AI News · 2026-08-17

Simon Willison เผยแพร่บันทึกการทดลองใช้เมื่อวันที่ 16 ส.ค. ซึ่งเป็นการประเมินจากคนนอกครั้งแรกที่คลังเก็บได้ หลังจากที่ตัวเลขของรุ่นนี้ก่อนหน้านี้มาจากผู้ผลิตทั้งหมด สิ่งที่เขาชูเป็นประเด็นหลักไม่ใช่คะแนนสอบ แต่คือการที่โมเดลซึ่งรับภาพได้ เรียกเครื่องมือเป็น เขียนโค้ดได้ และรับบริบทยาว ถูกบีบลงมาอยู่ในไฟล์เดียวขนาด 17 กิกะไบต์ที่รันบนเครื่องส่วนตัวได้จริง

ปัญหาที่เขาเจอและตั้งเป็นชื่อบทความคือค่าเริ่มต้นของระดับการคิดถูกตั้งไว้ที่ระดับสูงสุด ทำให้คำสั่งง่ายอย่างการวาดวงกลมใช้เวลาหลายนาที งานเดียวกันเมื่อเปิดการคิดเต็มที่ใช้เวลา 21 นาที แต่เมื่อปิดเหลือราวสองนาที

ตัวเลขความเร็วที่เขาวัดเองคือ 15 ถึง 30 โทเคนต่อวินาทีบนเครื่องคอมพิวเตอร์ส่วนบุคคล เทียบกับ 74 ถึง 184 โทเคนต่อวินาทีเมื่อเรียกผ่านบริการบนคลาวด์ ซึ่งเป็นช่องว่างราวห้าเท่าที่ต้องคิดเผื่อไว้ตอนออกแบบระบบ

ข้อควรระวังคือนี่เป็นบันทึกการลองใช้ของคนคนเดียว ไม่ใช่การวัดอย่างเป็นระบบที่มีชุดทดสอบและการทำซ้ำ ตัวเลขเวลาและความเร็วจึงผูกกับเครื่องและงานที่เขาเลือกทดสอบเท่านั้น

▲ ทำไมต้องรู้ · องค์กรที่กำลังคิดเรื่องรันโมเดลบนเครื่องตัวเองเพื่อไม่ให้ข้อมูลออกนอกบริษัท มักตัดสินใจจากคะแนนสอบซึ่งไม่ได้บอกอะไรเลยเรื่องประสบการณ์ใช้งานจริง ข่าวนี้ให้ตัวเลขสองตัวที่ควรเอาไปใช้ตั้งคำถาม คือความเร็วบนเครื่องเราจริงเทียบกับบนคลาวด์ และค่าเริ่มต้นของระดับการคิดที่อาจทำให้งานง่ายกลายเป็นงานช้าโดยไม่มีใครสังเกต

Simon Willison

Walter van der Giessen เผยแพร่บทความเมื่อวันที่ 17 ส.ค. ที่เสนอว่าการที่โมเดลรุ่นใหม่ตอบคำถามความรู้ทั่วไปได้แย่ลงไม่ใช่ความบกพร่อง แต่เป็นการแลกที่ผู้ผลิตเลือกเอง เพราะพื้นที่ในโมเดลมีจำกัดและข้อเท็จจริงกินที่ เขาอ้างงานวิจัยที่ประเมินความจุความรู้ไว้ราวสองบิตต่อหนึ่งพารามิเตอร์

ตัวเลขที่เขายกมาประกอบมาจากผู้วัดภายนอกทั้งหมด ฝั่งการให้เหตุผล GLM-5.2 ทำคะแนนสอบคณิตศาสตร์ระดับแข่งขันได้ 99.2% ด้วยพารามิเตอร์ที่ทำงานจริง 40 พันล้านตัว และ Qwen3.5 ได้ 91.3% ที่ 17 พันล้านตัว เทียบกับ GPT-4 เมื่อปี 2023 ที่มีข่าวลือว่าใช้ราว 280 พันล้านตัว ส่วนฝั่งความรู้กลับทางกัน โดย Qwen3.5 ขนาด 9 พันล้านพารามิเตอร์มีอัตราการแต่งเรื่องอยู่ที่ 82%

ข้อสรุปที่เขาเสนอคือให้ย้ายข้อเท็จจริงออกไปไว้นอกโมเดลแล้วให้มันไปค้นเอา เพราะเมื่อข้อเท็จจริงอยู่นอกโมเดล คำตอบที่ผิดจะมีที่อยู่ให้ตามไปดูได้ เขาเขียนกำกับเองว่าวิธีนี้ไม่ได้ทำให้ความผิดพลาดเป็นศูนย์ เพราะโมเดลยังอ่านเอกสารผิดหรือเอาสองฉบับมาปนกันได้

ข้อควรระวังคือทั้งบทความเป็นการตีความของผู้เขียน เขาไม่ได้ทดลองเอง และคำว่าตั้งใจเป็นข้อสรุปที่เขาอนุมานจากตัวเลขของคนอื่น ไม่ใช่คำแถลงของผู้ผลิตรายใด ตัวเลขที่ยกมาก็มาจากเว็บรวบรวมคะแนนหลายเจ้าที่มีระดับความน่าเชื่อถือต่างกัน

▲ ทำไมต้องรู้ · หลายทีมเลือกโมเดลด้วยการดูคะแนนรวมตัวเดียวแล้วสรุปว่าตัวใหม่เก่งกว่าตัวเก่าในทุกเรื่อง บทความนี้ชี้ว่าความสามารถสองอย่างกำลังเดินสวนทางกัน คือการให้เหตุผลดีขึ้นขณะที่ความรู้ที่จำมาแย่ลง ถ้างานของคุณคือถามข้อเท็จจริงตรงๆ การอัปเกรดรุ่นอาจทำให้แย่ลง และทางแก้ที่ตรงจุดคือต่อระบบให้มันไปค้นเอกสารจริงแทนที่จะหวังให้มันจำได้

w4g1.dev · Hacker News

รายงาน State of Open Models ฉบับฤดูร้อน 2026 ของ Hugging Face ที่เผยแพร่เมื่อวันที่ 14 ส.ค. นับจากข้อมูลบนแพลตฟอร์มตัวเองและพบว่าความสนใจกระจุกตัวรุนแรงกว่าที่คนคาด โดยโมเดลสาธารณะ 85.6% มียอดดาวน์โหลดตลอดอายุต่ำกว่า 200 ครั้ง ขณะที่คลังเพียง 1.5% กินยอดดาวน์โหลดไป 99.2% และตลอดช่วงที่วัดมีคลังเพียงแห่งเดียวที่ติดทั้งอันดับยอดดาวน์โหลดสูงสุดและอันดับยอดกดถูกใจสูงสุด

ตัวเลขอีกชุดที่สวนความรู้สึกทั่วไปคือขนาดของโมเดลที่คนใช้จริง โมเดลที่เล็กกว่าหนึ่งพันล้านพารามิเตอร์กินยอดดาวน์โหลดสะสม 83% ขณะที่โมเดลที่ใหญ่กว่าหนึ่งแสนล้านพารามิเตอร์ได้เพียง 1% แปลว่าโมเดลที่เป็นข่าวกับโมเดลที่คนโหลดไปใช้จริงแทบไม่ใช่กลุ่มเดียวกัน

เรื่องขนาดยังชี้ความต่างระหว่างสองฝั่งโลกด้วย รายงานเขียนว่า "In almost every month of 2026, the largest and most performant open model from a Chinese lab was larger than any model an American lab released" โดยโมเดลแนวหน้าของจีนอยู่ระหว่าง 754 พันล้านถึง 2.78 ล้านล้านพารามิเตอร์ ขณะที่ฝั่งอเมริกาอยู่ต่ำกว่า 130 พันล้านใน 5 จาก 7 เดือน

ข้อควรระวังที่รายงานเขียนกำกับตัวเองไว้คือยอดดาวน์โหลดสะท้อนเฉพาะการใช้งานบนแพลตฟอร์มนี้ ไม่ได้นับการเรียกผ่าน API และไม่ได้นับการติดตั้งภายในองค์กร ซึ่งเป็นช่องทางที่องค์กรส่วนใหญ่ใช้จริง

▲ ทำไมต้องรู้ · เวลาเลือกโมเดลเปิดมาใช้ในองค์กร ความเสี่ยงที่คนมองข้ามคือเลือกตัวที่ไม่มีใครใช้ ซึ่งแปลว่าไม่มีคนเจอบั๊กก่อนเรา ไม่มีคู่มือ และไม่มีใครตอบคำถามเวลาติด ตัวเลขชุดนี้บอกว่าสภาพนั้นเป็นค่าปกติของตลาด ไม่ใช่ข้อยกเว้น คำถามที่ควรถามก่อนเลือกจึงมีอีกข้อคือมีคนอื่นใช้ตัวนี้ในงานจริงมากแค่ไหน

รายงานของ Hugging Face

Nathan Lambert เผยแพร่บทวิเคราะห์เมื่อวันที่ 14 ส.ค. ที่ไม่ได้เถียงว่าโมเดลจีนเก่งหรือไม่ แต่ถามว่าทำไมถึงตามทันได้เร็วขนาดนี้ เขาเสนอห้ากลไก คือรอบการปล่อยของแล็บจีนวัดกันเป็นวันขณะที่ฝั่งตะวันตกวัดกันเป็นเดือน การจงใจปรับให้ทำคะแนนสอบมาตรฐานได้ดีเพื่อรักษาเรื่องเล่าที่ใช้ระดมทุน การโฟกัสความสามารถให้แคบลงเฉพาะงานที่มีมูลค่าสูง อุตสาหกรรมผลิตข้อมูลฝึกในประเทศที่โตขึ้น และการดึงคนเก่งผ่านความร่วมมือกับมหาวิทยาลัย

ประเด็นที่เขาเน้นคือ GLM-5.3 ซึ่งเขาระบุขนาดไว้ราว 750 พันล้านพารามิเตอร์ ทำคะแนนระดับแนวหน้าบนงานเขียนโค้ดแบบ agent ได้ด้วยการขยายเฉพาะขั้นตอนฝึกหลังจากมีโมเดลฐานแล้ว โดยไม่ต้องฝึกฐานใหม่

สิ่งที่ทำให้ต้องอ่านคู่กับข้อ 3 คือภาพที่ได้ต่างกัน บทวิเคราะห์นี้ชี้ว่าจุดแข็งคือทำของเล็กลงแต่เก่งเท่าเดิม ขณะที่ข้อมูลที่นับจากคลังจริงบอกว่าโมเดลจีนใหญ่กว่าฝั่งอเมริกาเกือบทุกเดือน ทั้งสองอย่างเป็นจริงพร้อมกันได้ถ้ารุ่นที่ยกมาเป็นข้อยกเว้นในกลุ่มของตัวเอง

ข้อควรระวังคือกลไกทั้งห้าข้อเป็นการตีความของผู้เขียน ไม่มีชุดข้อมูลรองรับในบทความ และข้อที่ต้องระวังที่สุดคือข้อที่กล่าวหาเรื่องแรงจูงใจในการปั้นคะแนน ซึ่งเป็นการอนุมานเจตนา ไม่ใช่สิ่งที่วัดได้

▲ ทำไมต้องรู้ · ตอนนี้มีโมเดลจีนหลายตัวที่ราคาถูกกว่าคู่แข่งฝั่งตะวันตกหลายเท่า และหลายองค์กรกำลังพิจารณาย้ายงานบางส่วนไปใช้ บทวิเคราะห์นี้ให้คำถามที่ควรถามก่อนย้าย คือความเก่งที่เห็นในคะแนนครอบคลุมงานของเราด้วยหรือไม่ เพราะถ้ากลไกที่ทำให้ตามทันคือการโฟกัสแคบลง ความเก่งนั้นอาจไม่รวมงานที่เราจะเอาไปใช้จริง

Interconnects

John Gruber เผยแพร่บทวิจารณ์เมื่อวันที่ 16 ส.ค. โต้เรื่องลายน้ำที่ Anthropic ฝังในข้อความที่ Claude เขียน โดยข้ออ้างเชิงกลไกของเขาคือ "the nature of the watermarking algorithm requires it to sometimes increase the probability of selecting a worse word choice and decrease the probability of selecting the model's best choice" และเขาเสริมว่าไม่มีคำพ้องความหมายคู่ไหนที่มีความหมายเท่ากันเป๊ะ ดังนั้นคำว่ามองไม่เห็นจึงเป็นไปไม่ได้

สิ่งที่ Anthropic เขียนไว้เองในหน้าประกาศวันที่ 14 ส.ค. ตรงกันข้าม คือ "Watermarking does not impact the quality of Claude's output" และระบุว่ากลไกที่ใช้คือ SynthID-Text ของ Google DeepMind ที่ตีพิมพ์ในวารสาร Nature เมื่อปี 2024 พร้อมอธิบายว่า "When watermarking is used, choices are still made at random, but the source of the randomness is different"

เมื่อเปิดเปเปอร์ต้นทางอ่านจะพบว่าคำถามนี้ถูกตอบไปแล้วสองชั้น ชั้นแรกเปเปอร์พิสูจน์ไว้ว่าวิธีที่มันใช้เมื่อตั้งค่าให้มีผู้เข้าแข่งขันสองตัวต่อหนึ่งคู่ จะไม่บิดการกระจายความน่าจะเป็นเมื่อเฉลี่ยข้ามค่าสุ่ม ชั้นที่สองมีการวัดกับผู้ใช้จริงแล้ว โดยอัตราการกดชอบระหว่างรุ่นที่ฝังลายน้ำกับรุ่นที่ไม่ฝังต่างกัน 0.01% และการให้คนให้คะแนนห้าด้านก็ไม่พบความต่างที่มีนัยสำคัญ

จุดที่ทำให้ข้ออ้างฝั่งวิจารณ์อ่อนลงมากคือกลไกที่ Gruber บรรยายก่อนถึงประโยคข้างต้น เป็นการแบ่งคำเป็นบัญชีเขียวกับบัญชีแดงแล้วเอียงไปหยิบจากบัญชีเขียว ซึ่งเป็นวิธีของงานอีกชิ้นที่เปเปอร์ SynthID ยกมาเป็นตัวเปรียบเทียบและจัดไว้ในกลุ่มที่บิดคุณภาพ ไม่ใช่วิธีที่ SynthID ใช้เอง ข้อควรระวังที่ยังเหลืออยู่จริงคือ Anthropic ไม่เคยระบุว่า Claude ตั้งค่าแบบไหน ขณะที่เปเปอร์เขียนเองว่ามีโหมดที่ยอมแลกคุณภาพเพื่อให้ตรวจจับได้ชัดขึ้น ส่วนตัวเลขความยาวข้อความขั้นต่ำที่ลอยอยู่ในการรายงานข่าวไม่ปรากฏในเอกสารของบริษัททั้งสองหน้า

▲ ทำไมต้องรู้ · เคสนี้เป็นตัวอย่างที่ดีมากของการที่คนดังในวงการเขียนวิจารณ์ด้วยความมั่นใจ แล้วอธิบายกลไกผิดตัวโดยที่คนอ่านจับไม่ได้ วิธีตรวจที่ใช้ได้ทันทีคือดูว่าผู้ผลิตบอกชื่อวิธีที่ใช้ไว้หรือไม่ แล้วตามไปอ่านเปเปอร์ต้นทางเอง ส่วนสิ่งที่ต้องรู้เชิงปฏิบัติยังเหมือนเดิม คือรุ่นที่เปิดตัวตั้งแต่ 2 ส.ค. 2026 เป็นต้นไปมีการมาร์กตั้งแต่วันเปิดตัว ถ้าคุณเขียนเองแล้วให้มันช่วยเกลา ข้อความที่ได้ก็อาจติดมาร์กไปด้วย และเครื่องมือตรวจยังไม่เปิดให้ใครใช้

Anthropic · ศูนย์ช่วยเหลือของ Anthropic · Daring Fireball · เปเปอร์ SynthID-Text · Blognone

Matt Lenhard เผยแพร่รายงานการสืบค้นเมื่อวันที่ 10 ส.ค. ซึ่งขึ้นอันดับต้นของ Hacker News ในวันนี้ โดยเขาลงมือติดต่อนายหน้าเอง เก็บภาพหน้าจอบทสนทนา และลองประกาศขายเครดิตทดสอบมูลค่าสองแสนดอลลาร์กับหนึ่งหมื่นดอลลาร์บนตลาดกลางแห่งหนึ่ง สิ่งที่เขาพบคือตลาดรองที่รับซื้อเครดิต API ที่สตาร์ทอัพได้มาแล้วใช้ไม่หมด แล้วเอามาขายต่อในราคาลด 30 ถึง 80% จากราคาป้าย

ช่องทางที่เขาไล่เจอมีสี่แบบ คือนายหน้าที่ติดต่อทางอีเมลโดยตรง ตลาดกลางที่เปิดเป็นเว็บ บริการที่รับส่งต่อคำขอแล้วคิดส่วนลดคงที่ทุกโมเดล และกลุ่มบนแอปแชทกับกระดานสนทนา เขาประเมินขนาดตลาดรวมไว้ในหลักสิบล้านดอลลาร์ และพบนายหน้ารายหนึ่งที่บอกว่ารับยอดใช้จ่ายได้ถึงวันละหนึ่งแสนดอลลาร์

จุดที่ทำให้เรื่องนี้สำคัญกับคนซื้อคือกลไกการส่งมอบ นายหน้าไม่ได้ส่งกุญแจของผู้ให้บริการให้ผู้ซื้อตรงๆ แต่ทำตัวเป็นตัวกลางที่รับคำขอไปยิงต่อ แปลว่าทุกอย่างที่ส่งเข้าไปผ่านมือคนกลางที่เราไม่รู้จัก และผู้เขียนตั้งข้อสังเกตว่าส่วนลดระดับ 40% เท่ากันทุกโมเดลนั้นแทบเป็นไปไม่ได้ถ้าไม่ใช่ลูกค้ารายใหญ่ที่สุดของผู้ให้บริการ

ข้อควรระวังคือขนาดตลาดเป็นการประมาณของผู้เขียนเอง ไม่ใช่ตัวเลขที่ตรวจสอบได้ และคำทำนายของเขาว่าผู้ให้บริการจะเริ่มปราบปรามก็เป็นการคาดการณ์ ไม่ใช่สิ่งที่เกิดขึ้นแล้ว

▲ ทำไมต้องรู้ · ทีมที่โดนกดงบค่า API มักเจอข้อเสนอราคาถูกผิดปกติจากคนกลางแล้วรู้สึกว่าเจอของดี เรื่องนี้อธิบายว่าราคานั้นมาจากไหนและต้องแลกกับอะไร คือข้อมูลทุกอย่างที่ส่งเข้าไปวิ่งผ่านคนกลางที่ไม่มีสัญญากับเรา และเครดิตที่ซื้อมาอาจถูกตัดเมื่อไรก็ได้ถ้าต้นทางตรวจเจอ คำถามที่ควรถามผู้ขายจึงมีข้อเดียวก่อนคือคำขอของเราวิ่งผ่านใครบ้างก่อนถึงผู้ให้บริการจริง

Vectoral · Hacker News

Google เพิ่มฟีเจอร์ชื่อ canvas เข้าไปใน Google Sheets ตามรายงานเมื่อวันที่ 17 ส.ค. โดยผู้ใช้กดปุ่ม Gemini ที่มุมขวาบนแล้วสั่งเป็นภาษาธรรมชาติว่าต้องการแดชบอร์ดแบบไหน พร้อมระบุเงื่อนไขที่ต้องการ แล้วระบบจะสร้างหน้าสรุปข้อมูลแบบมีภาพประกอบให้

เงื่อนไขการเข้าถึงที่ต้องรู้ก่อนวางแผนใช้มีสองข้อ คือต้องสมัครแพ็กเกจ Google AI Pro หรือ Ultra และตอนนี้ยังรองรับเฉพาะภาษาอังกฤษ

ข้อควรระวังคือเงื่อนไขภาษาข้อหลังเป็นจุดที่กระทบผู้ใช้ในไทยโดยตรง เพราะชีตที่ใช้งานจริงในองค์กรไทยจำนวนมากมีหัวคอลัมน์และข้อมูลเป็นภาษาไทย ซึ่งยังไม่มีการระบุว่าฟีเจอร์นี้จัดการได้แค่ไหน

▲ ทำไมต้องรู้ · งานทำสรุปข้อมูลจากชีตเป็นงานที่กินเวลาคนทำงานออฟฟิศไทยมากที่สุดงานหนึ่ง และเป็นงานที่เครื่องมือแบบนี้ช่วยได้จริง สิ่งที่ควรทำก่อนตั้งความหวังคือทดลองกับชีตที่มีหัวคอลัมน์ภาษาไทยของจริงหนึ่งชุด เพราะข้อจำกัดที่ประกาศไว้บอกว่ายังรองรับเฉพาะภาษาอังกฤษ

Blognone

Hugging Face เผยแพร่ผลโครงการเมื่อวันที่ 13 ส.ค. ที่ระดมคนมาช่วยกันทำซ้ำผลการทดลองของเปเปอร์จากงานประชุมวิชาการด้านการเรียนรู้ของเครื่องระดับบนสุด โดยมีเปเปอร์ที่ถูกรับไปทำ 2,226 ฉบับ ซึ่งบทความระบุว่าคิดเป็น 34% ของทั้งงานประชุม มีผู้ร่วม 1,221 คน ใช้เวลา 19 วันตั้งแต่ 15 ก.ค. ถึง 2 ส.ค. และตัดสินข้อสรุปรายข้อรวม 35,908 ข้อโดยแช่ผลทั้งหมดไว้ในชุดข้อมูลสาธารณะ

สิ่งที่ทำให้ผลชุดนี้อ่านยากกว่าที่คาดคือทีมงานตัดสินที่ระดับข้อสรุปรายข้อ ไม่ใช่ระดับเปเปอร์ จึงไม่มีตัวเลขเดียวที่บอกว่าเปเปอร์กี่เปอร์เซ็นต์ทำซ้ำได้ ตัวเลขที่มีคือเปเปอร์ 1,103 ฉบับมีข้อสรุปอย่างน้อยหนึ่งข้อที่ยืนยันได้ ในจำนวนนั้น 266 ฉบับทำซ้ำได้ครบทุกข้อและอีก 632 ฉบับทำซ้ำได้บางส่วนโดยไม่มีข้อไหนถูกค้าน ส่วนเปเปอร์ที่มีข้อสรุปอย่างน้อยหนึ่งข้อถูกค้านหรือถูกโต้แย้งมี 496 ฉบับ อีก 502 ฉบับยืนยันได้เฉพาะตอนย่อขนาดการทดลองลง และ 280 ฉบับสรุปไม่ได้ทั้งสองทาง

ตัวเลขสองกลุ่มแรกไม่ใช่กลุ่มที่แยกขาดจากกัน เพราะเมื่อหักเปเปอร์ที่ทำซ้ำได้ครบกับที่ทำซ้ำได้บางส่วนแบบไม่มีข้อค้านออกจาก 1,103 จะเหลือ 205 ฉบับที่มีทั้งข้อที่ยืนยันได้และข้อที่ถูกค้านอยู่ในฉบับเดียวกัน การเอาตัวเลขทั้งสี่กลุ่มมาวางเรียงกันเป็นสัดส่วนของยอดรวมจึงทำไม่ได้

ถ้อยคำที่ทีมงานสรุปบทเรียนของตัวเองไว้คือ "Reproducibility is not binary; it is adversarial" และอีกจุดที่พวกเขาเขียนไว้ตรงๆ คือการปล่อยให้ agent ทำงานล้วนไปไม่รอด เพราะมันติดวนอยู่กับที่ อ่านพฤติกรรมที่ขึ้นกับขนาดการทดลองผิด และบางครั้งสร้างข้อค้านทั้งชุดขึ้นบนความผิดพลาดเรื่องหน่วยวัด

ข้อควรระวังที่ใหญ่ที่สุดคือผู้เข้าร่วมเป็นคนเลือกเองว่าจะทำเปเปอร์ฉบับไหน ขั้นตอนแรกของโครงการคือให้เลือกเปเปอร์ และการที่หลายคนทำฉบับเดียวกันก็เป็นสิ่งที่โครงการสนับสนุน แปลว่าชุดเปเปอร์นี้ไม่ใช่การสุ่มตัวอย่าง จึงเอาไปอ้างเป็นอัตราการทำซ้ำได้ของทั้งงานประชุมไม่ได้ อีกข้อคือผู้ตัดสินเป็นระบบให้คะแนนอัตโนมัติที่รันบนโมเดลเปิดตัวหนึ่ง โดยบทความไม่ได้ระบุว่าตัวเลขต้องใกล้เคียงแค่ไหนถึงนับว่าผ่าน

▲ ทำไมต้องรู้ · ตัวเลขที่ผู้ขายเครื่องมือ AI ยกมาอ้างในการเสนองาน จำนวนมากมีต้นทางเป็นเปเปอร์จากงานประชุมทำนองนี้ ผลชุดนี้บอกว่าการที่เปเปอร์ผ่านการตรวจของงานประชุมแล้วไม่ได้แปลว่าตัวเลขในนั้นทำซ้ำได้ทุกข้อ สิ่งที่ใช้ได้ทันทีคือเวลาเจอตัวเลขที่ฟังดูดีเกินจริง ให้ถามว่ามีใครนอกทีมผู้เขียนทำซ้ำได้แล้วหรือยัง แทนที่จะถามว่าตีพิมพ์ที่ไหน

Hugging Face

งานนี้จับปัญหาที่แทบไม่มีใครวัดมาก่อน คือเวลาเราปล่อยให้โมเดลไล่แก้โค้ดตั้งค่าโครงสร้างพื้นฐานตามที่ตัวตรวจสอบแจ้งข้อผิดพลาดกลับมาเรื่อยๆ การแก้แต่ละรอบอาจทำให้ข้อตรวจความปลอดภัยที่เคยผ่านแล้วกลับไม่ผ่าน ทีมชี้ว่างานก่อนหน้ารายงานด้วยวิธีนับที่หยิบผลดีที่สุดสะสม ซึ่งโดยโครงสร้างแล้วไม่มีทางลดลงได้ จึงไม่เคยมีใครเห็นเส้นทางจริงรายรอบ

ทีมวิเคราะห์เส้นเวลา 5,968 เส้นจากชุดทดสอบมาตรฐาน แต่ละเส้นคือหนึ่งสถานการณ์ที่รันผ่านหนึ่งการตั้งค่าและแก้ได้ถึงห้ารอบ รวม 15 การตั้งค่า ให้ช่วงเปลี่ยนผ่านที่มีข้อมูลครบทั้งสองฝั่ง 4,440 ครั้ง ตามข้อตรวจมาตรฐานความปลอดภัย 30 ข้อ ผลคือเมื่อใช้เกณฑ์ตรวจแบบปกติพบการถอยหลังอย่างน้อยหนึ่งครั้งใน 13.8% ของสถานการณ์ แต่เมื่อใช้เกณฑ์เข้มลดเหลือ 3.3% ซึ่งทีมสรุปเองว่าตัวเลขที่ป้องกันได้จริงคือตัวหลัง

รายละเอียดที่เอาไปใช้ได้ทันทีมีสองข้อ ข้อแรกคือสาเหตุหลักของการถอยหลังคือการรื้อโครงสร้างทรัพยากรใหม่ ซึ่งคิดเป็น 79.0% และช่วงที่เกิดการถอยหลังมีปริมาณการแก้โค้ดมากกว่าปกติ 2.6 เท่า ข้อสองคือ 36.6% ของการถอยหลังแก้ตัวเองได้ภายในเฉลี่ย 1.2 รอบ และทีมระบุว่ารอบที่สามคือจุดหยุดที่ดีที่สุด

สิ่งที่บทคัดย่อไม่ได้บอกคือไม่ระบุชื่อโมเดลที่ใช้เลยแม้แต่ตัวเดียว ทั้งที่มีการตั้งค่าถึง 15 แบบ และตัวเลข 13.8% กับ 3.3% มาจากเกณฑ์การตรวจคนละแบบซึ่งต่างกันสี่เท่า จึงหยิบมาใช้สลับกันไม่ได้ งานนี้เป็นใบเดียวในรอบนี้ที่ผ่านการตรวจของงานประชุมวิชาการแล้ว

▲ ทำไมต้องรู้ · ทีมที่ใช้ AI ช่วยเขียนโค้ดตั้งค่าระบบมักตั้งลูปให้มันแก้จนกว่าตัวตรวจจะไม่ร้อง แล้วถือว่าจบ งานนี้บอกว่าตัวตรวจที่ไม่ร้องไม่ได้แปลว่าปลอดภัยเท่าเดิม เพราะข้อที่เคยผ่านอาจตกไปแล้วโดยไม่มีอะไรแจ้ง สิ่งที่ทำได้ทันทีคือเก็บผลตรวจความปลอดภัยของทุกรอบไว้เทียบกัน ไม่ใช่เก็บแค่รอบสุดท้าย และตั้งเพดานจำนวนรอบไว้แทนที่จะปล่อยให้วนไปเรื่อยๆ

arXiv 2608.13404

งานนี้เป็นบันทึกกรณีเดียวที่เก็บข้อมูลทุกขั้นตอน โดยผู้เขียนคนเดียวให้ AI ที่ช่วยเขียนโค้ดรื้อกฎพื้นฐานของสถาปัตยกรรมในโปรแกรมที่ใช้งานจริง ขนาด 717,725 บรรทัดกระจายใน 3,648 ไฟล์ เงื่อนไขที่ทำให้เคสนี้ต่างจากงานทั่วไปคือไม่มีมนุษย์ตรวจโค้ดที่ระบบเขียนออกมาเลย และไม่มีชุดทดสอบเดิมที่ใช้ตรวจพฤติกรรมเป้าหมายได้

วิธีที่ใช้คือให้ระบบเขียนข้อกำหนดของงานขึ้นมาเองก่อน แล้วไล่ตรวจข้อกำหนดเทียบกับโค้ดจริง 14 รอบ ตามด้วยการตรวจโค้ดเทียบกับข้อกำหนดที่แช่ไว้แล้วอีก 17 รอบ รวมเป็น 31 รอบ ถ้อยคำของผู้เขียนคือ "Across 31 audit passes, 201 defects were corrected before any human executed the program" งานแตะไฟล์ 189 ไฟล์ และเมื่อรวมขั้นตอนแยกส่วนแล้วสองครั้งที่บันทึกรวมกันแตะ 288 ไฟล์

ตัวเลขต้นทุนที่ผู้เขียนระบุคือ "Elapsed: three days; cost: USD 2,430" และเขาเผยแพร่ข้อกำหนดกับบันทึกการทำงานดิบกว่า 1,500 หน้าเป็นหลักฐานประกอบ

สิ่งที่บทคัดย่อไม่ได้บอกและสำคัญที่สุดคือไม่ระบุเลยว่าใช้เครื่องมือหรือโมเดลของใคร ทั้งบทคัดย่อเรียกเพียงว่าเครื่องมือช่วยเขียนโค้ดตัวหนึ่ง นอกจากนี้เป็นกรณีเดียวไม่มีการทำซ้ำและไม่มีค่าเทียบว่าคนทำเองใช้เวลาเท่าไร ตัวเลข 2,430 ดอลลาร์เป็นยอดรวมทั้งงานสามวัน ไม่ใช่ต่อรอบหรือต่อโทเคน คำว่าไม่พบบั๊กก็มาจากการสังเกตของผู้เขียนซึ่งเป็นเจ้าของโค้ดเอง และหลักฐานที่เผยแพร่เป็นภาษาฝรั่งเศส

▲ ทำไมต้องรู้ · คำถามที่ผู้บริหารถามบ่อยที่สุดตอนนี้คืองานรื้อระบบเก่าให้ AI ทำได้แค่ไหนและคุ้มไหม เคสนี้ให้ตัวเลขที่จับต้องได้ชุดหนึ่ง แต่สิ่งที่ควรหยิบไปใช้จริงคือวิธีทำงาน ไม่ใช่ตัวเลข คือการให้เขียนข้อกำหนดออกมาเป็นเอกสารก่อน แล้ววนตรวจสองทางระหว่างเอกสารกับโค้ดจนไม่เจออะไรสองรอบติด ซึ่งเป็นสิ่งที่ทำตามได้แม้ใช้เครื่องมือคนละตัว

arXiv 2608.12440

ทีมวิจัยเถียงว่าการวัด agent ด้วยคะแนนสุดท้ายอย่างเดียวไม่บอกว่ากำไรหรือขาดทุนเกิดที่จุดไหนของการทำงาน และไม่บอกว่าประสบการณ์ที่สะสมมาช่วยการตัดสินใจครั้งถัดไปจริงหรือไม่ จึงประเมินโมเดลแนวหน้า 7 ตัวบนงานที่ต้องทำต่อเนื่องยาว 36 งาน ด้วยกรอบที่วัดพฤติกรรมระหว่างทางสามแกน คือการตั้งกรอบวิธีแก้ปัญหา การลงมือทำ และการปรับตัวตามผลป้อนกลับ

ข้อสรุปที่ผู้เขียนเขียนไว้คือ "current agents operate more like engineering optimizers than fully autonomous researchers: they can formulate and implement practical solutions, but their performance varies substantially across runs, their strongest solutions mainly adapt or combine established techniques, and genuine methodological novelty remains rare"

ผลอีกชั้นที่น่าสนใจกว่าคือเบื้องหลังผลลัพธ์ปลายทางที่ดูเหมือนกัน กลับมีจุดติดขัดคนละแบบซ่อนอยู่ ประสบการณ์ที่สะสมมาช่วยก็ได้หลอกก็ได้ และการออกแบบสภาพแวดล้อมที่ให้ agent ทำงานมีผลต่อความเสถียรของผลลัพธ์

สิ่งที่บทคัดย่อไม่ได้บอกคือไม่ระบุชื่อโมเดลทั้งเจ็ดตัวเลยแม้แต่ตัวเดียว ไม่บอกว่างาน 36 งานอยู่ในโดเมนอะไร และไม่มีตัวเลขผลลัพธ์เชิงปริมาณเลยสักตัว คำว่าแกว่งมากและคำว่าหาได้ยากจึงไม่มีตัวเลขกำกับ นอกจากเลข 7 กับ 36 แล้วไม่มีอะไรให้อ้างอิงได้

▲ ทำไมต้องรู้ · หลายองค์กรกำลังถูกเสนอให้ซื้อระบบที่โฆษณาว่าให้ agent ทำงานวิจัยหรืองานวิเคราะห์ยาวๆ แทนคนได้ งานนี้บอกว่าสิ่งที่ได้จริงคือตัวช่วยปรับจูนวิธีที่มีอยู่แล้วให้ดีขึ้น ไม่ใช่ตัวคิดวิธีใหม่ และผลของมันแกว่งระหว่างรอบมากพอที่จะทำให้การรันครั้งเดียวแล้วสรุปเป็นเรื่องอันตราย สิ่งที่ควรทำคือรันงานเดิมซ้ำหลายรอบแล้วดูการกระจายของผล ไม่ใช่ดูผลรอบที่ดีที่สุด

arXiv 2608.13417

งานนี้ตั้งโจทย์ว่า agent ที่ทำหน้าที่ทดสอบเจาะระบบต้องพึ่งคำตอบจากเป้าหมายทั้งในการเลือกก้าวถัดไปและในการเขียนรายงานสรุป ดังนั้นถ้าคำตอบจากเป้าหมายหลอก มันจะเบี่ยงทั้งเส้นทางการโจมตีและกระบวนการยืนยันผล แต่รายงานปลายทางที่คนอ่านแทบไม่บอกเลยว่า agent ตีความหลักฐานที่ขัดกันอย่างไร เปลี่ยนแผนตอนไหน และแปลงสิ่งที่เห็นเป็นข้อสรุปเรื่องช่องโหว่ด้วยเหตุผลอะไร

วิธีที่ทีมใช้คือแทรกการบิดคำตอบของเป้าหมายเข้าไประหว่างการทำงานจริง แล้วจับคู่ทุกรอบที่ถูกบิดกับรอบปกติในสภาพแวดล้อมเดียวกัน โดยจัดแนวที่คำตอบแรกที่ได้รับผลกระทบ ประเมินทั้งหมด 450 รอบครอบคลุมเส้นทางของโมเดล 5 แบบ

ข้อสรุปของผู้เขียนคือ "increased activity can mask a broken verification chain, while successful recovery depends on finding usable evidence and preserving it through reporting" แปลว่าปริมาณกิจกรรมที่มากขึ้นทำให้ดูเหมือนทำงานหนัก ทั้งที่ห่วงโซ่การยืนยันขาดไปแล้ว

สิ่งที่บทคัดย่อไม่ได้บอกคือไม่ระบุชื่อโมเดลของเส้นทางทั้งห้าแบบเลย และคำว่าเส้นทางของโมเดลไม่เท่ากับจำนวนโมเดลเพราะอาจรวมโครงที่ครอบมันอยู่ด้วย นอกจากเลข 450 กับ 5 แล้วไม่มีตัวเลขผลลัพธ์ใดๆ ทั้งไม่มีสัดส่วนของรอบที่การยืนยันพัง และไม่บอกว่าเป้าหมายที่ใช้ทดสอบเป็นระบบจริงหรือระบบจำลอง

▲ ทำไมต้องรู้ · เครื่องมือความปลอดภัยที่ใช้ AI กำลังถูกขายเข้าองค์กรไทยด้วยจุดขายว่ามันทำงานได้เองและออกรายงานให้ งานนี้ชี้ว่าตัวชี้วัดที่ดูน่าเชื่อที่สุดคือปริมาณสิ่งที่มันทำ กลับเป็นตัวที่บังปัญหาได้ดีที่สุด สิ่งที่ควรขอจากผู้ขายจึงไม่ใช่รายงานสรุป แต่คือร่องรอยว่าแต่ละข้อสรุปในรายงานอ้างอิงหลักฐานชิ้นไหนและตรวจซ้ำอย่างไร

arXiv 2608.12996

งานนี้ตั้งข้อสังเกตว่าตอนนี้เราวัดขั้นตอนการทำงานของ agent ด้วยคำถามเดียวคือได้ผลลัพธ์ที่ถูกหรือไม่ ซึ่งผู้เขียนเห็นว่าไม่พอสำหรับการใช้ในองค์กร เพราะการกระทำที่ผลออกมาถูกอาจอาศัยอำนาจอนุมัติที่ผิดคน หรืออาศัยการอ้างว่างานเสร็จแล้วโดยไม่มีหลักฐานรองรับ หรือเป็นงานที่ถูกทำให้ล้าสมัยไปแล้วจากการเปลี่ยนแปลงที่เกิดขึ้นทีหลัง

ผู้เขียนจึงนิยามการทำงานที่มีหลักฐานกำกับว่าคือการที่การตัดสินใจ การปิดงาน และการตอบสนองต่อการเปลี่ยนแปลง ล้วนมีร่องรอยที่ตรวจสอบย้อนได้รองรับ แล้วเสนอชั้นระบบที่บันทึกว่าแต่ละงานขึ้นกับอำนาจอนุมัติใดและข้อเท็จจริงใด ตรวจหลักฐานตอนปิดงาน และยกเลิกเฉพาะงานที่ได้รับผลกระทบจริงเมื่อมีอะไรเปลี่ยน

ผลที่ได้คือเส้นทางที่มีหลักฐานกำกับกับเส้นทางปกติมักได้ผลลัพธ์เดียวกัน แต่มีเพียงเส้นทางแรกที่รักษาหลักฐานเรื่องอำนาจอนุมัติไว้ได้สม่ำเสมอและปฏิเสธการปิดงานที่ไม่มีหลักฐาน จุดที่ทำให้งานนี้น่าเชื่อกว่างานทำนองเดียวกันคือผู้เขียนรายงานความล้มเหลวของตัวเองด้วย คือเมื่อบังคับเงื่อนไขความครบถ้วนแบบตายตัว ระบบกลับปิดกั้นผลงานที่ผลิตนอกบริบทของมันมากเกินไปอย่างรุนแรง และเขาเขียนกำกับเองว่า "These results do not establish Matrix as a general accuracy enhancer"

สิ่งที่บทคัดย่อไม่ได้บอกคือไม่มีตัวเลขแม้แต่ตัวเดียวทั้งบทคัดย่อ ไม่มีจำนวนขั้นตอนงานที่ทดสอบ ไม่มีจำนวนรอบ ไม่มีสัดส่วน คำว่าบ่อยครั้งและคำว่าปิดกั้นมากเกินไปอย่างรุนแรงจึงไม่มีปริมาณกำกับ อีกทั้งเป็นระบบของผู้เขียนเองที่ผู้เขียนประเมินเอง ยังไม่มีใครนอกทีมทำซ้ำ

▲ ทำไมต้องรู้ · เมื่อองค์กรเริ่มให้ agent ทำงานที่มีผลผูกพันจริง เช่น อนุมัติ ปิดงาน หรือแจ้งลูกค้า สิ่งที่ผู้ตรวจสอบภายในจะถามไม่ใช่ว่าผลถูกไหม แต่คือใครอนุมัติและหลักฐานอยู่ไหน งานนี้ตั้งชื่อปัญหานั้นให้ชัดและเตือนล่วงหน้าถึงราคาที่ต้องจ่าย คือระบบที่เข้มเรื่องหลักฐานเกินไปจะปิดกั้นงานที่ถูกต้องไปด้วย ซึ่งเป็นสิ่งที่ต้องออกแบบเผื่อไว้ตั้งแต่ต้น

arXiv 2608.12761

งานนี้ต่อยอดจากข้อสังเกตเดิมที่ว่าโมเดลซึ่งผ่านการฝึกให้ทำตามคำสั่งมักแสดงความมั่นใจเกินจริงเวลาพูดออกมาเป็นคำ ทีมจึงตั้งคำถามว่าความหลากหลายของคำที่ใช้ในเหตุผลประกอบคำตอบ เปลี่ยนไปตามความมั่นใจที่การฝึกทำให้เปลี่ยนหรือไม่ โดยประเมินโมเดลสามคู่ที่จับคู่กันระหว่างรุ่นฐานกับรุ่นที่ผ่านการฝึกแล้ว ข้ามชุดทดสอบถามตอบหลายชุด

ผลข้อแรกตามถ้อยคำของผู้เขียนคือ "instruction tuning consistently alters answer confidence, despite limited changes in predictive accuracy and decreases in likelihood-based calibration" แปลว่าความมั่นใจเปลี่ยนแน่นอน ขณะที่ความแม่นเปลี่ยนน้อย และการที่ค่าความน่าจะเป็นภายในสอดคล้องกับความถูกต้องจริงกลับแย่ลง

ผลข้อสองคือผลกระทบต่อความหลากหลายของเหตุผลไม่สม่ำเสมอ ความหลากหลายระหว่างเหตุผลคนละชุดลดลงทุกกรณี แต่ความหลากหลายของคำที่ใช้ในระดับผิวเปลี่ยนทั้งทิศทางและขนาดต่างกันไปตามโมเดลและชุดทดสอบ และความต่างเหล่านี้ยังอยู่หลังควบคุมตัวแปรเรื่องการเลือกคำตอบและความยาวของเหตุผลแล้ว

สิ่งที่บทคัดย่อไม่ได้บอกคือไม่ระบุชื่อโมเดลทั้งสามคู่ ไม่บอกขนาดพารามิเตอร์ ไม่ระบุว่าใช้ชุดทดสอบถามตอบกี่ชุดและชุดไหน และไม่มีตัวเลขผลลัพธ์เลยแม้แต่ตัวเดียว ที่สำคัญคือคำว่าเปลี่ยนความมั่นใจไม่ได้ระบุทิศทางว่าเพิ่มหรือลด จึงสรุปว่ามั่นใจขึ้นไม่ได้

▲ ทำไมต้องรู้ · หลายทีมใช้ระดับความมั่นใจที่โมเดลบอกออกมาเป็นเกณฑ์ตัดสินว่าคำตอบไหนควรส่งให้คนตรวจ งานนี้เป็นหลักฐานว่าค่าความมั่นใจนั้นเปลี่ยนได้จากขั้นตอนการฝึกโดยที่ความแม่นจริงไม่เปลี่ยนตาม แปลว่าเกณฑ์ที่คุณตั้งไว้กับรุ่นหนึ่งอาจใช้กับอีกรุ่นไม่ได้เลย และควรตั้งเกณฑ์ใหม่ทุกครั้งที่เปลี่ยนรุ่น แทนที่จะยกค่าเดิมมาใช้ต่อ

arXiv 2608.13430

จดหมายข่าว Import AI ฉบับที่ 468 เมื่อวันที่ 10 ส.ค. รายงานตัวเลขของระบบชื่อ Locus จากบริษัท Intology ที่ทำหน้าที่ฝึกโมเดลต่อจากโมเดลฐานโดยอัตโนมัติ บนชุดทดสอบที่วัดงานประเภทนี้โดยเฉพาะ ระบบทำได้ 44.7% เทียบกับค่าอ้างอิงของ Claude Opus 5 ที่ 34.1% และบนชุดทดสอบรุ่นขยายที่ใช้เวลาประมวลผลบนการ์ดระดับศูนย์ข้อมูลกว่า 4,000 ชั่วโมง ระบบทำได้ 51.6% ซึ่งสูงกว่าค่าอ้างอิงของมนุษย์ที่ 44.3%

ฉบับเดียวกันยังรายงานชุดข้อเสนอเชิงนโยบาย 23 ข้อใน 7 หมวดจากสถาบันวิจัยแห่งหนึ่ง เพื่อรับมือความเสี่ยงจากการที่ AI เข้ามาทำงานวิจัยพัฒนา AI เอง หมวดหลักคือความโปร่งใส ขีดความสามารถของรัฐ เทคโนโลยีการตรวจสอบ ความยืดหยุ่นในการรับมือ และความร่วมมือระหว่างประเทศ

อีกชิ้นที่ยกมาคือเปเปอร์ทฤษฎีเกมที่วิเคราะห์ว่าบริษัท AI ที่แข่งกันจะตกลงชะลอพร้อมกันได้หรือไม่ ข้อสรุปคือผลขึ้นกับชนิดของเกมที่เล่นอยู่ ไม่ใช่ระดับความโปร่งใสอย่างเดียว และในสภาวะที่ความไว้ใจต่ำ ผู้เขียนบรรยายว่าทุกจุดสมดุลวิ่งเข้าหาหายนะด้วยความน่าจะเป็นเท่ากับหนึ่ง

ข้อควรระวังคือตัวเลข 51.6% กับ 44.3% เป็นผลที่บริษัทเจ้าของระบบรายงานเอง ยังไม่มีผู้วัดอิสระยืนยัน และยังไม่มีข้อมูลว่าค่าอ้างอิงของมนุษย์วัดจากใคร กี่คน และให้เวลาเท่าไร ส่วนข้อเสนอ 23 ข้อเป็นข้อเสนอของสถาบันวิจัย ไม่ใช่นโยบายที่ประกาศใช้

▲ ทำไมต้องรู้ · ข่าวแบบนี้มักถูกย่อเหลือประโยคเดียวว่า AI เก่งกว่ามนุษย์แล้ว ซึ่งทำให้คนตกใจผิดจุด สิ่งที่ตัวเลขนี้บอกจริงคือในงานเฉพาะทางที่แคบมากและวัดผลได้ชัด ระบบอัตโนมัติทำได้ดีกว่าค่าอ้างอิงชุดหนึ่ง หลักที่ใช้ได้กับข่าวทำนองนี้ทุกครั้งคือถามว่าค่าอ้างอิงของมนุษย์นั้นมาจากใครและมีเงื่อนไขเวลาเท่าไร เพราะค่านั้นคือสิ่งที่ตัดสินว่าตัวเลขน่าตกใจหรือไม่

Import AI 468

จดหมายข่าว ChinAI ฉบับที่ 370 เมื่อวันที่ 10 ส.ค. แปลบทวิเคราะห์ที่ชี้ความย้อนแย้งของมณฑลกวางตุ้ง คือมณฑลนี้เป็นบ้านเกิดของคนที่ก่อตั้งบริษัท AI ระดับแนวหน้าของจีนหลายคน รวมถึงผู้ก่อตั้ง Moonshot AI และซีอีโอของ DeepSeek แต่บริษัท AI ระดับแนวหน้ากลับกระจุกอยู่ที่ปักกิ่งกับเซี่ยงไฮ้แทน

รายละเอียดที่เป็นรูปธรรมที่สุดในบทแปลคือทางการเมืองเซินเจิ้นเคยเจรจากับสตาร์ทอัพโมเดลภาษาสองรายในกลุ่มที่วงการเรียกว่าหกเสือน้อย ให้ย้ายสำนักงานใหญ่มาที่เซินเจิ้น โดยเสนออาคารสำนักงานให้ฟรี แต่การเจรจาล้มเหลวทั้งสองราย

คำอธิบายที่ผู้เขียนต้นทางเสนอคือความต่างของกรอบคิด โดยเทียบกรอบคิดเชิงการเมืองของปักกิ่งที่ศูนย์กลางอยู่ที่การควบคุมและอำนาจ กับกรอบคิดเชิงธุรกิจของกวางตุ้งที่เน้นเสรีภาพและการเติบโต

ข้อควรระวังคือคำอธิบายเรื่องกรอบคิดเป็นการตีความเชิงวัฒนธรรมล้วนของผู้เขียนต้นทาง ไม่มีข้อมูลรองรับ และเป็นความเห็นของผู้เขียนชาวจีนที่ถูกแปล ไม่ใช่ของผู้ทำจดหมายข่าว

▲ ทำไมต้องรู้ · ประเทศไทยกำลังพูดเรื่องผลิตกำลังคนสาย AI ให้ได้ตามเป้าหมายที่ตั้งไว้ เคสนี้ให้บทเรียนที่ตรงประเด็นคือการมีคนเก่งเกิดในพื้นที่ไม่ได้แปลว่าบริษัทจะเกิดในพื้นที่นั้น เพราะคนเก่งย้ายไปหาที่ที่มีทุน มีตลาด และมีคนแบบเดียวกันอยู่ก่อน คำถามที่ตามมาสำหรับนโยบายไทยจึงไม่ใช่แค่ผลิตคนได้กี่คน แต่คือคนที่ผลิตได้จะไปทำงานที่ไหน

ChinAI #370

รายงานที่เผยแพร่เมื่อวันที่ 13 ส.ค. ระบุว่าธนาคารโลกจัดให้ไทยอยู่ในอันดับ 5 ของประเทศกำลังพัฒนาที่ได้ประโยชน์มากที่สุดจากการลงทุนในห่วงโซ่อุปทานของ AI ซึ่งครอบคลุมทั้งเซมิคอนดักเตอร์ อิเล็กทรอนิกส์ และอุปกรณ์สำหรับศูนย์ข้อมูล

สิ่งที่ต้องอ่านให้ตรงคืออันดับนี้วัดที่การลงทุนในสิ่งที่จับต้องได้ซึ่งอยู่ต้นน้ำของ AI ไม่ได้วัดว่าคนไทยหรือองค์กรไทยใช้ AI เก่งแค่ไหน สองอย่างนี้เป็นคนละเรื่องและมักถูกยกมาปนกันในสไลด์นำเสนอ

ข้อควรระวังคือรายงานนี้อ่านผ่านสื่อที่รายงานต่อ ยังไม่ได้เปิดเอกสารต้นทางของธนาคารโลกโดยตรง จึงยังไม่ทราบนิยามที่แน่นอนของการจัดอันดับและช่วงเวลาที่ใช้วัด

▲ ทำไมต้องรู้ · ตัวเลขทำนองนี้ถูกใช้เป็นเหตุผลตั้งงบและตั้งโครงการในองค์กรบ่อยมาก แต่สิ่งที่มันบอกคือเงินลงทุนไหลเข้ามาที่ฐานการผลิตในไทย ไม่ใช่ว่าองค์กรไทยพร้อมใช้ AI แล้ว ผลสำรวจก่อนหน้านี้ที่ระบุว่าองค์กรไทยใช้ AI แล้ว 61% แต่มีเพียง 9% ที่ทำให้เกิดรายได้ใหม่ได้จริง เป็นอีกตัวเลขที่ต้องอ่านคู่กัน เพราะสองตัวนี้ชี้คนละทิศ

Techsauce

รายงานร่วมของสำนักงานคณะกรรมการส่งเสริมการลงทุนกับองค์กรส่งเสริมการค้าต่างประเทศของญี่ปุ่นและหอการค้าญี่ปุ่น ที่เผยแพร่เมื่อวันที่ 14 ส.ค. ระบุว่าในรอบ 5 ปีที่ผ่านมา บริษัทญี่ปุ่นยื่นขอรับการส่งเสริมการลงทุนในไทยรวม 1,380 คำขอ คิดเป็นมูลค่า 396,000 ล้านบาท

ตัวเลขที่บอกทิศทางชัดที่สุดคือสัดส่วนของแผนการลงทุน โดย 59% วางแผนปรับปรุงเครื่องจักรให้ทันสมัยขึ้น ขณะที่มีเพียง 22% ที่วางแผนลงทุนด้านการเปลี่ยนผ่านสู่ดิจิทัล

ข้อควรระวังคือตัวเลขสองชุดนี้เป็นแผนที่ผู้ตอบแบบสำรวจระบุ ไม่ใช่การลงทุนที่เกิดขึ้นจริงแล้ว และคำว่าการเปลี่ยนผ่านสู่ดิจิทัลในแบบสำรวจก็ไม่ได้แยกออกมาว่ามีส่วนที่เป็น AI เท่าไร

▲ ทำไมต้องรู้ · คนทำงานในโรงงานและบริษัทญี่ปุ่นในไทยมีจำนวนมาก และตัวเลขนี้บอกทิศทางที่จะเจอในอีกไม่กี่ปีข้างหน้าค่อนข้างชัด คือเงินส่วนใหญ่ลงไปที่เครื่องจักร ไม่ใช่ที่ระบบข้อมูลหรือ AI ผลที่ตามมาคือคนที่ทำงานตรงจุดเชื่อมระหว่างเครื่องจักรกับข้อมูลจะเป็นที่ต้องการ มากกว่าคนที่รู้เรื่อง AI อย่างเดียว

Techsauce

สำนักข่าว Bloomberg รายงานเมื่อวันที่ 16 ส.ค. ว่า Stripe ตกลงซื้อ OpenRouter ซึ่งเป็นแพลตฟอร์มที่ให้องค์กรเรียกโมเดล AI หลายเจ้าผ่านช่องทางเดียว ที่มูลค่ากว่า 7,000 ล้านดอลลาร์ ตัวเลขนี้ต่ำกว่าที่ Wall Street Journal รายงานไว้เมื่อวันที่ 24 ก.ค. ซึ่งระบุว่าอยู่ระหว่างเจรจาที่มูลค่าราว 10,000 ล้านดอลลาร์ และยังไม่มีฝ่ายใดอธิบายว่าทำไมตัวเลขจึงลดลง

สถานะของดีลเป็นจุดที่ต้องระวังมากที่สุด เพราะสำนักข่าวแต่ละเจ้าใช้คำต่างกันตั้งแต่ใกล้บรรลุข้อตกลง ตกลงกันได้แล้ว ไปจนถึงจะเข้าซื้อตามรายงาน สิ่งที่ยืนยันได้คือยังไม่มีการประกาศอย่างเป็นทางการจากทั้งสองบริษัท โฆษกของ Stripe ตอบสื่อเพียงว่าบริษัทไม่ให้ความเห็นต่อข่าวลือหรือการคาดเดา และไม่มีคำแถลงจากฝั่ง OpenRouter เลย

ตัวเลขที่ช่วยให้เห็นขนาดของดีลคือ OpenRouter เพิ่งระดมทุนรอบ B ไป 113 ล้านดอลลาร์ที่มูลค่ากิจการ 1,300 ล้านดอลลาร์เมื่อเดือน พ.ค. 2026 แปลว่าราคาที่รายงานสูงกว่ามูลค่าเมื่อสามเดือนก่อนกว่าห้าเท่า บริษัทระบุว่ามีผู้ใช้ 8 ล้านคนทั่วโลกที่เข้าถึงโมเดลได้กว่า 400 ตัว

ข้อควรระวังคือข้อมูลทั้งหมดนี้อ่านจากสื่อที่รายงานต่อจาก Bloomberg เพราะต้นฉบับเปิดอ่านไม่ได้ และรายงานทั้งสองรอบอ้างแหล่งข่าวที่ไม่เปิดเผยชื่อทั้งหมด

▲ ทำไมต้องรู้ · หลายทีมในไทยเรียกโมเดลผ่านตัวกลางแบบนี้อยู่ เพราะสะดวกกว่าการไปเปิดบัญชีกับผู้ผลิตทีละเจ้า การที่ตัวกลางถูกซื้อโดยบริษัทรับชำระเงินรายใหญ่แปลว่าเงื่อนไขการใช้งาน ราคา และรายชื่อโมเดลที่ให้เรียกอาจเปลี่ยนได้ในอนาคต สิ่งที่ควรทำล่วงหน้าคือดูว่าโค้ดของเราผูกกับตัวกลางแน่นแค่ไหน และจะย้ายไปเรียกผู้ผลิตตรงต้องแก้อะไรบ้าง

TechCrunch · รายงานรอบก่อน

มีรายงานเมื่อวันที่ 16 ส.ค. ว่า Nvidia ปรับราคาการ์ดจอรุ่น RTX Pro 6000 Blackwell ขึ้นไปอยู่ที่ 16,000 ดอลลาร์ต่อใบ ซึ่งเป็นรุ่นที่องค์กรใช้สำหรับงานที่ต้องประมวลผลหนักรวมถึงการรันโมเดล AI บนเครื่องตัวเอง

ข้อควรระวังคือรายงานนี้ให้เฉพาะตัวเลขราคาใหม่ ยังไม่มีข้อมูลว่าราคาเดิมอยู่ที่เท่าไรและเหตุผลของการปรับคืออะไร จึงยังคำนวณเป็นเปอร์เซ็นต์การขึ้นราคาไม่ได้

▲ ทำไมต้องรู้ · องค์กรที่เลือกซื้อเครื่องมารันโมเดลเองเพื่อไม่ให้ข้อมูลออกนอกบริษัท กำลังคำนวณจุดคุ้มทุนเทียบกับการเช่าผ่านคลาวด์อยู่ ราคาการ์ดที่ขยับขึ้นทำให้จุดคุ้มทุนนั้นเลื่อนออกไป และเมื่ออ่านคู่กับข่าวที่ผู้ให้บริการโมเดลบางเจ้าเพิ่งขึ้นราคา API ไปเมื่อคืนนี้ ภาพรวมคือต้นทุนขยับขึ้นทั้งสองทาง การประเมินที่ทำไว้เมื่อต้นปีจึงควรคำนวณใหม่

Blognone