่ให้ทำกับเรา ความสามารถกับความยอมทำเป็นคนละเรื่องกันและถูกปรับแยกกันได้ ข้อที่ใช้ได้จริงคือเวลาประเมินความเสี่ยงขององค์กร อย่าประเมินจากสิ่งที่โมเดลยอมทำให้คุณเห็น เพราะอีกฝั่งของกำแพงเดียวกันนั้นมีคนที่ได้เวอร์ชันที่ยอมทำเกือบทุกอย่างอยู่แล้ว

Infosecurity Magazine · Quartz

Mistral ประกาศเมื่อวันที่ 11 ส.ค. 2026 ว่า Regional Endpoints เปิดใช้ทั่วไปแล้ว ทำให้ลูกค้ากำหนดได้ว่าการประมวลผลจะเกิดขึ้นในยุโรปหรือในสหรัฐ พร้อมเปิดพรีวิวชั้นบริการที่มีข้อตกลงระดับการให้บริการและการรับประกันเวลาทำงานสำหรับงานที่หยุดไม่ได้

สิ่งที่ต่างจากประกาศทั่วไปของผู้ผลิตโมเดลคือบริษัทจะรับเสิร์ฟโมเดลเปิดของเจ้าอื่นบนโครงสร้างพื้นฐานของตัวเองด้วย โดยเริ่มจาก GLM-5.2 ของ Z.ai วางขายอยู่ข้างโมเดลของบริษัทเอง ซึ่งเปลี่ยนสถานะจากผู้ผลิตโมเดลไปเป็นผู้ให้บริการรันโมเดลไปพร้อมกัน

ฝั่งโครงสร้างพื้นฐานบริษัทเปิดโครงการรวมคำมั่นการใช้กำลังประมวลผลระยะยาวขององค์กรใหญ่เข้าด้วยกัน โดยมี ASML, CMA CGM, Amadeus และ Caisse des Dépôts เป็นพันธมิตรตั้งต้น พร้อมระบุแผนสร้างกำลังประมวลผลถึงระดับ 1 กิกะวัตต์ภายในปี 2030

ข้อควรระวังคือประโยคที่บริษัทเขียนว่า "Mistral is the only European AI lab to offer both: choice of processing region and a committed, SLA-backed service level" เป็นคำเคลมของผู้ขายที่ยังไม่มีใครตรวจ และตัวเลข 1 กิกะวัตต์ในปี 2030 เป็นแผน ไม่ใช่กำลังที่มีอยู่จริงวันนี้

▲ ทำไมต้องรู้ · องค์กรไทยที่ติดเงื่อนไขว่าข้อมูลต้องไม่ถูกประมวลผลนอกเขตที่กำหนด กำลังมีตัวเลือกมากขึ้นเรื่อยๆ และการที่ผู้ผลิตโมเดลเริ่มรับรันโมเดลของคู่แข่งด้วย แปลว่าการเลือกผู้ให้บริการกับการเลือกโมเดลกำลังแยกออกจากกัน ซึ่งเป็นข่าวดีสำหรับคนซื้อเพราะย้ายโมเดลได้โดยไม่ต้องย้ายสัญญาทั้งก้อน

Mistral

Anthropic เผยแพร่เอกสารระบุว่าตอนนี้บริษัททำเครื่องหมายบอกที่มาลงในผลลัพธ์ที่ Claude สร้างแล้ว สำหรับข้อความคือการฝังลายน้ำที่มองไม่เห็นลงไปในถ้อยคำเอง เอกสารเขียนว่า "it weaves an imperceptible watermark directly into the text itself. You won't see it, and it doesn't change the meaning, quality, or readability" และระบุว่าลายน้ำติดไปด้วยเมื่อคัดลอกไปวาง และทนต่อการแก้ไขได้ระดับหนึ่ง ส่วนไฟล์ใช้ข้อมูลกำกับที่มาแบบมีลายเซ็นตามมาตรฐานเปิด C2PA โดยยกตัวอย่างสกุลไฟล์ svg, png และ jpg

ขอบเขตครอบทั้ง Claude Platform ที่เป็น API, ตัว Claude, Claude Code, Claude Cowork และ Claude Tag รวมถึงเมื่อเรียกผ่านคลาวด์พันธมิตรอย่าง AWS, Google Cloud และ Microsoft Foundry โมเดลที่เปิดตัวตั้งแต่วันที่ 2 ส.ค. 2026 เป็นต้นมารองรับตั้งแต่วันเปิดตัว ส่วนรุ่นเก่ากว่านั้นบริษัทระบุว่ากำลังทยอยเพิ่มให้

ที่มาของกติกานี้คือประมวลแนวปฏิบัติเรื่องความโปร่งใสของเนื้อหาที่สร้างด้วย AI ตามมาตรา 50(2) ของกฎหมาย AI ของสหภาพยุโรป แต่จุดที่คนไทยต้องอ่านให้ตรงคือมันไม่ได้บังคับเฉพาะในยุโรป เอกสารเขียนไว้ว่า "Marking will apply to output from supported models wherever Claude is offered, worldwide" และทั้งหน้าไม่มีข้อความใดบอกว่าผู้ใช้ปิดได้

ข้อควรระวังที่บริษัทเขียนเองมีสองข้อและสำคัญพอกับตัวประกาศ ข้อแรกคือ "A detected mark provides a signal that content was processed by Claude, but is not fully conclusive" เพราะ Claude อาจแค่ช่วยตรวจทานหรือแปล ไม่ได้เป็นคนเขียน ข้อสองคือการตรวจไม่เจอไม่ได้แปลว่าไม่ใช่งาน AI เพราะลายน้ำหลุดได้จากการแก้หนัก การเรียบเรียงใหม่ ข้อความสั้นเกินไป หรือการถูกตัดข้อมูลกำกับทิ้ง และ ณ วันนี้ยังไม่มีเครื่องมือให้คนทั่วไปตรวจ บริษัทระบุเพียงว่า "We'll share details on detection mechanisms in forthcoming technical documentation"

▲ ทำไมต้องรู้ · งานที่ให้ AI ช่วยแล้วส่งออกไปในชื่อของเรากำลังจะมีร่องรอยติดไปด้วยโดยที่เราปิดไม่ได้ สิ่งที่ควรทำไม่ใช่หาวิธีลบลายน้ำ แต่คือคุยกับที่ทำงานหรือลูกค้าให้ชัดตั้งแต่ตอนนี้ว่าการใช้ AI ช่วยงานระดับไหนที่ยอมรับได้ เพราะข้อตกลงที่ชัดคุ้มครองเราได้ ส่วนการหวังว่าไม่มีใครรู้นั้นหมดอายุแล้ว และอีกด้านที่ต้องระวังเท่ากันคืออย่าใช้ผลตรวจลายน้ำไปกล่าวหาใคร เพราะเจ้าของเทคโนโลยีเองบอกว่าผลบวกไม่ได้พิสูจน์ว่าใครเขียน และผลลบไม่ได้พิสูจน์ว่าไม่ได้ใช้ AI

Anthropic · Blognone · Hacker News

บันทึกการเปลี่ยนแปลงของ Anthropic ลงวันที่ 11 ส.ค. 2026 ระบุว่า Compliance API คืนบทสนทนาของ session ที่รันบนเครื่องของผู้ใช้ได้แล้ว ซึ่งครอบคลุมทั้ง Cowork และ Claude Code โดยอยู่ในสถานะทดลองสำหรับองค์กรระดับ Enterprise

สิ่งที่เรียกได้มีสามอย่างคือรายการ session ทั้งองค์กร ข้อมูลกำกับของ session ใดก็ได้ และตัวบทสนทนาทั้งหมดของ session นั้น โดยใช้กุญแจเข้าถึงที่องค์กรมีอยู่แล้วกับสิทธิ์ที่ชื่อ read:compliance_user_data

จุดที่ทำให้ประกาศนี้ต่างจากของเดิมคือเมื่อวันที่ 3 ส.ค. บริษัทเพิ่งเปิดความสามารถแบบเดียวกันสำหรับ session ที่เริ่มบนเว็บและมือถือ ส่วนของวันที่ 11 ส.ค. คือการขยายไปถึงเครื่องของพนักงานเอง ซึ่งเป็นเส้นที่คนจำนวนมากเข้าใจว่าเป็นพื้นที่ส่วนตัวของตัวเอง

▲ ทำไมต้องรู้ · ถ้าที่ทำงานซื้อแพ็กเกจระดับองค์กรและคุณใช้เครื่องมือเหล่านี้บนเครื่องตัวเอง ให้ตั้งสมมติฐานว่าทุกอย่างที่พิมพ์ลงไปเป็นบันทึกของบริษัท ไม่ใช่ของคุณ นี่ไม่ใช่เรื่องผิดปกติเพราะองค์กรมีหน้าที่ตามกฎหมายที่ต้องเก็บหลักฐานได้ แต่สิ่งที่เปลี่ยนคือเส้นแบ่งขยับเข้ามาถึงเครื่องส่วนตัวแล้ว ข้อที่ทำได้ทันทีคืออย่าเอาเรื่องส่วนตัว ข้อมูลสุขภาพ หรือแผนย้ายงานไปคุยในเครื่องมือที่บริษัทเป็นคนจ่าย

Anthropic

Claude Code เผยแพร่รุ่น 2.1.228 ซึ่งมีจุดที่เป็นการอุดช่องโหว่ห่วงโซ่อุปทานอยู่หนึ่งจุด คือการทำให้ skill ที่ซิงก์มาจาก claude.ai ไม่สามารถบดบังคำสั่งในเครื่องหรือ prompt ของ MCP ได้อีก คำอธิบายของมันจะถูกทำความสะอาดและติดป้ายกำกับ และเนื้อในของมันจะไม่รันคำสั่งที่ขึ้นต้นด้วยเครื่องหมายตกใจหรือขยายการอ้างอิงไฟล์ด้วยเครื่องหมายแอทบนเครื่องของผู้ใช้อีกต่อไป

อีกจุดที่กระทบข้อมูลโดยตรงคือการแก้บั๊กที่ขั้นตอนล้าง session ไปลบของข้างในโฟลเดอร์ความจำของโปรเจกต์ และบั๊กที่การล้างแคชของ plugin ไปลบแคชของ plugin ที่มีเวอร์ชันเดียวซึ่งเป็นลิงก์ไปยังโฟลเดอร์ที่กำลังพัฒนาอยู่

ส่วนที่เหลือเป็นการแก้อาการที่หน้าจอหยุดวาดใหม่ทั้งที่โปรเซสยังทำงานอยู่ การหา git บน Windows ไม่เจอเมื่อเปิดจากโฟลเดอร์แม่ของที่ติดตั้ง git ไว้ และการที่ Remote Control ทำให้ชื่อหรือประวัติของบทสนทนาที่เรียกกลับมารั่วเข้าไปใน session ที่เชื่อมต่ออยู่

ข้อควรระวังคือไฟล์บันทึกการเปลี่ยนแปลงของโครงการนี้ไม่ระบุวันที่กำกับแต่ละรุ่น จึงยืนยันวันปล่อยจากแหล่งเดียวไม่ได้ บอกได้เพียงว่าใหม่กว่ารุ่น 2.1.227 ที่บันทึกไว้ก่อนหน้า

▲ ทำไมต้องรู้ · เรื่องนี้เป็นตัวอย่างที่จับต้องได้ของความเสี่ยงที่มากับความสะดวก คือการซิงก์ชุดคำสั่งสำเร็จรูปจากบัญชีบนเว็บลงมาที่เครื่อง เพราะสิ่งที่ซิงก์ลงมาเป็นข้อความที่สั่งงานเครื่องมือได้จริง ข้อที่ใช้ได้กับทุกเครื่องมือไม่ใช่แค่ตัวนี้คือ ก่อนติดตั้งส่วนขยายหรือชุดคำสั่งสำเร็จรูปจากที่ใดก็ตาม ให้ถามว่ามันรันอะไรบนเครื่องเราได้บ้าง และคำตอบว่าไม่รู้แปลว่ายังไม่ควรติดตั้ง

บันทึกการเปลี่ยนแปลง

Rafael Pierre เผยแพร่บันทึกเมื่อวันที่ 4 ส.ค. 2026 ที่เขาเอา GitHub Copilot บน VS Code ไปผ่านตัวดักกลางเพื่อดูว่ามันส่งอะไรออกไปบ้าง สิ่งที่พบคือมีการเรียกตัวจำแนกเจตนาเพื่อจัดประเภทคำสั่งเป็นกลุ่มอย่างการสร้างโค้ด การหาบั๊ก และการให้เหตุผล ก่อนจะส่งต่อไปยังโมเดลที่เหมาะกับงานนั้น

สิ่งที่ถูกแนบไปกับคำขอไม่ใช่แค่ไฟล์ที่กำลังเปิดอยู่ แต่รวมถึงไฟล์ที่เพิ่งแก้ล่าสุดมากถึง 20 ไฟล์ พร้อมสรุปการแก้ไข 8 รายการและบริบทรายการละ 3 บรรทัด บวกประวัติของ session และข้อมูลกำกับของ repo กับ branch

จุดที่เป็นปัญหาจริงคือทุกข้อความและทุกคำตอบถูกเก็บลงฐานข้อมูลในเครื่องเป็นข้อความธรรมดาโดยไม่มีการปกปิดใดๆ เขาทดสอบด้วยการวางโทเคน GitHub ปลอม กุญแจ AWS ปลอม และรหัสผ่านฐานข้อมูลปลอมไว้ แล้วพบว่ามันถูกส่งไปกับคำขอเติมโค้ดขณะที่เขากำลังแก้ไฟล์อื่นที่ไม่เกี่ยวข้องอยู่ และถูกเขียนลงดิสก์ด้วย ทั้งที่ปิดการใช้ไฟล์ตั้งค่าลับสำหรับการเติมโค้ดไว้แล้ว

▲ ทำไมต้องรู้ · คนส่วนใหญ่ประเมินความเสี่ยงของผู้ช่วยเขียนโค้ดที่คำถามว่าโค้ดของเราจะถูกเอาไปเทรนไหม แต่ความเสี่ยงที่ใกล้ตัวกว่าคือมันอ่านไฟล์ข้างเคียงไปด้วยโดยที่เราไม่ได้สั่ง และเก็บสิ่งที่อ่านเจอไว้ในเครื่องแบบอ่านออก ข้อที่ทำได้ทันทีคืออย่าเก็บรหัสผ่านจริงไว้ในโฟลเดอร์โปรเจกต์ที่เปิดอยู่ในโปรแกรมแก้โค้ดที่ต่อผู้ช่วย AI ไว้ เพราะขอบเขตที่มันอ่านกว้างกว่าไฟล์ที่เราเปิดอยู่มาก

บันทึกต้นทาง · Hacker News

ทีมงานของโครงการ cua เผยแพร่บันทึกเมื่อวันที่ 11 ส.ค. 2026 ว่าเครื่องเสมือนที่สร้างด้วย Virtualization.framework ของ Apple รายงานว่าตัวเองใช้การ์ดจอรุ่นเก่ากว่าที่เป็นจริง และรายงานเพดานหน่วยความจำของกลุ่มเธรดไว้ที่ 32 กิโลไบต์ ผลคือ llama.cpp เลือกใช้ชุดคำสั่งที่ช้ากว่าโดยอัตโนมัติเพราะเชื่อตามที่ระบบบอก

วิธีแก้ของทีมคือแทรกชั้นบางๆ ตรงจุดที่โปรแกรมถาม Metal แล้วรายงานค่าที่ตรงกับฮาร์ดแวร์จริงคือรุ่นที่เก้าและเพดาน 64 กิโลไบต์แทน ตัวเลขที่ผู้เขียนวัดเองคือการอ่านพรอมต์เร็วขึ้น 11.08 เท่าและการสร้างข้อความเร็วขึ้น 16.36 เท่าเมื่อเทียบกับการตั้งค่าเครื่องเสมือนแบบมาตรฐาน

ข้อควรระวังที่สำคัญที่สุดของข่าวนี้มาจากความเห็นในกระทู้ที่ Simon Willison ชี้ไว้ คืออาการนี้เกิดเฉพาะกับการรันในเครื่องเสมือนเท่านั้น คนที่รันโมเดลบนเครื่อง Mac ตรงๆ ไม่ได้รับผลกระทบและจะไม่เห็นตัวเลขที่ดีขึ้นแบบนี้ ส่วนตัวเลขความเร็วเป็นการวัดของผู้เขียนเอง

▲ ทำไมต้องรู้ · บทเรียนที่กว้างกว่าตัวปัญหาคือเวลาเครื่องมือ AI ทำงานช้ากว่าที่ควร สาเหตุมักไม่ได้อยู่ที่โมเดลหรือเครื่องไม่แรงพอ แต่อยู่ที่ชั้นใดชั้นหนึ่งระหว่างทางที่รายงานข้อมูลผิดแล้วโปรแกรมเชื่อตามนั้น ก่อนจะลงทุนซื้อเครื่องใหม่เพราะรู้สึกว่าช้า จึงควรตรวจว่าสิ่งที่รันอยู่มองเห็นฮาร์ดแวร์ที่มีอยู่ครบหรือเปล่า

บันทึกต้นทาง · Hacker News

Salvatore Sanfilippo ผู้สร้าง Redis เผยแพร่โครงการชื่อ h3.c เมื่อวันที่ 11 ส.ค. 2026 เป็นตัวรันโมเดลสร้างวิดีโอ MiniMax-H3 ที่เขียนขึ้นใหม่ให้ทำงานกับชิป Apple โดยตรงผ่าน Metal เผยแพร่ใต้สัญญาอนุญาต MIT

ตัวเลขที่ระบุในเอกสารของโครงการคือขั้นตอนลดสัญญาณรบกวนสี่รอบใช้เวลาราว 3.5 วินาทีบน M5 Max เทียบกับ 26.4 วินาทีของโค้ดอ้างอิง การอ่านข้อมูลจากดิสก์แบบทยอยอ่านลดพื้นที่จัดเก็บของส่วนหลักจากราว 36.5 กิกะไบต์เหลือ 2.0 กิกะไบต์ที่ความละเอียด 512 และการลดจำนวนโทเคนลดเวลาจาก 39.13 เหลือ 28.06 วินาที

ข้อจำกัดที่เอกสารระบุเองคือขนาดภาพต้องเป็นจำนวนเท่าของ 32 สูงสุดไม่เกิน 768 คูณ 1344 ตัวโมเดลพื้นฐานเป็นรุ่น 768p และรับเสียงเข้าได้ไม่เกินสามชิ้นความยาวรวมไม่เกิน 15 วินาที ส่วนหน่วยความจำที่ใช้จริงยังอยู่ที่ราว 40 กิกะไบต์ ซึ่งแปลว่าเครื่องที่มีแรมน้อยกว่านั้นยังรันไม่ได้อยู่ดี

▲ ทำไมต้องรู้ · การสร้างวิดีโอด้วย AI บนเครื่องตัวเองยังเป็นงานที่ต้องใช้เครื่องระดับบนและใช้เวลาเป็นนาทีต่อคลิปสั้นๆ ตัวเลขในกระทู้จากผู้ใช้จริงต่างกันตั้งแต่ไม่กี่นาทีไปจนถึงกว่าชั่วโมงขึ้นกับเครื่อง สิ่งที่ข่าวนี้บอกคือทิศทางกำลังไปทางนั้นเร็วกว่าที่คิด และงานที่วันนี้ต้องส่งขึ้นบริการออนไลน์ อีกไม่นานจะทำจบบนโน้ตบุ๊กได้

h3.c บน GitHub · Hacker News

ผู้ผลิตโมเดลรายใหญ่ปกปิดขั้นตอนการคิดของโมเดลด้วยการส่งมันกลับมาให้ฝั่งผู้ใช้เก็บไว้ในรูปข้อความที่เข้ารหัส แล้วให้ส่งกลับไปพร้อมคำขอรอบถัดไป ทีมวิจัยพบว่าก้อนที่เข้ารหัสเหล่านี้ใช้แทนกันได้ข้ามทั้ง session ข้ามผู้ใช้ และข้ามโมเดลภายในระบบของผู้ผลิตรายเดียวกัน โดยเขียนไว้ว่า "these encrypted blocks are fully compatible and interchangeable across different sessions, users, and models within a provider's ecosystem"

วิธีโจมตีที่ตามมาจึงเรียบง่ายผิดคาด คือเอาก้อนความคิดที่ได้จากโมเดลตัวเก่ง ไปป้อนให้โมเดลตัวเล็กกว่าและมีด่านป้องกันน้อยกว่าของผู้ผลิตรายเดียวกัน แล้วบังคับให้มันถอดออกมาพิมพ์เป็นข้อความธรรมดา โดยไม่ต้องเจาะโมเดลตัวเก่งโดยตรงเลย ทีมระบุว่าสาธิตได้กับ Anthropic, OpenAI และ Google

ผลกระทบที่ทีมแจกแจงมีสี่ทาง ทางที่วัดเป็นตัวเลขได้คือการที่นักพัฒนามักแชร์บันทึก session ออกสู่สาธารณะโดยไม่รู้ว่าในก้อนที่เข้ารหัสมีอะไรอยู่ ทีมถอดก้อนความคิด 315,320 ก้อนที่เก็บจากคลังโค้ดสาธารณะ แล้วกู้ข้อมูลระบุตัวบุคคลได้ 367 ชิ้นและข้อมูลยืนยันตัวตนได้ 182 ชิ้น อีกสามทางคือการหลบกลไกกันการลอกโมเดล การเห็นเนื้อหาอันตรายที่คำตอบสุดท้ายปฏิเสธไปแล้วแต่ยังค้างอยู่ในช่องความคิด และการซ่อนคำสั่งโจมตีไว้ในก้อนที่เข้ารหัสจนมองไม่เห็น

ข้อควรระวังคือบทคัดย่อระบุเพียงว่ามีการแจ้งผู้ผลิตตามกระบวนการและเสนอวิธีแก้ ไม่ได้ระบุว่าผู้ผลิตแก้เสร็จแล้วหรือยัง จึงยังบอกไม่ได้ว่าวันนี้ยังทำซ้ำได้อยู่หรือไม่ อีกจุดคือบทคัดย่อไม่มีตัวเลขอัตราความสำเร็จของการถอดรหัสเลย มีแต่ยอดรวมที่กู้ได้ ซึ่งคิดเป็นราว 0.17% ของก้อนที่ถอด

▲ ทำไมต้องรู้ · หลายคนแชร์บันทึกการทำงานของ agent ลง GitHub หรือส่งให้เพื่อนดูโดยคิดว่าลบส่วนที่เป็นความลับออกหมดแล้ว งานนี้บอกว่าส่วนที่อ่านไม่ออกในไฟล์นั้นไม่ใช่ส่วนที่ปลอดภัย แต่เป็นส่วนที่เรามองไม่เห็นว่ามีอะไรอยู่ ข้อที่ทำได้ทันทีคือถือว่าบันทึก session ทั้งไฟล์เป็นข้อมูลลับ อย่าแชร์ทั้งก้อนแม้จะดูเป็นข้อความที่อ่านไม่ออกก็ตาม

arXiv 2608.09867 · Simon Willison · Hacker News

ทีมวิจัยมองชุดคำสั่งสำเร็จรูปที่ agent โหลดมาใช้ตามต้องการในฐานะห่วงโซ่อุปทานซอฟต์แวร์ ซึ่งแปลว่าชุดเดียวที่ถูกวางยาจะกระทบ agent ทุกตัวที่ติดตั้งมัน ปัญหาของวิธีโจมตีก่อนหน้านี้คือมันเอะอะเกินไป เพราะทำงานทุกครั้งที่มีคำขอ หรือไม่ก็ต้องไปแก้น้ำหนักโมเดลหรือต้องใช้หลายชุดร่วมมือกัน

วิธีที่ทีมเสนอคือฝังกฎไว้ในตัวเอกสารของชุดคำสั่ง คู่กับวลีปลุกที่ดูไม่มีพิษภัยในคำถามของผู้ใช้ แล้วให้คำสั่งลับทำงานเฉพาะเมื่อทั้งสองอย่างมาพร้อมกัน ผลคือชุดคำสั่งนั้นทำตัวปกติทุกประการตอนถูกทดสอบ ตัววลีปลุกถูกค้นหาด้วยวิธีวิวัฒนาการโดยมีข้อจำกัดเรื่องการไม่ให้ดูผิดสังเกต และไม่ต้องแก้น้ำหนักโมเดลเลย

ข้อควรระวังที่ต้องพูดตรงๆ คือบทคัดย่อของงานนี้ไม่มีตัวเลขผลลัพธ์แม้แต่ตัวเดียว อัตราความสำเร็จเขียนไว้แค่ว่าสูง อัตราการทำงานผิดพลาดเขียนว่าเกือบเป็นศูนย์ และการหลบด่านป้องกันไม่ได้ระบุว่าหลบด่านตัวไหนหรือหลบได้กี่เปอร์เซ็นต์ ขอบเขตที่ระบุคือพฤติกรรมเป้าหมาย 3 แบบ ชุดคำสั่งแบบละ 50 ชุด และ agent 4 ตัว

▲ ทำไมต้องรู้ · เรื่องนี้กับข้อ 5 เป็นเรื่องเดียวกันที่มาจากคนละทาง คือฝั่งหนึ่งผู้ผลิตกำลังอุดช่องที่ชุดคำสั่งจากภายนอกจะสั่งงานเครื่องเราได้ อีกฝั่งงานวิจัยกำลังบอกว่าชุดคำสั่งที่วางยาแบบฉลาดจะผ่านการทดสอบไปได้สบาย บทเรียนสำหรับคนใช้งานคือการทดลองใช้แล้วเห็นว่าปกติ ไม่ใช่หลักฐานว่าปลอดภัย และแหล่งที่มาของสิ่งที่เราติดตั้งสำคัญกว่าผลการทดลองใช้

arXiv 2608.09577

ทีมวิจัยตั้งชื่ออาการนี้ว่าการอ้างอิงผิดช่วงเวลา คือระบบค้นเอกสารไปหยิบและอ้างกฎหมายฉบับที่บังคับใช้อยู่ปัจจุบัน ทั้งที่คำถามถามถึงช่วงเวลาก่อนหน้าหรือหลังจากนั้น พวกเขาสร้างชุดทดสอบจากประมวลรัษฎากรของฝรั่งเศสที่เก็บทุกเวอร์ชันไว้ ครอบคลุมตั้งแต่ปี 1938 ถึง 2031 รวม 32,436 เวอร์ชันของมาตราต่างๆ แล้วให้คะแนนด้วยการเทียบข้อเท็จจริงย่อยแบบตายตัว ไม่ใช้โมเดลเป็นผู้ตัดสิน โดยให้เหตุผลว่าโมเดลผู้ตัดสินจะมีอคติเรื่องเวลาแบบเดียวกับที่กำลังวัดอยู่

ผลที่วัดได้จากโมเดล 11 ตัวคือการตอบจากความรู้ในตัวโมเดลเองได้ความแม่นเฉลี่ยแบบเข้มงวด 3.0% ส่วนการใช้ระบบค้นเอกสารแบบปกติที่มีแต่ฉบับปัจจุบันได้ 2.7% ซึ่งแทบไม่ต่างกัน ตัวเลขที่ชี้สาเหตุตรงที่สุดคือระบบค้นแบบปกติหยิบเวอร์ชันที่ตรงกับช่วงเวลาของคำถามได้ 0% คือไม่เคยหยิบถูกเลยสักครั้ง แต่กลับอ้างมาตราที่มีอยู่จริงด้วยน้ำเสียงมั่นใจ เมื่อทีมเปลี่ยนไปใช้ดัชนีที่เก็บทุกเวอร์ชัน ความแม่นขึ้นไปที่ 98.3%

ข้อควรระวังคือชุดคำถามถูกคัดมาให้ทุกโมเดลตอบยาก ซึ่งขยายช่องว่างระหว่างวิธีเดิมกับวิธีใหม่ให้ดูใหญ่กว่าการใช้งานทั่วไป และงานนี้อยู่บนกฎหมายเดียวของประเทศเดียว ส่วนวิธีที่ได้ 98.3% เป็นวิธีที่ทีมเสนอเองแล้ววัดบนชุดทดสอบที่ตัวเองสร้าง จุดที่ยังน่าเชื่อคือผลด้านลบทั้งหมดวัดจากระบบของคนอื่นและใช้การให้คะแนนแบบตายตัว

▲ ทำไมต้องรู้ · องค์กรจำนวนมากกำลังเอาเอกสารภายในอย่างระเบียบบริษัท คู่มือ HR หรือสัญญา มาทำระบบถามตอบด้วย AI และวัดผลด้วยคำถามที่ถามถึงสถานะปัจจุบันทั้งหมด งานนี้บอกว่าระบบแบบนั้นจะสอบผ่านสวยงามแล้วไปพังตอนมีคนถามว่าเมื่อปีที่แล้วกฎเขียนว่าอย่างไร ข้อที่ทำได้ทันทีคือถ้าเอกสารของคุณมีหลายเวอร์ชันตามเวลา ให้เพิ่มคำถามที่ระบุช่วงเวลาเข้าไปในชุดทดสอบด้วย เพราะความแม่นโดยรวมจะไม่ฟ้องปัญหานี้ให้เลย

arXiv 2608.09393

ทีมวิจัยวัดว่าเนื้อหาที่มีความหมายเหมือนกันเป๊ะ ใช้จำนวนโทเคนต่างกันแค่ไหนเมื่อเปลี่ยนภาษา ซึ่งเป็นต้นทุนที่เกิดขึ้นก่อนโมเดลจะเริ่มทำงานด้วยซ้ำ โดยแปลชุดเนื้อหาสอนแก้บั๊ก Python จำนวน 120 ชิ้นจากอังกฤษไปเป็นห้าภาษา แล้วนับโทเคนด้วยตัวตัดคำสามตัว

ตัวเลขหลักคือภาษาเบงกาลีใช้โทเคนของ GPT-4o เป็น 1.56 เท่าของอังกฤษ ซึ่งแปลว่าหน้าต่างบริบทที่โฆษณาว่า 128,000 โทเคน เหลือความจุจริงเทียบเท่าภาษาอังกฤษเพียง 82,000 โทเคน และเมื่อเปลี่ยนไปใช้ตัวตัดคำของ Qwen2.5 กับ Mistral ตัวเลขขยับขึ้นได้ถึง 4.5 เท่า

ผลที่ขัดกับสามัญสำนึกที่สุดคือภาษาโยรูบาซึ่งเขียนด้วยตัวอักษรละตินเหมือนภาษาอังกฤษ กลับมีส่วนต่างสูงที่สุดในบรรดาที่ทดสอบคือ 2.37 เท่า ผู้เขียนจึงสรุปว่าจะอธิบายความเหลื่อมล้ำนี้ด้วยเรื่องชนิดของตัวอักษรอย่างเดียวไม่ได้

ข้อควรระวังที่ต้องอ่านให้ตรงคือ งานนี้ไม่ได้ทดสอบภาษาไทย ห้าภาษาที่ทดสอบคือเบงกาลี ฮินดี อาหรับ ทมิฬ และโยรูบา และผู้เขียนระบุเองว่ามีเพียงเบงกาลีกับฮินดีที่ถือเป็นกรณีที่ตรวจสอบแล้ว ส่วนอีกสามภาษาเป็นการสำรวจเบื้องต้น อีกทั้งเนื้อหาทดสอบเป็นแนวสอนเทคนิคเพียง 120 ชิ้น สัดส่วนที่ได้จึงไม่จำเป็นต้องใช้ได้กับงานเขียนทั่วไป

▲ ทำไมต้องรู้ · คนไทยจำนวนมากสังเกตว่าถามเป็นอังกฤษแล้วได้คำตอบดีกว่าหรือถูกกว่า แต่มักอธิบายไม่ได้ว่าเพราะอะไร งานนี้ชี้กลไกที่จับต้องได้ตัวหนึ่งคือจำนวนโทเคนที่ใช้บอกเรื่องเดียวกัน ซึ่งกระทบทั้งค่าใช้จ่ายและพื้นที่ที่เหลือให้ใส่เอกสารอ้างอิง ข้อที่ทำได้ทันทีคือถ้างานของคุณต้องยัดเอกสารยาวเข้าไปด้วย ให้วัดจริงว่าเอกสารภาษาไทยของคุณกินโทเคนกี่เท่าของฉบับแปลอังกฤษ เพราะตัวเลขของภาษาอื่นในงานนี้ใช้แทนภาษาไทยไม่ได้

arXiv 2608.09046

ทีมวิจัยชี้ว่าระบบที่แปลงคำถามภาษาคนเป็นคำสั่งฐานข้อมูล มักถูกวัดด้วยการดูว่าคำสั่งรันแล้วได้ผลตรงกับเฉลยไหม ซึ่งจับความล้มเหลวที่เกิดขึ้นจริงในองค์กรไม่ได้เลย สี่แบบที่ยกมาคือคำสั่งที่รันผ่านแต่ได้ตัวเลขธุรกิจผิด คำถามที่มีนิยามทางธุรกิจได้สองแบบอย่างชอบธรรม คำถามที่ข้อมูลในระบบตอบไม่ได้ และคอลัมน์ที่ถูกเลิกใช้ไปแล้วจากการเปลี่ยนโครงสร้าง

สิ่งที่ทีมทำคือสร้างชุดทดสอบที่ราวครึ่งหนึ่งของคำตอบที่ถือว่าถูก คือการถามกลับเพื่อขอความชัดเจน การขอไม่ตอบ หรือการปฏิเสธ ไม่ใช่การให้คำตอบ แล้วสร้าง agent ขนาด 7 พันล้านพารามิเตอร์ที่บังคับให้ทุกคำตอบผ่านด่านตรวจแบบตายตัวหลังรันคำสั่งเสร็จ ผลคือได้คะแนนสูงกว่าโมเดลขนาด 32 พันล้านที่ถูกถามตรงๆ อยู่ 0.237 พร้อมลดต้นทุนต่อคำตอบที่ถูก 71.0% และสัดส่วนคำตอบที่ผิดแบบมั่นใจลดจาก 0.754 เหลือ 0.351

ข้อควรระวังที่ผู้เขียนเขียนเองอย่างตรงไปตรงมาผิดปกติคือ ฐานข้อมูลที่ใช้เป็นของสังเคราะห์ไม่ใช่ของจริง ชุดทดสอบถูกวัดครั้งเดียว เมื่อเทียบกับคู่แข่งที่คุมต้นทุนให้เท่ากันแล้วข้อได้เปรียบด้านต้นทุนหายไป และเมื่อเปลี่ยนวิธีคำนวณช่วงความเชื่อมั่นโดยสุ่มตามกลุ่มของแม่แบบคำถาม ช่วงความเชื่อมั่นกว้างขึ้นจนคร่อมศูนย์ พวกเขาจึงสรุปเองว่าทิศทางของผลน่าเชื่อกว่าขนาดของผล และย้ำว่านี่คือการเทียบระบบที่มีโครงประกอบกับระบบที่ไม่มี ไม่ใช่การเทียบโมเดล 7 พันล้านกับ 32 พันล้าน

▲ ทำไมต้องรู้ · ทีมที่ทำระบบให้คนในองค์กรถามตัวเลขจากฐานข้อมูลด้วยภาษาคน มักวัดความสำเร็จที่ว่าระบบตอบได้กี่คำถาม แต่ความเสียหายจริงเกิดจากคำตอบที่ผิดแล้วดูน่าเชื่อ ซึ่งมีคนเอาไปใส่สไลด์ต่อ ข้อที่หยิบไปใช้ได้คือให้นับ "การถามกลับ" กับ "การบอกว่าตอบไม่ได้" เป็นคำตอบที่ถูกในเกณฑ์วัดของคุณด้วย ไม่ใช่นับเป็นความล้มเหลว เพราะระบบที่ไม่เคยยอมบอกว่าไม่รู้ คือระบบที่จะเดาให้เสมอ

arXiv 2608.09254

ทีมวิจัยทดสอบว่าเมื่อข้อมูลที่โมเดลต้องใช้ถูกทำให้คลุมเครือหรือหายไป ความมั่นใจที่มันแสดงออกจะเปลี่ยนตามหรือไม่ โดยสร้างสองสถานการณ์บนชุดคำถามการแพทย์ 500 ข้อ สถานการณ์แรกคือแทรกถ้อยคำที่แสดงความไม่แน่ใจเข้าไปในโจทย์เพื่อจำลองภาพทางคลินิกที่ไม่ชัด สถานการณ์ที่สองคือลบตัวเลือกที่ถูกต้องออกไปเลย ซึ่งแปลว่าพฤติกรรมที่ถูกต้องเพียงอย่างเดียวคือการบอกว่าข้อมูลไม่พอและไม่ตอบ

ผลที่รายงานคือความแม่นกับความมั่นใจแยกออกจากกันอย่างสม่ำเสมอ คือความแม่นลดลงเมื่อความไม่แน่นอนสูงขึ้น แต่ความมั่นใจไม่ได้ลดตาม อัตราการตอบผิดแบบมั่นใจจึงสูงขึ้น และโมเดลแต่ละตัวต่างกันมากในเรื่องความสามารถที่จะยอมไม่ตอบ โดยบางตัวยังคงสร้างคำตอบที่ไม่มีอยู่จริงออกมาด้วยความมั่นใจสูงแม้ตัวเลือกที่ถูกจะถูกลบไปแล้ว

ข้อควรระวังที่ต้องบอกตรงๆ คือบทคัดย่อของงานนี้ไม่มีตัวเลขผลลัพธ์เลยแม้แต่ตัวเดียว ไม่มีค่าความแม่น ไม่มีค่าการสอบเทียบความมั่นใจ และไม่ได้ระบุด้วยซ้ำว่าทดสอบโมเดลตัวไหนบ้าง คำว่าเพิ่มขึ้นอย่างมีนัยจึงยังตรวจสอบไม่ได้จนกว่าจะอ่านฉบับเต็ม อีกทั้งความไม่แน่นอนในงานนี้ถูกจำลองด้วยการแก้ข้อความในโจทย์ ไม่ใช่เคสจริงที่คลุมเครือ

▲ ทำไมต้องรู้ · คนจำนวนมากใช้น้ำเสียงมั่นใจของคำตอบเป็นสัญญาณว่าเชื่อได้แค่ไหน โดยไม่รู้ตัว งานนี้เตือนว่าสัญญาณนั้นไม่ได้ผูกกับความถูกต้อง โดยเฉพาะตอนที่ข้อมูลไม่ครบซึ่งเป็นตอนที่เราต้องการสัญญาณเตือนมากที่สุดพอดี ข้อที่ทำได้ทันทีคือเวลาถามเรื่องสำคัญ ให้ลองจงใจไม่ให้ข้อมูลบางส่วนแล้วดูว่ามันทักไหมว่าข้อมูลไม่พอ ถ้ามันตอบเต็มปากทุกครั้งโดยไม่เคยทัก แปลว่าอย่าเชื่อความมั่นใจของมันในเรื่องอื่นด้วย

arXiv 2608.09080

นักวิจัยความปลอดภัยที่ใช้ชื่อ BobDaHacker เผยแพร่รายงานเมื่อวันที่ 4 ส.ค. 2026 ว่าบริการสรุปการประชุมชื่อ tl;dv ตั้งกฎความปลอดภัยของฐานข้อมูล Firestore ไม่ครบ โดยคอลเลกชันที่เก็บข้อมูลการประชุมไม่มีการแบ่งแยกระหว่างลูกค้าแต่ละราย ทั้งที่คอลเลกชันอื่นอย่างผู้ใช้ บทสนทนา และไฟล์บันทึกมีกฎครบ ผลคือผู้ใช้ที่ล็อกอินคนใดก็ได้ ค้นข้อมูลการประชุมของทุกบัญชีบนแพลตฟอร์มได้ทั้งหมด

ขนาดของสิ่งที่เข้าถึงได้คือการประชุม 181,874 รายการ จากผู้ใช้ 84,312 คน ครอบคลุมโดเมนอีเมล 35,003 โดเมน แต่ละรายการเปิดเผยอีเมลของผู้สร้าง รหัสห้องประชุมซึ่งเป็นห้อง Google Meet หรือ Teams ที่เข้าได้จริง สถานะการบันทึก และเวลา

จุดที่หนักที่สุดคือรายการที่มีสถานะกำลังบันทึกอยู่ราวหนึ่งพันรายการในเวลาใดเวลาหนึ่ง แปลว่าเฝ้าดูคอลเลกชันแบบเรียลไทม์แล้วเดินเข้าห้องประชุมที่กำลังดำเนินอยู่ได้ ผู้รายงานสาธิตด้วยการเข้าร่วมการนำเสนอของกระทรวงศึกษาธิการมาเลเซียที่มีผู้เข้าร่วม 157 คน และการประชุมสตาร์ตอัปของมหาวิทยาลัยในสหรัฐที่มีผู้เข้าร่วม 21 คน องค์กรที่ได้รับผลกระทบครอบคลุมหน่วยงานรัฐจาก 23 ประเทศ รวมถึงมาเลเซียและฟิลิปปินส์

ข้อควรระวังคือไทม์ไลน์ทั้งหมดเป็นคำบอกเล่าของผู้รายงานฝ่ายเดียว ยังไม่มีคำชี้แจงจากบริษัท เขาระบุว่าแจ้งครั้งแรกวันที่ 28 ม.ค. 2026 ได้รับคำตอบคลุมเครือช่วงต้นเดือน ก.พ. แล้วติดต่อต่อไม่ได้อีกเลย และ ณ วันที่ 22 ก.ค. 2026 ช่องโหว่ยังไม่ถูกแก้

▲ ทำไมต้องรู้ · เครื่องมือ AI จดประชุมกำลังถูกติดตั้งกันทั่วไปในองค์กรไทย โดยมักเป็นการที่พนักงานคนหนึ่งสมัครใช้เองแล้วลากเข้าห้องประชุม ไม่ได้ผ่านฝ่ายไอที กรณีนี้แสดงว่าสิ่งที่เอาเข้าห้องประชุมไม่ได้เป็นแค่ตัวจด แต่เป็นการทำสำเนาการสนทนาทั้งหมดไปเก็บไว้ในระบบของบริษัทที่เราไม่ได้ตรวจ ข้อที่ทำได้ทันทีคือก่อนอนุญาตให้ใครเอาผู้ช่วยจดประชุมเข้าห้อง ให้ตกลงกันในทีมว่าประชุมประเภทไหนห้ามบันทึกเลย แล้วบังคับกับทุกคนเท่ากัน

รายงานของผู้ค้นพบ · Dark Reading · Blognone

สวทช. ประกาศเมื่อวันที่ 10 ส.ค. 2026 ว่ามหกรรมวิทยาศาสตร์และเทคโนโลยีแห่งชาติ ประจำปี 2569 จะจัดขึ้นระหว่างวันที่ 15 ถึง 23 ส.ค. ที่อาคาร 9 ถึง 11 อิมแพ็ค เมืองทองธานี ภายใต้แนวคิดเรื่องการใช้ปัญญาทางวิทยาศาสตร์เพื่ออนาคตที่ยั่งยืน โดยมีองค์กรร่วมจัดกว่า 96 แห่งจาก 8 ประเทศ

ส่วนที่เกี่ยวกับ AI โดยตรงคือนิทรรศการที่ใช้ชื่อว่า AI Revolution: The New Human Edge และกิจกรรมอบรมด้าน Coding และ AI ส่วนภูมิภาคมีจัดเพิ่มระหว่างวันที่ 18 ถึง 20 ส.ค. ที่มหาวิทยาลัยแม่โจ้ จังหวัดเชียงใหม่ และมหาวิทยาลัยราชภัฏสกลนคร

▲ ทำไมต้องรู้ · งานนี้เป็นช่องทางที่เข้าถึงง่ายที่สุดช่องทางหนึ่งสำหรับคนที่อยากพาลูกหลานหรือทีมงานไปเห็นของจริงโดยไม่มีค่าใช้จ่ายสูง และสำหรับคนทำงานที่อยากอัปเดตว่าหน่วยงานวิจัยไทยกำลังทำอะไรอยู่ การเดินดูงานแบบนี้ให้ภาพที่ต่างจากการอ่านข่าวต่างประเทศอย่างเดียว

สวทช.

Ben Thompson เผยแพร่บทวิเคราะห์เมื่อวันที่ 11 ส.ค. 2026 ที่ไล่ลำดับว่าเงินลงทุนใน AI มาจากไหนบ้าง เริ่มจากกระแสเงินสดอิสระของบริษัท ต่อด้วยตลาดหนี้ และตอนนี้กำลังไปถึงแหล่งเงินที่ผู้ถือมองหาความปลอดภัยเป็นหลักอย่างเงินประกันและเงินบำนาญ ประโยคที่สรุปทั้งบทได้ดีที่สุดคือ "It's one thing to spend all of your free cash flow; it's another thing to tap the debt markets. And, beyond that, it's a completely new nerve-racking thing to bring safety-seeking assets to bear"

ตัวเลขที่ยกมาคือเงินลงทุนของบริษัทเทคโนโลยีรายใหญ่ในปี 2026 ที่คาดว่าจะอยู่ราว 600,000 ล้านดอลลาร์ และการระดมหนี้ของ Oracle, Meta, Alphabet และ Amazon รวมกัน ซึ่งอยู่ที่ 194,000 ล้านดอลลาร์นับถึงวันที่ 7 ก.ค. 2026 เทียบกับ 108,000 ล้านดอลลาร์ของทั้งปี 2025

ฝั่งผู้ขายชิปก็เข้าไปอยู่ในสมการด้วย โดยบทความระบุว่า Nvidia ตั้งเป้าระดมเงินจากภายนอกราว 500,000 ล้านดอลลาร์ร่วมกับ Apollo, BlackRock, Blackstone, Brookfield, Goldman Sachs และ KKR พร้อมรับประกันมูลค่าคงเหลือของอุปกรณ์ให้สูงสุด 25% ซึ่งแปลว่าผู้ขายกำลังช่วยค้ำความเสี่ยงของผู้ซื้อสินค้าของตัวเอง

ข้อควรระวังคือตัวเลขเป็นข้อเท็จจริงที่รายงานได้ แต่การเทียบกับการล่มสลายของการเงินรถไฟในทศวรรษ 1870 เป็นการตีความของผู้เขียน ไม่ใช่ข้อสรุปที่ตลาดเห็นตรงกัน และ Thompson เองก็ไม่ได้ทำนายว่าฟองสบู่จะแตกเมื่อไร

▲ ทำไมต้องรู้ · คำถามที่คนทำงานควรถามไม่ใช่ว่าฟองสบู่จะแตกไหม แต่คือถ้าเงินตึงตัวขึ้น ราคาที่เราจ่ายวันนี้จะอยู่ต่อไปไหม ราคาต่อโทเคนที่ถูกลงเรื่อยๆ ในสองปีที่ผ่านมาเกิดขึ้นในช่วงที่เงินหาง่ายมาก การวางแผนงานที่ผูกกับสมมติฐานว่าราคาจะถูกลงเรื่อยๆ จึงควรมีทางถอยเสมอ

Stratechery · Hacker News

Manus ประกาศบนเว็บของบริษัทว่ากำลังจะกลับไปดำเนินงานเป็นบริษัทอิสระอีกครั้ง หลัง Meta เข้าซื้อกิจการเมื่อวันที่ 29 ธ.ค. 2025 โดยเขียนไว้ว่า "Manus will soon return to operating as an independent company, which will see us continue to serve our millions of users"

สิ่งที่ผู้ใช้ต้องลงมือทำคือการที่บริษัทระบุว่า เพื่อให้เป็นไปตามกฎระเบียบในบางเขตอำนาจ ข้อมูลผู้ใช้ที่เกิดขึ้นหลังวันที่ 29 ธ.ค. 2025 จะถูกลบในวันที่ 23 ถึง 24 ส.ค. 2026 ช่วงเวลาสำรองข้อมูลเปิดถึงเวลา 07:59 น. ตามเวลาสิงคโปร์ของวันที่ 23 ส.ค. บัญชีจะเข้าไม่ได้ในวันที่ 23 ถึง 24 ส.ค. และเปิดให้กู้คืนตั้งแต่ 08:00 น. ของวันที่ 25 ส.ค.

ข้อควรระวังคือประกาศของบริษัทระบุเพียงว่าเป็นเรื่องกฎระเบียบในบางเขตอำนาจ ไม่ได้ระบุว่าเขตไหนหรือเกิดอะไรขึ้น ส่วนคำอธิบายที่ปรากฏในกระทู้ว่าหน่วยงานกำกับของจีนเป็นผู้ระงับดีลนี้ เป็นคำกล่าวอ้างของผู้ใช้นิรนาม ไม่มีการยืนยันจากทั้งสองบริษัท

▲ ทำไมต้องรู้ · บทเรียนที่ใช้ได้กว้างกว่าตัวข่าวคือข้อมูลที่เราสะสมไว้ในเครื่องมือ AI มีอายุเท่ากับความมั่นคงของบริษัทที่ทำมัน และการเปลี่ยนเจ้าของกิจการเป็นเหตุการณ์ที่ทำให้ข้อมูลถูกลบได้จริงโดยที่ผู้ใช้ไม่ได้ทำอะไรผิด ข้อที่ทำได้ทันทีคือถ้าใช้ Manus อยู่ ให้สำรองงานออกมาก่อนวันที่ 23 ส.ค. และถ้าใช้เครื่องมืออื่น ให้ถามตัวเองว่าถ้าพรุ่งนี้มันปิด เราหยิบงานของเราออกมาได้ไหม

Manus · Hacker News

Vass Bednar เผยแพร่บทความบน The Walrus ที่เถียงว่าคำตอบสรุปที่ AI แสดงแทนผลค้นหา ทั้งใส่ความผิดพลาดเข้ามาและปิดบังแหล่งที่มาที่จะใช้แก้ความผิดพลาดนั้นไปพร้อมกัน ประโยคที่สรุปน้ำเสียงของบทความคือ "The sun is setting on the old bargain with Google: give us your curiosity and we will give you the world"

หลักฐานที่ยกมาเป็นการสูญหายที่เกิดขึ้นจริงแล้ว ได้แก่การที่ Disney ลบคลังบทความทั้งหมดของ FiveThirtyEight ทิ้งในปี 2025 ยอดผู้เข้า Wikipedia ที่ลดลงขณะที่เนื้อหาถูกดูดไปใช้โดยไม่มีคนคลิกกลับ และการที่ Internet Archive เจอทั้งการโจมตีทางไซเบอร์ คดีความ และการถูกสำนักข่าวบล็อกไม่ให้เก็บสำเนาเพราะกลัวเรื่องลิขสิทธิ์กับการเทรน AI

ข้อควรระวังคือนี่เป็นบทความความเห็น ไม่ใช่งานวิจัย ตัวอย่างถูกเลือกมาเพื่อสนับสนุนข้อโต้แย้ง และผู้อ่านในกระทู้ก็โต้แย้งการเล่าเรื่องบางส่วน เช่นประเด็นคดีของ Internet Archive ที่ศาลตัดสินเรื่องการทำสำเนาโดยไม่ได้รับอนุญาต ซึ่งเป็นคนละเรื่องกับที่บทความสื่อ

▲ ทำไมต้องรู้ · คนทำงานที่พึ่งการค้นหาเพื่อตรวจสอบข้อมูลกำลังเจอสภาพที่คำตอบมาถึงเร็วขึ้นแต่ตามกลับไปที่ต้นทางยากขึ้น ซึ่งแปลว่าต้นทุนของการตรวจสอบว่าจริงหรือไม่กำลังสูงขึ้นเงียบๆ ข้อที่ทำได้คือเมื่อเจอข้อมูลที่จะเอาไปใช้ตัดสินใจจริง ให้กดเข้าไปอ่านต้นทางอย่างน้อยหนึ่งชั้นเสมอ และเก็บลิงก์ไว้เอง เพราะสิ่งที่วันนี้ค้นเจอ ปีหน้าอาจค้นไม่เจอแล้ว

The Walrus · Hacker News