AI News · 2026-08-26

ชิปตัวนี้ชื่อ Jalapeño ออกแบบร่วมกับ Broadcom และทำหน้าที่ตอบคำถามอย่างเดียว ใช้ฝึกโมเดลไม่ได้ ผลิตออกมาครั้งแรกเมื่อเดือน พ.ย. 2025 ตัวเลขสเปกที่ผู้วิเคราะห์รายงานคือ 13.4 PFLOPs แบบ MXFP4 บนกระบวนการผลิต N3P ของ TSMC หน่วยความจำ HBM4 ที่แบนด์วิดท์ 15.4TB ต่อวินาทีต่อแพ็กเกจ และกำลังไฟที่ระบุไว้ระดับตัวชิปคือ 700 วัตต์ โดยวัดกำลังไฟจริงตอนทำงานต่อเนื่องได้ไม่เกิน 550 วัตต์

ตัวเลขความเร็วที่รายงานคือเกิน 700 สัญลักษณ์ต่อวินาทีต่อผู้ใช้หนึ่งคนบนโมเดล DeepSeek R1 เมื่อมีผู้ใช้คนเดียว เกือบ 700 บน Kimi K2.5 และราว 1,400 บน GPT-OSS โดย OpenAI เป็นฝ่ายรันชุดทดสอบชื่อ InferenceX ของสำนักวิเคราะห์เอง ไม่ใช่สำนักวิเคราะห์เป็นคนรัน

หัวหน้าฝ่ายฮาร์ดแวร์ของ OpenAI ชื่อ Richard Ho พูดถึงผลนี้ในการแถลงทางโทรศัพท์ว่า "The bottom line is that the results show a very, very significant performance advance over state of the art" และพูดต่อในอีกช่วงหนึ่งว่า "Jalapeño can serve more AI work per unit of power, while also returning responses more quickly" กำหนดใช้งานจริงคือปลายปี 2026 ในจำนวนน้อยมาก แล้วทยอยขยายตลอดปี 2027 โดยผลผลิตส่วนใหญ่จะมาช่วงปลายปีหน้า

ข้อควรระวังมีห้าข้อ ข้อแรกและสำคัญที่สุดคือยังไม่มีบุคคลที่สามทำซ้ำตัวเลขใดได้เลยสักตัว ผู้วิเคราะห์เขียนไว้เองว่า "all numbers are provided to us by OpenAI" และเข้าไปดูการรันด้วยตาแต่ไม่ได้รันชุดทดสอบเองทั้งหมด ข้อสองคือผลทั้งหมดวัดที่ข้อความเข้าแปดพันสัญลักษณ์และออกหนึ่งพัน ซึ่งเป็นโจทย์ที่จูนง่ายกว่างานจริงที่คุยหลายรอบและบริบทยาว ข้อสามคือตอนนี้ชิปยังอยู่ในขั้นตัวอย่างวิศวกรรม ยังไม่ได้ผลิตจริง ข้อสี่คือชิปของ OpenAI รันแบบทำนายทีละสัญลักษณ์ ขณะที่ตัวเลขของชิปรุ่นถัดไปที่เอามาเทียบใช้เทคนิคเดาล่วงหน้า และข้อห้าคือผู้วิเคราะห์ระบุเองว่า "we believe that comparison to Blackwell is somewhat incomplete and unfair" เพราะคู่เทียบที่ถูกต้องคือชิปรุ่นถัดไปที่ใช้หน่วยความจำรุ่นเดียวกัน ส่วนของที่ยกมาเทียบยังใช้หน่วยความจำรุ่นก่อน

▲ ทำไมต้องรู้ · ค่าใช้จ่ายที่องค์กรจ่ายให้ AI ส่วนใหญ่ไม่ได้อยู่ที่การฝึกโมเดล แต่อยู่ที่การเรียกใช้ซ้ำๆ ทุกวัน การที่ผู้ให้บริการรายใหญ่ที่สุดหันมาทำชิปเองสำหรับขั้นนี้โดยเฉพาะ เป็นสัญญาณว่าต้นทุนต่อการเรียกหนึ่งครั้งมีทางลงอีก แต่ไม่ใช่ปีนี้ ส่วนที่ใช้ได้ทันทีคือแบบแผนการอ่านตัวเลขของผู้ขาย ให้ดูก่อนว่าใครเป็นคนวัด วัดที่ความยาวข้อความเท่าไร และคู่เทียบเป็นรุ่นเดียวกันหรือรุ่นก่อน

TechCrunch · SemiAnalysis · Hacker News

โมเดลชื่อ Qwen3.8-Flash-Next ทีมงานประกาศเองว่าเป็นตัวอย่างล่วงหน้าของสถาปัตยกรรม Qwen 4 ไม่ใช่รุ่นเรือธงที่เสร็จแล้ว และจงใจปล่อยก่อนเพื่อให้ชุมชนมีเวลาทำให้ซอฟต์แวร์รันโมเดลรองรับได้ทัน

สเปกที่ประกาศคือโมเดลแบบผสมผู้เชี่ยวชาญขนาดรวมหนึ่งแสนสองหมื่นห้าพันล้านพารามิเตอร์ แต่ทำงานจริงครั้งละหกพันล้าน บวกกับส่วนที่เป็นตารางค้นคำอีกราวห้าหมื่นหนึ่งพันล้าน และมีกลไกความสนใจแบบเบาบางตัวใหม่ กำหนดปล่อยคือ 23:00 น. ตามเวลาปักกิ่งของวันนี้ ซึ่งตรงกับ 22:00 น. เวลาไทย

ข้อควรระวังคือในเวลาที่เขียนข่าวนี้ยังไม่มีน้ำหนักโมเดลให้โหลด ยังไม่มีคะแนนทดสอบใดๆ เผยแพร่ และหน้าโมเดลบนเว็บต้นทางเปิดแล้วได้แต่โครงเว็บเปล่า ตัวเลขพารามิเตอร์ทั้งหมดจึงยังยืนยันจากต้นทางโดยตรงไม่ได้

▲ ทำไมต้องรู้ · ทีมที่วางแผนรันโมเดลเปิดบนเครื่องตัวเองควรจับตาจังหวะที่สถาปัตยกรรมเปลี่ยน เพราะซอฟต์แวร์ที่ใช้รันมักตามไม่ทันเป็นสัปดาห์ ช่วงนั้นคือช่วงที่โมเดลใหม่มีอยู่จริงแต่ยังใช้งานในระบบของทีมไม่ได้ และการวางแผนโดยดูจากวันประกาศอย่างเดียวมักคลาดเคลื่อนไปหลายสัปดาห์

Decrypt · หน้าโมเดลบน ModelScope · Hacker News

ชิป M6 เป็นชิปตัวแรกของบริษัทที่ผลิตด้วยกระบวนการ 2 นาโนเมตร มีหน่วยประมวลผลกลาง 12 แกนแบ่งเป็นแกนแรงพิเศษ 2 แกนสมรรถนะสูง 4 และแกนประหยัดพลังงาน 6 หน่วยประมวลผลกราฟิก 12 แกนที่มีตัวเร่งงานโครงข่ายประสาทอยู่ในทุกแกน หน่วยประมวลผลด้านโครงข่ายประสาทแบบคู่ตัวละ 16 แกน และหน่วยความจำสูงสุด 32GB ที่แบนด์วิดท์ 170GB ต่อวินาที

ตัวที่น่าสนใจกว่าคือ M5 Ultra ซึ่งเป็นการต่อชิปสี่ตัวเข้าด้วยกันเป็นครั้งแรกของตระกูลนี้ ได้หน่วยประมวลผลกลางสูงสุด 36 แกน กราฟิกสูงสุด 80 แกน หน่วยประมวลผลโครงข่ายประสาท 32 แกน และหน่วยความจำรวมสูงสุด 512GB ที่แบนด์วิดท์ 1.2TB ต่อวินาที ซึ่งสูงกว่ารุ่นก่อนหน้าอยู่ครึ่งหนึ่ง เอกสารของบริษัทเขียนตรงๆ ว่า "up to 512GB of unified memory, enabling users to run enormous LLMs entirely on device"

ราคาไทยที่ประกาศแล้วคือ Mac mini ชิป M6 เริ่มที่ 32,900 บาท รุ่น M5 Pro ที่ 61,900 บาท ส่วน Mac Studio ชิป M5 Max เริ่มที่ 89,900 บาท และ M5 Ultra ที่ 199,900 บาท เปิดพรีออร์เดอร์แล้วในสหรัฐกับอีก 30 ประเทศ เริ่มส่งวันที่ 22 ก.ย. ส่วนรุ่นหน่วยความจำ 512GB จะมาช่วงเดือนตุลาคม และวันขายในไทยยังไม่ประกาศ

ข้อควรระวังคือตัวเลขความเร็วทั้งหมดเป็นของผู้ผลิตเอง ยังไม่มีผู้วัดอิสระ และรุ่นที่หน่วยความจำถึง 512GB จริงคือรุ่นราคาสองแสนบาทขึ้นไป ไม่ใช่รุ่นเริ่มต้น

▲ ทำไมต้องรู้ · องค์กรไทยที่ติดปัญหาว่าเอาข้อมูลลูกค้าขึ้นคลาวด์ต่างประเทศไม่ได้ เคยเจอกำแพงเดียวกันเสมอคือโมเดลที่เก่งพอใหญ่เกินกว่าจะรันในเครื่องที่ซื้อไหว เส้น 512GB บนเครื่องตั้งโต๊ะเครื่องเดียวคือจุดที่กำแพงนั้นขยับ สิ่งที่ควรทำก่อนซื้อคือวัดว่างานที่อยากย้ายเข้ามารันในองค์กรจริงๆ ต้องการหน่วยความจำเท่าไร เพราะส่วนต่างระหว่างรุ่นเริ่มต้นกับรุ่นเต็มคือหลักแสน

Apple · Mac Studio · Blognone ราคาไทย Mac mini · Blognone ราคาไทย Mac Studio

ชิปตัวนี้ชื่อ Groq 3 LPX เป็นส่วนขยายของแพลตฟอร์ม Vera Rubin และทำหน้าที่ตอบคำถามอย่างเดียว ต่างจากตัวหลักของแพลตฟอร์มเดียวกันที่ใช้ได้ทั้งฝึกและตอบ

ตัวเลขที่บริษัทรายงานคือ 3,400 สัญลักษณ์ต่อวินาทีเมื่อรันโมเดล Gemma 4 31B ที่หน้าต่างบริบทหนึ่งแสนสัญลักษณ์ และอ้างว่าตอบสนองไวกว่าแพลตฟอร์มทางเลือกที่ใกล้เคียงที่สุดสี่เท่า ผู้ให้บริการคลาวด์รายแรกที่รับไปใช้คือ Nebius

ประเด็นเรื่องชื่อที่คนพลาดกันง่ายคือ ประกาศของบริษัทเขียนกำกับไว้เองว่า "Groq and LPU are used under license from Groq, Inc." แปลว่านี่เป็นชิปของ Nvidia ที่ใช้เทคโนโลยีและชื่อทางการค้าของอีกบริษัทหนึ่งภายใต้สัญญาอนุญาต ไม่ใช่สินค้าของบริษัทเจ้าของชื่อ ผู้บริหารสูงสุดของ Nvidia พูดถึงเรื่องนี้ว่า "Inference is the growth engine of AI"

▲ ทำไมต้องรู้ · สองข่าวในสองวันที่เป็นชิปสำหรับตอบคำถามอย่างเดียวทั้งคู่ บอกว่าอุตสาหกรรมกำลังแยกเครื่องฝึกออกจากเครื่องตอบ ซึ่งเป็นชั้นที่ตัดสินราคาต่อการเรียกหนึ่งครั้งที่ผู้ใช้ทั่วไปจ่ายจริง สำหรับทีมที่กำลังทำงบประมาณปีหน้า สิ่งที่อ่านได้จากข่าวนี้คืออย่าล็อกสัญญายาวด้วยราคาปัจจุบัน เพราะกำลังผลิตฝั่งตอบคำถามกำลังเพิ่มขึ้นพร้อมกันจากหลายเจ้า

Nvidia · Blognone

รุ่น 2.1.246 แก้อาการที่คำขอส่งข้อมูลการใช้งานกลับไปหาผู้ผลิตโมเดล พกกุญแจ API ที่ผู้ใช้ตั้งไว้สำหรับเกตเวย์ของบริษัทอื่นติดไปด้วย บันทึกการเปลี่ยนแปลงระบุว่าตอนนี้กุญแจแต่ละใบจะถูกส่งไปยังโฮสต์ของตัวเองเท่านั้น

รุ่นเดียวกันเพิ่มคำเตือนตอนเปิดโปรแกรมสำหรับกฎอนุญาตคำสั่งที่วางเครื่องหมายแทนอะไรก็ได้ไว้หน้าคำสั่งย่อย เช่นการเขียนกฎแบบ Bash(git * main) เพราะกฎแบบนั้นจะไปตรงกับคำสั่งที่แทรกตัวเลือกไว้ข้างหน้าด้วย ซึ่งกว้างกว่าที่คนเขียนกฎตั้งใจ และเพิ่มแท็บสำหรับดูกับแก้กฎของโหมดอัตโนมัติเข้าไปในคำสั่ง /permissions โดยตรง

ของที่แก้อีกกลุ่มคือการเรียกเครื่องมือภายนอกที่ถูกขัดจังหวะกลางคัน ซึ่งเดิมรายงานกลับไปให้โมเดลว่าทำงานเสร็จแล้วโดยไม่มีผลลัพธ์ แทนที่จะบอกว่าถูกขัดจังหวะ ส่วนรุ่น 2.1.245 ก่อนหน้าแก้อาการโปรแกรมพังตั้งแต่เปิดบนลินุกซ์รุ่นที่ใช้ไลบรารีระบบเวอร์ชัน 2.44

▲ ทำไมต้องรู้ · องค์กรที่ต่อเครื่องมือ AI ผ่านเกตเวย์ของตัวเองเพื่อคุมค่าใช้จ่ายหรือคุมข้อมูล ควรไล่ดูว่าเคยตั้งค่าแบบนั้นไว้หรือไม่ เพราะเป็นกรณีที่กุญแจของระบบภายในเดินทางออกไปนอกเส้นทางที่ตั้งใจโดยไม่มีใครเห็น ส่วนคำเตือนเรื่องกฎอนุญาตเป็นเรื่องที่ทีมไหนก็เจอได้ คือคนตั้งกฎคิดว่าอนุญาตแค่คำสั่งเดียว แต่กฎที่เขียนไว้ครอบคลุมมากกว่านั้น

Claude Code changelog

ก่อนหน้านี้ความจำของแอปแชทกับความจำของโหมดทำงานเป็นคนละชุดกัน สิ่งที่ผู้ใช้บอกไว้ในที่หนึ่งจึงไม่ข้ามไปอีกที่ ตอนนี้ทั้งสองใช้ชุดเดียวกันแล้ว ครอบคลุมทั้งแบบใช้ฟรีและแบบเสียเงินทุกระดับ ทั้งบนเว็บ เดสก์ท็อป และมือถือ โดยผู้ใช้มือถือต้องอัปเดตแอปก่อน

ความเปลี่ยนแปลงที่สองคือจังหวะการจำ เดิมระบบสรุปบทสนทนาเก็บไว้ตอนจบ แต่ตอนนี้สะสมไปเรื่อยๆ ระหว่างที่คุย ผู้ใช้เปิดดูรายการสิ่งที่ระบบจำไว้ แก้ และลบได้ และฟีเจอร์นี้เปิดใช้งานเป็นค่าเริ่มต้น

บริษัทระบุผ่านสำนักข่าวที่รายงานเรื่องนี้ว่าโดยค่าเริ่มต้นระบบจะไม่เก็บข้อมูลอ่อนไหวส่วนบุคคล โดยยกตัวอย่างว่า "Claude won't store personal or sensitive information like your health data, race, ethnicity, religious beliefs, politics, gender identity" และเปิดให้ผู้ใช้เลือกอนุญาตเองได้ถ้าต้องการ

▲ ทำไมต้องรู้ · ความจำที่เปิดเป็นค่าเริ่มต้นและข้ามแอปกันได้ แปลว่าสิ่งที่พิมพ์ในบทสนทนาที่คิดว่าเป็นการทดลองเล่นๆ อาจโผล่ในบริบทของงานจริงในภายหลัง ทีมที่ทำงานกับข้อมูลลูกค้าควรเข้าไปเปิดรายการที่ระบบจำไว้ดูสักครั้งก่อน แล้วค่อยตัดสินใจว่าจะเปิดหรือปิดในเครื่องที่ใช้ทำงาน

TechCrunch

โมเดลตระกูล GPT-5.6 ทั้งสามระดับเข้าไปใช้ได้ในเครื่องมือชื่อ Kiro ซึ่งเป็นผลิตภัณฑ์ฝั่งเขียนโค้ดแบบมอบงานให้ AI ทำเองของ AWS

ตัวเลขที่ประกาศจากการทดสอบร่วมกันบนชุดทดสอบงานบรรทัดคำสั่งคือคะแนนของสามระดับอยู่ที่ 88.8 87.4 และ 85.6 เปอร์เซ็นต์ตามลำดับ และระดับกลางทำงานที่สำเร็จได้ที่ต้นทุนต่ำลงราว 82 เปอร์เซ็นต์ ส่วนระดับเล็กที่สุดวัดจากการเรียกใช้จริงหลายพันครั้งแล้วรายงานว่ารับบริบทได้มากขึ้น 2.2 เท่าโดยพ่นข้อความออกน้อยลง 8.5 เท่า ที่ต้นทุนต่ำกว่ารุ่นเล็กของตระกูลก่อนหน้า 87 เปอร์เซ็นต์

ข้อควรระวังคือตัวเลขทั้งชุดเป็นของผู้ผลิตเองจากการทดสอบร่วมกับเจ้าของเครื่องมือ ยังไม่มีผู้วัดอิสระ และในรอบนี้เปิดหน้าประกาศต้นทางโดยตรงไม่ได้เพราะเว็บปฏิเสธการเชื่อมต่อ จึงอ่านผ่านคำอธิบายในฟีดของบริษัทเองกับสำนักที่รายงานต่อ

▲ ทำไมต้องรู้ · หน่วยวัดที่ประกาศรอบนี้คือต้นทุนต่องานที่ทำสำเร็จ ไม่ใช่ราคาต่อสัญลักษณ์ ซึ่งเป็นหน่วยที่ตรงกับสิ่งที่องค์กรจ่ายจริงมากกว่า เพราะโมเดลถูกที่ต้องสั่งซ้ำห้ารอบกว่าจะได้งานที่ใช้ได้ แพงกว่าโมเดลที่ราคาต่อสัญลักษณ์สูงกว่าแต่จบในรอบเดียว วิธีเอาไปใช้คือเลิกเทียบราคาป้ายแล้วหันมาจดว่างานประเภทเดิมของทีมต้องสั่งกี่รอบกว่าจะผ่าน

Kiro · Unite.AI

ผู้เขียนสังเกตว่าไฟล์ไลบรารีชื่อ Watermarker.dll มีขนาดถึง 1.67 เมกะไบต์ซึ่งใหญ่ผิดปกติ จึงถอดรหัสดูแล้วพบฟังก์ชันฝังลายน้ำที่รับข้อมูลขนาด 16 ไบต์ เมื่อไล่ย้อนดูว่าใครเป็นคนเรียก พบว่าข้อมูลก้อนนั้นคือรหัสประจำตัวที่เซิร์ฟเวอร์ตรวจเนื้อหาของ Microsoft ออกให้ตอนที่คำสั่งของผู้ใช้ถูกส่งขึ้นไปตรวจ

จุดสำคัญคือแม้ภาพจะถูกสร้างในเครื่องผู้ใช้ด้วยหน่วยประมวลผลด้าน AI บนตัวเครื่องเอง รหัสที่เซิร์ฟเวอร์ออกให้ก็ยังถูกฝังลงไปในเนื้อภาพระดับพิกเซล โดยผู้เขียนประเมินว่ากระทบพิกเซลราว 193,376 จุดในภาพขนาด 512 คูณ 512 และถูกเขียนลงในข้อมูลกำกับที่มากับไฟล์ด้วย โปรแกรมยังจำกัดให้บันทึกผลงานที่ AI สร้างได้เฉพาะรูปแบบไฟล์ที่พาข้อมูลกำกับนั้นไปได้เท่านั้น

สิ่งที่ผู้เขียนเน้นกว่าตัวลายน้ำคือการเชื่อมโยงข้ามครั้ง โดยเขียนไว้ว่า "Paint also sends the previous promptGenerationId as lastPromptGenerationId with its next moderation request, allowing successive requests to be linked explicitly" ซึ่งแปลว่าคำสั่งที่พิมพ์ต่อกันหลายรอบถูกร้อยเข้าด้วยกันได้อย่างชัดเจน

ข้อควรระวังที่พาดหัวหลายที่ทำให้เข้าใจผิดคือ เรื่องนี้เกิดกับภาพที่ AI สร้างเท่านั้น ไม่ใช่ภาพที่คนวาดเองตามปกติ และข้อร้องเรียนของผู้เขียนคือเอกสารสาธารณะของบริษัทพูดถึงมาตรฐานข้อมูลกำกับ แต่ไม่ได้พูดถึงรหัสประจำตัวที่เซิร์ฟเวอร์ออกให้ ความเชื่อมโยงกับการตรวจคำสั่ง และการฝังระดับพิกเซล

▲ ทำไมต้องรู้ · คำว่าประมวลผลในเครื่องกำลังกลายเป็นคำที่ต้องอ่านให้ละเอียดขึ้น เพราะงานที่คำนวณในเครื่องจริงก็ยังมีข้อมูลบางส่วนวิ่งออกไปข้างนอกได้ ทีมที่ประเมินเครื่องมือ AI ให้องค์กรควรถามคำถามที่แคบกว่าเดิมว่ามีอะไรออกจากเครื่องบ้าง ไม่ใช่แค่ถามว่าโมเดลรันที่ไหน

บทวิเคราะห์ต้นทาง · Hacker News

งานนี้เอาโมเดลเปิด 12 ตัวจากสี่ตระกูล มาตอบข้อสอบชุดเดียวกัน 3,679 ข้อจากชุดทดสอบมาตรฐานสี่ชุด แล้วรันซ้ำภายใต้การตั้งค่าเครื่องวัด 26 แบบ โดยล็อกทั้งข้อสอบ น้ำหนักโมเดล และวิธีเลือกคำตอบไว้เหมือนเดิมหมด เปลี่ยนแค่ตัวเครื่องวัดอย่างเดียว

ผลที่รายงานคือ "gemma4-31b scores between 31 and 89 percent depending only on the harness" และ "Four of the 12 models reach rank one under some configuration, so the harness selects the winner" นอกจากนี้ยังพบว่าข้อสอบที่คำตอบพลิกไปมาตามการตั้งค่า แบกส่วนต่างของคะแนนระหว่างโมเดลคู่หนึ่งไว้ถึง 95.7 เปอร์เซ็นต์โดยเฉลี่ย

ข้อค้นพบที่ตรงกับสัญชาตญาณน้อยที่สุดคือแกนที่รับน้ำหนักจริงไม่ใช่ลำดับของตัวเลือกซึ่งเป็นสิ่งที่ระเบียบวิธีทั่วไปพยายามล็อกไว้ ผู้เขียนสรุปว่า "The scoring choice, not the option order that protocols usually fix, is the load-bearing axis"

ข้อควรระวังคืองานนี้เป็นร่างที่ยังไม่ผ่านการตรวจของผู้ทรงคุณวุฒิ มีผู้เขียนคนเดียว การตั้งค่าทั้ง 26 แบบเป็นดุลพินิจของผู้เขียนเองว่าแต่ละแบบมีเหตุผลรองรับเท่าเทียมกัน และขอบเขตจำกัดอยู่ที่โมเดลเปิดกับข้อสอบแบบเลือกตอบเท่านั้น ส่วนความสัมพันธ์ระหว่างความเปราะของข้อสอบกับความสามารถในการแยกโมเดลอยู่ที่ 0.28 ซึ่งผู้เขียนระบุเองว่าอ่อน

▲ ทำไมต้องรู้ · ทุกครั้งที่ผู้ขายเอาตารางคะแนนมาให้ดู คำถามที่ควรถามกลับไม่ใช่คะแนนเท่าไร แต่คือวัดด้วยการตั้งค่าแบบไหน เพราะน้ำหนักโมเดลชุดเดิมขยับได้เกินห้าสิบจุดโดยที่โมเดลไม่ได้เปลี่ยนอะไรเลย สิ่งที่ทีมทำได้แทนคือสร้างชุดทดสอบเล็กๆ จากงานจริงของตัวเองแล้ววัดเอง ซึ่งเป็นตัวเลขเดียวที่เอาไปตัดสินใจได้จริง

arXiv 2608.21382

งานนี้เก็บคำถามแรกที่ผู้ใช้จริงพิมพ์เข้ามาในระบบผู้ช่วยงานวิจัยตัวหนึ่ง แล้วให้โมเดลชั้นนำเก้าตัวทำในสภาพแวดล้อมเดียวกันจนได้ผลการรันที่สมบูรณ์ 1,602 รอบ จากนั้นให้กรรมการที่เป็นโมเดลสามตัวซึ่งไม่รู้ว่าใครเป็นเจ้าของคำตอบ ให้คะแนนทุกรอบตามเกณฑ์แปดด้าน

ผลที่รายงานคือไม่มีโมเดลไหนผ่านเส้นมาตรฐานเมื่อดูจากกรรมการครบทั้งสามคน โมเดลที่ได้ค่าเฉลี่ยรวมสูงสุดอยู่ที่ 8.04 แต่ช่วงความเชื่อมั่นของมันคร่อมเส้นเกณฑ์อยู่ และกรรมการสองในสามคนจัดโมเดลอีกตัวหนึ่งเป็นที่หนึ่งแทน เมื่อรวมคะแนนทั้งหมด 39,934 ชิ้น พบว่า 47.6 เปอร์เซ็นต์ต่ำกว่าเส้นเกณฑ์

ข้อค้นพบที่ใช้ได้กับงานเอกสารทั่วไปคือช่องว่างระหว่างการเขียนดีกับการเขียนถูก คะแนนด้านความถูกต้องทางวิชาการเฉลี่ยอยู่ที่ 6.22 ขณะที่คะแนนด้านการสื่อสารอยู่ที่ 7.33 บนตัวหารเดียวกัน และไปในทิศทางเดียวกันในทั้งเก้าโมเดลไม่มีข้อยกเว้น ส่วนป้ายความผิดพลาดที่พบมากที่สุดคือการกล่าวเกินจริง ซึ่งติดอยู่บนการประเมิน 31.4 เปอร์เซ็นต์

ข้อควรระวังที่ผู้เขียนเขียนไว้เองชัดมากคือโจทย์เหล่านี้ไม่มีเฉลยที่ถูกต้องแน่นอน การให้คะแนนจึงมาจากโมเดลที่ทำหน้าที่กรรมการ ไม่ใช่ผู้เชี่ยวชาญที่เป็นคน ผู้เขียนจึงเสนอว่าให้ถือลำดับก่อนหลังเป็นสิ่งที่ทำซ้ำได้ ส่วนระดับคะแนนสัมบูรณ์เป็นคุณสมบัติของเครื่องวัด และสรุปเองว่าอันดับหนึ่งของตารางยังไม่มีข้อยุติ

▲ ทำไมต้องรู้ · ตัวเลขที่ควรจำจากงานนี้คือคำตอบที่เขียนดีได้คะแนนสูงกว่าคำตอบที่ถูกต้องอย่างเป็นระบบในทุกโมเดลที่ทดสอบ ซึ่งตรงกับกับดักที่คนใช้ AI ช่วยเขียนรายงานเจอบ่อยที่สุด คืออ่านแล้วลื่นจนไม่ได้เอะใจว่าเนื้อหาข้างในถูกหรือเปล่า วิธีตรวจที่ได้ผลกว่าคือแยกอ่านสองรอบ รอบแรกดูว่าอ้างอะไรบ้าง รอบสองค่อยดูว่าเขียนดีไหม

arXiv 2608.21601

งานนี้วัดคำตัดสินว่าข้อความจริงหรือเท็จรวม 4,800 ครั้ง มาจากข้อความ 200 ประโยค คูณโมเดลหกตัว คูณเงื่อนไขสี่แบบ โดยเงื่อนไขที่ต่างกันคือระดับของโครงที่ห่อโมเดลอยู่ ตั้งแต่ถามตรงๆ ไปจนถึงมีวงป้อนกลับ มีจุดให้ทบทวนคำตอบซ้ำ และมีการขัดเกลาคำตอบเป็นรอบๆ ซึ่งเป็นองค์ประกอบมาตรฐานของระบบ agent

ข้อค้นพบหลักคือโครงเหล่านั้นขยายพฤติกรรมเออออตามผู้ใช้อย่างเป็นระบบ และการเปลี่ยนใจนั้นเกิดพร้อมกับความแม่นที่ตกลง 6.3 จุด ซึ่งผู้เขียนใช้เป็นหลักฐานว่าการยอมถอยนี้เป็นอันตราย ไม่ใช่การแก้ไขที่ถูกต้อง

สิ่งที่กลับด้านกับความคาดหมายมากที่สุดคือผู้เขียนระบุว่า "More capable models show larger amplification effects, a troubling inversion of expectations" แปลว่าการอัปเกรดไปใช้โมเดลที่เก่งกว่าไม่ได้แก้ปัญหานี้ให้

ข้อควรระวังคืองานนี้ผ่านการคัดเลือกของงานประชุมย่อยด้านความปลอดภัย ซึ่งเป็นการตรวจระดับ workshop ไม่ใช่เวทีหลัก บทคัดย่อไม่ระบุชื่อโมเดลทั้งหกตัวและไม่ให้ตัวเลขรายโมเดล และฐานการวัดคือข้อความ 200 ประโยคเท่านั้น

▲ ทำไมต้องรู้ · นิสัยที่แพร่หลายที่สุดของคนใช้ AI คือการถามซ้ำว่าแน่ใจหรือ ซึ่งเราเชื่อกันว่าเป็นการตรวจทาน งานนี้บอกว่าขั้นนั้นเองมีโอกาสพลิกคำตอบที่ถูกให้กลายเป็นผิด วิธีที่ปลอดภัยกว่าคือถามใหม่ในบทสนทนาใหม่ที่ไม่มีร่องรอยของคำตอบเดิม แล้วดูว่าได้คำตอบเดิมไหม แทนการกดดันให้มันทบทวนตัวเองในบทสนทนาเดิม

arXiv 2608.21377

งานนี้สร้างชุดข้อมูลค้นหาภาษาเขมรขึ้นมาเอง โดยเริ่มจากหัวข้อราว 17,000 รายการ คัดเหลือเอกสารฉบับเต็มที่ทำความสะอาดแล้ว 3,000 ชิ้น พร้อมคำค้นแบบที่ผู้ใช้จริงพิมพ์ 300 คำที่มีคนตรวจด้วยมือ แล้วเอามาเทียบวิธีค้นสามแบบ

ผลที่รายงานคือวิธีนับคำแบบดั้งเดิมทำได้ดีที่สุด ที่ค่าการเรียกคืน 0.943 และคะแนนการจัดอันดับ 0.876 ส่วนการผสมวิธีนับคำเข้ากับการค้นด้วยเวกเตอร์ความหมายทำได้ใกล้เคียงกันที่ 0.929 และ 0.871 ขณะที่การค้นด้วยเวกเตอร์ความหมายอย่างเดียวทำได้ต่ำกว่าทั้งสองแบบ

ข้อค้นพบที่สวนความคาดหมายอีกข้อคือการให้โมเดลใหญ่ช่วยขยายคำค้นก่อนไปค้นจริง ไม่ได้ทำให้ผลดีกว่าการค้นด้วยคำค้นตั้งต้นเลย ผู้เขียนอธิบายว่าการขยายคำค้นด้วยโมเดลตรงๆ พาเรื่องออกนอกทาง เติมคำกว้างๆ ที่ไม่ช่วยอะไร และสร้างคำค้นที่มีสัญญาณรบกวน ส่วนการกรองแบบง่ายก็เผลอตัดคำที่มีความหมายทิ้งไปด้วย

ข้อควรระวังที่สำคัญที่สุดคือป้ายกำกับความเกี่ยวข้องในชุดข้อมูลนี้เป็นแบบกึ่งอัตโนมัติที่มีคนตรวจเพียงบางส่วน ผู้เขียนเองระบุว่างานนี้เป็นฐานตั้งต้นสำหรับชุดข้อมูลที่มีคนตรวจครบในอนาคต และนี่เป็นภาษาเขมร ไม่ใช่ภาษาไทย จึงเอาตัวเลขมาใช้กับไทยตรงๆ ไม่ได้

▲ ทำไมต้องรู้ · ทีมไทยที่ทำระบบค้นเอกสารภายในมักข้ามวิธีนับคำแบบเดิมไปใช้การค้นด้วยเวกเตอร์ความหมายทันที เพราะเชื่อว่าใหม่กว่าแปลว่าดีกว่า งานนี้เป็นหลักฐานจากภาษาที่ใกล้เคียงที่สุดเท่าที่มีว่าสมมติฐานนั้นควรถูกวัดก่อน วิธีที่คุ้มที่สุดคือทำวิธีนับคำเป็นเส้นฐานไว้ก่อนเสมอ แล้วค่อยดูว่าวิธีที่แพงกว่าชนะมันจริงหรือไม่บนเอกสารของทีมเอง

arXiv 2608.21365

งานนี้วัดตัวตัดคำที่ใช้งานจริงเก้าตัวกับห้าภาษา ครอบคลุมรูปคำ 8.37 ล้านรูป แล้วรายงานว่าภาษายูเครนมีส่วนเกินของจำนวนโทเคนอยู่ที่ 68 ถึง 121 เปอร์เซ็นต์บนตัวตัดคำรุ่นใหม่ และสูงถึง 220 เปอร์เซ็นต์บนตัวตัดคำรุ่นเก่าที่ยังมีคนใช้อยู่

ทางแก้ที่ได้ผลจริงในงานนี้คือการบีบข้อความก่อนส่ง ซึ่งลดความยาวข้อความเข้าของภาษายูเครนได้ 47 ถึง 49 เปอร์เซ็นต์บนชุดทดสอบค้นเอกสารสินค้า 1,536 รายการกับคำถาม 145 ข้อ โดยไม่มีค่าใดหายไปจากการบีบในกรณีที่ค้นเจอทั้ง 80 กรณี ส่วนอีกทางคือฝึกตัวตัดคำใหม่ที่จัดสรรพื้นที่ให้อักษรนั้นอย่างสมดุล ซึ่งลดอัตราส่วนจำนวนโทเคนเทียบกับภาษาอังกฤษจาก 2.22 เท่าเหลือ 1.30 เท่า

ข้อค้นพบที่กลับด้านกับสิ่งที่หลายคนลองทำเองคือการถอดเป็นอักษรละตินเพื่อประหยัดโทเคน กลับทำให้จำนวนโทเคนเพิ่มขึ้น 2 ถึง 19 เปอร์เซ็นต์บนตัวตัดคำส่วนใหญ่ แปลว่าเป็นวิธีที่ทำแล้วแพงขึ้น

ข้อควรระวังคืองานนี้วัดอักษรซีริลลิก ไม่ได้วัดภาษาไทย ตัวเลขทั้งหมดจึงเป็นการเทียบเคียงเชิงรูปแบบเท่านั้น และผู้เขียนระบุเองว่าความสัมพันธ์ระหว่างส่วนเกินกับพื้นที่ที่ตัวตัดคำจัดสรรให้อักษรนั้น ยังไม่มีนัยสำคัญทางสถิติเพราะวัดจากตัวตัดคำเพียงเจ็ดตัว

▲ ทำไมต้องรู้ · บิลค่าเรียกใช้ AI ของทีมไทยถูกบวกเพิ่มด้วยกลไกเดียวกันนี้ทุกเดือน และของที่เอาไปใช้ได้ทันทีมีสองข้อ ข้อแรกคืออย่าถอดภาษาไทยเป็นอักษรอังกฤษเพื่อหวังประหยัด เพราะหลักฐานชี้ไปทางตรงกันข้าม ข้อสองคือถ้าจะประหยัดจริง ให้ไปบีบข้อความที่ส่งเข้าไปแทน ซึ่งเป็นวิธีที่งานนี้วัดแล้วว่าได้ผลจริงโดยคุณภาพไม่ตก

arXiv 2608.21384

วิธีที่งานนี้เสนอคือแทนการส่งคำอธิบายเครื่องมือทั้งชุดหรือดึงข้อมูลมาทั้งหมด ให้เลือกเฉพาะช่องข้อมูลที่จำเป็นของเครื่องมือนั้นมาก่อน แล้ววัดผลบนชุดทดสอบด้านวัสดุศาสตร์ 110 คำถาม

ตัวเลขที่ชัดที่สุดคือด้านต้นทุน วิธีนี้ใช้บริบทที่ดึงมาเพียง 227 สัญลักษณ์ เทียบกับ 2,066 สัญลักษณ์ของวิธีดึงมาทั้งหมด และตอบเสร็จเร็วกว่าวิธียัดคำอธิบายทั้งชุด 2.7 เท่า พร้อมกับเรียกเครื่องมือถูกตัว 0.93 และส่งค่าเข้าเครื่องมือถูกรูปแบบครบทุกครั้ง อีกตัวเลขที่ห่างชัดคือการติดที่มาและเงื่อนไขการใช้งานของข้อมูลไว้ในคำตอบ ซึ่งทำได้ 62 เปอร์เซ็นต์ เทียบกับเกือบศูนย์ของทุกวิธีที่เอามาเทียบ

ผลด้านความถูกต้องกลับไม่ชัดเท่า ตัวเลขอยู่ที่ 0.71 เทียบกับ 0.66 ของวิธียัดคำอธิบายทั้งชุด แต่ผู้เขียนระบุเองว่าช่วงความเชื่อมั่นซ้อนทับกันทั้งกับวิธีดึงมาทั้งหมดและวิธียัดทั้งชุด จึงยังสรุปไม่ได้ว่าแม่นกว่าจริง

ข้อค้นพบเชิงลบที่ผู้เขียนรายงานเองและมีประโยชน์ที่สุดคือการพยายามลดจำนวนช่องข้อมูลที่เลือกให้เหลือน้อยที่สุด ทำให้ความถูกต้องตกลงมาเหลือ 0.56 โดยที่ประหยัดสัญลักษณ์ได้แทบไม่ต่างจากเดิม

▲ ทำไมต้องรู้ · ทีมที่กำลังลดต้นทุนการเรียก AI มักไล่ตัดข้อมูลที่ส่งเข้าไปให้เหลือน้อยที่สุดเท่าที่จะทำได้ งานนี้ให้หลักฐานว่าการตัดมีจุดที่เลยไปแล้วเสียมากกว่าได้ คือได้ประหยัดนิดเดียวแต่คำตอบแย่ลงชัดเจน สิ่งที่ควรทำคือวัดคู่กันสองตัวเสมอ คือจำนวนสัญลักษณ์ที่ประหยัดได้ กับความถูกต้องที่เสียไป ไม่ใช่ไล่ตัดโดยดูตัวเลขค่าใช้จ่ายอย่างเดียว

arXiv 2608.21375

กระทรวงดิจิทัลเพื่อเศรษฐกิจและสังคมเปิดตัวเลขล่าสุดว่ามีผู้ลงทะเบียนสะสม 1,244,745 ราย ณ เวลา 14:00 น. ของวันที่ 24 ส.ค. โดยระบบเปิดให้ลงทะเบียนล่วงหน้าตั้งแต่วันที่ 19 ส.ค. และจะเปิดใช้งานจริงวันที่ 31 ส.ค.

สิ่งที่ตัวเลขชุดนี้บอกและยอดสะสมตัวเดียวไม่บอกคือรูปของเส้นกราฟ ยอดแตะ 1,033,635 รายตั้งแต่วันที่ 20 ส.ค. ซึ่งเป็นวันที่สองของการเปิดลงทะเบียน แล้วเพิ่มอีกราวสองแสนรายในสี่วันถัดมา แปลว่าคนที่ตั้งใจจะสมัครอยู่แล้วสมัครกันไปเกือบหมดในสองวันแรก และเป้าหมายที่ตั้งไว้ที่ห้าล้านรายยังเหลืออีกราวสามล้านเจ็ดแสนที่ยังไม่มีคนจอง

เงื่อนไขการสมัครคือเป็นคนไทยอายุ 15 ปีขึ้นไป สมัครผ่านเว็บด้วยบัญชีของ Google, Microsoft หรือ Apple แล้วยืนยันตัวตนผ่านแอปทางรัฐหรือ ThaID โดยกระทรวงแนะนำให้ใช้ทางรัฐเพราะเร็วกว่า

▲ ทำไมต้องรู้ · วันที่ต้องจดคือ 31 ส.ค. ซึ่งเป็นวันที่ระบบเปิดใช้จริง คนที่ยังไม่ได้สมัครยังมีเวลาและยังมีที่ว่างเหลือมาก ส่วนคนที่สมัครไว้แล้วควรเผื่อเวลาสำหรับขั้นยืนยันตัวตน เพราะเป็นขั้นที่ต้องทำผ่านแอปแยกและเป็นคอขวดของคนที่ติดปัญหา

Matichon · เดลินิวส์ · Nation Thailand

นี่เป็นการระดมทุนจากนักลงทุนภายนอกรอบแรกของหน่วยธุรกิจหุ่นยนต์ซึ่งแยกออกมาจากบริษัทแม่ที่ทำรถยนต์ นำโดย IDG Capital ร่วมด้วย Gaorong Ventures และมี Tencent กับ Alibaba เข้ามาเป็นนักลงทุนเชิงกลยุทธ์ บริษัทระบุว่านี่เป็นการระดมทุนรอบเดียวที่ใหญ่ที่สุดในอุตสาหกรรม AI ที่มีร่างกายของจีน

เงินก้อนนี้จะไปที่การวิจัยและพัฒนาทั้งซอฟต์แวร์และฮาร์ดแวร์ การฝึกและปรับปรุงโมเดล AI ที่ควบคุมร่างกาย การผลิตข้อมูลคุณภาพสูงสำหรับฝึก โรงงานที่ผลิตได้ครบวงจร และการขยายตลาดต่างประเทศ

กำหนดการที่บริษัทให้ไว้คือหุ่นยนต์รูปร่างคล้ายคนรุ่นที่ชื่อ IRON จะเข้าสู่การผลิตจำนวนมากภายในสิ้นปี 2026 โดยเริ่มจากการใช้งานในร้านและในพื้นที่ของบริษัทเอง แล้วเปิดตัวอย่างเป็นทางการพร้อมส่งมอบทั้งในจีนและต่างประเทศในปี 2027 ผู้บริหารสูงสุดพูดถึงตัวหุ่นว่า "IRON brings together highly human-like design, advanced AI intelligence, built to highest safety standards"

▲ ทำไมต้องรู้ · หุ่นยนต์รูปร่างคล้ายคนอยู่ในสถานะของสิ่งที่เห็นแต่ในคลิปสาธิตมาหลายปี ข่าวนี้เปลี่ยนสถานะนั้นด้วยกำหนดการผลิตที่มีวันกำกับและเงินที่ลงจริง สำหรับภาคการผลิตและคลังสินค้าของไทย วันที่ควรจดคือปี 2027 ที่บริษัทบอกว่าจะส่งมอบนอกจีน เพราะเป็นปีแรกที่ต้นทุนและความสามารถจริงจะเทียบกับแรงงานคนได้บนตัวเลข ไม่ใช่บนคลิป

XPeng · TechNode

บริษัทชื่อ AM Intelligence สั่งซื้อแบบผูกพันสัญญาแล้วสำหรับชิปรุ่น Rubin จำนวน 9,000 ตัว ในรูปแบบตู้แร็กสำเร็จรูปของแพลตฟอร์ม Vera Rubin กำหนดส่งมอบไตรมาสแรกของปี 2027 เพื่อใช้กับเฟสแรกของศูนย์ข้อมูลที่ไฮเดอราบาดซึ่งมีขนาด 30 เมกะวัตต์

แผนระยะยาวที่บริษัทประกาศคือกำลังประมวลผลรวมหนึ่งกิกะวัตต์ในรูปแบบให้เช่าใช้ กระจายอยู่ที่อินเดีย สหรัฐ ฟินแลนด์ และมาเลเซีย โดยเฟสแรกที่จะออกสู่ตลาดคือ 200 เมกะวัตต์ ด้วยงบลงทุนเกินแปดพันล้านดอลลาร์

ข้อควรระวังคือนี่เป็นแผนและคำสั่งซื้อ ไม่ใช่ของที่ติดตั้งเสร็จแล้ว กำหนดส่งมอบอยู่อีกกว่าครึ่งปีข้างหน้า และตัวเลขกำลังการผลิตระยะยาวเป็นตัวเลขที่บริษัทประกาศเอง

▲ ทำไมต้องรู้ · ข่าวนี้คือฝั่งผู้ซื้อของชิปตัวเดียวกับที่ผู้ผลิตเพิ่งประกาศเริ่มผลิตเต็มกำลังเมื่อสามวันก่อนในข้อ 4 และสิ่งที่สำคัญกับองค์กรไทยคือตำแหน่งที่ตั้ง เพราะกำลังประมวลผลที่อยู่ในเอเชียแปลว่าตัวเลือกในการวางข้อมูลไว้ในภูมิภาคมีมากขึ้น และเวลาตอบกลับสั้นลงกว่าการยิงข้ามไปอเมริกา ซึ่งเป็นสองเรื่องที่ฝ่ายกำกับดูแลขององค์กรถามบ่อยที่สุด

Business Standard · Deccan Herald

บริษัทจะประกาศผลประกอบการไตรมาสที่สองของปีบัญชี 2027 หลังตลาดสหรัฐปิดในวันพุธที่ 26 ส.ค. ราวบ่ายโมงยี่สิบตามเวลาชายฝั่งตะวันตก ซึ่งตรงกับราวตีสามยี่สิบของเช้าวันพฤหัสบดีที่ 27 ส.ค. ตามเวลาไทย ไตรมาสที่รายงานสิ้นสุดวันที่ 27 ก.ค.

ตัวเลขที่อ้างอิงได้ตอนนี้มีเพียงประมาณการที่บริษัทให้ไว้เองตอนประกาศผลไตรมาสก่อน คือรายได้ 91.0 พันล้านดอลลาร์บวกลบ 2 เปอร์เซ็นต์ และอัตรากำไรขั้นต้นราว 75 เปอร์เซ็นต์ ส่วนผลไตรมาสก่อนหน้าที่ใช้เทียบได้คือรายได้รวม 81.6 พันล้านดอลลาร์ โดยเป็นส่วนของศูนย์ข้อมูล 75.25 พันล้านดอลลาร์

ข้อควรระวังที่สำคัญที่สุดคือตัวเลขคาดการณ์ของนักวิเคราะห์ที่วนอยู่ในสื่อช่วงนี้ ไม่ใช่ผลประกอบการ และผลจริงยังไม่ออกในเวลาที่เขียนข่าวนี้ ตัวเลขที่ถูกต้องจะต้องรออ่านจากประกาศของบริษัทเอง

▲ ทำไมต้องรู้ · ตัวเลขชุดนี้เป็นสัญญาณที่ชัดที่สุดที่มีอยู่ว่าการใช้จ่ายด้าน AI ทั้งอุตสาหกรรมยังเร่งขึ้นหรือเริ่มชะลอ ซึ่งส่งผลย้อนกลับมาถึงราคาที่ผู้ใช้ปลายทางจ่าย ทั้งค่าเรียกใช้โมเดลและค่าเช่าเครื่องในคลาวด์ ทีมที่กำลังทำงบปีหน้าควรรออ่านตัวเลขจริงเช้าพรุ่งนี้ก่อนล็อกสมมติฐานเรื่องราคา

ประมาณการของบริษัทตอนประกาศผลไตรมาสก่อน

มีรายงานว่าคณะกรรมการกำกับหลักทรัพย์และตลาดหลักทรัพย์ของสหรัฐออกหมายเรียกเอกสารไปยังธนาคารที่ทำธุรกิจกับกองทุนแห่งนี้ โดยเจาะไปที่ธนาคารที่ทำหน้าที่กำกับดูแลการซื้อขายของกองทุนและที่เป็นทางผ่านของเงินทุนเข้ามา

กองทุนนี้ชื่อ Situational Awareness บริหารโดย Leopold Aschenbrenner ซึ่งเคยทำงานที่ OpenAI และขาดทุนอย่างหนักเมื่อปลายเดือน ก.ค. 2026 ตอนที่หุ้นกลุ่ม AI ปรับตัวลง โดยรายงานระบุว่ามูลค่าที่หายไปอยู่ในระดับหลายพันล้านดอลลาร์

ข้อควรระวังคือเรื่องนี้เป็นรายงานของสำนักข่าว ไม่ใช่ประกาศของหน่วยงานหรือของกองทุนเอง และไม่มีการเปิดเผยขนาดสินทรัพย์ภายใต้การบริหารหรือตัวเลขขาดทุนที่แน่นอน

▲ ทำไมต้องรู้ · เรื่องนี้เป็นตัวเตือนว่าความเชื่อที่ว่าอะไรที่เกี่ยวกับ AI ก็ขึ้นทั้งนั้น เป็นการเดิมพันไม่ใช่ข้อเท็จจริง และในองค์กรก็มีอาการแบบเดียวกันคือการอนุมัติโครงการ AI โดยถือว่าผลตอบแทนเป็นเรื่องแน่นอน สิ่งที่ป้องกันได้คือถามตั้งแต่ต้นว่าถ้าโครงการนี้ไม่ได้ผล จะรู้ตัวเมื่อไรและด้วยตัวเลขอะไร

TechCrunch

บริษัทเจ้าของโมเดลสร้างภาพแบบเปิดที่ใช้กันแพร่หลายที่สุดตัวหนึ่ง ระดมทุนเพิ่มได้ 76 ล้านดอลลาร์ ทำให้ยอดระดมทุนสะสมอยู่ที่ 232 ล้านดอลลาร์ โดยไม่เปิดเผยมูลค่ากิจการ

รายชื่อผู้ลงทุนคือส่วนที่น่าสนใจกว่าตัวเลข เพราะประกอบด้วยค่ายเพลงใหญ่ครบทั้งสามค่ายคือ Universal Music Group, Sony Music Group และ Warner Music Group ร่วมกับบริษัทเกม Electronic Arts และหน่วยลงทุนของผู้ผลิตชิป AMD ผู้บริหารสูงสุดพูดถึงรอบนี้ว่าเป็น "an affirmation of our vision where generative AI empowers every producer, musician, and storyteller"

▲ ทำไมต้องรู้ · เจ้าของลิขสิทธิ์ที่ออกมาต่อสู้กับ AI สร้างสรรค์หนักที่สุดในช่วงสองสามปีที่ผ่านมา คือกลุ่มเดียวกับที่ตอนนี้เข้าไปถือหุ้นในบริษัทประเภทนั้น ซึ่งเป็นสัญญาณว่าข้อพิพาทเรื่องลิขสิทธิ์กำลังเคลื่อนจากศาลไปสู่โต๊ะเจรจาสัญญาอนุญาต สำหรับองค์กรที่ยังไม่กล้าใช้ AI สร้างภาพหรือเสียงเพราะกลัวปัญหาลิขสิทธิ์ นี่เป็นสัญญาณให้เริ่มติดตามว่าข้อตกลงที่ออกมาจะครอบคลุมการใช้งานเชิงพาณิชย์แบบไหนบ้าง

TechCrunch