AI News · 2026-08-20

โมเดลตระกูล Ornith-1.5 เผยแพร่ต่อสาธารณะเมื่อวันที่ 19 ส.ค. ออกมาสามขนาดคือ 397 พันล้าน 35 พันล้าน และ 9 พันล้านพารามิเตอร์ โดยหน้าประกาศระบุผู้พัฒนาไว้เพียงว่า Ornith Team ส่วนสื่อเทคโนโลยีระบุว่าเป็นทีมวิจัยชื่อ DeepReinforce ซึ่งเป็นทีมเดียวกับที่ปล่อยรุ่น 1.0 เมื่อเดือน มิ.ย. และหน้าต้นทางอธิบายวิธีฝึกว่าให้โมเดลตั้งโจทย์ใหม่ให้ตัวเองแล้วเรียนจากผลของตัวเอง

สิ่งที่ทำให้คนสนใจคือสัญญาอนุญาต ข้อมูลกำกับโมเดลบนคลังโมเดลระบุว่าเป็น MIT ซึ่งเป็นสัญญาที่ผ่อนที่สุดแบบหนึ่งและไม่มีเพดานรายได้ผูกไว้ ข้อควรระวังคือตรวจแล้วยังไม่มีไฟล์ตัวสัญญาแนบอยู่ในคลังจริงทั้งสองรุ่น จึงเป็นการประกาศไว้ในข้อมูลกำกับอย่างเดียว

ตัวเลขที่ผู้ผลิตรายงานเองคือรุ่นใหญ่ที่สุดทำคะแนนบนชุดทดสอบงานผ่านหน้าจอบรรทัดคำสั่งได้ 86.1 ภายใต้ชุดเครื่องมือรันชื่อ Terminus-2 เทียบกับรุ่นท็อปของค่ายปิดที่ 85.0 แต่บนชุดทดสอบงานแก้บั๊กจากคลังโค้ดจริง โมเดลนี้ได้ 56.0 ซึ่งยังแพ้คู่เทียบเดิมที่ 59.0 คือแซงบางกระดานและยังตามอยู่บางกระดาน

จุดที่ต้องอ่านให้ครบคือการ์ดของโมเดลรายงานคะแนนชุดแรกไว้สองค่าตามชุดเครื่องมือที่ใช้รัน คือ 86.1 กับ 85.2 และมีสื่อเทคโนโลยีรายงานตัวเลขเดียวกันนี้ไว้ที่ 85.1 ถ้ายึดสองค่าหลัง ผลลัพธ์จะกลายเป็นเสมอกันแทนที่จะแซง คะแนนทั้งหมดนี้เป็นคะแนนที่ผู้ผลิตวัดเอง และตรวจเมื่อวันที่ 20 ส.ค. แล้วยังไม่มีผู้วัดอิสระเผยแพร่ผลของโมเดลนี้

ข้อควรระวังอีกข้อคือนี่ไม่ใช่การฝึกโมเดลฐานขึ้นใหม่ทั้งตัว ข้อมูลกำกับโมเดลบนคลังโมเดลระบุสถาปัตยกรรมไว้ว่าเป็นตระกูล Qwen3.5 แบบผู้เชี่ยวชาญผสม ซึ่งตรงกับที่ผู้อ่านบนกระดานนักพัฒนาตั้งข้อสังเกตว่าเป็นการฝึกต่อยอดบนโมเดลเปิดของค่ายอื่นที่มีอยู่แล้ว และเป็นสิ่งที่หน้าประกาศของผู้พัฒนาเองไม่ได้เขียนไว้ ส่วนข้อจำกัดที่จับต้องได้คือรุ่น 397 พันล้านยังใหญ่เกินกว่าจะยัดลงการ์ดจอสองใบได้แม้บีบขนาดหนักแล้ว

▲ ทำไมต้องรู้ · เวลาเห็นพาดหัวว่าโมเดลเปิดแซงโมเดลปิดแล้ว สิ่งที่ควรทำก่อนเอาไปวางแผนคือเปิดหน้าโมเดลดูว่ามันแซงบนกระดานไหนและยังแพ้บนกระดานไหน เพราะกระดานที่มันแซงอาจไม่ใช่งานที่องค์กรเราทำจริง คำถามที่ใช้ได้ทันทีคืองานหลักของทีมเราตรงกับชุดทดสอบตัวไหนมากที่สุด แล้วดูเฉพาะแถวนั้นแถวเดียว

Ornith · หน้าโมเดลรุ่น 397B · หน้าโมเดลรุ่น 9B · TestingCatalog · Hacker News

หน้าราคาทางการของ Anthropic ระบุไว้ตรงตัวว่า "The previously scheduled increase to $3/$15 per million input/output tokens on September 1, 2026 will not occur" คือการขึ้นราคาที่เคยประกาศไว้ตอนเปิดตัวจะไม่เกิดขึ้น

สิ่งที่เปลี่ยนคือราคา 2 ดอลลาร์ต่อหนึ่งล้านโทเคนขาเข้าและ 10 ดอลลาร์ขาออก ซึ่งเดิมประกาศเป็นราคาแนะนำถึงวันที่ 31 ส.ค. กลายเป็นราคามาตรฐานถาวรแทน ทำให้โมเดลตัวนี้ถูกกว่ารุ่นก่อนหน้าอย่าง Sonnet 4.6 ที่ยังอยู่ที่ 3 และ 15 ดอลลาร์

ข้อควรระวังคือยังมีบทความบางเจ้าที่พาดหัวยืนยันว่าราคาจะขึ้น 50% ในวันที่ 1 ก.ย. ซึ่งขัดกับข้อความบนเอกสารทางการที่ยังอยู่บนเว็บ ณ วันนี้ ใครที่กำลังทำงบให้ยึดหน้าราคาทางการเป็นหลักและตรวจซ้ำในสัปดาห์สุดท้ายของเดือน

▲ ทำไมต้องรู้ · ทีมที่ตั้งงบไว้เผื่อราคาขึ้นในเดือนหน้า ตอนนี้มีเงินเหลือในแผนที่ยังไม่มีใครรู้ และทีมที่วางแผนย้ายไปโมเดลถูกกว่าเพราะกลัวราคาขึ้น อาจไม่ต้องย้ายแล้ว บทเรียนที่ใช้ได้กว้างกว่านั้นคือราคาที่ผู้ขายประกาศล่วงหน้าเปลี่ยนได้ทั้งสองทาง การเช็คหน้าราคาทางการก่อนตัดสินใจย้ายงานจึงคุ้มกว่าการเชื่อประกาศเก่าที่จำไว้

หน้าราคาทางการ Anthropic

บันทึกการเปลี่ยนแปลงทางการของ Anthropic ลงวันที่ 19 ส.ค. มีห้ารายการรวด และสามรายการในนั้นเป็นการเลื่อนสถานะจากรุ่นทดลองเป็นรุ่นใช้งานทั่วไป ได้แก่ Files API, Agent Skills พร้อมชุดคำสั่งจัดการทักษะ และชุดคำสั่งจัดการสมาชิกองค์กรสำหรับลูกค้าองค์กร

รายละเอียดที่กระทบการวางระบบคือ Files API มาพร้อมเพดานที่ระบุชัดว่า "Storage is 1 TB per organization and the rate limit is 500 requests per minute" และเพิ่มความสามารถตั้งวันหมดอายุของไฟล์ตอนอัปโหลดได้ ส่วนของเดิมที่ยังส่งหัวข้อทดลองมาด้วยก็ยังทำงานได้เหมือนเดิมไม่พัง

อีกสองรายการเป็นของฝั่ง agent ที่บริษัทดูแลให้ คือกำหนดได้แล้วว่าให้ค้นเว็บและดึงหน้าเว็บจากโดเมนไหนได้บ้างหรือห้ามโดเมนไหน และแนบคลังความจำเข้ากับ agent ที่รันในกล่องทรายที่องค์กรโฮสต์เองได้

▲ ทำไมต้องรู้ · การเลื่อนจากรุ่นทดลองเป็นรุ่นใช้งานทั่วไปเป็นสัญญาณที่ฝ่ายจัดซื้อและฝ่ายความมั่นคงรอ เพราะรุ่นทดลองมักถูกห้ามใช้ในงานจริงตามนโยบายภายใน สิ่งที่ควรทำคือดูว่ารายการไหนในสามชุดนี้เคยเป็นเหตุผลที่ทีมเราถูกเบรกไว้ แล้วยื่นทบทวนอีกรอบ ส่วนตัวเลขเพดานพื้นที่และจำนวนคำขอต่อนาทีควรเอาไปใส่ในแผนก่อนออกแบบระบบที่พึ่งมัน

บันทึกการเปลี่ยนแปลง Claude API

หน้าเผยแพร่บนคลังโค้ดระบุว่ารุ่น 2.1.236 ออกเมื่อวันที่ 19 ส.ค. เวลา 20:02 ตามเวลามาตรฐานสากล ซึ่งตรงกับเช้ามืดวันที่ 20 ส.ค. ตามเวลาไทย ถัดจากรุ่น 2.1.235 ที่ออกเมื่อวันก่อนหน้า

ของใหม่ที่เป็นฟีเจอร์จริงมีสองอย่าง คือตัวแปรสภาพแวดล้อมชื่อ ANTHROPIC_DEFAULT_MODEL ที่กำหนดว่าเซสชันใหม่จะเริ่มต้นด้วยโมเดลตัวไหน และตัวเลือกให้แจ้งเตือนเมื่อเซสชันอีกฝั่งว่างลง

ส่วนที่เหลือเป็นการเปลี่ยนพฤติกรรมที่ผู้ใช้จะรู้สึกได้ คือคำสั่งตั้งเป้าหมายจะกลับมาถามความคืบหน้าเองทุกสามสิบนาที หน้าสรุปการใช้งานเพิ่มแถวยอดใช้จ่ายสำหรับแผนทีมและองค์กร และการพิมพ์คำสั่งผิดจะรายงานว่าไม่รู้จักแทนการเดาว่าผู้ใช้หมายถึงคำสั่งใกล้เคียง

▲ ทำไมต้องรู้ · ตัวแปรตั้งโมเดลเริ่มต้นแก้ปัญหาที่ทีมองค์กรเจอบ่อยที่สุดเรื่องหนึ่ง คือพนักงานเผลอทำงานทั้งวันบนโมเดลที่แพงกว่าที่จำเป็นเพราะลืมสลับกลับ ทีมที่ควบคุมค่าใช้จ่ายอยู่ควรตั้งค่านี้ไว้ในเครื่องมาตรฐานขององค์กร ส่วนการเลิกเดาคำสั่งที่พิมพ์ผิดเป็นการเปลี่ยนที่ดีต่อความปลอดภัย เพราะการเดาผิดในเครื่องมือที่แก้ไฟล์ได้มีราคาแพงกว่าการถามซ้ำ

Claude Code CHANGELOG · หน้าเผยแพร่รุ่น

OpenAI เผยแพร่ประกาศเมื่อวันที่ 19 ส.ค. เปิดตัวสิ่งที่เรียกว่า Private Safety Processing ซึ่งออกแบบให้ตรวจการใช้งานผิดวัตถุประสงค์ข้ามหลายบทสนทนาได้ โดยส่งกลับมาที่บริษัทเฉพาะสัญญาณที่นิยามไว้แคบๆ ไม่ใช่ตัวคำสั่งหรือคำตอบ

สถานะที่ประกาศระบุไว้เองคือ "Private Safety Processing is currently being tested with early customers" และวางกำหนดว่า "We plan to start rolling out Private Safety Processing, and share a technical white paper, in September" คือยังไม่เปิดให้ใช้ทั่วไปและยังไม่มีเอกสารเทคนิคให้ตรวจสอบ

สิ่งที่ทำให้ประกาศนี้ถูกอ่านเป็นการตอบโต้คู่แข่งคือจังหวะเวลา เพราะ Anthropic มีนโยบายเก็บคำสั่งและคำตอบของโมเดลกลุ่มที่ระบุไว้เป็นเวลา 30 วันเพื่อใช้ในงานความปลอดภัย ซึ่งเป็นนโยบายที่มีผลมาตั้งแต่ 9 มิ.ย. ไม่ใช่ของใหม่ที่เพิ่งประกาศ การจับคู่สองเรื่องนี้เป็นมุมของสื่อที่รายงาน ไม่ใช่ข้อความที่ประกาศของ OpenAI เขียนไว้เอง

ข้อควรระวังคือขอบเขตของเรื่องนี้อยู่ที่ลูกค้าองค์กรและลูกค้าที่เรียกผ่านชุดคำสั่งเท่านั้น ไม่ครอบคลุมผู้ใช้ ChatGPT ทั่วไปทั้งแบบฟรีและแบบเสียเงินส่วนบุคคล และประกาศไม่ได้ระบุเลยว่าจะคิดเงินเพิ่มหรือไม่

▲ ทำไมต้องรู้ · องค์กรไทยที่ยังไม่กล้าส่งข้อมูลลูกค้าเข้าโมเดลภายนอก มักติดที่คำถามเดียวกันคือใครอ่านข้อมูลเราได้บ้างและเก็บไว้นานเท่าไร ข่าวนี้บอกว่าคำตอบกำลังกลายเป็นจุดแข่งขันระหว่างผู้ขาย สิ่งที่ควรทำคือเอาคำถามนี้ใส่ไว้ในแบบประเมินผู้ขายอย่างเป็นทางการ และขอคำตอบเป็นลายลักษณ์อักษรพร้อมวันที่มีผล เพราะนโยบายแบบนี้เปลี่ยนได้เร็วกว่าที่สัญญาจะตามทัน

OpenAI อ่านผ่านตัวกลาง · TechCrunch · นโยบายเก็บข้อมูลของ Anthropic

เหตุล่มเกิดเมื่อวันที่ 17 ส.ค. ระหว่างเวลา 13:28 ถึง 21:15 ตามเวลามาตรฐานสากล รวม 7 ชั่วโมง 47 นาที และรายงานสาเหตุที่คลังบันทึกไว้ว่ายังไม่ออกเมื่อสองวันก่อน ตอนนี้ออกแล้ว

สาเหตุซ้อนกันสามชั้น ชั้นแรกคือระบบขยายเครื่องอัตโนมัติไม่ได้ดูเพดานจำนวนงานพร้อมกันของตัวช่วยที่ติดอยู่ข้างบริการ ชั้นที่สองคือถ้อยคำที่รายงานเขียนว่า "a latent retry bug in VS Code that amplified traffic by approximately 10x" คือบั๊กการยิงซ้ำที่ซ่อนอยู่ในเครื่องมือเขียนโค้ดขยายปริมาณทราฟฟิกขึ้นราวสิบเท่า และชั้นที่สามคือตัวกระจายโหลดอิ่มตัวจนลามเป็นลูกโซ่

ตัวเลขที่บอกความรุนแรงคืออัตราความล้มเหลวของการดาวน์โหลดคลังโค้ดขึ้นไปถึงครึ่งหนึ่ง และบริการที่ฟื้นช้าที่สุดคือบริการออกโทเคนให้ผู้ช่วยเขียนโค้ด ซึ่งเป็นเหตุผลที่เครื่องมือ AI ของเจ้าอื่นล่มตามไปด้วย

▲ ทำไมต้องรู้ · บทเรียนที่ใช้ได้กับทุกทีมคือการยิงซ้ำอัตโนมัติเป็นดาบสองคม เวลาระบบปลายทางเริ่มช้า โค้ดที่ยิงซ้ำแบบไม่ถอยจะเปลี่ยนอาการช้าให้กลายเป็นอาการล่ม ทีมที่เขียนระบบเรียก AI ผ่านเครือข่ายควรไปดูว่าโค้ดของตัวเองยิงซ้ำกี่ครั้ง เว้นระยะเพิ่มขึ้นทุกครั้งหรือไม่ และมีเพดานหยุดหรือเปล่า

The Register · Blognone

คำเตือนร่วมออกเมื่อวันที่ 19 ส.ค. โดยหน่วยงานความมั่นคงไซเบอร์ หน่วยข่าวกรองสัญญาณ สำนักงานสอบสวนกลาง กระทรวงพลังงาน และหน่วยงานคุ้มครองสิ่งแวดล้อมของสหรัฐ ระบุว่าเป็นภัยที่กำลังเกิดขึ้นอยู่ ไม่ใช่ความเสี่ยงเชิงทฤษฎี

วิธีโจมตีที่อธิบายไว้เรียบง่ายจนน่ากังวล คือใช้เครื่องมือค้นหาอุปกรณ์ที่เปิดสู่อินเทอร์เน็ตหาตัวควบคุมเครื่องจักรที่ไม่ได้ปิดไว้ แล้วรันสคริปต์ภาษา Python ที่ AI สร้างขึ้น เรียกไลบรารีมาตรฐานเพื่อเข้าถึงอุปกรณ์ในระดับที่อ่านและเขียนค่าได้

อุปกรณ์ที่ระบุชื่อไว้คือตัวควบคุมตระกูล S7 ของ Siemens หลายรุ่น และภาคส่วนเป้าหมายครอบคลุมการผลิต พลังงาน น้ำและน้ำเสีย เคมี อาหารและเกษตร โดยคำเตือนระบุด้วยว่า "ongoing PLC targeting activity is broader than Siemens PLCs" คือกิจกรรมนี้กว้างกว่ายี่ห้อเดียว

▲ ทำไมต้องรู้ · เรื่องนี้ย้ายการสนทนาเรื่องความเสี่ยงของ AI จากห้องประชุมไปที่หน้างานโรงงาน สิ่งที่ทำได้ทันทีและไม่ต้องรองบคือไล่ตรวจว่าอุปกรณ์ควบคุมในสายการผลิตของเราเปิดออกอินเทอร์เน็ตอยู่หรือไม่ เพราะข้อแรกของการโจมตีชุดนี้คือการหาเจอ ถ้าหาไม่เจอตั้งแต่แรก สคริปต์ที่เขียนเก่งแค่ไหนก็เริ่มไม่ได้

BleepingComputer · The Register

ทีมวิจัยของ Varonis เปิดเผยช่องโหว่สามตัวที่รวมเป็นรหัสเดียวกัน กระทบผู้ช่วย AI รุ่นสำหรับผู้ใช้ทั่วไปของ Microsoft โดย Microsoft ออกตัวแก้เมื่อวันที่ 18 ส.ค. และยังไม่พบหลักฐานว่ามีการนำไปใช้โจมตีจริง

จุดเริ่มคือพารามิเตอร์ที่ไม่มีในเอกสารซึ่งทำให้คำสั่งที่แนบมากับลิงก์ทำงานทันทีที่หน้าโหลด ภายใต้สิทธิ์ของบัญชีที่ล็อกอินค้างอยู่ วิธีที่นักวิจัยหามันเจอคือถามตัวผู้ช่วย AI เองว่าทำไมคำสั่งถึงไม่รันเอง จนมันเผยชื่อพารามิเตอร์ออกมา

ผลที่ตามมาสองชั้นคือดึงข้อมูลจากแอปที่ผู้ใช้เชื่อมไว้ทั้งอีเมล ปฏิทิน และไดรฟ์เก็บไฟล์ ส่งออกไปยังปลายทางของผู้โจมตีได้ และการฝังคำสั่งไว้ในความจำระยะยาวของผู้ช่วย ซึ่งยังอยู่ต่อแม้ผู้ใช้จะเปลี่ยนรหัสผ่านและตัดเซสชันทั้งหมดแล้ว

ข้อควรระวังที่สำคัญคือระยะเวลา นักวิจัยแจ้งบริษัทตั้งแต่เดือน ธ.ค. ปีที่แล้ว และตัวแก้เพิ่งออกในเดือนนี้ ห่างกันราวแปดเดือน

▲ ทำไมต้องรู้ · การเปลี่ยนรหัสผ่านคือสิ่งแรกที่ทุกคนถูกสอนให้ทำเวลาสงสัยว่าบัญชีโดนเจาะ เคสนี้บอกว่าเมื่อผู้ช่วย AI มีความจำระยะยาว การเปลี่ยนรหัสผ่านอย่างเดียวไม่พออีกต่อไป องค์กรที่เปิดให้พนักงานเชื่อมอีเมลและไดรฟ์เข้ากับผู้ช่วย AI ควรเพิ่มขั้นตอนล้างความจำของผู้ช่วยเข้าไปในคู่มือรับมือเหตุผิดปกติด้วย

The Hacker News

ทีมวิจัยรวบรวมบันทึกการทดลอง 8,135 ครั้ง แล้วให้คนอ่านและติดป้ายด้วยมือ 240 รายการ เพื่อดูว่าไฟล์ทักษะที่เราเตรียมไว้ให้ agent หยิบใช้ ช่วยงานตรงไหนกันแน่ ผลออกมาเป็นชุดตัวเลขที่พลิกความเข้าใจเดิม

คำอธิบายที่คนส่วนใหญ่เชื่อคือทักษะช่วยเพราะมันเติมความรู้ที่โมเดลไม่มี แต่ถ้อยคำในงานนี้ระบุว่า "Procedural anchoring accounts for 65.7% of skill cases, versus 4.5% for explicit knowledge injection, showing that skills stabilize action rather than inject missing facts" คือมันช่วยเพราะทำให้ลำดับการลงมือทำนิ่งขึ้น ไม่ใช่เพราะเติมความรู้

ตัวเลขที่กระทบการวางระบบมากที่สุดคือเรื่องขนาดคลัง ถ้อยคำคือ "as pools grow from 5 to 100, actual-use precision falls from 29.6% to 3.3%" คือพอคลังทักษะโตจากห้าใบเป็นร้อยใบ ความแม่นในการหยิบใบที่ใช้จริงตกจากราวสามในสิบเหลือหลักหน่วย

สิ่งที่บทคัดย่อไม่ได้บอกคือไม่ระบุชื่อโมเดล ชื่อชุดทดสอบ หรือชื่อเครื่องมือที่ใช้เลยแม้แต่ตัวเดียว บอกเพียงว่าทดสอบข้ามหลายตัว ตัวเลขที่บอกว่าทักษะดีกว่าวิธีเทียบอีกแบบ 6.06 จุดก็ไม่ระบุหน่วยและไม่มีการทดสอบนัยสำคัญทางสถิติ และไม่มีค่าอ้างอิงของกรณีที่ไม่ใช้ทักษะเลยให้เทียบ

▲ ทำไมต้องรู้ · หลายองค์กรกำลังเริ่มสะสมไฟล์คำสั่งสำเร็จรูปไว้ให้ AI หยิบใช้ซ้ำ โดยเชื่อว่ายิ่งมีเยอะยิ่งดี งานนี้บอกว่าคลังที่ใหญ่เกินไปทำให้หยิบผิดจนแทบไม่เหลือประโยชน์ สิ่งที่ควรทำคือกำหนดเพดานจำนวนไฟล์ต่อหนึ่งบริบทงานตั้งแต่วันแรก และตัดใบที่ไม่ได้ใช้ออกเป็นรอบ แทนการปล่อยให้คลังโตไปเรื่อยๆ

arXiv 2608.14036

ทีมวิจัยตรึงทุกอย่างไว้เหมือนกันหมด เปลี่ยนแค่ว่าจะสั่งให้โมเดลใช้ความพยายามในการคิดระดับสูงหรือไม่ระบุเลย แล้ววัดทั้งค่าใช้จ่ายจริงที่ถูกเรียกเก็บและความแม่นบนโจทย์คณิตศาสตร์แข่งขัน 30 ข้อ ข้อละห้าครั้ง โดยแช่แข็งแผนวิเคราะห์ไว้ก่อนดูผล

ผลที่รายงานคือค่าใช้จ่ายต่อการเรียกหนึ่งครั้งสูงขึ้นจริงราวหนึ่งเซ็นต์ ส่วนความแม่นนั้นถ้อยคำคือ "The corresponding accuracy contrast was +0.0133 [-0.0267, +0.0467]; we did not detect an accuracy difference" คือตรวจไม่พบความแตกต่างของความแม่น

จุดที่ต้องอ่านให้ครบและผู้เขียนเตือนเองคือช่วงความเชื่อมั่นยังกว้างพอที่จะครอบคลุมการดีขึ้นได้ถึงราวสี่จุดครึ่ง งานนี้จึงไม่ใช่หลักฐานว่าการสั่งให้คิดหนักไม่ช่วย แต่เป็นหลักฐานว่าการทดลองขนาดนี้ยังไม่พอจะเห็นถ้ามันช่วย

สิ่งที่บทคัดย่อไม่ได้บอกคือความแม่นสัมบูรณ์ของทั้งสองฝั่ง จึงไม่รู้ว่าโมเดลทำโจทย์ชุดนี้ได้สองในสิบหรือเก้าในสิบ ซึ่งเปลี่ยนความหมายของตัวเลขค่าใช้จ่ายต่อคำตอบที่ถูกไปทั้งหมด และผลทั้งหมดผูกกับโมเดลตัวเดียวและงานแบบเดียว

▲ ทำไมต้องรู้ · ปุ่มปรับระดับความพยายามในการคิดกำลังกลายเป็นมาตรฐานของผู้ขายทุกเจ้า และค่าเริ่มต้นที่หลายทีมตั้งไว้คือระดับสูงเพราะคิดว่าปลอดภัยกว่า งานนี้บอกว่าต้นทุนของการตั้งค่านั้นวัดได้ชัด ส่วนประโยชน์วัดไม่ได้ในการทดลองขนาดนี้ วิธีที่ถูกคือทดลองกับงานจริงของทีมเราเองสองสามร้อยครั้ง แล้วดูว่ามันคุ้มไหมกับงานแบบที่เราทำ

arXiv 2608.16956

ทีมนี้เอาโมเดลระดับแนวหน้าสามตัวมาฝึกต่อด้วยภาษากรีก แล้ววัดสิ่งที่คะแนนความแม่นมองไม่เห็น สิ่งแรกที่พบคือตัวชุดทดสอบเองมีสัญญาณรบกวนสูงมาก ถ้อยคำคือ "changing only the random seed moves the score by 7.7 points, more than every data and recipe effect we measured"

ผลที่ตรงกับปัญหาของผู้ใช้ภาษาไทยมากที่สุดคือ "Base models never think in Greek: 0 of 1,000 reasoning traces" คือไม่มีสักครั้งเดียวจากพันครั้งที่โมเดลตั้งต้นคิดเป็นภาษาของคำถาม มันตอบถูกโดยคิดในรูปแบบที่ผู้ใช้อ่านไม่ออกและตรวจไม่ได้

หลังฝึกต่อด้วยตัวอย่าง โมเดลคิดตรงภาษาของคำถามได้ราว 98% ของโจทย์ แต่ยังเหลือข้อบกพร่องที่แก้ไม่ได้ด้วยวิธีนี้ คือราวหนึ่งในสี่ของคำตอบไม่ทำตามรูปแบบที่สั่ง และเมื่อสั่งให้คิดเป็นภาษาอังกฤษ โมเดลเชื่อฟังไม่ถึงครึ่ง ส่วนการฝึกอีกวิธีที่ให้รางวัลตามผลที่ตรวจได้ ลดอาการถอยกลับไปใช้ภาษาเดิมจากราวหนึ่งในสี่เหลือไม่ถึงสามในร้อย

สิ่งที่บทคัดย่อไม่ได้บอกคือภาษาที่ทดลองคือกรีกไม่ใช่ไทย และผู้เขียนไม่ได้สาธิตกับภาษาอื่นเลยแม้จะอ้างว่าเครื่องมือย้ายไปใช้กับภาษาไหนก็ได้ นอกจากนี้บทคัดย่อยังนับจำนวนโมเดลไม่ตรงกันเองระหว่างสามตัวกับสี่ตัว และไม่มีตัวเลขต้นทุนหรือขนาดข้อมูลที่ใช้ฝึกเลย

▲ ทำไมต้องรู้ · องค์กรไทยที่ให้ AI ทำงานภาษาไทยแล้วรู้สึกว่าคำตอบถูกแต่บอกไม่ได้ว่ามันคิดมายังไง งานนี้อธิบายว่าทำไม สิ่งที่ใช้ได้ทันทีคืออย่าเชื่อคำอธิบายที่โมเดลเขียนเป็นภาษาไทยว่าเป็นกระบวนการคิดจริงของมัน ให้ถือเป็นคำแปลของสิ่งที่มันคิดมาก่อนแล้ว และเวลาต้องตรวจงานสำคัญ ให้ตรวจที่ผลลัพธ์ที่ทดสอบได้ ไม่ใช่ที่คำอธิบาย

arXiv 2608.17744

ทีมนี้สร้างชุดทดสอบ 128 สถานการณ์ในกล่องทราย แต่ละสถานการณ์จับคู่คำสั่งงานปกติของผู้ใช้กับคำสั่งของผู้โจมตีที่ฝังอยู่ในเอกสารที่ agent ต้องอ่านระหว่างทำงาน แล้ววัดสี่ด้านคือทำงานสำเร็จแค่ไหน โดนโจมตีสำเร็จแค่ไหน ผู้โจมตีฝังตัวอยู่ต่อได้ไหม และระบบตรวจจับได้ไหม

ผลที่รายงานคือ "attack success ranges from 12.6% to 80.9%, while Utility remains between 75.0% and 97.6%" ข้ามโครงรัน agent สามตัวและโมเดลหกตัว รวม 14 รูปแบบการตั้งค่า และช่วงที่กว้างขนาดนี้แปลว่าการตั้งค่าต่างกันเปลี่ยนความเสี่ยงได้หลายเท่า

ประโยคที่สำคัญที่สุดคือ "some configurations detect risks in more than 90% of runs while retaining substantial attack success" คือรู้ตัวว่ากำลังโดนอะไร แต่ก็ยังทำตามคำสั่งของผู้โจมตีอยู่ดี ส่วนขั้นตอนที่เปราะที่สุดเหมือนกันทั้งสามโครงคือขั้นตอนตั้งค่าตอนเริ่มต้น ไม่ใช่ขั้นตอนรันงาน

สิ่งที่บทคัดย่อไม่ได้บอกคือไม่ระบุชื่อโครงรัน agent และไม่ระบุชื่อโมเดลสักตัว ตัวเลข 12.6% กับ 80.9% เป็นค่าสุดขั้วของทั้งชุดไม่ใช่ค่ากลาง และคำว่าโดนโจมตีสำเร็จอย่างมีนัยสำคัญในกลุ่มที่ตรวจจับได้เกินเก้าในสิบ ไม่มีตัวเลขกำกับเลยทั้งที่เป็นประโยคที่น่าสนใจที่สุด

▲ ทำไมต้องรู้ · ทีมที่กำลังจะปล่อย agent ทำงานจริงมักลงทุนกับการเลือกโมเดลให้เก่งที่สุด งานนี้บอกว่าจุดที่กำหนดความเสี่ยงจริงอยู่ที่การตั้งค่าโครงที่รันมันมากกว่า และการที่ระบบเตือนได้ไม่เท่ากับการที่ระบบหยุดได้ คำถามที่ควรถามผู้ขายคือเมื่อระบบตรวจเจอความเสี่ยง มันหยุดเองหรือแค่บันทึกไว้ในรายงาน

arXiv 2608.17597

Anthropic เผยแพร่งานเมื่อวันที่ 18 ส.ค. ระบุว่าให้โมเดลออกแบบโปรตีนที่จับกับเป้าหมายทางชีวภาพ 15 เป้าหมาย แล้วนำไปสังเคราะห์และทดสอบจริง ถ้อยคำคือ "Claude successfully designed binders against 14 of them"

ตัวเลขที่ใช้เทียบได้คืออัตราที่แบบร่างกลายเป็นโปรตีนที่จับได้จริง ซึ่งอยู่ที่ 26.7% เมื่อออกแบบพร้อมกันทุกเป้าหมายในเซสชันเดียวยาว 48 ชั่วโมง และ 22.6% สำหรับโมเดลรุ่นก่อนหน้า เทียบกับที่รายงานระบุว่าเป็นค่าปกติของงานออกแบบโปรตีนในปัจจุบันที่ 10 ถึง 15% โดยทดสอบแบบร่างทั้งหมด 1,320 ชิ้น

ข้อควรระวังคือนี่เป็นผลที่ผู้ผลิตโมเดลรายงานเกี่ยวกับโมเดลของตัวเอง ยังไม่มีทีมภายนอกทำซ้ำ และตัวเลขค่าปกติของอุตสาหกรรมที่ใช้เทียบก็มาจากรายงานฉบับเดียวกัน

▲ ทำไมต้องรู้ · ข่าวแบบนี้มักถูกอ่านเป็นเรื่องไกลตัวของวงการชีววิทยา แต่สิ่งที่ควรจับคือรูปแบบ คือ AI เริ่มถูกใช้ตั้งสมมติฐานจำนวนมากให้มนุษย์เอาไปทดสอบจริง แทนการให้คำตอบสุดท้าย องค์กรที่มีงานลองผิดลองถูกเยอะ เช่น การทดสอบสูตร การทดสอบตลาด หรือการหาสาเหตุของของเสีย ใช้รูปแบบเดียวกันนี้ได้โดยไม่ต้องรอเทคโนโลยีใหม่

Anthropic · Techsauce

สำนักงานคณะกรรมการดิจิทัลเพื่อเศรษฐกิจและสังคมแห่งชาติเปิดให้ลงทะเบียนล่วงหน้าตั้งแต่ 09:00 น. ของวันที่ 19 ส.ค. และตัวเลขที่ประกาศเป็นระยะคือราว 44,000 รายเมื่อครบชั่วโมงแรก 206,293 รายเมื่อเที่ยง และ 512,500 รายเมื่อครบแปดชั่วโมงที่ 17:00 น.

ตัวเลขที่ต้องแยกให้ชัดเพราะพาดหัวหลายเจ้าเล่าปนกันคือยอดลงทะเบียนสำเร็จกับยอดที่รอยืนยันตัวตน ช่วงกลางวันมีข่าวว่ายอดรอคิวยืนยันตัวตนทะลุสามแสนราย ขณะที่ยอดลงทะเบียนสำเร็จอยู่ที่สองแสนต้นๆ ซึ่งเป็นคนละตัวเลขกัน หน่วยงานยืนยันว่าระบบไม่ได้ล่มและความล่าช้าอยู่ที่ขั้นตอนยืนยันตัวตน พร้อมแนะให้เปลี่ยนไปใช้แอปทางรัฐแทน

ประเด็นที่เปิดขึ้นในบ่ายวันเดียวกันคือชื่อโดเมนของเว็บลงทะเบียนที่ลงท้ายด้วย .net ฝ่ายค้านและอนุกรรมาธิการด้านดิจิทัลเสนอให้เปลี่ยนเป็น .go.th และให้รัฐจดโดเมนที่สะกดใกล้เคียงดักไว้ เพราะเว็บที่ขอข้อมูลส่วนบุคคลของประชาชนถูกปลอมได้ง่าย ส่วนรัฐมนตรีว่าการกระทรวงดิจิทัลตอบว่าการใช้โดเมนดังกล่าวเป็นไปตามข้อกำหนดและสัญญาของโครงการ

ตัวเลขที่ควรจำไว้ก่อนใช้งานจริงคือแพลตฟอร์มเปิดใช้งาน 31 ส.ค. มีสิทธิ์ทั้งหมด 5 ล้านสิทธิ์ รวมโมเดลกว่า 30 ตัวจากผู้พัฒนา 14 ราย และรัฐจ่ายค่าบริการแบบคิดตามผู้ใช้ที่ใช้งานจริงที่ 24.70 บาทต่อคนต่อเดือน โดยข้อควรระวังคือจำนวนโมเดลที่สื่อรายงานขยับมาตลอดตั้งแต่ 12 ตัวเมื่อ พ.ค. เป็น 24 ตัวเมื่อ มิ.ย. จนถึงกว่า 30 ตัวในตอนนี้ ส่วนหน้าเว็บทางการระบุเพียงจำนวนค่ายไม่ระบุจำนวนโมเดล

▲ ทำไมต้องรู้ · ถ้าจะลงทะเบียน สิ่งที่ควรทำคือพิมพ์ที่อยู่เว็บเอง อย่ากดจากลิงก์ที่ส่งต่อกันมาในแชท เพราะข้อถกเถียงเรื่องโดเมนสะท้อนความจริงว่าเว็บปลอมที่สะกดใกล้เคียงสร้างได้ในไม่กี่นาที และถ้าติดขั้นตอนยืนยันตัวตน การเปลี่ยนช่องทางแอปช่วยได้มากกว่าการกดซ้ำ

de.aipass.net · เดลินิวส์ ยอด 8 ชั่วโมง · กรุงเทพธุรกิจ ยอดรอยืนยันตัวตน · ไทยโพสต์ ข้อเสนอเรื่องโดเมน · Thai PBS ค่าบริการต่อหัว

กระทรวงวิทยาศาสตร์และเทคโนโลยีของเวียดนามเผยแพร่ยุทธศาสตร์เปลี่ยนผ่านสู่ AI ระดับชาติเมื่อวันที่ 18 ส.ค. โดยตั้งเป้าหมายที่วัดได้เป็นตัวเลขหลายข้อ ข้อที่โดดเด่นที่สุดคือให้ AI สนับสนุนการตัดสินใจเชิงบริหารในหน่วยงานรัฐให้ได้ 60% ภายในปี 2030

เป้าหมายอื่นในชุดเดียวกันคือผู้เชี่ยวชาญด้าน AI หนึ่งหมื่นคน ประชาชนที่มีความรู้พื้นฐานด้าน AI สิบล้านคน สนับสนุนธุรกิจขนาดกลางและเล็กอย่างน้อยห้าแสนราย และสตาร์ตอัปด้าน AI ในประเทศอย่างน้อยหนึ่งร้อยรายที่มีมูลค่าเกินสิบล้านดอลลาร์ พร้อมตั้งเป้าให้ AI คิดเป็นราว 6% ของผลิตภัณฑ์มวลรวมในประเทศ

ประโยคที่วางกรอบทั้งยุทธศาสตร์ไว้มาจากเจ้าหน้าที่ผู้รับผิดชอบที่ระบุว่า "AI can only generate sustainable value when built on a foundation of data that is accurate, sufficient, clean, live, unified, shared" คือให้ความสำคัญกับคุณภาพข้อมูลก่อนความสามารถของโมเดล

▲ ทำไมต้องรู้ · เวียดนามกำลังตั้งเป้าหมายที่มีตัวเลขและปีกำกับชัด ในขณะที่แผนของหลายประเทศในภูมิภาครวมถึงไทยยังพูดด้วยภาษาที่วัดผลยากกว่า สำหรับคนทำงานไทยที่ต้องแข่งหรือต้องร่วมงานกับคู่ค้าเวียดนาม นี่เป็นสัญญาณว่าอีกไม่กี่ปีคู่ค้าฝั่งนั้นจะเริ่มคาดหวังให้เอกสารและข้อมูลอยู่ในรูปที่เครื่องอ่านได้ ไม่ใช่ไฟล์ที่คนต้องมานั่งพิมพ์ใหม่

VnExpress International

รายงานที่เผยแพร่เมื่อวันที่ 19 ส.ค. จัดทำโดยบริษัทวิจัยที่ผู้ให้บริการคลาวด์รายใหญ่ว่าจ้าง ระบุว่าสัดส่วนธุรกิจมาเลเซียที่ใช้เครื่องมือ AI อย่างน้อยหนึ่งตัวเป็นประจำ เพิ่มจาก 27% เป็น 38% คิดเป็นจำนวนเพิ่มขึ้นเกือบหนึ่งล้านราย รวมเป็น 3.4 ล้านราย

ตัวเลขที่สำคัญกว่าคือความลึกของการใช้งาน ถ้อยคำในรายงานคือ "67 percent of adopters were still using AI for basic tasks such as public chatbots or off-the-shelf tools" และมีเพียง 19% ที่มีกลยุทธ์ขยายผลอย่างเป็นทางการ ส่วนอีกตัวเลขที่บอกโครงสร้างตลาดคือ 57% ซื้อความสามารถหลักด้าน AI จากภายนอกแทนการสร้างเอง

ข้อควรระวังคือรายงานนี้ผู้ให้บริการคลาวด์เป็นผู้ว่าจ้าง จึงมีส่วนได้ส่วนเสียกับข้อสรุปที่ว่าองค์กรควรใช้ AI มากขึ้นและซื้อจากผู้ให้บริการภายนอก

▲ ทำไมต้องรู้ · ตัวเลขชุดนี้เป็นกระจกที่ตรงกับผลสำรวจฝั่งไทยที่เคยรายงานไปเมื่อสัปดาห์ก่อนอย่างน่าสนใจ คือมีคนใช้เยอะขึ้นเรื่อยๆ แต่ส่วนใหญ่ยังหยุดอยู่ที่การใช้แชตบอตสาธารณะ สำหรับคนทำงาน คำถามที่ควรถามตัวเองคืองานที่เราให้ AI ช่วยอยู่ทุกวันนี้ อยู่ในกลุ่ม 67% ที่เป็นงานพื้นฐาน หรืออยู่ในกลุ่มที่เปลี่ยนวิธีทำงานจริง เพราะสองกลุ่มนี้ให้ผลตอบแทนต่างกันมาก

TNGlobal

Unitree Robotics เข้าซื้อขายวันแรกที่ตลาดหลักทรัพย์เซี่ยงไฮ้เมื่อวันที่ 19 ส.ค. ที่ราคาเสนอขาย 150.80 หยวน แล้วเปิดตลาดที่ 1,100 หยวน คิดเป็นบวก 629% ก่อนปิดที่ 845 หยวน คิดเป็นบวก 460% โดยระดมทุนได้ 6,100 ล้านหยวน

ตัวเลขที่บอกความร้อนแรงของความต้องการคือมีบัญชีนักลงทุนรายย่อย 9.8 ล้านบัญชีแย่งซื้อหุ้นที่จัดสรรให้เพียง 9.7 ล้านหุ้น และวันเดียวกันนั้นดัชนีของกระดานที่หุ้นตัวนี้เข้าซื้อขายกลับร่วง 7.2% คือเงินไหลเข้าหุ้นตัวนี้ตัวเดียวขณะที่ตลาดรวมถูกเทขาย

ข้อควรระวังคือตัวเลขที่สื่อแต่ละเจ้าใช้ต่างกันมาก บางเจ้าพาดหัวด้วย 629% ซึ่งเป็นราคาตอนเปิด บางเจ้าใช้ 460% ซึ่งเป็นราคาปิด และมีเจ้าที่รายงานตัวเลขที่สามด้วย ส่วนกำไรปี 2025 ของบริษัทก็รายงานไม่ตรงกันระหว่าง 278 ล้านหยวนกับ 600 ล้านหยวน ต่างกันเกินเท่าตัว

▲ ทำไมต้องรู้ · เวลาเห็นตัวเลขเปอร์เซ็นต์ใหญ่ๆ ในข่าวหุ้นเทคโนโลยี สิ่งที่ต้องถามก่อนคือวัดจากจุดไหนถึงจุดไหน เพราะราคาเปิดกับราคาปิดของวันเดียวกันให้ตัวเลขที่ต่างกันเกือบสองร้อยจุด นี่เป็นทักษะเดียวกับที่ใช้อ่านคะแนนเบนช์มาร์กของโมเดล AI คือดูให้ออกว่าตัวเลขที่ยกมาเป็นค่าดีที่สุดหรือค่าที่เกิดจริงเมื่อจบงาน

SCMP · Fortune · Caixin Global

เมื่อสามวันก่อนเรื่องนี้ยังเป็นรายงานของสื่อที่อ้างแหล่งข่าวไม่เปิดเผยชื่อ ของที่เปลี่ยนคือเมื่อวันที่ 19 ส.ค. ทั้งสองบริษัทออกประกาศของตัวเองพร้อมกัน โดยฝั่งผู้ซื้อใช้ถ้อยคำว่าตกลงจะเข้าซื้อ ไม่ใช่ซื้อเสร็จแล้ว

สถานะที่ประกาศระบุไว้เองคือ "The transaction is subject to customary closing conditions. We expect to close in the coming weeks" คือยังต้องผ่านเงื่อนไขปิดดีลตามปกติและคาดว่าจะจบในไม่กี่สัปดาห์ ส่วนคำมั่นที่ให้กับผู้ใช้คือ "OpenRouter will continue to operate as it is: same mission, same name, same product, same roadmap"

ตัวเลขที่อธิบายว่าทำไมดีลนี้ถึงใหญ่คือฝั่งผู้ถูกซื้อระบุว่าส่งผ่านโทเคนเกินสิบล้านล้านโทเคนต่อวัน จากโมเดลกว่า 400 ตัว ให้นักพัฒนาและบริษัทกว่าสิบล้านราย ส่วนฝั่งผู้ซื้อระบุว่าโมเดลกว่า 400 ตัวนั้นมาจากผู้ให้บริการกว่า 80 ราย

ข้อควรระวังที่สำคัญที่สุดคือมูลค่าดีล ไม่มีประกาศฉบับไหนระบุตัวเลขเลย ส่วนที่สื่อรายงานกันไปคนละตัว ตั้งแต่มากกว่า 7,000 ล้านดอลลาร์ ไปจนถึงมากกว่า 8,000 ล้าน และมีรายงานที่ระบุ 7,500 ล้าน ทั้งหมดมาจากแหล่งข่าวที่ไม่เปิดเผยชื่อ จึงยังไม่ใช่ตัวเลขที่ยืนยันได้

▲ ทำไมต้องรู้ · บริการตัวกลางแบบนี้คือชั้นที่หลายทีมใช้สลับโมเดลโดยไม่ต้องแก้โค้ด ซึ่งแปลว่าคำสั่งและข้อมูลของงานทั้งหมดวิ่งผ่านคนกลางรายนี้ ทีมที่พึ่งบริการแบบนี้อยู่ควรถือเรื่องนี้เป็นจังหวะทบทวนสองข้อ คือข้อมูลของเราวิ่งผ่านใครบ้าง และถ้าวันหนึ่งเงื่อนไขหรือราคาเปลี่ยน เราย้ายออกได้เร็วแค่ไหน

OpenRouter · Stripe · TechCrunch · SiliconANGLE

เดือน ก.ค. มีรายงานว่า Nvidia กำลังพิจารณาค้ำประกันศูนย์ข้อมูลของ OpenAI ที่รัฐโอไฮโอเป็นวงเงินราว 250,000 ล้านดอลลาร์ จากนั้นกลางเดือนนี้มีรายงานว่าตัวเลขลดเหลือต่ำกว่า 120,000 ล้าน

ตัวเลขที่ปรากฏในเอกสารที่บริษัทยื่นต่อหน่วยงานกำกับหลักทรัพย์เมื่อวันที่ 17 ส.ค. คือ 105,000 ล้านดอลลาร์ ต่างจากตัวเลขแรกที่สื่อรายงานราว 145,000 ล้าน คือเอกสารทางการระบุไว้ไม่ถึงครึ่งของสิ่งที่เคยเป็นข่าว

บริบทที่ทำให้เรื่องนี้มีน้ำหนักคือตอนที่ตัวเลข 250,000 ล้านออกมาเป็นข่าว หุ้นของผู้ค้ำเองร่วงราว 4.5% ระหว่างวัน จากความกังวลว่าผู้ผลิตชิปกำลังค้ำเงินให้ลูกค้ามาซื้อของตัวเอง

▲ ทำไมต้องรู้ · ตัวเลขการลงทุนมหาศาลในวงการ AI ที่เราเห็นในข่าวรายวัน จำนวนมากมาจากรายงานที่อ้างแหล่งข่าวไม่เปิดเผยชื่อ ไม่ใช่จากเอกสารที่บริษัทต้องรับผิดชอบทางกฎหมาย เคสนี้ให้กฎง่ายๆ ที่ใช้ได้ทุกครั้ง คือรอเอกสารทางการก่อนเอาตัวเลขไปใช้ในสไลด์หรือแผนธุรกิจ เพราะช่องว่างระหว่างสองแหล่งนี้กว้างได้ถึงสองเท่าครึ่ง

Fortune

Pew Research Center เผยแพร่ผลสำรวจเมื่อวันที่ 18 ส.ค. เก็บข้อมูลระหว่างวันที่ 22 ถึง 28 มิ.ย. จากผู้ใหญ่ในสหรัฐ 3,488 คน โดยถ้อยคำในรายงานคือ "52% of Americans say they are more concerned than excited about the increased use of AI in daily life – up from 37% in 2021"

ตัวเลขที่แรงกว่าคือเรื่องงาน รายงานระบุว่า "71% of adults think AI will lead to fewer jobs in the United States over the next two decades, up from 64% in 2024" และมีเพียง 5% ที่คิดว่า AI จะทำให้มีงานเพิ่มขึ้น

จุดที่เปลี่ยนจากปีก่อนชัดที่สุดคือกลุ่มอายุต่ำกว่า 30 ปี ซึ่งข้ามเส้นครึ่งหนึ่งเป็นครั้งแรกที่ 55% กังวลมากกว่าตื่นเต้น และ 73% คาดว่างานจะหายไป ซึ่งกลับด้านจากภาพจำที่ว่าคนรุ่นใหม่รับเทคโนโลยีใหม่ได้ง่ายกว่า

▲ ทำไมต้องรู้ · หัวหน้าทีมที่กำลังจะประกาศนำ AI มาใช้ในองค์กร กำลังคุยกับคนที่มีชุดความรู้สึกแบบนี้อยู่ในหัว ตัวเลขนี้บอกว่าการเปิดตัวด้วยข้อความว่าเครื่องมือนี้จะช่วยให้ทำงานได้เร็วขึ้น มักไปชนกับคำถามที่คนคิดอยู่จริงว่าแล้วตำแหน่งฉันจะยังอยู่ไหม การตอบคำถามหลังตรงๆ ตั้งแต่วันแรกได้ผลกว่าการเลี่ยงไปพูดเรื่องประสิทธิภาพอย่างเดียว

Pew Research Center · The Register · TechCrunch