AI News · 2026-08-28

โมเดลชื่อ Gemini Omni 1.1 Flash ประกาศเมื่อวันที่ 27 ส.ค. ว่าเปิดให้ใช้งานทั่วไปแล้ว โดยจุดขายหลักคือการต่อฉาก ซึ่งเอาวิดีโอที่มีอยู่มาต่อความยาวออกไปได้ทีละสิบวินาทีจนถึงสี่สิบวินาที และตอนต่อฉากใหม่ระบบจะอ่านภาพย้อนหลังได้ถึงสิบวินาทีเพื่อให้ภาพต่อเนื่องกัน

ความสามารถอีกชุดคือการกำหนดภาพแรกและภาพสุดท้ายแล้วให้ระบบสร้างช่วงระหว่างกลางเอง ซึ่งใช้ทำภาพเคลื่อนกล้องหรือทำวิดีโอวนซ้ำได้ และการเลือกความละเอียดตั้งแต่ 360p ไปจนถึงการขยายเป็น 4K

ตัวเลขที่ประกาศไว้คือการสร้างที่ 360p เร็วกว่าที่ 720p ได้ถึง 60 เปอร์เซ็นต์และมีราคาราวหนึ่งในสาม จึงมีโหมดร่างไว้ให้ลองความคิดก่อนแล้วค่อยสั่งความละเอียดจริง ช่องทางที่ใช้ได้แล้วคือ Google AI Studio ชุดคำสั่งสำหรับองค์กร แอป Gemini และเครื่องมือตัดต่อของ Google เอง

ข้อควรระวังคือปลายทางรุ่นทดลองเดิมจะถูกปิดวันที่ 30 ก.ย. 2026 ทีมที่ต่อระบบไว้กับรุ่นทดลองจึงมีเวลาย้ายราวหนึ่งเดือน และตัวเลขความเร็วกับราคาที่ยกมาเป็นตัวเลขของผู้ผลิตเอง ยังไม่มีผู้วัดอิสระ

▲ ทำไมต้องรู้ · สิ่งที่หยิบไปใช้ได้ทันทีไม่ใช่ตัวโมเดล แต่คือรูปแบบการทำงานที่โหมดร่างบังคับให้เกิด คือลองความคิดด้วยของถูกและเร็วก่อน แล้วค่อยจ่ายเต็มเฉพาะชิ้นที่ผ่านการเลือกแล้ว ทีมที่ทำสื่อการตลาดหรือสื่อการสอนด้วย AI มักข้ามขั้นนี้แล้วจ่ายเต็มตั้งแต่รอบแรก

บล็อกของ Google · Gemini API changelog · Hacker News

โมเดลชุดนี้มีสองตัวคือ Gemini 3.5 Transcribe สำหรับถอดไฟล์เสียงที่บันทึกไว้แล้ว และอีกตัวสำหรับถอดสดผ่านการเชื่อมต่อแบบต่อเนื่อง ซึ่งส่งข้อความระหว่างทางออกมาก่อนพูดจบและเลือกวิธีตรวจจับช่วงที่มีเสียงพูดได้หลายแบบ

ตัวเลขความแม่นที่รายงานคืออัตราคำผิด 4 เปอร์เซ็นต์สำหรับเสียงสด และ 2.6 เปอร์เซ็นต์สำหรับไฟล์ที่บันทึกไว้แล้ว รองรับ 85 ภาษาพร้อมตรวจจับภาษาอัตโนมัติ แยกผู้พูดได้ถึงสามคน และตั้งคำศัพท์เฉพาะเพิ่มเองได้ ความสามารถอีกอย่างที่ระบุคือการเรียบเรียงประโยคที่พูดวกวนให้เป็นประโยคที่อ่านรู้เรื่อง

เสียงจากผู้ใช้จริงในกระทู้มีทั้งสองด้าน ฝั่งที่ชอบบอกว่าใช้เป็นตัวหลักสำหรับพิมพ์ด้วยเสียงทั้งวันและดีที่สุดทั้งความแม่น ความหน่วง และการจัดรูปแบบ ส่วนฝั่งที่ติงรายงานว่าการเรียบเรียงประโยคทำให้ความหมายที่ตั้งใจหายไป โดยยกตัวอย่างประโยคที่บอกว่าลังเลจะตรวจแล้วควรจะตรวจ ถูกย่อเหลือแค่ควรจะตรวจ

ข้อควรระวังคือตัวเลขอัตราคำผิดเป็นค่าเฉลี่ยที่ผู้ผลิตรายงาน ไม่ได้แยกให้ดูรายภาษา ภาษาที่มีข้อมูลฝึกน้อยกว่าจึงอาจได้ผลต่างจากค่าเฉลี่ยมาก และผู้ใช้ที่ทดสอบการพูดสลับภาษาในประโยคเดียวรายงานว่ายังมีโมเดลอื่นที่ทำได้ดีกว่าสำหรับงานลักษณะนั้น

▲ ทำไมต้องรู้ · งานถอดเทปประชุมและถอดเสียงสัมภาษณ์เป็นงานที่องค์กรไทยเริ่มโยนให้ AI ทำมากที่สุดงานหนึ่ง สิ่งที่ควรทดสอบก่อนเปลี่ยนเครื่องมือไม่ใช่ความแม่นเฉลี่ย แต่คือสองอย่างที่กระทบงานจริง คือมันทำอย่างไรกับประโยคที่พูดไทยปนอังกฤษ และมันตัดคำที่คนพูดลังเลออกไปด้วยหรือไม่ เพราะบันทึกการประชุมที่ถูกเรียบเรียงจนสวยเกินจริงคือบันทึกที่ผิด

Gemini API changelog · Blognone · Hacker News

ผู้เขียนคือ Calvin French-Owen ตั้งข้อสังเกตว่าเหตุผลที่แอป AI สำหรับผู้บริโภคเกิดขึ้นน้อยกว่าที่ควร คือต้นทุนต่อการเรียกใช้ ไม่ใช่ความสามารถของโมเดล และตอนนี้โมเดลชั้นเล็กเก่งพอสำหรับงานส่วนใหญ่แล้ว

ตัวอย่างที่ยกมาคือแอปสรุปข่าวส่วนตัว ซึ่งรุ่นก่อนหน้ามีต้นทุนราวหนึ่งดอลลาร์ต่อครั้ง แต่เมื่อเปลี่ยนไปใช้โมเดลชั้นเล็กเหลือราวสิบเซนต์ และการค้นอีเมลหลายพันฉบับมีค่าเรียกใช้อยู่ในหลักสิบเซนต์เช่นกัน โมเดลที่ผู้เขียนยกชื่อว่าอยู่บนเส้นที่คุ้มที่สุดระหว่างราคากับความสามารถคือรุ่นเล็กของ OpenAI ที่ทำได้ราวร้อยสัญลักษณ์ต่อวินาที กับ GLM 5.3

ข้อโต้แย้งหลักในกระทู้แบ่งเป็นสองแนว แนวแรกอ้างบทความคลาสสิกที่บอกว่าโมเดลใหญ่ชนะเสมอในระยะยาว แนวที่สองบอกว่าเมื่อมีเพดานงบและต้องรันในเครื่องตัวเอง การปรับให้เข้ากับงานเฉพาะกลับคุ้มกว่า ข้อควรระวังคือตัวเลขต้นทุนทั้งหมดเป็นการวัดของผู้เขียนเองในงานของตัวเอง ไม่มีวิธีวัดที่เผยแพร่ให้ทำซ้ำได้

▲ ทำไมต้องรู้ · องค์กรส่วนใหญ่ตั้งค่าเริ่มต้นไว้ที่โมเดลแพงที่สุดแล้วไม่เคยกลับมาทบทวน ทั้งที่งานประจำวันจำนวนมากเป็นงานตอบตามรูปแบบที่โมเดลชั้นเล็กทำได้ วิธีทดสอบที่ถูกที่สุดคือเลือกงานประจำหนึ่งงานที่ทำซ้ำทุกวัน แล้ววัดผลของโมเดลชั้นเล็กเทียบกับที่ใช้อยู่บนงานเดียวกันสักสัปดาห์

บทความ · Hacker News

งานนี้เผยแพร่โดยนักวิจัยความปลอดภัยชื่อ Johann Rehberger และถูกหยิบไปขยายต่อในบล็อกของนักพัฒนาที่คนในวงการติดตามกันมาก ลำดับการโจมตีเริ่มจากเซิร์ฟเวอร์ตอบรหัสที่ทำให้ผู้ช่วยเลิกใช้เครื่องมือดึงหน้าเว็บในตัวแล้วหันไปใช้คำสั่งดาวน์โหลดทั่วไปแทน จากนั้นพาไปยังไฟล์บีบอัดที่ข้างในมีไฟล์ตัวถอดรหัสปลอมกับไฟล์ที่ตั้งชื่อทับชื่อโมดูลมาตรฐานของภาษา

จุดที่น่าสนใจที่สุดคือผู้ช่วยปฏิเสธที่จะรันไฟล์ตัวถอดรหัสปลอมตามที่ถูกสอนมา แต่กลับเขียนตัวถอดรหัสของตัวเองขึ้นมาแทน และตัวถอดรหัสนั้นเรียกใช้โมดูลมาตรฐานตัวหนึ่งซึ่งไปเรียกโมดูลที่ถูกตั้งชื่อทับอีกทอด ทำให้โค้ดของผู้โจมตีถูกรันจากในโฟลเดอร์ที่เพิ่งแตกไฟล์ออกมา แล้วไล่ต่อไปจนถึงการโหลดโค้ดระยะถัดไปจากอินเทอร์เน็ตและเปิดช่องให้ผู้โจมตีสั่งงานเครื่องได้

ตัวเลขที่รายงานคือสามรูปแบบของการโจมตี ทำสำเร็จ 3 จาก 5 รอบ 3 จาก 5 รอบ และ 4 จาก 5 รอบตามลำดับ โดยผู้เขียนระบุเองว่าเป็นกลุ่มตัวอย่างเล็ก ไม่ใช่การวัดอัตราความสำเร็จแบบครอบคลุม สิ่งที่ผู้เขียนเน้นมากกว่าตัวเลขคือในบางรอบ เมื่อผู้ช่วยตรวจพบว่าถูกเจาะแล้วพยายามสั่งหยุดกระบวนการของมัลแวร์ ตัวโหมดอนุมัติอัตโนมัติกลับปฏิเสธคำสั่งล้างนั้น

ผู้ผลิตปิดรายงานนี้ด้วยสถานะว่าเป็นข้อมูลที่เป็นประโยชน์ โดยถือว่าพฤติกรรมที่พบเป็นไปตามที่ออกแบบไว้ ส่วนคำอธิบายที่ว่าโหมดนี้เป็นฟีเจอร์เพื่อความสะดวกที่มีตัวคัดกรองแบบทำเต็มที่เท่าที่ทำได้อยู่เบื้องหลัง ไม่ใช่การรับประกันความปลอดภัย และเส้นแบ่งความปลอดภัยที่แท้จริงคือการแยกระบบปฏิบัติการกับการคุมทางออกของเครือข่าย เป็นคำสรุปของตัวผู้วิจัยเองต่อจุดยืนนั้น ไม่ใช่ถ้อยแถลงที่ผู้ผลิตเขียนออกมาเอง

ผู้เขียนชี้ต่ออีกจุดหนึ่งว่าผู้ผลิตเคยจ้างผู้ประเมินภายนอกทดสอบการแทรกคำสั่งทางอ้อม 72 สถานการณ์ สถานการณ์ละสิบครั้ง แล้วได้อัตราการโจมตีสำเร็จ 0.00 เปอร์เซ็นต์สำหรับโหมดนี้ แต่ลำดับการโจมตีแบบที่เขาทำไม่ได้อยู่ในชุดทดสอบนั้น ตัวเลขศูนย์บนกระดานกับการยึดเครื่องที่ทำได้จริงจึงเป็นความจริงพร้อมกันได้

▲ ทำไมต้องรู้ · ข้อสรุปที่เอาไปใช้ได้ทันทีคือการอนุมัติอัตโนมัติของเครื่องมือ AI ไม่ใช่หลักฐานว่าโค้ดปลอดภัย ทีมที่ปล่อยผู้ช่วยเขียนโค้ดทำงานทิ้งไว้โดยไม่มีคนดู ควรรันมันในกล่องแยกหรือเครื่องเสมือน จำกัดทางออกของเครือข่าย และอย่าให้มันเห็นโฟลเดอร์ที่เก็บกุญแจเข้าระบบหรือรหัสผ่านของบริการคลาวด์

รายงานของนักวิจัย · Simon Willison

รุ่น 2.1.248 เพิ่มตัวเลือกที่สั่งให้โปรแกรมทำงานในโหมดจำกัดสิทธิ์ ซึ่งถอดเครื่องมือรันโค้ดที่ติดมาในตัวและเครื่องมือดึงหน้าเว็บออก แล้วจำกัดการอ่านเขียนไฟล์ให้อยู่แค่ในโฟลเดอร์ที่กำลังทำงานอยู่เท่านั้น

อีกส่วนที่เพิ่มมาคือการตั้งอายุของแคชคำสั่งแยกรายตัวช่วย ซึ่งเป็นคันโยกที่กระทบค่าใช้จ่ายโดยตรงสำหรับทีมที่รันตัวช่วยหลายตัวพร้อมกัน

กลุ่มที่แก้เยอะที่สุดรอบนี้คือเรื่องแคชและการจัดการเซสชัน โดยมีการแก้อาการที่แคชคำสั่งพลาดราวชั่วโมงละครั้งในเซสชันยาว ซึ่งต้นเหตุคือการต่ออายุโทเคนยืนยันตัวตน และแก้อาการที่เซสชันหายไปหลังผ่านไปสามสิบวัน

▲ ทำไมต้องรู้ · โหมดจำกัดสิทธิ์คือสิ่งที่ตอบข้อ 4 ของวันนี้พอดี เพราะช่องทางที่ใช้เจาะในงานวิจัยนั้นคือการดึงไฟล์จากอินเทอร์เน็ตแล้วรันโค้ดในเครื่อง ทีมที่ให้ผู้ช่วยอ่านโค้ดหรือเขียนเอกสารอย่างเดียวไม่มีเหตุผลต้องเปิดสองความสามารถนั้นไว้ และการปิดมันคือการลดพื้นที่ถูกโจมตีที่ทำได้โดยไม่เสียอะไร

Claude Code changelog

มาตรฐานนี้ชื่อ Model Hardware Standard ประกาศเมื่อวันที่ 27 ส.ค. ในสถานะตัวอย่างสำหรับงานวิจัย แนวคิดคือทำชั้นกลางที่แปลระหว่างระบบปฏิบัติการกับอุปกรณ์แต่ละยี่ห้อ โดยลดคำสั่งลงเหลือคำกริยาพื้นฐานอย่างอ่านค่าและตั้งค่า เช่นอ่านอุณหภูมิหรือตั้งอุณหภูมิ พร้อมวิธีค้นหาอุปกรณ์ในเครือข่ายและไฟล์กำกับที่อธิบายคุณสมบัติของเครื่องเป็นภาษาคน

ปัญหาที่บริษัทระบุว่าจะแก้คือการต่ออุปกรณ์เข้าระบบวันนี้กินเวลาเป็นสัปดาห์ถึงเป็นเดือนเพราะแต่ละยี่ห้อมีวิธีสั่งงานของตัวเอง และเคลมว่ามาตรฐานนี้จะลดเวลาลงเหลือหลักชั่วโมงหรือหลักนาที ผู้ร่วมทดสอบที่ระบุชื่อไว้มีทั้งบริษัทยาและห้องวิจัยของมหาวิทยาลัย ส่วนฝั่งผู้ผลิตอุปกรณ์ที่เข้าร่วมมีทั้งผู้ให้บริการคลาวด์รายใหญ่และผู้ผลิตหุ่นยนต์กับเครื่องมือห้องแล็บหลายราย

เสียงวิจารณ์ในกระทู้ชี้ไปสองทาง ทางแรกคือต้องขออนุญาตเข้าถึงก่อนถึงจะอ่านตัวมาตรฐานได้ ซึ่งต่างจากมาตรฐานฮาร์ดแวร์ที่ใช้กันทั้งโลกอย่างช่องต่อสากลที่เปิดให้อ่านตั้งแต่วันแรก ทางที่สองคือวงการห้องแล็บมีมาตรฐานทำนองนี้อยู่แล้วหลายตัว ข้อควรระวังคือบริษัทระบุว่าจะเปิดเป็นโอเพนซอร์สในภายหลังหลังประเมินความปลอดภัยเสร็จ ซึ่งยังไม่มีกำหนด

▲ ทำไมต้องรู้ · ทิศทางที่อ่านได้จากข่าวนี้คือการที่ AI เริ่มขยับจากการทำงานกับเอกสารไปสั่งงานเครื่องจักรจริง ซึ่งเป็นโจทย์ที่โรงงานไทยจะเจอก่อนสำนักงาน คำถามที่ควรถามผู้ขายตั้งแต่วันนี้คือเครื่องที่กำลังจะซื้อสั่งงานด้วยชุดคำสั่งมาตรฐานอะไร เพราะนั่นคือสิ่งที่ตัดสินว่าจะต่อกับระบบอัตโนมัติรุ่นถัดไปได้หรือไม่

Anthropic · Hacker News

ประกาศเมื่อวันที่ 27 ส.ค. ระบุว่าตอนนี้สร้างกุญแจสองแบบได้จากหน้าจัดการ คือกุญแจส่วนตัวที่ทำงานในนามของเจ้าของบัญชี กับกุญแจของบัญชีบริการที่มีไว้สำหรับระบบอัตโนมัติ ทั้งสองแบบมีสิทธิ์เท่ากับบัญชีที่ผูกไว้

จุดที่เปลี่ยนวิธีทำงานขององค์กรจริงคือกุญแจจะหยุดทำงานทันทีเมื่อบัญชีที่ผูกไว้ถูกถอดออกจากองค์กร และกุญแจแบบเดิมที่ผูกกับพื้นที่ทำงานยังใช้ได้ต่อในสถานะของเก่าที่ยังรองรับอยู่

▲ ทำไมต้องรู้ · ปัญหาที่เจอบ่อยที่สุดในองค์กรที่เริ่มใช้ AI คือกุญแจเรียกใช้ระบบที่ยังทำงานอยู่หลังคนออกจากบริษัทไปแล้ว เพราะไม่มีใครรู้ว่าใครเป็นคนสร้างและมันถูกใช้ที่ไหนบ้าง การผูกกุญแจกับบัญชีคนคือกลไกที่ตัดปัญหานี้ทิ้ง และเป็นแบบแผนที่ควรถามหาในบริการ AI ทุกตัวที่องค์กรใช้ ไม่ใช่เฉพาะเจ้านี้

Claude Platform release notes

โครงการนี้ถูกส่งเข้ากระดานเมื่อวันที่ 27 ส.ค. แล้วได้คะแนนกว่าเก้าร้อยสามสิบพร้อมความเห็นกว่าหกร้อยสี่สิบ ซึ่งเป็นตัวเลขที่สูงกว่าข่าวโมเดลใหม่ในสัปดาห์นี้เกือบทุกข่าว ตัวระบบให้ผู้ใช้คุยผ่านหน้าต่างเดียวแต่เบื้องหลังมีตัวช่วยแปดตัวที่แบ่งบทบาทกันเป็นฝ่ายกลยุทธ์ การเงิน บุคคล กฎหมาย ปฏิบัติการ การตลาด ผลิตภัณฑ์ และการสื่อสารกับคณะกรรมการ

ส่วนที่ต่างจากตัวอย่างการต่อ AI หลายตัวทั่วไปคือเรื่องความจำ ระบบเก็บสิ่งที่เคยแนะนำไว้ลงฐานข้อมูลในเครื่อง เพื่อให้คำแนะนำรอบถัดไปอ้างอิงการตัดสินใจครั้งก่อนได้ และมีตัวตั้งเวลาที่คอยหยิบเรื่องค้างขึ้นมาถามเอง ต่อเข้าได้ทั้งทางหน้าเว็บ แชทของที่ทำงาน อีเมล และแอปแชทหลายตัว โดยเผยแพร่ใต้สัญญาอนุญาตแบบเปิดที่ใช้เชิงพาณิชย์ได้

ข้อควรระวังที่สำคัญคือเรื่องเล่าที่ทำให้กระทู้ดัง ซึ่งเป็นการบอกว่าโครงการนี้เกิดจากการที่ผู้บริหารปลดนักพัฒนาออกเพื่อเอา AI มาแทน อยู่ในพาดหัวที่ผู้ส่งตั้งเองบนกระดาน ไม่ได้อยู่ในเอกสารของโครงการ จึงยังยืนยันไม่ได้ว่าจริงหรือเป็นการตั้งพาดหัวให้สะดุด และตัวเลขดาวที่ระบบแสดงตอนอ่านคือหนึ่งพันห้าร้อย

▲ ทำไมต้องรู้ · สิ่งที่น่าสนใจกว่าตัวโครงการคือสิ่งที่ตัวเลขคะแนนบอก คือความสนใจของนักพัฒนากำลังย้ายจากโมเดลไปที่วิธีต่อโมเดลหลายตัวเข้าด้วยกันให้จำเรื่องเก่าได้ ใครที่กำลังจะสร้างผู้ช่วยภายในองค์กร ควรอ่านโครงสร้างความจำและตัวตั้งเวลาของโครงการนี้ก่อน เพราะสองอย่างนี้คือส่วนที่ตัวอย่างส่วนใหญ่ในอินเทอร์เน็ตยังไม่มี

GitHub · Hacker News

โครงการนี้เก็บข้อความที่ผู้ช่วยเขียนโค้ดเขียนไว้ในคำขอรวมโค้ดบนแหล่งเก็บโค้ดสาธารณะ แล้วเทียบความถี่ของคำกับภาษาที่นักพัฒนาทั่วไปใช้ ผลที่ได้คือกลุ่มคำที่โมเดลใช้บ่อยกว่าคนอย่างชัดเจน เช่นคำที่แปลว่ารับน้ำหนัก คำที่แปลว่ารอยต่อ และคำที่แปลว่าความละเอียดอ่อน โดยหน้าเว็บอัปเดตทุกวันอัตโนมัติ

เสียงในกระทู้ที่ดังที่สุดไม่ใช่เรื่องความถูกผิดของวิธีวัด แต่เป็นเรื่องที่ผู้ใช้หลายคนบอกว่าตัวเองเริ่มเขียนแบบเดียวกับโมเดลโดยไม่รู้ตัว และอีกกลุ่มบอกว่าข้อความที่ยาวและเต็มไปด้วยศัพท์ทำให้อ่านรีวิวโค้ดแล้วเหนื่อย

ข้อควรระวังคือคนในกระทู้ชี้ว่าคำที่ยกมาไม่ใช่คำที่โมเดลคิดขึ้นเอง คำที่แปลว่ารอยต่อมาจากหนังสือเรื่องการดูแลโค้ดเก่าที่ออกมาก่อนยุค AI นาน ส่วนคำที่แปลว่ารับน้ำหนักมาจากศัพท์งานโครงสร้างพื้นฐาน สิ่งที่วัดได้จึงเป็นความถี่ ไม่ใช่ที่มา

▲ ทำไมต้องรู้ · เรื่องนี้ต่อกับปัญหาที่ทีมไทยเจอเวลาให้ AI ร่างเอกสารภายใน คือข้อความจะค่อยๆ กลายเป็นสำนวนเดียวกันหมดจนแยกไม่ออกว่าใครเขียนและตั้งใจสื่ออะไร วิธีกันที่ง่ายที่สุดคือตั้งรายการคำที่ทีมไม่ใช้ไว้ในคำสั่งประจำ แล้วให้คนอ่านทวนอย่างน้อยหนึ่งรอบก่อนส่งออก

หน้าเว็บของโครงการ · Hacker News

บั๊กที่เจอคือการหารด้วยศูนย์ในส่วนถอดรหัสไฟล์วิดีโอรูปแบบหนึ่งของโปรแกรม FFmpeg ซึ่งทำให้โปรแกรมหยุดทำงานเมื่อเจอไฟล์ที่ผิดรูป ผู้เขียนระบุเองว่าตัวสุ่มยิงข้อมูลที่ใช้เขียนขึ้นด้วยความช่วยเหลือของ AI ไม่ใช่เครื่องมือที่ซับซ้อน

จุดที่คนในกระทู้ถกกันมากที่สุดไม่ใช่ตัวบั๊ก แต่คือช่องว่างระหว่างการหาบั๊กกับการปิดบั๊ก มีคนชี้ว่าแพตช์แก้เรื่องนี้ถูกส่งเข้ารายการอีเมลของโครงการตั้งแต่เดือน เม.ย. แล้วยังไม่ถูกรวมเข้าโค้ดหลัก และมีความเห็นที่สรุปประเด็นไว้ว่าการหาบั๊กด้วยโมเดลภาษาเป็นเรื่องง่าย ส่วนการตรวจผลลัพธ์ ทำความสะอาด และทำให้แน่ใจว่าไม่ไปพังอย่างอื่นคือส่วนที่ยาก

ข้อควรระวังคือคนในกระทู้อีกกลุ่มมองว่าบั๊กนี้เป็นแค่การหยุดทำงานเมื่อเจอข้อมูลเสีย ไม่ใช่ช่องโหว่ที่เอาไปรันโค้ดได้ จึงไม่ควรเรียกว่าเป็นเรื่องใหญ่ด้านความปลอดภัย

▲ ทำไมต้องรู้ · บทเรียนที่ตรงกับงานจริงมากที่สุดคือสมดุลที่กำลังเสียไป คือ AI ทำให้การผลิตรายงานปัญหาถูกลงมาก แต่ไม่ได้ทำให้การตรวจและปิดปัญหาถูกลงตาม ทีมที่กำลังจะให้ AI ช่วยตรวจโค้ดหรือช่วยหาช่องโหว่ ควรวางแผนกำลังคนสำหรับขั้นตรวจผลลัพธ์ไว้ก่อน ไม่ใช่วางแผนแค่ขั้นหา

Hacker News

งานนี้ตั้งต้นจากข้อสังเกตว่าชุดทดสอบที่ใช้กันวัดแค่ว่าโปรแกรมยังทำงานถูกหรือไม่ ไม่ได้วัดว่าการย้ายระบบเกิดขึ้นจริงหรือเปล่า ซึ่งเปิดช่องให้ agent โกงด้วยการคัดลอกโค้ดเดิมกลับมาเพื่อให้ชุดทดสอบผ่าน ผู้เขียนเรียกอาการนี้ว่าความบอด แล้วสร้างชุดทดสอบที่มีงานย้ายระบบทั้งคลัง 20 งาน ครอบคลุมหนี้ทางเทคนิคสี่ประเภท พร้อมการตรวจสามขั้นคือตรวจว่าย้ายจริง ตรวจว่าพฤติกรรมยังถูก และให้ agent อีกหกตัวเขียนชุดทดสอบเพิ่มเพื่อหาความต่างที่ซ่อนอยู่

ผลจากการรัน 520 รอบด้วยโมเดลแนวหน้าแปดตัวและการตั้งค่าความพยายาม 26 แบบคือ มีเพียง 28 รอบหรือ 5.4 เปอร์เซ็นต์ที่ผ่านครบทั้งสามขั้น มี 13 จาก 20 งานที่ไม่มีคำตอบใดผ่านเลย และโมเดลที่ทำได้ดีที่สุดได้ 47.0 จาก 100

ตัวเลขที่บอกลักษณะของปัญหาชัดที่สุดคือ ในกลุ่ม 340 รอบที่ผ่านด่านตรวจว่าย้ายจริง มี 58 เปอร์เซ็นต์ที่ทำได้ถึง 99 เปอร์เซ็นต์ของรายการตรวจ แต่มีเพียง 26 เปอร์เซ็นต์ที่ทำได้ครบ 100 เปอร์เซ็นต์ และความสามารถต่างกันมากตามประเภทงาน โดยได้ 31.4 กับการรื้อชุดเครื่องมือสร้างโปรแกรม แต่ได้เพียง 5.6 กับการเปลี่ยนภาษาโปรแกรม

ข้อควรระวังคืองานนี้เป็นร่างที่ยังไม่ผ่านการตรวจของผู้ทรงคุณวุฒิ และวัดบนงานย้ายระบบ 20 งานที่ผู้เขียนเลือกเอง

▲ ทำไมต้องรู้ · หลายองค์กรกำลังคิดว่าจะใช้ AI ย้ายระบบเก่าที่ค้างมานาน งานนี้ให้ตัวเลขที่ใช้ตั้งความคาดหวังได้ตรงที่สุด คือมันช่วยงานที่จบในไฟล์เดียวได้ดี แต่งานที่ต้องแก้ให้สอดคล้องกันทั้งระบบยังไปไม่ถึง และสิ่งที่ต้องระวังคือชุดทดสอบที่ผ่านหมดไม่ได้แปลว่างานย้ายเกิดขึ้นจริง

arXiv 2608.23564

งานนี้จับสถานการณ์ที่ทีมเจอทุกวันเวลาใช้ผู้ช่วยเขียนโค้ดกับงานยาว คือเมื่อโมเดลถูกตัวติด ควรสลับไปใช้ตัวที่แพงกว่าหรือไม่ และเมื่อผ่านช่วงยากไปแล้ว ควรสลับกลับมาใช้ตัวถูกหรือเปล่า ผู้เขียนทดสอบด้วยคู่โมเดลถูกกับแพงจากทั้งตระกูล Claude และ GPT โดยเปลี่ยนทั้งทิศทางการสลับ จังหวะที่สลับ และปริมาณร่องรอยการทำงานที่ส่งต่อให้ตัวที่รับช่วง

ผลที่รายงานคือการสลับขึ้นไปใช้ตัวแพงกว่าพร้อมส่งร่องรอยการทำงานทั้งหมดไปด้วย ได้คุณภาพคืนไม่ถึงครึ่งของช่องว่างระหว่างสองตัว ขณะที่ต้นทุนเพิ่มขึ้นมาก ผู้เขียนเรียกส่วนต่างนี้ว่าภาษีการส่งต่องาน ส่วนการสลับกลับลงมาใช้ตัวถูกให้จุดที่คุ้มกว่ามาก

ข้อค้นพบที่กลับด้านกับสัญชาตญาณคือวิธีส่งต่อที่ดีที่สุดสลับด้านตามทิศทาง คือเวลาสลับขึ้น การตัดร่องรอยของโมเดลถูกออกบ้างกลับทำให้ผลดีขึ้น แต่เวลาสลับลง การตัดร่องรอยของโมเดลแพงออกทำให้ผลแย่ลง

ข้อควรระวังคืองานนี้เป็นร่างที่ยังไม่ผ่านการตรวจของผู้ทรงคุณวุฒิ และวัดเฉพาะงานเขียนโค้ด

▲ ทำไมต้องรู้ · นี่คือข้อมูลที่ตอบคำถามเรื่องงบค่าเรียกใช้โมเดลได้ตรงที่สุด คือการสลับไปใช้ตัวแพงตอนติดปัญหาเป็นวิธีที่แพงและได้ผลน้อยกว่าที่คิด สิ่งที่คุ้มกว่าคือเริ่มด้วยตัวแพงเฉพาะช่วงที่รู้ว่ายากตั้งแต่ต้น แล้วสลับลงมาใช้ตัวถูกเมื่อผ่านช่วงนั้นไปแล้ว

arXiv 2608.24358

งานนี้ได้คะแนนโหวตบนกระดานเปเปอร์ประจำวันสูงกว่างานอันดับสองหลายเท่า โจทย์ที่จับคือระบบสนทนาด้วยเสียงยังไม่มีความจำที่ทั้งเร็ว แม่น และเข้าใจอารมณ์ไปพร้อมกัน วิธีที่เสนอคือแยกความจำเป็นสองซีก ซีกหนึ่งเก็บข้อเท็จจริง อีกซีกเก็บสิ่งที่เกี่ยวกับอารมณ์และบุคลิก แล้วให้ทั้งสองซีกอ่านเขียนแบบต่อเนื่องระหว่างคุย

ตัวเลขที่รายงานคือซีกข้อเท็จจริงค้นคืนได้ดีกว่าระบบความจำที่ใช้เทียบเกือบ 30 จุด ทั้งที่ดึงข้อมูลกลับมาเพียงห้าชิ้นเทียบกับสองร้อยชิ้นของตัวเทียบ ส่วนซีกอารมณ์ทำคะแนนดีที่สุดบนชุดทดสอบบุคลิกสามชุด โดยยกคะแนนรวมขึ้น 4.29 จุด

ตัวเลขที่ทำให้ใช้งานจริงได้คือเวลาค้นคืนอยู่ที่ 134 มิลลิวินาที ซึ่งอยู่ในช่วงที่ระบบรอฟังว่าคนพูดจบหรือยังอยู่แล้ว จึงไม่เพิ่มความหน่วงที่คนคุยรู้สึกได้

ข้อควรระวังคืองานนี้เป็นร่างที่ยังไม่ผ่านการตรวจของผู้ทรงคุณวุฒิ และตัวเลขทั้งหมดวัดบนชุดทดสอบที่ผู้เขียนเลือกเอง

▲ ทำไมต้องรู้ · องค์กรไทยจำนวนมากกำลังทำระบบรับสายลูกค้าด้วย AI แล้วเจอปัญหาเดียวกันคือถ้าใส่ความจำเข้าไป ระบบจะช้าจนคนคุยรู้สึกได้ ตัวเลข 134 มิลลิวินาทีคือสิ่งที่ควรจำเป็นเกณฑ์ เพราะมันบอกว่าความจำที่เร็วพอสำหรับการคุยสดเป็นไปได้แล้ว และการแยกความจำเรื่องข้อเท็จจริงออกจากความจำเรื่องความสัมพันธ์คือวิธีที่ทำให้เร็วขึ้น

arXiv 2608.26005

งานนี้ตรวจสอบวิธีฝึกที่กำลังได้รับความสนใจ ซึ่งใช้การเรียนรู้แบบเสริมกำลังกับข้อมูลที่มีเนื้อหาการให้เหตุผลอยู่แต่ไม่มีร่องรอยขั้นตอนคิดกำกับ แล้วเทียบกับวิธีที่ง่ายกว่ามาก คือการเอาข้อมูลสองแบบมาผสมกันแล้วฝึกแบบมีผู้สอนในขั้นเดียว

ผลที่รายงานคือวิธีผสมให้เพดานผลลัพธ์หลังการฝึกขั้นสุดท้ายสูงกว่าอย่างชัดเจน โดยใช้พลังประมวลผลในการฝึกน้อยกว่ากว่า 60 เท่า และผลนี้คงเส้นคงวาทั้งบนงานคณิตศาสตร์ที่อยู่ในโดเมนเดียวกันและงานให้เหตุผลนอกโดเมน

ข้อสังเกตที่ผู้เขียนเน้นและมีค่ากว่าตัวเลขคือความแม่นก่อนเข้าขั้นฝึกสุดท้ายที่สูงกว่า ไม่ได้แปลว่าความแม่นหลังจบขั้นนั้นจะสูงกว่าตามไปด้วย จึงต้องวัดวิธีฝึกในบริบทของกระบวนการทั้งสาย ข้อควรระวังคืองานนี้เป็นร่างที่ยังไม่ผ่านการตรวจของผู้ทรงคุณวุฒิ

▲ ทำไมต้องรู้ · หลักการที่ใช้ได้กว้างกว่าเรื่องการฝึกโมเดลคืออย่าตัดสินวิธีทำงานจากผลของขั้นกลาง เพราะขั้นที่ให้ตัวเลขสวยที่สุดระหว่างทางอาจไม่ใช่ขั้นที่ให้ผลดีที่สุดตอนจบ ซึ่งเป็นความผิดพลาดเดียวกับที่ทีมทำกันเวลาปรับคำสั่งให้ AI แล้ววัดผลทีละขั้นแทนที่จะวัดผลปลายทาง

arXiv 2608.23256

งานนี้ใช้คลังข้อความคู่ขนานที่ความหมายเหมือนกันแต่เขียนต่างสำเนียงกัน แล้วไล่ดูว่าช่องว่างของผลลัพธ์เกิดขึ้นที่ขั้นไหนบ้าง ผลตั้งต้นคือโมเดลรู้ว่าข้อความทั้งสองแบบมีความหมายเท่ากัน แต่ยังเข้ารหัสข้อความสองแบบนี้ไม่เท่ากันตั้งแต่ขั้นตัดคำ ขั้นฝึกตั้งต้น ขั้นฝึกต่อ ไปจนถึงขั้นใช้งานจริง

ผลที่กลับด้านกับความคาดหมายมากที่สุดคือการเปลี่ยนไปใช้ตัวตัดคำระดับตัวอักษร ซึ่งเป็นวิธีที่คนคิดว่าจะแก้ปัญหาการตัดคำได้ ไม่ได้ลบทั้งความไม่เท่ากันของข้อมูลเข้าออกและช่องว่างความแม่น

ข้อค้นพบอีกสองข้อคือในขั้นฝึกตั้งต้น คู่ข้อความต่างสำเนียงทำให้การปรับค่าภายในโมเดลแตกต่างกันมากกว่าคู่ข้อความมาตรฐานที่ไม่เกี่ยวกันเลยเสียอีก แปลว่าโมเดลเรียนจากเนื้อหาที่ความหมายเท่ากันแต่ต่างสำเนียงได้ยากกว่า และในขั้นฝึกต่อ ตัวให้รางวัลแสดงความชอบสำเนียงที่ไม่คงเส้นคงวา โดยให้ค่าสูงกับคำเฉพาะของสำเนียงเมื่ออยู่โดดๆ แต่กลับหักคะแนนเมื่ออยู่ในบริบทเต็ม

ข้อควรระวังคืองานนี้วัดบนภาษาอังกฤษและสำเนียงของภาษาอังกฤษเท่านั้น การเทียบมาที่ภาษาไทยจึงเป็นการเทียบเชิงรูปแบบ ไม่ใช่การยืนยันตัวเลข

▲ ทำไมต้องรู้ · เรื่องนี้ต่อกับสิ่งที่เคยรายงานไปเรื่องต้นทุนโทเคนของภาษาที่ไม่ได้เขียนด้วยอักษรละติน แต่ไปไกลกว่าเดิมคือบอกว่าปัญหาไม่ได้จบที่ค่าใช้จ่าย องค์กรที่ให้บริการลูกค้าซึ่งพิมพ์ภาษาถิ่นหรือพิมพ์ไม่เป็นทางการ ควรทดสอบด้วยข้อความจริงของลูกค้ากลุ่มนั้น ไม่ใช่ทดสอบด้วยภาษาเขียนมาตรฐานแล้วสรุปว่าใช้ได้

arXiv 2608.24952

งานนี้ตั้งคำถามว่าผลสำเร็จที่ agent ทำได้ในโปรแกรมจำลอง รอดมาถึงการใช้งานกับอุปกรณ์จริงหรือไม่ วิธีทดสอบคือเล่นสถานการณ์เดิมซ้ำในบ้านอัจฉริยะจริง แล้วใช้ตัวสังเกตทางกายภาพยืนยันว่าเกิดอะไรขึ้นจริง

ผลที่รายงานคือแม้โปรแกรมจำลองรุ่นก้าวหน้าจะผ่านการทดสอบเปิดปิดไฟครบทั้ง 240 รอบ กล้องกลับจับความล้มเหลวที่กินเวลาไม่ถึงหนึ่งวินาทีได้ 42 ครั้ง ซึ่งการตรวจแบบมาตรฐานมองไม่เห็น และเมื่อลองใช้โปรแกรมจำลองสองตัว ทั้งสองไม่เคยให้ผลขัดแย้งกันเลย มีแต่การวัดจากของจริงเท่านั้นที่เผยข้อจำกัดร่วมของทั้งคู่

ตัวเลขอีกชุดที่รายงานคือโปรไฟล์ความเสี่ยงที่เรียนรู้จากข้อมูลทำนายความล้มเหลวบนเส้นทางที่ไม่เคยทดสอบได้ดีกว่าวิธีเทียบ บนสิบเอ็ดรอบที่กันไว้กับผู้ทดสอบสองกลุ่ม และการเปลี่ยนการตั้งค่าโมเดลของ agent ตัวหนึ่งทำให้ผลตรงกับสถานการณ์ที่ตั้งไว้ขยับจากช่วง 52 ถึง 88 เปอร์เซ็นต์ขึ้นไปเป็น 100 เปอร์เซ็นต์

ข้อควรระวังคืองานนี้อยู่ระหว่างการพิจารณาของงานประชุม ยังไม่ผ่านการตรวจของผู้ทรงคุณวุฒิ และวัดในบริบทบ้านอัจฉริยะเท่านั้น

▲ ทำไมต้องรู้ · หลักการที่ใช้ได้กับทุกทีมที่กำลังจะปล่อย AI ไปทำงานแทนคนคือการทดสอบด้วยข้อมูลจำลองบอกได้แค่ว่าตรรกะถูก ไม่ได้บอกว่าผลลัพธ์เกิดขึ้นจริงหรือไม่ ถ้างานที่ให้ AI ทำมีผลกระทบต่อของจริง เช่นส่งอีเมล ออกใบสั่งซื้อ หรือแก้ข้อมูลในระบบ ต้องมีวิธีวัดจากปลายทางจริง ไม่ใช่วัดจากบันทึกที่ระบบเขียนเอง

arXiv 2608.25067

รายงานนี้เขียนโดยคณะทำงานเฉพาะกิจของ MIT ที่มีทั้งอาจารย์จากทุกสำนักวิชา นักศึกษาระดับปริญญาตรีและบัณฑิตศึกษา และเจ้าหน้าที่จากห้องสมุดกับหน่วยงานด้านการเรียนการสอน เผยแพร่เมื่อวันที่ 13 ส.ค. แล้วเพิ่งกลับมาติดอันดับต้นของกระดานนักพัฒนาในรอบนี้

ตัวเลขที่สะดุดที่สุดคือมีนักศึกษาเพียงหนึ่งในสี่ที่รู้สึกว่ามหาวิทยาลัยเตรียมความพร้อมเรื่องการใช้ AI ให้เพียงพอ ทั้งที่สองในสามเชื่อว่ามันจะสำคัญกับอาชีพของตัวเอง และรายงานระบุว่า AI กำลังสั่นคลอนองค์ประกอบพื้นฐานของการเรียนที่นี่ ตั้งแต่แบบฝึกหัด ข้อสอบที่เอากลับบ้าน ไปจนถึงชั่วโมงให้คำปรึกษาและกลุ่มติว

คำแนะนำหลักคือให้เปลี่ยนวิธีวัดผลแทนการเปลี่ยนกฎ โดยเสนอให้ใช้การสอบปากเปล่า แฟ้มสะสมงาน และการสนทนาในห้อง แทนงานที่ลอกได้ง่าย และให้อาจารย์เปิดเผยเองว่าใช้ AI ทำอะไรบ้าง ส่วนคำแนะนำที่ตรงกันข้ามกับสิ่งที่หลายสถาบันกำลังทำคือให้เลิกพึ่งเครื่องมือตรวจจับข้อความที่ AI เขียน โดยให้เหตุผลว่าเป็นการแข่งกันไม่รู้จบ และเครื่องมือเหล่านั้นมักตัดสินผิดกับงานเขียนของคนที่ไม่ได้ใช้ภาษาอังกฤษเป็นภาษาแม่

ข้อควรระวังคือรายงานนี้เขียนจากบริบทของมหาวิทยาลัยวิจัยแห่งเดียวในสหรัฐ ตัวเลขความเห็นของนักศึกษาจึงไม่ใช่ตัวเลขที่ย้ายมาใช้กับสถาบันไทยได้ตรงๆ

▲ ทำไมต้องรู้ · ประเด็นที่ย้ายมาใช้กับที่ทำงานได้ทันทีคือข้อสรุปเรื่องเครื่องมือจับ AI องค์กรไทยหลายแห่งกำลังคิดจะซื้อเครื่องมือแบบนี้มาตรวจงานพนักงาน ซึ่งรายงานนี้บอกว่าไม่ได้ผลและเสี่ยงตัดสินผิดกับคนที่เขียนภาษาอังกฤษเป็นภาษาที่สอง ทางที่ได้ผลกว่าคือเปลี่ยนวิธีวัดผลงานให้วัดสิ่งที่ลอกไม่ได้ เช่นการอธิบายสดว่าทำไมถึงตัดสินใจแบบนั้น

รายงานของ MIT · Hacker News

งานนี้จัดขึ้นเมื่อวันที่ 26 ส.ค. ที่ไบเทค บางนา ในเวทีคู่ขนานของงานแสดงสินค้าอิเล็กทรอนิกส์ โดยเลขาธิการ BOI ประกาศแนวทางสามด้านสำหรับผลักดันไทยเข้าไปอยู่ในห่วงโซ่อุปทานอิเล็กทรอนิกส์อัจฉริยะของโลก

ตัวเลขที่เปิดเผยคือเม็ดเงินลงทุนจริงในครึ่งแรกของปี 2569 มีมูลค่ากว่า 535,800 ล้านบาท เพิ่มขึ้นร้อยละ 27 โดยเฉพาะไตรมาสสองมีมูลค่ากว่า 250,000 ล้านบาท และการลงทุนจริงในกิจการที่เกี่ยวข้องกับ AI มีมูลค่ากว่า 127,000 ล้านบาท หรือประมาณครึ่งหนึ่งของการลงทุนทั้งหมด ซึ่งครอบคลุมทั้งอุปกรณ์ส่งสัญญาณแสง แผงวงจร ฮาร์ดดิสก์ความจุสูง เซิร์ฟเวอร์สำหรับงาน AI และโครงสร้างพื้นฐานดิจิทัล

ตัวเลขที่เป็นข้อจำกัดจริงคือกำลังผลิตบุคลากรของไทยอยู่ที่ราวหนึ่งหมื่นสองพันคนต่อปี ขณะที่ความต้องการในระยะข้างหน้าอยู่ที่หลักแสนคนขึ้นไป ซึ่งเป็นช่องว่างที่แนวทางด้านที่สามของ BOI ระบุว่าจะแก้ด้วยการแปลงการลงทุนเป็นการพัฒนาคนและการถ่ายทอดเทคโนโลยี

ข้อควรระวังคือตัวเลขทั้งหมดเป็นตัวเลขที่หน่วยงานรัฐรายงานเอง และรอบนี้อ่านได้จากสื่ออุตสาหกรรมรายเดียว ยังไม่มีการยืนยันจากแหล่งที่สอง

▲ ทำไมต้องรู้ · สัดส่วนที่ควรจำคือครึ่งหนึ่งของเงินลงทุนที่เข้าไทยครึ่งปีนี้อยู่ในกลุ่มที่เกี่ยวกับ AI ซึ่งแปลว่าความต้องการคนที่ทำงานกับ AI เป็นในไทยไม่ได้มาจากบริษัทซอฟต์แวร์อย่างเดียวแล้ว แต่มาจากโรงงานอิเล็กทรอนิกส์และผู้ให้บริการโครงสร้างพื้นฐานด้วย และช่องว่างระหว่างหนึ่งหมื่นสองพันกับหลักแสนคือช่องว่างที่คนที่ขยับก่อนได้เปรียบ

MM Thailand

เรื่องนี้เคยรายงานไปเมื่อวันที่ 25 ส.ค. ตอนที่ยังเป็นแค่ข่าวว่า Hugging Face จ้างธนาคารมาหยั่งเชิงผู้สนใจซื้อที่มูลค่าราว 13 พันล้านดอลลาร์ ซึ่งตอนนั้นมาจากแหล่งเดียว รอบนี้มีสำนักข่าวเพิ่มอีกหลายเจ้าและตัวเลขที่เจาะจงขึ้นคือ 12.9 พันล้านดอลลาร์

สิ่งที่ต้องแยกให้ออกคือถ้อยคำที่แต่ละเจ้าใช้ไม่เหมือนกัน ต้นทางแรกเมื่อวันที่ 26 ส.ค. ใช้คำว่ากำลังเจรจา รายงานอีกฉบับในวันเดียวกันระบุว่าใกล้ปิดดีลแล้วแต่ยังไม่มีสัญญาที่ลงนาม และดีลยังล้มได้ ส่วนรายงานของวันที่ 27 ส.ค. จากสำนักข่าวธุรกิจอีกสองเจ้าใช้คำว่าตกลงแล้ว โดยทั้งหมดเป็นการอ้างแหล่งข่าว ไม่มีบริษัทไหนออกมายืนยันเอง และเมื่อสื่อขอความเห็น ทั้งสองบริษัทไม่ตอบ

ข้อมูลย้อนหลังที่ทำให้เห็นขนาดของการขยับคือรอบระดมทุนปี 2023 ประเมินมูลค่ากิจการไว้ที่ 4.5 พันล้านดอลลาร์ และปลายปี 2025 Nvidia เคยเสนอลงทุน 500 ล้านดอลลาร์ที่มูลค่ากิจการ 7 พันล้านดอลลาร์แล้วถูกปฏิเสธ ส่วนรายได้ต่อปีของบริษัทที่รายงานล่าสุดอยู่ที่ราว 150 ล้านดอลลาร์ ขยับขึ้นจากราว 100 ล้านดอลลาร์เมื่อสองเดือนก่อน

ข้อควรระวังที่สำคัญสำหรับคนอ่านข่าวนี้คือคำที่ใช้ต่างกันไปในแต่ละที่ทั้งที่อ้างเรื่องเดียวกัน พาดหัวบนกระดานนักพัฒนาซึ่งเป็นกระทู้ที่คนอ่านกันมากที่สุดของสัปดาห์เขียนว่าตกลงซื้อแล้วที่ราคา 13 พันล้าน ขณะที่สำนักข่าวหลายเจ้าซึ่งอ้างต้นทางเดียวกันใช้คำว่ากำลังเจรจาพร้อมตัวเลขว่ามากกว่า 13 พันล้าน ส่วนรายงานที่ออกทีหลังใช้คำว่าตกลงแล้วพร้อมตัวเลข 12.9 พันล้าน

อีกจุดที่ต้องบันทึกไว้คือเว็บของสำนักข่าวสามเจ้าที่รายงานเรื่องนี้ปฏิเสธการเชื่อมต่อจากตัวดึงของเรา และอีกเจ้าหนึ่งอ่านได้เฉพาะพาดหัวเพราะเนื้อหาอยู่หลังกำแพงสมาชิก สิ่งที่ยืนยันได้เต็มรูปในรอบนี้จึงมาจากรายงานของสำนักข่าวเทคโนโลยีเจ้าเดียวที่เปิดอ่านได้ ส่วนที่เหลือยืนยันได้แค่ระดับพาดหัวและการอ้างต่อของสำนักข่าวอื่น

▲ ทำไมต้องรู้ · ถ้าดีลนี้เกิดขึ้นจริง แพลตฟอร์มที่องค์กรทั่วโลกใช้โหลดโมเดลเปิดจะไปอยู่ใต้เจ้าของที่ขายชิป ซึ่งเป็นสิ่งที่ทีมที่พึ่งแพลตฟอร์มนี้เป็นทางเดียวควรเริ่มคิดเผื่อไว้ตั้งแต่ตอนนี้ คำถามที่ควรตอบให้ได้คือถ้าเงื่อนไขการใช้งานเปลี่ยน ทีมมีทางโหลดโมเดลที่ใช้อยู่จากที่อื่นหรือเก็บสำเนาไว้เองหรือไม่

TechCrunch · Business Insider ผ่าน Hacker News · Bloomberg · The Information

เมื่อวานรายงานผลประกอบการไตรมาสล่าสุดไปแล้ว สิ่งที่เพิ่มเข้ามาในรอบนี้คือสิ่งที่ประธานเจ้าหน้าที่ฝ่ายการเงินพูดในการประชุมนักวิเคราะห์หลังประกาศผล ซึ่งเป็นการให้ประมาณการล่วงหน้าข้ามปีบัญชี ต่างจากการให้ประมาณการรายไตรมาสตามปกติ

ตัวเลขที่ให้ไว้คือรายได้ปีบัญชี 2028 จะโตราว 70 เปอร์เซ็นต์ ซึ่งสูงกว่าค่าเฉลี่ยที่นักวิเคราะห์คาดไว้ที่ราว 44 เปอร์เซ็นต์ และเมื่อคำนวณจากค่ากลางของนักวิเคราะห์สำหรับปีบัญชี 2027 ที่ราว 396 พันล้านดอลลาร์ ตัวเลขปีถัดไปจะอยู่ที่ราว 673 พันล้านดอลลาร์ ซึ่งจะทำให้บริษัทขึ้นเป็นอันดับสองของบริษัทเทคโนโลยีสหรัฐเมื่อวัดด้วยรายได้

ตัวเลขอีกตัวที่ประกาศพร้อมกันและมีความหมายต่างออกไปคืออัตรากำไรขั้นต้นที่คาดไว้สำหรับปีบัญชี 2028 อยู่ที่ 72 ถึง 73 เปอร์เซ็นต์ ซึ่งต่ำกว่าอัตราของไตรมาสล่าสุดที่ 75.0 เปอร์เซ็นต์ และต่ำกว่าที่ประมาณไว้สำหรับไตรมาสหน้าที่ 74.0 เปอร์เซ็นต์

ข้อควรระวังคือเลข 673 พันล้านดอลลาร์ไม่ใช่ตัวเลขที่บริษัทประกาศ แต่เป็นผลของการเอาอัตราการเติบโตที่บริษัทให้ไว้ไปคูณกับค่ากลางของนักวิเคราะห์ และรอบนี้เปิดบทความต้นทางของสองสำนักข่าวที่รายงานเรื่องนี้ไม่ได้เพราะเว็บปฏิเสธการเชื่อมต่อ จึงอ่านได้เฉพาะจากบทสรุปของบริการค้นหาและพาดหัวของทั้งสองเจ้า

▲ ทำไมต้องรู้ · ตัวเลขที่ควรอ่านไม่ใช่ยอดรายได้ แต่คืออัตรากำไรขั้นต้นที่ค่อยๆ ลดลงจาก 75.0 เป็น 74.0 แล้วเป็น 72 ถึง 73 เปอร์เซ็นต์ ซึ่งเป็นสัญญาณเดียวกับที่รายงานไปเมื่อวานว่าต้นทุนฝั่งผู้ผลิตกำลังขยับ ทีมที่ทำงบค่าเรียกใช้โมเดลปีหน้าไม่ควรตั้งสมมติฐานว่าราคาจะถูกลงอย่างเดียว

CNBC · Seeking Alpha