AI News · 2026-08-29

โมเดลชื่อ Hy4 preview ประกาศเมื่อวันที่ 28 ส.ค. มีพารามิเตอร์รวม 770 พันล้านตัวแต่ใช้งานจริงต่อหนึ่งโทเคนเพียง 49 พันล้านตัว รองรับบริบทหนึ่งล้านโทเคน และไฟล์บนคลังโมเดลระบุสัญญาอนุญาตเป็น Apache 2.0 ซึ่งเป็นสัญญาที่ไม่มีเพดานรายได้ ไม่ต้องขออนุญาตใคร และเอาไปใช้เชิงพาณิชย์ได้ทันที

ตัวเลขที่ผู้ผลิตยกมาเป็นจุดขายหลักไม่ใช่คะแนนเบนช์มาร์ก แต่คือการทดสอบแบบปิดชื่อรุ่นภายในบริษัท ซึ่งใช้ผู้เชี่ยวชาญ 163 คนให้คะแนนงานวิศวกรรม 203 งาน แล้วได้ค่าเฉลี่ย 2.99 จาก 4 เทียบกับ 2.94 ของ Kimi K3 และ 2.92 ของ GLM-5.3 ส่วนคะแนนเบนช์มาร์กสาธารณะที่ประกาศไว้มี GPQA Diamond ที่ 92.3 SWE-Bench Pro ที่ 65.7 SWE-Bench Multilingual ที่ 82.9 และ DeepSWE ที่ขยับจาก 28.0 ของรุ่นก่อนขึ้นมาเป็น 64.3

ราคาเรียกใช้ผ่านชุดคำสั่งอยู่ที่ 0.834 ดอลลาร์ต่อล้านโทเคนขาเข้าและ 2.501 ดอลลาร์ต่อล้านโทเคนขาออก โดยตัวเลขที่ต่างจากเจ้าอื่นชัดที่สุดคือราคาของโทเคนที่อ่านจากแคชได้ ซึ่งอยู่ที่ 0.042 ดอลลาร์ต่อล้านโทเคน และเป็นตัวเลขที่ตัดสินค่าใช้จ่ายของงานแบบ agent ที่ต้องอ่านบริบทเดิมซ้ำทุกรอบ

ข้อควรระวังคือตัวเลขทั้งหมดข้างต้นเป็นตัวเลขที่ผู้ผลิตรายงานเอง โดยตารางคะแนนเบนช์มาร์กเผยแพร่เป็นไฟล์ภาพ ไม่ได้อยู่ในเอกสารที่เครื่องอ่านได้ ส่วนการทดสอบแบบปิดชื่อรุ่นก็เป็นการทดสอบภายในของบริษัท และระยะห่างที่ชนะอยู่ที่ราวห้าถึงเจ็ดในร้อยของคะแนนเต็มสี่ โดยรายงานเดียวกันระบุว่ายังแพ้ GLM-5.3 อยู่ 40.4 เปอร์เซ็นต์ของงาน และแพ้ Kimi K3 อยู่ 40.9 เปอร์เซ็นต์ ซึ่งอ่านเป็นสูสีมากกว่าชนะขาด ผู้ผลิตยังระบุเองว่านี่เป็นรุ่นแรกเริ่มที่ยังใช้เวลาคิดนานเกินจำเป็นกับงานซับซ้อนและตรวจงานตัวเองซ้ำเกินไป และยังไม่มีผู้วัดอิสระรายใดเผยแพร่คะแนนของโมเดลนี้

▲ ทำไมต้องรู้ · สิ่งที่ควรอ่านในข่าวโมเดลเปิดไม่ใช่คะแนน แต่คือสัญญาอนุญาตกับราคาแคช สัญญาแบบ Apache 2.0 แปลว่าองค์กรเอาไปรันในเครื่องตัวเองได้โดยไม่ต้องกลับไปเจรจากับใครแม้โตขึ้น ซึ่งต่างจากโมเดลจีนอีกหลายตัวที่มีเพดานรายได้ฝังอยู่ในสัญญา และราคาแคชที่ถูกกว่าราคาปกติยี่สิบเท่าคือสิ่งที่ทำให้ระบบที่ต้องอ่านเอกสารชุดเดิมซ้ำทุกวันมีต้นทุนต่างกันเป็นเท่าตัว

Tencent · Hugging Face · TechNode · Blognone

เมื่อวันที่ 27 ส.ค. รายงานไปว่า Z.ai ปล่อยรุ่นเล็กชื่อ GLM-5.3-Flash ใต้สัญญาอนุญาต MIT ซึ่งเป็นแบบที่เปิดกว้างที่สุดแบบหนึ่ง รอบนี้น้ำหนักของรุ่นเต็มชื่อ GLM-5.3 ขึ้นคลังโมเดลแล้วเมื่อวันที่ 28 ส.ค. และกลายเป็นกระทู้อันดับต้นของกระดานนักพัฒนาด้วยคะแนนกว่าห้าร้อยห้าสิบ

จุดที่ต้องอ่านให้ละเอียดคือไฟล์สัญญาอนุญาต ซึ่งไม่ใช่ MIT แต่เป็นสัญญาที่ผู้ผลิตเขียนขึ้นเองในชื่อเดียวกับโมเดล เนื้อหาเปิดกว้างเป็นส่วนใหญ่ทั้งการใช้ แก้ไข แจกจ่าย และใช้เชิงพาณิชย์ แต่มีเงื่อนไขเพิ่มมาข้อหนึ่ง คือถ้าผู้รับอนุญาตหรือบริษัทในเครือทำธุรกิจให้บริการโมเดลแก่บุคคลที่สาม และมีรายได้รวมเกินหนึ่งหมื่นล้านดอลลาร์ในช่วงสิบสองเดือนต่อเนื่องใดก็ตาม ต้องผ่านการตรวจด้านความปลอดภัยของ Z.ai ก่อนใช้เชิงพาณิชย์ เงื่อนไขนี้จึงไม่ได้ผูกกับทุกคนที่รายได้ถึงเกณฑ์ แต่ผูกกับคนที่เอาโมเดลไปเปิดให้คนอื่นเรียกใช้ ซึ่งเป็นรูปแบบเดียวกับเพดานรายได้ที่รายงานไปเมื่อวันที่ 24 ส.ค. ของค่ายจีนอีกสองเจ้า ต่างกันแค่ตัวเลขและขอบเขต

สิ่งที่ทำให้เรื่องนี้เป็นข่าวไม่ใช่แค่ว่าไม่ใช่ MIT แต่คือรุ่นก่อนหน้าอย่าง GLM-5.2 ก็อยู่ใต้ MIT และ GLM-5.3-Flash ที่ปล่อยก่อนหน้าแค่วันเดียวก็ยังเป็น MIT อยู่ การย้ายไปใช้สัญญาเฉพาะจึงเป็นการเปลี่ยนแนวครั้งแรกของสายผลิตภัณฑ์นี้

ฝั่งเนื้อโมเดล ผู้ผลิตระบุเองว่าใช้โมเดลฐานตัวเดียวกับรุ่นก่อนหน้าทั้งหมด ผลที่ดีขึ้นมาจากขั้นฝึกหลังจากนั้นล้วนๆ ไฟล์ตั้งค่าที่แนบมาระบุ 78 ชั้น ผู้เชี่ยวชาญย่อย 256 ตัวบวกอีกหนึ่งตัวที่ใช้ร่วมกัน เลือกใช้ครั้งละ 8 ตัว และเพดานตำแหน่งบริบทที่ 1,048,576 โทเคน ส่วนตัวเลขพารามิเตอร์รวมไม่ได้ระบุไว้ในเอกสารของผู้ผลิตเอง และตัวเลขที่แหล่งภายนอกอ้างกันอยู่ในช่วง 743 ถึง 753 พันล้าน ต่างกันตามวิธีนับ จึงยังไม่ควรยกตัวเลขใดตัวเลขหนึ่งไปใช้เป็นข้อเท็จจริง

ตัวเลขที่ขยับแรงที่สุดในตารางเบนช์มาร์กของผู้ผลิตคือกลุ่มความสามารถด้านความปลอดภัยไซเบอร์ โดย ExploitBench ขึ้นจาก 24.4 ของรุ่นก่อนเป็น 54.4 และ CyberGym ขึ้นจาก 77.2 เป็น 84.5 ส่วน Terminal Bench 3.0 ขึ้นจาก 4.6 เป็น 28.3 ข้อควรระวังคือทุกตัวเลขในตารางนั้นเป็นตัวเลขที่ผู้ผลิตวัดเอง และในรายการ Terminal Bench 2.1 ผู้ผลิตรายนี้รายงานตัวเองไว้ที่ 88.2 ขณะที่ผู้ผลิตในข้อ 1 รายงานตัวเองไว้ที่ 85.4 แล้วบอกว่าตัวเองชนะ ซึ่งเป็นเหตุผลที่ไม่ควรอ่านคะแนนข้ามค่ายเทียบกันตรงๆ

▲ ทำไมต้องรู้ · บทเรียนที่ใช้ได้ทันทีคืออย่าสรุปสัญญาอนุญาตของโมเดลจากรุ่นพี่หรือรุ่นน้องในตระกูลเดียวกัน รุ่นเล็กเป็น MIT ไม่ได้แปลว่ารุ่นใหญ่จะเป็นด้วย ทีมที่กำลังเลือกโมเดลเปิดมาวางในระบบขององค์กรควรเปิดไฟล์สัญญาอนุญาตจริงอ่านเองทุกครั้ง ไม่ใช่อ่านจากข่าวหรือจากป้ายบนหน้าคลังโมเดล

Hugging Face model card · ไฟล์สัญญาอนุญาต · Hacker News

รุ่น 2.1.251 มีรายการแก้ด้านความปลอดภัยอยู่หลายข้อที่เป็นรูปแบบเดียวกัน คือด่านขออนุญาตตรวจเส้นทางไฟล์ไปแล้ว แต่เส้นทางนั้นถูกสับเปลี่ยนด้วยลิงก์ไฟล์ทีหลัง ทำให้เครื่องมืออ่านและเขียนไฟล์ทำงานนอกพื้นที่ที่ได้รับอนุญาต ส่วนกฎห้ามอ่านที่ตั้งไว้ก็ไม่ถูกบังคับใช้เมื่อเครื่องมือค้นหาเดินเข้าไปตามลิงก์

รายการแก้อีกกลุ่มเป็นเรื่องขอบเขตของการตั้งค่า โดยตอนนี้การตั้งค่าระดับโครงการเปิดโหมดบันทึกรายละเอียดการเรียกใช้ระบบดิบไม่ได้อีกแล้ว การตั้งค่าที่ปลดการแยกกล่องทดสอบหรือแทรกกุญแจเข้าไปในทางเดินของข้อมูลต้องผ่านการอนุมัติก่อนจึงจะมีผล และคำสั่งเปลือกที่กำหนดค่าตัวแปรเป็นนิพจน์คณิตศาสตร์ ซึ่งเดิมผ่านด่านอนุมัติอัตโนมัติไปได้ ตอนนี้ต้องถามคนก่อน

ของใหม่ที่กระทบค่าใช้จ่ายโดยตรงคือจุดแทรกก่อนและหลังการสลับโมเดล ซึ่งใช้บล็อก ยืนยัน หรือบันทึกการสลับได้ กับบรรทัดสรุปสถานะแคชคำสั่งรายเซสชันที่บอกอัตราการอ่านโดน จำนวนครั้งที่พลาด และจำนวนโทเคนที่ต้องแคชใหม่

▲ ทำไมต้องรู้ · รูปแบบของช่องโหว่ที่ถูกแก้รอบนี้คือสิ่งที่ทีมที่เขียนเครื่องมือให้ AI เรียกใช้เองควรจำไว้ คือการตรวจสิทธิ์ตอนรับคำสั่งไม่พอ ต้องตรวจอีกครั้งตอนลงมือทำจริง เพราะสิ่งที่เส้นทางชี้ไปเปลี่ยนได้ระหว่างสองจังหวะนั้น ส่วนจุดแทรกก่อนสลับโมเดลคือคันโยกที่ทีมซึ่งกำลังคุมงบค่าเรียกใช้ควรรู้ว่ามีอยู่

Claude Code changelog

ผู้เขียนคือ Anil Madhavapeddy อาจารย์ด้านวิทยาการคอมพิวเตอร์ที่เคมบริดจ์ซึ่งดูแลไลบรารีของภาษา OCaml เขาเปิดคำขอรวมโค้ดที่แก้ช่องโหว่การเดินออกนอกเส้นทางไฟล์ในไลบรารีเชื่อมต่อเว็บของภาษานั้น แล้วพบว่ามีการยิงทดสอบที่ตรงกับรูปแบบของบั๊กนั้นเข้ามาที่เซิร์ฟเวอร์ของเขาภายในเวลาราวสิบนาที

เขาทดลองเองเพื่อวัดว่าใช้เวลาเท่าไรจึงจะเขียนโค้ดโจมตีได้จากข้อมูลเท่าที่มีในแพตช์ โดยเล่าว่าโมเดลตัวแรกที่ลองปฏิเสธไม่ยอมทำงานเรื่องเส้นทางไฟล์เพราะติดข้อจำกัดด้านความปลอดภัย เขาจึงเปลี่ยนไปใช้โมเดลอีกตัวหนึ่ง ซึ่งชี้ช่องโหว่ที่เกี่ยวข้องได้อีกหลายจุดและเขียนโค้ดโจมตีที่ใช้ได้จริงกับเซิร์ฟเวอร์ในเครื่องออกมาในเวลาไม่ถึงหนึ่งนาที

ตัวเลขที่เขายกมาประกอบคือระยะเวลาเฉลี่ยจากการเปิดเผยช่องโหว่จนถึงการโจมตีจริง ซึ่งอยู่ที่ราว 63 วันในช่วงปี 2018 ถึง 2019 ข้ามศูนย์ไปในปี 2024 และตอนนี้อยู่ที่ลบเจ็ดวัน หมายความว่าการโจมตีเกิดก่อนแพตช์ออก ตัวอย่างที่เจาะจงคือช่องโหว่หนึ่งถูกโจมตีหลังประกาศ 9 ชั่วโมง อีกช่องหนึ่ง 20 ชั่วโมง และงานวิจัยที่เขาอ้างพบว่า agent ที่ได้รับคำอธิบายช่องโหว่โจมตีสำเร็จ 87 เปอร์เซ็นต์ แต่เมื่อไม่มีคำอธิบายเหลือ 7 เปอร์เซ็นต์

เสียงจากอีกฝั่งที่ยืนยันเรื่องเดียวกันมาจากผู้ดูแลโปรแกรมซิงก์ไฟล์ชื่อ rclone ซึ่งเล่าว่าสิบปีแรกของโครงการได้รับรายงานช่องโหว่ราว 20 ฉบับ แต่เดือนที่ผ่านมาเดือนเดียวได้มากกว่า 40 ฉบับ โดยราวสามในสี่เป็นเรื่องจริงที่ต้องแก้ ผลข้างเคียงคือการขอรหัสอ้างอิงช่องโหว่ซึ่งเคยใช้เวลาสองถึงสามวัน ตอนนี้ใช้เวลาสามถึงสี่สัปดาห์ ข้อควรระวังคือตัวเลขทั้งหมดนี้เป็นประสบการณ์ของผู้ดูแลโครงการเป็นรายโครงการ ไม่ใช่การสำรวจทั้งวงการ

▲ ทำไมต้องรู้ · ข้อสรุปที่เอาไปใช้ได้ทันทีคือสมมติฐานเดิมที่ว่ามีเวลาหายใจระหว่างแพตช์ออกกับการโจมตีจริงใช้ไม่ได้แล้ว องค์กรที่ตั้งรอบอัปเดตซอฟต์แวร์ไว้เดือนละครั้งหรือไตรมาสละครั้งกำลังเปิดหน้าต่างที่กว้างกว่าที่คิดมาก และสิ่งที่ควรทบทวนคือความเร็วในการปิดช่องโหว่ของตัวเอง ไม่ใช่ความเร็วในการค้นหามัน

บันทึกของผู้เขียน · Simon Willison · Hacker News

บทความนี้เขียนโดย Neil Alexander ตั้งแต่วันที่ 30 มิ.ย. แล้วกลับมาติดอันดับต้นของกระดานนักพัฒนาอีกครั้งในรอบนี้ด้วยคะแนนกว่าสองร้อย เนื้อหาเป็นการขอตรงๆ ให้คนเลิกใช้ AI ผลิตคำขอรวมโค้ดที่ไม่ได้จำเป็นและรายงานช่องโหว่ที่หวังรหัสอ้างอิง เพื่อทำให้หน้าโปรไฟล์ดูมีผลงาน

ตัวอย่างที่เขายกคือบัญชีที่ไม่มีความเคลื่อนไหวมาตั้งแต่ปลายปี 2018 แล้วจู่ๆ ส่งคำขอรวมโค้ดสามฉบับที่แก้แค่คำสะกดกับไวยากรณ์ในคำอธิบายโค้ด โดยเขาระบุว่าตัว AI เป็นคนแก้ เขียนคำอธิบายให้ และเซ็นชื่อกำกับการแก้ในนามของเจ้าของบัญชีด้วย

สิ่งที่เขาขอไม่ใช่การห้ามใช้ AI แต่คือให้ส่งงานเพราะอยากให้โครงการดีขึ้นจริง ไม่ใช่เพราะอยากได้ตราหรือช่องสีเขียวบนหน้าโปรไฟล์ ข้อควรระวังคือบทความนี้เป็นความเห็นและประสบการณ์ของผู้ดูแลรายเดียว ไม่มีตัวเลขรวมของทั้งวงการประกอบ

▲ ทำไมต้องรู้ · อาการเดียวกันกำลังเกิดในที่ทำงาน คือเมื่อการผลิตเอกสารและข้อเสนอถูกลงจนเกือบฟรี ปริมาณของที่ต้องมีคนอ่านจะเพิ่มขึ้นเร็วกว่ากำลังคนที่อ่านได้ ทีมที่จะเจอปัญหานี้ก่อนคือทีมที่วัดผลด้วยจำนวนชิ้นงาน เพราะตัวชี้วัดแบบนั้นเชิญชวนให้คนส่งของที่ AI ร่างมาโดยไม่ตรวจ

บทความ · Hacker News

โครงการที่ถูกถอดคือ Luanti ซึ่งเป็นเอนจินสำหรับสร้างเกมแบบก้อนสี่เหลี่ยม ผู้ยื่นคำร้องคือบริษัทชื่อ Tracer.AI ซึ่งยื่นในนามของ Microsoft โดยอ้างว่าโครงการนี้ใช้ทรัพย์สินที่มีลิขสิทธิ์จากเกม Minecraft โดยไม่ได้รับอนุญาต

จุดที่ผู้ดูแลโครงการชี้ว่าเป็นปัญหาคือคำร้องอ้างเพียงเลขทะเบียนลิขสิทธิ์ของ Minecraft รุ่นหนึ่ง โดยไม่ได้ระบุว่าทรัพย์สินชิ้นไหนถูกละเมิด ทั้งที่ตัวเอนจินไม่ได้แถมเกมหรือไฟล์กราฟิกของใครมาด้วยตั้งแต่แรก คนที่ใช้ต้องไปโหลดเนื้อหาที่ชุมชนสร้างเองแยกต่างหาก และบริษัทที่ยื่นคำร้องโฆษณาตัวเองว่าใช้ AI ทำให้การถอดเนื้อหาเร็วขึ้น 85 เปอร์เซ็นต์และตรวจได้เร็วกว่าวิธีเดิมหกเท่า

นี่ไม่ใช่ครั้งแรก เพราะเมื่อเดือน มี.ค. 2023 เคยมีคำร้องลักษณะเดียวกันจากบริษัทเดียวกัน และแอปได้กลับขึ้นร้านหลังผ่านไป 46 วัน รอบนี้ผู้ดูแลยื่นคำร้องโต้แย้งแล้วและยังโหลดโปรแกรมได้จากช่องทางอื่น ข้อควรระวังคือเรื่องราวทั้งหมดมาจากคำบอกเล่าของฝ่ายผู้ถูกถอด ยังไม่มีคำชี้แจงจากผู้ยื่นคำร้องหรือจากเจ้าของร้านแอป

▲ ทำไมต้องรู้ · เรื่องนี้คือตัวอย่างของสิ่งที่กำลังจะกระทบธุรกิจไทยที่ขายของหรือลงเนื้อหาบนแพลตฟอร์มต่างประเทศ คือระบบตรวจการละเมิดกำลังเปลี่ยนเป็นระบบอัตโนมัติที่ยิงคำร้องได้เร็วและถูกกว่าเดิมมาก ขณะที่ต้นทุนของการโต้แย้งยังเท่าเดิม สิ่งที่ควรเตรียมไว้ล่วงหน้าคือหลักฐานที่มาของภาพ เสียง และโค้ดทุกชิ้นที่ใช้ เพราะการพิสูจน์ย้อนหลังตอนถูกถอดแล้วใช้เวลาเป็นสัปดาห์

บล็อกของโครงการ · Hacker News

ฟีเจอร์นี้ชื่อ Expert Intelligence ประกาศเมื่อวันที่ 27 ส.ค. ให้ผู้ใช้ดึงอีบุ๊กที่ซื้อจาก Google Play Books เข้าไปเป็นแหล่งข้อมูลในเครื่องมือสรุปและถามตอบเอกสารของบริษัท แล้วให้คำตอบที่อ้างอิงกลับไปที่เนื้อในหนังสือเล่มนั้นโดยตรง

ขอบเขตที่ประกาศไว้คือหนังสือมากกว่าหนึ่งแสนเล่มจากสำนักพิมพ์ใหญ่หลายราย และมีการทำสมุดบันทึกตัวอย่างร่วมกับนักเขียนขายดีมากกว่าสิบห้าคน สิ่งที่ทำได้กับหนังสือคือสรุป ถามตอบ ทำภาพสรุป ทำเสียงบรรยาย และออกข้อสอบ เหมือนที่ทำได้กับแหล่งข้อมูลอื่นในเครื่องมือเดิม

เงื่อนไขที่ต้องรู้คือผู้ใช้ต้องเป็นเจ้าของหนังสือเล่มนั้นจริงจึงจะใช้ได้ และคนที่เข้ามาร่วมในสมุดบันทึกเดียวกันก็ต้องซื้อเล่มของตัวเองแยก ข้อควรระวังคือประกาศไม่ได้ระบุว่าเปิดใช้ในประเทศใดบ้าง จึงยังไม่ยืนยันว่าผู้ใช้ในไทยใช้ได้แล้วหรือยัง

▲ ทำไมต้องรู้ · นี่คือรูปแบบที่กำลังจะกลายเป็นมาตรฐานของเครื่องมือ AI ที่ทำงานกับความรู้เฉพาะทาง คือแทนที่จะให้โมเดลตอบจากที่จำมา ให้มันอ่านจากเล่มที่ผู้ใช้ถือสิทธิ์อยู่จริงแล้วอ้างกลับไปได้ ทีมที่กำลังทำคลังความรู้ภายในองค์กรควรใช้หลักเดียวกัน คือผูกคำตอบกับเอกสารต้นทางที่ตรวจย้อนได้เสมอ

บล็อกของ Google · Blognone

เมื่อวันที่ 23 ส.ค. รายงานไปว่าชุดคำสั่ง Python ของ OpenAI ขึ้นรุ่นใหญ่ที่ตัดของเดิมทิ้งหลายอย่างและย้ายชั้นเชื่อมต่อไปไลบรารีคนละตัว รอบนี้เอกสารคู่มือย้ายระบบฉบับเต็มขึ้นกระดานนักพัฒนาด้วยคะแนนหนึ่งร้อยแปดสิบ ทำให้เห็นชัดว่าอะไรพังบ้าง

เรื่องที่กระทบมากที่สุดคือการตรวจใบรับรองความปลอดภัยของการเชื่อมต่อ เพราะไลบรารีตัวใหม่เปลี่ยนจากการใช้ชุดใบรับรองที่แถมมากับแพ็กเกจ ไปใช้คลังใบรับรองของระบบปฏิบัติการแทน ผลคือระบบที่รันในกล่องคอนเทนเนอร์แบบตัดทุกอย่างออกจนเหลือน้อยที่สุด ซึ่งเป็นวิธีที่นิยมกันเพื่อความปลอดภัยและขนาด จะเชื่อมต่อไม่ได้ทันทีเพราะไม่มีคลังใบรับรองอยู่ในนั้น

สิ่งที่ต้องแก้ตามคือโปรแกรมที่ตั้งค่าตัวเชื่อมต่อเอง ตัวจัดการการยืนยันตัวตน และชุดทดสอบที่จำลองการเรียกใช้ระบบไว้ ซึ่งต้องเปลี่ยนไปอ้างอิงวัตถุของไลบรารีตัวใหม่ทั้งหมด เอกสารระบุว่ามีทางเลี่ยงชั่วคราวสำหรับโปรแกรมที่ยังต้องพึ่งไลบรารีเดิม แต่ไม่แนะนำ ข้อควรระวังคือเอกสารไม่ได้ระบุกำหนดเวลาที่จะเลิกรองรับทางเลี่ยงนั้น

▲ ทำไมต้องรู้ · บทเรียนที่ใช้ได้กับทุกทีมคือการอัปเกรดชุดคำสั่งของผู้ให้บริการ AI ไม่ได้กระทบแค่โค้ดที่เรียกใช้ แต่ลงไปถึงชั้นการเชื่อมต่อและความปลอดภัยที่ไม่มีใครดูมานาน อาการที่จะเจอคือระบบที่ทำงานดีบนเครื่องนักพัฒนาแล้วพังตอนขึ้นจริง เพราะสภาพแวดล้อมสองที่มีคลังใบรับรองไม่เหมือนกัน

คู่มือย้ายระบบ · Hacker News

ระบบที่ผู้เขียนเรียกว่า the Station ให้ agent หลายตัวอยู่ในสภาพแวดล้อมร่วมกัน โดยแต่ละตัวเลือกทิศทางวิจัยของตัวเอง ทำการทดลอง แล้วสะสมความรู้ไว้ในที่ที่ตัวอื่นอ่านต่อได้ จุดที่ต่างจากงานประเภทเดียวกันคือไม่มีตัวกลางคอยแบ่งงานหรือกำหนดเป้าหมายให้

ผลที่รายงานคือได้ตระกูลใหม่ของเซตชนิดหนึ่งบนฟีลด์จำกัด ได้การจัดวางแบบใหม่ที่ 604 จุดในมิติที่ 11 ได้ขอบล่างที่ดีขึ้นมากสำหรับโจทย์คลาสสิกข้อหนึ่ง และได้ตระกูลใหม่ของจำนวนแรมซีย์แบบหนึ่ง โดยทดสอบบนโจทย์การสร้าง 12 ข้อกับกรณีศึกษาอีกสองกรณี

สิ่งที่ผู้เขียนเน้นว่าสำคัญกว่าตัวเลขคือ agent เขียนบทพิสูจน์และคำอธิบายว่าสิ่งที่สร้างขึ้นทำงานอย่างไรออกมาด้วย ไม่ใช่โยนคำตอบมาเฉยๆ ซึ่งเป็นสิ่งที่ทำให้นักคณิตศาสตร์เอาไปต่อยอดได้ และผู้เขียนเปิดบทสนทนาของ agent บทพิสูจน์ และโค้ดตรวจสอบทั้งหมดให้ดูได้

ข้อควรระวังคืองานนี้เป็นร่างที่ยังไม่ผ่านการตรวจของผู้ทรงคุณวุฒิ และในกระทู้บนกระดานนักพัฒนายังไม่มีนักคณิตศาสตร์เข้ามายืนยันหรือหักล้างผลลัพธ์ที่อ้างไว้ทีละข้อ การอภิปรายส่วนใหญ่เป็นการถกว่านับเป็นความคิดสร้างสรรค์หรือไม่มากกว่าการตรวจงาน

▲ ทำไมต้องรู้ · สิ่งที่ควรจับจากงานนี้ไม่ใช่ข่าวว่า AI ทำคณิตศาสตร์ได้ แต่คือรูปแบบการจัดวางที่ทำให้มันได้ผล คือปล่อยให้หลายตัวเลือกงานเองแล้วเขียนสิ่งที่เรียนรู้ลงในที่ที่ตัวอื่นอ่านต่อได้ ทีมที่กำลังต่อ AI หลายตัวเข้าด้วยกันมักออกแบบเป็นสายพานที่กำหนดลำดับตายตัว ซึ่งเป็นคนละแบบกับที่งานนี้ใช้

arXiv 2608.23691 · Hacker News

โจทย์ที่งานนี้จับคือสิ่งที่ทีมทำระบบ agent ใช้เวลาปรับกันมาก คือเมื่อเครื่องมือคืนผลลัพธ์กลับมาเป็นกอง แล้วต้องตัดให้เหลือเท่าที่ใส่ในบริบทได้ ควรเรียงลำดับอย่างไรให้ของที่ถูกต้องอยู่บนสุด ผู้เขียนวัดด้วยงานค้นหาตำแหน่งไฟล์บนชุดทดสอบ 500 งาน ด้วยโมเดลห้าตัว รวมการเรียกใช้ 4,800 ครั้ง

ผลตั้งต้นคือวิธีให้คะแนนแบบนับคำที่ไม่ต้องปรับค่าอะไรเลย ยกอัตราการที่ของถูกอยู่อันดับหนึ่งจาก 24.2 เปอร์เซ็นต์เป็น 35.0 เปอร์เซ็นต์ ซึ่งเป็นการปรับปรุงที่ชัดเจนมากในเชิงสถิติ แต่เมื่อไปดูผลปลายทางว่า agent ทำงานสำเร็จมากขึ้นหรือไม่ ส่วนต่างของทุกโมเดลอยู่ต่ำกว่าสามจุดและไม่มีตัวไหนมีนัยสำคัญ

คำอธิบายที่ผู้เขียนให้คือ agent ไม่ได้อ่านเฉพาะบรรทัดบนสุดแล้วหยุด มันหยิบสิ่งที่ต้องการจากตรงไหนก็ได้ในก้อนที่ส่งให้ สิ่งที่ตัดสินผลจึงเป็นว่าของที่ถูกอยู่ในก้อนนั้นหรือไม่ ไม่ใช่ว่าอยู่อันดับที่เท่าไรในก้อน ผลที่กลับด้านกับสัญชาตญาณอีกข้อคือการเติมข้อมูลกำกับไฟล์สี่ชนิดเข้าไปในตัวให้คะแนน ทำให้อัตราการที่ของถูกอยู่อันดับหนึ่งลดลง 4.8 จุด

ข้อควรระวังคืองานนี้เป็นร่างที่ยังไม่ผ่านการตรวจของผู้ทรงคุณวุฒิ และวัดบนงานค้นหาตำแหน่งไฟล์ในโค้ดเป็นหลัก

▲ ทำไมต้องรู้ · นี่คือข้อมูลที่ช่วยประหยัดเวลาให้ทีมที่กำลังจะลงแรงปรับอันดับผลลัพธ์ของระบบค้นหาที่ต่อกับ AI คำถามที่ควรถามก่อนลงมือคือของที่ถูกต้องอยู่ในสิ่งที่ส่งให้โมเดลหรือยัง ถ้าอยู่แล้ว การขยับให้มันอยู่อันดับต้นๆ อาจไม่เปลี่ยนอะไรเลย

arXiv 2608.26130

งานนี้เป็นรายงานระบบที่ใช้งานจริงในกิจการท่องเที่ยวของเทศบาลแห่งหนึ่ง ครอบคลุมแหล่งท่องเที่ยวเจ็ดแห่งและธุรกิจสิบสองประเภท โจทย์คือเงื่อนไขราคาที่เขียนไว้เป็นภาษาคนกว่าหนึ่งพันรายการกับผู้ประกอบการกว่าหนึ่งพันห้าร้อยราย ต้องแปลงเป็นการคิดราคาที่ถูกต้องทุกครั้ง

สิ่งที่ผู้เขียนย้ำว่าเป็นหัวใจของการออกแบบคือการแบ่งงานกันชัดเจน โมเดลภาษาทำหน้าที่แค่อ่านคำสั่งที่เป็นภาษาคนแล้วดึงข้อมูลออกมาเป็นโครงสร้าง กับเลือกเงื่อนไขที่จะใช้จากชุดที่กำหนดไว้ ส่วนการคิดเลขทั้งหมดรวมถึงยอดรวมสุดท้าย ระบบคำนวณด้วยกฎที่เขียนไว้ตายตัว ไม่ผ่านโมเดล และเงื่อนไขทั้งหมดถูกแปลงเป็นต้นไม้เงื่อนไขที่คนเปิดอ่านตรวจได้

ผลที่รายงานหลังใช้งานหกเดือนคือประมวลคำสั่งซื้อไป 3,960 รายการ ลดจำนวนคนที่ต้องดูแลคำสั่งซื้อจากสิบห้าถึงยี่สิบคนเหลือสามคน และลดเวลาจัดการต่อหนึ่งคำสั่งซื้อจากราวสิบนาทีเหลือไม่ถึงสองนาที ข้อควรระวังคืองานนี้เป็นร่างที่ยังไม่ผ่านการตรวจของผู้ทรงคุณวุฒิ และเป็นรายงานจากการใช้งานจริงที่เดียว ไม่มีกลุ่มควบคุมให้เทียบ

▲ ทำไมต้องรู้ · รูปแบบนี้ตอบโจทย์ที่ธุรกิจไทยเจอกันมากที่สุดเวลาจะเอา AI มาใช้กับงานที่มีตัวเงิน คือกลัวว่ามันจะคิดเลขผิดแล้วไม่มีใครรู้ ทางออกที่งานนี้แสดงให้เห็นคือให้ AI ทำเฉพาะส่วนที่มันเก่งจริงคือการอ่านภาษาคนแล้วจัดเป็นโครงสร้าง แล้วให้ระบบเดิมที่ตรวจสอบได้ทำส่วนที่ต้องถูกร้อยเปอร์เซ็นต์

arXiv 2608.26124

งานนี้ทดสอบว่าโมเดลภาษาเล่าเรื่องจากธรรมเนียมการเล่าเรื่องของอินเดียสามสายได้ตรงกับต้นฉบับแค่ไหน สามสายที่ใช้คือมหากาพย์ของราชสถาน บทกวีคลาสสิกของทมิฬ และนิทานพื้นบ้านเบงกอล วิธีวัดคือเทียบว่าเนื้อที่โมเดลสร้างออกมาใกล้กับต้นฉบับของสายตัวเองมากกว่าหรือใกล้กับสายอื่นมากกว่า

ผลตั้งต้นคือความคล้ายกันข้ามธรรมเนียมสูงถึงช่วง 0.52 ถึง 0.66 ทั้งที่ควรจะต่างกันมากกว่านั้น แปลว่าโมเดลบดสามสายที่ต่างกันให้กลายเป็นเสียงเดียว ผลที่กลับด้านกับความคาดหมายมากที่สุดคือการสั่งงานด้วยภาษาของท้องถิ่นนั้นเอง ทั้งฮินดี ทมิฬ และเบงกาลี กลับทำให้ความตรงกับต้นฉบับลดลง โดยบางสายลดลงถึง 27 จุด เทียบกับการสั่งงานเป็นภาษาอังกฤษ ซึ่งขัดกับงานก่อนหน้าที่บอกว่าการสั่งงานด้วยภาษาท้องถิ่นช่วยเรื่องความถูกต้องทางวัฒนธรรม

ข้อควรระวังคือผู้เขียนระบุเองว่านี่เป็นงานนำร่องขนาดเล็ก ตั้งใจให้เป็นส่วนเสริมของงานที่ใช้คนอ่านให้คะแนนในขนาดใหญ่ ไม่ใช่ตัวแทนของมัน และวัดบนภาษาและวัฒนธรรมอินเดียเท่านั้น การเทียบมาที่ไทยจึงเป็นการเทียบเชิงรูปแบบ ไม่ใช่การยืนยันตัวเลข

▲ ทำไมต้องรู้ · สมมติฐานที่ทีมไทยใช้กันบ่อยคือถ้าอยากได้คำตอบที่เข้ากับบริบทไทย ก็สั่งเป็นภาษาไทยสิ งานนี้บอกว่าสมมติฐานนั้นต้องทดสอบ ไม่ใช่เชื่อไปเลย เพราะภาษาที่ใช้สั่งกับความเข้าใจบริบทเป็นคนละเรื่องกัน วิธีตรวจที่ถูกที่สุดคือให้โมเดลตอบโจทย์เดียวกันทั้งสองภาษาแล้วให้คนที่รู้เรื่องนั้นจริงอ่านเทียบ

arXiv 2608.26123

งานนี้เอาโมเดลสี่ตัวที่ฝึกบนชุดข้อมูลสุขภาพจิตชุดหนึ่ง ไปวัดผลบนข้อความจริงจากสองแพลตฟอร์มที่ต่างกัน คือกระดานสนทนากับแพลตฟอร์มข้อความสั้น เพื่อดูว่าความแม่นที่วัดได้ในชุดข้อมูลเดิมรอดไปถึงการใช้งานจริงหรือไม่

ผลที่รายงานคือในชุดข้อมูลเดิม โมเดลทำคะแนนความสามารถแยกแยะได้ในช่วง 0.983 ถึง 0.987 ซึ่งเกือบสมบูรณ์ แต่พอย้ายไปกระดานสนทนา คะแนนตกลง 30.3 ถึง 35.4 เปอร์เซ็นต์ และบนแพลตฟอร์มข้อความสั้นตกลง 37.9 ถึง 39.5 เปอร์เซ็นต์

ตัวเลขที่อันตรายกว่าความแม่นคือความมั่นใจของโมเดล ซึ่งวัดด้วยส่วนต่างระหว่างความมั่นใจที่บอกกับความถูกต้องจริง ค่านี้อยู่ที่ราว 0.056 ถึง 0.060 ในชุดข้อมูลเดิม แต่ขึ้นไปที่ 0.196 ถึง 0.229 บนกระดานสนทนา และ 0.499 ถึง 0.542 บนแพลตฟอร์มข้อความสั้น แปลว่าโมเดลไม่ได้แค่ทายผิดมากขึ้น แต่ยังมั่นใจในคำตอบที่ผิดด้วย ข่าวดีคือการปรับค่าความมั่นใจด้วยวิธีมาตรฐานตัวหนึ่งดึงส่วนที่เสียไปกลับมาได้ 88 เปอร์เซ็นต์ โดยไม่กระทบความสามารถแยกแยะ

ข้อควรระวังคืองานนี้เป็นร่างที่ยังไม่ผ่านการตรวจของผู้ทรงคุณวุฒิ วัดบนข้อความภาษาอังกฤษ และใช้ป้ายกำกับที่เป็นตัวแทนของภาวะสุขภาพจิต ไม่ใช่การวินิจฉัยทางการแพทย์

▲ ทำไมต้องรู้ · ตัวเลขชุดนี้ใช้ตอบคำถามที่ผู้บริหารถามบ่อยที่สุดได้ตรงที่สุด คือทำไมโมเดลที่ผู้ขายโชว์ว่าแม่น 98 เปอร์เซ็นต์ ถึงใช้กับข้อมูลของเราแล้วไม่ได้ผล คำตอบคือความแม่นถูกวัดบนข้อมูลที่หน้าตาเหมือนข้อมูลที่ใช้ฝึก และสิ่งที่ต้องขอจากผู้ขายก่อนซื้อคือผลการวัดบนข้อมูลจริงขององค์กรเอง

arXiv 2608.26138

งานนี้สร้างชุดข้อมูลบทสนทนาที่นักเขียนบทมืออาชีพเขียนขึ้นเป็นบทสนทนาระหว่างคนกับคนหลายร้อยบท แล้วให้ผู้เชี่ยวชาญให้คะแนนทีละรอบการสนทนา รวมกว่าสามหมื่นหกพันครั้ง บนรอบการสนทนากว่าสามหมื่นรอบ

ผลตั้งต้นคือทั้งตัววัดอัตโนมัติแบบดั้งเดิมและวิธีให้โมเดลเป็นกรรมการโดยไม่มีคำตอบอ้างอิง ให้ผลที่ไม่สอดคล้องกับคำตัดสินของผู้เชี่ยวชาญ วิธีที่ผู้เขียนเสนอแทนคือการรวมสัญญาณการประเมินหลายตัวเข้าด้วยกันแทนการใช้กรรมการตัวเดียว ซึ่งยกความสอดคล้องกับคำตัดสินของคนขึ้นราว 30 เปอร์เซ็นต์

ข้อควรระวังคืองานนี้เป็นร่างที่ยังไม่ผ่านการตรวจของผู้ทรงคุณวุฒิ บทสนทนาที่ใช้เป็นบทที่เขียนขึ้นไม่ใช่บทสนทนาจริงของผู้ใช้ และผลนี้ต่อกับงานหลายชิ้นที่รายงานไปในสัปดาห์นี้ว่าการเปลี่ยนกรรมการทำให้อันดับเปลี่ยน

▲ ทำไมต้องรู้ · องค์กรที่ทำแชตบอตหรือระบบรับสายลูกค้ามักตั้งระบบให้ AI ให้คะแนนคุณภาพบทสนทนากันเอง แล้วเอาคะแนนนั้นไปรายงานผู้บริหาร งานนี้บอกว่าคะแนนแบบนั้นยังห่างจากคำตัดสินของคนพอสมควร วิธีที่ปลอดภัยกว่าคือใช้กรรมการหลายตัวที่มองคนละมุมแล้วดูว่าตรงกันหรือไม่ และสุ่มให้คนตรวจเป็นระยะเสมอ

arXiv 2608.26131

งานนี้ตั้งเกณฑ์ใหม่สำหรับโมเดลที่อ้างว่าจำลองโลกได้ ว่าไม่ควรวัดแค่ว่าวิดีโอที่สร้างออกมาดูสมจริงหรือไม่ แต่ต้องดูว่าเมื่อให้เงื่อนไขตั้งต้นเดิมซ้ำหลายครั้ง ผลลัพธ์ที่ออกมาหลากหลายตรงกับความน่าจะเป็นของสิ่งที่เกิดขึ้นจริงหรือไม่ วิธีวัดคือแปลงการสร้างซ้ำหลายรอบเป็นการกระจายของพฤติกรรมทางกายภาพที่เป็นไปได้

ผลที่รายงานคือทดสอบ 50 สถานการณ์กับระบบสร้างวิดีโอในปัจจุบัน 11 ตัว แล้วไม่มีตัวไหนที่สร้างการกระจายตรงกับค่าอ้างอิงพร้อมกับครอบคลุมพฤติกรรมที่เป็นไปได้ทั้งหมดอย่างสม่ำเสมอ ผู้เขียนยังลองปรับทั้งคำสั่งที่ป้อน การสุ่มค่าตั้งต้น และการฝึกโมเดล แล้วยังไม่มีวิธีไหนแก้ได้

ข้อควรระวังคืองานนี้เป็นร่างที่ยังไม่ผ่านการตรวจของผู้ทรงคุณวุฒิ และวัดบนสถานการณ์ที่ผู้เขียนเลือกเอง 50 สถานการณ์

▲ ทำไมต้องรู้ · หลักการที่ใช้ได้กว้างกว่าเรื่องวิดีโอคือวิธีอ่านผลลัพธ์ของ AI ที่มีความไม่แน่นอนอยู่ในตัว การดูคำตอบครั้งเดียวแล้วบอกว่าดูสมเหตุสมผลไม่ได้แปลว่าใช้ได้ สิ่งที่ควรทำคือสั่งซ้ำหลายรอบด้วยเงื่อนไขเดิม แล้วดูว่าคำตอบที่ได้กระจายตัวอย่างไร เพราะนั่นคือสิ่งที่ผู้ใช้จริงจะเจอ

arXiv 2608.27345

งานนี้สร้างสภาพแวดล้อมทดสอบจากข้อมูลภูมิสารสนเทศสามมิติของฮ่องกงทั้งเขตปกครอง แล้วให้ agent ที่ใช้โมเดลหลายรูปแบบเดินสำรวจ โดยตั้งคำถามไล่ระดับสามชั้น ชั้นแรกคือตอบคำถามเชิงพื้นที่เกี่ยวกับฉากตรงหน้าได้หรือไม่ ชั้นที่สองคือหาทางไปยังปลายทางที่ไกลขึ้นและระบุไม่ชัดขึ้นได้หรือไม่ ชั้นที่สามคือรับมือได้หรือไม่เมื่อเส้นทางเปลี่ยนและมีคนเดินเข้ามาขวาง

ผลที่รายงานคือ agent ทำความสามารถย่อยได้ดีพอใช้ ทั้งการรู้ว่าเห็นอะไรอยู่และการคิดเชิงพื้นที่ระยะสั้น แต่เรื่องทิศทางกับการหลบคนเดินยังไม่น่าเชื่อถือ และจุดที่พังจริงคือการสำรวจต่อเนื่องเป็นเวลานาน ซึ่งความสามารถย่อยที่ดีเหล่านั้นไม่ประกอบกันเป็นพฤติกรรมที่มุ่งไปหาเป้าหมายได้ และความผิดพลาดสะสมขึ้นเรื่อยๆ โดยไม่มีการแก้กลับ

ข้อควรระวังคืองานนี้เป็นร่างที่ยังไม่ผ่านการตรวจของผู้ทรงคุณวุฒิ วัดในเมืองเดียวและในสภาพแวดล้อมจำลอง ไม่ใช่ในเมืองจริง

▲ ทำไมต้องรู้ · นี่คืออาการเดียวกับที่ทีมเจอเวลาให้ AI ทำงานสำนักงานที่มีหลายขั้น คือมันทำแต่ละขั้นได้ดีเวลาทดสอบทีละขั้น แต่พอปล่อยให้ทำต่อเนื่องยาวๆ ความผิดพลาดเล็กๆ สะสมจนออกนอกทาง วิธีตั้งงานที่ปลอดภัยกว่าคือแบ่งเป็นช่วงสั้นๆ ที่มีจุดตรวจของจริงคั่น แทนการตั้งเป้าปลายทางแล้วปล่อยยาว

arXiv 2608.27456

งานนี้วัดว่าโมเดลยอมผลิตข้อความที่ใช้กลวิธีเบี่ยงประเด็นให้หรือไม่ โดยเจาะสามแบบที่พบบ่อยในการโต้เถียง คือการย้อนถามเรื่องอื่นแทนการตอบ การโจมตีตัวบุคคลแทนการโต้เนื้อหา และการโยนประเด็นใหม่เข้ามากลบ วิธีทดสอบคือสร้างข้อความ 23,990 ชิ้นจากโมเดลแนวหน้าสี่ตัว ด้วยกรอบคำถามเจ็ดแบบ ข้ออ้างแปดสิบข้อ และระดับความอ่อนไหวสี่ระดับ

ผลที่ชัดที่สุดคืออัตราการปฏิเสธเมื่อเทียบระหว่างข้ออ้างทั้งแปดสิบข้อ ต่างกันเพียง 11 จุด แต่การเปลี่ยนกรอบคำถามเพียงอย่างเดียวทำให้อัตราการปฏิเสธขยับได้เกือบ 100 จุด และการเปลี่ยนชนิดของกลวิธีที่ขอทำให้ขยับได้เกิน 80 จุด แปลว่าสิ่งที่ตัวกรองมองอยู่จริงคือรูปประโยคที่ขอ ไม่ใช่ผลของสิ่งที่ขอ

ตัวอย่างที่ผู้เขียนยกคือกรอบคำถามที่บอกว่าเป็นการสอนโต้วาที ซึ่งทำให้อัตราการปฏิเสธของโมเดลทั้งสี่ตระกูลตกลงเกือบเป็นศูนย์ โดยผลลัพธ์ที่ได้มักมีการติดป้ายกำกับว่านี่คือกลวิธีอะไรพ่วงมาด้วย ซึ่งเท่ากับบอกชื่อการชักจูงพร้อมกับผลิตมันออกมา ข้อควรระวังคืองานนี้เป็นร่างที่ยังไม่ผ่านการตรวจของผู้ทรงคุณวุฒิ

▲ ทำไมต้องรู้ · ข้อสรุปที่ใช้ได้ทันทีสำหรับองค์กรที่วางระบบ AI ให้คนภายนอกใช้ คือการพึ่งตัวกรองของผู้ผลิตโมเดลอย่างเดียวไม่พอ เพราะสิ่งที่มันดูคือรูปแบบของคำขอ ไม่ใช่ผลของคำตอบ สิ่งที่ต้องเพิ่มคือการตรวจที่ปลายทางว่าข้อความที่จะออกไปถึงผู้ใช้จริงมีอะไรอยู่ในนั้น

arXiv 2608.26119

เมื่อวันที่ 28 ส.ค. กระทรวงดิจิทัลเพื่อเศรษฐกิจและสังคมจัดงานสัมมนาเปิดโครงการ โดยรัฐมนตรีไชยชนก ชิดชอบ ระบุตัวเลขยอดลงทะเบียนสะสมที่ 1.3 ล้านราย จากเป้าหมาย 5 ล้านสิทธิ์ ซึ่งเมื่อวันที่ 26 ส.ค. รายงานไปว่าอยู่ที่ 1.24 ล้านราย

สิ่งที่รัฐมนตรีพูดเองและตรงกับที่รายงานไปก่อนหน้าคืออัตราการเพิ่มชะลอลง โดยยอดขึ้นถึงหนึ่งล้านรายภายในสองวันแรกหลังเปิดลงทะเบียนวันที่ 19 ส.ค. แล้วใช้เวลาอีกราวสัปดาห์กว่าจึงขยับมาที่ 1.3 ล้านราย การกระจายตัวที่เปิดเผยคือกรุงเทพมหานครมีผู้ลงทะเบียนราวสองแสนห้าหมื่นราย ส่วนจังหวัดอื่นอยู่ในหลักหมื่น และกลุ่มอายุที่ลงทะเบียนมากที่สุดคือ 30 ถึง 45 ปี รองลงมาคือ 20 ถึง 30 ปี และ 15 ถึง 20 ปี โดยมีผู้สูงอายุเกิน 60 ปีเข้าร่วมมากกว่าที่คาด

ประเด็นที่รัฐมนตรีชี้แจงเองและเป็นคนละภาพกับที่เข้าใจกันคือรูปแบบการจ่ายเงิน โดยระบุว่าโครงการนี้ไม่ได้เป็นการจ่ายก้อนเดียว 1.6 พันล้านบาทอย่างที่พูดกัน แต่เป็นการจ่ายตามปริมาณการใช้งานจริง งบที่ใช้รอบนี้มาจากกองทุนพัฒนาดิจิทัลเพื่อเศรษฐกิจและสังคมของปีงบประมาณปัจจุบัน และรัฐมนตรีระบุว่าปีถัดไปจะได้รับจัดสรรเพิ่มหรือไม่ยังไม่ชัด ต้องรอผลประเมินโครงการรอบแรกก่อน

กำหนดการที่ยืนยันคือระบบเปิดใช้งานจริงวันที่ 31 ส.ค. ผู้สมัครต้องมีอายุตั้งแต่ 15 ปีขึ้นไปและยืนยันตัวตนผ่านแอปพลิเคชัน ThaiD ข้อควรระวังคือตัวเลขทั้งหมดเป็นตัวเลขที่หน่วยงานรัฐรายงานเองในงานแถลง และยังไม่มีการเปิดเผยว่าในจำนวนที่ลงทะเบียนแล้วมีกี่รายที่เข้าใช้เครื่องมือจริง

▲ ทำไมต้องรู้ · ตัวเลขที่ควรจับตาไม่ใช่ยอดลงทะเบียน แต่คือสัดส่วนของคนที่ลงทะเบียนแล้วใช้จริงหลังวันที่ 31 ส.ค. เพราะรูปแบบการจ่ายเงินตามการใช้งานจริงแปลว่างบจะสะท้อนการใช้งานจริงโดยตรง และสำหรับคนทำงาน สิทธิ์นี้คือโอกาสได้ลองเครื่องมือระดับที่ปกติต้องจ่ายเอง โดยไม่ต้องรอให้ที่ทำงานอนุมัติ

Thai PBS · กรุงเทพธุรกิจ · The Reporters

ผู้พิพากษา Rita F. Lin ศาลแขวงกลางเขตเหนือของแคลิฟอร์เนีย ออกคำพิพากษาชี้ขาดคดีความยาว 59 หน้าเมื่อคืนวันพฤหัสบดีที่ 27 ส.ค. 2026 ในคดีที่บริษัทฟ้องหน่วยงานซึ่งปัจจุบันใช้ชื่อทางการว่า Department of War และสื่อไทยเรียกกันว่ากระทรวงกลาโหม

สิ่งที่ต้องแยกให้ออกและเป็นจุดที่พาดหัวส่วนใหญ่ทำหายคือหน่วยงานออกคำสั่งขึ้นบัญชีไว้สองฉบับในวันเดียวกันโดยอ้างกฎหมายคนละฉบับ คำสั่งของศาลนี้เพิกถอนเฉพาะฉบับที่อ้างกฎหมายจัดซื้อจัดจ้างของกองทัพ ส่วนอีกฉบับที่อ้างกฎหมายว่าด้วยห่วงโซ่อุปทานอยู่ในอำนาจของศาลอุทธรณ์อีกแห่งซึ่งยังไม่มีคำวินิจฉัย และยังมีผลบังคับอยู่ บริษัทจึงยังไม่ได้พ้นจากบัญชีทั้งหมด และศาลยังยกข้ออ้างของบริษัทบางข้อทิ้งด้วย

ที่มาของข้อพิพาทคือสัญญามูลค่า 200 ล้านดอลลาร์ที่ลงนามเมื่อเดือน ก.ค. 2025 แล้วต่อมาหน่วยงานเรียกร้องให้บริษัทตัดเงื่อนไขการใช้งานของตัวเองออกแล้วรับเงื่อนไขที่ยอมให้ใช้ได้ทุกอย่างที่ชอบด้วยกฎหมาย ซึ่งบริษัทปฏิเสธโดยยืนยันจุดยืนสองข้อคือไม่ให้ใช้กับอาวุธที่ตัดสินใจเองทั้งหมด และไม่ให้ใช้กับการสอดส่องประชาชนในวงกว้าง

เหตุผลของคำตัดสินมีสามฐาน คือเป็นการตอบโต้ที่ขัดกับเสรีภาพในการแสดงออกตามการแก้ไขเพิ่มเติมรัฐธรรมนูญมาตราที่หนึ่ง เป็นการลงโทษโดยไม่ให้กระบวนการก่อนถูกลิดรอนสิทธิตามมาตราที่ห้า และเป็นการกระทำทางปกครองที่ไร้เหตุผลรองรับและเกินอำนาจตามกฎหมาย โดยตามที่สื่อยกถ้อยคำจากคำสั่งมา ศาลระบุว่าการอ้างความมั่นคงของชาติแบบว่างเปล่าไม่ใช่ใบเบิกทางให้ลงโทษหรือตอบโต้ผู้ที่วิจารณ์รัฐบาล และเห็นว่าการกระทำนี้เกิดจากความต้องการทำให้บริษัทเป็นตัวอย่าง ไม่ได้เกิดจากเหตุผลที่อธิบายได้ว่าบริษัทจะก่อวินาศกรรมกับโมเดลของตัวเอง

ฝั่งบริษัทตอบรับคำตัดสินและระบุว่ายังมุ่งทำงานร่วมกับรัฐบาลต่อไป ส่วนหน่วยงานยังไม่ตอบคำขอความเห็นในเวลาที่สื่อรายงานเมื่อวันที่ 28 ส.ค. สื่อรายงานว่าคาดว่ารัฐบาลจะอุทธรณ์แต่ยังไม่มีการยื่นจริง และศาลปฏิเสธคำขอชะลอการบังคับใช้ของรัฐบาลรอบนี้ ตัวเลขความเสียหายที่มีคือคำให้การของประธานเจ้าหน้าที่ฝ่ายการเงินต่อศาลเมื่อเดือน มี.ค. 2026 ว่าคำสั่งนี้อาจลดรายได้ของบริษัทในปี 2026 ลงหลายพันล้านดอลลาร์ ข้อควรระวังคือเว็บของสำนักข่าวใหญ่หกเจ้าปฏิเสธการเชื่อมต่อจากตัวดึงของเรา และยังเปิดตัวคำสั่งฉบับจริงอ่านเองไม่ได้ ถ้อยคำทั้งหมดข้างต้นจึงเป็นสิ่งที่สื่อยกมาจากคำสั่ง ส่วนคำอธิบายที่ว่าการใช้กฎหมายมาตรานี้กับบริษัทสัญชาติอเมริกันไม่เคยมีมาก่อน เป็นการประเมินของนักวิเคราะห์กฎหมาย ไม่ใช่คำวินิจฉัยของศาล

▲ ทำไมต้องรู้ · นี่เป็นครั้งแรกที่ข้อพิพาทระหว่างผู้ผลิตโมเดลกับลูกค้ารายใหญ่ในเรื่องขอบเขตการใช้งานถูกตัดสินในศาล และผลออกมาว่าเงื่อนไขการใช้งานที่ผู้ผลิตเขียนไว้มีน้ำหนักพอที่จะยืนอยู่ได้แม้ต้องเสียลูกค้าระดับรัฐบาล องค์กรที่กำลังเซ็นสัญญาใช้ AI จึงควรอ่านเงื่อนไขการใช้งานให้จบ เพราะสิ่งที่เขียนห้ามไว้คือสิ่งที่ผู้ผลิตพร้อมจะบังคับใช้จริง และอีกจุดที่คนเข้าใจผิดบ่อยคือข้อจำกัดชุดนี้ผูกกับงานตามสัญญาของหน่วยงานนั้น ไม่ได้กระทบลูกค้าเชิงพาณิชย์ทั่วไป

Reuters ผ่าน Yahoo · WGLT · Washington Times · Al Jazeera · Just Security · แถลงการณ์ของ Anthropic · Hacker News

บริษัทรายงานผลไตรมาสที่สองของปีบัญชี 2027 ซึ่งสิ้นสุดวันที่ 31 ก.ค. เมื่อวันที่ 26 ส.ค. โดยรายได้รวมอยู่ที่ราว 11.35 พันล้านดอลลาร์ เพิ่มขึ้น 11 เปอร์เซ็นต์ และรายได้จากค่าสมาชิกอยู่ที่ราว 10.82 พันล้านดอลลาร์ เพิ่มขึ้น 12 เปอร์เซ็นต์

ตัวเลขที่ต้องอ่านให้ระวังคือกำไรสุทธิที่ 3.5 พันล้านดอลลาร์ เพิ่มจาก 1.9 พันล้านดอลลาร์ในไตรมาสเดียวกันของปีก่อน เพราะส่วนที่ทำให้เพิ่มคือกำไรทางบัญชี 2.6 พันล้านดอลลาร์จากมูลค่าเงินลงทุนใน Anthropic ที่เพิ่มขึ้น ไม่ใช่จากการขายซอฟต์แวร์ โดยรายงานระบุว่ากำไรจากเงินลงทุนเชิงกลยุทธ์คิดเป็น 2.53 ดอลลาร์จากกำไรต่อหุ้นแบบปรับปรุงที่ 5.90 ดอลลาร์

ฝั่งธุรกิจ AI ของบริษัทเอง รายได้ประจำต่อปีของผลิตภัณฑ์ agent เพิ่มขึ้นกว่า 240 เปอร์เซ็นต์เป็นราว 1.5 พันล้านดอลลาร์ และบริษัทประกาศผลิตภัณฑ์ที่ทำร่วมกับ Anthropic ในชื่อ Claudeforce ส่วนราคาหุ้นพุ่งขึ้นในวันถัดมา โดยตัวเลขที่แต่ละสำนักข่าวรายงานต่างกันในช่วง 18 ถึง 23 เปอร์เซ็นต์ตามจังหวะเวลาที่วัด

ข้อควรระวังคือกำไรจากมูลค่าเงินลงทุนที่เพิ่มขึ้นเป็นตัวเลขทางบัญชีที่ยังไม่ได้ขายออกมาเป็นเงินสด และผู้บริหารตอบคำถามเรื่องที่หลายฝ่ายคาดว่า AI จะมาแทนซอฟต์แวร์แบบบอกรับสมาชิก โดยระบุว่ายังไม่ใช่จุดจบของรูปแบบธุรกิจนี้

▲ ทำไมต้องรู้ · สิ่งที่ตัวเลขชุดนี้บอกคือความเกี่ยวพันกันของบริษัทในวงการ AI แน่นขึ้นจนกำไรของบริษัทซอฟต์แวร์รายใหญ่ผูกกับมูลค่าของผู้ผลิตโมเดลไปแล้ว คนที่อ่านข่าวผลประกอบการของบริษัทเทคโนโลยีในช่วงนี้จึงควรแยกให้ออกทุกครั้งว่ากำไรที่รายงานมาจากการขายของจริงเท่าไร และมาจากมูลค่าเงินลงทุนที่ตีราคาใหม่เท่าไร

CNBC · Quartz · Blognone