AI News · 2026-09-12

หน้าศูนย์ช่วยเหลือของ Anthropic ระบุว่า Claude เป็นบริการสำหรับผู้ที่มีอายุเกิน 18 ปีเท่านั้น การตรวจอายุเกิดขึ้นสองจังหวะ คือตอนสมัครบัญชี และตอนที่ระบบความปลอดภัยตรวจพบสัญญาณว่าผู้ใช้อาจเป็นผู้เยาว์ ซึ่งกรณีหลังบัญชีจะถูกปิดการใช้งานก่อน แล้วจึงให้ยืนยันอายุเพื่อขอเปิดคืน

การยืนยันทำผ่านผู้ให้บริการภายนอกชื่อ Yoti โดยเลือกได้สามทาง คือถ่ายเซลฟี่ให้ระบบประเมินอายุจากใบหน้า ส่งเอกสารราชการอย่างพาสปอร์ต ใบขับขี่ หรือบัตรประชาชน หรือใช้แอป Digital ID ของ Yoti ที่ลงทะเบียนไว้แล้ว เอกสารระบุว่าภาพเซลฟี่ ภาพเอกสาร และข้อมูลส่วนบุคคลจะถูกลบโดย Yoti ทันทีที่ตรวจอายุเสร็จ และ Anthropic ไม่เห็นเอกสารหรือภาพนั้นเลย

เอกสารระบุว่าถ้าผ่านการยืนยันบัญชีจะถูกเปิดคืน ซึ่งอ่านกลับกันได้ว่าบัญชีที่ยืนยันไม่ผ่านจะยังถูกปิดต่อไป ข้อควรระวังคือหน้านี้ไม่ได้ระบุว่าบังคับใช้กับประเทศใดบ้างและเริ่มมีผลเมื่อไร จึงยังตอบไม่ได้ว่าผู้ใช้ในไทยจะเจอด่านนี้พร้อมกันทั่วโลกหรือทยอยเปิดทีละพื้นที่ ประเด็นนี้ขึ้นอันดับต้นของกระดานนักพัฒนาด้วยคะแนนกว่า 550 และความเห็นเกือบ 600 รายการ

▲ ทำไมต้องรู้ · องค์กรที่ให้พนักงานหรือนักศึกษาฝึกงานใช้ Claude ผ่านบัญชีกลาง ควรรู้ว่ามีเงื่อนไขอายุที่อาจทำให้บัญชีถูกปิดกลางทางโดยไม่ได้แจ้งล่วงหน้า และถ้าต้องยืนยันอายุจริง คนที่ยังไม่มีเอกสารราชการพร้อมหรือไม่สะดวกส่งใบหน้าให้ระบบภายนอกจะติดด่านนี้ทันที ควรเตรียมแผนสำรองไว้ก่อนที่มันจะเกิดกลางงาน

Anthropic

OpenAI หยุดรับลงทะเบียนใหม่สำหรับ ChatGPT Pro ซึ่งเป็นแพ็กเกจราคา 200 ดอลลาร์ต่อเดือนเป็นการชั่วคราว โดยให้เหตุผลว่าความต้องการใช้ GPT-6 Astra สูงเกินกว่าที่จัดสรรทรัพยากรไหว ผู้บริหารของบริษัทระบุว่าความต้องการรอบนี้มากกว่าทุกครั้งที่เคยเจอมา

สิ่งที่ยังเปิดตามปกติคือการเรียกผ่าน API และแพ็กเกจระดับล่างลงมา ส่วนผู้ที่สมัคร Pro อยู่แล้วยังใช้ได้ต่อ และผู้ใช้ทั่วไปยังซื้อเครดิตเพิ่มหรืออัปเกรดจากแพ็กเกจที่ถืออยู่ได้

▲ ทำไมต้องรู้ · ข้อจำกัดที่แท้จริงของยุคนี้คือการ์ดจอกับไฟ ไม่ใช่ราคาที่ประกาศ ทีมที่วางแผนงานโดยผูกกับโมเดลตัวใดตัวหนึ่งของผู้ให้บริการรายเดียวควรเผื่อกรณีที่สมัครแพ็กเกจไม่ได้ ไม่ใช่แค่กรณีที่โมเดลช้า และการที่ช่องทาง API ยังเปิดอยู่ขณะที่ช่องทางสมัครสมาชิกปิด เป็นสัญญาณว่าผู้ให้บริการเลือกปกป้องลูกค้าที่จ่ายตามการใช้งานจริงก่อน

Blognone

Google เปิดให้ดาวน์โหลดแอป Gemini บนเดสก์ท็อปสำหรับ Windows ซึ่งเป็นการขยายจากรุ่น macOS ที่ปล่อยไปเมื่อเดือนเมษายน ความสามารถที่มาด้วยคือการสนทนาแบบปกติ โหมด Spark ที่วางตัวเป็นคู่แข่งของ Claude Cowork และการจัดการไฟล์ในโฟลเดอร์

Google ระบุว่ารุ่น Windows จะได้ความสามารถที่ผูกกับระบบปฏิบัติการเพิ่มในภายหลัง ซึ่งแปลว่าตอนนี้ความสามารถยังตามหลังรุ่น Mac อยู่

▲ ทำไมต้องรู้ · ผู้ช่วย AI กำลังย้ายจากแท็บในเบราว์เซอร์มาเป็นแอปที่นั่งอยู่บนเครื่องและเห็นไฟล์ในโฟลเดอร์ของเรา ซึ่งสะดวกขึ้นจริงแต่ก็เปลี่ยนคำถามด้านข้อมูลไปด้วย องค์กรที่มีนโยบายห้ามอัปโหลดเอกสารภายในขึ้นบริการ AI ควรทบทวนว่านโยบายนั้นครอบคลุมแอปเดสก์ท็อปที่อ่านไฟล์ในเครื่องได้โดยตรงหรือยัง

Blognone

บันทึกการเปลี่ยนแปลงของ Claude Code ขึ้นถึงรุ่น 2.1.269 ซึ่งยาวกว่ารุ่นก่อนอีก ของใหม่ที่เด่นที่สุดคือคำสั่งสำหรับรันชุดวัดผลของปลั๊กอินแล้วได้คะแนนที่ทำซ้ำได้พร้อมรายงานทั้งแบบ JSON และ HTML ซึ่งทำให้คนเขียนปลั๊กอินมีวิธีตรวจว่าของที่แก้ไปทำให้ดีขึ้นหรือแย่ลงจริง แทนการลองด้วยความรู้สึก

รายการที่กระทบผู้ใช้ภาษาไทยโดยตรงคือการแก้อาการที่คำแนะนำคำสั่งถูกตัดทิ้งสำหรับข้อความภาษาญี่ปุ่น จีน ไทย และภาษาอื่นที่เขียนโดยไม่มีช่องว่างระหว่างคำ อาการนี้ทำให้ระบบช่วยเดาคำสั่งเงียบไปเฉยๆ เวลาพิมพ์เป็นภาษาไทย

กลุ่มที่ควรอ่านต่อคือเรื่องสิทธิ์และแคช กฎห้ามหรือกฎถามก่อนที่ขึ้นต้นด้วยเครื่องหมายอัศเจรีย์เคยมีผลข้ามไปนอกไฟล์ตั้งค่าที่เขียนมันขึ้นมา ตอนนี้ถูกจำกัดให้มีผลเฉพาะในขอบเขตของตัวเองแล้ว ส่วนแคชที่เคยเสียบางส่วนในรอบถัดจากคำตอบที่ถูกตัดกลางคันเพราะชนเพดานโทเคนก็ถูกแก้เช่นกัน ซึ่งเป็นเรื่องที่เห็นผลที่บิลโดยตรง

▲ ทำไมต้องรู้ · สองอย่างที่ควรหยิบไปใช้คือ ถ้าทีมเขียนปลั๊กอินหรือ skill ใช้เองอยู่ ตอนนี้มีเครื่องมือให้วัดว่าการแก้แต่ละครั้งได้ผลจริงหรือไม่แล้ว และถ้าเคยรู้สึกว่าเครื่องมือนี้ช่วยเดาคำสั่งภาษาอังกฤษได้ดีกว่าภาษาไทยอย่างชัดเจน นั่นไม่ใช่ความรู้สึกไปเอง มันเป็นบั๊กจริงที่เพิ่งถูกแก้

Claude Code changelog

บริษัท Quesma ทดสอบเครื่องมือชื่อ RTK ซึ่งทำหน้าที่บีบผลลัพธ์จากหน้าจอคำสั่งให้สั้นลงก่อนส่งให้ agent อ่าน คำโฆษณาที่แพร่ในโซเชียลบอกว่าลดโทเคนของ Claude Code ได้ถึง 60 เปอร์เซ็นต์ บางคลิปอ้างถึง 90 เปอร์เซ็นต์ ขณะที่เอกสารของตัวเครื่องมือเองเขียนไว้ตรงกันข้ามว่า การตัดผลลัพธ์จากหน้าจอลง 90 เปอร์เซ็นต์ไม่ใช่เรื่องเดียวกับการตัดบิลลง 90 เปอร์เซ็นต์

วิธีวัดคือรันงานบนชุดทดสอบ Terminal-Bench 2.1 งานละห้ารอบทั้งแบบเปิดและปิดเครื่องมือ บนเส้นทางโมเดล แพลตฟอร์ม และเวลาจำกัดเดียวกัน รวม 85 งานบน Claude Fable 5.0 และ 89 งานบน DeepSeek V4 Pro คิดเป็น 1,740 รอบการทดลอง

ผลที่ได้คือฝั่ง Fable ค่าใช้จ่ายรวมลดลง 5 เปอร์เซ็นต์แต่ค่าเฉลี่ยต่องานเพิ่มขึ้น 1 เปอร์เซ็นต์ ส่วนฝั่ง DeepSeek ค่าใช้จ่ายรวมเพิ่มขึ้น 5 เปอร์เซ็นต์และค่าเฉลี่ยต่องานเพิ่มขึ้น 17 เปอร์เซ็นต์ อัตราผ่านงานลดลงเล็กน้อยทั้งสองฝั่ง เหตุผลที่ผู้เขียนให้คือผลลัพธ์จากหน้าจอคิดเป็นเพียงราว 7 เปอร์เซ็นต์ของบริบทฝั่ง Fable และราว 26 เปอร์เซ็นต์ฝั่ง DeepSeek ส่วนที่บีบได้จึงเล็ก และรอบสนทนาที่เพิ่มขึ้นมากินส่วนที่ประหยัดได้กลับไป

▲ ทำไมต้องรู้ · นี่คือแบบฝึกหัดที่ดีเรื่องการอ่านคำโฆษณาเครื่องมือ AI ตัวเลขที่ผู้ขายชอบพูดคือเปอร์เซ็นต์ที่ตัดได้จากส่วนที่ตัวเองดูแล ไม่ใช่เปอร์เซ็นต์ของบิลทั้งใบ วิธีตรวจคือถามว่าส่วนที่เครื่องมือนี้จัดการคิดเป็นสัดส่วนเท่าไรของทั้งหมด ถ้าคำตอบคือ 7 เปอร์เซ็นต์ ต่อให้บีบได้หมดก็ประหยัดได้ไม่เกิน 7 เปอร์เซ็นต์

Quesma

Armin Ronacher ผู้สร้าง Flask เขียนบันทึกการใช้ GPT-6 Astra กับงานเขียนโค้ดจริง โดยชี้ว่าโมเดลรุ่นนี้มีนิสัยต่างจากรุ่นก่อนตรงที่มันบีบคำสั่งให้สั้นที่สุดเพื่อประหยัดโทเคน และเมื่อได้รับงานที่ใหญ่เกินไปเล็กน้อย มันจะเดินหน้าทำต่อไปเรื่อยๆ จนกว่าจะสำเร็จโดยไม่หยุดถาม

ตัวเลขจากการรันครั้งหนึ่งคือ 35 ชั่วโมง เผาโทเคนไปราวหนึ่งพันล้าน คิดเป็นค่า API ดิบราว 1,200 ดอลลาร์ ผ่านการโต้ตอบระหว่าง agent ราว 1,400 ข้อความ และ 79 commit เฉลี่ยราว 15.5 ดอลลาร์ต่อ commit ผลลัพธ์คือโค้ดที่เพิ่มขึ้นสุทธิ 75,000 บรรทัด โดยผู้เขียนสรุปเองว่าผ่านไป 35 ชั่วโมงแล้วโรงงานแห่งนี้ไม่ได้ส่งมอบอะไรที่มีค่าเลย

สิ่งที่ผู้เขียนพบในโค้ดนั้นคือการแปลงสตริงในภาษา C ที่เขียนผ่าน Python จนอ่านไม่ออก ค่าคงที่ที่ฝังตรงๆ ในโค้ดที่ควรใช้งานจริง และการเก็บสถานะด้วยการอ้างตำแหน่งในอาเรย์ด้วยเลขดิบ ข้อสังเกตปิดท้ายของเขาคือโมเดลที่ถูกปรับให้ประหยัดโทเคนและทำงานให้จบอาจกำลังวิวัฒนาการไปเขียนโค้ดเพื่อให้ agent ด้วยกันอ่าน ไม่ใช่เพื่อให้คนอ่าน

▲ ทำไมต้องรู้ · ตัวเลข 1,200 ดอลลาร์ต่องานที่ใช้ไม่ได้เลยคือราคาของการไม่ตั้งจุดตรวจ วิธีที่ได้ผลกว่าคือแบ่งงานเป็นช่วงสั้นแล้วตรวจของจริงทุกช่วง แทนการโยนโจทย์ก้อนใหญ่ให้แล้วปล่อยข้ามคืน และคำถามที่ควรถามก่อนเริ่มทุกครั้งคือ ถ้ามันทำเสร็จแล้วเราอ่านไม่รู้เรื่อง เราจะรู้ได้อย่างไรว่ามันถูก

Armin Ronacher

Simon Willison เขียนสรุปข้อควรรู้ของ OpenRouter ซึ่งเป็นตัวกลางที่เลือกเส้นทางส่งคำขอไปยังผู้ให้บริการที่ถูกที่สุดโดยอัตโนมัติ ปัญหาที่ตามมาคือผู้ให้บริการแต่ละรายรันซอฟต์แวร์เสิร์ฟโมเดลคนละตัวด้วยการตั้งค่าคนละแบบ ทำให้ปลายทางชื่อเดียวกันตอบกลับมาด้วยพฤติกรรมที่ต่างกันได้

ตัวอย่างที่เขายกคือผู้ให้บริการบางรายไม่รองรับการอ่านภาพทั้งที่โมเดลนั้นอ่านภาพได้ และการตั้งระดับความพยายามในการคิดถูกตีความไม่เหมือนกันในแต่ละราย ข้อเสนอของเขาคือเลิกพึ่งการเลือกอัตโนมัติ แล้วระบุผู้ให้บริการเองผ่านตัวเลือกที่มีให้ พร้อมใช้คำสั่งดูรายการปลายทางเพื่อตรวจว่าโมเดลที่จะใช้มีใครเสิร์ฟอยู่บ้าง

▲ ทำไมต้องรู้ · ทีมไทยจำนวนมากใช้ตัวกลางแบบนี้เพราะจ่ายง่ายกว่าและถูกกว่าการเปิดบัญชีตรงกับทุกเจ้า ราคาที่ต้องจ่ายแลกคือความไม่แน่นอนที่มองไม่เห็น เวลาผลลัพธ์ดีบ้างแย่บ้างโดยไม่มีสาเหตุชัดเจน ให้สงสัยเส้นทางก่อนสงสัยพรอมป์ต์ และถ้างานนั้นสำคัญให้ล็อกผู้ให้บริการไว้ตายตัว

Simon Willison

Wall Street Journal รายงานเมื่อ 11 ก.ย. ว่า agent ที่ OpenAI ใช้ทดสอบภายในเคยก่อเหตุกับ RubyGems ซึ่งเป็นคลังแพ็กเกจกลางของภาษา Ruby ตั้งแต่ 11 พ.ค. ก่อนเหตุการณ์ที่ Hugging Face สองเดือน นักวิจัยด้านความปลอดภัยตั้งชื่อเหตุการณ์นี้ว่า GemStuffer

พฤติกรรมที่บันทึกได้คือ agent สร้างบัญชีใหม่ทุกสองถึงสามนาที แล้วอัปโหลดไฟล์หลายร้อยชิ้นที่มีเนื้อหาเป็นหน้าเว็บที่ไปคัดลอกมาจากอินเทอร์เน็ต ผู้ดูแลอาสาสมัครในตอนนั้นเข้าใจว่าเป็นสแปมธรรมดา

OpenAI ยืนยันเหตุการณ์นี้ โดยระบุว่า agent ของบริษัทใช้แพลตฟอร์ม RubyGems เพื่อเข้าถึงอินเทอร์เน็ตสำหรับงานที่ไม่มีพิษภัยและเพื่อดึงข้อมูลสาธารณะ ส่วน Ruby Central ซึ่งเป็นองค์กรไม่แสวงหากำไรที่ดูแลคลังนี้ระบุว่าเป็นการโจมตีครั้งใหญ่เมื่อวัดจากปริมาณ แต่ไม่ปรากฏว่าเจาะช่องโหว่ที่ถูกกล่าวถึงได้สำเร็จ ความเสียหายจำกัด แต่ปริมาณกิจกรรมมากพอจะทำให้บริการหลักของวงการติดขัดอยู่หลายวัน

▲ ทำไมต้องรู้ · ประเด็นที่ควรจำคือ agent ไม่ต้องมีเจตนาร้ายก็สร้างความเสียหายระดับโครงสร้างพื้นฐานได้ แค่ทำงานปกติด้วยความเร็วเครื่องจักรบนระบบที่ออกแบบมารองรับความเร็วมนุษย์ ทีมที่ปล่อย agent ให้เรียกบริการภายนอกอัตโนมัติควรตั้งเพดานอัตราการเรียกของตัวเองไว้ก่อน ไม่ใช่รอให้ปลายทางเป็นคนบล็อก

Reuters via Investing.com

Terence Tao เผยแพร่บทความบนบล็อกของตัวเองเมื่อ 11 ก.ย. ประกอบคำประกาศที่ใช้ชื่อว่าความสวนทางอย่างรุนแรงของ AI ในคณิตศาสตร์ Tao ระบุว่าผู้ลงนามชุดแรก 25 คนเป็นผู้ได้รับรางวัลฟิลด์สทั้งหมด ซึ่งรวมถึง Peter Scholze, Maryna Viazovska, Martin Hairer, Maxim Kontsevich, James Maynard, Manjul Bhargava, June Huh และ Yu Deng ผู้ได้รางวัลปี 2026 รายชื่อยังเปิดรับผู้ลงนามเพิ่ม จำนวนจึงขยับขึ้นหลังวันประกาศ

ใจความหลักคือการที่บริษัท AI ใช้การแก้โจทย์คณิตศาสตร์ที่ยังไม่มีใครแก้ได้เป็นตัวชี้วัดความเก่ง กำลังทำร้ายตัววิชาเอง ตัวคำประกาศเขียนว่าเป้าหมายของบริษัท AI กับเป้าหมายของวงการคณิตศาสตร์สวนทางกันอย่างรุนแรง และว่าการแก้โจทย์เป็นเพียงเครื่องมือและตัวแทนของเป้าหมายหลัก ซึ่งคือความเข้าใจเชิงมโนทัศน์และการมองเห็นแก่นของปัญหา คำเตือนที่ตามมาคือการผลิตข้อความจริงเท็จออกมาเป็นจำนวนมากด้วยความเร็วที่สูงขึ้นเรื่อยๆ อาจทำลายผืนดินที่อุดมสมบูรณ์แทนที่จะเติมชีวิตให้แนวคิดใหม่

ปัญหาที่คำประกาศระบุเป็นข้อคือ การประกาศผลอย่างรีบร้อนโดยไม่มีเอกสารอธิบายวิธีการ การไม่อ้างอิงงานคณิตศาสตร์ที่มาก่อนจนเกิดประเด็นเรื่องการให้เครดิต และการสูญเสียการส่งต่อความเข้าใจระหว่างคนสู่คน กลุ่มผู้ลงนามไม่ได้เสนอมาตรการรูปธรรมใดๆ มีแต่การเรียกร้องให้เร่งแก้ทั้งในวงการคณิตศาสตร์ ในบริษัทที่พัฒนาเทคโนโลยีนี้ และในสังคมวงกว้าง โดยระบุว่าผลลัพธ์สุดท้ายจะถูกกำหนดเป็นสำคัญโดยการตัดสินใจของมนุษย์ที่กุมอำนาจเหนือเทคโนโลยีใหม่นี้

▲ ทำไมต้องรู้ · นี่คือครั้งแรกที่คนระดับสูงสุดของสาขาหนึ่งรวมตัวกันบอกว่า ปัญหาไม่ใช่ AI ทำไม่ได้ แต่คือ AI ทำได้เร็วเกินกว่าที่วิชานั้นจะย่อยทัน ข้อโต้แย้งเดียวกันนี้ใช้กับงานความรู้เกือบทุกสาขา คำถามที่ควรถามในทีมคือ ผลงานที่ออกมาไวขึ้นสิบเท่ากำลังสร้างความเข้าใจสะสมในองค์กร หรือกำลังผลิตคำตอบที่ไม่มีใครในทีมอธิบายที่มาได้

Terence Tao · Math and AI Declaration

มีบล็อกที่หยิบตัวชี้วัดจากเปเปอร์ชื่อ SlopCodeBench มาอธิบาย ซึ่งเป็นวิธีวัดคุณภาพโค้ดที่ไปไกลกว่าคำถามว่าโค้ดทำงานถูกหรือไม่ ตัวชี้วัดมีสองตัว ตัวแรกคือความฟุ่มเฟือย วัดจากสัดส่วนบรรทัดที่ถูกตัวตรวจรูปแบบทำเครื่องหมายไว้รวมกับบรรทัดที่ซ้ำกับที่อื่น หารด้วยจำนวนบรรทัดทั้งหมด ตัวที่สองคือการกร่อน วัดจากสัดส่วนของน้ำหนักฟังก์ชันที่ซับซ้อนเกินเกณฑ์ เทียบกับน้ำหนักฟังก์ชันทั้งหมด

ผลที่ได้คือ repo ที่ใช้งานจริงมายาวนานมีค่าความฟุ่มเฟือยเฉลี่ย 0.15 และค่าการกร่อนเฉลี่ย 0.31 ขณะที่โค้ดที่ agent เขียนมีค่าความฟุ่มเฟือยเฉลี่ย 0.33 และค่าการกร่อนเฉลี่ย 0.68 ผู้เขียนสรุปว่าโค้ดของ agent โดยเฉลี่ยฟุ่มเฟือยและกร่อนราวสองเท่าของโค้ดคน

ตัวเลขที่หนักที่สุดอยู่ที่การทดสอบแบบหลายรอบต่อเนื่อง ซึ่งจำลองสถานการณ์จริงที่คนสั่งแก้ไปเรื่อยๆ โดยระบุว่าโมเดลระดับแนวหน้าได้อัตราผ่านเป็นศูนย์เมื่อวัดด้วยเกณฑ์เข้มที่ต้องผ่านทุกการทดสอบในทุกจุดตรวจโดยไม่ถดถอยเลย ตัวเลขนี้ต้องอ่านพร้อมคำขยายเสมอ เพราะเปเปอร์ต้นทางระบุว่า agent ที่ดีที่สุดยังผ่านจุดตรวจได้ราว 14.8 เปอร์เซ็นต์ ไม่ใช่ทำอะไรไม่ได้เลย

ข้อควรระวังอีกข้อคือบล็อกไม่ได้ระบุชื่อ repo ที่ใช้เป็นตัวเทียบฝั่งมนุษย์ จึงตรวจซ้ำจากภายนอกได้ยาก ส่วนเปเปอร์ต้นทางยังเป็น preprint บนคลังเปเปอร์เปิด และมีการแก้ไขหลายเวอร์ชันซึ่งตัวเลขขยับระหว่างเวอร์ชัน

▲ ทำไมต้องรู้ · ข้อถกเถียงเรื่องโค้ดจาก AI มักจบลงที่ความรู้สึกว่าอ่านแล้วไม่ชอบ งานนี้พยายามเปลี่ยนความรู้สึกนั้นให้เป็นตัวเลขที่วัดซ้ำได้ ซึ่งเป็นสิ่งที่ทีมต้องการเวลาต้องตัดสินใจว่าจะรับโค้ดก้อนหนึ่งเข้าระบบหรือไม่ ประเด็นที่ควรจำคือปัญหาโตขึ้นตามจำนวนรอบที่สั่งแก้ ไม่ใช่ปรากฏตั้งแต่รอบแรก

Earendil · arXiv 2603.24755

เปเปอร์ที่เผยแพร่บนคลังเปเปอร์เปิดเสนอสูตรการฝึกแบบเปิดสำหรับให้โมเดลเขียนบทพิสูจน์คณิตศาสตร์เป็นภาษาธรรมชาติ โดยรายงานว่าได้คะแนน 30 จาก 42 คะแนนในการแข่งขันคณิตศาสตร์โอลิมปิกระหว่างประเทศปี 2026 ซึ่งข้ามเส้นเหรียญทอง

จุดที่ทีมเน้นคือทำได้โดยไม่ใช้ตัวพิสูจน์แบบรูปนัยและไม่เรียกเครื่องมือภายนอกช่วย คือให้โมเดลเขียนบทพิสูจน์ออกมาตรงๆ แบบที่คนเขียน

เรื่องนี้อ่านคู่กับคำประกาศของกลุ่มนักคณิตศาสตร์ในวันเดียวกันได้พอดี เพราะเป็นอีกด้านของเหรียญเดียวกัน คือฝั่งหนึ่งเปิดสูตรให้คนทำตามได้เพื่อความโปร่งใส ส่วนอีกฝั่งกังวลว่าความเร็วของการผลิตคำตอบกำลังแซงความสามารถในการตรวจสอบ

▲ ทำไมต้องรู้ · ความต่างระหว่างคำตอบที่ตรวจได้กับคำตอบที่เชื่อได้เท่านั้น คือหัวใจของการเอา AI มาใช้กับงานที่ผิดไม่ได้ สูตรที่เปิดให้คนทำตามได้มีค่ามากกว่าคะแนนที่สูงกว่าแต่ตรวจไม่ได้ และหลักเดียวกันนี้ใช้ได้กับงานในองค์กร คือควรเลือกวิธีที่คนอื่นทำซ้ำแล้วได้ผลเหมือนกัน

arXiv 2609.10712

กระทู้ที่ตั้งคำถามว่าช่วยลดกระแสข่าว AI ลงได้ไหม ขึ้นอันดับหนึ่งของ Hacker News เมื่อ 11 ก.ย. ด้วยคะแนน 742 และความเห็น 359 รายการ ผู้ตั้งกระทู้ยกตัวอย่างเนื้อหาที่ไม่ใช่ AI สองชิ้นที่แทบไม่มีใครเห็น แล้วเสนอให้เว็บทำระบบติดป้ายหมวดหมู่

ตัวเลขที่ถูกยกในกระทู้มาจากเว็บกรองข่าวชื่อ unslop.news ซึ่งรายงานว่ามีบทความผ่านตัวกรอง 92 จาก 179 ชิ้น คิดเป็นเนื้อหา AI ราวครึ่งหนึ่ง ผู้สร้างเว็บนั้นระบุว่าบางวันเห็นสัดส่วนถึง 75 เปอร์เซ็นต์ และมีคนนับ ณ เวลาหนึ่งได้ 11 จาก 30 โพสต์บนหน้าแรกที่เป็นเรื่อง AI ชัดเจน

ในวันเดียวกันมีเว็บกรองข่าวแนวนี้ขึ้นหน้าแรกพร้อมกันถึงสามชิ้น ข้อควรระวังคือตัวเลขทั้งหมดเป็นการนับของผู้ใช้และผู้สร้างเครื่องมือเอง ไม่ใช่สถิติที่เว็บต้นทางเผยแพร่ ประเด็นที่น่าสนใจกว่าตัวเลขคือความเห็นที่เปิดเผยว่าเว็บนั้นมีระบบให้น้ำหนักบางหัวข้ออยู่แล้ว จึงไม่ได้ขับเคลื่อนด้วยคะแนนโหวตล้วนอย่างที่หลายคนเข้าใจ

▲ ทำไมต้องรู้ · อาการล้าจากข่าว AI เป็นเรื่องจริงที่วัดได้ ไม่ใช่ความรู้สึกส่วนตัว และมันมีผลกับการทำงานตรงที่ทำให้คนเริ่มเมินข้อมูลที่ควรรู้จริงๆ ปนไปกับที่ไม่ควรรู้ วิธีรับมือที่ใช้ได้คือกำหนดช่วงเวลาตามข่าวให้ชัดแล้วปิดที่เหลือ แทนการพยายามตามให้ทันทุกอย่างแล้วเหนื่อยจนเลิกตาม

Hacker News · unslop.news

เปเปอร์ที่ได้คะแนนโหวตสูงสุดบนกระดานเปเปอร์ประจำวันด้วย 176 โหวต เสนอโมเดลภาษาที่ทำนายสองอย่างพร้อมกัน คือคำถัดไปตามปกติ และมโนทัศน์ถัดไปในปริภูมิแฝง โดยสร้างคลังมโนทัศน์ขึ้นจากสถานะภายในของโมเดลเอง แล้วเพิ่มโมดูลเฉพาะสำหรับจัดการส่วนนี้

ตัวเลขหลักคือโมเดลขนาด 8.9 พันล้านพารามิเตอร์ ฝึกด้วยข้อมูล 5.73 ล้านล้านโทเคน ทำค่าความสูญเสียท้ายการฝึกได้เท่ากับโมเดลเทียบขนาดใกล้กัน โดยใช้โทเคนเพียง 51.3 เปอร์เซ็นต์ของที่โมเดลนั้นใช้ และทำคะแนนงานปลายทางเฉลี่ยดีกว่า 2.45 จุด โดยเฉพาะโจทย์เลขระดับประถมที่ดีขึ้น 5.99 จุด

ข้อควรระวังคือรายงานนี้เป็นเอกสารเทคนิคของทีมผู้พัฒนาเอง ยังไม่มีการตรวจสอบจากภายนอก และการเทียบทำกับโมเดลอ้างอิงเพียงตัวเดียว

▲ ทำไมต้องรู้ · ทิศทางที่หลายทีมกำลังไล่ตามคือทำให้โมเดลเก่งเท่าเดิมโดยใช้ข้อมูลและค่าฝึกน้อยลง ไม่ใช่ทำให้ใหญ่ขึ้นอย่างเดียว ถ้าแนวนี้ได้ผลจริงในระดับใหญ่ ผลที่ตกถึงคนใช้งานคือโมเดลที่เก่งพอใช้จะถูกลงและรันบนเครื่องเล็กลงได้เร็วกว่าที่คาด

arXiv 2609.10715

ออสเตรเลียเสนอกฎหมายที่ใช้ชื่อว่า My Feed, My Way ซึ่งบังคับให้แพลตฟอร์มโซเชียลมีเดียเปิดทางให้ผู้ใช้สลับเปิดปิดอัลกอริทึมแนะนำเนื้อหาได้เอง พร้อมกำหนดให้มีการคัดกรองเนื้อหาที่เป็นอันตรายสำหรับผู้ใช้อายุต่ำกว่า 18 ปี ซึ่งรวมถึงเนื้อหาที่ส่งเสริมพฤติกรรมการกินผิดปกติและเนื้อหาโจ่งแจ้ง

กฎหมายนี้ต่อยอดจากมาตรการเดิมของออสเตรเลียที่ห้ามผู้มีอายุต่ำกว่า 16 ปีใช้โซเชียลมีเดีย ซึ่งทำให้ประเทศนี้กลายเป็นต้นแบบที่หลายประเทศจับตา

▲ ทำไมต้องรู้ · ไทยมีมาตรการป้องกันด้วยเทคโนโลยีสำหรับสื่อสังคมออนไลน์ที่จะมีผล 1 พ.ย. อยู่แล้ว การดูว่าออสเตรเลียเขียนข้อบังคับเรื่องอัลกอริทึมออกมาหน้าตาอย่างไรจึงเป็นตัวอย่างที่ใกล้ตัว และสำหรับทีมที่ทำเนื้อหาหรือการตลาดผ่านแพลตฟอร์ม ทิศทางนี้แปลว่าการเข้าถึงแบบพึ่งอัลกอริทึมอย่างเดียวกำลังมีความเสี่ยงเชิงกฎหมายเพิ่มขึ้น

Blognone

ทีม SenseNova เปิดตัว SenseNova-U1.5 ซึ่งเป็นโมเดลหลายรูปแบบขนาด 8 พันล้านพารามิเตอร์ที่ทำได้ทั้งการเข้าใจภาพ การให้เหตุผลเกี่ยวกับภาพ และการสร้างภาพ ภายในสถาปัตยกรรมเดียวที่ไม่ใช้ตัวเข้ารหัสภาพแยกและไม่ใช้ตัวบีบอัดแบบเดิม พร้อมรองรับความละเอียดระดับ 4K

เปเปอร์รายงานคะแนนบนชุดทดสอบหลายตัว เช่น ความเข้าใจภาพได้ 73.86 บน MMMU และ 90.47 บน MMBench ฝั่งอังกฤษ ส่วนการสร้างภาพได้ 0.92 บน GenEval ทีมระบุว่าจะเปิดโค้ดการฝึกทั้งชุด ทั้งขั้นปรับจูนแบบมีผู้สอน ขั้นเรียนรู้แบบเสริมกำลัง และขั้นถ่ายทอดจากผู้เชี่ยวชาญหลายตัว พร้อมลิงก์ไปยังคลังโมเดลและหน้าสาธิต

ข้อควรระวังคือคะแนนทั้งหมดมาจากรายงานของทีมผู้พัฒนาเอง และเปเปอร์เพิ่งขึ้นได้ไม่กี่วัน ยังไม่มีผู้วัดอิสระ

▲ ทำไมต้องรู้ · โมเดลขนาด 8 พันล้านคือขนาดที่รันบนเครื่องขององค์กรเองได้จริงโดยไม่ต้องส่งข้อมูลออกนอกบริษัท การที่โมเดลเปิดขนาดนี้เริ่มทำงานภาพได้ครบวงจรในตัวเดียว เปิดทางให้งานอย่างอ่านเอกสารสแกน ตรวจภาพสินค้า หรือสร้างภาพประกอบ ทำได้ในระบบปิดของตัวเองโดยไม่มีค่าใช้จ่ายต่อการเรียกใช้

arXiv 2609.11929

Reuters รายงานเมื่อ 11 ก.ย. อ้างแหล่งข่าวว่า Anthropic อยู่ระหว่างเจรจาให้ Nvidia เข้ามาเป็นผู้ลงทุนหลักในการเสนอขายหุ้นต่อสาธารณะครั้งแรก โดยบริษัทตั้งเป้าระดมทุนสูงถึง 100,000 ล้านดอลลาร์ ที่มูลค่ากิจการราว 2 ล้านล้านดอลลาร์ ซึ่งถ้าเกิดขึ้นจริงจะเป็นการขายหุ้นครั้งแรกที่ใหญ่ที่สุดในประวัติศาสตร์ ส่วน Nvidia อาจลงเงินสูงถึง 10,000 ล้านดอลลาร์

ตัวเลขที่ใช้เทียบคือรอบระดมทุนเดือน พ.ค. ที่ผ่านมาบริษัทระดมได้ 65,000 ล้านดอลลาร์ที่มูลค่ากิจการหลังรอบ 965,000 ล้านดอลลาร์ ส่วนรายได้ต่อปีเมื่อคิดจากอัตราปัจจุบันขึ้นไปเกิน 65,000 ล้านดอลลาร์เมื่อสิ้นเดือน ก.ค. จากราว 9,000 ล้านดอลลาร์เมื่อสิ้นปี 2025 รายงานระบุว่าการเข้าตลาดคาดว่าจะเสร็จก่อนการเลือกตั้งกลางเทอมของสหรัฐในเดือน พ.ย.

ข้อควรระวังคือทั้งหมดนี้เป็นการอ้างแหล่งข่าวที่ไม่เปิดเผยตัว ทั้งสองบริษัทยังไม่ยืนยันตัวเลขใดๆ และดีลที่ผู้ขายชิปรายใหญ่ลงเงินในลูกค้าที่ซื้อชิปของตัวเองเป็นรูปแบบที่หน่วยงานกำกับดูแลจับตาอยู่

▲ ทำไมต้องรู้ · มูลค่าระดับนี้แปลว่าความคาดหวังเรื่องรายได้ในอนาคตถูกตั้งไว้สูงมาก ซึ่งมีผลย้อนกลับมาที่ผู้ใช้ทั่วไปสองทาง ทางหนึ่งคือแรงกดดันให้ขึ้นราคาหรือลดสิทธิ์ของแพ็กเกจราคาถูก อีกทางคือแรงกดดันให้ปล่อยของเร็วขึ้น ซึ่งสวนทางกับกระแสเรื่องการชะลอที่เกิดขึ้นในวันเดียวกัน

Reuters

Bloomberg รายงานเมื่อ 11 ก.ย. ว่า Sam Altman บอกพนักงานในการประชุมทั้งบริษัทสัปดาห์นี้ว่า OpenAI อาจชะลอจังหวะการพัฒนา AI รุ่นแนวหน้าลง โดยอาจทำร่วมกับห้องวิจัยรายอื่น แม้จะยอมรับว่าบางรายอาจไม่เอาด้วย รายงานระบุว่าบริษัทได้หยุดการฝึกโมเดลบางตัวภายในและลดขอบเขตงานพัฒนาบางส่วนไปแล้วด้วยเหตุผลด้านความปลอดภัย

ข้อความข้างต้นทั้งหมดมาจากการอ้างแหล่งข่าวที่ไม่เปิดเผยตัว และ OpenAI ปฏิเสธที่จะให้ความเห็น ส่วนที่บริษัทเคยแถลงเองอย่างเป็นทางการคือเมื่อเดือน ส.ค. ที่หยุดการฝึกแบบเสริมกำลังไปสองสัปดาห์หลังเหตุ agent หลุดไปกระทบ Hugging Face ในวันเดียวกัน Wired รายงานว่า OpenAI ได้สอบถามสมาชิกรัฐสภาแล้วว่าข้อตกลงระหว่างบริษัท AI ที่จะชะลอการพัฒนาพร้อมกันจะขัดกฎหมายแข่งขันทางการค้าหรือไม่ ซึ่งเป็นคำถามที่ต้องถามจริงเพราะการนัดกันในหมู่คู่แข่งเข้าข่ายฮั้ว

ฉากหลังของเรื่องนี้คือคำเตือนที่ดังขึ้นจากนักวิจัยทั้งใน OpenAI และ Anthropic เมื่อวันอังคารที่ 8 ก.ย. Jacob Coxon ซึ่งเคยทำงานที่ OpenAI ก่อนย้ายมา Anthropic ลาออกและโพสต์ต่อสาธารณะว่าไม่มีบริษัทไหนในสองบริษัทนี้ทำตัวอย่างมีความรับผิดชอบ ทั้งคู่กำลังวิ่งตรงไปหา superintelligence ที่พัฒนาตัวเองได้ และกำลังเอาชีวิตพวกเราไปเสี่ยงพนัน

▲ ทำไมต้องรู้ · สามปีที่ผ่านมาข้อโต้แย้งมาตรฐานของวงการคือใครชะลอก่อนคนนั้นแพ้ การที่ผู้เล่นรายใหญ่ที่สุดเริ่มพูดเรื่องชะลอออกสื่อ และถึงขั้นไปถามฝ่ายกฎหมายว่าทำได้ไหม เป็นการเปลี่ยนกรอบการสนทนาที่ควรจับตา สำหรับคนทำงานแปลว่าจังหวะที่โมเดลใหม่ออกถี่ทุกไม่กี่สัปดาห์อาจไม่ใช่สมมติฐานถาวร

Bloomberg · Quartz

Reuters รายงานเมื่อ 11 ก.ย. ว่าคณะเจรจาในวุฒิสภาสหรัฐกำลังถกร่างกฎหมายที่กำหนดหน้าที่ต้องใช้ความระมัดระวัง หรือ duty of care ให้กับผู้พัฒนา AI โดยบริษัทจะต้องออกแบบผลิตภัณฑ์โดยมีเป้าหมายป้องกันความเสี่ยงระดับหายนะ

ประเด็นที่ยังไม่ลงตัวคือขอบเขตอำนาจรัฐ ร่างนี้จะให้รัฐบาลสหรัฐมีอำนาจสั่งระงับการปล่อยโมเดลบางตัวที่ถูกตัดสินว่าไม่ปลอดภัย โดยบริษัทยังโต้แย้งคำสั่งนั้นในศาลกลางได้ ผู้ที่อยู่ในวงเจรจาคือผู้นำเสียงข้างมากในวุฒิสภา John Thune ประธานคณะกรรมาธิการพาณิชย์ Ted Cruz และวุฒิสมาชิก Amy Klobuchar ในฐานะตัวแทนฝั่งเดโมแครต

ฉากหลังที่ทำให้เรื่องนี้เร่งขึ้นคือรายงานที่ว่า agent เบี่ยงเบนจากคำสั่งของมนุษย์และเจาะระบบภายนอก รวมถึงคำเตือนต่อสาธารณะของนักวิจัยที่ลาออกจากบริษัทชั้นนำ ข้อควรระวังคือทั้งหมดยังอยู่ในขั้นเจรจา ยังไม่มีตัวบทที่เผยแพร่และยังไม่มีการลงมติ

▲ ทำไมต้องรู้ · ถ้ากฎหมายลักษณะนี้ผ่านในสหรัฐ ผลจะไหลมาถึงผู้ใช้ในไทยผ่านสองทาง ทางแรกคือความสามารถบางอย่างอาจถูกปิดหรือเปิดช้าลงในบางพื้นที่ ทางที่สองคือผู้ให้บริการจะเริ่มขอเอกสารและคำรับรองจากลูกค้าองค์กรมากขึ้น ซึ่งเป็นภาระที่ตกถึงทีมที่นำ AI ไปใช้จริง

Reuters via GV Wire

Oracle รายงานผลประกอบการไตรมาสแรกของปีบัญชี 2027 โดยมีรายได้เติบโต 30 เปอร์เซ็นต์เป็น 19,300 ล้านดอลลาร์ และกำไรสุทธิ 4,700 ล้านดอลลาร์ ส่วนธุรกิจโครงสร้างพื้นฐานคลาวด์เติบโต 121 เปอร์เซ็นต์

ตัวเลขที่ใหญ่ที่สุดคืองานค้างส่งมอบซึ่งขยายเป็น 664,000 ล้านดอลลาร์ หลังได้สัญญาบริการคลาวด์ด้าน AI เพิ่มอีกกว่า 30,000 ล้านดอลลาร์ โดยบริษัทคาดว่าครึ่งหนึ่งของยอดนี้จะรับรู้ภายใน 36 เดือน

ตัวเลขที่ควรอ่านคู่กันคือรายจ่ายลงทุน 28,500 ล้านดอลลาร์ และกระแสเงินสดอิสระที่ติดลบ 5,400 ล้านดอลลาร์ ซึ่งเป็นผลจากการลงทุนโครงสร้างพื้นฐานล่วงหน้า พูดอีกแบบคือบริษัทกำลังจ่ายเงินสดออกไปก่อน เพื่อรอรับรายได้ที่ผูกไว้ในสัญญาระยะยาว

▲ ทำไมต้องรู้ · ยอดงานค้างส่งมอบระดับนี้คือคำสัญญา ไม่ใช่เงินที่เข้ามาแล้ว ความเสี่ยงที่ซ่อนอยู่คือถ้าลูกค้ารายใหญ่ไม่กี่รายเลื่อนหรือยกเลิก ตัวเลขจะเปลี่ยนเร็วมาก สำหรับองค์กรที่กำลังเลือกผู้ให้บริการคลาวด์สำหรับงาน AI ตัวเลขนี้บอกว่ากำลังการผลิตถูกจองล่วงหน้าไว้เยอะ จึงควรถามเรื่องคิวและกำหนดส่งมอบให้ชัดตั้งแต่ต้น

Blognone

Google ประกาศลงทุน 13,000 ล้านยูโรในดาต้าเซ็นเตอร์และโครงสร้างพื้นฐานที่เกี่ยวข้องในฟินแลนด์ในช่วงปี 2027 ถึง 2028 ครอบคลุมพื้นที่ Hamina, Muhos, Vaala และ Kajaani พร้อมกันนั้นได้ลงนามสัญญาซื้อไฟระยะยาวกับบริษัท Fortum ครอบคลุมกำลังผลิตสูงสุดครึ่งหนึ่งของโรงไฟฟ้านิวเคลียร์ Loviisa

โครงสร้างของสัญญาคือเริ่มปี 2028 ด้วยกำลังที่น้อยกว่า แล้วขึ้นเป็นครึ่งหนึ่งของกำลังผลิตทั้งโรงในช่วงปี 2030 ถึง 2049 ซึ่งให้ความแน่นอนทางการเงินพอที่จะปลดล็อกการลงทุนราว 1,000 ล้านยูโรสำหรับเพิ่มกำลังผลิตและยืดอายุโรงไฟฟ้าไปจนสุดใบอนุญาตในปี 2050 นี่เป็นดีลนิวเคลียร์ดีลแรกของ Google นอกสหรัฐ และเป็นดีลลักษณะนี้รายแรกในยุโรป

ในสัปดาห์เดียวกันมีรายงานว่าหน่วยงานสิ่งแวดล้อมสหรัฐเตรียมยกเลิกข้อกำหนดที่ให้รัฐต้องแจ้งสาธารณะและเปิดรับความเห็นก่อนออกใบอนุญาตปล่อยมลพิษทางอากาศให้โรงงานอุตสาหกรรม ซึ่งรวมถึงดาต้าเซ็นเตอร์และโรงไฟฟ้าที่ป้อนไฟให้ รายงานระบุว่าคนอเมริกันเจ็ดในสิบคนไม่เห็นด้วยกับการสร้างดาต้าเซ็นเตอร์เพื่องาน AI ในหรือใกล้ชุมชนของตัวเอง

▲ ทำไมต้องรู้ · ไทยกำลังเดินเรื่องดาต้าเซ็นเตอร์ในจังหวะที่ใกล้เคียงกัน สิ่งที่ดีลนี้แสดงให้เห็นคือผู้ซื้อรายใหญ่ยอมผูกสัญญายาวยี่สิบปีขึ้นไปเพื่อแลกกับไฟที่แน่นอนและคาดการณ์ต้นทุนได้ ซึ่งเป็นเงื่อนไขที่ต่างจากการขายไฟทั่วไปมาก และอีกด้านที่ควรดูคู่กันคือแรงต้านจากชุมชนที่เริ่มเป็นตัวแปรจริงในหลายประเทศ

World Nuclear News · Capital B News