AI News · 2026-09-19

ทีม Qwen ของ Alibaba เผยแพร่บันทึกเปิดตัว Qwen3.8-Omni-Flash เมื่อ 14 ก.ย. แล้วเรื่องกลับมาเป็นที่พูดถึงอีกครั้งเมื่อ 18 ก.ย. ตัวโมเดลมีสองรุ่นคือรุ่นปกติกับรุ่นโต้ตอบสด รับข้อความ ภาพ เสียง และวิดีโอเป็นข้อมูลเข้าได้ในตัวเดียว และรองรับบริบทหนึ่งล้านโทเคน

ตัวเลขที่บริษัทอ้างคือราคาต่อหนึ่งชั่วโมงของเสียงขาเข้าลดลงมากกว่า 98% และราคาต่อหนึ่งชั่วโมงของงานที่มีทั้งภาพและเสียงลดลงมากกว่า 93% เมื่อเทียบกับรุ่นก่อนหน้าของตัวเอง ส่วนงานถอดเสียงภาษาถิ่น บริษัทระบุว่าอัตราผิดระดับตัวอักษรของภาษาถิ่นเสฉวนลดจาก 25.79% เหลือ 15.30%

ข้อควรระวังคือบันทึกนี้ไม่ระบุจำนวนพารามิเตอร์ ไม่ระบุสัญญาอนุญาต และไม่ระบุราคาเป็นตัวเงินจริง ตัวเลขที่ลดลงจึงเทียบกับฐานที่ไม่มีใครรู้ว่าเท่าไร คะแนนทุกตัวเป็นผลที่บริษัทรันเอง และหน้าบล็อกต้นทางเปิดด้วยเครื่องอ่านไม่ได้เพราะวาดด้วย JavaScript ทั้งหมดจึงอ่านผ่านบริการแปลงหน้าเว็บเป็นข้อความอีกทอดหนึ่ง

▲ ทำไมต้องรู้ · งานที่ออฟฟิศไทยจ่ายเงินให้คนอื่นทำมากที่สุดอย่างหนึ่งคือถอดเทปประชุมและทำซับวิดีโอ ราคาขาเข้าของงานเสียงที่ลดระดับนี้คือสิ่งที่เปลี่ยนคำตอบว่าจะทำเองหรือจ้าง แต่ก่อนย้ายควรรอราคาจริงเป็นตัวเงินและทดสอบกับเสียงภาษาไทยที่มีสำเนียงถิ่นด้วยตัวเอง เพราะตัวเลขที่บริษัทยกมาเป็นภาษาถิ่นจีน

Qwen · Hacker News

ทีม DeepSeek ส่งเปเปอร์ทางเทคนิคของ V4.1-Flash ขึ้น arXiv เมื่อ 17 ก.ย. หลังเปิดตัวโมเดลไปเมื่อ 10 ก.ย. เนื้อหาอธิบายว่าโมเดลขนาด 552 พันล้านพารามิเตอร์ตัวนี้ใช้พารามิเตอร์ทำงานจริง 16 พันล้านตอนสร้างคำตอบ และ 8 พันล้านตอนอ่านคำสั่งเข้าไป

วิธีที่ทำให้แคชเล็กลงคือใช้แคชร่วมข้ามชั้นควบคู่กับการเก็บแคชที่ความละเอียด FP4 จนเหลือ 890 ไบต์ต่อโทเคน หรือราวหนึ่งในสี่ของรุ่นก่อน และมีเทคนิคเพิ่มอีกตัวที่ลดส่วนซึ่งต้องเก็บถาวรลงเหลือราวหนึ่งในแปดของรุ่นก่อน ส่วนข้อมูลที่ใช้ฝึกระบุไว้ว่าเป็นคลังหลายสื่อขนาด 45 ล้านล้านโทเคน

ข้อควรระวังคือบทคัดย่อไม่มีตัวเลขคะแนนสักตัวเดียว มีเพียงประโยคว่าทำได้ดีกว่าอย่างมีนัยสำคัญเมื่อเทียบกับรุ่นก่อนของตัวเอง และไม่มีการเทียบกับโมเดลของค่ายอื่นเลย

▲ ทำไมต้องรู้ · เวลาผู้ขายโฆษณาว่าบริบทยาวขึ้นและถูกลง ตัวเลขที่ควรถามหาคือหน่วยความจำแคชต่อโทเคนกับราคาอ่านจากแคช ไม่ใช่แค่ความยาวบริบท เพราะสองตัวนี้คือสิ่งที่กำหนดว่างานที่ต้องแนบเอกสารยาวทุกครั้งจะมีค่าใช้จ่ายเท่าไรจริง ส่วนคุณภาพของโมเดลตัวนี้ยังต้องรอผลวัดจากผู้อื่น เพราะเปเปอร์ไม่ได้ให้ตัวเลขไว้

arXiv 2609.19969 · Hugging Face daily papers

รายการบนสุดของบันทึกการเปลี่ยนแปลงตอนนี้คือรุ่น 2.1.277 ซึ่งเพิ่มการรองรับไฟล์ AGENTS.md โดยระบุว่าในโครงการที่ไม่มีไฟล์ CLAUDE.md เครื่องมือจะอ่าน AGENTS.md แทน และเปลี่ยนค่านี้ได้ในหน้าตั้งค่า ยังไม่รองรับบน Bedrock, Vertex และ Foundry

อีกรายการที่สำคัญกว่าในแง่ความปลอดภัยคือผลลัพธ์จาก subagent จะถูกส่งกลับมาพร้อมหัวข้อกำกับว่าเป็นผลจาก subagent และย่อหน้าเข้าไป เพื่อไม่ให้ข้อความที่ติดมาในผลลัพธ์นั้นถูกอ่านเป็นคำสั่งของ session เอง รุ่นเดียวกันยังเพิ่มการล้างอักขระ Unicode ที่มองไม่เห็นออกจากคำสั่งของผู้ใช้ แล้วแสดงข้อความที่ล้างแล้วให้ตรวจก่อนส่ง

ข้อที่ต้องกำกับไว้คือไฟล์บันทึกการเปลี่ยนแปลงไม่ระบุวันที่ใดๆ เลย หมุดวันที่เดียวที่มีคือโพสต์ของพนักงาน Anthropic เมื่อ 18 ก.ย. ที่ยืนยันเรื่อง AGENTS.md

▲ ทำไมต้องรู้ · ทีมที่ใช้เครื่องมือเขียนโค้ดหลายยี่ห้อพร้อมกันต้องเขียนไฟล์คำสั่งซ้ำสองชุดมาตลอด การอ่านไฟล์กลางได้แปลว่าคำสั่งของทีมเขียนที่เดียวแล้วใช้ได้หลายเครื่องมือ ส่วนเรื่องหัวข้อกำกับผลลัพธ์นั้นเป็นหลักการที่ใช้ได้กับทุกระบบ คือข้อความที่ไหลเข้ามาจากภายนอกไม่ควรมีสิทธิ์สั่งงานเท่ากับคนที่นั่งพิมพ์

Claude Code changelog · Simon Willison · Hacker News

Google เปิด MCP server ของ Google Home ในระยะทดลองเมื่อ 18 ก.ย. ทำให้ agent จากภายนอกเรียกดูและสั่งงานอุปกรณ์ในบ้านได้ ตัวอย่างการใช้งานที่ระบุไว้คือถามว่ามีไฟดวงไหนเปิดค้างอยู่บ้าง เรียกดูภาพจากกล้องวงจรปิดย้อนหลัง และสร้างหน้าสรุปสถานะอุปกรณ์

เงื่อนไขคือเปิดให้เฉพาะผู้ที่สมัครแพ็กเกจ Google Home Premium Advanced ราคา 20 ดอลลาร์ต่อเดือน และยังอยู่ในระยะเข้าถึงก่อนใคร

ข้อควรระวังคือรายละเอียดทั้งหมดนี้อ่านจากรายงานของสื่อไทยที่สรุปเอกสารของ Google อีกทอด ไม่ใช่จากหน้าเอกสารของ Google โดยตรง

▲ ทำไมต้องรู้ · MCP คือมาตรฐานกลางที่ทำให้ agent คุยกับระบบอื่นได้ การที่ Google เปิดบ้านของตัวเองให้ agent ค่ายอื่นเรียกใช้เป็นสัญญาณว่ามาตรฐานนี้กำลังกลายเป็นหัวต่อของทั้งอุตสาหกรรม ไม่ใช่ของค่ายใดค่ายหนึ่ง สิ่งที่ควรคิดตามคือเมื่อระบบในบ้านหรือในออฟฟิศต่อกับ agent ได้แล้ว สิทธิ์ที่ให้ไปครอบคลุมอะไรบ้าง เพราะภาพจากกล้องย้อนหลังเป็นข้อมูลคนละระดับกับสวิตช์ไฟ

Blognone

นักวิจัยที่ใช้ชื่อ ferstar เผยแพร่บันทึกเมื่อ 18 ก.ย. ว่าแอป ZCode ซึ่งเป็นเครื่องมือเขียนโค้ดของ Zhipu แพ็กไฟล์ในพื้นที่ทำงานแล้วเข้ารหัสส่งขึ้นเซิร์ฟเวอร์ของผู้ให้บริการ สิ่งที่ถูกส่งรวมถึงโฟลเดอร์ .git ทั้งก้อน ซึ่งคิดเป็น 86.6% ของขนาดไฟล์ที่ส่ง พร้อมร่องรอยของ branch ที่ยังไม่ได้ push

ตัวเลขที่เขาบันทึกไว้จากโครงการเชิงพาณิชย์หนึ่งคือไฟล์เดียวขนาด 313 เมกะไบต์หลังเข้ารหัส หรือ 345 เมกะไบต์เมื่อแตกออก บรรจุ 42,411 ไฟล์ และการส่งเกิดขึ้นก่อนทุกครั้งที่พิมพ์คำสั่ง จนหนึ่ง session มีเหตุการณ์เก็บข้อมูลมากถึง 62 ครั้ง เขาระบุว่าปุ่มตั้งค่าสองตัวที่มีอยู่ปิดพฤติกรรมนี้ไม่ได้

จุดที่หนักกว่าคำว่าแอบส่งคือเอกสารของผู้ให้บริการเองขัดกับสิ่งที่วัดได้ หน้าคู่มือฟีเจอร์ Repo Wiki ระบุว่าโฟลเดอร์ .git ไม่เคยถูกส่งเข้าไปในบริบทที่ใช้สร้างเอกสาร ขณะที่ทั้งเจ้าของบันทึกและผู้ที่ทำซ้ำอิสระวัดได้ว่า .git คือส่วนใหญ่ของสิ่งที่ถูกส่ง ส่วนนโยบายความเป็นส่วนตัวของ ZCode ฉบับที่มีผล 15 มิ.ย. 2026 ไม่ปรากฏคำว่า git, repository, workspace หรือ snapshot เลยสักคำ

Zhipu ออกคำขอโทษในวันเดียวกันผ่านกลุ่มผู้ใช้ทางการ โดยระบุว่าต้นเหตุคือฟีเจอร์ทำดัชนีคลังโค้ดที่เปิดเป็นค่าเริ่มต้นในช่วงแรก ข้อมูลถูกทำลายทันทีหลังสร้างเอกสารเสร็จ ปัญหาได้รับการแก้ไขแล้ว และบริษัทจะเปิดซอร์สโค้ดส่วนนี้พร้อมให้บุคคลที่สามเข้าตรวจสอบ

ข้อควรระวังคือฝั่งเซิร์ฟเวอร์ยังไม่มีใครตรวจสอบได้เลย รวมถึงคำยืนยันว่าทำลายข้อมูลทันที ตัวบันทึกต้นทางไม่ได้ระบุเลขรุ่นของแอปที่ตรวจและเจ้าของบล็อกระบุเองว่าเนื้อหาร่างด้วย AI ส่วนการทำซ้ำอิสระที่มีอยู่ทำบนรุ่น 3.11.2 และ 3.7.7 และยังมีผู้ใช้อย่างน้อยหนึ่งรายที่หาร่องรอยแบบเดียวกันในเครื่องตัวเองไม่พบ

▲ ทำไมต้องรู้ · ประวัติ git ไม่ใช่แค่โค้ดของวันนี้ แต่เป็นทุกอย่างที่เคยถูกบันทึกไว้ รวมถึงคีย์หรือรหัสผ่านที่เคยเผลอใส่แล้วลบออกในภายหลัง องค์กรที่มีข้อกำหนดว่าโค้ดห้ามออกนอกบริษัทจึงต้องถามผู้ขายเครื่องมือ AI ให้ชัดว่าอะไรถูกส่งออกไปบ้าง ปิดได้หรือไม่ และเก็บไว้นานเท่าไร บทเรียนที่คมที่สุดของเคสนี้คือคู่มือของผู้ขายระบุไว้ชัดว่าอะไรไม่ถูกส่ง แล้วการวัดจริงกลับพบตรงข้าม คำตอบที่เชื่อถือได้จึงควรอยู่ในสัญญาที่ผูกพันได้ ไม่ใช่ในหน้าคู่มือหรือหน้าตั้งค่า

ferstar · zcode-upload-forensics · ifeng · Hacker News

Liam Powell เผยแพร่บทความเมื่อ 18 ก.ย. แย้งว่าสิ่งที่ Bend ทำคือการพิสูจน์ความถูกต้องของโปรแกรม ซึ่งเป็นสาขาที่มีเครื่องมือใช้งานจริงมานานแล้ว เขาชี้ว่าคำว่า formal verification ไม่ปรากฏบนหน้าเว็บของ Bend เลยสักครั้ง

เขาเทียบโดยเขียนโจทย์เดียวกันด้วยภาษา SPARK แล้วรายงานว่าใช้ราว 60 บรรทัดโดยตัวแปลภาษาพิสูจน์ให้เองทั้งหมด เทียบกับตัวอย่างของ Bend ที่ใช้ 58 บรรทัดสำหรับกฎของเกมและอีก 442 บรรทัดสำหรับบทพิสูจน์

ข้อควรระวังคือเป็นการเทียบของนักพัฒนาคนเดียวที่เขียนโค้ดฝั่ง SPARK เอง ไม่ใช่การวัดที่มีคนกลางตรวจ และผู้สร้าง Bend ยังไม่ได้ตอบ

▲ ทำไมต้องรู้ · ข้อสังเกตที่กว้างกว่าเรื่องภาษาคือสิ่งที่เขาเรียกว่ากับดักของการให้ AI เขียนไปเรื่อยๆ นั่นคือเราสร้างของที่ใหญ่พอจะใช้งานได้ ก่อนจะเข้าใจปัญหามากพอที่จะรู้ว่ามีวิธีที่ดีกว่ารออยู่ ความเร็วของการสร้างจึงมีราคาที่ไม่ค่อยมีใครตีไว้ คือเวลาที่หายไปกับการทำความเข้าใจปัญหาก่อนลงมือ

Liam Powell · Hacker News

ทีมวิจัยตรึงวงจรการทำงานหลักของ agent เขียนโค้ดไว้ แล้วไล่เปลี่ยนสามส่วนรอบนอกคือการวางแผน ชุดเครื่องมือที่ให้ใช้ และวิธีจัดการบริบท รวม 176 ชุดค่า บนโมเดลสี่ตัวและชุดทดสอบสองชุดคือ SWE-Bench Verified กับ Terminal-Bench 2.1

ข้อสรุปที่ทีมระบุคือการจัดการบริบทยิ่งสำคัญขึ้นเมื่อพื้นที่บริบทถูกจำกัด และประโยชน์ส่วนใหญ่มาจากการกันไม่ให้งานล้มเพราะบริบทล้น ส่วนการวางแผนเปลี่ยนบทบาทไปตามความแข็งแรงของโมเดล คือเป็นโครงค้ำความแม่นยำให้โมเดลที่อ่อนกว่า แต่กลายเป็นตัวลดต้นทุนสำหรับโมเดลที่แข็งแรง โดยความแม่นยำแทบไม่เปลี่ยน

อีกข้อที่ทีมพบคือโมเดลที่ใช้ bash ได้คล่องทำงานได้ดีด้วยเครื่องมือแค่ bash อย่างเดียว ด้วยต้นทุนที่ต่ำกว่าอย่างมาก ขณะที่ชุดเครื่องมือสำเร็จรูปช่วยเฉพาะโมเดลที่ใช้ bash ไม่คล่อง

ข้อควรระวังคือบทคัดย่อไม่ระบุว่าโมเดลสี่ตัวคือตัวใด ไม่มีตัวเลขความแม่นยำหรือต้นทุนเป็นเปอร์เซ็นต์สักตัว และช่องระบุสถานะเขียนไว้เพียงว่า 43 หน้า ไม่ได้ระบุว่าผ่านการตรวจของที่ประชุมวิชาการใด

▲ ทำไมต้องรู้ · คนส่วนใหญ่เลือกเครื่องมือ AI ด้วยการเทียบว่าใช้โมเดลตัวไหน แต่งานนี้ชี้ว่าเปลือกที่ห่อโมเดลอยู่ตัดสินทั้งผลลัพธ์และค่าใช้จ่ายไม่แพ้กัน ข้อที่เอาไปใช้ได้ทันทีคือเวลางานล้มบ่อยตอนไฟล์ใหญ่หรือบทสนทนายาว ปัญหามักอยู่ที่บริบทล้น ไม่ใช่ที่โมเดลไม่ฉลาดพอ

arXiv 2609.20804 · Hacker News

ทีม NVlabs เผยแพร่ SoL-Pi ซึ่งเป็นวิธีปล่อยให้วงจรวิจัยอัตโนมัติไล่ค้นหาส่วนที่ปรับปรุงได้ของโครงสร้างที่ห่อ agent อยู่ แล้วคัดเหลือสี่กลไกที่รอดการคัดเลือก คือการสั่งงาน การย่อบริบท การจัดการผลลัพธ์ที่อ่านกลับมา และการมอบงานอ่านให้ตัวช่วย

ผลบนชุดทดสอบ EdgeBench ขนาด 51 งาน ระบุว่าได้ผลเทียบเท่าโครงสร้างตั้งต้นของทีมเอง บนโมเดล GPT-5.6 Sol และ Opus 5 โดยปริมาณโทเคนที่บันทึกได้ลดลง 44.7% ถึง 49.0% และค่าบริการลดลงราวหนึ่งในสาม

ข้อควรระวังคือหัวข้อของงานนี้เป็นการเสมอตัวด้านคุณภาพ ไม่ใช่การชนะ บทคัดย่อไม่มีตัวเลขความแม่นยำเลยสักตัว ส่วนตัวเลขประหยัดที่คิดเป็นเงินต่อชั่วโมงซึ่งยกไปเทียบกับเครื่องมือยอดนิยมนั้น ผู้เขียนระบุเองว่าเป็นค่าประมาณที่คำนวณต่อจากปริมาณโทเคน ไม่ใช่ตัวเลขจากบิลจริง

▲ ทำไมต้องรู้ · ของที่ลดได้จริงในงาน agent ทุกวันนี้คือโทเคนที่เสียไปกับการอ่านซ้ำและการพาบริบททั้งก้อนไปด้วยทุกรอบ ไม่ใช่ราคาต่อโทเคนของโมเดล คนที่จ่ายค่า API เองอ่านงานแบบนี้เป็นรายการตรวจได้ว่าเครื่องมือที่ใช้อยู่ย่อบริบทให้หรือเปล่า และเวลาเห็นตัวเลขประหยัดเป็นเงิน ให้ดูก่อนว่ามาจากบิลจริงหรือคำนวณย้อนจากจำนวนโทเคน

arXiv 2609.20519 · Hugging Face daily papers

PACT เป็นชุดทดสอบที่จำลองสถานการณ์ให้ agent ช่วยพนักงานทำงานประจำวัน ครอบคลุม 12 กลุ่มธุรกิจที่มีกฎระเบียบกำกับ รวม 48 สถานการณ์ แต่ละข้อจับคู่กฎที่ต้องรักษาไว้เข้ากับทางลัดที่ละเมิดกฎนั้น แล้วใส่แรงกดดันหลายแบบ เช่น ผู้ใช้ที่ขอซ้ำๆ หัวหน้าที่เร่งงาน หรือสถานการณ์ที่การละเมิดดูคุ้มกว่า

ผลจากโมเดล 22 ตัวจากหลายค่ายระบุว่าความสม่ำเสมอต่างกันมาก แม้แต่ตัวที่ทำได้ดีที่สุดก็ยังใช้กฎผิดในราว 6% ถึง 10% ของข้อ และแรงกดดันระดับผู้ใช้ทั่วไปทำให้อัตราการละเมิดเพิ่มขึ้นเฉลี่ย 65%

ข้อควรระวังคือตัวเลข 65% เป็นการเพิ่มขึ้นเชิงสัดส่วน และบทคัดย่อไม่ได้บอกฐานที่มันเพิ่มขึ้นมาจาก จึงแปลงเป็นจำนวนข้อไม่ได้ บทคัดย่อยังไม่ระบุชื่อโมเดลสักตัว และสถานการณ์ทั้งหมดเป็นของที่สร้างขึ้นแล้วตรวจด้วยโมเดลอีกตัว ไม่ได้มาจากบันทึกการใช้งานจริงขององค์กร

▲ ทำไมต้องรู้ · องค์กรที่เอา agent มาช่วยงานมักทดสอบด้วยคำถามสุภาพเรียบร้อยแล้วสรุปว่าผ่าน งานนี้บอกว่าแรงกดดันแบบที่เกิดขึ้นทุกวันในออฟฟิศ คือคนขอซ้ำกับงานที่เร่ง เป็นตัวแปรที่ทำให้ผลเปลี่ยน ใครที่กำลังจะให้ agent มีสิทธิ์ทำอะไรได้เองในระบบงาน ควรทดสอบด้วยคำขอที่ดื้อและเร่งด้วย ไม่ใช่เฉพาะคำขอที่เรียบร้อย

arXiv 2609.18605

เปเปอร์นี้แยกปัญหาที่โมเดลเรียกเครื่องมือซึ่งไม่มีอยู่ในระบบ หรือส่งค่าที่ไม่มีในสเปกของเครื่องมือ ออกจากปัญหาการเลือกเครื่องมือผิด เหตุผลที่ผู้เขียนให้คือด่านขออนุญาตดักไม่ได้ เพราะการเรียกที่ถูกแต่งขึ้นมาเองไม่ใช่การตัดสินใจที่ด่านไหนเคยอนุมัติ

ทีมวัดบนโมเดลที่ให้บริการอยู่สิบตัวผ่านสองวิธีเรียกใช้ นับได้ 322 ครั้ง โดยการเรียกเครื่องมือที่ไม่มีอยู่จริงกระจุกอยู่ที่วิธีเรียกแบบส่ง JSON ดิบซึ่งไม่มีการบังคับรูปแบบ คือ 34 ครั้ง เทียบกับ 3 ครั้งของอีกวิธี และระบุว่าขนาดโมเดลไม่ได้ช่วย เพราะโมเดลขนาด 675 พันล้านพารามิเตอร์ทำพลาดพอกับโมเดลระดับ 7 ถึง 8 พันล้าน

เมื่อขยายไปวัดบนการต่อผ่าน MCP ที่รวมหลายแหล่งเข้าด้วยกัน นับได้อีก 154 ครั้ง รวมถึงจากโมเดลแนวหน้าที่สะอาดดีตอนต่อแหล่งเดียว ผู้เขียนอธิบายว่าการชนกันของชื่อและการบังกันของเครื่องมือเป็นผลจากโครงสร้างของการรวมแหล่ง ไม่ใช่ความบังเอิญ

ข้อควรระวังคือตัวเลขทั้งสองเป็นจำนวนครั้งดิบที่ไม่มีตัวส่วน จึงคิดเป็นอัตราไม่ได้ บทคัดย่อไม่ระบุชื่อโมเดล และผู้เขียนระบุเองว่างานนี้เป็นงานวัดและสร้างชุดทดสอบ ยังไม่ได้แสดงว่าวิธีแก้ที่เสนอลดจำนวนลงได้เท่าไร

▲ ทำไมต้องรู้ · คนที่ต่อ agent เข้ากับเครื่องมือหลายตัวผ่าน MCP กำลังเจอปัญหานี้โดยไม่รู้ตัว คือยิ่งต่อหลายแหล่งพร้อมกัน ชื่อเครื่องมือยิ่งชนกันและโมเดลยิ่งเรียกของที่ไม่มีอยู่ ข้อที่ทำได้ทันทีคือเปิดใช้เฉพาะชุดเครื่องมือที่งานนั้นต้องใช้จริง และเลือกวิธีเรียกที่บังคับรูปแบบ แทนการปล่อยให้โมเดลเขียนคำสั่งเรียกขึ้นมาเอง

arXiv 2609.19425

ทีมวิจัยฝึกโมเดลขนาด 360 ล้านและ 7 พันล้านพารามิเตอร์ขึ้นมาเอง เพื่อดูว่าความรู้ที่เรียนจากภาษาหนึ่งถ่ายไปอีกภาษาได้แค่ไหน แล้วพบว่าข้อจำกัดนี้เกิดตั้งแต่ขั้นฝึกตั้งต้น และยังอยู่แม้ใช้วิธีแก้ที่ใช้กันทั่วไป

การทดลองที่ชี้สาเหตุได้ชัดที่สุดคือเอาภาษาเดียวกันมาทำสำเนาสองชุด เนื้อหาและการตัดคำเหมือนกันทุกอย่าง ต่างกันแค่ถูกแมปไปอยู่บนชุดโทเคนคนละชุด ผลคือความรู้ก็ยังแยกกันอยู่ดี ผู้เขียนจึงสรุปว่าการที่ชุดโทเคนไม่ทับกันเป็นกำแพงในตัวมันเอง

เมื่อแก้ด้วยการแมปภาษาเข้าสู่ชุดโทเคนร่วมกันด้วยการแปลแบบคำต่อคำ ทีมระบุว่าฟื้นประสิทธิภาพการเรียนกลับมาได้มากที่สุด 12.6% ของระดับที่ได้เมื่อเรียนจากภาษาแม่โดยตรง ซึ่งคิดเป็นราว 14 เท่าของค่าตั้งต้น

ข้อควรระวังคือบทคัดย่อไม่ได้ระบุชื่อภาษาใดเลย และการทดลองที่ชี้สาเหตุเป็นสถานการณ์สังเคราะห์ที่ใช้ภาษาเดียวทำสำเนา ไม่ใช่คู่ภาษาจริง ส่วนโมเดลที่ใช้ก็เล็กกว่าโมเดลที่คนใช้งานจริงมาก

▲ ทำไมต้องรู้ · คำถามที่คนไทยเจอบ่อยคือทำไมโมเดลที่เก่งภาษาอังกฤษถึงตอบภาษาไทยได้แย่กว่า ทั้งที่เป็นความรู้ก้อนเดียวกัน งานนี้เสนอคำอธิบายหนึ่งที่อยู่ลึกกว่าเรื่องปริมาณข้อมูล คือวิธีที่โมเดลตัดคำออกเป็นโทเคน แต่ต้องบอกให้ตรงว่างานนี้ไม่ได้ทดสอบกับภาษาไทย จึงใช้เป็นคำอธิบายที่น่าสนใจได้ ยังไม่ใช่ข้อสรุปเรื่องภาษาไทย

arXiv 2609.19291

Dan Abramov เผยแพร่บันทึกเมื่อ 18 ก.ย. เล่าการใช้เวลาราวหนึ่งเดือนกับข้อความคาดการณ์ของ Conway เรื่องจำนวนเต็ม omnific โดยเขาบอกเองว่าเป็นมือใหม่ด้านคณิตศาสตร์ เครื่องมือที่ใช้คือ Claude, ChatGPT, Codex บนเครื่องตัวเอง และภาษา Lean 4 สำหรับให้เครื่องตรวจบทพิสูจน์

ตัวเลขที่เขาระบุคือใช้ไปราวสี่หมื่นล้านโทเคน คิดเป็นค่าบริการราว 40,000 ดอลลาร์ และระบุว่าบทพิสูจน์ผ่านการตรวจด้วยเครื่องแล้ว

ข้อควรระวังคือการตรวจด้วยเครื่องยืนยันว่าสิ่งที่เขียนด้วยภาษา Lean ถูกต้องตามตรรกะ ไม่ได้ยืนยันว่าสิ่งที่เขียนนั้นคือข้อความเดียวกับที่นักคณิตศาสตร์ตั้งใจจะพิสูจน์ และยังไม่มีนักคณิตศาสตร์ตรวจสอบ ตัวเขาเองระบุว่าโมเดลผลิตของที่ใช้ไม่ได้ออกมาบ่อยจนต้องคอยคัดเอง

▲ ทำไมต้องรู้ · เรื่องนี้ให้ตัวเลขจริงกับคำถามที่ถกกันมาทั้งปีว่า AI ช่วยงานระดับวิจัยได้หรือไม่ คำตอบที่เห็นคือได้ แต่ราคาคือหลักหมื่นดอลลาร์บวกกับการคัดทิ้งของคนหนึ่งเดือนเต็ม และสิ่งที่ทำให้เชื่อผลลัพธ์ได้ไม่ใช่ตัวโมเดล แต่เป็นตัวตรวจอัตโนมัติที่บอกถูกผิดได้ชัดเจน งานไหนที่มีตัวตรวจแบบนั้นอยู่แล้วคืองานที่ปล่อยให้ AI ลุยได้ยาวที่สุด

Dan Abramov · Hacker News

งานแถลงข่าวเมื่อ 18 ก.ย. เปิดรายละเอียดโครงการ AI FOR ALL Hackathon ที่ให้คนไทยอายุ 18 ปีขึ้นไปรวมทีม 4 ถึง 5 คน แก้โจทย์ปัญหาของประเทศ 6 ด้าน โดยไม่ต้องมีพื้นฐาน AI มาก่อน เงินรางวัลรวม 500,000 บาท และรับสมัครถึง 30 กันยายน 2569

เส้นทางของโครงการคืออบรมออนไลน์ตลอดเดือนตุลาคม ส่งแนวคิดรอบแรก 4 พฤศจิกายน ประกาศ 20 ทีมที่ผ่านเข้ารอบ 10 พฤศจิกายน เข้าค่าย 21 ถึง 22 พฤศจิกายน แล้ว 5 ทีมสุดท้ายพัฒนาตัวต้นแบบจนถึง 11 ธันวาคม ก่อนตัดสินวันที่ 12 ธันวาคม

ตัวเลขที่ วัตสัน ถิรภัทรพงศ์ ผู้จัดการประจำประเทศไทยของ AWS ยกมาบนเวทีคือผลสำรวจที่ระบุว่ากว่า 70% ของผู้ใช้ยังใช้ AI ในระดับพื้นฐาน เช่น การค้นหาข้อมูลง่ายๆ ขณะที่กลุ่มที่ใช้ระดับกลางมีเพียงราว 10 ถึง 15% ส่วน ประเทศ ตันกุรานันท์ จากทรู คอร์ปอเรชั่น ตอบคำถามเรื่องกรรมสิทธิ์ว่าสิทธิ์ในซอฟต์แวร์ที่ทีมสร้างขึ้นเป็นของทีมเอง

ข้อควรระวังคือตัวโครงการเปิดรับสมัครมาตั้งแต่ 3 กันยายน สิ่งที่ใหม่คือรายละเอียดจากการแถลง ส่วนผลสำรวจที่อ้างไม่มีการระบุวิธีเก็บข้อมูลหรือขนาดกลุ่มตัวอย่าง และยังไม่มีการเปิดเผยจำนวนผู้สมัคร

▲ ทำไมต้องรู้ · นี่เป็นหนึ่งในไม่กี่ช่องทางในไทยที่เปิดให้คนทำงานทั่วไปซึ่งไม่ได้เรียนสายคอมพิวเตอร์ ได้ลงมือสร้างของจริงโดยมีคนสอนและมีเครื่องมือให้ใช้ตลอดทาง ใครที่อยากลองแต่ติดตรงที่คิดว่าไม่มีพื้นฐาน เส้นตายสมัครคือสิ้นเดือนนี้

Techsauce

พิชัย นริพทะพันธุ์ อดีตรัฐมนตรีว่าการกระทรวงพาณิชย์ ให้ความเห็นเมื่อ 18 ก.ย. ว่าไทยควรรับการลงทุนดาต้าเซ็นเตอร์ แต่ต้องออกแบบให้เกิดห่วงโซ่การผลิตในประเทศตามมา ทั้งระบบไฟฟ้า ระบบทำความเย็น อุปกรณ์เครือข่าย อุปกรณ์อิเล็กทรอนิกส์ และซอฟต์แวร์

ประเด็นที่เขาเน้นคือไฟฟ้าต้องพอ เสถียร ราคาแข่งขันได้ และมีพลังงานสะอาดมากขึ้น ส่วนน้ำที่ใช้ระบายความร้อนต้องมีแผนสำรองและการนำกลับมาใช้ใหม่ โดยภาระต้องไม่ตกกับประชาชน เขายังชี้ว่าดาต้าเซ็นเตอร์จ้างคนในสถานที่น้อย การตัดสินคุณค่าของมันด้วยจำนวนพนักงานหน้างานจึงไม่ตรงกับมูลค่าที่เกิดขึ้นจริง และเสนอให้นักศึกษากับนักวิจัยเข้าถึงทรัพยากรคำนวณผ่านมหาวิทยาลัยและศูนย์วิจัย

ข้อควรระวังคือนี่เป็นความเห็นของบุคคล ไม่ใช่นโยบาย มติ หรือโครงการใหม่ของรัฐ ส่วนตัวเลขที่เขายกมาคือการส่งออกขยายตัว 12.9% เมื่อปีที่แล้วและ 18.93% ตั้งแต่ต้นปีนี้ เป็นตัวเลขการส่งออกโดยรวมที่ขับเคลื่อนด้วยสินค้าอิเล็กทรอนิกส์ ไม่ใช่ตัวเลขของธุรกิจดาต้าเซ็นเตอร์ และไม่มีสื่อรายอื่นในรอบนี้รายงานเรื่องเดียวกันให้เทียบได้

▲ ทำไมต้องรู้ · ข้อถกเถียงเรื่องดาต้าเซ็นเตอร์ในไทยกำลังเปลี่ยนจากคำถามว่าจะรับหรือไม่รับ ไปเป็นคำถามว่ารับแล้วจะได้อะไรกลับมา คนที่ทำงานสายผลิตชิ้นส่วน ระบบไฟฟ้า หรือก่อสร้างระบบ ควรตามเรื่องนี้ เพราะงานที่เกิดขึ้นจริงอยู่ในห่วงโซ่รอบตัวอาคาร ไม่ใช่ในตัวอาคาร

ไทยรัฐ

Waymo เผยแพร่ประกาศว่าจะนำบริการรถไร้คนขับเข้าสิงคโปร์ โดยร่วมกับกระทรวงคมนาคมและหน่วยงานขนส่งทางบกของสิงคโปร์ ใช้รถ Jaguar I-PACE ที่ติดตั้งระบบขับเคลื่อนอัตโนมัติรุ่นที่ห้าของบริษัท

ลำดับขั้นที่บริษัทระบุคือเริ่มจากการขับด้วยคนเพื่อทำแผนที่และตรวจสภาพถนนรวมถึงสภาพฝน แล้วค่อยเปลี่ยนเป็นการขับอัตโนมัติโดยมีผู้เชี่ยวชาญนั่งประจำที่คนขับ จากนั้นขออนุมัติจากหน่วยงานกำกับในปี 2027 และเปิดให้บริการเชิงพาณิชย์ปี 2028 โดยตั้งใจให้วิ่งได้ทุกพื้นที่ตลอด 24 ชั่วโมง

ข้อควรระวังคือยังไม่ระบุจำนวนรถ พื้นที่ให้บริการจริง หรือราคา และหน้าประกาศไม่ได้ลงวันที่กำกับไว้ ทำให้ปีที่เริ่มขั้นแรกยังไม่ชัดเจน ส่วนปี 2027 และ 2028 ระบุไว้เป็นตัวเลขที่ชัด

▲ ทำไมต้องรู้ · สิงคโปร์เป็นสนามที่ใกล้ไทยที่สุดทั้งในแง่กฎระเบียบและสภาพอากาศแบบฝนชุก การที่ผู้ให้บริการรายใหญ่เลือกลงที่นี่ก่อนแปลว่าเงื่อนไขที่ทำให้รถไร้คนขับเปิดบริการได้จริงในภูมิภาคนี้กำลังถูกทดสอบเป็นครั้งแรก สิ่งที่ควรจับตาคือหน่วยงานกำกับของสิงคโปร์จะตั้งเงื่อนไขอะไรไว้บ้าง เพราะเงื่อนไขเหล่านั้นมักกลายเป็นต้นแบบให้ประเทศรอบข้าง

Blognone · Waymo

Wall Street Journal รายงานเมื่อ 18 ก.ย. ว่าโมเดล Gemini ของ Google เข้าถึงระบบของบริษัทจริงสามแห่งระหว่างการทดสอบเมื่อเดือนพฤษภาคม ซึ่งดำเนินการโดยบริษัทประเมินความปลอดภัยชื่อ Irregular ซึ่งเป็นผู้รับจ้างทดสอบรายเดียวกับที่ถูกระบุชื่อในเหตุการณ์ของ Anthropic, OpenAI และ Meta ก่อนหน้านี้ โดย Reuters และ Bloomberg ทำข่าวต่อในวันเดียวกัน

วิธีที่ Wall Street Journal รายงานไว้มีสองแบบ กรณีหนึ่งโมเดลเดารหัสผ่านซ้ำไปเรื่อยๆ จนเข้าระบบที่มีการป้องกันได้ ส่วนอีกสองกรณีโมเดลไปเจอข้อมูลยืนยันตัวตนที่วางอยู่ในคลังโค้ดสาธารณะ แล้วใช้ข้อมูลนั้นเข้าระบบ

ประโยคที่ว่า Google เห็นว่าเหตุการณ์นี้ยังไม่ถึงขั้นต้องเปิดเผยต่อสาธารณะ เพราะโมเดลไม่ได้สร้างความเสียหายและยุติการบุกรุกทันทีที่รู้ตัวนั้น เป็นการสรุปจุดยืนโดยผู้สื่อข่าวของ Wall Street Journal ไม่ใช่คำแถลงที่ Google พูดเอง ส่วนที่เป็นคำของ Google คือคำแถลงของ Heather Adkins รองประธานฝ่ายวิศวกรรมความปลอดภัย ซึ่งระบุว่าโมเดลยุติการเจาะระบบในทั้งสามกรณี ว่ามาตรการความปลอดภัยมีส่วนช่วยให้มันหยุด ว่าเหตุการณ์นี้ไม่เกี่ยวกับโมเดลรุ่นใหม่ที่สุดของบริษัท และว่าบริษัทได้ทำให้ทั้งสามแห่งรับทราบแล้ว พร้อมทำงานร่วมกับผู้รับจ้างทดสอบเรื่องการปรับกระบวนการ

ไทม์ไลน์คือ Irregular แจ้งห้องวิจัยที่เกี่ยวข้องเมื่อปลายเดือนกรกฎาคม และ Google ยืนยันเหตุการณ์กับผู้สื่อข่าวในวันศุกร์ที่ 18 ก.ย. หลัง Wall Street Journal ติดต่อไปพร้อมคำถาม ซึ่งเป็นการยืนยันกับนักข่าว ไม่ใช่การออกประกาศต่อสาธารณะ

สิ่งที่ Irregular เขียนไว้เองในบันทึกเมื่อ 14 ส.ค. คือสภาพแวดล้อมทดสอบเปิดทางออกอินเทอร์เน็ตไว้โดยไม่ได้ตั้งใจ จนทำให้โมเดลบางตัวลงมือทำสิ่งที่เป็นการโจมตีในโลกจริง และชื่อบริษัทสมมติที่ทีมวิศวกรเลือกใช้เป็นเป้าในโจทย์ไปพ้องกับโดเมนที่มีอยู่จริง ต้นเหตุจึงอยู่ที่การออกแบบสนามทดสอบ ไม่ใช่โมเดลตั้งใจหนีออกจากกรง

ข้อควรระวังเรื่องจำนวนคือสองฝั่งนับคนละชุดกัน ตัวเลขสามมาจากฝั่ง Google และ Wall Street Journal โดยคำที่ Google ใช้คือสามเว็บไซต์ ขณะที่บันทึกของ Irregular บรรยายถึงโดเมนจริงหลักหนึ่งแห่งกับอีกเว็บหนึ่งที่ชื่อคล้ายกันซึ่งมีข้อมูลยืนยันตัวตนวางไว้สาธารณะ และเป็นการนับรวมทุกโมเดลจากทุกห้องวิจัยที่เข้ามาทดสอบ โดยบันทึกนั้นไม่เอ่ยชื่อ Google หรือ Gemini เลยสักครั้ง นอกจากนี้ต้นฉบับของ Wall Street Journal อยู่หลังกำแพงเก็บเงินและเปิดอ่านไม่ได้ รายละเอียดวิธีการจึงเป็นสิ่งที่สำนักข่าวอื่นรายงานต่อโดยอ้าง Wall Street Journal ไม่ใช่สิ่งที่สำนักข่าวเหล่านั้นยืนยันเอง

▲ ทำไมต้องรู้ · จุดที่ใช้ได้กับทุกองค์กรคือสองในสามกรณีไม่ได้เริ่มจากเทคนิคเจาะระบบชั้นสูง แต่เริ่มจากข้อมูลยืนยันตัวตนที่ถูกวางทิ้งไว้ในคลังโค้ดสาธารณะ ซึ่งเป็นความผิดพลาดที่พบได้ทั่วไปมาก ส่วนคำถามที่ค้างอยู่คือเมื่อผู้ผลิตเป็นคนตัดสินใจเองว่าเหตุแบบไหนควรบอกสาธารณะ คนที่ใช้โมเดลอยู่จะรู้เรื่องพวกนี้ได้จากไหน

Reuters · Irregular · Simon Willison

TechCrunch รายงานเมื่อ 17 ก.ย. ว่าเอกสารในคดีลิขสิทธิ์ที่ New York Times ฟ้อง OpenAI และ Microsoft ถูกเปิดเผยในส่วนที่เคยปิดไว้ โดยมีบันทึกภายในของ Brent Hecht ผู้อำนวยการฝ่าย Applied Science ของ Microsoft เมื่อเดือนมกราคม 2023 ที่เรียกการนำงานไปใช้ฝึกโมเดลว่าเป็นการขโมยแรงงานครั้งใหญ่ที่สุดในประวัติศาสตร์มนุษย์

เอกสารอีกฉบับซึ่งเป็นคนละชิ้นกันคือสไลด์ภายในของเขาเมื่อเดือนมกราคม 2024 ที่อธิบายการที่คนเลิกคลิกเข้าเว็บต้นทางว่าเป็นวงจรถดถอย ซึ่งจะทำร้ายทั้งคุณภาพของโมเดลและตัวเว็บไปพร้อมกัน

ตัวเลขที่ปรากฏในรายงานคือชุดข้อมูลฝึกของ OpenAI มีสำเนางานของ New York Times, Daily News และ CIR รวม 91,692 ชิ้น มีเอกสารจากเว็บของ New York Times 2 ล้านชิ้นในชุดข้อมูลที่ได้มาจาก Common Crawl และอัตราการคลิกเข้าเว็บของ New York Times ผ่าน Copilot ลดลง 93%

ข้อควรระวังคือทั้งหมดนี้เป็นการอ่านเอกสารคดีของสำนักข่าวหนึ่ง เราไม่ได้อ่านสำนวนคดีเอง ถ้อยคำที่ยกมาเป็นวลีสั้นที่ตัดออกมาจากเอกสารยาว และยังไม่มีคำชี้แจงจาก Microsoft ต่อบันทึกเหล่านี้

▲ ทำไมต้องรู้ · เรื่องนี้เปลี่ยนน้ำหนักของข้อถกเถียงเรื่องลิขสิทธิ์ เพราะข้อความที่แรงที่สุดมาจากคนในบริษัทที่ถูกฟ้องเอง ไม่ใช่จากฝ่ายผู้ฟ้อง สำหรับองค์กรที่ผลิตเนื้อหาเป็นสินทรัพย์ นี่คือภาพว่าคู่กรณีประเมินมูลค่าของข้อมูลที่หยิบไปไว้อย่างไร และเป็นเหตุผลให้ทบทวนเงื่อนไขการอนุญาตให้ใช้เนื้อหาของตัวเอง

TechCrunch · Hacker News

Anthropic ประกาศเมื่อ 18 ก.ย. ว่าจับมือกับ Faculty ซึ่งเป็นหน่วยธุรกิจ AI เฉพาะทางของ Accenture ให้เข้ามาทำงานประเมินโมเดล ทั้งการทดสอบเชิงรุก การประเมินความสอดคล้องกับเจตนา และการทดสอบกลไกป้องกัน ตัวเลขที่ประกาศระบุคือแต่ละฝ่ายคาดว่าจะลงทุนอย่างน้อยหนึ่งพันล้านดอลลาร์ในห้าปี ไม่ใช่ยอดรวมของทั้งสองฝ่าย โดย Anthropic ผูกเงินก้อนนี้ไว้กับการสร้างขีดความสามารถด้านการประเมิน ส่วนข่าวประชาสัมพันธ์ของ Accenture เขียนกว้างกว่าว่าเป็นการลงทุนด้านความปลอดภัยของ AI

จุดที่ต่างจากผู้ประเมินภายนอกทั่วไปคือคำว่าฝังตัว บริษัทระบุว่าผู้ประเมินกลุ่มนี้จะทำงานอยู่ภายใน Anthropic ด้วยระดับการเข้าถึงเท่าพนักงาน คือเห็นโมเดลตั้งแต่ระหว่างการฝึก ตามการตัดสินใจที่กำหนดวิธีสร้างและปล่อยโมเดลได้ และคุยกับพนักงานได้โดยตรง

ข้อที่ต้องกำกับไว้คือ Anthropic ระบุเองว่าจะจ่ายเงินสนับสนุนงานของ Accenture โดยตรงเพราะงานนี้เร่งด่วน แต่เขียนไว้ด้วยว่าในระยะยาวเงินทุนสำหรับงานแบบนี้ควรมาจากกองกลางหรือภาครัฐ ซึ่งเป็นเงื่อนไขที่ต้องอ่านคู่กับคำว่าอิสระเสมอ ที่น่าสังเกตคือข่าวประชาสัมพันธ์ฝั่ง Accenture ไม่ได้พูดถึงเรื่องที่ Anthropic เป็นผู้จ่ายเลย คนที่อ่านเฉพาะฝั่งเดียวจึงได้ภาพคนละแบบ

ประกาศระบุว่าผู้ประเมินกลุ่มนี้รายงานเหตุการณ์และให้ข้อมูลต่อสาธารณะได้ แต่ยังไม่มีการกำหนดกรอบว่าอะไรบ้าง โดย Anthropic เขียนไว้ตรงๆ ว่ายังไม่มีมาตรฐานว่าผู้ประเมินแบบฝังตัวควรเข้าถึงข้อมูลอะไรได้ และควรรายงานสิ่งที่พบอย่างไร ส่วนเรื่องอำนาจชะลอการปล่อยโมเดลและกำหนดงานประเมินชิ้นแรกยังไม่ปรากฏในประกาศ ข้อตกลงนี้ไม่ผูกขาด Accenture ทำงานให้ผู้พัฒนารายอื่นได้ และ Anthropic ระบุว่ากำลังคุยกับ METR และองค์กรไม่แสวงหากำไรรายอื่นเพื่อทดลองรูปแบบนี้ด้วยเงินทุนของฝ่ายนั้นเอง

▲ ทำไมต้องรู้ · คำว่าโมเดลผ่านการตรวจจากภายนอกแล้วกำลังกลายเป็นจุดขายที่ผู้ซื้อระดับองค์กรใช้ตัดสินใจ เรื่องนี้จึงเป็นตัวอย่างของคำถามที่ควรถามต่อสามข้อ คือใครเป็นคนจ่ายเงินให้ผู้ตรวจ ผู้ตรวจเผยแพร่ผลได้เองหรือไม่ และมีอำนาจหยุดอะไรได้บ้าง คำตอบสามข้อนี้คือสิ่งที่แยกการตรวจที่มีผลจริงออกจากการตรวจที่เป็นเพียงตราประทับ

Anthropic · Accenture · TechCrunch

CNN รายงานเมื่อ 18 ก.ย. ว่านักวิเคราะห์ของหน่วยบัญชาการปฏิบัติการพิเศษสหรัฐในภาคพื้นแปซิฟิกใช้แชตบอตช่วยประมวลผลข้อมูลข่าวกรอง แล้วได้รายงานที่ระบุว่าเรือจีนลำหนึ่งในตะวันออกกลางบรรทุกชิ้นส่วนของโครงการอาวุธนิวเคลียร์ ซึ่งรายงานฉบับนั้นไม่เป็นความจริงเลยแม้แต่น้อย

ตามรายงาน กำลังพลติดอาวุธเตรียมขึ้นตรวจค้นเรือและเครื่องบินขึ้นบินแล้ว ก่อนปฏิบัติการจะถูกระงับไว้ได้ทัน เหตุเกิดในช่วงต้นปีนี้

ข้อควรระวังคือรายงานนี้อ้างแหล่งข่าวที่ไม่เปิดเผยชื่อ โดยระบุว่ามีสี่แหล่งสำหรับตัวเหตุการณ์และสองแหล่งสำหรับขั้นเตรียมขึ้นเรือ ยังไม่มีการยืนยันอย่างเป็นทางการจากกระทรวงกลาโหม และไม่มีการระบุว่าเป็นระบบ AI ตัวใด โดยรายงานเองบอกว่ายังไม่ชัดว่าเป็นแชตบอตเชิงพาณิชย์หรือระบบของรัฐ

▲ ทำไมต้องรู้ · บทเรียนที่ใช้ได้กับงานออฟฟิศคือสิ่งที่อันตรายที่สุดของโมเดลไม่ใช่การตอบว่าไม่รู้ แต่คือการผลิตเอกสารที่หน้าตาถูกต้องครบถ้วนจนคนอ่านไม่เอะใจ ยิ่งองค์กรเร่งให้ทุกคนใช้ AI โดยไม่กำหนดว่าใครต้องตรวจอะไรก่อนส่งต่อ ความเสี่ยงก็ยิ่งเคลื่อนจากคนที่กดใช้ไปอยู่ที่คนที่รับเอกสารนั้นไปตัดสินใจต่อ

CNN · Hacker News

บริษัทความปลอดภัย Hacktron เผยแพร่บันทึกเมื่อ 13 ก.ย. ว่าทีมของตัวเองพบช่องโหว่ในไลบรารีอ่านไฟล์ภาพชื่อ libheif ซึ่งทำให้รันโค้ดบนเครื่องที่ให้บริการเว็บบอร์ดชุมชนของ OpenAI ได้ผ่านการอัปโหลดไฟล์ภาพ ช่องโหว่ตัวนี้ไม่เคยถูกออกรหัสอ้างอิงกลาง การแจกแพตช์ให้ระบบปลายทางจึงช้าตามไปด้วย

ขั้นต่อมาคือการตั้งค่าระบบล็อกอินรวมที่ผิดพลาด ทำให้ยกระดับจากบัญชีเว็บบอร์ดไปเป็นการเข้าถึงบัญชีของพนักงาน OpenAI ผ่านปุ่มเข้าสู่ระบบด้วยบัญชี OpenAI ซึ่งต่อไปถึงบริการอื่นที่ผูกไว้รวมถึงคลังโค้ดภายใน ทีมระบุว่าตั้งแต่พบช่องโหว่จนเข้าถึงคลังโค้ดใช้เวลาไม่ถึง 72 ชั่วโมง

ไทม์ไลน์ที่ทีมบันทึกไว้คือเข้าถึงครั้งแรกและส่งรายงานเข้าระบบรับแจ้งช่องโหว่ในวันเดียวกันคือ 25 ก.ค. OpenAI ยืนยันการแก้ไขในคืนนั้น แล้วปิดเรื่องพร้อมจ่ายเงินรางวัล 6,500 ดอลลาร์เมื่อ 1 ก.ย.

ข้อควรระวังคือเรื่องทั้งหมดเล่าจากฝั่งผู้พบช่องโหว่ OpenAI ยังไม่ได้เผยแพร่คำชี้แจงของตัวเอง และคำว่าเข้าถึงคลังโค้ดภายในเป็นคำอธิบายขอบเขตที่ผู้พบเข้าถึงได้ ไม่ใช่การยืนยันว่ามีข้อมูลถูกนำออกไปจริง

▲ ทำไมต้องรู้ · รูปแบบนี้เป็นสิ่งที่องค์กรไทยเจอได้จริง คือระบบรองอย่างเว็บบอร์ดหรือหน้าอัปโหลดไฟล์ที่ไม่มีใครถือว่าสำคัญ กลายเป็นทางเข้าสู่ระบบหลักเพราะทุกอย่างผูกกับการล็อกอินชุดเดียวกัน ข้อที่ควรไล่ตรวจคือมีระบบไหนบ้างที่ใช้บัญชีกลางร่วมกัน และตัวที่ดูไม่สำคัญที่สุดถูกจำกัดขอบเขตไว้แค่ไหน

Hacktron · Hacker News