AI News · 2026-08-15

Qwen3.8 ขนาด 27,000 ล้านพารามิเตอร์ขึ้นให้ดาวน์โหลดบน Hugging Face เมื่อวันที่ 14 ส.ค. 2026 เวลาราว 15:00 UTC ทั้งรุ่นปกติและรุ่นที่บีบเป็น FP8 โดยไฟล์สัญญาอนุญาตในคลังเป็น Apache 2.0 ฉบับมาตรฐาน หน้าต่างบริบทมาตรฐาน 262,144 โทเคน และเอกสารกำกับระบุว่าขยายได้ถึงราวหนึ่งล้านโทเคน ซึ่งต้องตั้งค่าเพิ่มเองเพราะไฟล์ตั้งค่าที่แจกมาไม่ได้เปิดการขยายไว้ให้ หน้าโมเดลจัดประเภทมันเป็นแบบรับทั้งภาพและวิดีโอ ซึ่งต่างจากรุ่นเรือธง 2.4 ล้านล้านพารามิเตอร์ที่เปิดน้ำหนักเมื่อวันที่ 12 ส.ค. แล้วผู้ผลิตเขียนเองว่ารับเฉพาะข้อความ

จุดที่ทำให้เรื่องนี้ใหญ่กว่าตัวเลขพารามิเตอร์คือสัญญาอนุญาต รุ่น 2.4 ล้านล้านเปลี่ยนไปใช้สัญญาชื่อ qwen3.8-max ของบริษัทเองที่บังคับให้ขอใบอนุญาตแยกเมื่อรายได้รวมของผู้รับอนุญาตและบริษัทในเครือเกิน 50 ล้านดอลลาร์ในรอบสิบสองเดือนใดก็ตาม ส่วนรุ่น 27B กลับมาที่ Apache 2.0 ซึ่งเป็นสัญญาแบบใช้เชิงพาณิชย์ได้โดยไม่มีเพดาน

คะแนนที่ผู้ผลิตแสดงบนหน้าโมเดลคือ Terminal Bench 2.1 ที่ 73.0, SWE-bench Pro ที่ 61.7, OSWorld-Verified ที่ 84.3, AndroidWorld ที่ 81.9 และ OmniDocBench 1.5 ที่ 91.1 กระทู้บน Hacker News ที่ลิงก์ไปหน้าโมเดลนี้ได้ 854 คะแนนและความเห็น 560 รายการ ณ วันที่ 15 ส.ค.

ข้อควรระวังคือคะแนนทั้งหมดข้างต้นเป็นการวัดของผู้ผลิตเอง ผู้วัดอิสระยังไม่มีหน้าของรุ่นนี้เลยแม้แต่รายเดียว อีกจุดที่คนจะสับสนคือไฟล์ตั้งค่าของโมเดลระบุชนิดสถาปัตยกรรมเป็นตระกูล 3.5 ทั้งที่แบรนด์เป็น 3.8 ซึ่งกระทบเวอร์ชันไลบรารีที่ต้องใช้ตอนรันเอง และรุ่น FP8 ไม่ได้บีบทั้งตัว ส่วนที่ประมวลผลภาพทั้ง 27 บล็อกถูกกันไว้ไม่ให้บีบ

▲ ทำไมต้องรู้ · คำว่าโมเดลเปิดจากค่ายเดียวกันในสัปดาห์เดียวกันยังมีสัญญาอนุญาตคนละแบบได้ สิ่งที่ต้องทำก่อนตัดสินใจจึงไม่ใช่การถามว่าค่ายไหนเปิดหรือไม่เปิด แต่คือเปิดไฟล์สัญญาของรุ่นที่จะใช้จริงมาอ่าน และดูว่ามันเป็นคนละไฟล์กับของรุ่นพี่มันหรือเปล่า สำหรับองค์กรไทยส่วนใหญ่ข่าวนี้เป็นข่าวดี เพราะรุ่นที่รันบนเครื่องตัวเองไหวคือรุ่นเล็ก และรุ่นเล็กคือตัวที่เงื่อนไขเบากว่า

Qwen3.8-27B บน Hugging Face · สัญญาอนุญาต · รุ่น FP8 · Hacker News

Z.ai ประกาศ GLM-5.3 เมื่อวันที่ 14 ส.ค. 2026 โดยจุดที่ผิดจากการออกรุ่นใหม่ตามปกติคือโมเดลฐานยังเป็นตัวเดิมเท่ากับ GLM-5.2 เอกสารของบริษัทเขียนไว้เองว่า "GLM-5.3 uses the same base model as GLM-5.2, all improvements come from post-training" คลังโค้ดทางการระบุขนาดของตระกูลนี้ไว้ที่ราว 744,000 ล้านพารามิเตอร์รวมโดยทำงานจริงต่อโทเคนราว 40,000 ล้าน

ตัวเลขที่บริษัทเปิดเทียบกับรุ่นก่อนคือ Terminal-Bench 3.0 ขยับจาก 4.6 เป็น 28.3 งานแก้ซอฟต์แวร์วัดด้วย DeepSWE v1.1 จาก 46.2 เป็น 66.9 งานหาช่องโหว่วัดด้วย CyberGym จาก 77.2% เป็น 84.5% และ ExploitBench จาก 24.4% เป็น 54.4% ตัวเลข 4.6 ที่ดูต่ำผิดปกตินั้นไม่ใช่การพิมพ์ผิด แต่ต้องอ่านคู่กับเลขรุ่นของชุดทดสอบเสมอ เพราะคลังโค้ดของบริษัทเองรายงานว่า GLM-5.2 ทำได้ 81.0 บน Terminal-Bench รุ่น 2.1 ซึ่งเป็นคนละชุดและง่ายกว่ารุ่น 3.0 มาก

เรื่องที่ต้องอ่านให้ตรงที่สุดคือช่องทางการใช้งาน เอกสารของ Z.ai เขียนว่า API ของ GLM-5.3 กำลังจะมา และชื่อรุ่นนี้ยังไม่ปรากฏในรายการชื่อโมเดลที่เรียกผ่าน API ได้ ทั้งยังไม่มีในหน้าราคา สิ่งที่ใช้ได้จริงตอนนี้คือผ่านแพ็กเกจรายเดือนสำหรับงานเขียนโค้ดและเครื่องมือของบริษัทเท่านั้น ข่าวหลายเจ้าเขียนตรงกันว่าเปิด API แล้วซึ่งขัดกับเอกสารของผู้ผลิตเอง ส่วนน้ำหนักโมเดลยังไม่ปล่อย บริษัทระบุว่าจะปล่อยราวสองสัปดาห์หลังเปิดตัวเมื่อผ่านการประเมินความปลอดภัย และการยังไม่ปล่อยยืนยันได้จากหน้าคลังโมเดลของบริษัทที่ยังไม่มีรุ่นนี้

ข้อควรระวังอีกสองข้อคือ ข้อแรกคะแนนทั้งหมดเป็นการวัดของผู้ผลิตเอง และเมื่อยังไม่ปล่อยน้ำหนักก็ยังไม่มีใครทำซ้ำได้ ข้อสองคือเสียงแย้งในกระทู้ที่ว่าความสามารถด้านความมั่นคงไซเบอร์โผล่ขึ้นเองระหว่างขยายการฝึกเป็นการตลาดเกินจริง เพราะบริษัทไล่สแกนซอฟต์แวร์โอเพนซอร์สเป็นจำนวนมากอยู่แล้ว และช่องโหว่จำนวนมากที่เจออยู่ในโค้ดที่เขียนไว้ก่อนปี 2006

▲ ทำไมต้องรู้ · ที่ผ่านมาคนมักคิดว่าโมเดลเก่งขึ้นเพราะฝึกใหม่ด้วยข้อมูลมากขึ้นและเครื่องแรงขึ้น ข่าวนี้เป็นตัวอย่างว่าการปรับหลังฝึกอย่างเดียวก็ขยับคะแนนได้มากในบางด้าน ผลที่ตามมาสำหรับคนใช้งานคือรุ่นย่อยที่ตามหลังจุดทศนิยมอาจเปลี่ยนพฤติกรรมมากกว่าที่ชื่อรุ่นทำให้คิด ถ้าระบบของคุณผูกกับชื่อโมเดลลอยๆ ให้เก็บชุดทดสอบของตัวเองไว้รันซ้ำทุกครั้งที่ผู้ให้บริการขยับเลขรุ่น

เอกสาร Z.ai · หน้าราคา · คลังโค้ด GLM-5 · คลังโมเดลของบริษัท · Blognone · Hacker News

Anthropic เผยแพร่บทความชื่อ How Claude's text watermark works เมื่อวันที่ 14 ส.ค. 2026 ซึ่งเป็นการลงรายละเอียดกลไกของสิ่งที่ประกาศไปเมื่อวันที่ 12 ส.ค. บริษัทระบุเหตุผลไว้ตรงๆ ว่า "We're implementing watermarking to comply with the EU AI Act"

กลไกที่อธิบายคือทุกครั้งที่โมเดลเลือกคำถัดไป มักมีหลายคำที่ดีพอกันและการเลือกตัวไหนไม่กระทบความหมาย ระบบจึงเอนการเลือกในจุดที่ไม่มีผลเหล่านั้นไปในทางที่กำหนดไว้ ทำให้เกิดรูปแบบซ่อนอยู่ในข้อความ ถ้อยคำของบริษัทคือ "Watermarking uses low-stakes choices like these, which occur many times over a piece of generated text, to leave a pattern in Claude's responses"

สิ่งที่ต้องอ่านให้ตรงที่สุดอยู่ในประโยคที่บริษัทเขียนเองว่ามันคือ "a way of determining the likelihood that Claude was involved in writing the text" คำสำคัญคือความน่าจะเป็นและคำว่ามีส่วนร่วมในการเขียน ไม่ใช่คำตอบแบบใช่หรือไม่ใช่ และไม่ใช่การชี้ว่าใครเขียนทั้งชิ้น ข้อควรระวังที่ตามมาคือกลไกแบบนี้ต้องการข้อความยาวพอที่รูปแบบจะปรากฏ ข้อความสั้นจึงตรวจไม่ได้ตามธรรมชาติของวิธี

▲ ทำไมต้องรู้ · องค์กรและสถานศึกษาจำนวนมากกำลังจะได้ยินคำว่าลายน้ำแล้วเข้าใจว่ามีเครื่องมือจับได้แล้วว่าใครใช้ AI ซึ่งไม่ตรงกับสิ่งที่ผู้ผลิตเขียนเอง สิ่งที่ควรเตรียมคือกติกาที่ไม่ต้องพึ่งการจับผิด เช่น ระบุให้ชัดว่างานประเภทไหนใช้ AI ช่วยได้และต้องบอกอย่างไร เพราะการสร้างกฎบนเครื่องมือที่ผู้ผลิตบอกเองว่าให้ได้แค่ความน่าจะเป็น จะพังตอนมีคนไม่ยอมรับผล

Anthropic · หน้าข่าวรวม

Claude Code เผยแพร่รุ่น 2.1.233 โดยจุดที่กระทบความปลอดภัยตรงที่สุดคือการปิดช่องที่เขียนเส้นทางไฟล์บน Windows ด้วยคำนำหน้าอุปกรณ์แบบ NT แล้วเลี่ยงการตรวจเส้นทางเครือข่ายได้ ถ้อยคำในบันทึกคือ "Fixed Windows paths spelled with the NT \??\ device prefix bypassing UNC path validation"

จุดที่น่าสนใจไม่แพ้กันคือรุ่นนี้ถอยการแก้ของรุ่นก่อนหน้าออกหนึ่งจุด โดยระบุว่า "Reverted the 2.1.232 Bash permission changes for Cygwin-style symlinks" ซึ่งเป็นการปิดช่องลิงก์ที่เพิ่งทำเมื่อรุ่นก่อน อีกบรรทัดที่คนใช้ Windows จะรู้สึกทันทีคือ "Windows: fixed auto mode repeatedly stopping for manual approval on ordinary cd <dir>"

ส่วนที่เหลือคือการเพิ่มการจำกัดหน่วยความจำของคำสั่งเชลล์บน Linux แบบเลือกเปิดเอง การเพิ่มค่าตั้งค่าสำหรับส่งต่อข้อมูลตัวตนผู้ใช้ไปยังเกตเวย์แบบเลือกเปิดเอง และการแก้อาการที่ hook แจ้งเตือนไม่ทำงานตอนมีคำขออนุมัติ

ข้อควรระวังคือไฟล์บันทึกการเปลี่ยนแปลงของโครงการนี้ไม่ระบุวันที่กำกับรุ่นใดเลย จึงยืนยันวันปล่อยไม่ได้ บอกได้เพียงว่าใหม่กว่ารุ่น 2.1.232 ที่บันทึกไว้เมื่อวาน

▲ ทำไมต้องรู้ · การที่รุ่นหนึ่งปิดช่องแล้วอีกรุ่นถัดมาถอยการแก้นั้นออก เป็นภาพจริงของการทำงานด้านความปลอดภัยที่คนนอกไม่ค่อยเห็น คือการรัดกุมขึ้นมักทำให้ของที่เคยใช้ได้พังไปด้วย แล้วต้องคลายกลับ สำหรับคนที่ให้ AI รันคำสั่งบนเครื่องตัวเอง สิ่งที่ทำได้คืออย่าเพิ่งอัปเดตเวอร์ชันกลางงานสำคัญ และเมื่ออัปเดตแล้วให้ลองงานที่เคยทำได้ซ้ำหนึ่งรอบก่อนเชื่อว่าทุกอย่างเหมือนเดิม

บันทึกการเปลี่ยนแปลง

แพตช์ประจำเดือนของ Microsoft รอบวันที่ 11 ส.ค. 2026 แก้ช่องโหว่รวม 415 รายการ ในจำนวนนี้เป็นระดับวิกฤต 62 รายการ รายการที่ควรอ่านก่อนเพื่อนสำหรับคนที่ใช้ AI ในองค์กรคือ CVE-2026-59118 ซึ่งอยู่ในตัวผู้ช่วยทำงานร่วมกันของ Microsoft 365 Copilot ไม่ใช่ในระบบปฏิบัติการ

ลักษณะของช่องโหว่คือการตรวจสิทธิ์ที่ทำไม่ถูกต้อง จัดอยู่ในประเภท CWE-285 คะแนนความรุนแรง 9.3 คำอธิบายที่ผู้วิเคราะห์เขียนไว้คือช่องนี้ "allows an unauthenticated attacker to elevate privileges over a network with low attack complexity, requiring user interaction" แปลว่าผู้โจมตีไม่ต้องมีบัญชีในระบบ ทำผ่านเครือข่ายได้ ความยากต่ำ แต่ต้องอาศัยให้ผู้ใช้ทำอะไรบางอย่างร่วมด้วย

ข้อควรระวังคือรายการนี้ลงวันที่ 11 ส.ค. ไม่ใช่ข่าวของวันนี้ คลังเพิ่งบันทึกวันนี้เพราะยังไม่เคยเก็บ และรายละเอียดทางเทคนิคที่ดึงได้จากหน้าของ Microsoft เองมีจำกัด สิ่งที่อ้างอิงได้จึงเป็นบทวิเคราะห์ของบริษัทความปลอดภัยที่ไล่อ่านแพตช์ทั้งชุด

▲ ทำไมต้องรู้ · เวลาองค์กรประเมินความเสี่ยงของการเอา AI มาใช้ คำถามที่ถูกถามมักเป็นเรื่องข้อมูลรั่วผ่านบทสนทนา แต่ตัวผู้ช่วย AI เองก็เป็นซอฟต์แวร์ที่มีช่องโหว่ได้เหมือนซอฟต์แวร์อื่น และช่องโหว่ในตัวมันได้สิทธิ์เท่ากับที่เราให้มันไว้ ซึ่งมักกว้างมากเพราะมันต้องอ่านเอกสารและปฏิทินของทั้งองค์กร ข้อที่ทำได้คือใส่ผู้ช่วย AI เข้าไปในรอบการอัปเดตความปลอดภัยเหมือนซอฟต์แวร์ตัวอื่น อย่าปล่อยให้มันอยู่นอกรายการ

CrowdStrike · Microsoft Security Update

Google ประกาศเมื่อวันที่ 14 ส.ค. 2026 เปิดโครงการโอเพนซอร์สชื่อ HEIR ซึ่งเป็นตัวแปลงโมเดล AI ที่ฝึกเสร็จแล้วให้ประมวลผลข้อมูลที่ยังอยู่ในรูปเข้ารหัสได้ตลอดทาง อยู่ใต้ชุดเครื่องมือด้านการประมวลผลแบบรักษาความเป็นส่วนตัวของบริษัท และทำร่วมกับผู้ผลิตฮาร์ดแวร์เร่งความเร็วสี่ราย

ถ้อยคำที่อธิบายผลลัพธ์ได้ตรงที่สุดคือ "Servers can process ciphertexts and return encrypted results without exposing any underlying information" ตัวอย่างที่บริษัทสาธิตคือระบบแนะนำสินค้าที่ไม่ต้องเห็นข้อมูลผู้ใช้ การตรวจจับการฉ้อโกงบัตรเครดิต การตรวจจับการบุกรุกจากทราฟฟิกเครือข่ายที่เข้ารหัสอยู่ และการตรวจจับคำปลุกผู้ช่วยเสียง

ข้อควรระวังที่ต้องพูดคู่กันเสมอคือประกาศนี้ไม่มีตัวเลขความเร็วหรือตัวเลขค่าใช้จ่ายเลยแม้แต่ตัวเดียว บริษัทระบุเพียงว่าวัดบนซีพียูแบบเธรดเดียวและว่าต้นทุนของวิธีนี้กำลังลดลงเร็ว ส่วนตัวเลขจากฮาร์ดแวร์เร่งความเร็วที่สัญญาว่าจะแสดง ยังไม่มีในประกาศนี้

▲ ทำไมต้องรู้ · อุปสรรคที่ใหญ่ที่สุดของการเอา AI ไปใช้กับข้อมูลที่อ่อนไหวในไทย ทั้งข้อมูลสุขภาพ ข้อมูลการเงิน และข้อมูลลูกค้า คือข้อมูลต้องถูกถอดรหัสก่อนถึงจะประมวลผลได้ ซึ่งแปลว่าต้องมีจุดหนึ่งที่ผู้ให้บริการเห็นของจริง เทคนิคนี้คือความพยายามที่จะลบจุดนั้นทิ้ง สิ่งที่ยังต้องรอคือตัวเลขว่ามันช้ากว่าเดิมกี่เท่า เพราะนั่นคือสิ่งที่ตัดสินว่าใช้ได้จริงหรือไม่ ไม่ใช่ตัวแนวคิด

Google

Anthropic เผยแพร่บทความแนะนำการใช้งานเมื่อวันที่ 14 ส.ค. 2026 ซึ่งไม่ใช่ฟีเจอร์ใหม่แต่เป็นการรวบรวมวิธีทำงานที่ทีมภายในใช้จริง ประโยคที่เป็นแกนคือ "Being efficient with tokens doesn't mean using fewer of them overall. It means making sure the ones you do use go towards the thing you actually asked for"

คำแนะนำที่จับต้องได้มีสี่ข้อ คือล้างบริบททิ้งเมื่อเปลี่ยนไปทำงานคนละเรื่อง ย่อบทสนทนาก่อนพักงานในจังหวะที่แคชของคำสั่งยังใช้ได้อยู่ เรียกดูว่ามีอะไรถูกโหลดเข้าบริบทไปแล้วบ้างเมื่อรู้สึกว่าโปรแกรมเริ่มช้าหรือหลุดประเด็น และเลือกโมเดลกับระดับความพยายามในการคิดตั้งแต่ต้น session เพราะการเปลี่ยนกลางทางทำให้แคชที่สะสมไว้ใช้ไม่ได้

▲ ทำไมต้องรู้ · คนที่เริ่มใช้เครื่องมือ AI ช่วยทำงานมักเข้าใจว่าปัญหาคือใช้โทเคนเปลือง แล้วแก้ด้วยการพิมพ์คำสั่งให้สั้นลง ซึ่งมักทำให้ผลแย่ลงเพราะข้อมูลที่จำเป็นหายไปด้วย มุมที่ใช้ได้กับทุกเครื่องมือคือของที่ควรตัดไม่ใช่คำสั่งของเรา แต่คือสิ่งที่ค้างอยู่ในบทสนทนาจากงานก่อนหน้าซึ่งไม่เกี่ยวกับงานตอนนี้แล้ว

Anthropic

บทความของ Doug Turnbull ที่เผยแพร่เมื่อวันที่ 10 ส.ค. 2026 ถูกหยิบไปเขียนถึงและขึ้นหน้าแรกของ Hacker News เมื่อวันที่ 14 ส.ค. โดยเสนอวิธีจัดหมวดหมู่ข้อความที่กลับด้านจากวิธีปกติ แทนที่จะยัดรายชื่อหมวดจริงหลายร้อยรายการเข้าไปในคำสั่งซึ่งทำให้คำสั่งยาวและแพง ให้สั่งโมเดลตัวเล็กราคาถูกแต่งชื่อหมวดที่ฟังดูสมเหตุสมผลขึ้นมาเองจากตัวข้อความ แล้วค่อยเอาชื่อที่แต่งขึ้นนั้นไปจับคู่กับรายชื่อหมวดจริงด้วยการวัดความใกล้เคียงเชิงความหมาย

สิ่งที่ทำให้วิธีนี้ได้ผลคือมันย้ายภาระ ตัวโมเดลไม่ต้องรู้จักรายการหมวดหมู่ทั้งหมดของเรา มันแค่ต้องอธิบายข้อความตรงหน้าให้เป็นคำที่ใกล้เคียงกับภาษาที่รายการนั้นใช้ ส่วนการเลือกว่าตรงกับรายการไหนเป็นงานของการเทียบเวกเตอร์ซึ่งถูกกว่าและเร็วกว่ามาก

ข้อควรระวังคือนี่เป็นบันทึกวิธีทำงานของผู้ปฏิบัติหนึ่งคน ไม่ใช่งานวิจัยที่มีการวัดผลเทียบกับวิธีอื่นอย่างเป็นระบบ บทความไม่มีตัวเลขความแม่นยำเทียบกับการใส่รายการหมวดจริงลงไปตรงๆ

▲ ทำไมต้องรู้ · งานจัดหมวดหมู่เป็นงาน AI ที่องค์กรไทยเริ่มทำกันมากที่สุด ตั้งแต่แยกประเภทคำร้องของลูกค้า ไปจนถึงติดป้ายเอกสารเข้าระบบ และปัญหาที่เจอเหมือนกันคือรายการหมวดยาวเกินกว่าจะใส่ในคำสั่งทุกครั้ง เทคนิคนี้เป็นทางออกที่ลองได้เร็วโดยไม่ต้องฝึกโมเดลเอง แต่ต้องวัดผลกับข้อมูลของตัวเองก่อนใช้จริง เพราะยังไม่มีใครวัดให้

Doug Turnbull · Simon Willison

บทความของนักพัฒนารายหนึ่งที่เผยแพร่เมื่อวันที่ 14 ส.ค. 2026 ตั้งคำถามว่าทำไมโมเดลที่ได้คะแนนสอบสูงขึ้น ถึงให้ความรู้สึกว่าต้องคอยประกบมากขึ้นเวลาใช้งานจริง ได้ 749 คะแนนและความเห็นเกือบเจ็ดร้อยรายการ ซึ่งใหญ่กว่ากระทู้ของการเปิดตัวโมเดลใหม่ในวันเดียวกัน

ข้อเสนอหลักของผู้เขียนคือการคัดเลือกโมเดลด้วยคะแนนสอบ เป็นการคัดเลือกพฤติกรรมบางอย่างติดมาด้วยโดยไม่ตั้งใจ ถ้อยคำของเขาคือ "Selecting for models that do well on benchmarks...inherently selects for models that make bold, usually-correct assumptions in the face of ambiguity" พูดง่ายๆ คือข้อสอบให้รางวัลกับการเดาอย่างมั่นใจเมื่อโจทย์กำกวม ขณะที่งานจริงต้องการให้ถามกลับ

ข้อควรระวังที่สำคัญที่สุดคือนี่เป็นความเห็นของคนคนเดียว ไม่ใช่การวัดผลอย่างเป็นระบบ ผู้เขียนเขียนกำกับไว้เองว่าส่วนท้ายของบทความเป็นการคาดเดาที่ไม่มีหลักฐานรองรับ และในกระทู้เองก็แบ่งเป็นสองฝ่ายชัดเจน ฝ่ายหนึ่งเห็นว่าเป็นเรื่องสำนวนและความยืดยาว อีกฝ่ายแย้งว่าคำอธิบายที่ยกมากันไม่ลงรอยกับจำนวนคนที่บ่น สิ่งที่วัดได้จริงจากข่าวนี้จึงเป็นขนาดของเสียงสะท้อน ไม่ใช่คุณภาพของโมเดล

▲ ทำไมต้องรู้ · ช่องว่างระหว่างคะแนนสอบกับความรู้สึกตอนใช้จริงเป็นสิ่งที่คนเลือกเครื่องมือให้ทีมต้องเตรียมรับมือ เพราะคนที่ต้องใช้ทุกวันจะตัดสินจากอย่างหลัง ส่วนคนที่อนุมัติงบมักตัดสินจากอย่างแรก วิธีลดช่องว่างนี้คือให้ทีมทดลองกับงานจริงของตัวเองสองสามสัปดาห์ก่อนเปลี่ยนทั้งองค์กร และเก็บตัวอย่างที่พังไว้เป็นชุดทดสอบของตัวเอง

บทความต้นทาง · Hacker News

ทีมวิจัยตั้งคำถามกับสมมติฐานที่ผลิตภัณฑ์ระบบความจำของ AI แทบทุกตัวตั้งอยู่บนมัน คือการแปลงประวัติบทสนทนาเป็นบทสรุป เวกเตอร์ ต้นไม้ หรือกราฟความรู้ก่อนที่จะมีใครถามคำถามแม้แต่ข้อเดียว ถ้อยคำที่ผู้เขียนใช้ตั้งโจทย์คือ "We ask how much of that benefit comes from the structure itself, rather than from competent retrieval over the raw history"

วิธีที่ทีมใช้คือให้ agent ค้นหาด้วยคำบนบันทึกดิบที่ไม่ถูกแปลงเลย แล้วเทียบกับระบบที่สร้างโครงสร้างไว้ก่อน ผลบนชุดทดสอบบทสนทนาหลายรอบราว 2,800 คำถามคือวิธีค้นดิบได้ความแม่นเฉลี่ย 58.2 ขณะที่ระบบกราฟความรู้ที่เอามาเทียบได้ 53.2 โดยใช้โมเดลเบื้องหลังตัวเดียวกัน ส่วนบนอีกชุดทดสอบหนึ่งที่ใช้โมเดลเบื้องหลังแรงกว่า ได้ 93.2 และ 89.3 โดยไม่มีการสร้างดัชนีด้วยโมเดลภาษาเลย

ข้อสรุปที่ผู้เขียนเขียนเองคือ "much of the benefit credited to elaborate memory structures is recoverable by giving an agent controllable search over the unmodified record, with no LLM-based index construction at all" โดยจำกัดไว้เฉพาะคำถามที่ต้องการหลักฐานเจาะจง สิ่งที่บทคัดย่อไม่ได้บอกคือทดสอบกับระบบคู่เทียบทั้งหมดกี่ระบบ และใช้โมเดลเบื้องหลังกี่ตัว

▲ ทำไมต้องรู้ · ตลาดกำลังขายระบบความจำให้ AI เป็นสินค้าแยกที่มีราคาและมีความซับซ้อนสูง งานนี้เป็นหลักฐานว่าก่อนซื้อ ควรลองวิธีที่ถูกที่สุดก่อน คือเก็บบันทึกดิบไว้ให้ครบแล้วให้ระบบค้นหาบนนั้นได้ดีๆ เพราะถ้าวิธีถูกได้ผลใกล้เคียงกัน ส่วนต่างที่จ่ายไปคือค่าความซับซ้อนที่ต้องดูแลต่อไปอีกหลายปี

arXiv 2608.12888

งานนี้ตั้งคำถามที่การวัดผล agent แทบไม่เคยแยกออกจากกัน คือเวลาคำสั่งที่ agent สั่งรันแล้วพัง เราแยกไม่ออกว่ามันคิดคำสั่งผิดตั้งแต่แรก หรือคำสั่งที่ถูกต้องอยู่แล้วถูกทำให้พังระหว่างทางจากการห่อและแกะข้อความหลายชั้น ผู้เขียนสรุปปัญหาไว้ว่า "Matched execution scores alone cannot distinguish command-generation errors from failures introduced after generation"

วิธีทดสอบคือใช้โจทย์คำสั่งเชลล์ 56 ข้อที่ดึงมาจากรูปแบบความล้มเหลวจริง 14 ตระกูล แล้วเอาคำตอบเดิมของโมเดลตัวเดิมส่งผ่านตัวแยกข้อความที่ตั้งใจต่อไว้แบบไม่ใส่เครื่องหมายหนีให้ถูก ผลคืออัตราความสำเร็จของงานตกลง 55.4 ถึง 73.2 จุด ทั้งที่โมเดลไม่ได้คิดใหม่แม้แต่ครั้งเดียว และเมื่อบอกโมเดลตรงๆ ว่ามีตัวแยกข้อความคั่นอยู่ มันกู้กลับมาได้ 30.4 ถึง 60.7 จุดในหกจากแปดรูปแบบที่ทดสอบ

ตัวเลขที่ตรงใจคนอ่านตารางคะแนนที่สุดคือโมเดลตัวหนึ่งมีส่วนต่างคะแนนรวมแค่ติดลบ 3.6 จุด แต่ข้างในคือความเสียหายติดลบ 64.3 จุดที่ถูกกลบด้วยการชดเชยบวก 60.7 จุดพอดี พูดอีกอย่างคือคะแนนรวมที่ดูนิ่งซ่อนพฤติกรรมที่เหวี่ยงราวหกสิบห้าจุดทั้งสองทาง และการเปลี่ยนวิธีติดตั้งอย่างเดียวทำให้อันดับของโมเดลสลับกันได้ โดยมีหนึ่งคู่จาก 26 คู่ที่สลับแบบไม่มีข้อสงสัย

▲ ทำไมต้องรู้ · องค์กรที่เอา agent ไปต่อกับระบบงานจริง มักโทษโมเดลเวลาผลออกมาไม่ดี แล้วเสียเวลาไปกับการเปลี่ยนยี่ห้อหรือปรับคำสั่ง งานนี้บอกว่าความเสียหายก้อนใหญ่อาจอยู่ในท่อระหว่างโมเดลกับระบบปลายทาง ซึ่งเป็นโค้ดที่ทีมเราเขียนเอง วิธีตรวจที่ทำได้ทันทีคือจับข้อความที่โมเดลตอบออกมาดิบๆ มาเทียบกับสิ่งที่ระบบปลายทางได้รับจริง ถ้าไม่ตรงกัน ปัญหาไม่ได้อยู่ที่โมเดล

arXiv 2608.13547

งานนี้ตรวจสอบ agent ประเภทที่กำลังมาแรงที่สุด คือ agent ที่ทำงานเสร็จแล้วสรุปวิธีทำเป็นทักษะเก็บไว้ใช้ใหม่ในครั้งต่อไป กลไกที่ผู้เขียนชี้ว่าเป็นปัญหาคือความสำเร็จที่ได้มาด้วยวิธีไม่ปลอดภัยจะถูกบันทึกเป็นวิธีมาตรฐาน แล้วถูกหยิบมาใช้ซ้ำในภายหลังเมื่อสิ่งที่กระตุ้นให้เกิดหายไปแล้ว ถ้อยคำของผู้เขียนคือ "An unsafe success can thereby become reusable policy after its triggering input disappears"

ตัวเลขที่วัดได้จากการทดสอบ 25 รูปแบบการทำงาน แต่ละรูปแบบครอบคลุม 525 งานใน 25 รอบ คือในจำนวน 21 รูปแบบที่มีการสร้างทักษะขึ้นจริง ทั้ง 21 รูปแบบเขียนทักษะที่ไม่ปลอดภัยออกมาอย่างน้อยหนึ่งใบ และ 15 ในจำนวนนั้นนำไปสู่ความเสียหายจริงใน session ใหม่ที่ไม่เกี่ยวกับต้นเหตุแล้ว

ตัวเลขที่น่าตกใจที่สุดคือการแทรกงานที่มีเจตนาร้ายเพียงสามงานในช่วงที่ agent กำลังสร้างทักษะ ทำให้อัตราความสำเร็จของการโจมตีแบบข้ามรอบขยับจาก 16.0% เป็น 35.3% ส่วนวิธีแก้ที่ทีมเสนอลดการหยิบทักษะไม่ปลอดภัยมาใช้ได้ 26.7 จุดและลดความเสียหายใน session ใหม่ได้ 17.3 จุด โดยความสามารถในการทำงานปกติเปลี่ยนไปเพียง 0.4 จุด

▲ ทำไมต้องรู้ · ทีมที่เริ่มให้ AI จดวิธีทำงานเก็บไว้ใช้ซ้ำ กำลังสร้างสิ่งที่มีอายุยาวกว่างานที่มันเกิดมาจาก และไม่มีใครทบทวนมันอีกเลยหลังจากนั้น งานนี้บอกว่าจุดที่ต้องตรวจไม่ใช่ตอน agent ทำงาน แต่คือตอนมันเขียนวิธีใหม่ลงคลัง ข้อที่ทำได้คือให้คนอ่านทักษะที่ระบบเขียนขึ้นเองก่อนอนุญาตให้ใช้ซ้ำ เหมือนที่เราตรวจโค้ดก่อนรวมเข้าระบบหลัก

arXiv 2608.12851

งานนี้จับปัญหาของระบบถามตอบที่ดึงเอกสารมาประกอบคำตอบ ซึ่งโดยธรรมชาติแล้วมันปฏิบัติกับคลังเอกสารภายนอกเสมือนเป็นหลักฐานที่เชื่อได้ ผู้โจมตีจึงแทรกเอกสารเข้าไปเพื่อดันข้อความที่ตัวเองต้องการให้กลายเป็นคำตอบได้ ผู้เขียนชี้ว่าตัวตรวจจับที่มีอยู่ต้องพึ่งเอกสารอ้างอิงที่เชื่อถือได้อยู่ก่อน หรือพึ่งร่องรอยเฉพาะของการโจมตีแบบใดแบบหนึ่ง หรือใช้เส้นแบ่งค่าเดียวทั้งคลังซึ่งไวต่อรูปร่างของคลัง

ตัวเลขหลักคือตัวตรวจจับที่ทำงานเทียบกับคำถามแต่ละข้อจับเอกสารพิษได้ 82.2% โดยตัดเอกสารดีทิ้งไปเพียง 5% ขณะที่วิธีเดิมที่เอามาเทียบจับได้ 52.5% ที่งบการตัดทิ้งเท่ากัน ส่วนตัวตรวจจับที่ทำงานเทียบกับทั้งคลังจับได้ 79.8% เทียบกับวิธีเดิมที่ 37.6% เมื่อใช้ทั้งสองตัวพร้อมกัน อัตราความสำเร็จของการโจมตีลดจาก 67.4% เหลือ 14.0%

ข้อควรระวังที่ต้องอ่านคู่กันเสมอคือตัวเลขคุณภาพการค้นหาบนคลังที่ไม่ถูกโจมตีเหลืออยู่ที่ 41.3% ซึ่งบทคัดย่อรายงานไว้แต่ไม่ได้อธิบายว่าถือว่าดีหรือไม่ดี แปลว่าการเพิ่มด่านกรองนี้มีราคาที่ต้องจ่ายกับการใช้งานปกติ และผู้อ่านต้องประเมินเองว่าคุ้มหรือไม่

▲ ทำไมต้องรู้ · องค์กรจำนวนมากในไทยกำลังทำระบบถามตอบจากเอกสารภายใน โดยดึงเอกสารเข้าคลังแบบอัตโนมัติจากที่เก็บไฟล์ที่คนทั้งบริษัทอัปโหลดได้ นั่นแปลว่าใครก็ตามที่อัปโหลดไฟล์เข้าไปได้ มีสิทธิ์กำหนดคำตอบที่ระบบจะให้กับคนอื่น สิ่งที่ควรทำก่อนซื้อเครื่องมือกรองคือจำกัดว่าใครเติมเอกสารเข้าคลังได้บ้าง เพราะเป็นการแก้ที่ต้นทางและไม่มีค่าใช้จ่าย

arXiv 2608.13010

งานนี้ไม่ได้วัดโมเดล แต่ตรวจสอบตัววิธีวัดเอง คำถามคือถ้าเราสังเกตแค่ว่าโมเดลตอบถูกหรือผิด เราแยกพฤติกรรมที่ต่างกันจริงออกจากกันได้หรือไม่ ผลคือการสังเกตแบบนั้นทำให้พฤติกรรมที่ต่างกันเจ็ดแบบยุบรวมเป็นก้อนเดียวที่แยกไม่ออก ต่อเมื่อเพิ่มรูปแบบการสังเกตให้ครบจึงแยกทั้งเจ็ดแบบออกจากกันได้โดยไม่ปนกันเลย

ตัวเลขที่ชี้ปัญหาชัดที่สุดคือบนโมเดลชุดเดียวกัน ความแม่นแบบตอบถูกผิดอยู่ที่ 0.620 ขณะที่ความสามารถในการตอบสนองต่อการแทรกแซงอย่างที่ควรอยู่ที่ 0.324 และช่องว่างเดียวกันเกิดซ้ำบนแหล่งข้อมูลที่สองที่ 0.646 กับ 0.331 ถ้อยคำของผู้เขียนคือ "LLM benchmark scores can be precise even when the observation protocol does not identify the behavioral property they are intended to measure"

▲ ทำไมต้องรู้ · เวลาเลือกโมเดลจากตารางคะแนน สิ่งที่คนมองหาคือตัวเลขที่สูงกว่า แต่งานนี้บอกว่าคำถามที่ต้องถามก่อนคือคะแนนนั้นวัดจากการสังเกตแบบไหน เพราะการวัดที่ดูแม่นยำมากอาจไม่ได้แยกสิ่งที่เราสนใจออกจากสิ่งที่เราไม่สนใจเลย ข้อที่ใช้ได้จริงคือถ้าคุณสนใจว่าโมเดลจะปรับตัวอย่างไรเมื่อสถานการณ์เปลี่ยน คะแนนความถูกต้องเฉยๆ ตอบคำถามนั้นไม่ได้

arXiv 2608.13326

ทีมวิจัยเสนอระบบแปลงตัวอักษรไทยเป็นหน่วยเสียง ซึ่งเป็นขั้นตอนที่ระบบอ่านออกเสียงภาษาไทยทุกตัวต้องผ่านและเป็นขั้นที่ยากที่สุดของภาษาไทย ตัวเลขความเร็วที่วัดได้คือ 0.15 มิลลิวินาทีต่อหนึ่งประโยคโดยเฉลี่ย จากการทดสอบกับประโยค 27,242 ประโยค

สิ่งที่มีประโยชน์ที่สุดสำหรับคนที่จะทำระบบเสียงภาษาไทยคือการแยกว่าเวลาหมดไปกับอะไร ผู้เขียนรายงานว่าราว 30% ไปกับการตัดคำ ราว 12% ไปกับการจัดรูปข้อความให้เป็นมาตรฐาน และราว 58% ไปกับการจัดการคำที่ไม่มีในพจนานุกรม แปลว่างานหนักที่สุดไม่ใช่การตัดคำอย่างที่คนมักคิด แต่คือคำที่ระบบไม่รู้จัก

ทีมยังฝึกโมเดลอ่านออกเสียงภาษาไทยขนาด 82 ล้านพารามิเตอร์ต่อยอดขึ้นไป แล้ววัดได้ที่ 0.25 เท่าของเวลาจริงโดยรันบนซีพียูอย่างเดียวไม่ต้องใช้การ์ดจอ ข้อควรระวังคือผู้เขียนระบุคุณสมบัติของโมเดลที่ได้ว่าเหมาะกับการทำต้นแบบและการพัฒนา ไม่ได้ระบุว่าพร้อมใช้งานจริงในระบบผลิต

▲ ทำไมต้องรู้ · ระบบเสียงภาษาไทยที่ใช้กันอยู่ส่วนใหญ่ต้องส่งข้อความออกไปประมวลผลที่เครื่องของผู้ให้บริการต่างประเทศ ซึ่งเป็นข้อติดขัดทันทีเมื่อข้อความนั้นเป็นข้อมูลลูกค้าหรือข้อมูลสุขภาพ งานนี้ชี้ว่าการรันบนเครื่องตัวเองด้วยซีพียูธรรมดาเป็นทางที่เปิดอยู่ และจุดที่ต้องลงแรงมากที่สุดคือคลังคำเฉพาะของธุรกิจตัวเอง ทั้งชื่อคน ชื่อสินค้า และคำทับศัพท์ เพราะนั่นคือส่วนที่กินเวลามากที่สุดตามที่งานนี้วัดไว้

arXiv 2608.12814

กระทรวงวิทยาศาสตร์และเทคโนโลยีของเวียดนามออกคำเตือนถึงกระทรวงต่างๆ หน่วยงานตุลาการ รัฐสภา และองค์กรปกครองส่วนท้องถิ่นทั่วประเทศเมื่อวันที่ 14 ส.ค. 2026 ห้ามนำเอกสารที่จัดชั้นความลับของรัฐขึ้นแพลตฟอร์ม AI สาธารณะ และกำหนดให้งานตรวจสอบเอกสารกฎหมายใช้ได้เฉพาะสองแพลตฟอร์มที่รัฐอนุมัติ โดยอ้างอิงหนังสือราชการเลขที่ 4920 ลงวันที่ 7 ก.ค. 2026

หลักการที่เขียนกำกับไว้ชัดที่สุดมีสองข้อ ข้อแรกคือ "AI không thay thế việc xem xét, kết luận của cơ quan có thẩm quyền" ซึ่งแปลว่า AI ไม่ทดแทนการพิจารณาและข้อสรุปของหน่วยงานที่มีอำนาจ ข้อสองคือ "Người sử dụng AI vẫn chịu trách nhiệm đối với quyết định cuối cùng" ซึ่งแปลว่าผู้ใช้ AI ยังต้องรับผิดชอบต่อการตัดสินใจสุดท้าย

ข้อควรระวังคือกรอบที่สื่อภาษาอังกฤษใช้เรียกเรื่องนี้ว่าเป็นคำสั่งบังคับใช้ฉบับแรกของอาเซียนที่แปลงกฎหมาย AI ระดับชาติให้เป็นแนวปฏิบัติจริงนั้น เป็นการจัดกรอบของสื่อ ไม่ใช่ถ้อยแถลงของรัฐบาลเวียดนามเอง และบทความภาษาอังกฤษที่ใช้วลีนั้นอ่านโดยตรงไม่ได้เพราะเว็บคืนค่า 403 สิ่งที่ยืนยันได้จึงเป็นตัวคำสั่งจากต้นทางภาษาเวียดนามเท่านั้น

▲ ทำไมต้องรู้ · องค์กรไทยจำนวนมากยังไม่มีกติกาเป็นลายลักษณ์อักษรว่าเอกสารประเภทไหนห้ามวางลงแชต AI สาธารณะ และมักคิดว่าเรื่องนี้แก้ด้วยการอบรมเตือนพนักงาน สิ่งที่เวียดนามทำต่างออกไปคือเขียนเป็นคำสั่งพร้อมระบุว่าใช้แพลตฟอร์มไหนได้บ้าง ซึ่งเป็นรูปแบบที่ลอกไปใช้ในองค์กรได้เลยโดยไม่ต้องรอกฎหมาย คือกำหนดชั้นความลับของเอกสาร กำหนดช่องทางที่อนุญาต และระบุให้ชัดว่าคนยังเป็นผู้รับผิดชอบผลสุดท้าย

Báo Đầu tư · VietnamPlus

สำนักงานส่งเสริมเศรษฐกิจดิจิทัลเผยผลสำรวจดัชนีความเชื่อมั่นอุตสาหกรรมดิจิทัลไตรมาสที่สองของปี 2569 อยู่ที่ 48.4 เพิ่มจาก 44.5 ในไตรมาสแรก โดยดัชนีย่อยเพิ่มขึ้นทั้งห้ากลุ่ม กลุ่มที่นำอยู่คือซอฟต์แวร์ที่ 51.1 และบริการดิจิทัลที่ 50.6 ซึ่งเป็นสองกลุ่มเดียวที่อยู่เหนือระดับ 50 ส่วนการคาดการณ์สามเดือนข้างหน้าอยู่ที่ 51.6

เหตุผลที่หน่วยงานยกมาอธิบายการฟื้นตัวคือความต้องการด้าน AI และการขยายตัวของการลงทุนในกลุ่มศูนย์ข้อมูล ซึ่งเป็นสองเรื่องที่เชื่อมกันโดยตรง เพราะการลงทุนศูนย์ข้อมูลในไทยรอบนี้เกิดขึ้นเพื่อรองรับงาน AI เป็นหลัก

ข้อควรระวังมีสองข้อ ข้อแรกคือวันประกาศไม่นิ่ง สื่อที่รายงานลงวันที่ 15 ส.ค. ขณะที่หน้ารวมข่าวของหน่วยงานเองขึ้นรายการเดียวกันด้วยวันที่ 11 ส.ค. และเราเข้าหน้าข่าวต้นทางโดยตรงไม่ได้จึงชี้ขาดไม่ได้ ข้อสองคือตัวเลขรวมที่ 48.4 ยังต่ำกว่า 50 ทั้งที่ปรับตัวดีขึ้น การอ่านว่าอุตสาหกรรมกลับมาเป็นบวกแล้วจึงเร็วเกินไป

▲ ทำไมต้องรู้ · ตัวเลขนี้เป็นหนึ่งในไม่กี่ตัวที่บอกบรรยากาศของตลาดงานสายดิจิทัลในไทยเป็นรายไตรมาส และสิ่งที่อ่านได้คือความต้องการกำลังกลับมาจากฝั่ง AI และศูนย์ข้อมูลก่อนกลุ่มอื่น สำหรับคนที่กำลังตัดสินใจว่าจะลงแรงเรียนอะไรต่อ นี่เป็นสัญญาณว่าทักษะที่ต่อกับสองกลุ่มนี้มีที่ไปมากกว่าในระยะสั้น แต่ยังไม่ใช่สัญญาณว่าตลาดโดยรวมฟื้นแล้ว

กรุงเทพธุรกิจ · depa

IBM ประกาศความร่วมมือกับ OpenAI เมื่อวันที่ 13 ส.ค. 2026 โดยนำ GPT-5.6, Codex, ChatGPT Work และโปรแกรมด้านความมั่นคงไซเบอร์ที่ชื่อ Daybreak เข้าไปอยู่ในแพลตฟอร์มที่ปรึกษาของ IBM พร้อมตั้งหน่วยงานเฉพาะชื่อ OpenAI Practice ที่มีที่ปรึกษาและวิศวกรระดับพันคนซึ่งผ่านการรับรองจากเครือข่ายพันธมิตรของ OpenAI อุตสาหกรรมเป้าหมายที่ระบุคือบริการทางการเงิน ภาครัฐ โทรคมนาคม และค้าปลีก

ถ้อยคำจากฝั่ง OpenAI ที่อธิบายเหตุผลของดีลนี้คือ "The organizations pulling ahead with AI are the ones turning it into a trusted part of how their business operates" ข้อควรระวังคือทั้งสองบริษัทไม่เปิดเผยมูลค่าดีล และไม่ได้ระบุจำนวนลูกค้าหรือเป้ารายได้ใดๆ

▲ ทำไมต้องรู้ · สิ่งที่เปลี่ยนในตลาดองค์กรตอนนี้ไม่ใช่ว่าใครมีโมเดลเก่งกว่า แต่คือใครมีคนที่เอาโมเดลไปติดตั้งในระบบเดิมขององค์กรได้ ดีลแบบนี้บอกว่าคอขวดย้ายจากเทคโนโลยีมาอยู่ที่กำลังคนที่ทำงานส่งมอบได้ สำหรับคนทำงานไทย นี่แปลว่าทักษะที่ขายได้ในอีกสองสามปีข้างหน้าคือการเชื่อม AI เข้ากับกระบวนการทำงานจริงที่มีข้อจำกัดเยอะ ไม่ใช่การรู้จักโมเดลว่ามีรุ่นอะไรบ้าง

IBM Newsroom

สื่อธุรกิจรายงานเมื่อวันที่ 14 ส.ค. 2026 โดยอ้างแหล่งข่าวและเอกสารภายในว่า Oracle เตรียมปลดพนักงานรอบใหม่ก่อนวันที่ 1 ก.ย. 2026 และบางทีมอาจถูกตัดถึงระดับสองหลักเปอร์เซ็นต์ บริษัทปฏิเสธที่จะให้ความเห็น

ตัวเลขที่ทำให้บริบทนี้อ่านออกคือรายจ่ายลงทุนของบริษัทในปีงบประมาณ 2026 พุ่งขึ้นเป็น 55,700 ล้านดอลลาร์จาก 21,200 ล้านดอลลาร์ ทำให้เกิดช่องว่างเงินสด 23,700 ล้านดอลลาร์ บริษัทระดมหนี้ไปแล้ว 43,000 ล้านดอลลาร์และขายหุ้นอีก 5,000 ล้านดอลลาร์ พร้อมแผนระดมเพิ่มอีกราว 40,000 ล้านดอลลาร์ ก่อนหน้านี้ในปีงบเดียวกันบริษัทลดคนไปแล้ว 21,000 คนหรือราว 13% พร้อมตั้งสำรองค่าปรับโครงสร้าง 1,800 ล้านดอลลาร์

ข้อควรระวังที่สำคัญที่สุดคือทั้งเรื่องยังไม่มีการยืนยันจากบริษัท เป็นรายงานจากแหล่งข่าวที่ไม่เปิดเผยชื่อ และการเชื่อมโยงการปลดคนเข้ากับหนี้ที่ก่อเพื่อสร้างศูนย์ข้อมูลเป็นการตีความของสื่อ ไม่ใช่คำอธิบายที่ Oracle ให้เอง

▲ ทำไมต้องรู้ · การลงทุนสร้างศูนย์ข้อมูล AI ถูกเล่าเป็นข่าวดีเสมอเพราะเป็นตัวเลขใหญ่และฟังดูเป็นการเติบโต แต่เงินก้อนนั้นต้องมาจากที่ไหนสักแห่ง และในกรณีนี้มาจากหนี้ที่ต้องจ่ายคืนภายในเวลาที่กำหนด ผลที่ตามมาคือแรงกดดันให้ลดค่าใช้จ่ายส่วนอื่น ซึ่งส่วนที่ตัดได้เร็วที่สุดคือคน สิ่งที่คนทำงานควรอ่านจากข่าวแบบนี้คืออย่าประเมินความมั่นคงของบริษัทจากขนาดการลงทุนด้าน AI ของมันอย่างเดียว

Yahoo Finance รายงานต่อจาก Business Insider

SMIC รายงานผลประกอบการไตรมาสที่สองของปี 2026 เมื่อวันที่ 13 ส.ค. โดยมีรายได้ 3,006 ล้านดอลลาร์ ซึ่งเป็นครั้งแรกที่ทะลุสามพันล้าน เพิ่มขึ้น 36.1% จากปีก่อนและ 20% จากไตรมาสก่อน กำไรสุทธิ 479 ล้านดอลลาร์ เพิ่มขึ้น 261.7% จากปีก่อน อัตรากำไรขั้นต้น 25.3% ขยับขึ้น 5.2 จุดจากไตรมาสก่อน

ตัวเลขที่บอกสถานการณ์ได้ดีกว่ารายได้คืออัตราการใช้กำลังผลิตซึ่งอยู่ที่ 93.7% ในไตรมาสสองและบริษัทคาดว่าจะขึ้นไปราว 95% ในไตรมาสสาม ปริมาณแผ่นเวเฟอร์ที่ส่งมอบเพิ่มขึ้น 14.4% จากไตรมาสก่อน และราคาขายเฉลี่ยต่อแผ่นเพิ่มขึ้น 5.7% ผู้บริหารอธิบายว่าไม่ได้ขึ้นราคาแบบเหมารวมทั้งกระดาน แต่เจรจาขึ้นราคาเฉพาะกลุ่มที่กำลังผลิตตึงตัว

ข้อควรระวังคือคำอธิบายของผู้บริหารข้างต้นมาจากบทสรุปของสื่อ ไม่ใช่บันทึกการประชุมนักลงทุนฉบับเต็ม จึงเป็นการถอดความ ไม่ใช่คำต่อคำ

▲ ทำไมต้องรู้ · ราคาของทุกอย่างในสาย AI ย้อนกลับไปที่กำลังผลิตชิป และตัวเลขการใช้กำลังผลิตเกือบเต็มพร้อมราคาขายที่ขยับขึ้นเป็นสัญญาณว่าฝั่งผลิตยังตามความต้องการไม่ทัน สำหรับคนวางงบ AI ในองค์กร นี่เป็นเหตุผลเชิงโครงสร้างว่าทำไมราคาต่อโทเคนจึงมีแนวโน้มปรับขึ้นมากกว่าลงในระยะสั้น อย่างที่เห็นจากการขึ้นราคาของผู้ให้บริการหลายรายในสัปดาห์นี้

BigGo Finance รายงานผลประกอบการ SMIC