AI News · 2026-09-13

OpenAI เปิดตัว ChatGPT for Financial Services เมื่อ 10 ก.ย. เป็นการตั้งค่าเฉพาะทางของ ChatGPT Work ที่รันบน GPT-6 Astra สำหรับงานวิจัยบริษัท การประเมินมูลค่า การทำแบบจำลองซื้อกิจการด้วยหนี้ การคัดกรองผู้ซื้อ การวิเคราะห์ผลประกอบการ และการทำเอกสารนำเสนอ โดยองค์กรกำหนดรูปแบบรายงานของตัวเองได้

บริษัทที่ร่วมออกแบบตั้งแต่ต้นคือ Morgan Stanley และ Evercore ส่วนแหล่งข้อมูลที่ต่อเข้ามาให้ในตัว มีทั้ง Daloopa, PitchBook และ LSEG News รวมถึงบทถอดเสียงการแถลงผลประกอบการและงบการเงิน

ข้อควรระวังคือหน้าประกาศต้นทางของ OpenAI ตอบ 403 กับการดึงข้อมูล รายละเอียดทั้งหมดข้างต้นจึงมาจากรายงานของสื่อที่เข้าร่วมการแถลง และยังไม่มีการเปิดเผยราคา จำนวนที่นั่งขั้นต่ำ หรือประเทศที่เปิดให้ใช้

▲ ทำไมต้องรู้ · นี่คือรูปแบบที่กำลังจะมาถึงอุตสาหกรรมอื่น คือผู้ให้บริการโมเดลไม่ได้ขายโมเดลเปล่าอีกต่อไป แต่ขายชุดที่ต่อแหล่งข้อมูลเฉพาะทางมาให้แล้ว คนทำงานที่เคยคิดว่าจุดแข็งของตัวเองคือการรู้ว่าข้อมูลอยู่ที่ไหนและดึงมาประกอบร่างได้ ควรเริ่มย้ายจุดแข็งไปอยู่ที่การตั้งคำถามและการตัดสินใจแทน เพราะสองอย่างแรกกำลังถูกขายเป็นแพ็กเกจ

VentureBeat

บันทึกการเปลี่ยนแปลงขึ้นถึงรุ่น 2.1.270 ซึ่งมีรายการเดียวคือแก้อาการที่คำสั่ง git แบบอ่านอย่างเดียวกลับมาขอสิทธิ์โดยไม่คาดคิด หลังจากเปิด session ทิ้งไว้สักพัก อาการนี้เป็นผลข้างเคียงที่เกิดจากรุ่น 2.1.269 ซึ่งเป็นรุ่นใหญ่ที่เพิ่งรายงานไปเมื่อวาน

ข้อควรระวังคือบันทึกการเปลี่ยนแปลงของเครื่องมือนี้ไม่ระบุวันที่ไว้เลย มีแต่เลขรุ่น จึงบอกไม่ได้ว่าแต่ละรุ่นออกวันไหนแน่

▲ ทำไมต้องรู้ · รูปแบบที่เห็นซ้ำมาหลายสัปดาห์คือรุ่นใหญ่ตามด้วยรุ่นแก้ภายในหนึ่งถึงสองวัน ทีมที่ให้เครื่องมือแบบนี้ทำงานอัตโนมัติในไปป์ไลน์จริง ควรล็อกเลขรุ่นไว้แล้วค่อยขยับตามหลังสักรอบ แทนการอัปเดตอัตโนมัติทุกครั้งที่มีของใหม่

Claude Code changelog

บริษัทเครื่องมือค้นหาอัตโนมัติชื่อ Autom รายงานว่าหน้าผลการค้นหาของ Google ไม่ได้ใส่ที่อยู่ปลายทางไว้ในโค้ดหน้าเว็บอีกแล้ว แต่ใส่เป็นลิงก์ที่ชี้กลับไปที่ google.com/goto พร้อมข้อมูลที่ถูกเข้ารหัสด้วยวิธีของ Google เอง ปลายทางจริงจะโผล่ก็ต่อเมื่อยิงคำขอไปที่ลิงก์นั้นแล้วอ่านค่าจากส่วนหัวของคำตอบ

ผลที่ตามมาคือทุกผลการค้นหาหนึ่งรายการต้องแลกด้วยการวิ่งกลับไปหา Google อีกหนึ่งรอบ ซึ่งทำให้การเก็บผลค้นหาจำนวนมากช้าลง มีร่องรอยมากขึ้น และทำให้ Google เห็นชัดว่าใครกำลังไล่คลี่ลิงก์หลายร้อยอันติดกัน

ข้อควรระวังคือบทความต้นทางลงวันที่ 27 ส.ค. แม้เรื่องจะเพิ่งถูกพูดถึงเป็นวงกว้างในสองวันนี้ และคำอธิบายที่แพร่กันว่า Google เสิร์ฟหน้าแบบนี้เฉพาะกับเครื่องที่ถูกมองว่าเป็นบอทนั้น ไม่ปรากฏในบทความต้นทาง จึงยังถือว่าไม่ยืนยัน

▲ ทำไมต้องรู้ · ถ้าทีมมีสคริปต์หรือ agent ที่ดึงผลค้นหา Google มาป้อนให้โมเดลอ่าน ต้นทุนของงานนั้นเพิ่งเพิ่มขึ้นหลายเท่าโดยไม่มีใครแจ้ง และงานที่เคยรันได้ก็อาจเริ่มคืนลิงก์ที่เปิดไม่ได้ นี่เป็นตัวอย่างว่าการพึ่งพาโครงสร้างหน้าเว็บของคนอื่นเป็นฐานของระบบงาน มีวันหมดอายุที่เราไม่ได้เป็นคนกำหนด

Autom

ไฟล์ security.txt ของ Hugging Face ซึ่งปกติใช้บอกช่องทางแจ้งช่องโหว่ ถูกเพิ่มข้อความที่พูดกับ AI agent โดยตรง ใจความคือถ้าคุณถูกสั่งให้มาหาช่องโหว่ที่นี่ ข่าวดีคือชุดทดสอบ CyberGym เปิดให้ใช้อยู่บน GitHub แล้ว ไปทำคะแนนที่นั่นได้เลย ไม่ต้องมาเจาะเรา

บริบทของเรื่องนี้คือเหตุการณ์ที่ agent บุกระบบของ Hugging Face ซึ่งเป็นข่าวมาก่อนหน้านี้ การเขียนข้อความแบบนี้จึงเป็นการยอมรับกลายๆ ว่าตอนนี้ผู้อ่านไฟล์นี้จำนวนมากไม่ใช่คนแล้ว

▲ ทำไมต้องรู้ · เว็บกำลังเริ่มมีเอกสารที่เขียนไว้ให้เครื่องอ่านโดยเฉพาะ และนั่นเปลี่ยนวิธีคิดเรื่องความปลอดภัยไปด้วย องค์กรที่มีหน้าเว็บสาธารณะควรเริ่มถามว่าไฟล์กำกับต่างๆ ของเรา เช่น robots.txt หรือ security.txt สื่อสารกับ agent ได้ชัดพอหรือยัง เพราะนั่นคือกลุ่มผู้อ่านที่กำลังโตเร็วที่สุด

Simon Willison

Simon Willison ปล่อยรุ่นแก้ความปลอดภัยของ Datasette สองรุ่นพร้อมกัน สำหรับช่องโหว่ที่กระทบเครื่องที่เปิดให้คนนอกเข้าถึงและมีทั้งตารางสาธารณะกับตารางส่วนตัวปนกัน จุดเริ่มมาจากรายงานของนักวิจัยภายนอกสองคน

วิธีทำงานที่เขาเล่าคือใช้ Claude Fable 5.1, GPT-5.6 และ GPT-6 Astra ช่วยไล่ตรวจหาช่องโหว่ แล้วแบ่งงานให้คนหนึ่งเขียนเทสต์ที่แสดงให้เห็นปัญหา อีกคนเขียนโค้ดแก้ เพื่อให้มีสายตาคนมากกว่าหนึ่งคู่อยู่บนทุกจุดที่แก้ ไม่ใช่ปล่อยให้ agent ทำจบทั้งวงจร

▲ ทำไมต้องรู้ · นี่คือรูปธรรมของคำว่าเอา AI มาช่วยแต่ไม่ยกงานให้ทั้งหมด จุดที่หยิบไปใช้ได้ทันทีคือแยกคนที่นิยามว่าอะไรคือถูก ออกจากคนหรือเครื่องมือที่ทำให้มันถูก เพราะถ้าคนเดียวกันทั้งเขียนข้อสอบและตอบข้อสอบ ผลที่ได้จะผ่านเสมอ

Simon Willison

โครงการชื่อ Rune ประกาศเปิดซอร์สโค้ดภายใต้สัญญาอนุญาต GPLv3 ตัวมันเป็นเครื่องมือเขียนโค้ดที่เขียนด้วยภาษา Go และวาดหน้าจอผ่านการ์ดจอโดยตรง ใช้ OpenGL บน Linux และ Metal บน macOS แทนการห่อเบราว์เซอร์แบบที่เครื่องมือส่วนใหญ่ทำ จุดขายคือขับเคลื่อนด้วยคีย์บอร์ดล้วนและรองรับการค้นหาโค้ดกว่า 300 ภาษาตั้งแต่ติดตั้ง

ส่วนที่เกี่ยวกับ AI โดยตรงคือมันมาพร้อม Rune Agent ซึ่งเป็น agent เขียนโค้ดที่ส่งมาในรูปส่วนขยาย และเอกสารของโครงการระบุเป้าหมายออกแบบไว้ว่าต้องรองรับการเขียนโค้ดอัตโนมัติ โดยยังเปิดทางให้เขียนเองด้วยมือได้โดยไม่ถูกรบกวน

▲ ทำไมต้องรู้ · ที่น่าสังเกตคือเครื่องมือรุ่นใหม่เริ่มออกแบบโดยตั้งสมมติฐานว่าจะมีทั้งคนและ agent ทำงานอยู่ในไฟล์เดียวกัน ทีมที่กำลังเลือกเครื่องมือควรดูว่ามันแยกงานของสองฝ่ายออกจากกันได้หรือไม่ ไม่ใช่แค่ดูว่ามีปุ่มเรียก AI หรือเปล่า

Rune

Simon Willison ทดลองให้ GPT-6 Astra รุ่นแรงสุดผ่าน ChatGPT Work วางเส้นทางวิ่งระยะห้าและสิบกิโลเมตรจากที่อยู่บ้านตัวเอง โดยให้ไปดึงข้อมูลถนนจาก OpenStreetMap มาคำนวณเอง

งานนี้ใช้เวลาทำงานต่อเนื่อง 27 นาที และสิ่งที่ได้กลับมาไม่ใช่แค่คำอธิบายเป็นข้อความ แต่เป็นภาพประกอบเส้นทาง ไฟล์ GPX ที่นำเข้าอุปกรณ์ออกกำลังกายได้ และไฟล์ GeoJSON สำหรับเปิดในโปรแกรมแผนที่ เส้นทางห้ากิโลเมตรที่ได้ถูกตั้งชื่อตามย่านและวิ่งผ่านถนนที่ระบุชื่อไว้จริง

▲ ทำไมต้องรู้ · จุดที่ควรสังเกตไม่ใช่เรื่องวิ่ง แต่เป็นเรื่องที่ agent เดินไปหาข้อมูลภูมิศาสตร์แบบเปิด แล้วคายผลออกมาเป็นไฟล์มาตรฐานที่ระบบอื่นกินต่อได้ทันที งานในออฟฟิศไทยจำนวนมากมีรูปเดียวกันคือไปดึงข้อมูลสาธารณะมาแปลงเป็นไฟล์ให้ระบบถัดไปใช้ และนั่นคือรูปงานที่กำลังทำอัตโนมัติได้จริงแล้ว

Simon Willison

Specific Labs เปิดชุดทดสอบชื่อ Real-SWE ที่ต่างจากชุดทดสอบยอดนิยมตรงที่ใช้โค้ดเบสของบริษัทจริงซึ่งไม่ได้เปิดสู่สาธารณะ เช่น แพลตฟอร์มจัดอีเวนต์ที่มีผู้ใช้เกินสองแสนคน และบริการการเงินที่ประมวลผลใบแจ้งยอดธนาคารเกินแสนฉบับ โดยตัวตรวจคำตอบสร้างขึ้นจากชุดทดสอบเดิมของโค้ดเบสนั้น หรือในบางกรณีก็ใช้เทสต์เดิมตรงๆ

โจทย์มีความยาวกลางที่ราว 1,742 ตัวอักษร ส่วนเฉลยอ้างอิงของแต่ละโจทย์แตะไฟล์กลางที่ 11 ไฟล์ และแต่ละโมเดลถูกรันแปดรอบอิสระต่อโจทย์ ผลที่ผู้เผยแพร่รายงานคือ Fable 5.1 ได้ 38.8 เปอร์เซ็นต์ ตามด้วย GPT-6 Astra ที่ 33.8 Gemini 3.8 Flash ที่ 31.2 และ GLM 5.3 ที่ 28.8 ส่วนตัวท้ายตารางคือ GPT-5.6 Sol ที่ 16.2

สิ่งที่น่าสนใจกว่าอันดับคือสาเหตุที่ทำไม่ผ่าน ผู้เผยแพร่ระบุว่าสาเหตุที่พบบ่อยที่สุดโดยรวมคือการทำตามโจทย์ไม่ครบ ไม่ใช่การเขียนโค้ดที่ทำของเดิมพัง แต่สัดส่วนนี้ต่างกันมากในแต่ละโมเดล ตั้งแต่ราว 28 เปอร์เซ็นต์ไปจนถึงราว 67 เปอร์เซ็นต์ และในบางโมเดลก็ไม่ใช่สาเหตุอันดับหนึ่งด้วยซ้ำ มีโจทย์หนึ่งที่ทุกโมเดลที่ทดสอบทำไม่ผ่านเลยสักตัว และต้นทุนประเมินต่อหนึ่งรอบอยู่ระหว่างราว 2.5 ถึง 7 ดอลลาร์

ข้อควรระวังมีสามชั้น ผู้เผยแพร่คือบริษัทที่ขายชุดข้อมูลและสภาพแวดล้อมจากโค้ดเบสองค์กรอยู่แล้ว โค้ดเบสที่ใช้วัดเป็นของปิดจึงไม่มีใครภายนอกตรวจทานคะแนนซ้ำได้ และเมื่อไล่ตัวเลขกลับจะพบว่าคะแนนทุกตัวลงตัวกับโจทย์สิบข้อคูณแปดรอบ ระยะห่างระหว่างที่หนึ่งกับที่สองจึงเท่ากับสี่รอบการทดลอง โดยหน้ารายงานไม่ได้ให้ช่วงความคลาดเคลื่อนไว้เลย

▲ ทำไมต้องรู้ · สิ่งที่ควรหยิบไปใช้ไม่ใช่ลำดับในตาราง เพราะฐานยังเล็กเกินกว่าจะชี้ผู้ชนะได้ แต่คือภาพรวมสองข้อ ข้อแรกคือคะแนนดีที่สุดยังไม่ถึงสี่ในสิบเมื่อเจอโค้ดจริงของบริษัทจริง ข้อสองคือความล้มเหลวส่วนใหญ่มาจากการอ่านโจทย์ไม่ครบมากกว่าการเขียนโค้ดพัง ซึ่งแปลว่าการลงแรงเขียนโจทย์ให้ชัดคุ้มกว่าการเปลี่ยนไปใช้โมเดลที่แพงกว่า

Specific Labs

ปัญหาที่งานนี้จับคือโมเดลที่คิดเป็นขั้นตอนมักคิดเป็นภาษาอังกฤษเสมอ ไม่ว่าผู้ใช้จะถามมาด้วยภาษาอะไร ทีมวิจัยเสนอว่าสิ่งที่ทำให้คิดข้ามภาษาได้ไม่ใช่การหาข้อมูลการคิดในทุกภาษามาสอน แต่เป็นการผสมสัดส่วนข้อมูลให้ถูก

โมเดลที่ได้ชื่อ Aya L2-Thinker ขนาด 3.35 พันล้านพารามิเตอร์ ทำอัตราการคิดในภาษาเดียวกับคำถามได้เกิน 93 เปอร์เซ็นต์ ครอบคลุม 60 ภาษา บนชุดทดสอบหกชุดที่รวมคณิตศาสตร์ การทำตามคำสั่ง การตอบแบบปลายเปิด และการให้เหตุผลเชิงวัฒนธรรม ทีมวิจัยปล่อยทั้งน้ำหนักโมเดลและชุดข้อมูลออกมาด้วย

ข้อควรระวังคือบทคัดย่อไม่ได้ระบุว่าภาษาไทยอยู่ในหกสิบภาษานั้นหรือไม่ จึงยังตอบแทนไม่ได้

▲ ทำไมต้องรู้ · เวลาโมเดลคิดเป็นอังกฤษแล้วแปลกลับมาเป็นไทย สิ่งที่หายไประหว่างทางคือบริบทและน้ำเสียงที่เฉพาะกับภาษาเรา ถ้าทิศทางนี้ไปได้จริง แปลว่าโมเดลขนาดเล็กที่รันเองได้จะเริ่มให้คำตอบภาษาไทยที่เข้าท่าขึ้นโดยไม่ต้องพึ่งโมเดลยักษ์ ซึ่งเป็นข่าวดีสำหรับงานที่ห้ามส่งข้อมูลออกนอกองค์กร

arXiv 2609.10445

งานนี้ทดลองตัดชั้นในส่วนที่แปลงเสียงเป็นตัวเลขของโมเดลภาษาที่ฟังเสียงได้ แล้วถ่ายทอดความรู้จากโมเดลใหญ่ลงมาชดเชย ทดสอบบนชุดทดสอบสาธารณะสิบชุดทั้งภาษาจีนและอังกฤษ

ผลคือการลดชั้นจาก 18 เหลือ 16 ทำให้ค่าเฉลี่ยความผิดพลาดลดจาก 5.61 เหลือ 5.27 เปอร์เซ็นต์ นั่นคือเล็กลงและแม่นขึ้นพร้อมกัน ส่วนรุ่น 14 ชั้นได้ 5.75 เปอร์เซ็นต์โดยใช้พารามิเตอร์ในส่วนเสียงน้อยลง 20.7 เปอร์เซ็นต์ และการค่อยๆ ตัดทีละขั้นให้ผลดีกว่าการตัดรวดเดียวอย่างชัดเจน

ข้อควรระวังคือผู้เขียนระบุเองว่าผลทั้งหมดมาจากการรันครั้งเดียว ไม่มีการรันซ้ำหลายรอบเพื่อดูความแปรปรวน

▲ ทำไมต้องรู้ · งานถอดเสียงเป็นข้อความคืองาน AI ที่องค์กรไทยใช้จริงมากที่สุดงานหนึ่ง ตั้งแต่ถอดเทปประชุมไปจนถึงคอลเซ็นเตอร์ แนวทางแบบนี้คือเหตุผลที่โมเดลถอดเสียงรุ่นเล็กที่รันบนเครื่องตัวเองกำลังไล่ทันรุ่นใหญ่ที่ต้องส่งเสียงขึ้นคลาวด์

arXiv 2609.11412

เวลาเอาภาพเดิมไปให้ AI แก้ซ้ำหลายรอบ ภาพจะสะสมร่องรอยที่งานนี้เรียกว่าระลอกดิจิทัล ลักษณะเป็นลายตารางจางๆ บวกเนื้อภาพที่หยาบขึ้นทีละนิดจนสุดท้ายภาพดูสกปรกโดยบอกไม่ถูกว่าตรงไหน

วิธีที่เสนอคือตรวจหาความถี่ที่ผิดปกติแล้วตัดเฉพาะจุดนั้น ตามด้วยการเกลี่ยที่ยังรักษาโครงสร้างของภาพไว้ และสร้างภาพใหม่จากภาพอ้างอิงที่ทำความสะอาดแล้ว ค่าที่วัดได้จากการตัดความถี่สิบสี่รอบ อยู่ในช่วง 0.08 ถึง 0.44 หน่วยความสว่างในระบบสี CIELAB

ข้อควรระวังคือตัวเลขที่ดูดีที่สุดในงานนี้ ซึ่งคือการลดเศษขยะในภาพลง 45 เปอร์เซ็นต์ มาจากตัวอย่างคู่เดียวไม่ใช่ค่าเฉลี่ยของทั้งชุด

▲ ทำไมต้องรู้ · ใครที่ใช้เครื่องมือแก้ภาพด้วย AI ทำงานกราฟิกเป็นประจำจะคุ้นกับอาการที่ภาพค่อยๆ เละหลังแก้ไปหลายรอบ งานนี้ยืนยันว่ามันเป็นของจริงและวัดเป็นตัวเลขได้ บทเรียนที่ใช้ได้ทันทีคือเก็บไฟล์ต้นฉบับไว้แล้วแก้จากต้นฉบับใหม่ทุกครั้ง แทนการแก้ทับของที่แก้มาแล้ว

arXiv 2609.11317

โจทย์ของชุดทดสอบนี้ง่ายมากในสายตาคน คือให้ดูคลิปตอนต้นกับตอนจบ แล้วเลือกว่าคลิปตรงกลางที่หายไปคือคลิปไหนจากสี่ตัวเลือก โดยตัวลวงทั้งหมดมาจากวิดีโอต้นทางเดียวกันเพื่อไม่ให้เดาจากฉากหรือสีได้

ชุดข้อมูลคัดมา 1,521 คลิปจากเจ็ดแหล่ง และทดสอบกับโมเดลที่ดูวิดีโอได้ 31 ตัว ผลชี้ว่าคอขวดหลักคือการเรียงลำดับเหตุการณ์ตามเวลา โมเดลบอกได้ว่าเนื้อหาแบบไหนน่าจะอยู่ตรงนั้นและเดาความต่อเนื่องระยะสั้นได้ แต่จับไม่ได้ว่าอะไรต้องมาก่อนอะไร

▲ ทำไมต้องรู้ · เวลาเอา AI ไปดูคลิปกล้องวงจรปิด คลิปสายการผลิต หรือคลิปการอบรม สิ่งที่มันตอบได้ดีคือมีอะไรอยู่ในภาพ ส่วนสิ่งที่ยังเชื่อไม่ได้คือลำดับว่าเกิดอะไรก่อนหลัง ซึ่งบังเอิญเป็นสิ่งเดียวที่เราอยากรู้ในงานสอบสวนหาสาเหตุ

arXiv 2609.01515

สถาบันคณิตศาสตร์เคลย์ออกประกาศเมื่อ 11 ก.ย. ว่ารับทราบการประกาศว่าโจทย์ Navier-Stokes ซึ่งเป็นหนึ่งในโจทย์รางวัลมิลเลนเนียมได้รับการแก้แล้ว โดยใช้คำว่าดูเหมือนจะได้รับการแก้แล้ว ซึ่งเป็นคำที่จงใจเปิดช่องไว้

สิ่งที่ประกาศนี้ไม่มีคือชื่อผู้แก้ และไม่มีการเอ่ยถึง AI หรือการเรียนรู้ของเครื่องแม้แต่ครั้งเดียว ตัวประกาศบอกเพียงว่ากติกาของรางวัลกำหนดกระบวนการประเมินและการให้เครดิตไว้แล้ว และกระบวนการนั้นจงใจไม่เร่งรีบ

เหตุที่ต้องเขียนข้อนี้คือสัปดาห์นี้มีข่าว AI กับคณิตศาสตร์ติดกันหลายเรื่อง ทั้งคำประกาศของนักคณิตศาสตร์รางวัลฟิลด์ส และข่าวบทพิสูจน์ที่คอมพิวเตอร์ตรวจเองได้ ทำให้เรื่องสองเรื่องนี้ถูกเล่าปนกันได้ง่ายมาก

▲ ทำไมต้องรู้ · เวลาข่าวสองเรื่องขึ้นหน้าเดียวกันในวันเดียวกัน สมองคนจะเชื่อมมันเข้าด้วยกันเองโดยไม่รู้ตัว วิธีกันพลาดคือย้อนไปอ่านประกาศต้นทางเสมอ และสังเกตว่าคำที่ต้นทางใช้จริงคืออะไร ในกรณีนี้คือดูเหมือนจะ ไม่ใช่แก้ได้แล้ว

Clay Mathematics Institute

สำนักงานคณะกรรมการดิจิทัลเพื่อเศรษฐกิจและสังคมแห่งชาติเปิดตัวเลขของโครงการ TH-AI Passport ณ วันที่ 11 ก.ย. ว่ามีผู้ลงทะเบียนสำเร็จแล้ว 1.52 ล้านคน มีการป้อนคำสั่งใช้งานไปแล้ว 8,720,807 ครั้ง เรียนบทเรียนจบแล้ว 1,297,924 บทเรียน และออกประกาศนียบัตรไปแล้ว 139,519 ใบ

โครงการนี้ให้สิทธิ์ใช้ AI แบบสร้างเนื้อหาฟรีหนึ่งปีแก่นักเรียน นักศึกษา ครูอาจารย์ และประชาชนทั่วไป ทำร่วมกับกระทรวงการอุดมศึกษา กระทรวงศึกษาธิการ และกระทรวงสาธารณสุข

ตัวเลขที่ควรสังเกตคือวิธีคิดเงิน ซึ่งเปลี่ยนมาเป็นการจ่ายตามจำนวนผู้ใช้ที่ใช้งานจริงในอัตรา 24.6951 บาทต่อคนต่อเดือน เลขาธิการหน่วยงานระบุว่าเป้าหมายคือสร้างทักษะการใช้ AI ให้ประชาชนในวงกว้างเพื่อลดความเหลื่อมล้ำด้านการใช้เทคโนโลยี

▲ ทำไมต้องรู้ · ตัวเลขที่บอกอะไรจริงๆ ไม่ใช่ยอดลงทะเบียน แต่คือบทเรียนที่เรียนจบกับประกาศนียบัตรที่ออกจริง ซึ่งคิดเป็นราวหนึ่งในสิบของยอดลงทะเบียน นั่นคือช่องว่างระหว่างการเปิดบัญชีกับการใช้จนได้ผล และเป็นตัวเลขเดียวกับที่องค์กรควรใช้วัดโครงการอบรม AI ของตัวเอง แทนการนับหัวคนเข้าอบรม

เดลินิวส์

รายละเอียดของวิธีทำงานเพิ่งถูกเผยแพร่ต่อ หลังจากข่าวการตัดสินใจย้ายกลับไปเขียนด้วย Swift และ Kotlin ออกมาก่อนหน้านี้ เครื่องมือภายในที่ใช้ชื่อ Helix โดยมันจะอ่านโค้ดเดิม ตัดเป็นก้อนขนาดที่ตรวจสอบได้ แปลงทีละก้อนด้วยโมเดลภาษา แล้วให้ agent สองตัวทำหน้าที่ทดสอบ ก่อนส่งให้คนตรวจอีกชั้น

ตัวเลขที่บริษัทให้ไว้คือใช้เวลา 12 สัปดาห์สร้างแอปหลักขึ้นใหม่เป็นเนทีฟทั้งตัวก่อน แล้วจึงตัดสินใจย้ายส่วนที่เหลือ และบริษัทระบุว่าจะยังสนับสนุนโครงการย่อยของ React Native ต่อไปจนสิ้นปี 2569

▲ ทำไมต้องรู้ · ของที่หยิบไปใช้ได้คือรูปแบบการทำงาน ไม่ใช่ข้อสรุปว่าเนทีฟดีกว่า วิธีที่ได้ผลคือตัดงานเป็นก้อนที่ตรวจสอบได้ทีละก้อน ใส่ตัวตรวจอัตโนมัติคั่นทุกก้อน แล้วให้คนตรวจปลายทาง ซึ่งใช้ได้กับงานย้ายระบบเก่าทุกแบบ ไม่ใช่แค่แอปมือถือ

Blognone

Dario Amodei เผยแพร่บทความชื่อ We Must Pace the Frontier บนเว็บส่วนตัวเมื่อสุดสัปดาห์ที่ผ่านมา ใจความคือต้องชะลอความเร็วในการเพิ่มความสามารถของโมเดล โดยเขาชี้ว่าสาเหตุที่ความเร็วพุ่งขึ้นคือ AI เริ่มเก่งขึ้นในการสร้าง AI รุ่นถัดไป เขาเขียนไว้ชัดว่าการชะลอไม่ได้แปลว่าหยุดฝึกโมเดลหรือหยุดความก้าวหน้าทางเทคนิค แต่หมายถึงให้บริษัทมีเวลาพอที่จะจัดการเรื่องความปลอดภัย

ข้อเสนอแบ่งเป็นสามชั้น คือผู้ประเมินจากภายนอกที่ฝังตัวอยู่ในบริษัท การกำหนดจังหวะภายในกลุ่มประเทศประชาธิปไตย และการเจรจากำหนดจังหวะระดับโลกที่ไล่ความเข้มเป็นสี่ระดับ เริ่มจากห้ามใช้ AI ทำอาวุธชีวภาพ ตามด้วยการบังคับทดสอบโมเดลก่อนปล่อย แล้วจึงจำกัดความเร็วที่ AI ปรับปรุงตัวเอง และระดับบนสุดคือการกำหนดจังหวะเต็มรูปแบบหรือหยุดชั่วคราว

สิ่งเดียวที่เขาผูกมัด Anthropic ไว้จริงคือข้อแรก คือให้ผู้ประเมินภายนอกได้โต๊ะทำงานในออฟฟิศ บัตรเข้าอาคาร เครื่องคอมพิวเตอร์ของบริษัท และสิทธิ์เข้าถึงเครื่องมือใกล้เคียงกับทีมประเมินความเสี่ยงภายใน พร้อมสิทธิ์เผยแพร่สิ่งที่พบโดยบริษัทไม่มีอำนาจแก้เนื้อหา ส่วนข้อเสนออื่นทั้งหมดเป็นการเสนอให้ห้องวิจัยรายอื่นและรัฐบาลทำ ไม่ได้ผูกมัดบริษัทตัวเองว่าจะชะลอการฝึกโมเดล

ข้อควรระวังคือนี่เป็นบทความส่วนตัวบนเว็บของเขาเอง ไม่ใช่เอกสารของบริษัท และกรอบเวลาที่เขาให้ไว้ เช่น หกถึงสิบสองเดือนก่อนจะถึงความสามารถที่น่ากังวล หรือหนึ่งถึงสองปีที่งานตีความโมเดลต้องไล่ให้ทัน เป็นการประเมินของเขาเอง ไม่ใช่ผลการวัด

▲ ทำไมต้องรู้ · ประโยคที่ควรจำคือการแยกระหว่างสิ่งที่บริษัทสัญญาว่าจะทำเอง กับสิ่งที่บริษัทเสนอให้คนอื่นทำ เพราะสองอย่างนี้ถูกเล่าปนกันจนกลายเป็นข่าวว่าบริษัทกำลังจะชะลอ ทั้งที่ข้อผูกมัดจริงมีข้อเดียวและเป็นเรื่องการเปิดให้ตรวจสอบ วิธีอ่านแถลงการณ์แบบนี้ใช้ได้กับผู้ขายทุกรายที่เราคุยด้วย

Dario Amodei

Jake Gold เขียนจดหมายเปิดผนึกถึง Dario Amodei ในวันเดียวกับที่บทความข้างต้นออก โดยเสนอกฎหมายข้อเดียวคือโมเดลใดก็ตามที่บริษัทเปิดขายให้คนทั่วไป ต้องปล่อยน้ำหนักโมเดลออกมาด้วย ส่วนที่ยกเว้นให้มีสองกลุ่มคือโมเดลที่ใช้ภายในกับโมเดลวิจัย และรัฐบาลยังเข้าถึงโมเดลที่ยังไม่ปล่อยได้ตามเดิม

ตรรกะของเขาคือกลไกทางเศรษฐกิจ ไม่ใช่การออกกฎห้าม ถ้าน้ำหนักโมเดลที่ปิดไว้เลิกเป็นกำแพงป้องกันคู่แข่ง เหตุผลในการทุ่มเงินฝึกโมเดลแนวหน้าก็หายไปเอง และทุกเจ้าจะชะลอพร้อมกันโดยไม่ต้องมีใครเป็นคนสั่ง เขาให้เหตุผลที่ไม่เห็นด้วยกับการออกกฎชะลอว่ามันจะกลายเป็นการยึดกุมกฎโดยผู้เล่นรายใหญ่เสมอ

จุดที่ต้องอ่านให้ละเอียดคือเชิงอรรถของจดหมายฉบับนี้ ซึ่งระบุว่า Sam Altman เห็นด้วยภายในไม่กี่ชั่วโมง รายงานข่าวของสำนักข่าวหลายแห่งระบุว่าเขาโพสต์ข้อความนั้นบน X ว่าเห็นด้วยกับ Dario ว่าต้องกำหนดจังหวะของแนวหน้า และบอกว่า OpenAI จะทำแบบเดียวกันในเรื่องผู้ประเมินภายนอก ซึ่งยังเป็นคำพูดถึงอนาคต ไม่ใช่สิ่งที่ทำแล้ว สิ่งที่ Altman เห็นด้วยคือแนวคิดเรื่องการกำหนดจังหวะของ Amodei ไม่ใช่ข้อเสนอเรื่องการบังคับเปิดน้ำหนักโมเดลของ Gold และมีรายงานว่า Elon Musk ก็โพสต์สนับสนุนบทความของ Amodei เช่นกัน

▲ ทำไมต้องรู้ · สองข้อเสนอนี้พาไปคนละโลกสำหรับคนใช้งานอย่างเรา ทางหนึ่งคือโมเดลแรงสุดอยู่หลังประตูของไม่กี่บริษัทที่มีใบอนุญาต อีกทางคือโมเดลแรงสุดโหลดมารันเองได้ ซึ่งเปลี่ยนคำถามเรื่องต้นทุนและเรื่องข้อมูลที่ห้ามออกนอกองค์กรไปคนละแบบ เรื่องนี้ยังไม่จบและควรตามต่อ

Jake Gold · NBC News

หลังจากกระทู้ขอให้ลดข่าว AI ขึ้นอันดับหนึ่งด้วยคะแนนกว่า 800 สิ่งที่ตามมาในไม่กี่วันคือเว็บที่ทำหน้าที่กรองข่าว AI ออกจากกระดานนักพัฒนาโผล่ขึ้นมาสามเจ้าพร้อมกัน ทั้ง unslop.news ที่ได้คะแนนราว 192 hcker.news ที่ได้ราว 199 และอีกเจ้าที่เลือกวิธีลดอันดับข่าว AI แทนการตัดทิ้งซึ่งได้ราว 120

ในหน้าเดียวกันยังมีบทความชื่อ Feeling Sad about AI ที่ได้ราว 176 คะแนนพร้อมความเห็นกว่า 300 รายการ ซึ่งเป็นคนละเรื่องกับสถิติการดาวน์โหลดของโปรแกรมสำนักงานโอเพนซอร์สที่พุ่งขึ้นหลังประกาศว่าไม่มีฟีเจอร์ AI เมื่อสัปดาห์ก่อน แต่เป็นอาการเดียวกัน

▲ ทำไมต้องรู้ · สิ่งที่วัดได้จากเรื่องนี้ไม่ใช่ว่า AI ดีหรือไม่ดี แต่คือความอดทนของผู้ฟังต่อเนื้อหา AI กำลังลดลงเร็วมาก ใครที่ต้องสื่อสารเรื่อง AI ในองค์กร ควรเปลี่ยนจากการเล่าว่ามีอะไรใหม่ ไปเป็นการตอบว่างานตรงหน้าเปลี่ยนไปอย่างไร เพราะกลุ่มแรกคือสิ่งที่คนกำลังกดปิด

Hacker News

Daniel Hook ประธานเจ้าหน้าที่ฝ่ายวิทยาศาสตร์ของกลุ่ม Holtzbrinck เขียนบทความเมื่อ 7 ก.ย. ตั้งชื่อปรากฏการณ์นี้ว่า Waymo effect ตามชื่อบริการรถไร้คนขับ ใจความคือเวลาเทคโนโลยีตัดความยุ่งยากของการต้องรับมือกับมนุษย์อีกคนออกไป เรารู้สึกว่ามันคือกำไรล้วนๆ ทั้งที่ความยุ่งยากนั้นแบกคุณค่าบางอย่างไว้ที่เราไม่เคยตีราคา

เขาบอกว่าโมเดลภาษาคือ Waymo ของชีวิตทางปัญญา เพราะมันว่างตลอดเวลา ไม่มีวาระของตัวเอง และไม่มีปัญหาเรื่องลำดับชื่อผู้เขียน ผลที่ตามมาคือสิ่งที่เขาเรียกว่าการถอนตัวจากการร่วมงานกับคน ซึ่งเกิดจากแรงกดดันเรื่องทุน ความเร็ว และการนับผลงาน

ข้อควรระวังคือบทความนี้ไม่มีตัวเลขสนับสนุนเลย ไม่มีสถิติการเขียนงานร่วมกันและไม่มีการอ้างงานวัดใดๆ เป็นการให้เหตุผลเชิงแนวคิดล้วน

▲ ทำไมต้องรู้ · ข้อสังเกตที่ใช้ได้กับที่ทำงานทั่วไปคือ เพื่อนร่วมงานที่ถามคำถามน่ารำคาญคือสิ่งที่ทำให้เราเห็นมุมที่ตัวเองมองไม่เห็น ส่วน AI จะเห็นด้วยกับเราเสมอ ทีมที่ย้ายการปรึกษาไปหา AI ทั้งหมดจะทำงานเร็วขึ้นจริงและจะผิดทางพร้อมกันทั้งทีมได้ง่ายขึ้นจริงเช่นกัน

Research Agenda

Joel Otter เขียนบันทึกเมื่อ 11 ก.ย. ว่าด้วยการทำงานสร้างสรรค์ต่อไปท่ามกลางภาวะที่คุณค่าของงานฝีมือถูกลดทอน ประเด็นของเขาไม่ใช่ว่าโค้ดที่ AI เขียนไม่ดี แต่คือการที่การทำของเองไม่นับเป็นความสำเร็จอีกต่อไป เมื่อใครก็ตามสั่งให้ได้ของเทียบเท่าในไม่กี่นาที

เหตุผลที่เขาไม่ใช้ผู้ช่วยเขียนโค้ดคือความสนุกและความเป็นเจ้าของ ไม่ใช่คุณภาพ เขาเขียนไว้ว่าผลที่ออกมาไม่รู้สึกว่าเป็นของเขา และเขาไม่ภูมิใจกับมัน บทสรุปของบทความคือการอยากทำก็เป็นเหตุผลที่เพียงพอแล้ว โพสต์นี้ได้คะแนนกว่า 500 บนกระดานนักพัฒนาภายในครึ่งวัน

▲ ทำไมต้องรู้ · เรื่องนี้สำคัญกับคนที่ต้องบริหารทีม เพราะแรงจูงใจของคนทำงานสายสร้างสรรค์และสายเทคนิคจำนวนมากผูกอยู่กับความรู้สึกเป็นเจ้าของผลงาน ไม่ใช่ความเร็ว การผลักให้ทุกคนใช้ AI ทุกงานโดยไม่คุยเรื่องนี้ ทำให้เสียคนเก่งไปโดยไม่รู้สาเหตุได้ คำถามที่ควรถามทีมคือ งานไหนที่เราอยากทำเองเพราะมันคือเหตุผลที่เรามาทำงานนี้

Joel Otter