AI News · 2026-08-16

ตามตัวเลขที่ Z.ai เผยแพร่เอง บนชุดทดสอบ CyberGym ซึ่งวัดการค้นหาและยืนยันช่องโหว่ GLM-5.3 ทำได้ 84.5% นำ Mythos 5 ที่ 83.8% และ GPT-5.6 Sol ที่ 83.6% แต่บนชุด ExploitBench ซึ่งวัดขั้นถัดไปคือการเปลี่ยนช่องโหว่ที่เจอให้กลายเป็นเครื่องมือโจมตีที่ทำงานได้จริง GLM-5.3 ทำได้ 54.4% ซึ่งเป็นตัวเลขเดียวในกลุ่มนี้ที่ปรากฏในเอกสารทางการของบริษัท ส่วนตัวเลขของคู่แข่งบนชุดเดียวกันที่ระบุว่า Mythos 5 ทำได้ราว 78% และตัวเลขบนชุด ExploitGym ที่จับเวลา ซึ่งระบุว่า GLM-5.3 ทำได้ 105 งานในสองชั่วโมง เทียบกับ Mythos 5 ที่ 181 งาน ปรากฏเฉพาะในรายงานของสื่อที่อ่านหน้าประกาศของบริษัท ไม่ปรากฏในเอกสารที่เราเปิดอ่านได้โดยตรง

ตัวเลขที่ผู้ผลิตยกมาเป็นจุดขายอีกตัวต้องอ่านให้ตรงกว่าที่ข่าวส่วนใหญ่เขียน เพราะการอ้างว่าพบช่องโหว่ 2,436 รายการจากโครงการโอเพนซอร์ส 269 โครงการนั้น เป็นผลสะสมของโมเดลหลายตัวของบริษัทนับตั้งแต่รุ่น GLM-5.2 และทำร่วมกับทีมความปลอดภัยภายนอกหลายทีม ไม่ใช่ผลงานที่ GLM-5.3 ทำได้ตัวเดียว ในจำนวนนั้น 1,097 รายการถูกจัดเป็นระดับสูงถึงวิกฤต โดยบัญชีที่แสดงระบุว่าเปิดเผยพร้อมรหัส CVE แล้ว 53 รายการ ส่วนอีก 2,383 รายการยังอยู่ในช่วงปิดข้อมูล

สถานะการใช้งานยังไม่ขยับจากเมื่อวานเลยแม้แต่จุดเดียว เอกสารของ Z.ai ยังเขียนว่า "The GLM-5.3 API is coming soon" ชื่อรุ่นนี้ยังไม่ปรากฏในหน้าราคาซึ่งมีรุ่นอื่นครบทุกตัว และคลังโมเดลของบริษัทเองยังไม่มีน้ำหนักของรุ่นนี้ ช่องทางเดียวที่ใช้ได้จริงคือแพ็กเกจรายเดือนสำหรับงานเขียนโค้ด

ข้อควรระวังคือคะแนนทั้งหมดข้างต้นเป็นการวัดของผู้ผลิตเองบนชุดตั้งค่าของผู้ผลิตเอง ระยะห่างบน CyberGym ที่นำอยู่นั้นไม่ถึงหนึ่งจุด ซึ่งเป็นระยะที่ยังไม่มีผู้วัดอิสระรายใดยืนยัน และเมื่อยังไม่ปล่อยน้ำหนักก็ยังไม่มีใครทำซ้ำได้ อีกจุดที่ต้องระวังเป็นพิเศษคือเปเปอร์ต้นฉบับของ CyberGym รายงานว่าชุดที่ทำได้ดีที่สุดอยู่ที่ราว 20% เท่านั้น การที่ตัวเลขนี้สูงกว่าราวสี่เท่าแปลว่าเป็นการวัดคนละการตั้งค่าหรือคนละส่วนย่อยของชุดทดสอบ จึงเอาไปเทียบกับตัวเลขที่ผู้อื่นรายงานบนชื่อชุดเดียวกันไม่ได้

▲ ทำไมต้องรู้ · เวลาอ่านข่าวว่าโมเดลไหนเก่งเรื่องความมั่นคงไซเบอร์ คำถามที่ต้องถามคือเก่งที่ขั้นไหนของงาน เพราะการหาช่องโหว่เจอกับการทำให้ช่องโหว่นั้นใช้โจมตีได้จริงเป็นคนละความสามารถ และตัวเลขที่ผู้ผลิตหยิบขึ้นมาโชว์มักเป็นขั้นที่ตัวเองนำ หลักเดียวกันใช้ได้กับทุกข่าวที่บอกว่าโมเดลใหม่นำคู่แข่ง คือดูว่าชุดทดสอบนั้นวัดขั้นตอนไหนของงานที่เราจะเอาไปใช้จริง

เอกสาร Z.ai · หน้าราคาของ Z.ai · คลังโมเดลของบริษัท · Unite.AI

รายงานความเสี่ยงประจำเดือน ส.ค. 2026 ของ Anthropic ที่เผยแพร่เมื่อวันที่ 14 ส.ค. ระบุว่าบริษัทปรับประมาณการความเสี่ยงที่จะเกิดความเสียหายร้ายแรงจากการที่โมเดลไม่ทำตามเจตนาของผู้พัฒนา จากระดับ very low ขึ้นเป็น low ในเอกสารฉบับเดียวกันยังเปิดเผยชื่อโมเดลสองตัวที่ใช้ภายในบริษัทเท่านั้น เรียกว่า Model 1 และ Model 2 โดย Model 1 ใกล้เคียงกับ Mythos 5 ที่ขายจริง ส่วน Model 2 เก่งกว่าและถูกใช้หนักภายในทั้งงานเขียนโค้ด งานวิจัย และงานหาช่องโหว่

สิ่งที่ทำให้รายงานฉบับนี้อ่านแล้วสะดุดคือเหตุผลของการยกระดับ บริษัทระบุว่าเป็นการปรับเพื่อสะท้อนความไม่แน่นอนที่เพิ่มขึ้น ไม่ใช่เพราะเจอพฤติกรรมอันตรายแบบใหม่ พร้อมกับยอมรับว่าชุดวัดผลด้านการวิจัยและพัฒนาของบริษัทเองอิ่มตัวแล้ว คือมันไม่สามารถจับความสามารถที่เพิ่มขึ้นได้อีกต่อไป

ถ้อยคำที่ตรงที่สุดของบริษัทเรื่องแผนการปล่อยคือ "We do not currently have plans to release this model externally"

ข้อควรระวังที่ต้องพูดคู่กันคือตัวไฟล์รายงานฉบับเต็มเป็น PDF ที่เครื่องอ่านของเราถอดข้อความไม่ออก สิ่งที่อ่านได้จึงเป็นรายงานของสื่อสองเจ้าที่อ่านตัวเอกสาร ไม่ใช่ตัวเอกสารโดยตรง และรายงานนี้เป็นการประเมินตัวเองของบริษัท ไม่ได้ผ่านการตรวจจากภายนอก

▲ ทำไมต้องรู้ · ประโยคที่ควรจำจากข่าวนี้ไม่ใช่ชื่อโมเดลลับ แต่คือการที่ผู้ผลิตบอกเองว่าเครื่องมือที่ใช้วัดว่าโมเดลเก่งขึ้นแค่ไหนนั้นวัดต่อไม่ได้แล้ว สำหรับองค์กรที่ต้องประเมินว่าจะให้ AI ทำงานอะไรได้บ้าง นี่เป็นเหตุผลที่ทำให้การพึ่งคะแนนมาตรฐานอย่างเดียวไม่พอ และต้องมีชุดทดสอบของงานตัวเองที่รันซ้ำได้ทุกครั้งที่เปลี่ยนรุ่น

Blognone · Unite.AI · ตัวรายงาน

ข่าวที่ออกเมื่อวันที่ 15 ส.ค. รายงานว่าโมเดลตระกูล Qwen ของ Alibaba มียอดดาวน์โหลดทั่วโลกเกิน 3,000 ล้านครั้งในรอบหกเดือน พร้อมตัวเลขว่าเปิดโมเดลไปแล้วกว่า 460 ตัวและมีโมเดลที่คนอื่นเอาไปต่อยอดกว่า 300,000 ตัว แซงทั้ง Meta และ Google โดยข่าวอ้างอิงรายงาน State of Open Models: Summer 2026 ของ Hugging Face ที่เผยแพร่เมื่อวันที่ 14 ส.ค.

เมื่อเปิดรายงานฉบับนั้นอ่านตรงๆ ตัวเลขไม่ตรงกัน รายงานระบุว่ายอดดาวน์โหลดของ Qwen ในปี 2026 อยู่ที่ 2,045 ล้านครั้ง และจำนวนโมเดลที่ต่อยอดจาก Qwen บนแพลตฟอร์มอยู่ที่ 151,448 ตัว ส่วนตัวเลขของคู่แข่งที่รายงานให้ไว้คือ Google 418 ล้านครั้งกับ 82,506 ตัว และ Meta 227 ล้านครั้งกับราว 58,000 ตัว

พูดอีกอย่างคือตัวเลขที่บอกว่า Qwen นำคู่แข่งนั้นมาจากรายงานจริง แต่ตัวเลข 3,000 ล้านครั้งกับ 300,000 ตัวเป็นคำกล่าวอ้างของผู้ผลิตเอง ไม่ใช่ตัวเลขในรายงานที่ถูกยกมาเป็นแหล่งอ้างอิง

ข้อควรระวังที่รายงานเขียนกำกับตัวเองไว้คือ "Downloads indicate usage within the Hub ecosystem, but they do not capture API usage, private deployments, or models distributed through other channels" แปลว่าตัวเลขนี้ไม่ได้นับการเรียกผ่าน API และไม่ได้นับการติดตั้งภายในองค์กร ซึ่งเป็นช่องทางที่องค์กรส่วนใหญ่ใช้จริง

▲ ทำไมต้องรู้ · ตัวเลขความนิยมของโมเดลถูกใช้เป็นเหตุผลในการตัดสินใจขององค์กรบ่อยมาก ทั้งในสไลด์เสนอผู้บริหารและในข้อเสนอของผู้ขาย ข่าวนี้เป็นตัวอย่างที่ชัดว่าตัวเลขเดียวกันมีสองเวอร์ชัน คือเวอร์ชันที่ผู้ผลิตแถลงกับเวอร์ชันที่อยู่ในรายงานที่ถูกอ้างถึง วิธีตรวจที่ใช้ได้ทันทีคือเปิดรายงานต้นทางที่ข่าวลิงก์ไว้แล้วค้นหาตัวเลขนั้นในเอกสารจริง

รายงานของ Hugging Face · Bloomberg

สำนักข่าว Reuters รายงานเมื่อวันที่ 14 ส.ค. โดยอ้างแหล่งข่าวที่เกี่ยวข้องว่า Apple เริ่มฝึกโมเดลสำหรับใช้ในระบบผู้ช่วย AI เวอร์ชันประเทศจีนขึ้นมาเองแล้ว ผ่านความร่วมมือกับ Alibaba ในด้านต่างๆ ซึ่งต่างจากข้อมูลก่อนหน้านี้ที่ระบุว่า Apple เลือกใช้โมเดลของบริษัทจีนโดยตรงทั้งจาก Alibaba และ Baidu

บริบทที่ทำให้เรื่องนี้มีน้ำหนักคือระบบผู้ช่วย AI ของ Apple ยังใช้ในจีนไม่ได้จนถึงตอนนี้ ขณะที่หน่วยงานกำกับของจีนอนุมัติเวอร์ชันที่ใช้โมเดลของ Alibaba ไปเมื่อเดือนก่อน และก่อนหน้านั้นมีเอกสารตั้งค่าที่ชี้ว่าจะใช้โมเดล Qwen หลุดออกมาแล้วถูกลบไป

ข้อควรระวังคือรายงานนี้อ้างแหล่งข่าวที่ไม่เปิดเผยชื่อทั้งหมด ยังไม่มีการยืนยันจากทั้ง Apple และ Alibaba และสำนักข่าวไทยที่หยิบไปเขียนต่อก็ติดป้ายกำกับไว้เองว่าเป็นข่าวที่ยังไม่ยืนยัน

▲ ทำไมต้องรู้ · บริษัทที่ขายของทั่วโลกกำลังเจอสภาพที่ต้องมี AI คนละตัวสำหรับคนละตลาด เพราะกฎของแต่ละประเทศไม่เหมือนกัน ผลที่ตามมาที่คนทำงานจะเจอคือฟีเจอร์ AI ในผลิตภัณฑ์ตัวเดียวกันจะทำงานไม่เหมือนกันในแต่ละประเทศ และเวลาทดสอบระบบที่มีผู้ใช้หลายประเทศ ต้องทดสอบแยกรายตลาด ไม่ใช่ทดสอบครั้งเดียวแล้วเหมาว่าเหมือนกันหมด

Reuters · Blognone

หน้าเอกสารราคาของ DeepSeek ระบุเวลาไว้ว่า "The new prices take effect at 16:00 UTC on August 16, 2026" ซึ่งตรงกับเวลา 23:00 น. ของวันนี้ตามเวลาประเทศไทย และเปลี่ยนวิธีคิดเงินไปเป็นแบบแบ่งช่วงเวลา โดยช่วงราคาแพงคือ 01:00 ถึง 04:00 และ 06:00 ถึง 10:00 ตามเวลา UTC ซึ่งเท่ากับ 08:00 ถึง 11:00 และ 13:00 ถึง 17:00 น. ตามเวลาไทย

ตัวเลขของรุ่น deepseek-v4-pro เปลี่ยนดังนี้ ค่าอ่านข้อความเข้าแบบที่ระบบไม่มีของเก่าเก็บไว้ ขยับจาก 0.435 ดอลลาร์ต่อล้านโทเคน เป็น 0.66 ในช่วงถูกและ 1.32 ในช่วงแพง ค่าข้อความที่โมเดลเขียนออกมา ขยับจาก 0.87 เป็น 1.98 และ 3.96 ส่วนค่าอ่านข้อความเข้าแบบที่ระบบมีของเก่าเก็บไว้แล้ว ขยับจาก 0.003625 เป็น 0.022 และ 0.044

กับดักที่ต้องระวังคือคำว่าช่วงถูกซึ่งเอกสารเขียนว่าเป็นครึ่งหนึ่งของช่วงแพง ฟังดูเหมือนส่วนลด แต่เมื่อเทียบกับราคาเดิมที่ใช้อยู่จนถึงคืนนี้ ราคาช่วงถูกยังแพงกว่าเดิมทุกช่อง ช่องที่ขึ้นแรงที่สุดคือค่าอ่านข้อความที่ระบบเก็บของเก่าไว้แล้ว ซึ่งเป็นช่องที่งานแบบ agent พึ่งพามากที่สุดเพราะต้องส่งบริบทเดิมซ้ำทุกรอบ

▲ ทำไมต้องรู้ · ถ้าระบบของคุณเรียก DeepSeek อยู่ ค่าใช้จ่ายจะเปลี่ยนตั้งแต่คืนนี้โดยไม่ต้องแก้โค้ดอะไรเลย และช่วงราคาแพงทับเวลาทำงานปกติของไทยเกือบเต็มวัน สิ่งที่ทำได้ทันทีคือดูว่างานตัวไหนของคุณเลื่อนไปรันนอกเวลาทำงานได้ และดูใบเสร็จรอบถัดไปเทียบกับรอบนี้แทนที่จะเชื่อว่าราคาต่อโทเคนที่จำไว้ยังใช้ได้

เอกสารราคาของ DeepSeek

เวิร์มชื่อ ChainDrop ถูกพบเมื่อวันที่ 4 ส.ค. 2026 และมีรายงานวิเคราะห์ออกมาต่อเนื่องจนถึงวันที่ 15 ส.ค. โดยฝังตัวอยู่ในแพ็กเกจบนคลัง npm ซึ่งแต่ละเจ้าที่ติดตามนับได้ไม่เท่ากันตั้งแต่ราวสี่ร้อยถึงกว่าแปดร้อยรายการ เพราะเป็นตัวเลข ณ จังหวะที่นับและมันยังแพร่ต่อหลังจากนั้น ตัวเลขที่ถูกอ้างบ่อยที่สุดคือ 444 แพ็กเกจซึ่งรวมกันมียอดดาวน์โหลดราวสองพันล้านครั้งต่อเดือน ขณะที่ผู้วิเคราะห์อีกรายให้ตัวเลขไว้ที่ราวหนึ่งพันสามร้อยล้านครั้ง แพ็กเกจที่ถูกระบุชื่อได้แก่ keyv, flat-cache และ cache-manager

จุดที่ทำให้เรื่องนี้เกี่ยวกับคนใช้ AI โดยตรงคือวิธีที่มันรอทำงาน มันเขียนคำสั่งที่ทำงานตอนเริ่มใช้งานลงไปในไฟล์ตั้งค่าสองไฟล์ คือไฟล์ตั้งค่าของ Claude Code ซึ่งถูกตั้งให้ทำงานตอนเริ่ม session ใหม่ในโฟลเดอร์นั้น และไฟล์รายการงานของ Visual Studio Code ซึ่งถูกตั้งชื่อให้ดูเหมือนงานเตรียมสภาพแวดล้อมตามปกติ ถ้อยคำของ Abby Kearns ซึ่งเป็นซีอีโอของ ActiveState สรุปสิ่งที่เกิดขึ้นไว้ว่า "This is the first campaign to notice the gap and use it at scale. It will not be the last one" และแนะนำให้ปฏิบัติกับไฟล์ตั้งค่าที่ติดมากับคลังโค้ดเสมือนเป็นสิ่งที่รันคำสั่งได้ เพราะตอนนี้มันเป็นแบบนั้นจริง

เมื่อทำงานแล้ว มันจะไล่ค้นหาโทเคนของ npm และกุญแจของบริการคลาวด์จากไฟล์ตั้งค่าเชลล์ ตัวแปรสภาพแวดล้อม และหน่วยความจำที่กำลังทำงานอยู่ จากนั้นใช้สิทธิ์ที่ได้มาดึงไฟล์แพ็กเกจล่าสุดของทุกแพ็กเกจที่โทเคนนั้นเข้าถึงได้ แทรกตัวเองเข้าไป ขยับเลขรุ่นย่อย แล้วเผยแพร่กลับขึ้นคลังใหม่ ซึ่งเป็นกลไกที่ทำให้มันแพร่ต่อได้เอง และเมื่อเจอกุญแจของ GitHub มันจะคอมมิตโค้ดตั้งค่าที่เป็นอันตรายเข้าไปในสาขาของคลังที่เข้าถึงได้โดยตรง

ข้อควรระวังที่สำคัญที่สุดคือรุ่นที่ถูกวางยาชุดแรกถูกเผยแพร่ผ่านกระบวนการปล่อยรุ่นตามปกติของโครงการ จึงมีลายเซ็นรับรองที่มาแบบเดียวกับรุ่นที่ถูกต้อง การดูว่ามีลายเซ็นรับรองหรือไม่จึงไม่ช่วยแยกของดีออกจากของเสียในเคสนี้ ส่วนการถอดแพ็กเกจออกจากคลังเริ่มภายในราวสองชั่วโมงหลังพบ แต่จำนวนแพ็กเกจที่ติดยังเพิ่มขึ้นต่อในวันเดียวกันเพราะเวิร์มแพร่ต่อผ่านบัญชีนักพัฒนาที่เพิ่งถูกขโมยโทเคน จนถึงตอนนี้ยังไม่มีการชี้ตัวผู้อยู่เบื้องหลัง และหน่วยงานความมั่นคงไซเบอร์ของสิงคโปร์ออกประกาศเตือนเรื่องนี้แล้ว

▲ ทำไมต้องรู้ · ทีมจำนวนมากเริ่มดึงโปรเจกต์จากภายนอกมาเปิดในเครื่องมือเขียนโค้ดที่มี AI ช่วยเป็นเรื่องปกติ ทั้งโค้ดตัวอย่าง โค้ดของผู้รับเหมา และคลังที่โหลดจากอินเทอร์เน็ต สิ่งที่เคสนี้เปลี่ยนคือไฟล์ตั้งค่าของเครื่องมือกลายเป็นสิ่งที่รันคำสั่งได้ ไม่ใช่แค่การตั้งค่า ข้อที่ทำได้ทันทีคือเปิดดูไฟล์ตั้งค่าของเครื่องมือในโปรเจกต์ที่ได้มาจากคนอื่นก่อนเริ่มทำงานกับโปรเจกต์นั้น และอย่าเก็บโทเคนสำคัญไว้ในตัวแปรสภาพแวดล้อมของเครื่องที่ใช้เปิดโค้ดของคนอื่น

The Register · Elastic Security Labs · Unit 42 · Infosecurity · ประกาศเตือนของ CSA สิงคโปร์

Google เพิ่มตัวเลือกในหน้าตั้งค่าของ Gemini ที่ให้ผู้ใช้เลือกได้ว่าจะให้ภาพ วิดีโอ และเพลงที่สร้างขึ้นแสดงไอคอนลายน้ำที่มุมล่างขวาหรือไม่ ประกาศออกมาเมื่อวันที่ 14 ส.ค. 2026 และทยอยเปิดใช้งาน โดยตัวเลือกนี้ใช้กับแอปตัดต่อวิดีโอของบริษัทด้วย

ถ้อยคำในประกาศระบุขอบเขตไว้ชัดว่า "Invisible SynthID watermarks and C2PA metadata will always stay embedded in the background" แปลว่าสิ่งที่ปิดได้คือไอคอนที่คนมองเห็น ส่วนลายน้ำที่ฝังในตัวไฟล์และข้อมูลกำกับที่บอกที่มายังอยู่ครบและปิดไม่ได้

ข้อควรระวังคือประกาศนี้ระบุว่าทยอยเปิดใช้งานภายในไม่กี่วัน จึงยังไม่ใช่สิ่งที่ทุกบัญชีเห็นแล้ว และการที่ลายน้ำมองไม่เห็นยังอยู่ไม่ได้แปลว่ามีเครื่องมือให้คนทั่วไปเอาไปตรวจได้

▲ ทำไมต้องรู้ · หลายองค์กรกำลังเขียนกติกาว่าเนื้อหาที่ทำด้วย AI ต้องติดป้ายบอก แล้วเลือกใช้ไอคอนลายน้ำของเครื่องมือเป็นหลักฐาน ข่าวนี้บอกว่าไอคอนนั้นปิดได้ในระดับผู้ใช้ ดังนั้นกติกาที่ผูกกับสิ่งที่ตามองเห็นจะพังทันทีที่มีคนปิดมัน สิ่งที่ควรทำแทนคือกำหนดให้คนแจ้งเองว่าใช้ AI ช่วยตรงไหน แล้วเก็บไฟล์ต้นฉบับไว้ประกอบ

Blognone

OpenAI ส่งอีเมลแจ้งการเปลี่ยนนโยบายความเป็นส่วนตัวเมื่อเช้าวันที่ 15 ส.ค. 2026 ระบุว่าโฆษณาจะเริ่มปรากฏกับผู้ใช้แผนฟรีและแผน Go ในเขตเศรษฐกิจยุโรปและสวิตเซอร์แลนด์ ส่วนแผน Plus, Pro, Enterprise, Business และ Education ยังไม่มีโฆษณา ตัวอีเมลระบุเวลาไว้แค่ว่าภายในเดือนนี้ ไม่มีวันที่แน่นอน

ถ้อยคำที่บริษัทใช้อธิบายรูปแบบคือ "To begin, ads will not be personalised" และ "Advertisers only receive overall information about how their ads perform, such as total views or clicks" ส่วนสัญญาณที่ใช้เลือกโฆษณาในช่วงแรกคือหัวข้อของบทสนทนาที่กำลังคุยอยู่ ตำแหน่งแบบกว้างๆ และประเภทอุปกรณ์ โดยยังไม่ใช้บทสนทนาเก่าและความจำของผู้ใช้

ข้อควรระวังอยู่ที่คำว่าในช่วงแรกซึ่งเป็นคำของบริษัทเอง เพราะมันเปิดทางให้เปลี่ยนได้ในภายหลัง และจนถึงตอนนี้บริษัทยังไม่ได้ออกแถลงการณ์สาธารณะแยกต่างหากเรื่องการเปิดโฆษณาในยุโรป สิ่งที่ยืนยันได้คือตัวอีเมลแจ้งนโยบายเท่านั้น

▲ ทำไมต้องรู้ · องค์กรจำนวนมากในไทยปล่อยให้พนักงานใช้แผนฟรีของเครื่องมือ AI ทำงานจริงโดยไม่ได้ตั้งกติกาอะไร การที่แผนฟรีเริ่มมีโฆษณาแปลว่ามีการนำหัวข้อของบทสนทนาไปใช้เลือกสิ่งที่จะแสดง ซึ่งเป็นคนละเรื่องกับการนำไปฝึกโมเดลแต่เป็นเรื่องที่ต้องรู้เท่ากัน คำถามที่ควรถามในองค์กรตอนนี้คืองานประเภทไหนที่ห้ามทำบนแผนฟรี ไม่ใช่ว่าเครื่องมือตัวไหนห้ามใช้

PPC Land

งานนี้สร้างชุดทดสอบที่วัดสิ่งที่คนใช้งานเจอทุกวันแต่แทบไม่มีใครวัด คือการที่คำสั่งหนึ่งคำสั่งมักมีเงื่อนไขซ้อนกันหลายข้อพร้อมกัน ทีมทดสอบโมเดล 15 ตัวกับเงื่อนไข 36 ประเภท รวมการตรวจ 369,753 ครั้ง ไล่ตั้งแต่สั่งหนึ่งเงื่อนไขไปจนถึงสิบสองเงื่อนไขพร้อมกัน โดยทุกเงื่อนไขตรวจด้วยตัวตรวจแบบกฎตายตัวไม่ได้ใช้โมเดลมาตัดสิน

ตัวเลขที่ชี้ปัญหาชัดที่สุดคือโมเดลที่ผ่านเงื่อนไขรายข้อได้ราว 41% เมื่อถูกสั่งแปดข้อพร้อมกัน กลับทำครบทั้งแปดข้อได้เพียง 5.7% ถ้อยคำของผู้เขียนคือ "a model passing individual constraints at ~41% at k=8 succeeds on all eight just 5.7% of the time" และผลรวมคือความน่าเชื่อถือของการทำตามคำสั่งพังลงเมื่อเกินห้าถึงหกเงื่อนไข โดยโมเดลที่แข็งที่สุดตกลงต่ำกว่าครึ่งที่เจ็ดเงื่อนไข ขณะที่ 12 จาก 15 ตัวตกตั้งแต่สามเงื่อนไขหรือน้อยกว่า

อีกจุดที่ใช้ได้ทันทีคือเงื่อนไขเชิงโครงสร้าง เช่น รูปแบบของผลลัพธ์ กินความสามารถของโมเดลมากกว่าเงื่อนไขเชิงถ้อยคำราวสองเท่าต่อหนึ่งเงื่อนไขที่เพิ่มเข้าไป สิ่งที่บทคัดย่อไม่ได้บอกคือไม่ระบุชื่อโมเดลตัวใดเลย คำว่าโมเดลที่แข็งที่สุดจึงไม่มีทางแปลงมาเป็นชื่อรุ่นที่เราใช้อยู่ และไม่ได้ตอบคำถามที่ตัวเองตั้งไว้ว่าแก้ได้อย่างไร ไม่มีตัวเลขของการแยกคำสั่งเป็นหลายรอบเลย

▲ ทำไมต้องรู้ · คำสั่งที่คนเขียนใช้งานจริงในองค์กรมักยาวและมีเงื่อนไขซ้อนกันเป็นสิบข้อ ทั้งรูปแบบผลลัพธ์ ความยาว น้ำเสียง สิ่งที่ห้ามพูด และรูปแบบวันที่ งานนี้บอกว่าตรงนั้นคือจุดที่ระบบพัง ไม่ใช่ที่ความยากของเนื้องาน วิธีที่ใช้ได้ทันทีคือแยกคำสั่งใหญ่เป็นหลายขั้น ให้แต่ละขั้นถือเงื่อนไขไม่เกินห้าข้อ แล้วตรวจผลของแต่ละขั้นด้วยกฎตายตัวแทนที่จะหวังให้โมเดลจำได้เองทั้งหมด

arXiv 2608.12426

งานนี้สร้างชุดทดสอบที่จำลองจุดตัดสินใจของ agent ตอนกำลังจะลงมือทำอะไรบางอย่าง โดยใช้สถานการณ์ 106 แบบที่อ้างอิงจากเหตุการณ์จริงที่เคยเกิดขึ้น ครอบคลุมงานปฏิบัติการซอฟต์แวร์ บริการลูกค้า การเงิน กฎหมาย การแพทย์ งานบุคคล และความมั่นคงปลอดภัย โดยแบ่งเฉลยเป็นควรลงมือกับควรหยุดในสัดส่วนใกล้เคียงกัน

ผลจากการทดสอบ 30 เงื่อนไขคือความผิดพลาดแทบทั้งหมดไปทางเดียวกัน ถ้อยคำของผู้เขียนคือ "Across 30 model conditions the failures run almost entirely in one direction: models wrongly hold authorized, evidence-cleared work on 28.1% of opportunities and wrongly allow unsafe work on 1.0%" แปลว่า agent ระวังเกินไปมากกว่าประมาทราวยี่สิบแปดเท่า

ตัวเลขอีกชุดที่น่าสนใจกว่าคือเมื่อเอาเหตุการณ์ดังที่ทุกคนรู้จักมาสลับหลักฐานให้ผลลัพธ์ที่ถูกต้องกลับด้าน คะแนนตกจาก 98.5% เหลือ 63.8% แปลว่าส่วนหนึ่งของคะแนนที่สูงมาจากการจำเรื่องที่เคยอ่านมา ไม่ใช่การอ่านหลักฐานตรงหน้า สิ่งที่บทคัดย่อไม่ได้บอกคือไม่มีการแยกผลรายโมเดลและรายอุตสาหกรรมเลย จึงไม่รู้ว่ามีตัวไหนที่สมดุลดีอยู่แล้วหรือไม่

▲ ทำไมต้องรู้ · เวลาองค์กรวางระบบ agent คำถามที่ถูกถามในห้องประชุมเกือบทั้งหมดคือจะกันไม่ให้มันทำเรื่องอันตรายอย่างไร แต่งานนี้บอกว่าต้นทุนจริงที่จะเจอคือมันหยุดถามในงานที่อนุมัติไว้แล้ว ซึ่งทำให้คนต้องมานั่งกดอนุมัติซ้ำจนเลิกใช้ไปเอง สิ่งที่ควรวัดตั้งแต่วันแรกจึงมีสองตัวคู่กัน คือจำนวนครั้งที่มันทำเกินขอบเขต และจำนวนครั้งที่มันหยุดทั้งที่ไม่ควรหยุด

arXiv 2608.12654

งานนี้ตอบคำถามที่ทีมทำระบบค้นเอกสารเจอทุกครั้ง คือควรใช้โมเดลภาษาขนาดใหญ่มาทำงานค้นหาความหมาย หรือใช้โมเดลแปลงข้อความเป็นเวกเตอร์แบบเฉพาะทางที่เล็กกว่ามาก ทีมเทียบโมเดลภาษา 10 ตัวจากหกตระกูล กับโมเดลแปลงข้อความ 26 ตัวตั้งแต่ 118 ล้านถึง 14,000 ล้านพารามิเตอร์ บนงาน 37 ประเภท

ผลคือคะแนนแทบเสมอกัน โมเดลภาษาที่ดีที่สุดได้ 77.6 ส่วนโมเดลแปลงข้อความที่ดีที่สุดได้ 77.2 ต่างกัน 0.4 จุด แต่ตัวเลขค่าใช้จ่ายห่างกันคนละโลก ถ้อยคำของผู้เขียนคือ "An LLM costs up to 1,431x more than an embedding model of comparable quality (USD 154 vs. USD 0.11 per benchmark pass), and the open LLMs tested process tokens 2.5 to 736x more slowly on the same GPU"

รายละเอียดที่ใช้ลดค่าใช้จ่ายได้ทันทีคือส่วนที่โมเดลใช้คิดก่อนตอบ กินค่าใช้จ่ายของโมเดลภาษาไป 28 ถึง 81% และเมื่อลดงบส่วนนั้นลง คุณภาพการค้นหาของโมเดลส่วนใหญ่ไม่ตกหรือดีขึ้นด้วยซ้ำ ข้อควรระวังคือตัวเลขค่าใช้จ่ายเป็นค่าต่อการรันชุดทดสอบทั้งชุด ไม่ใช่ค่าต่อเอกสารหรือค่าต่อล้านโทเคน จึงเอาไปคำนวณบิลจริงตรงๆ ไม่ได้ และบทคัดย่อไม่ได้ระบุว่างานทั้ง 37 ประเภทเป็นภาษาอังกฤษล้วนหรือไม่ จึงยังสรุปแทนภาษาไทยไม่ได้

▲ ทำไมต้องรู้ · ระบบถามตอบจากเอกสารภายในที่องค์กรไทยกำลังทำกันเยอะ มักออกแบบโดยใช้โมเดลภาษาใหญ่ทำทุกขั้นตอนเพราะเป็นสิ่งที่คุ้นมือที่สุด งานนี้เป็นหลักฐานว่าขั้นตอนค้นหาเอกสารเป็นจุดที่เปลี่ยนไปใช้ของถูกกว่าได้โดยคุณภาพแทบไม่ต่าง สิ่งที่ควรทำคือแยกงบของขั้นค้นหาออกจากขั้นเรียบเรียงคำตอบ แล้ววัดสองขั้นนี้แยกกัน

arXiv 2608.12875

งานนี้ไม่ได้ทดสอบโมเดล แต่ย้อนไปตรวจวิธีให้คะแนนของการทดสอบความปลอดภัยที่เคยทำไว้ ทีมไล่ข้อมูลการรัน 10,200 แถวลงมาจนเหลือคำขอที่ต่างกันจริง 180 รายการ ซึ่งลดลงเหลือคำขอเชิงความหมาย 45 รายการ และเหลือสิ่งเร้าที่สังเกตได้จริงเพียง 15 รายการ

ปัญหาที่พบคือตัวให้คะแนนเดิมมองเห็นข้อมูลกำกับว่าแถวไหนเป็นแถวที่ถูกทดลองโจมตี แล้วใช้ข้อมูลนั้นเป็นเงื่อนไขในการติดป้ายว่าโจมตีสำเร็จ เมื่อสร้างการให้คะแนนใหม่แบบปิดตาไม่ให้เห็นข้อมูลนั้น ผลคือป้ายเดิม 58 รายการที่เคยเป็นโจมตีสำเร็จหรือพยายามยึดการทำงาน กลายเป็นการทำงานปกติที่ได้รับอนุญาต ขณะที่การส่งข้อมูลที่ต้องปกป้องออกไปจริง 3 รายการและการส่งต่อโดยไม่ได้รับอนุญาตอีก 1 รายการยังคงอยู่ และเมื่อนับใหม่ทั้งชุด ไม่เหลือรายการที่เป็นการโจมตีสำเร็จเลยแม้แต่รายการเดียว

ผู้เขียนเขียนขอบเขตของงานตัวเองไว้ตรงๆ ว่า "The result is a campaign-bounded measurement audit, not a population attack-rate, model-ranking, defense-efficacy, or causal estimate" สิ่งที่บทคัดย่อไม่ได้บอกคือไม่ระบุชื่อชุดทดสอบที่ถูกตรวจและไม่ระบุชื่อโมเดลที่เกี่ยวข้อง คนอ่านจึงบอกไม่ได้ว่าชุดทดสอบที่ตัวเองอ้างอิงอยู่คือชุดนี้หรือไม่

▲ ทำไมต้องรู้ · ตัวเลขอัตราการโจมตีสำเร็จถูกใช้เป็นเหตุผลซื้อเครื่องมือความปลอดภัยของ AI กันมาก และงานนี้แสดงว่าตัวเลขแบบนั้นเปลี่ยนได้ทั้งชุดเพียงเพราะวิธีนับ คำถามที่ควรถามผู้ขายจึงไม่ใช่ตัวเลขเท่าไร แต่คือใครเป็นคนตัดสินว่าเหตุการณ์หนึ่งนับเป็นการโจมตีสำเร็จ และคนตัดสินนั้นรู้ล่วงหน้าหรือไม่ว่าแถวไหนคือแถวที่ตั้งใจโจมตี

arXiv 2608.12880

งานนี้จับปัญหาที่ระบบถามตอบซึ่งค้นเอกสารหลายรอบเจอเสมอ คือไม่มีใครบอกได้ว่าควรค้นอีกกี่รอบถึงพอ ทีมจึงฝึกโมเดลขนาดสองพันล้านพารามิเตอร์ให้ทำหน้าที่ตัดสินว่าถึงเวลาหยุดหรือยัง โดยฝึกจากสถานะ 3,009 สถานะที่ได้จากคำถาม 900 ข้อ แล้วเสียบเข้าไปในระบบเดิมโดยแช่ทุกอย่างที่เหลือไว้เหมือนเดิมทั้งตัวคิด ตัวค้น คลังเอกสาร คำสั่ง และงบการค้น

ผลที่ได้คือลดจำนวนครั้งที่ต้องค้นลง 77 ครั้งหรือ 3.70% ขณะที่ความแม่นแบบตอบตรงเป๊ะลดลง 0.625 จุด พูดง่ายๆ คือประหยัดได้นิดเดียวและเสียความแม่นไปด้วย ผู้เขียนเขียนกำกับผลของตัวเองไว้ตรงมากว่า "The result does not imply unchanged or improved accuracy, safe stopping, or lower total inference cost"

สิ่งที่บทคัดย่อไม่ได้บอกคือค่าใช้จ่ายของการรันตัวตัดสินเพิ่มอีกหนึ่งตัวเป็นเท่าไร ซึ่งเป็นตัวเลขที่ชี้ขาดว่าคุ้มหรือไม่คุ้ม และไม่มีการทดสอบนัยสำคัญทางสถิติของส่วนต่าง 0.625 จุด ทั้งงานใช้ชุดข้อมูลเดียวและระบบเดียว

▲ ทำไมต้องรู้ · งานวิจัยที่ผลออกมาเกือบเสมอตัวแบบนี้มีค่ากับคนทำงานมากกว่าที่คิด เพราะไอเดียที่ว่าเอาโมเดลเล็กมาคอยตัดสินใจแทนกฎตายตัวเป็นสิ่งที่ทีมส่วนใหญ่กำลังจะลองทำ งานนี้เป็นตัวอย่างที่วัดแล้ววัดอีกอย่างระวังและได้ผลเกือบเท่าเดิม บทเรียนคือถ้าจะเพิ่มชิ้นส่วนใหม่เข้าไปในระบบ ต้องนับค่าใช้จ่ายของชิ้นส่วนนั้นเข้าไปในสมการด้วย ไม่ใช่นับเฉพาะสิ่งที่ประหยัดได้

arXiv 2608.13237

บทความที่เผยแพร่เมื่อวันที่ 16 ส.ค. 2026 รายงานคำอธิบายของ ดร.ศักดิ์ เสกขุนทด ที่ปรึกษาอาวุโสของสำนักงานพัฒนาธุรกรรมทางอิเล็กทรอนิกส์ เกี่ยวกับทิศทางของกฎหมาย AI ไทย โดยระบุว่าจะใช้แนวทางแบ่งระดับตามความเสี่ยง คือจัดกลุ่มการใช้งาน AI ตามระดับความเสียหายที่อาจเกิด แทนที่จะออกกฎชุดเดียวบังคับเหมือนกันหมด

การใช้งานที่กระทบสิทธิขั้นพื้นฐาน เช่น ด้านสาธารณสุข การเงิน และการบริหารราชการ จะถูกกำกับเข้มกว่า ส่วนการใช้งานความเสี่ยงต่ำจะใช้แนวปฏิบัติที่ดีแบบสมัครใจ กรอบเวลาที่ให้ไว้คือ 2 ถึง 3 ปีก่อนบังคับใช้เต็มรูปแบบ และหน่วยงานระบุว่าจะติดตามผลการทยอยบังคับใช้กฎหมาย AI ของยุโรปอย่างใกล้ชิดเพื่อนำบทเรียนมาปรับใช้กับบริบทไทย ถ้อยคำที่สรุปท่าทีไว้ชัดที่สุดคือ "กฎหมาย AI ไม่ใช่ปลายทาง แต่คือเครื่องมือกำหนดทิศทางอนาคตของประเทศ"

ข้อควรระวังคือบทความนี้เป็นการให้ภาพรวมทิศทาง ไม่ใช่การรายงานผลการรับฟังความคิดเห็นที่เพิ่งปิดไปเมื่อวันที่ 14 ส.ค. ไม่มีการระบุจำนวนความเห็นที่ได้รับและไม่มีร่างฉบับปรับปรุง เราตรวจหน้าประชาสัมพันธ์ของหน่วยงานเองแล้วพบว่าไม่มีรายการใดของเดือน ส.ค. 2569 เลย และหน้ากฎหมาย AI ที่ยังเข้าถึงได้เป็นประกาศของรอบรับฟังหลักการเมื่อเดือน มิ.ย. 2568 ซึ่งเป็นคนละรอบกัน แปลว่าผลสรุปหลังปิดรับฟังยังไม่ถูกเผยแพร่ที่ไหน

▲ ทำไมต้องรู้ · ธุรกิจไทยจำนวนมากกำลังรอดูว่าจะต้องเตรียมอะไรและเมื่อไร กรอบ 2 ถึง 3 ปีแปลว่ายังมีเวลา แต่ก็แปลว่าช่วงที่ไม่มีกฎชัดเจนจะยาวพอที่ระบบซึ่งสร้างวันนี้จะต้องมาแก้ทีหลัง สิ่งที่ทำได้ระหว่างนี้โดยไม่ต้องรอกฎหมายคือทำสองอย่างที่ทุกร่างในโลกถามตรงกัน คือรู้ว่าองค์กรใช้ AI ทำอะไรอยู่บ้าง และรู้ว่าใครเป็นผู้รับผิดชอบผลของแต่ละงาน

กรุงเทพธุรกิจ

รัฐมนตรีว่าการกระทรวงดิจิทัลเพื่อเศรษฐกิจและสังคมกางไทม์ไลน์โครงการ TH-AI Passport ในรายงานเมื่อวันที่ 16 ส.ค. 2026 โดยระบุสามหมุดหมาย คือเปิดให้ทดลองลงทะเบียนวันที่ 19 ส.ค. เปิดตัวโครงการอย่างเป็นทางการวันที่ 28 ส.ค. และเริ่มใช้งานจริงวันที่ 31 ส.ค. 2569

เงื่อนไขที่ระบุคือจำกัดจำนวนผู้ใช้ไว้ที่ 5 ล้านคน ผู้สมัครต้องมีอายุตั้งแต่ 15 ปีขึ้นไป ลงทะเบียนผ่านคิวอาร์โค้ดและยืนยันตัวตนด้วยแอป ThaiD ส่วนวิธีจ่ายเงินให้ผู้ให้บริการเป็นการคิดตามการใช้งานจริงแทนการเหมาจ่ายรายหัว โดยงบมาจากกองทุนดิจิทัลที่ระบุว่ามีเงินคงเหลือราวสองพันล้านบาท

ข้อควรระวังคือโครงการนี้อยู่ระหว่างการตรวจสอบของคณะกรรมาธิการในประเด็นงบประมาณ โดยกระทรวงระบุว่าได้ส่งผู้แทนไปชี้แจงแล้วหลายครั้งพร้อมเอกสารประกอบ ตัวเลขและกำหนดการที่ปรากฏจึงเป็นการให้ข้อมูลของฝ่ายผู้ดำเนินโครงการเอง ยังไม่ใช่ข้อสรุปที่ผ่านการตรวจสอบ

▲ ทำไมต้องรู้ · ถ้าเปิดใช้จริงตามกำหนด นี่จะเป็นครั้งแรกที่คนไทยจำนวนมากได้ใช้เครื่องมือ AI ระดับเสียเงินโดยรัฐออกให้ สิ่งที่ควรทำถ้าสนใจคือจดวันที่ 19 ส.ค. ไว้เพราะเป็นวันแรกที่ลงทะเบียนได้ และเตรียมแอปยืนยันตัวตนให้พร้อมก่อน เนื่องจากจำนวนที่ให้มีเพดานชัดเจนที่ 5 ล้านคน

กรุงเทพธุรกิจ

คำวินิจฉัยเลขที่ 33/2026/QD-TTg ของนายกรัฐมนตรีเวียดนาม ซึ่งออกเมื่อวันที่ 30 มิ.ย. 2026 เพื่อประกาศบัญชีรายชื่อระบบ AI ที่ถือว่ามีความเสี่ยงสูงตามกฎหมาย AI ของประเทศ เริ่มมีผลบังคับใช้เมื่อวันที่ 15 ส.ค. 2026 ถ้อยคำที่สำนักงานกฎหมายที่ติดตามเรื่องนี้เขียนไว้คือ "Decision 33 takes effect on August 15, 2026"

สิ่งที่บัญชีนี้บังคับกับระบบที่เข้าข่ายคือผู้ให้บริการต่างชาติต้องมีตัวแทนในประเทศ ต้องผ่านการประเมินความสอดคล้องก่อนนำไปใช้ ต้องมีเอกสารการบริหารความเสี่ยงและคุณภาพข้อมูล และมีความรับผิดต่อความเสียหายแบบเข้มงวด ส่วนกำหนดเวลาปฏิบัติตามคือระบบทั่วไปภายในวันที่ 1 มี.ค. 2027 ส่วนระบบด้านสาธารณสุข การศึกษา และการเงินที่เปิดใช้อยู่ก่อนแล้วได้ถึงวันที่ 1 ก.ย. 2027 หมวดที่มีรายการมากที่สุดคือคมนาคมซึ่งมี 31 รายการ

ข้อควรระวังมีสองข้อ ข้อแรกคือจำนวนรายการในบัญชีไม่ตรงกันระหว่างแหล่ง สำนักงานกฎหมายนับได้ 36 หมวด ขณะที่สื่อของรัฐรายงานเป็น 46 ระบบ ซึ่งน่าจะเป็นความต่างของหน่วยนับแต่เรายังไม่ได้เปิดตัวบทคำวินิจฉัยมาตรวจเอง ข้อสองคือสำนักงานกฎหมายระบุว่าการจัดว่าเป็นความเสี่ยงสูงใช้เฉพาะกรณีที่ผลลัพธ์ของ AI ถูกใช้เป็นฐานเดียวในการตัดสินใจโดยไม่มีคนตรวจอย่างมีความหมาย

▲ ทำไมต้องรู้ · ธุรกิจไทยที่ขายซอฟต์แวร์หรือบริการที่มี AI เข้าไปในเวียดนาม มีเส้นตายจริงแล้วสองเส้นคือ มี.ค. 2027 กับ ก.ย. 2027 และเงื่อนไขที่หนักที่สุดสำหรับผู้ให้บริการจากนอกประเทศคือการต้องมีตัวแทนในประเทศ อีกมุมที่ใช้ได้กับทุกองค์กรคือหลักที่เวียดนามใช้แบ่งว่าอะไรเสี่ยงสูง คือดูว่าผลของ AI ถูกใช้ตัดสินใจโดยไม่มีคนตรวจหรือไม่ ซึ่งเป็นคำถามที่เอาไปใช้จัดลำดับความเสี่ยงในองค์กรตัวเองได้เลย

Tilleke & Gibbins · vietnam.vn

รายงานที่เผยแพร่เมื่อวันที่ 15 ส.ค. 2026 อ้างอิงเอกสารทางการเงินที่สำนักข่าวได้มา ระบุว่า Anthropic มีรายได้เบื้องต้นของไตรมาสล่าสุดมากกว่า 11,500 ล้านดอลลาร์ เทียบกับ 787 ล้านดอลลาร์ในไตรมาสเดียวกันของปีก่อน คิดเป็นการเติบโตอย่างน้อย 14 เท่า และเทียบกับ 4,730 ล้านดอลลาร์ในไตรมาสแรกของปีนี้ เอกสารระบุด้วยว่าไตรมาสนี้มีกำไรจากการดำเนินงานที่ปรับปรุงแล้วเป็นบวก

บริบทที่ใช้เทียบขนาดได้คือตัวเลขรายได้ต่อปีแบบคิดจากอัตราปัจจุบันที่บริษัทเคยเผยแพร่เองเมื่อเดือน พ.ค. อยู่ที่ 47,000 ล้านดอลลาร์ ขณะที่ตัวเลขแบบเดียวกันของ OpenAI ที่ถูกยกมาเทียบอยู่ที่เกิน 40,000 ล้านดอลลาร์

ข้อควรระวังมีสามข้อ ข้อแรกคือ Anthropic เป็นบริษัทเอกชนที่ไม่ต้องเปิดเผยงบการเงิน ตัวเลขทั้งหมดมาจากเอกสารที่สำนักข่าวได้มา ไม่ใช่การแถลงของบริษัท และตัวแทนของบริษัทปฏิเสธที่จะให้ความเห็น ข้อสองคือรายงานระบุเองว่าเป็นตัวเลขเบื้องต้นที่ยังแก้ไขได้ ถ้อยคำคือ "Deliberations are ongoing and the figures could be revised" ข้อสามคือรายงานเตือนว่าวิธีคำนวณรายได้ต่อปีของสองบริษัทอาจไม่เหมือนกัน จึงเอามาเทียบตรงๆ ไม่ได้

▲ ทำไมต้องรู้ · ราคาที่เราจ่ายให้เครื่องมือ AI ในอีกสองสามปีข้างหน้าขึ้นอยู่กับว่าผู้ให้บริการเหล่านี้ทำกำไรได้หรือไม่ ตัวเลขที่โตแบบนี้พร้อมกำไรจากการดำเนินงานที่เป็นบวกครั้งแรก เป็นสัญญาณว่าแรงกดดันให้ขึ้นราคาอาจเบาลงในฝั่งนี้ ซึ่งต่างจากที่เห็นในข้อ 5 สิ่งที่ใช้ได้จริงคืออย่าล็อกงบทั้งปีไว้กับผู้ให้บริการรายเดียว เพราะทิศทางราคาของแต่ละรายกำลังแยกกันชัดขึ้น

Fortune รายงานต่อจาก Bloomberg

Cursor ประกาศเมื่อวันที่ 14 ส.ค. 2026 ว่าการเข้าซื้อกิจการโดย SpaceX เสร็จสมบูรณ์แล้ว ถ้อยคำในประกาศคือ "This completes the acquisition process that started in April, when we announced our partnership with SpaceXAI" ซึ่งเป็นการปิดดีลที่เริ่มไว้ตั้งแต่เดือน เม.ย. โดยตอนนั้นยังเป็นข้อตกลงที่มีเงื่อนไข

เหตุผลที่บริษัทให้ไว้คือการเข้าถึงทรัพยากรประมวลผล ถ้อยคำคือ "We will have access to the largest fleet of GPUs in the world, giving us the compute to build stronger models" และยกโมเดล Grok 4.6 เป็นตัวอย่างของผลที่ได้จากความร่วมมือนี้ พร้อมระบุว่าผู้ใช้จะได้โมเดลที่เก่งขึ้นในราคาที่ถูกลง

ข้อควรระวังคือประกาศของบริษัทเองไม่ได้ระบุมูลค่าดีล ตัวเลข 60,000 ล้านดอลลาร์ที่ปรากฏในข่าวมาจากการรายงานของสื่อ ไม่ใช่จากคู่สัญญา และการคาดการณ์ที่ว่าจะรวมแพ็กเกจสมาชิกของ Grok กับ Cursor เข้าด้วยกันเป็นการคาดเดาของสื่อ ยังไม่มีการประกาศ

▲ ทำไมต้องรู้ · เครื่องมือเขียนโค้ดที่ทีมพัฒนาจำนวนมากใช้อยู่ทุกวันเพิ่งเปลี่ยนเจ้าของไปอยู่ใต้กลุ่มที่มีทั้งโมเดลของตัวเองและศูนย์ข้อมูลของตัวเอง ผลที่มักตามมาหลังดีลแบบนี้คือค่าเริ่มต้นของเครื่องมือถูกปรับให้ชี้ไปที่โมเดลในเครือ สิ่งที่ทีมควรทำคือตรวจว่าตอนนี้เครื่องมือของคุณส่งโค้ดไปที่โมเดลของใคร และตั้งค่านั้นไว้อย่างชัดเจนแทนที่จะปล่อยตามค่าเริ่มต้น

Cursor · Blognone

รายงานเมื่อวันที่ 14 ส.ค. 2026 ระบุว่า Nvidia ลดวงเงินค้ำประกันเริ่มต้นสำหรับโครงการศูนย์ข้อมูลของ OpenAI ในรัฐโอไฮโอลงเหลือไม่ถึง 120,000 ล้านดอลลาร์ จากที่เคยพูดถึงกันไว้ที่ 250,000 ล้านดอลลาร์ โดยวงเงินที่ปรับใหม่ครอบคลุมเฉพาะเฟสแรกของโครงการ เป้าหมายเงินทุนจากบุคคลที่สามยังอยู่ที่เกิน 500,000 ล้านดอลลาร์ และโครงการมีขนาดกำลังไฟ 10 กิกะวัตต์

เหตุผลที่รายงานให้ไว้คือความกังวลของนักลงทุนต่อความเสี่ยงที่ Nvidia แบกไว้จากการค้ำประกันก้อนนี้ ซึ่งเป็นการค้ำมูลค่าของอุปกรณ์เพื่อดึงเงินจากสถาบันการเงินเข้ามาสร้างศูนย์ข้อมูล

ข้อควรระวังที่ต้องพูดคู่กันเสมอคือทั้งเรื่องอ้างแหล่งข่าวที่ไม่เปิดเผยชื่อทั้งหมด ไม่มีคำพูดจากผู้ที่ระบุชื่อได้แม้แต่ประโยคเดียว OpenAI ปฏิเสธที่จะให้ความเห็น ส่วน Nvidia ไม่ตอบคำขอความเห็น และตัวเลขวงเงินที่ปรับใหม่ยังไม่ตรงกันระหว่างสำนักข่าว บางแห่งรายงานว่าเหลือราวครึ่งหนึ่งของ 250,000 ล้าน

▲ ทำไมต้องรู้ · ตัวเลขการลงทุนศูนย์ข้อมูล AI ที่เราเห็นเป็นข่าวใหญ่ทุกสัปดาห์ ส่วนมากไม่ใช่เงินสดที่จ่ายแล้ว แต่เป็นคำมั่นที่ยังต่อรองกันได้และถูกปรับลงได้เงียบๆ อย่างในข่าวนี้ สิ่งที่คนทำงานควรอ่านจากข่าวประเภทนี้คืออย่าเอาตัวเลขคำมั่นไปใช้ประเมินว่ากำลังการประมวลผลจะเพิ่มจริงเท่าไรและเมื่อไร เพราะระยะห่างระหว่างตัวเลขที่ประกาศกับของที่สร้างเสร็จนั้นกว้างมาก

Reuters รายงานต่อจาก The Wall Street Journal

รายงานเมื่อวันที่ 15 ส.ค. 2026 ระบุว่ามีการรายงานถึงคำฟ้องที่แก้ไขเพิ่มเติมซึ่งยื่นไว้ตั้งแต่เดือน ก.ค. 2026 โดยผู้เสียหายรายหนึ่งกล่าวหาว่าพ่อเลี้ยงของตนใช้เครื่องมือสร้างภาพของ Grok แปลงภาพถ่ายวัยเด็กของเธอตอนอายุราว 11 ปี ให้กลายเป็นภาพและวิดีโอลามกกว่า 7,000 ชิ้น คำฟ้องระบุว่าเลือกใช้แพลตฟอร์มนี้เพราะมีข้อจำกัดน้อยกว่าเครื่องมือ AI ตัวอื่น

คดีนี้เป็นการเข้าร่วมกับคดีที่ยื่นไว้ก่อนหน้าโดยผู้เสียหายกลุ่มอื่น และมีการขอให้ศาลรับเป็นคดีแบบกลุ่ม ซึ่งศาลยังไม่ได้อนุมัติ ถ้อยคำของผู้เสียหายที่ปรากฏในรายงานคือ "Limitless access to these tools is spreading so quickly. It is taking everyday life and turning it into child sexual abuse"

ข้อควรระวังที่ต้องระบุให้ชัดที่สุดคือทุกอย่างในเรื่องนี้เป็นข้อกล่าวหาในคำฟ้องที่ยังไม่ได้พิสูจน์ในชั้นศาล ผู้ให้บริการยังไม่ตอบคำขอความเห็นจากสื่อ และรายงานไม่ได้ระบุชื่อศาลหรือหมายเลขคดี

▲ ทำไมต้องรู้ · ความเสี่ยงของเครื่องมือสร้างภาพที่คนไทยจะเจอเป็นเรื่องแรกไม่ใช่เรื่องลิขสิทธิ์ แต่คือการที่ภาพของคนในครอบครัวซึ่งโพสต์ไว้ตามปกติถูกเอาไปแปลงได้ด้วยเครื่องมือที่ใครก็เข้าถึงได้ สิ่งที่ทำได้ทันทีคือทบทวนว่าภาพของเด็กในบ้านถูกตั้งค่าให้ใครเห็นได้บ้าง และรู้ว่าถ้าเกิดเรื่องขึ้นจริงต้องแจ้งที่ไหน เพราะการไล่ลบภายหลังทำได้ยากกว่าการจำกัดการเข้าถึงตั้งแต่ต้นมาก

TechCrunch