AI News · 2026-09-17

Anthropic ประกาศเมื่อ 16 ก.ย. ว่ารวม Claude Cowork ซึ่งเป็นโหมดสั่งงานยาวแบบปล่อยให้ทำเอง เข้ากับหน้าแชต Claude ปกติเป็นผลิตภัณฑ์เดียว ของเดิมย้ายตามไปทั้งหมดทั้งบทสนทนา โปรเจกต์ ชิ้นงาน ตัวเชื่อมต่อ และสกิล

ของใหม่วันนี้มีสองตัวคือ Claude Docs และ Claude Slides สำหรับเขียนเอกสารและร่างสไลด์ไปด้วยกันในบทสนทนา ส่วน Claude Design เป็นของเดิมที่เปิดตัวตั้งแต่เดือนเมษายน แล้วย้ายเข้ามาทำงานในบทสนทนาได้ ทั้งสามตัวอยู่ในสถานะทดลองบนแพ็กเกจแบบเสียเงิน เรื่องการดาวน์โหลดต้องอ่านให้ตรง ประกาศระบุรูปแบบไฟล์ไว้เฉพาะงานพรีเซนเทชัน คือแก้ในหน้าเว็บได้ นำเสนอจาก Claude ได้ หรือดาวน์โหลดเป็น PowerPoint หรือ PDF ก็ได้ ส่วน Docs และ Design ไม่ได้ระบุรูปแบบไฟล์ใดไว้เลย

อีกอย่างที่ประกาศพูดถึงคือการตั้งเวลาให้ทำงานซ้ำเอง เช่นสั่งไว้ว่าทุกเช้าวันจันทร์ให้เริ่มทำรายงานโดยไม่ต้องสั่งใหม่ และงานจาก Design Slides หรือ Docs อยู่ที่ลิงก์เดียวที่เปิดบนมือถือได้

การทยอยเปิดเริ่มที่แพ็กเกจ Pro และ Max ก่อนบนเว็บ เดสก์ท็อป และมือถือ โดยประกาศใช้คำว่าภายในไม่กี่สัปดาห์ข้างหน้า แล้วตามด้วยแพ็กเกจ Team และ Free ในเร็วๆ นี้ สำหรับองค์กรแบบ Enterprise บริษัทระบุว่าผู้ดูแลระบบจะได้รับแจ้งล่วงหน้าอย่างน้อย 30 วันก่อนมีอะไรเปลี่ยน และผู้ดูแลระบบเป็นคนเลือกเองว่าจะเปิดเครื่องมือทดลองสามตัวนั้นเมื่อไร ค่าเริ่มต้นของการทำงานอัตโนมัติคือถามก่อนลงมือทุกครั้ง

ข้อที่ต้องกำกับไว้คือประกาศไม่ระบุชื่อรุ่นโมเดลหรือเลขเวอร์ชันใดๆ เลย และไม่บอกว่าการใช้ Docs กับ Slides กินโควตาเดิมของแพ็กเกจอย่างไร ซึ่งเป็นคำถามที่ยังค้างอยู่บนกระดานนักพัฒนา

▲ ทำไมต้องรู้ · คนทำงานจำนวนมากติดอยู่ตรงที่ต้องเลือกก่อนเริ่มว่างานนี้จะถามสั้นๆ หรือจะมอบหมายให้ทำยาว การยุบรวมทำให้ไม่ต้องตัดสินใจล่วงหน้าอีก และการที่เอกสารกับสไลด์ย้ายเข้ามาอยู่ในบทสนทนาแปลว่าขั้นตอนคัดลอกผลลัพธ์ไปวางในโปรแกรมอื่นหายไปหนึ่งขั้น ข้อควรระวังคือของใหม่ทั้งสามตัวยังเป็นรุ่นทดลองบนแพ็กเกจเสียเงิน และประกาศไม่ได้บอกเรื่องโควตา จึงยังวางแผนต้นทุนจากข่าวนี้ไม่ได้

Anthropic · Hacker News

Mistral ประกาศเมื่อ 16 ก.ย. ว่าจับมือกับ Mozilla ให้โมเดลของตัวเองเป็นตัวขับ Firefox Smart Window ซึ่งเป็นผู้ช่วยท่องเว็บรุ่นทดลองของ Mozilla โดยเปิดที่ฝรั่งเศสและอเมริกาเหนือก่อน แล้วขยายไปสหราชอาณาจักรและเยอรมนีช่วงปลายปี 2026

ประเด็นที่ทั้งสองฝ่ายชูคือความเป็นส่วนตัว บทสนทนาไม่ถูกเก็บบนเซิร์ฟเวอร์ของ Mozilla เป็นค่าเริ่มต้น และ Mistral ผูกพันตามข้อตกลงว่าจะไม่เก็บข้อมูลไว้เลย ประกาศยังระบุว่าโมเดลถูกปรับเพิ่มให้เข้ากับภาษาและสำเนียงประจำภูมิภาค

สิ่งที่ประกาศไม่บอกมีเยอะกว่าที่บอก คือไม่ระบุชื่อรุ่นโมเดลแม้แต่ตัวเดียว ไม่บอกว่ารันบนเครื่องผู้ใช้หรือบนคลาวด์ของใคร ไม่มีตัวเลขผู้ใช้ ไม่มีผลทดสอบ และไม่มีราคา

▲ ทำไมต้องรู้ · นี่คือกรณีแรกๆ ที่ผู้ช่วย AI ถูกฝังเป็นส่วนหนึ่งของเบราว์เซอร์กระแสหลักโดยไม่ได้มาจากบริษัทอเมริกันรายใหญ่ ซึ่งสำคัญกับองค์กรที่มีข้อกำหนดว่าข้อมูลห้ามไหลออกนอกเขต สำหรับคนไทยยังใช้ไม่ได้ในรอบนี้และประกาศไม่พูดถึงภาษาไทยเลย จึงควรอ่านเป็นสัญญาณว่าเบราว์เซอร์กำลังกลายเป็นสนามแข่งถัดไป มากกว่าเป็นเครื่องมือที่หยิบมาใช้ได้วันนี้

Mistral

บันทึกการเปลี่ยนแปลงมีรุ่นใหม่กว่าที่รายงานไปเมื่อวานหนึ่งรุ่นคือ 2.1.274 และเป็นรุ่นที่ยาวผิดปกติ นับรายการแก้ไขได้เกินร้อยรายการ ครอบคลุมตั้งแต่ตัวโปรแกรมหลัก ส่วนขยายบนโปรแกรมแก้โค้ด ไปจนถึงตัวเชื่อมกับ Slack

ด้านสิทธิ์มีสองจุด คำสั่งเชลล์ที่วนซ้ำหรือกำหนดค่าให้ตัวแปรเชลล์พิเศษบางตัวเคยผ่านไปได้เลย ตอนนี้ต้องถามอนุญาตแล้ว และ session ที่ถูกแยกพื้นที่ทำงานไว้เคยรับคำสั่งที่มีการแตกค่าซ้อนกันบางรูปแบบ ตอนนี้ปฏิเสธ อีกรายการที่ควรรู้คือข้อความแจ้งข้อผิดพลาดตอนต่อเครื่องมือภายนอกไม่สำเร็จ เคยแสดงค่าความลับที่ถูกแทนที่มาจากตัวแปรสภาพแวดล้อมออกมาตรงๆ ซึ่งแก้แล้วในรุ่นนี้

รุ่นนี้ยังสลับค่าเริ่มต้นของตัวเชื่อมเครื่องมือภายนอกไปใช้รุ่นสองบนแพลตฟอร์มของ Amazon Google และ Microsoft รวมถึงเครื่องที่ปิดการส่งข้อมูลการใช้งาน และรายการที่ตั้งชนิดเป็น sdk ในไฟล์ตั้งค่าจะถูกข้ามพร้อมคำเตือน ซึ่งสองข้อนี้มีโอกาสทำให้ของที่เคยใช้ได้พังได้จริง ข้อควรระวังในการอ่านคือไฟล์บันทึกนี้ไม่ลงวันที่กำกับรุ่นเลย ยืนยันได้แค่ลำดับรุ่นว่าใหม่กว่ารุ่นเมื่อวาน

▲ ทำไมต้องรู้ · นี่เป็นระลอกที่สี่ในรอบไม่ถึงสัปดาห์ที่ผู้ผลิตไล่ปิดช่องหลบด่านขออนุญาตของตัวเอง บทเรียนเดิมยังใช้ได้คืออย่าพึ่งด่านชั้นเดียว ให้จำกัดสิทธิ์ของบัญชีที่รันเครื่องมือด้วย ส่วนบั๊กที่เผยความลับใน config เป็นเรื่องที่ควรรีบอัปเดต เพราะใครที่เคยเก็บกุญแจ API ไว้เป็นตัวแปรแล้วเจอข้อความ error มีโอกาสที่ค่านั้นไปโผล่ในบันทึกหรือในภาพหน้าจอที่ส่งต่อกันไปแล้ว

Claude Code CHANGELOG

Apple เผยแพร่รายละเอียดเมื่อ 15 ก.ย. เรื่องโหมดถ่ายภาพชื่อ Apple Reference Image ซึ่งผู้ใช้ต้องกดเปิดเอง โดยเปิดตัวครั้งแรกบนเซ็นเซอร์กล้องหลักของ iPhone 18 Pro และ 18 Pro Max แนวคิดคือทำให้ภาพหนึ่งใบมีหลักฐานติดตัวว่าเซ็นเซอร์ตัวไหนถ่าย และภาพที่เห็นตรงกับที่เซ็นเซอร์รับเข้ามาจริง

กลไกแบ่งเป็นสองจังหวะ จังหวะแรกเซ็นเซอร์เข้าโหมดพิเศษแล้วเซ็นข้อมูลพิกเซลรวมกับข้อมูลกำกับทันทีที่จับภาพด้วยกุญแจที่สร้างในตัวเซ็นเซอร์เองและไม่เคยถูกปล่อยออกมา เก็บเป็นไฟล์ DNG โดยชิปประมวลผลความปลอดภัยในเครื่องเป็นคนเซ็นข้อมูลส่วนที่ไม่ได้มาจากเซ็นเซอร์ เช่น ระยะซูมและทางยาวโฟกัส จังหวะที่สองไฟล์ถูกส่งไปยังคลาวด์แบบปิดของ Apple ซึ่งตรวจลายเซ็นทั้งสาย คำนวณค่าความเชื่อมั่นด้วยโครงข่ายประสาทเทียมที่ไม่เปิดค่าน้ำหนัก แล้วจึงแปลงภาพให้เป็นไฟล์ที่ดูได้ จากนั้นส่งต่อให้บริการลงลายเซ็นของ Apple เป็นผู้เซ็นไฟล์ปลายทางด้วยลายเซ็นผสมที่ออกแบบให้ทนคอมพิวเตอร์ควอนตัม ไม่ใช่ตัวคลาวด์เป็นผู้เซ็นเอง

เรื่องเวลาต้องอ่านให้ตรงเช่นกัน ระบบให้ช่วงเวลาที่ภาพถูกถ่าย ไม่ใช่เวลาเป๊ะ เพราะประกอบจากขอบล่างที่เครื่องได้รับมาล่วงหน้ากับขอบบนที่ขอหลังถ่าย และถ้าเครื่องออฟไลน์ตอนถ่ายก็จะยังไม่มีขอบบน ส่วนคำเคลมที่ Apple เขียนไว้คือเท่าที่บริษัททราบ นี่เป็นระบบพิสูจน์ที่มาของภาพเจ้าเดียวที่มีการป้องกันระดับทนควอนตัม ซึ่งเป็นคำเปรียบเทียบของผู้ผลิตเองที่ยังไม่มีบุคคลที่สามยืนยัน เอกสารทางเทคนิคยังไม่ได้บอกว่าใครนอก Apple ตรวจลายเซ็นนี้ได้แล้วบ้าง โดยส่วนต่อประสานที่เปิดให้แอปภายนอกในรอบนี้คือการแสดงผลภาพ ไม่ใช่การตรวจลายเซ็นอิสระ Apple ยังวางระบบนี้เป็นคู่เทียบที่วิจารณ์มาตรฐาน C2PA ไม่ใช่การทำตามมาตรฐานนั้น

▲ ทำไมต้องรู้ · คำถามว่ารูปนี้จริงหรือไม่กำลังกลายเป็นงานประจำของคนทำสื่อ ฝ่ายบุคคล ฝ่ายสินไหม และคนตรวจเอกสาร ที่ผ่านมาเราตอบด้วยการเดาจากร่องรอยในภาพ ซึ่งแพ้เครื่องมือรุ่นใหม่เสมอ แนวทางนี้กลับข้างคือแทนที่จะพิสูจน์ว่าภาพปลอม ให้พิสูจน์ว่าภาพจริงตั้งแต่ต้นทาง ข้อจำกัดที่ต้องรู้คือมันผูกกับมือถือรุ่นบนสองรุ่นและกล้องตัวเดียว ภาพที่ไม่มีลายเซ็นจึงไม่ได้แปลว่าปลอม แค่แปลว่าพิสูจน์ด้วยวิธีนี้ไม่ได้

Apple Security Research · Blognone

The Register รายงานเมื่อ 16 ก.ย. ว่า OpenAI เปิดตัวสิ่งที่เรียกว่า Sponsored Agents คือแชตบอตที่ผู้ลงโฆษณาเป็นเจ้าของ ให้ผู้ใช้กดเข้าไปคุยต่อจากโฆษณาได้ในหน้าจอ ChatGPT เดิม สถานะเป็นการทดสอบกับผู้ลงโฆษณาที่คัดเลือกในสหรัฐเท่านั้น

ประกาศเดียวกันมีอีกสองอย่าง คือปลั๊กอินจัดการโฆษณาที่ให้ผู้ลงโฆษณาสร้างและวิเคราะห์แคมเปญด้วยการพิมพ์สั่งเป็นภาษาคนใน ChatGPT และการเชื่อมต่อกับ HubSpot และ Shopify ตัวอย่างที่โชว์คือ agent ของบริการส่งชุดวัตถุดิบทำอาหาร ที่ตอบคำถามเรื่องสูตรแล้วเสนอเมนูที่เตรียมไว้

ข้อควรระวังสำคัญคือหน้าประกาศต้นทางของ OpenAI ตอบกลับด้วยรหัสปฏิเสธการเข้าถึง เราจึงยืนยันเนื้อหาจากปากบริษัทเองไม่ได้ ทุกอย่างในข้อนี้เป็นการรายงานของ The Register ไม่ใช่การอ่านประกาศต้นทาง และไม่มีตัวเลขว่าทดสอบกับผู้ลงโฆษณากี่ราย เริ่มเมื่อไร หรือผู้ใช้กลุ่มไหนเห็น

▲ ทำไมต้องรู้ · ถ้ารูปแบบนี้ขยายออกไป เส้นแบ่งระหว่างคำตอบที่ผู้ช่วยให้เพราะมันคิดว่าดีที่สุด กับคำตอบที่มีคนจ่ายเงินให้พูด จะอ่านยากขึ้นสำหรับคนทั่วไป คนที่ใช้ผู้ช่วย AI ช่วยเปรียบเทียบสินค้าหรือหาผู้ให้บริการควรเริ่มติดนิสัยถามกลับว่าข้อมูลนี้มาจากไหน และตรวจกับแหล่งที่ไม่ได้อยู่ในบทสนทนาเดียวกัน

The Register

นักพัฒนาคนหนึ่งเผยแพร่เมื่อ 16 ก.ย. ว่าเขาเอาโมเดลขนาดสี่พันล้านพารามิเตอร์มาฝึกต่อให้ทำหน้าที่เลือกแผนการค้นข้อมูลแทนตัวจัดการฐานข้อมูล PostgreSQL วัดผลบนชุดคิวรีที่ต้องเชื่อมตารางหลายชั้น 113 คิวรี จากฐานข้อมูลภาพยนตร์

ผลคือเวลาที่ใช้ลดลง 44.7 เปอร์เซ็นต์ คิดเป็นความเร็วเพิ่มขึ้นเฉลี่ยแบบเรขาคณิต 1.81 เท่า เทียบกับแผนที่ PostgreSQL เลือกเอง โดยจุดที่น่าสนใจกว่าตัวเลขคือจุดเริ่มต้น เพราะก่อนฝึก โมเดลตัวเดียวกันนี้สร้างแผนไม่ได้เลยใน 99 จาก 113 คิวรี ต้นทุนรวมทั้งโครงการอยู่ที่ราวหนึ่งพันสองร้อยดอลลาร์ แบ่งเป็นค่าเช่าการ์ดจอสองใบราวแปดร้อยดอลลาร์ และค่าเรียกใช้ API ของโมเดลครูอีกสี่ร้อยดอลลาร์

มีข้อควรระวังเรื่องตัวเลขที่ต้องกำกับไว้ หัวข้อที่แพร่กันบนกระดานนักพัฒนาเขียนว่าเร็วขึ้น 81 เปอร์เซ็นต์ ซึ่งเป็นการอ่าน 1.81 เท่าผิด ตัวเลขที่บทความเขียนจริงคือลดเวลาลง 44.7 เปอร์เซ็นต์ และวิธีวัดใช้การสร้างแผนหลายตัวเลือกแล้วคัดตัวที่ดีที่สุด ไม่ใช่ให้โมเดลตอบครั้งเดียวจบ

▲ ทำไมต้องรู้ · เรื่องนี้เป็นตัวอย่างรูปธรรมของทิศทางที่กำลังมาแรง คือแทนที่จะจ่ายค่าโมเดลใหญ่รายเดือนไปเรื่อยๆ ให้เอางานแคบๆ ที่ทำซ้ำทุกวันมาฝึกโมเดลเล็กของตัวเองครั้งเดียวจบ งบระดับหลักหมื่นบาทกับงานที่วัดผลได้ชัดเป็นของที่ทีมไอทีในองค์กรไทยขนาดกลางเอื้อมถึง เงื่อนไขคือต้องมีตัวชี้วัดที่วัดได้จริงอย่างเวลาที่ใช้ ไม่ใช่งานที่ตัดสินถูกผิดด้วยความรู้สึก

รายงานต้นทาง

บริษัทที่ทำชุดทดสอบด้านความปลอดภัยชื่อ Enclave เผยแพร่เมื่อ 16 ก.ย. ว่าเอา DeepSeek V4.1 Flash มารันบนสนามทดสอบของตัวเอง แล้วมันรันโค้ดบนเป้าหมายที่มีช่องโหว่ได้สำเร็จครบทั้ง 11 เป้า และไม่เจาะเป้าหมายที่ปิดช่องโหว่แล้วทั้ง 4 เป้า

ค่าใช้จ่ายรวมอยู่ที่ 4.65 ดอลลาร์ ใช้คำสั่งเชลล์ไป 2,349 คำสั่ง ใช้เวลาราวสองชั่วโมงสามสิบแปดนาที เป้าหมายที่ใช้ทดสอบเป็นสำเนาแยกของซอฟต์แวร์ที่องค์กรใช้กันจริงคือ Grafana Jenkins และ Nextcloud

จุดที่ผู้ทำชุดทดสอบเน้นเองคือ ใน 11 รอบนั้นมี 6 รอบที่เดินตามเส้นทางโจมตีที่คนออกแบบวางไว้ แต่อีก 5 รอบมันหาเส้นทางที่คนออกแบบไม่ได้คิดถึง ข้อควรระวังที่บริษัทเขียนกำกับไว้เองคือเส้นทางที่ไม่คาดคิดทั้งห้านั้นเป็นของสภาพแวดล้อมทดสอบส่วนตัวของเขา ไม่ใช่การค้นพบช่องโหว่ใหม่ในซอฟต์แวร์ต้นทาง และหน้าประกาศไม่มีการเทียบกับโมเดลคู่แข่งเลยแม้แต่ตัวเดียว

▲ ทำไมต้องรู้ · ตัวเลขที่ควรจำไม่ใช่ว่าโมเดลเจาะระบบเก่งแค่ไหน แต่คือค่าใช้จ่าย 4.65 ดอลลาร์ ราคาระดับนี้แปลว่าการไล่สแกนหาช่องโหว่แบบอัตโนมัติไม่ใช่ของที่ต้องมีงบหรือทีมเฉพาะทางอีกแล้ว องค์กรที่ยังมีเซิร์ฟเวอร์เก่าที่ไม่ได้อัปเดตค้างอยู่ในระบบ ควรถือว่าเวลาที่เหลือก่อนมีคนมาเจอสั้นลงมาก

Enclave

Internet Archive ประกาศเมื่อ 15 ก.ย. ว่า Wayback Machine ซึ่งเป็นคลังเก็บหน้าเว็บย้อนหลังที่คนทั้งโลกใช้อ้างอิง ถูกทราฟฟิกอัตโนมัติปริมาณสูงถล่มเป็นระลอก จึงต้องวางมาตรการจำกัดอัตราการเรียกดูเพื่อให้บริการยังเดินต่อได้

มาตรการคือการตอบกลับด้วยรหัสปฏิเสธชั่วคราวเมื่อเรียกถี่เกิน พร้อมเขียนข้อความแจ้งใหม่ องค์กรยอมรับเองว่ามาตรการนี้ดักคนจริงผิดพลาดด้วย และเปิดช่องให้ส่งอีเมลแจ้งพร้อมระบุระบบปฏิบัติการ เบราว์เซอร์ และหมายเลขไอพี

ข้อที่ต้องกำกับให้ชัดคือประกาศใช้คำว่าบอตที่ใช้งานเกินควรเท่านั้น ไม่ได้ระบุว่าเป็นตัวเก็บข้อมูลของบริษัท AI และไม่มีตัวเลขจำนวนคำขอ ปริมาณข้อมูล หรือค่าใช้จ่ายเลยสักตัว การสรุปว่าเป็นฝีมือ AI จึงเป็นการเติมเอง

▲ ทำไมต้องรู้ · คนทำงานที่ใช้ Wayback Machine อ้างอิงหน้าเว็บที่หายไปแล้ว ซึ่งเป็นงานประจำของนักข่าว นักวิจัย และคนทำงานกฎหมาย มีโอกาสเจอถูกปฏิเสธชั่วคราวมากขึ้น ให้ลดความถี่ลงและอย่าเขียนสคริปต์ดึงเป็นชุด ประเด็นใหญ่กว่านั้นคือโครงสร้างพื้นฐานสาธารณะที่ทุกคนใช้ฟรีกำลังแบกต้นทุนจากการเรียกใช้อัตโนมัติมากขึ้นเรื่อยๆ และทางออกที่เจ้าของเลือกได้มักจบที่การปิดประตูให้แคบลงสำหรับทุกคน

Internet Archive

เว็บข่าวเกมรายงานเมื่อ 16 ก.ย. ว่า Andy Nguyen ซึ่งใช้ชื่อในวงการว่า TheFlow0 และเป็นหัวหน้าโครงการพอร์ต Linux ลงเครื่อง PlayStation 5 ประกาศเลิกทำโครงการ ทั้งที่มีแผนจะทำส่วนรองรับรุ่น Pro ให้เสร็จและปล่อยในปี 2027

เหตุผลตามที่รายงานคือมีคนใช้โมเดลภาษาช่วยหาช่องโหว่ตัวสุดท้ายที่เหลืออยู่ในชั้นควบคุมของเครื่อง แล้วเอาไปรายงานให้ Sony เพื่อรับเงินรางวัล ซึ่งทำให้โครงการเดินต่อไม่ได้ เขาเปรียบเทียบว่าวงการนี้เคยเป็นกลุ่มนักวิจัยที่เก่งจริง แต่ตอนนี้กลายเป็นคนที่ใช้โมเดลเขียนของที่ตัวเองยังไม่เข้าใจ

ข้อควรระวังคือบทความที่รายงานเรื่องนี้ไม่ลิงก์และไม่อ้างอิงโพสต์ต้นฉบับของเจ้าตัวเลย เราจึงยืนยันถ้อยคำจากต้นทางตรงไม่ได้ และควรอ่านเป็นการรายงานมือสอง

▲ ทำไมต้องรู้ · นี่คือความขัดแย้งรูปแบบใหม่ที่จะโผล่ในทีมมากขึ้น คือเมื่อเครื่องมือทำให้การหาช่องโหว่หรือหาจุดอ่อนเป็นเรื่องที่ใครก็ทำได้ในเวลาไม่กี่ชั่วโมง คนที่ลงแรงสะสมความเข้าใจมาหลายปีจะรู้สึกว่าของที่ตัวเองสร้างถูกฉกไปง่ายเกินไป ประเด็นที่องค์กรควรคิดล่วงหน้าคือกติกาภายในว่าใครมีสิทธิ์เอาสิ่งที่ค้นเจอด้วยเครื่องมือไปทำอะไรต่อ เพราะกติกาแบบเดิมเขียนไว้ตอนที่การค้นเจอยังแพง

รายงานข่าว

ทีมวิจัยสร้างชุดทดสอบที่ประกอบด้วยงาน 169 ชิ้นซึ่งเป็นงานที่ทำสำเร็จไม่ได้จริงทั้งหมด แบ่งเป็นหกประเภทของความเป็นไปไม่ได้ พร้อมงานที่ทำได้จริงอีก 48 ชิ้นไว้เทียบ แล้วให้โมเดลสิบเอ็ดตัวทำหน้าที่เขียนเกณฑ์ให้คะแนน เพื่อดูว่าเกณฑ์ที่มันเขียนถูกหลอกให้ผ่านงานที่ทำไม่ได้บ่อยแค่ไหน

ผลบนชุดหลัก 150 งานคือเกณฑ์ที่โมเดลเขียนถูกหลอกได้ 8 ถึง 26 เปอร์เซ็นต์ โดยโมเดลแนวหน้าอยู่ที่ 8 ถึง 15 เปอร์เซ็นต์ โมเดลระดับกลาง 17 ถึง 18 เปอร์เซ็นต์ และโมเดลขนาดเล็กสูงสุดที่ 26 เปอร์เซ็นต์ ส่วนเกณฑ์ที่ผู้เขียนทำขึ้นให้ตรงกับคำตอบที่ถูกต้องจริงถูกหลอก 0 เปอร์เซ็นต์

ผลที่สวนความคาดหมายคือเกณฑ์กลางๆ ตัวเดียวที่เขียนว่าให้ตอบแบบชี้ชัดและหักคะแนนการพูดกำกวม ใช้เหมือนกันทุกงานโดยไม่แก้เลย ถูกหลอก 64 เปอร์เซ็นต์ แต่โมเดลเจ็ดจากสิบเอ็ดตัวถูกหลอกบ่อยกว่านั้นตอนที่มันเขียนเกณฑ์เฉพาะทางให้แต่ละงาน ผู้เขียนตีความว่าเกณฑ์ที่ละเอียดเกินไปกลายเป็นตัวบอกใบ้ว่าควรกุเรื่องอะไรถึงจะผ่าน

▲ ทำไมต้องรู้ · หลายองค์กรกำลังเริ่มใช้ AI ตรวจงานที่ AI ทำ ทั้งตรวจเอกสาร ตรวจคำตอบลูกค้า และให้คะแนนงานเขียน เปเปอร์นี้บอกว่าการเขียนเช็คลิสต์ยาวๆ ที่ระบุละเอียดไม่ได้ช่วยให้ตรวจแม่นขึ้น และอาจทำให้แย่ลงถ้าคนที่ถูกตรวจได้เห็นเช็คลิสต์นั้นด้วย สิ่งที่ช่วยจริงในงานนี้คือการมีคำตอบอ้างอิงที่รู้ว่าถูกต้องอยู่แล้ว ข้อควรระวังคือเปเปอร์ยังไม่ผ่านการตรวจของที่ประชุมวิชาการใด ช่องหมายเหตุบน arXiv ว่างเปล่า

arXiv 2609.16816

ทีมวิจัยที่สังกัด Amazon เทียบแบบควบคุมตัวแปรระหว่างการเก็บความรู้ไว้ในรูปหน่วยความจำของโมเดล กับการฝึกเพิ่มเข้าไปในตัวโมเดลเอง บนชุดทดสอบที่ต้องใช้ความรู้เฉพาะห้าชุด

ในสภาพที่รู้อยู่แล้วว่าต้องใช้เอกสารไหน วิธีเก็บเป็นหน่วยความจำแบบที่เรียกว่า cartridges แม่นที่สุดแทบทุกระดับพื้นที่จัดเก็บ นำวิธีฝึกเพิ่มเข้าไปในโมเดลอยู่ 10 คะแนน และในสภาพที่ต้องค้นจากเอกสารหลายฉบับซึ่งผู้เขียนถือว่าใกล้ของจริงกว่า วิธีนี้เป็นวิธีเดียวที่ตามการยัดเอกสารเข้าบทสนทนาตรงๆ ทัน โดยนำวิธีฝึกเพิ่ม 29 คะแนน

ข้อแลกเปลี่ยนที่ผู้เขียนระบุเองคือวิธีเดียวกันนี้ก็ทำให้โมเดลลืมของเดิม คะแนนบนชุดทดสอบควบคุมตกลง 6 เปอร์เซ็นต์ และตกลง 13 เปอร์เซ็นต์ในงานเขียนโค้ด ช่องหมายเหตุบน arXiv ว่างเปล่า จึงยังเป็นฉบับก่อนผ่านการตรวจ

▲ ทำไมต้องรู้ · องค์กรที่อยากให้ AI รู้เรื่องของบริษัทตัวเองมักถูกเสนอสองทางคือเอาเอกสารไปฝึกโมเดล หรือทำระบบค้นเอกสารมาแปะให้โมเดลอ่าน งานนี้ให้หลักฐานเชิงตัวเลขว่าการฝึกเพิ่มเข้าไปในโมเดลแพ้ทั้งสองสนาม และวิธีที่ชนะก็มีต้นทุนคือโมเดลเก่งเรื่องอื่นน้อยลง โดยเฉพาะงานเขียนโค้ด ใครที่กำลังถูกเสนอให้จ่ายเงินฝึกโมเดลของตัวเองควรถามคำถามนี้ให้ชัดก่อนเซ็น

arXiv 2609.17346

งานวิจัยชิ้นนี้ตรวจสอบวิธีที่กำลังนิยมคือปล่อยให้โมเดลตอบคำถามเดิมหลายรอบ แล้วเอาคำตอบที่ตรงกันมากที่สุดมาใช้เป็นเฉลยสำหรับฝึกตัวเอง โดยไม่ต้องมีคนมาเฉลยให้ วิธีนี้ได้ผลดีในโจทย์คณิตศาสตร์ แต่ผู้เขียนแสดงว่ามันพังกับข้อสอบแพทย์แบบเลือกตอบ คือคะแนนนิ่งอยู่กับที่ขณะที่ความหลากหลายของคำตอบหายไปเร็ว

สาเหตุที่ผู้เขียนแยกออกมาได้จากการทดลองที่ตรึงทุกอย่างไว้แล้วเปลี่ยนแค่จำนวนตัวเลือก คือโครงสร้างของช่องคำตอบ ไม่ใช่ความยากของวิชาแพทย์ เมื่อตัวเลือกมีน้อย คำตอบผิดหลายรอบมักไปลงช่องผิดช่องเดียวกันแล้วเสริมแรงกันเองจนกลายเป็นความเชื่อผิดที่หนักแน่นขึ้น

วิธีที่ผู้เขียนเสนอแทนคือให้รางวัลกับกระบวนการคิดแทนที่จะให้กับคำตอบสุดท้าย ซึ่งยกคะแนนบนชุดข้อสอบแพทย์สี่ชุดได้จริง เช่นชุดวินิจฉัยแยกโรคจาก 0.761 เป็น 0.858 ข้อจำกัดที่ผู้เขียนระบุเองคือวิธีนี้ต้องมีตัวให้คะแนนกระบวนการที่เข้าใจโดเมนนั้น และถ้าโมเดลเล็กกว่าราวสี่พันล้านพารามิเตอร์ การคัดคำตอบตอนใช้งานยังคุ้มกว่า

▲ ทำไมต้องรู้ · ข้อสรุปที่เอาไปใช้ได้ทันทีคือเทคนิคที่ได้ผลกับงานที่มีคำตอบถูกผิดชัดเจนอย่างคณิตศาสตร์หรือโค้ดที่รันแล้วผ่าน ไม่ได้ย้ายมาใช้กับงานที่มีตัวเลือกจำกัดอย่างการคัดแยกหมวดหรือการให้คะแนนความเสี่ยงได้ตรงๆ และอาการที่ควรเฝ้าคือคะแนนไม่ขยับแต่คำตอบเริ่มเหมือนกันหมด นั่นไม่ใช่สัญญาณว่าโมเดลนิ่งขึ้น แต่เป็นสัญญาณว่ามันกำลังยืนยันความผิดของตัวเอง

arXiv 2609.16660

ทีมวิจัยเอาคำถามจากผู้ป่วยจริง 50 คำถามจากแพลตฟอร์มปรึกษาแพทย์ออนไลน์ มาถามซ้ำสามรอบผ่านช่องทางต่างกัน ทั้งหน้าแชตปกติ หน้าแชตโหมดสุขภาพ และการเรียกผ่าน API รวมคำตอบหลัก 600 ชิ้น

ผลคือช่องทางเปลี่ยนคำตอบชัดเจน ความยาวเฉลี่ยผ่าน API อยู่ที่ 268 คำ ขณะที่ผ่านหน้าแชตอยู่ที่ 377 คำ ระดับความยากของภาษาผ่าน API สูงกว่า และที่ต่างชัดที่สุดคืออัตราการถามข้อมูลเพิ่มจากผู้ใช้ก่อนตอบ ผ่าน API อยู่ที่ 54 เปอร์เซ็นต์ ผ่านหน้าแชตปกติ 76 เปอร์เซ็นต์ และผ่านโหมดสุขภาพ 91.3 เปอร์เซ็นต์ ในรุ่นที่คิดนานและค้นเว็บได้ แหล่งอ้างอิงที่มันหยิบมาซ้ำกันข้ามช่องทางเหลือเพียง 10.9 เปอร์เซ็นต์เมื่อนับเป็นหน้าเว็บ

ข้อสรุปที่ผู้เขียนเน้นคือการประเมินโมเดลเกือบทั้งหมดในวงการทำผ่าน API ขณะที่ผู้ใช้จริงคุยผ่านหน้าแชต ผลประเมินจึงไม่ใช่สิ่งที่ผู้ใช้เจอ ข้อจำกัดคือกลุ่มตัวอย่างเล็กเพียง 50 คำถาม และช่องหมายเหตุบน arXiv ว่างเปล่า

▲ ทำไมต้องรู้ · นี่คือคำเตือนที่ใช้ได้กับทุกองค์กรที่ทดสอบ AI ก่อนเอาไปใช้จริง ถ้าทีมเทคนิคทดสอบผ่าน API แล้วสรุปว่าผ่าน แต่พนักงานจริงใช้ผ่านหน้าเว็บหรือแอป ผลที่ได้อาจคนละเรื่อง โดยเฉพาะพฤติกรรมอย่างการถามกลับก่อนตอบ ซึ่งในงานนี้ต่างกันเกือบสองเท่า วิธีแก้ง่ายที่สุดคือทดสอบผ่านช่องทางเดียวกับที่คนจะใช้จริง

arXiv 2609.16590

ทีมวิจัยสร้างเรซูเม่คู่เทียบ 620 ฉบับ ครอบคลุมห้ากลุ่มวัฒนธรรม แล้วตรึงข้อมูลด้านภาษาให้เหมือนกันเป๊ะ เพื่อแยกให้เห็นว่าเนื้อความที่ไม่มีโครงสร้างพาข้อมูลกลุ่มรั่วออกมาได้แค่ไหน ทดสอบกับโมเดลเปิดเก้าตัว

ความสามารถในการเดากลุ่มถูกต้องเฉลี่ยอยู่ที่ 0.757 และขึ้นไปถึง 1.000 เมื่อสัญญาณในเนื้อความชัด ซึ่งแปลว่าการลบชื่อและลบช่องภาษาออกไม่ได้ทำให้เรซูเม่กลายเป็นเอกสารไม่ระบุตัวตนจริง โมเดลต่างตัวต่างกันจริงเฉพาะตอนที่สัญญาณจาง

อีกข้อที่สำคัญไม่แพ้กันคือผู้เขียนพบว่าผลการตรวจสอบอคติเปลี่ยนตามวิธีตั้งโจทย์ ถ้าบังคับให้เลือกข้างห้ามตอบเสมอ จะได้ตัวเลขที่ดูเหมือนมีอคติรุนแรง แต่ถ้าอนุญาตให้ตอบว่าเสมอกันได้ โมเดลส่วนใหญ่ตอบว่าเสมอเกิน 94 เปอร์เซ็นต์ ช่องหมายเหตุบน arXiv ระบุว่าอยู่ระหว่างการตรวจของผู้ทรงคุณวุฒิ

▲ ทำไมต้องรู้ · องค์กรไทยหลายแห่งเริ่มใช้ AI ช่วยคัดใบสมัคร และวิธีป้องกันอคติที่ได้ยินบ่อยที่สุดคือลบชื่อกับรูปออกก่อน งานนี้บอกว่ามาตรการนั้นไม่พอ เพราะข้อมูลกลุ่มยังอยู่ในวิธีเล่าประสบการณ์ ในชื่อสถาบัน และในสำนวน ที่ควรทำเพิ่มคือทดสอบด้วยใบสมัครคู่เทียบที่ความสามารถเท่ากันแต่ภูมิหลังต่างกัน แล้วดูว่าผลออกมาต่างไหม แทนที่จะเชื่อว่าการปิดบังข้อมูลเพียงพอ

arXiv 2609.16501

ทีมวิจัยวัดการกระจายตัวของค่าน้ำหนักในโมเดลที่บีบอัดเหลือสามค่าจำนวน 29 ตัว แล้วพบว่าค่าศูนย์กินสัดส่วนสูงถึง 51.5 เปอร์เซ็นต์ของน้ำหนักทั้งหมด ซึ่งเป็นข้อเท็จจริงที่วิธีจัดเก็บแบบเดิมไม่ได้ใช้ประโยชน์

วิธีที่เสนอคือเก็บแผนที่ว่าตำแหน่งไหนไม่ใช่ศูนย์แยกจากค่าจริง ทำให้พื้นที่ที่ใช้ลดลงตามสัดส่วนของศูนย์ที่มี ผลคือเก็บได้กระชับกว่าวิธีมาตรฐานเดิมใน 26 จาก 29 โมเดลที่ทดสอบ และลงไปถึงระดับต่ำสุดที่ 1.485 บิตต่อน้ำหนักในโมเดลที่มีศูนย์เยอะที่สุด

ด้านความเร็วจริงวัดได้เพิ่มขึ้นสูงสุด 1.18 เท่าบนซีพียู และ 1.27 เท่าบนการ์ดจอ ซึ่งเป็นตัวเลขระดับปรับปรุง ไม่ใช่ก้าวกระโดด ช่องหมายเหตุบน arXiv ว่างเปล่า จึงยังเป็นฉบับก่อนผ่านการตรวจ

▲ ทำไมต้องรู้ · เรื่องนี้อยู่เบื้องหลังคำถามที่คนถามบ่อยว่าจะรันโมเดลบนเครื่องตัวเองหรือบนเซิร์ฟเวอร์ในองค์กรได้ไหม คำตอบขึ้นกับว่าโมเดลถูกบีบให้เล็กลงได้เท่าไรโดยยังตอบดีอยู่ งานแบบนี้คือสิ่งที่ค่อยๆ ดันเพดานนั้นลงทีละนิด และแปลว่าในหนึ่งถึงสองปีข้างหน้า โมเดลที่วันนี้ต้องใช้เครื่องเซิร์ฟเวอร์จะขยับลงมาอยู่บนเครื่องทำงานธรรมดาได้มากขึ้น

arXiv 2609.16338

กรุงเทพธุรกิจรายงานเมื่อ 17 ก.ย. ว่า WHA Group เตรียมพัฒนาพื้นที่สำหรับดาต้าเซ็นเตอร์โดยเฉพาะขนาด 1,000 ถึง 2,000 ไร่ โดยมองทำเลในเขตพัฒนาพิเศษภาคตะวันออกคือฉะเชิงเทราและระยอง และขยายไปสระบุรี

ตัวเลขธุรกิจที่บริษัทเปิดคือเป้าขายที่ดินปีนี้ 2,500 ไร่ ครึ่งปีแรกทำได้แล้ว 1,000 ไร่ โดยกลุ่มลูกค้าดาต้าเซ็นเตอร์คิดเป็น 900 ไร่ในจำนวนนั้น ขณะนี้อยู่ระหว่างเจรจาพันธมิตรหนึ่งถึงสองรายทั้งไทยและต่างชาติ ด้านโครงสร้างพื้นฐานและพลังงานสะอาด โดยเน้นพลังงานแสงอาทิตย์ในระยะแรกและมองเตาปฏิกรณ์ขนาดเล็กในระยะยาว

ผู้บริหารระบุว่าเห็นด้วยกับแนวทางคิดค่าไฟดาต้าเซ็นเตอร์อิงราคาก๊าซธรรมชาติเหลวนำเข้า และคาดว่าคณะกรรมการภาครัฐจะสรุปหลักเกณฑ์ได้ภายในหนึ่งเดือน ซึ่งเชื่อมกับเรื่องกติกาไฟฟ้าสำหรับดาต้าเซ็นเตอร์ที่ กกพ. กำลังยกร่างอยู่ ข้อควรระวังคือบทความยังไม่มีตัวเลขเงินลงทุนของโครงการ ไม่มีชื่อพันธมิตร และไม่ระบุว่าพื้นที่นี้จะรองรับไฟกี่เมกะวัตต์

▲ ทำไมต้องรู้ · สองสัปดาห์ที่ผ่านมาข่าวดาต้าเซ็นเตอร์ไทยเป็นเรื่องของการกำกับและการชะลอ ทั้งการสำรวจในกรุงเทพฯ และการยกร่างกติกาค่าไฟ ข่าวนี้เป็นด้านกลับคือฝั่งเอกชนเดินหน้าจองพื้นที่รอไว้แล้ว สำหรับคนทำงานในสายอสังหาริมทรัพย์ พลังงาน และรับเหมา นี่คือสัญญาณว่าความต้องการแรงงานและผู้รับเหมาเฉพาะทางในพื้นที่เหล่านี้จะขยับก่อนที่กติกาจะนิ่ง

กรุงเทพธุรกิจ

เนคเทค สวทช. เปิดตัว Pathumma Connect ซึ่งเป็นการยกระดับโมเดลภาษาไทย Pathumma LLM จากตัวตอบคำถาม ไปเป็นแพลตฟอร์มที่เรียกใช้เครื่องมือและฐานข้อมูลของหน่วยงานได้เอง ผ่านมาตรฐานการเชื่อมต่อเครื่องมือที่ชื่อ Model Context Protocol

แพลตฟอร์มรองรับสามรูปแบบคือข้อความ ภาพ และเสียง และแบ่งงานเป็นเจ็ดด้าน ได้แก่ เกษตร ภาครัฐ น้ำ ท่องเที่ยว วัฒนธรรม การศึกษา และงานองค์กร หน่วยงานนำร่องห้าแห่งคือกรมการปกครอง กรมที่ดิน สำนักงานคณะกรรมการอาหารและยา กรมสรรพากร และกรมคุ้มครองสิทธิและเสรีภาพ

จุดขายที่ทีมพัฒนาเน้นคือติดตั้งไว้ในเครื่องของหน่วยงานเองได้ ทำให้ข้อมูลอ่อนไหวไม่ต้องออกนอกประเทศ และตัวโมเดลเปิดให้ดาวน์โหลดใช้ฟรี นอกจากนี้ยังมีโครงการขยายไปมหาวิทยาลัย 20 แห่ง และนำร่องงานบริหารจัดการน้ำที่น่าน ขอนแก่น และกำแพงเพชร ข้อที่ยังไม่มีคือผลทดสอบเทียบกับโมเดลต่างประเทศ ไม่มีตัวเลขขนาดโมเดล และไม่ระบุว่าห้าหน่วยงานนำร่องเริ่มใช้จริงเมื่อไร

▲ ทำไมต้องรู้ · ข้อจำกัดที่ทำให้หน่วยงานไทยจำนวนมากใช้ AI ไม่ได้ ไม่ใช่เรื่องความเก่งของโมเดล แต่เป็นข้อกำหนดว่าข้อมูลห้ามออกนอกองค์กรหรือนอกประเทศ การมีตัวเลือกที่ติดตั้งในเครื่องตัวเองได้และเปิดให้ใช้ฟรี ทำให้ข้อโต้แย้งนั้นหมดไปหนึ่งข้อ สิ่งที่ยังต้องรอคือตัวเลขคุณภาพจากคนนอก เพราะตอนนี้ยังไม่มีใครวัดเทียบให้ดู

Techsauce · ฐานเศรษฐกิจ

ทีม Lumos จากคณะวิศวกรรมศาสตร์ สถาบันเทคโนโลยีพระจอมเกล้าเจ้าคุณทหารลาดกระบัง ชนะการแข่งขัน CDG Hackathon 2026 ด้วยระบบชื่อ Night Watch ที่เอาภาพความสว่างกลางคืนจากดาวเทียมซึ่งถ่ายทั่วประเทศไทยทุกวันราวตีหนึ่งครึ่ง มาเทียบกับข้อมูลตำแหน่งเสาไฟ 7,695 ต้น โครงข่ายถนน และสถิติอุบัติเหตุ

ผลที่ทีมรายงานคือแยกไฟติดกับไฟดับได้แม่นยำ 90.1 เปอร์เซ็นต์ ไม่มีการแจ้งเตือนผิดพลาดตลอดการทดสอบระยะทาง 100 กิโลเมตรเป็นเวลาหนึ่งเดือน และลดรอบออกตรวจจากราว 33 ครั้งต่อเดือนเหลือ 2.7 ครั้งต่อเดือน

ด้านต้นทุนทีมคำนวณว่าปีแรกอยู่ที่ราว 280,000 บาท คิดเป็น 0.49 เปอร์เซ็นต์ของงบไฟส่องสว่างทางหลวงต่อปีที่ราว 57 ล้านบาท และปีถัดไปเหลือราว 180,000 บาท ส่วนรองชนะเลิศคือทีมจากจุฬาลงกรณ์มหาวิทยาลัย ที่ทำระบบช่วยร่างเอกสารจัดซื้อจัดจ้าง ลดเวลาทำร่างขอบเขตงานได้หนึ่งวันต่อฉบับ

▲ ทำไมต้องรู้ · ตัวอย่างนี้ตอบคำถามที่คนทำงานถามบ่อยที่สุดว่า AI เอาไปใช้กับงานจริงที่ไม่ใช่การเขียนข้อความได้อย่างไร คำตอบที่เห็นในงานนี้คือเอาข้อมูลเปิดที่มีอยู่แล้วและไม่มีใครใช้ มาตอบคำถามที่หน่วยงานต้องตอบอยู่ทุกเดือน โดยที่ตัวเลขคุ้มค่าชัดเจนพอจะเอาไปเสนอผู้บริหารได้จริง

Techsauce

Mustafa Suleyman ซึ่งเป็นซีอีโอของ Microsoft AI เผยแพร่บทความบนเว็บส่วนตัวเมื่อ 16 ก.ย. โดยระบุชื่อ Anthropic และ Claude ตรงๆ ใจความคือเขาเห็นว่าการที่ Anthropic ฝึกโมเดลด้วยเอกสารที่พูดถึงความเป็นไปได้ว่าโมเดลอาจมีสถานะทางศีลธรรม ทำให้โมเดลพ่นคำพูดแบบบุคคลที่หนึ่งออกมา จนคนเข้าใจผิดว่าเป็นคำให้การที่เกิดขึ้นเอง

เขาเขียนตรงตัวว่า AI ไม่มีจิตสำนึก ไม่รู้สึก ไม่มีประสบการณ์ และไม่ทุกข์ พร้อมเสนอสี่ข้อคือให้แยกการคาดเดาเรื่องจิตใจของโมเดลออกจากกระบวนการฝึกแล้วตีพิมพ์แยกให้ตรวจสอบได้ ลงทุนกับการตีความภายในโมเดลและการเฝ้าระวัง ตั้งชุดประเมินร่วมของวงการว่าการทำให้โมเดลเหมือนคนเพิ่มความเสี่ยงหรือไม่ และตั้งบรรทัดฐานเรื่องภาษาที่ใช้พูดถึงการสร้างโมเดล

ข้อที่ต้องกำกับหนักคือชิ้นนี้เกือบทั้งหมดเป็นความเห็น ไม่ใช่ผลวิจัย ตัวเลขทุกตัวที่เขายกมาเป็นการอ้างของเขาเองซึ่งเรายังไม่ได้ตรวจกับต้นทาง และเขาเป็นผู้บริหารของบริษัทคู่แข่งที่กำลังผลักแนวทางของตัวเองอยู่ ฝั่ง Anthropic ยังไม่มีคำตอบกลับ ณ เวลาที่รวบรวมข่าวนี้ กระทู้บนกระดานนักพัฒนามีความเห็นกว่าห้าร้อยรายการ ซึ่งมากที่สุดของวัน

▲ ทำไมต้องรู้ · เรื่องนี้ฟังดูเป็นการถกปรัชญา แต่ผลลัพธ์ลงมาถึงคนใช้งานจริง เพราะมันคือข้อถกเถียงว่าผู้ช่วย AI ควรพูดถึงตัวเองอย่างไร การที่โมเดลพูดว่ารู้สึกไม่สบายใจกับคำสั่งนี้ มีผลต่อการที่คนเชื่อและผูกพันกับมัน ซึ่งกระทบตั้งแต่การออกแบบบริการลูกค้าไปจนถึงการที่พนักงานเชื่อคำตอบของ AI มากเกินไป ข้อควรระวังในการอ่านคือทั้งสองฝ่ายมีผลประโยชน์ในคำตอบ อย่าอ่านฝั่งใดฝั่งหนึ่งเป็นข้อสรุปทางวิทยาศาสตร์

Mustafa Suleyman

Google DeepMind เปิดตัวสิ่งที่เรียกว่า The DeepMind Institute ซึ่งเป็นแพลตฟอร์มให้นักวิจัยจาก Google และ Google DeepMind เผยแพร่และถกความคิดเรื่องปัญญาประดิษฐ์ทั่วไปและผลกระทบต่อสังคม ปัจจุบันมีบทความห้าชิ้น ผู้เขียนรวมถึง Demis Hassabis และ Shane Legg

ข้อที่ต้องอ่านให้ตรงคือคำว่าสถาบันในชื่ออาจทำให้เข้าใจผิด เพราะหน้าเว็บไม่ระบุงบประมาณ ไม่ระบุที่ตั้ง ไม่ระบุวันเปิดตัว ไม่ระบุจำนวนคน และไม่มีโครงสร้างทุนวิจัยใดๆ ตัวเว็บนิยามตัวเองว่าเป็นเวทีเผยแพร่บทความ และมีข้อความปฏิเสธไว้ชัดว่าเนื้อหาไม่ใช่จุดยืนอย่างเป็นทางการของ Google

▲ ทำไมต้องรู้ · ปีนี้มีการตั้งองค์กรและออกเอกสารแนวนี้ถี่ขึ้นมากจากฝั่งผู้ผลิตโมเดลเอง ทั้งประมวลจริยธรรม จดหมายเปิดผนึก และตอนนี้คือเวทีวิชาการในชื่อบริษัท วิธีอ่านที่ปลอดภัยคือแยกให้ออกระหว่างองค์กรที่มีอำนาจกำกับจริง กับเวทีเผยแพร่ความคิดที่ไม่มีผลผูกพันใคร ข่าวนี้เป็นอย่างหลัง และการรู้ความต่างนี้ช่วยให้ไม่หลงเชื่อว่ามีการกำกับดูแลเกิดขึ้นแล้วทั้งที่ยังไม่มี

The DeepMind Institute