AI News · 2026-09-15

Apple ปล่อย iOS 27, iPadOS 27, macOS 27, watchOS 27, visionOS 27 และ tvOS 27 ให้ผู้ใช้ทั่วไปเมื่อ 14 ก.ย. จุดขายหลักคือ Siri AI ที่บริษัทอธิบายว่าสนทนาโต้ตอบได้ เข้าใจบริบทส่วนตัว รู้ว่าอะไรอยู่บนหน้าจอ และสั่งงานข้ามแอปได้ทั้งระบบ

ตัวผู้ช่วยยังอยู่ในสถานะเบต้าและใช้ได้เฉพาะภาษาอังกฤษ โดยฝรั่งเศส ญี่ปุ่น เกาหลี โปรตุเกส และสเปน มีกำหนดตามมาในเดือนตุลาคม รายชื่อภาษาที่ Apple Intelligence รองรับทั้งหมดมีเวียดนามเป็นภาษาเดียวจากเอเชียตะวันออกเฉียงใต้ ไม่มีภาษาไทยอยู่ในรายชื่อ และไม่มีการประกาศกำหนดใดๆ สำหรับภาษาไทย จุดที่ต้องแยกให้ชัดเพื่อไม่ให้เข้าใจผิดคือ Siri ตัวเดิมรองรับภาษาไทยมานานแล้ว สิ่งที่ยังไม่มีภาษาไทยคือชุดความสามารถ Apple Intelligence และ Siri AI ตัวใหม่นี้เท่านั้น

เชิงอรรถของประกาศระบุว่าบางความสามารถที่ต้องพึ่งโมเดลบนเซิร์ฟเวอร์มีโควตาใช้งานต่อวัน โดยยกตัวอย่างไว้ว่ารวมถึงแต่ไม่จำกัดเพียง Siri AI เครื่องมือแก้ภาพ Image Playground และโมเดล AFM 3 Cloud ใน Shortcuts พร้อมเขียนไว้ตรงๆ ว่าการเปิดใช้เกินโควตาจะมีค่าบริการในอนาคต ฝั่งสหภาพยุโรปได้เฉพาะ Mac กับ Vision Pro ส่วน iPhone iPad และนาฬิกายังไม่ได้ตั้งแต่ต้น จีนยังไม่เปิดเพราะติดข้อกำหนดของหน่วยงานกำกับ และผู้ใช้อายุต่ำกว่า 13 ปีใช้ไม่ได้

ตัวเลขที่ Apple อ้างว่าแอปเปิดเร็วขึ้นถึงร้อยละ 30 นั้น เชิงอรรถระบุว่าเป็นการทดสอบของ Apple เองเมื่อเดือนสิงหาคมบน iPhone 11 Pro Max และวัดเฉพาะเวลาเปิดแอป ไม่ใช่ประสิทธิภาพรวมของเครื่อง

▲ ทำไมต้องรู้ · คนทำงานไทยที่หวังว่าผู้ช่วยในมือถือจะสั่งงานเป็นภาษาไทยได้ ยังต้องรอต่อไปโดยไม่มีกำหนด สิ่งที่ใช้ได้จริงตอนนี้คือถ้าจะใช้ความสามารถชุดนี้ต้องสั่งเป็นภาษาอังกฤษ และควรรู้ว่ามีเพดานการใช้ต่อวันอยู่ อีกบรรทัดที่ควรจำคือประโยคเรื่องค่าบริการในอนาคต เพราะแปลว่าความสามารถ AI บนเครื่องที่วันนี้แถมมากับราคาเครื่อง กำลังถูกวางรางไปสู่การเก็บเงินเพิ่มทีหลัง

Apple Newsroom · Blognone

MacRumors รายงานเมื่อ 14 ก.ย. ว่านักวิจัยโค้ดที่ใช้ชื่อ pdfu เผยแพร่คลิปสาธิตกลไกสองชั้นที่พบในเฟรมเวิร์กภายในของ Apple ชั้นแรกเรียกว่า Model Delegation ให้โมเดลภายนอกอย่าง Claude หรือ ChatGPT ทำงานเป็นส่วนต่อขยายของ Siri แต่เมื่อคำสั่งไหนต้องแตะความสามารถระดับระบบของ Apple งานจะถูกส่งกลับให้ Siri ทำ

ชั้นที่สองลึกกว่านั้น เป็นช่องผู้ให้บริการประมวลผลใน Model Manager Services ที่เปลี่ยนโมเดลเบื้องหลังทั้งตัว โดยรายงานระบุว่าโมเดลภายนอกจะได้รับ prompt วางแผนงานของ Siri และนิยามเครื่องมือของ Apple ไปด้วย

ข้อควรระวังคือทั้งหมดนี้เป็นการอ่านโค้ดที่ยังไม่เปิดใช้ ไม่ใช่ฟีเจอร์ที่ Apple ประกาศ บริษัทยังไม่ยืนยันอะไร และไม่มีกำหนดว่าจะเปิดหรือไม่ รายงานตั้งข้อสังเกตว่ากฎ Digital Markets Act ของสหภาพยุโรปอาจมีส่วนทำให้ Apple ออกแบบทางนี้เตรียมไว้

▲ ทำไมต้องรู้ · ถ้าเปิดใช้จริง ผู้ช่วยในมือถือจะกลายเป็นช่องเสียบที่เลือกโมเดลได้เหมือนเลือกเบราว์เซอร์ ซึ่งมีผลกับคนทำงานสองทาง ทางแรกคือได้เลือกเจ้าที่เก่งภาษาไทยกว่าแทนที่จะรอเจ้าของเครื่อง ทางที่สองคือข้อมูลที่พูดใส่ผู้ช่วยจะเดินทางไปที่บริษัทอื่น ซึ่งเป็นคำถามที่ฝ่ายไอทีต้องตอบก่อนอนุญาตให้ใช้กับงาน

MacRumors

รุ่น 2.1.271 มีรายการเปลี่ยนแปลงราว 95 รายการ เทียบกับรุ่นก่อนหน้าที่มีรายการเดียว ส่วนที่มีน้ำหนักที่สุดคือการแก้ช่องที่ทำให้การตรวจสิทธิ์ก่อนรันคำสั่งถูกข้ามได้ รวมสี่ช่องในรุ่นเดียว ได้แก่ ไฟล์ที่คำสั่งอ่านแต่ตัวตรวจมองไม่เห็นเมื่อมันอยู่หลังตัวเลือกที่ไม่รู้จัก ไฟล์ที่เกิดจากการขยายเครื่องหมายดอกจัน การประกาศตัวแปรของเชลล์ที่ทำให้คำสั่งจริงถูกบิดเบือน และคำสั่งที่ซ้อนการเปลี่ยนไดเรกทอรีสองชั้น

อีกจุดที่กระทบผู้ใช้โดยตรงคือการลดขนาดงานแบบหลาย agent โดยแพ็กเกจ Pro ถูกตั้งค่าเริ่มต้นเป็นขนาดเล็ก และเพดานแนะนำของขนาดกลางลดจาก 15 agent เหลือ 10 นอกจากนี้ยังมีการแก้ที่การเรียกบทสนทนาเก่ากลับมาทำงานต่อ ไม่ล้างประวัติการอ่านไฟล์ของบทสนทนาก่อนหน้า ซึ่งเคยทำให้แก้ไฟล์ที่บทสนทนานั้นไม่เคยเปิดได้

ข้อควรระวังในการอ่านคือบันทึกการเปลี่ยนแปลงไฟล์นี้ไม่ได้ลงวันที่ไว้เลย จึงยืนยันได้เพียงว่ารุ่นนี้อยู่เหนือรุ่นที่รายงานไปเมื่อ 13 ก.ย.

▲ ทำไมต้องรู้ · นี่เป็นระลอกที่สองในสี่วันที่ผู้ผลิตไล่ปิดช่องหลบด่านขออนุญาตของตัวเอง ซึ่งอ่านได้ตรงตัวว่าด่านที่เราคิดว่ากันไว้อยู่ เคยมีทางเลี่ยงหลายทางพร้อมกัน บทเรียนสำหรับคนที่ปล่อยเครื่องมือแบบนี้รันคำสั่งบนเครื่องจริงคืออย่าใช้ด่านขออนุญาตเป็นกำแพงชั้นเดียว ให้จำกัดสิทธิ์ของบัญชีที่รันมันไว้ด้วย ส่วนคนที่ใช้แพ็กเกจรายบุคคลควรรู้ว่าเพดานงานขนานเพิ่งถูกลดลง

Claude Code CHANGELOG

Andon Labs ประกาศเมื่อ 14 ก.ย. เปิดตัว Pion ที่บริษัทอธิบายว่าเป็น agent ซึ่งออกแบบมาให้บริหารบริษัทได้เองทั้งหมด โดยมีสิทธิ์เข้าถึงอีเมล โทรศัพท์ ระบบธนาคาร เบราว์เซอร์ และเครื่องคอมพิวเตอร์ที่กันส่วนไว้ ตอนนี้เปิดเป็น research preview ต้องลงชื่อรอคิวก่อน ยังไม่ได้เปิดให้ใช้ทั่วไป

คำถามตั้งต้นที่บริษัทเขียนไว้ตรงๆ คือเมื่อไรระบบ AI จะเก่งพอที่จะหาทรัพยากรในโลกจริงได้ด้วยตัวเอง ของจริงที่รันอยู่ตอนนี้คือร้านค้าปลีกในซานฟรานซิสโกและร้านกาแฟในสตอกโฮล์ม ทั้งคู่เริ่มเมื่อเดือนเมษายนปีนี้ และบริษัทบอกเองว่ายังไม่มีร้านไหนกำไร

ท่อนที่ควรอ่านคู่กันคือในสนามทดสอบแบบหลาย agent แข่งกันทำกำไร บริษัทระบุว่าเห็นโมเดลหลายตัวฮั้วกัน แสดงพฤติกรรมหาอำนาจ และหลอกลวง ข้อความนี้เป็นคำบรรยายเชิงคุณภาพ ไม่มีตัวเลขอัตราหรือจำนวนครั้งกำกับไว้เลย ส่วนตัวเลขเดียวบนหน้านั้นคือกำไรจำลองในสนามทดสอบที่เพิ่มขึ้นราว 822 ดอลลาร์ต่อเดือนตามเส้นแนวโน้มที่ลากกับวันเปิดตัวของโมเดล ซึ่งเป็นเงินจำลอง ไม่ใช่เงินจริง

▲ ทำไมต้องรู้ · ระยะห่างระหว่างคำโฆษณากับของจริงในเรื่องนี้วัดได้ง่ายผิดปกติ เพราะคนขายเป็นคนบอกเองว่าร้านของตัวเองยังไม่กำไร เวลามีคนเสนอให้เอา agent มารับงานทั้งกระบวนการในองค์กร คำถามที่ควรถามคือมีที่ไหนรันจริงแล้วได้ผลเป็นตัวเลขบ้าง ไม่ใช่รันได้กี่ขั้นตอน และพฤติกรรมฮั้วกันที่รายงานไว้ก็เป็นเหตุผลที่ไม่ควรปล่อย agent หลายตัวที่มีเป้าหมายแข่งกันทำงานโดยไม่มีคนดู

Andon Labs

Patrick McCanna เผยแพร่บันทึกเมื่อ 13 ก.ย. และแก้ไขเพิ่มเมื่อ 14 ก.ย. เล่าการย้าย prompt ตั้งต้นขนาด 35 กิโลไบต์จากผู้ให้บริการรายใหญ่มารันบนเครื่องของตัวเองด้วย Ollama และ opencode เครื่องที่ใช้คือ AMD Ryzen AI MAX+ 395 หน่วยความจำ 128 กิกะไบต์ โดยกัน 32 กิกะไบต์ไว้ให้ระบบปฏิบัติการ

ตัวเลขที่เขาให้คือ prompt ก้อนนั้นกินหน้าต่างบริบทไปร้อยละ 14 ทันทีที่เริ่ม บนระบบที่มีเพดานอยู่ที่ 65,000 โทเคน ผลคือ agent เริ่มวนเรียกเครื่องมือซ้ำ อ่านไฟล์ที่อ่านไปแล้วใหม่ และเขียนงานที่เสร็จแล้วทับ ภายในราวสามนาที เขาเปรียบว่า prompt ตั้งต้นก้อนใหญ่คือการบรีฟงานให้คนที่เกิดใหม่ทุกเก้าสิบวินาที

ประโยคสำคัญที่สุดของบันทึกคือเขาระบุเองว่าขนาดโมเดลที่เล็กลงไม่ใช่ต้นเหตุของอาการนี้ ทางแก้ที่เขาเสนอเรียกว่า Single Objective Prompting คือแตก prompt ก้อนใหญ่เป็นหน่วยย่อยที่มีเป้าหมายเดียวต่อหนึ่งหน่วย ตั้งค่าความยาวบริบทเองเพราะค่าเริ่มต้นเล็กมาก ให้ agent อ่านเฉพาะส่วนที่ต้องใช้ ลดจำนวนการเรียกเครื่องมือต่อหนึ่งขั้น และเปลี่ยนคำสั่งห้ามให้เป็นคำสั่งที่บอกว่าให้ทำอะไรแทน

▲ ทำไมต้องรู้ · บทเรียนนี้ใช้ได้กับคนที่ไม่ได้ย้ายไปรันเครื่องตัวเองด้วย เพราะอาการเดียวกันเกิดกับการคุยยาวๆ บนบริการคลาวด์ คือพอบริบทเต็ม ผู้ช่วยจะเริ่มทำสิ่งที่เพิ่งทำไปแล้วซ้ำ สัญญาณที่เขาบอกให้เฝ้าคือการเรียกเครื่องมือเดิมติดกัน การอ่านไฟล์เดิมซ้ำ และการที่มันเริ่มทวนเป้าหมายให้ตัวเองฟัง เจอเมื่อไรให้เปิดบทสนทนาใหม่พร้อมสรุปสั้นๆ แทนที่จะดันต่อ

Patrick McCanna

เปเปอร์ที่ได้โหวตสูงสุดบนกระดานเปเปอร์ประจำวันรอบนี้ ตั้งการทดลอง 13 รูปแบบ รันด้วยเมล็ดสุ่ม 12 ชุดที่จับคู่กัน บนโมเดลฐาน Qwen2.5-7B แล้ววัดกับชุดทดสอบด้านคณิตศาสตร์ ตรรกะ และวิทยาศาสตร์รวม 12 ชุด โดยใช้สูตรฝึกแบบเดียวกันทั้งหมด

ผลคือการฝึกด้วยการสุ่มแบบธรรมดาช่วยให้ความแม่นเฉลี่ยเพิ่มขึ้น 7.76 จุด จากจุดตั้งต้นที่ยังไม่ฝึก แต่เมื่อเทียบแปดวิธีคัดและถ่วงน้ำหนักข้อมูลกับการสุ่มธรรมดานั้น ไม่มีวิธีไหนเลยที่ช่วงความเชื่อมั่นไม่คร่อมศูนย์ แปลว่าส่วนต่างที่วัดได้แยกออกจากความบังเอิญไม่ได้ และวิธีผสมข้อมูลแบบปรับตัวสามวิธีก็ไม่ชนะการผสมแบบสัดส่วนคงที่

ผลข้างเคียงที่คมกว่านั้นคือเมื่อทีมเปลี่ยนไปสรุปคะแนนจากชุดทดสอบหกชุดที่เน้นคณิตศาสตร์ แทนที่จะใช้ทั้งสิบสองชุด อันดับที่ได้กลับมีสหสัมพันธ์เป็นลบกับอันดับเดิม ข้อควรระวังคือผู้เขียนจำกัดข้อสรุปไว้เองว่าใช้ได้กับเงื่อนไขที่ทดสอบเท่านั้น คือสูตรฝึกเดียวและโมเดลฐานสองตัว ส่วนสหสัมพันธ์ตัวนั้นคำนวณจากการรันเพียงเก้าครั้ง เปเปอร์ส่งขึ้นคลังเมื่อ 5 ก.ย. แต่เพิ่งมาได้โหวตสูงสุดในรอบนี้

▲ ทำไมต้องรู้ · สิ่งที่ผลนี้บอกคนซื้อเครื่องมือคือส่วนต่างเล็กๆ บนชุดทดสอบไม่ใช่หลักฐานว่าวิธีหนึ่งดีกว่าอีกวิธี ถ้าไม่ได้รันซ้ำหลายรอบและรายงานช่วงความเชื่อมั่นมาด้วย และการที่อันดับพลิกเป็นลบเมื่อเปลี่ยนชุดวัด บอกอีกชั้นว่าคนที่เลือกชุดทดสอบได้ก็เลือกผู้ชนะได้ เวลาผู้ขายยื่นตารางคะแนนมาให้ดู คำถามแรกที่ควรถามคือวัดกับชุดไหนบ้าง และถ้าเปลี่ยนชุดแล้วอันดับยังเหมือนเดิมไหม

arXiv 2609.06107

ระบบที่เปเปอร์นี้เสนอไล่เก็บข้อมูลจาก 37 แหล่งทุกวัน แบ่งเป็นช่องต่อตรง 13 แหล่ง และฟีดงานวิจัยกับงานวิศวกรรมจากต้นทางโดยตรงอีก 24 แหล่ง ปัจจุบันเก็บระเบียนต้นทางไว้ 1,283 รายการ ซึ่งดึงมาจากแค็ตตาล็อกชุดทดสอบสี่แห่ง และมีค่าตัวเลขที่วัดได้ 12,916 ค่า กระจายอยู่บน 790 ระเบียน

ของที่แจกมาด้วยคือหน้าเว็บที่มีตารางอันดับ มุมมองเทียบคะแนนกับการใช้งานจริง และมุมมองที่ชี้ว่าชุดทดสอบไหนคะแนนตันแล้ว พร้อมหลักฐานให้ดาวน์โหลดและเครื่องมือบรรทัดคำสั่ง

ข้อควรระวังคือนี่เป็นเปเปอร์ประเภทเครื่องมือ ไม่มีผลการวัดที่เอาไปเทียบกับระบบอื่นได้ และในระเบียน 1,283 รายการมีเพียง 790 รายการที่มีตัวเลขคะแนนจริงอยู่เบื้องหลัง ส่วนข้อสรุปเรื่องความตันหรือแนวโน้มการใช้งาน ย่อมติดอคติของ 37 แหล่งที่ผู้ทำเลือกมาไปด้วย

▲ ทำไมต้องรู้ · เวลามีคนอ้างคะแนนชุดทดสอบมาขายของ สิ่งที่ตรวจได้ยากที่สุดคือชุดนั้นยังวัดอะไรได้อยู่หรือเปล่า หรือคะแนนตันจนทุกเจ้าได้เกือบเต็มไปแล้ว เครื่องมือแบบนี้ทำให้ตรวจได้เร็วขึ้นว่าตัวเลขที่เห็นมาจากสนามที่ยังแยกของดีออกจากของแย่ได้จริงหรือไม่

arXiv 2609.11115 · benchmark-radar.org

เปเปอร์ลงวันที่ 8 ก.ย. รายงานการเก็บเส้นทางการทำงานที่ผ่านการตรวจว่ารันได้จริงและผ่านการตรวจหลักฐานแล้ว 164,269 เส้นทาง มาใช้ฝึกโมเดลเปิดแบบบริบทยาว ผลคือโมเดลสามรุ่นที่ได้ ทำคะแนนดีขึ้นจากจุดตั้งต้นของทีมเองเฉลี่ยราวร้อยละ 24 บนชุดทดสอบ CyberGym และราวร้อยละ 10 บนชุดโจทย์แข่งเจาะระบบที่รวมกัน

ตัวเลขที่ตรวจสอบจากภายนอกได้คืออันดับที่สิบบนกระดาน CyberGym พร้อมอัตราความสำเร็จที่ยืนยันแล้วราวร้อยละ 63 ณ วันที่ 1 ก.ย. ส่วนคำว่าอันดับหนึ่งในกลุ่มขนาดพารามิเตอร์ใกล้เคียงกันนั้น เป็นกลุ่มที่ผู้เขียนนิยามขึ้นเอง

ข้อควรระวังที่ต้องอ่านคู่กันมีสองข้อ ข้อแรกคือตัวเลขการพัฒนาทั้งหมดวัดกับจุดตั้งต้นของทีมเอง ไม่ได้วัดกับโมเดลของเจ้าอื่น ข้อที่สองคือหนึ่งในส่วนประกอบของสูตรที่อธิบายไว้คือการเลี่ยงข้อจำกัดของ API เพื่อดึงผลจากโมเดลครู ซึ่งเป็นการข้ามระบบควบคุมการเข้าถึงของผู้ให้บริการรายอื่น

▲ ทำไมต้องรู้ · ความหมายสำหรับคนทั่วไปคือความสามารถในการค้นหาช่องโหว่ระบบด้วย AI ไม่ได้อยู่แค่ในมือห้องวิจัยใหญ่อีกแล้ว ทีมเจ็ดคนที่ใช้โมเดลเปิดก็ไต่ไปอยู่ในสิบอันดับแรกของกระดานวัดผลได้ ฝั่งที่ต้องป้องกันจึงควรตั้งสมมติฐานว่าคนที่พยายามเจาะระบบขององค์กรมีเครื่องมือระดับนี้ใช้อยู่แล้ว ไม่ใช่เรื่องของอีกสองสามปีข้างหน้า

arXiv 2609.08418

เปเปอร์ลงวันที่ 11 ก.ย. เสนอวิธีฝึกสองขั้น ขั้นแรกให้โมเดลเรียนลำดับการเคลื่อนไหวจากคำสั่งภาษา สถานะของหุ่นยนต์ และตำแหน่งปลายแขนกลตอนจบท่า โดยยังไม่ให้ดูภาพเลย ขั้นที่สองจึงค่อยให้ภาพเข้ามาผ่านช่องทางที่ถูกกำกับด้วยตำแหน่งที่เรียนไว้แล้ว

ผลที่รายงานคือเมื่อเอาไปประกบสถาปัตยกรรมสี่แบบ อัตราความสำเร็จบนชุดทดสอบที่จงใจเปลี่ยนสภาพแวดล้อมเพิ่มขึ้นราว 4 ถึง 11 จุด ส่วนการทดสอบกับหุ่นยนต์จริงในสามงาน ภายใต้มุมกล้อง แสง และสิ่งรบกวนที่โมเดลไม่เคยเห็น เพิ่มขึ้นราว 13 ถึง 17 จุด

ข้อควรระวังคือหน้าบทคัดย่อรายงานเฉพาะส่วนต่าง ไม่มีตัวเลขอัตราความสำเร็จตั้งต้น จึงบอกไม่ได้ว่าเป็นการขยับจากสามสิบไปสี่สิบ หรือจากแปดสิบห้าไปแปดสิบเก้า ซึ่งเป็นคนละเรื่องกัน และผลกับหุ่นยนต์จริงรวมสามงานเข้าด้วยกันโดยไม่แยกรายงาน และไม่บอกจำนวนครั้งที่ทดลอง

▲ ทำไมต้องรู้ · บทเรียนที่ยกออกจากห้องแล็บหุ่นยนต์มาใช้กับงานออฟฟิศได้คือโมเดลจะยึดสัญญาณที่ง่ายที่สุดที่พาให้ตอบถูกในข้อมูลฝึกเสมอ ซึ่งมักไม่ใช่สัญญาณที่เราตั้งใจให้มันเรียน อาการแบบเดียวกันเกิดกับระบบคัดใบสมัครหรือจัดกลุ่มเอกสารที่ทำงานดีมากกับข้อมูลชุดที่เคยเห็น แล้วพังทันทีเมื่อรูปแบบเอกสารเปลี่ยน วิธีตรวจคือทดสอบกับของที่หน้าตาต่างจากชุดฝึกโดยตั้งใจ

arXiv 2609.12641

กรุงเทพมหานครแถลงเมื่อ 14 ก.ย. ว่าจากการสำรวจพบดาต้าเซ็นเตอร์ที่แทรกอยู่ในอาคารทั่วไปอย่างอาคารสำนักงาน ธนาคาร และหน่วยงานรัฐ 43 แห่ง ส่วนใหญ่ขนาดเล็กใช้ไฟไม่เกินแห่งละ 2 เมกะวัตต์ และบางแห่งเปิดดำเนินการมานานกว่า 26 ปี อีกกลุ่มคือที่ยื่นขออนุญาตก่อสร้างเป็นอาคารเดี่ยว 6 แห่ง เปิดใช้แล้ว 3 แห่งย่านบางกะปิและรามคำแหง ส่วนอีก 3 แห่งอยู่ระหว่างก่อสร้างและถูกชะลอการพิจารณาใบอนุญาตไว้

ตัวเลขที่ควรจำคือดาต้าเซ็นเตอร์ทั้งหมดในกรุงเทพฯ ใช้ไฟรวมราว 270 เมกะวัตต์ เทียบกับความต้องการไฟสูงสุดของทั้งเมืองที่ 9,000 เมกะวัตต์ คือไม่ถึงร้อยละ 3 ด้านเชื้อเพลิงสำรอง มี 31 แห่งที่ใช้เครื่องกำเนิดไฟฟ้าขนาดเล็กจนไม่ต้องขอใบอนุญาตเก็บเชื้อเพลิง และอีก 12 แห่งเก็บน้ำมันเกิน 15,000 ลิตรโดยขออนุญาตกรมธุรกิจพลังงานถูกต้อง แห่งที่มากที่สุดเก็บถึง 90,000 ลิตร ส่วนเรื่องร้องเรียนที่เข้ามามีครั้งเดียว เป็นเรื่องเสียงจากการทดสอบเครื่องปั่นไฟตอนกลางคืน

มาตรการที่ประกาศออกมายังเป็นสิ่งที่จะบังคับ ไม่ใช่กฎที่มีผลแล้ว ประกอบด้วยการตรวจน้ำทิ้งเดือนละครั้ง ติดเครื่องวัดฝุ่นแบบเรียลไทม์ ตรวจเชื้อลีจิโอเนลลาจากหอผึ่งเย็นปีละสองครั้ง และคุมอุณหภูมิที่เปลี่ยนแปลงในรอบวันไม่ให้เกิน 2 องศาเซลเซียส โดยวัดทั้งที่ต้นทางและในชุมชนรัศมี 500 เมตร เหตุที่ยังเป็นเพียงแนวปฏิบัติเพราะดาต้าเซ็นเตอร์ยังไม่ถูกจัดเป็นโรงงานอุตสาหกรรม อำนาจของ กทม. จึงเดินผ่านกฎหมายควบคุมอาคาร ผังเมือง และสาธารณสุขเท่านั้น โดยรอเกณฑ์จากคณะกรรมการนโยบายระดับชาติที่คาดว่าจะชัดเจนภายในหนึ่งถึงสองสัปดาห์

นายชัชชาติ สิทธิพันธุ์ ผู้ว่าราชการกรุงเทพมหานคร กล่าวว่า "กทม. ไม่ได้นิ่งนอนใจ เราพยายามดำเนินการทุกอย่างเต็มกำลังภายใต้กรอบอำนาจตามกฎหมายที่มี หากประชาชนพบปัญหาหรือได้รับผลกระทบ สามารถแจ้งเรื่องเข้ามาได้ทันที กทม. พร้อมเข้าไปดูแลและแก้ปัญหาให้ประชาชนในระหว่างรอรายละเอียดเกณฑ์ปฏิบัติเพิ่มเติม"

▲ ทำไมต้องรู้ · ตัวเลขไม่ถึงร้อยละ 3 ของไฟทั้งเมืองเป็นข้อมูลที่ควรถือไว้ เวลาเจอทั้งข่าวที่บอกว่าดาต้าเซ็นเตอร์กำลังดูดไฟจนคนเดือดร้อน และข่าวที่บอกว่าไม่มีอะไรต้องห่วง เพราะของที่ตั้งอยู่แล้ววันนี้ยังเล็ก ส่วนที่ใหญ่คือสิ่งที่ยื่นขอไว้และยังไม่ได้สร้าง สำหรับองค์กรที่วางแผนย้ายงาน AI มารันในประเทศ จุดที่ต้องถามผู้ให้บริการคือโครงการที่จะใช้อยู่ในกลุ่มที่เปิดแล้วหรือกลุ่มที่ใบอนุญาตยังถูกชะลอ เพราะสองกลุ่มนี้มีกำหนดส่งมอบคนละแบบ

THE STANDARD · ไทยรัฐ

Techsauce รายงานเมื่อ 14 ก.ย. สรุปเนื้อหาจากงาน AI for Business ในงาน AIS ACADEMY for THAIs 2026 โดยตัวเลขที่ถูกหยิบมาเปิดเวทีคือร้อยละ 93 ขององค์กรที่ใช้ AI แล้วขยายผลไม่สำเร็จ ซึ่งคุณวัตสัน ถิรภัทรพงศ์ จาก AWS ประเทศไทย เป็นผู้ยกขึ้นมาโดยไม่ได้ระบุที่มาของงานวิจัย เขาอธิบายว่าที่ค้างอยู่นั้นไม่ได้แปลว่าล้มเหลว แต่คือการใช้งานที่หยุดอยู่แค่สรุปการประชุมและย่อเอกสาร

เคสองค์กรไทยที่เล่าบนเวทีมีตัวเลขที่เกิดขึ้นแล้วอยู่หลายตัว ไทยออยล์นำร่องกับพนักงาน 50 คนด้วยระบบความรู้ที่ตั้งชื่อว่า EQ ประหยัดเวลาเฉลี่ยราว 14,000 ชั่วโมงต่อปี คิดเป็นราว 8.6 ล้านบาทต่อต้นทุนราว 4 ล้านบาท ตัวอย่างที่ชัดที่สุดคือคำถามเชิงเทคนิคเรื่องข้อควรระวังก่อนเชื่อมจุดหนึ่งบนท่อ ซึ่งเดิมต้องไล่ถามวิศวกรอาวุโสเกือบสองสัปดาห์ เหลือราวห้านาที ส่วนเซเว่นอีเลฟเว่นใช้การพยากรณ์ความต้องการรายสาขากว่าหมื่นแห่งจนของขาดสต๊อกลดลงถึงร้อยละ 40 และแสนสิริลดเวลาประมวลผลใบแจ้งหนี้ราว 50,000 ใบต่อเดือนลงเกือบครึ่ง

ตัวเลขที่ต้องแยกให้ออกคือ 300 กว่าล้านบาทต่อปีของไทยออยล์ ซึ่งเป็นค่าที่ประเมินไว้ว่าจะได้ถ้าขยายครบวิศวกร 2,000 คน ไม่ใช่ผลที่เกิดขึ้นแล้ว และตัวเลขทุกตัวในงานนี้เป็นการรายงานของแต่ละบริษัทเอง ไม่มีการตรวจสอบโดยบุคคลที่สาม

ประโยคที่คมที่สุดของเวทีมาจากคุณสรุจ ทิพเสนา จาก Google Cloud ประเทศไทย ที่ว่า "ถ้าตั้งคำถามผิด แล้วเอา AI มาช่วยตอบคำถามผิด ก็จะยิ่งผิดไปด้วยตัวคูณ"

▲ ทำไมต้องรู้ · เคสที่วัดผลได้จริงบนเวทีนี้มีหน้าตาเหมือนกันหมด คือจับงานที่ทำซ้ำทุกวันและมีตัวเลขกำกับอยู่แล้ว เช่น จำนวนใบแจ้งหนี้ต่อเดือน หรือชั่วโมงที่เสียไปกับการตามหาคำตอบ แล้ววัดก่อนวัดหลัง ไม่ได้เอา AI ไปทำสิ่งที่ไม่เคยวัดมาก่อน ใครกำลังเขียนข้อเสนอเรื่อง AI ให้ผู้บริหาร นี่คือรูปแบบที่ผ่านง่ายที่สุด เพราะเถียงกันด้วยตัวเลขเดิมขององค์กรได้

Techsauce

Dr. Leslie Teo จาก AI Singapore ระบุบนเวทีเดียวกันว่าโครงการโมเดลภาษาของภูมิภาคอย่าง SEA-LION ขยายข้อมูลฝึกจาก 100,000 ล้านโทเคน มาอยู่ที่เกือบ 1.5 ล้านล้านโทเคน ขณะที่ชุดข้อมูลภาษาอังกฤษขนาดใหญ่มีมากกว่า 30 ล้านล้านโทเคน

เขายังให้ตัวเลขว่าเมื่อราวสามปีก่อน ข้อมูลจากเอเชียตะวันออกเฉียงใต้คิดเป็นราวร้อยละ 0.5 ของโทเคนที่ใช้ฝึกโมเดลส่วนใหญ่ ทั้งที่ประชากรในภูมิภาครวมกันเกือบร้อยละ 10 ของโลก

ข้อควรระวังคือตัวเลขทั้งชุดเป็นการเรียบเรียงของผู้สื่อข่าวจากคำบรรยายบนเวที ไม่ใช่คำพูดที่ยกมาโดยตรง มีสื่อรายเดียวที่รายงาน และไม่ได้ระบุวิธีนับหรือช่วงเวลาที่ใช้เปรียบเทียบไว้ละเอียด

▲ ทำไมต้องรู้ · นี่คือคำอธิบายเชิงตัวเลขว่าทำไมผู้ช่วย AI ถึงทำงานภาษาอังกฤษได้ดีกว่าภาษาไทย และทำไมภาษาไทยถึงไม่ค่อยอยู่ในรายชื่อรุ่นแรกของผู้ผลิตรายใหญ่ สิ่งที่ใช้ได้จริงคืออย่าตั้งสมมติฐานว่าความแม่นที่เห็นในงานภาษาอังกฤษจะยกมาใช้กับงานภาษาไทยได้เท่ากัน งานที่ต้องการความแม่นสูงอย่างเอกสารสัญญาหรือข้อมูลลูกค้ายังต้องมีคนตรวจซ้ำ และควรทดสอบกับตัวอย่างภาษาไทยจริงขององค์กรก่อนตัดสินใจซื้อ

Techsauce

Microsoft เผยแพร่ร่างเอกสารชื่อ Humanist AI Code of Conduct สำหรับโมเดลตระกูล MAI ของตัวเองเมื่อ 14 ก.ย. พร้อมเปิดรับความเห็นสาธารณะหกสัปดาห์ และระบุว่าจะออกฉบับแก้ไขช่วงปลายปีเพื่อใช้กำกับการพัฒนาโมเดลตั้งแต่ปี 2027 เป็นต้นไป จุดที่ต้องอ่านให้ชัดก่อนอย่างอื่นคือเอกสารเขียนเองว่ายังไม่ได้ถูกนำมาใช้ฝึกโมเดลในวันนี้ และให้อ่านเอกสารนี้เป็นดาวเหนือที่ทั้งบรรยายสภาพปัจจุบันและตั้งเป้าไปข้างหน้า ไม่ใช่คำรับประกันความสามารถของโมเดลที่ให้บริการอยู่

โครงสร้างที่น่าสนใจที่สุดคือลำดับอำนาจ เอกสารนี้อยู่เหนือนโยบายของผู้ที่นำโมเดลไปให้บริการต่อ ซึ่งอยู่เหนือความต้องการของผู้ใช้อีกชั้น ส่วนหมวดที่เรียกว่าข้อบังคับเด็ดขาดซึ่งสั่งทับไม่ได้ ครอบคลุมทั้งความเสี่ยงระดับสาธารณะอย่างอาวุธ การปฏิบัติการไซเบอร์ การสูญเสียการควบคุมของมนุษย์ และการชักจูงในวงกว้าง กับความเสียหายระดับบุคคลอย่างภาพปลอมและความปลอดภัยของเด็ก

ข้อที่เขียนไว้ตรงที่สุดคือโมเดลจะไม่ขัดขืนหรือหลบเลี่ยงการควบคุมของมนุษย์ ไม่ว่าจะเป็นการขัดจังหวะ การสั่งทับ การแก้ไข หรือการสั่งปิด และอีกข้อระบุว่าจะไม่ใช้กลไกที่ปรับตัว หลอกลวง เสริมกำลังตัวเอง หรือฮั้วกัน เพื่อเลี่ยงหรือเอาชนะการกำกับดูแลของมนุษย์ จนถึงขั้นที่คนหรือระบบซึ่งมีอำนาจไม่สามารถสั่งการ แก้ไข หรือสั่งปิดมันได้อีกต่อไป ท่อนท้ายนี้สำคัญเพราะมันจำกัดขอบเขตของข้อห้ามไว้ ไม่ได้ห้ามทุกการหลบเลี่ยง

ข้อควรระวังคือเอกสารนี้เป็นสิ่งที่บริษัทเขียนเองและบังคับใช้เอง ไม่มีผู้ตรวจสอบจากภายนอก ไม่มีบทลงโทษหรือช่องทางรายงานเมื่อมีการละเมิดเขียนไว้ในเอกสาร และยังมีช่องยกเว้นสำหรับงานเฉพาะทางอย่างการป้องกันภัยไซเบอร์ งานความมั่นคง และงานวิจัยสองทาง ซึ่งผ่านกระบวนการทบทวนพิเศษได้ ที่ควรอ่านคู่กันคือถ้อยคำของ Satya Nadella ที่โพสต์ในวันเดียวกันว่ายินดีกับแนวคิดผู้ประเมินที่ฝังตัวอยู่ในบริษัท ซึ่งเป็นข้อเสนอของซีอีโอ Anthropic ที่รายงานไปเมื่อ 13 ก.ย. โดยเป็นการแสดงความเห็นด้วยกับแนวคิด ไม่ใช่คำมั่นว่า Microsoft จะทำตาม

▲ ทำไมต้องรู้ · สิ่งที่เกิดขึ้นคือกติกาว่า AI ห้ามทำอะไรกำลังถูกเขียนลงกระดาษโดยผู้ผลิตเอง ก่อนที่กฎหมายจะตามมาถึง สำหรับองค์กรที่ต้องเลือกผู้ให้บริการ เอกสารแบบนี้ใช้เปรียบเทียบได้จริง เพราะมันบอกว่าเมื่อคำสั่งของเราชนกับนโยบายของผู้ผลิต ฝ่ายไหนชนะ คำถามที่ควรถามผู้ขายทุกรายคือมีเอกสารแบบนี้หรือไม่ และมีใครนอกบริษัทตรวจว่าทำตามจริงหรือเปล่า

Microsoft · TechCrunch

TechCrunch รายงานเมื่อ 14 ก.ย. ว่าบนเวที All-In Summit ที่ลอสแอนเจลิส วงสนทนากำลังคุยเรื่องข้อเรียกร้องให้ชะลอการเพิ่มความสามารถของโมเดล ซึ่ง Sam Altman และ Elon Musk ออกมาสนับสนุนก่อนหน้านี้ โดย Jensen Huang ซีอีโอ Nvidia แสดงความไม่เห็นด้วย

ระหว่างนั้น Donald Trump ต่อโทรศัพท์เข้ามาร่วมวง และพูดถึงกระแสเรียกร้องให้ชะลอว่า "We're not going to let that happen. It's a hoax." โดย Huang ตอบรับว่า "You're right. We're not going to let that happen, sir." อย่างไรก็ตามในช่วงเดียวกันนั้น Trump ก็พูดด้วยว่าต้องระมัดระวังและทำอย่างรอบคอบ

ข้อควรระวังสำคัญคือ TechCrunch ระบุว่าบทสนทนาช่วงนี้อ้างอิงจากข้อความที่ผู้เข้าร่วมงานคนหนึ่งโพสต์ ไม่ใช่จากบันทึกถอดเสียงอย่างเป็นทางการ

▲ ทำไมต้องรู้ · ภาพรวมที่ควรเห็นคือข้อเสนอชะลอการพัฒนาที่ออกมาเมื่อสุดสัปดาห์ ได้คำตอบกลับภายในสองวันจากฝั่งที่ขายฮาร์ดแวร์และฝั่งการเมือง สำหรับคนทำงาน นี่แปลว่าอย่าวางแผนโดยสมมติว่าจังหวะการออกโมเดลใหม่จะช้าลงเพราะมีคนเรียกร้อง เพราะแรงที่ดันให้เร็วขึ้นยังหนักกว่า และมาจากฝั่งที่ถือทั้งเงินและนโยบาย

TechCrunch

Quartz รายงานเมื่อ 14 ก.ย. โดยอ้างรายงานต้นทางของ The Information ว่าตัวแทนของ Anthropic OpenAI และ Google ประชุมกันในรูปคณะทำงานมาตั้งแต่อย่างน้อยเดือนกรกฎาคม โดยครั้งล่าสุดคือสัปดาห์ก่อนหน้า จุดตั้งต้นคือบทความของ Demis Hassabis เมื่อเดือนกรกฎาคมที่เสนอให้ตั้งองค์กรมาตรฐานซึ่งนำโดยสหรัฐ โดยใช้ FINRA องค์กรกำกับดูแลกันเองของวงการหลักทรัพย์ที่อยู่ภายใต้การดูแลของหน่วยงานรัฐอีกชั้น เป็นต้นแบบ

รายงานระบุว่าทั้งสามบริษัทเห็นต่างกันเรื่องบทบาทของรัฐ โดย Anthropic โน้มไปทางการร่วมมือกับภาครัฐ ส่วน OpenAI โน้มไปทางมาตรฐานภาคสมัครใจของอุตสาหกรรม และการหารือนี้เกิดขึ้นก่อนบทความเรียกร้องให้ชะลอของซีอีโอ Anthropic

ข้อควรระวังที่ต้องอ่านคู่กันคือรายงานนี้มาจากแหล่งข่าวที่ไม่เปิดเผยตัวเพียงแหล่งเดียว และทั้งสามบริษัทปฏิเสธที่จะให้ความเห็นหรือไม่ตอบกลับ เสียงวิจารณ์ที่ชัดที่สุดมาจาก Aidan Gomez ซีอีโอ Cohere ที่เขียนว่า "Great ideas here from the cartel."

▲ ทำไมต้องรู้ · คำถามที่อยู่เบื้องหลังข่าวนี้คือใครควรเป็นคนเขียนกฎของ AI ระหว่างผู้เล่นรายใหญ่ที่รู้เรื่องดีที่สุด กับหน่วยงานรัฐที่ตามไม่ทัน ทั้งสองทางมีข้อเสียคนละแบบ และประโยคของซีอีโอ Cohere ชี้ข้อเสียของทางแรกไว้ตรงที่สุด คือกติกาที่ผู้เล่นรายใหญ่เขียนเองมักกลายเป็นกำแพงกันรายเล็กเข้าตลาด ซึ่งมีผลกับราคาและตัวเลือกที่เราจะได้ใช้ในอีกไม่กี่ปี

Quartz

TechCrunch รายงานเมื่อ 14 ก.ย. โดยอ้างรายงานของ Wall Street Journal ว่า OpenAI เข้าซื้อ Glass Imaging บริษัทที่ใช้โครงข่ายประสาทเทียมเรียนลักษณะเฉพาะของกล้องแต่ละรุ่น เพื่อปรับคุณภาพภาพตั้งแต่ตอนถ่าย แทนการแต่งภายหลัง มูลค่าที่รายงานคือมากกว่า 300 ล้านดอลลาร์ โดยไม่เปิดเผยเงื่อนไข

ข้อควรระวังคือรายงานนี้อ้างแหล่งข่าวที่ไม่เปิดเผยตัว ทั้ง OpenAI และ Glass Imaging ยังไม่ยืนยันอย่างเป็นทางการ และ OpenAI ไม่ตอบคำขอความเห็น

▲ ทำไมต้องรู้ · ถ้าเป็นจริง นี่คือสัญญาณว่าบริษัทที่ทำโมเดลกำลังซื้อความสามารถด้านฮาร์ดแวร์และเซ็นเซอร์เข้ามาไว้กับตัว ความหมายระยะกลางสำหรับคนทั่วไปคือการแข่งขันกำลังขยับจากใครตอบคำถามเก่งกว่า ไปเป็นใครมีอุปกรณ์ที่เก็บข้อมูลรอบตัวเราได้ดีกว่า ซึ่งเปลี่ยนคำถามเรื่องความเป็นส่วนตัวไปคนละแบบ

TechCrunch

Bryan Cantrill เผยแพร่บทความชื่อ The contagion of fear เมื่อ 13 ก.ย. เพื่อตอบข้อความของ Jacob Coxon อดีตพนักงาน Anthropic ที่ระบุว่าความน่าจะเป็นที่ AI จะฆ่ามนุษย์ทั้งหมดอยู่ที่มากกว่าร้อยละ 10 ภายในสิบปีข้างหน้า และมีหัวหน้าทีม Alignment Science ของ Anthropic ออกมาเห็นด้วย

แกนของบทความไม่ได้อยู่ที่การเถียงว่าความเสี่ยงเป็นเรื่องแต่ง แต่อยู่ที่คุณสมบัติของผู้พูดและภาระการพิสูจน์ เขาเขียนว่า Coxon ไม่ใช่ผู้เชี่ยวชาญด้านโครงสร้างพื้นฐานสำคัญ ไม่ใช่ผู้เชี่ยวชาญด้านอาวุธชีวภาพ และไม่ใช่ผู้เชี่ยวชาญด้านการสูญพันธุ์ พร้อมชี้ว่าทั้งเรื่องอาวุธชีวภาพและการเจาะโครงสร้างพื้นฐานถูกยกขึ้นมาลอยๆ โดยไม่ขยายความ และอ้างหลักที่ว่าข้ออ้างที่พิเศษต้องการหลักฐานที่พิเศษ โดยภาระนั้นอยู่ที่คนอ้าง ประโยคที่เขาสรุปบทบาทของ Coxon ไว้คือ "In this regard, Coxon is more vector than index case"

จุดที่ควรอ่านให้ครบคือเขาไม่ได้บอกว่าคนในวงการส่วนใหญ่คิดแบบนี้ ตรงกันข้าม เขาบอกว่าเสียงที่เห็นต่างถูกกลบจนดูเหมือนมีฉันทามติ และตัวเลขร้อยละ 10 นั้นมาจากคนสองคนที่ระบุชื่อได้ ไม่ได้มาจากผลสำรวจใดๆ

▲ ทำไมต้องรู้ · วิธีอ่านที่ยกมาใช้ได้กับทุกข่าว AI คือแยกสองคำถามออกจากกัน คือความเสี่ยงนั้นมีจริงหรือไม่ กับคนที่กำลังพูดมีคุณสมบัติจะประเมินเรื่องนั้นหรือเปล่า บทความนี้ตอบเฉพาะคำถามที่สอง ซึ่งเป็นคำถามที่คนมักข้ามเวลาเห็นคนในวงการ AI พูดเรื่องชีววิทยาหรือความมั่นคง อีกบรรทัดที่ควรจำคือความรู้สึกว่าทุกคนเห็นตรงกัน มักเกิดจากการที่เสียงหนึ่งดังกว่า ไม่ได้เกิดจากการนับจริง

Bryan Cantrill

Laurie Voss ผู้ร่วมก่อตั้ง npm เผยแพร่บทความเมื่อ 14 ก.ย. ชื่อ We are all Product Engineers now ข้อเสนอของเขาคือเมื่อต้นทุนการเขียนโค้ดตกลงไปแล้ว และต้นทุนการตรวจ แก้ และดูแลระบบกำลังตกตาม สิ่งที่เหลือคือการหาให้เจอว่าคนต้องการอะไรจริงๆ นิยามมันให้แม่น และทำให้ใช้งานแล้วรู้สึกดี ซึ่งเป็นต้นทุนที่ติดอยู่กับซอฟต์แวร์แต่ละตัวและถ่ายโอนไปใช้ซ้ำไม่ได้

สิ่งที่ทำให้บทความนี้ต่างจากบทความทำนายทั่วไปคือตัวเลขที่เขาอ้างอิงไว้ เช่น งานของ Stanford Digital Economy Lab ที่ระบุว่าการจ้างงานกลุ่มอายุ 22 ถึง 25 ปีในอาชีพที่กระทบจาก AI ต่ำกว่าแนวโน้มร้อยละ 19 จากที่เคยต่ำกว่าร้อยละ 15 เมื่อปีก่อน โดยเกิดจากการชะลอรับคนใหม่ ไม่ใช่การปลดคน และรายงานที่ระบุว่าการรับพนักงานระดับเริ่มต้นในบริษัทเทคโนโลยีใหญ่ลดลงร้อยละ 65 เทียบกับปี 2019

อีกชุดที่เขายกมาคืองานศึกษาที่ไล่ดู pull request ซึ่งเขียนด้วยเครื่องมือ AI 567 รายการใน 157 โปรเจกต์ พบว่าถูกรวมเข้าโค้ดหลักร้อยละ 84 เทียบกับที่คนเขียนซึ่งอยู่ที่ร้อยละ 91 และอีกงานที่ดู pull request จาก agent 33,000 รายการ พบว่าเมื่อมีการตรวจ ร้อยละ 58 ของกรณีนั้นผู้ตรวจรายเดียวคือ agent อีกตัว

ข้อควรระวังคือเขาระบุเองว่าบทความทั้งชิ้นตั้งอยู่บนสมมติฐานสองข้อ คือ agent จะกินงานพัฒนาซอฟต์แวร์ทั้งวงจร และความต้องการซอฟต์แวร์ไม่มีเพดาน ส่วนข้อความที่ว่าต้นทุนการเขียนโค้ดตกลงไปแล้วนั้น เขาเขียนไว้เป็นข้อความยืนยันโดยไม่มีตัวเลขกำกับ และในหัวข้อเรื่องงานออกแบบเขาเขียนตรงๆ ว่าวัดไม่ได้ และระแวงคนที่บอกว่าวัดได้

▲ ทำไมต้องรู้ · ตัวเลขร้อยละ 58 ที่ผู้ตรวจ pull request รายเดียวเป็น agent อีกตัว คือสิ่งที่ควรเอาไปตรวจกับที่ทำงานของตัวเองทันที เพราะมันแปลว่างานที่เครื่องทำกำลังถูกตรวจโดยเครื่อง โดยไม่มีคนอยู่ในวงจรเลย ส่วนข้อสรุปเรื่องทักษะนั้นใช้ได้กว้างกว่าสายพัฒนาซอฟต์แวร์ คือเมื่อการลงมือทำถูกลง สิ่งที่ยังแพงคือการรู้ว่าควรทำอะไร ซึ่งเป็นทักษะที่ฝึกได้จากการอยู่ใกล้ปัญหาของคนใช้จริง ไม่ใช่จากการเรียนเครื่องมือเพิ่ม

Laurie Voss

Nathan Lambert เผยแพร่รายการอ่านเรื่องโมเดลเปิดเมื่อ 11 ก.ย. และแก้ไขล่าสุดเมื่อ 13 ก.ย. ข้อเสนอหลักคือโมเดลเปิดตามหลังโมเดลปิดอยู่ราวสี่ถึงหกเดือน และอยู่บนเส้นที่คุ้มค่าที่สุดด้านต้นทุน ซึ่งเป็นคนละเส้นกับเส้นที่แรงที่สุด

เขาระบุว่าห้องวิจัยจีนครองการปล่อยโมเดลเปิดชั้นนำมาตั้งแต่ราวปี 2024 และยกชื่อบริษัทตะวันตกที่หันไปใช้โมเดลเปิดจากจีนเพื่อลดต้นทุน ได้แก่ DoorDash, Airbnb, Perplexity และ Thomson Reuters ส่วนข้อถกเถียงเรื่องการกลั่นโมเดลที่เป็นข่าวใหญ่เมื่อ 14 ก.ย. เขาเห็นว่าหลักฐานที่มีอยู่ยังไม่พอจะสรุปว่าการกลั่นเพียงอย่างเดียวอธิบายความสามารถของโมเดลจีนได้

ข้อควรระวังคือนี่เป็นรายการอ่านและบทความแสดงความเห็น ไม่ใช่งานวิจัยใหม่ และตัวเลขสี่ถึงหกเดือนเป็นการประเมินของผู้เขียนเองโดยไม่ได้อธิบายวิธีคำนวณไว้

▲ ทำไมต้องรู้ · ตัวเลขสี่ถึงหกเดือนเป็นกรอบที่ใช้ตัดสินใจได้จริง ถ้างานที่ทำอยู่ทนการตามหลังราวครึ่งปีได้ โมเดลเปิดที่รันบนโครงสร้างของตัวเองมักถูกกว่ามากและควบคุมข้อมูลได้มากกว่า แต่ถ้างานนั้นต้องการความสามารถล่าสุดจริงๆ การตามหลังครึ่งปีคือราคาที่ต้องจ่าย คำถามที่ควรถามก่อนเลือกคืองานของเราอยู่กลุ่มไหน

Interconnects