AI News · 2026-09-21

Qwen-Image-2.1 ออกเมื่อ 20 ก.ย. ซึ่งเป็นวันที่ยืนยันตรงกันสามทาง คือไฟล์สัญญาอนุญาตเขียนกำกับว่า Release Date: September 20, 2026 บันทึกการเปลี่ยนแปลงบน GitHub ของทีมเขียนว่าปล่อยวันเดียวกัน และคลังต่อยอดที่คนอื่นทำไว้ทั้งชุดถูกสร้างในวันนั้น จุดขายคือรวมงานสร้างภาพจากข้อความกับงานแก้ภาพไว้ในโมเดลตัวเดียว เอกสารของบริษัทระบุว่าสร้างภาพโปร่งใสแบบ RGBA จากข้อความได้ แก้ชั้นที่โปร่งใสได้ และแยกวัตถุออกจากภาพถ่ายได้ ส่วนที่ทำงานด้านภาพมีพารามิเตอร์ 7 พันล้านตัว โดยยังมีตัวเข้ารหัสข้อความแยกอยู่ต่างหาก และงานแก้ภาพรับภาพอ้างอิงได้ถึงสิบภาพพร้อมคำสั่งเจาะจงจุดที่ต้องการแก้

ข้อที่ต้องอ่านให้ครบคือสัญญาอนุญาต ไฟล์ LICENSE ในคลังมีหัวเรื่องว่า Qwen RESEARCH LICENSE AGREEMENT และข้อ 2(b) เขียนว่า "You shall not use the Materials for any commercial purpose without obtaining a separate commercial license from us" ที่สำคัญกว่านั้นคือข้อ 1 นิยามคำว่าไม่ใช่การค้าไว้แคบกว่าที่คนทั่วไปเข้าใจ คือ "for research or evaluation purposes only" แปลว่างานที่ไม่เก็บเงินแต่ไม่ใช่งานวิจัยหรือการประเมิน เช่น เอาไปทำบริการฟรีหรือใช้ในงานมูลนิธิ ก็อยู่นอกสิทธิที่ได้รับไปด้วย และไม่มีเพดานผ่อนผันเรื่องจำนวนผู้ใช้หรือรายได้ใดๆ ในไฟล์เลย ต่างจากโมเดลตระกูล Qwen-Image รุ่นก่อนทั้งสายที่ใช้ Apache-2.0

จุดที่ทำให้เรื่องนี้พลาดกันง่ายคือคลังไม่ได้ล็อกให้กดยอมรับก่อนโหลด ใครก็โหลดไฟล์ไปได้ทันที แต่ตัวสัญญาเขียนเองว่าการใช้หรือเผยแพร่ส่วนใดก็ตามถือว่ายอมรับเงื่อนไขแล้ว และหน้าเอกสารของโมเดลไม่มีหัวข้อบอกขอบเขตการใช้งานเลย มีเพียงบรรทัดเดียวที่ลิงก์ไปยังไฟล์สัญญา ขณะที่ข้อความโปรโมทในหน้าเดียวกันเขียนว่า open-source

ข้อควรระวังอีกข้อคือหน้าเอกสารของโมเดลไม่มีตารางเทียบคะแนนกับคู่แข่งเลยแม้แต่ตารางเดียว คำบรรยายคุณภาพในหน้าโมเดลจึงเป็นถ้อยคำของผู้ผลิตเองทั้งหมด ยังไม่มีการประเมินระดับสถาบันออกมา ที่มีคือการวัดขนาดเล็กโดยบุคคลที่สาม ซึ่งเจ้าของชุดเทียบคะแนนรายหนึ่งรายงานผลไว้ในวงสนทนาว่าได้ 7 จาก 15 ข้อ และตัวเลขนี้เรายังไม่ได้เปิดหน้าต้นทางตรวจเอง

▲ ทำไมต้องรู้ · คำว่าเปิดซอร์สในข่าวโมเดลไม่ได้แปลว่าเอาไปใช้ในงานที่มีคนจ่ายเงินได้ ถ้าจะเอาโมเดลสร้างภาพไปทำงานลูกค้าหรือใส่ในผลิตภัณฑ์ ต้องเปิดไฟล์สัญญาอนุญาตอ่านด้วยตาตัวเองก่อนทุกครั้ง เพราะรุ่นที่ออกทีหลังของตระกูลเดียวกันเปลี่ยนเงื่อนไขได้ และการที่ไม่มีปุ่มให้กดยอมรับก็ไม่ได้แปลว่าไม่มีเงื่อนไข สำหรับคนที่ต้องใช้ภาพโปร่งใสในงานที่มีรายได้จริง ทางที่ถูกกติกาคือย้อนไปใช้รุ่นก่อนในสายเดียวกันที่ยังเป็น Apache-2.0

Hugging Face · LICENSE · Hacker News

นักวิจัยอิสระที่ใช้นามแฝงว่า Buchodi เผยแพร่รายงานเมื่อ 20 ก.ย. ว่าพบคุกกี้ชื่อ __obi บนโดเมน openai.com ตั้งค่าแบบส่งข้ามเว็บได้และมีอายุหนึ่งปี ตัวคุกกี้ถูกออกให้ผ่านปลายทางฝั่งบัญชีของ ChatGPT แล้วมีสคริปต์ของฝั่งโฆษณาที่ทำหน้าที่ส่งค่ากลับไปที่ตัวเก็บข้อมูลของ OpenAI เอง สิ่งที่ยืนยันได้จากเอกสารของ OpenAI เองคือมีผลิตภัณฑ์วัดผลโฆษณาอยู่จริงและใช้โดเมนเก็บข้อมูลชุดเดียวกับที่รายงานระบุ แต่ชื่อคุกกี้ __obi กับปลายทางที่ใช้ซิงก์ไม่ปรากฏในเอกสารนั้นเลย

ตัวเลขที่รายงานไว้ต้องอ่านพร้อมขอบเขตของมัน ส่วนที่ผู้เขียนทำเองบนเครื่องตัวเองคือเห็นค่าคุกกี้ค่าเดียวถูกส่งไปที่ OpenAI จากเว็บพาณิชย์ 12 แห่งใต้รหัสพิกเซล 13 รหัส ซึ่งรวมชื่ออย่าง Chewy, Wayfair, ThriftBooks, Eventbrite, HelloFresh, Coursera และ SeatGeek ส่วนตัวเลขที่ใหญ่กว่านั้นเป็นการเทียบกับกองทราฟฟิกที่เก็บไว้ก่อนหน้าหลายเดือน ซึ่งครอบคลุมพิกเซลของผู้ลงโฆษณา 936 ตัวบนชื่อโฮสต์ 1,029 ชื่อ และรายงานไม่ได้บอกว่าทราฟฟิกกองนั้นเป็นของใครหรือเก็บมาอย่างไร ในกองเดียวกันนี้เขารายงานว่าถอดรหัสโทเคนที่ใช้ซิงก์ได้ 932 ชิ้น โดย 736 ชิ้นผูกกับบัญชีและ 196 ชิ้นเป็นแบบไม่ระบุตัว และจากค่าคุกกี้ที่ต่างกัน 30 ค่า มี 12 ค่าที่โผล่ใต้ผู้ลงโฆษณามากกว่าหนึ่งราย โดยมีค่าหนึ่งโผล่ใต้ถึงสิบราย ประโยคสรุปของผู้เขียนคือ "OpenAI can connect what you do on those sites to your ChatGPT account"

สิ่งที่ผู้เขียนกำกับไว้เองคือเขาไม่ได้เห็นการเชื่อมข้อมูลเกิดขึ้นจริง เขาเขียนว่า "The join is not observed" แล้วต่อทันทีว่าการที่ฝั่งเซิร์ฟเวอร์เอาไปผูกกับบัญชีนั้นตามมาจากการออกแบบ และเขาไม่ได้เฝ้าดูมันเกิดขึ้น อีกข้อที่ต้องกำกับให้ตรงคือรายงานไม่ได้กล่าวหาว่า OpenAI ขายหรือแบ่งข้อมูลให้ผู้ลงโฆษณา ผู้เขียนเขียนตรงข้ามว่าฝั่งผู้ลงโฆษณาอ่านคุกกี้ตัวนี้ไม่ได้เพราะอยู่บนโดเมนที่สคริปต์ของพวกเขาเข้าไม่ถึง ทิศทางของข้อมูลจึงเป็นทางเดียวเข้าหาตัวเก็บข้อมูลของ OpenAI

ข้อควรระวังที่เหลือมีสามข้อ หนึ่งคือรายงานไม่ได้พิสูจน์ว่าพฤติกรรมนี้เปิดเป็นค่าเริ่มต้นหรือผูกกับการตั้งค่าหรือผูกกับภูมิภาค จึงยังสรุปฝั่งใดไม่ได้ ตัวผู้เขียนเองก็ตั้งคำถามข้อนี้ส่งไปถามบริษัท สองคือเรื่องรหัสไปรษณีย์ที่ถูกเก็บ 100 ครั้งจาก 28 เว็บเป็นงานของกลไกจับคู่อัตโนมัติของพิกเซล ไม่ใช่ของคุกกี้ตัวนี้ และเอกสารของ OpenAI ระบุว่าพิกเซลย่อยข้อมูลแบบนี้ด้วยการแฮชในเบราว์เซอร์ก่อนส่ง ขณะที่รายงานเขียนว่าส่งเป็นข้อความอ่านได้ ซึ่งสองอย่างนี้ยังขัดกันและไม่มีใครไล่ให้ตรง สามคือผู้เขียนเป็นนามแฝงที่ตรวจตัวบุคคลไม่ได้ ตัวเลขทุกชุดมาจากแหล่งเดียว และจนถึงวันนี้ไม่มีคำแถลงจาก OpenAI ไม่มีใครทดสอบซ้ำได้ และไม่มีการหักล้างเชิงเทคนิค ฝ่ายสนับสนุนของ OpenAI ตอบรับว่าจะนำไปตรวจภายใน แต่ไม่ตอบคำถามสองข้อที่เขาส่งไป

▲ ทำไมต้องรู้ · คนทำงานจำนวนมากล็อกอินบัญชี AI ค้างไว้ในเบราว์เซอร์ตัวเดียวกับที่ใช้ทำงานและช้อปปิ้ง เรื่องนี้จึงเป็นเหตุผลรูปธรรมที่ควรแยกโปรไฟล์เบราว์เซอร์สำหรับงานออกจากของส่วนตัว อีกบทเรียนที่ใช้ได้กว้างกว่าคือวิธีเขียนของผู้เขียนเอง ที่แยกชัดว่าอะไรคือสิ่งที่เห็นบนเครื่องตัวเอง อะไรคือตัวเลขจากกองข้อมูลที่มีอยู่ก่อน และอะไรคือข้อสรุปที่ตามมาจากการออกแบบ ซึ่งเป็นสามเส้นที่ข่าวเทคโนโลยีมักรวบให้เป็นเส้นเดียว

Buchodi · เอกสารวัดผลโฆษณาของ OpenAI · Hacker News

Pirate Face เปิดให้แปลงคลังโมเดลบน Hugging Face เป็นลิงก์ทอร์เรนต์ที่ตรวจความถูกต้องของไฟล์ได้ พร้อมมีเซิร์ฟเวอร์ช่วยกระจายไฟล์ตั้งต้น แนวคิดที่เว็บเขียนไว้เองคือเมื่อไฟล์หายจากต้นทาง ฝูงผู้แชร์ยังทำให้โหลดต่อได้เพราะไม่มีเจ้าภาพรายเดียวให้สั่งปิด

เงื่อนไขที่สำคัญกว่าคำโฆษณาคือเว็บรับเฉพาะโมเดลที่สัญญาอนุญาตเป็น Apache-2.0 หรือ MIT เท่านั้น บวกข้อยกเว้นที่อนุมัติเป็นรายกรณีหนึ่งรายการ และตัวเลข 669,000 กว่ารายการที่เว็บแสดงคือจำนวนโมเดลที่เข้าเกณฑ์ ไม่ใช่จำนวนที่มีคนแชร์อยู่จริง

ข้อควรระวังคือไม่มีการเปิดเผยว่าใครทำเว็บนี้ ไม่มีวันที่เปิดตัว ไม่มีตัวเลขว่าปัจจุบันมีไฟล์ถูกเก็บรักษาไว้เท่าไร และไม่มีเหตุการณ์ลบโมเดลครั้งใดถูกระบุเป็นที่มา ส่วนคำว่ากู้โมเดลจากการถูกลบเป็นถ้อยคำของคนที่เอาเรื่องไปโพสต์ ไม่ใช่กรณีที่มีเอกสารยืนยัน

▲ ทำไมต้องรู้ · องค์กรที่วางแผนใช้โมเดลเปิดควรเก็บสำเนาน้ำหนักรุ่นที่ใช้งานไว้เองอยู่แล้ว เพราะคลังต้นทางเปลี่ยนเงื่อนไขหรือลบรุ่นได้ทุกเมื่อ แต่กติกาของเว็บนี้ก็เผยความจริงอีกข้อไปพร้อมกัน คือโมเดลที่คนเรียกว่าเปิดจำนวนมากไม่เข้าเกณฑ์สัญญาอนุญาตเปิดจริงๆ รวมถึงโมเดลสร้างภาพตัวใหม่ในข้อแรกของวันนี้

Pirate Face · Hacker News

บทความของนักพัฒนาที่ใช้ชื่อ ukslim เผยแพร่ไว้เมื่อ 7 มิ.ย. 2026 แล้วกลับขึ้นไปอยู่อันดับต้นของ Hacker News เมื่อ 19 ก.ย. ด้วยคะแนน 1,771 ซึ่งสูงที่สุดในบรรดาเรื่อง AI ทั้งหมดของรอบนี้ ข้อเสนอของบทความคือปัญหาของภาพที่ AI ทำให้ไม่ได้อยู่ที่ความคมหรือความเหมือนจริง แต่อยู่ที่ทุกใบหน้าตาเหมือนกันหมด เพราะคำสั่งที่คนเขียนไม่ได้ระบุสายการออกแบบ

วิธีแก้ที่ผู้เขียนเสนอคือเรียกชื่อสายออกแบบลงไปตรงๆ เช่น Bauhaus, Memphis หรือแนวมินิมอลญี่ปุ่น แล้วเวลาจะปรับก็ปรับด้วยการเปลี่ยนชื่อสาย ไม่ใช่สั่งว่าทำให้สวยขึ้น ผู้เขียนทำแค็ตตาล็อกร้อยสไตล์พร้อมคำสั่งที่ก๊อปไปใช้ได้ไว้ด้วย และตั้งข้อสังเกตว่าเครื่องมือบางตัวคืนงานออกมาเป็นไฟล์ที่แก้ต่อได้แทนที่จะเป็นภาพแบน

ข้อควรระวังคือนี่เป็นบทความอายุสามเดือนครึ่งที่กลับมาดังใหม่ ไม่ใช่ของที่เพิ่งเกิด และเป็นคำแนะนำเชิงฝีมือที่ไม่มีการวัดผลใดรองรับ

▲ ทำไมต้องรู้ · งานที่คนทำงานไทยใช้ AI ทำบ่อยที่สุดกลุ่มหนึ่งคือภาพประกอบและโพสเตอร์ประชาสัมพันธ์ ประเด็นที่บทความนี้ชี้จึงตรงกับอาการที่หลายคนบ่นว่างานดูเป็นของ AI ทันทีที่เห็น ทางแก้ที่เอาไปใช้ได้พรุ่งนี้คือเลิกใช้คำชมลอยๆ ในคำสั่ง แล้วเปลี่ยนไปเรียกชื่อสายออกแบบที่ต้องการให้ชัด ซึ่งเป็นการย้ายความรู้ที่เคยอยู่ในสายตาของนักออกแบบมาเป็นคำที่พิมพ์ได้

บทความต้นทาง · Hacker News

Simon Willison ยกข้อความของผู้ใช้รายหนึ่งขึ้นบล็อกเมื่อ 20 ก.ย. โดยไม่เติมความเห็นของตัวเองเลย แล้วติดป้ายเรื่องนี้ไว้ว่าเป็นการใช้ AI แบบผิดทาง เนื้อความเล่าว่าหลังเข้างานใหม่ได้ครึ่งเดือน สเปก โค้ด เทสต์ เอกสารความต้องการ ตั๋วงาน และรายงาน ล้วนถูกสร้างด้วยเครื่องมือเขียนโค้ดตัวเดียวกันหมด และไม่มีใครในทีมชอบสภาพนี้

ท่อนที่อธิบายกลไกของปัญหาได้ตรงที่สุดเป็นคำที่ผู้เล่าบอกว่าได้ยินจากผู้บริหารหลายครั้ง คือ "pushing code is not a bottleneck, so why are we slow?" ตามด้วยสภาพที่เขาเล่าว่าคนทำงานวันละสิบสองถึงสิบสามชั่วโมงเพื่อกดปุ่มส่งงาน และไม่มีใครอ่านอะไรจริงจัง

ข้อควรระวังที่ต้องกำกับให้ชัดคือนี่เป็นคำบอกเล่าของบัญชีที่ไม่เปิดเผยตัวตนรายเดียว ไม่มีชื่อบริษัท ไม่มีการตรวจสอบ และไม่มีแหล่งอื่นยืนยัน อ่านได้ในฐานะเสียงจากคนหน้างานเท่านั้น ไม่ใช่หลักฐานว่าองค์กรทั่วไปใช้เครื่องมือแบบนี้

▲ ทำไมต้องรู้ · อาการที่เล่านี้เริ่มเห็นในองค์กรไทยแล้วเช่นกัน คือเมื่อต้นทุนการผลิตงานลดลง ผู้บริหารเปลี่ยนไปวัดปริมาณงานที่ส่งออกแทน ทั้งที่คอขวดจริงย้ายไปอยู่ที่การอ่านและตัดสินใจซึ่งยังใช้เวลาคนเท่าเดิม คำถามที่ควรถามในทีมตัวเองคือใครเป็นคนอ่านงานที่เครื่องผลิตออกมา และเขามีเวลาอ่านจริงหรือไม่

Simon Willison

ทีมวิจัยเสนอวิธีชื่อ EvoSkill-GUI สำหรับ agent ที่ทำงานด้วยการมองหน้าจอแล้วกดใช้แอป หลักการคือวงจรสามจังหวะ ตัวลงมือแก้ทางเดินระหว่างทำงานได้ทันที แล้วมีตัวตรวจแยกที่ถูกกันข้อมูลไม่ให้เห็นทุกอย่างมาวินิจฉัยว่างานที่ล้มเหลวล้มเพราะอะไร จากนั้นตัวลงมือจะแก้ไฟล์บันทึกวิธีทำงานของตัวเองผ่านชุดเครื่องมือที่จำกัดไว้

บทคัดย่อรายงานว่าวิธีนี้ยกผลของโมเดลตั้งต้นหลายตัวได้โดยไม่ต้องฝึกใหม่เลย โดยตัวเลขที่ระบุคือดีขึ้นสูงสุด 16.2% บนชุดทดสอบงานมือถือชุดหนึ่ง 6.0% บนอีกชุด และ 10.5% บนชุดงานเดสก์ท็อป

ข้อควรระวังคือคำว่าสูงสุดในประโยคนั้นเป็นค่าที่ดีที่สุดในบรรดาโมเดลที่ทดลอง ไม่ใช่ค่าเฉลี่ย และบทคัดย่อรายงานแต่ส่วนต่างที่ดีขึ้น ไม่บอกอัตราความสำเร็จสัมบูรณ์เลย จึงยังไม่รู้จากบทคัดย่อว่า agent ทำงานพวกนี้สำเร็จบ่อยแค่ไหน ช่องหมายเหตุบน arXiv มีแต่ลิงก์โครงการ ไม่ระบุว่าผ่านการตรวจของที่ประชุมวิชาการใด

▲ ทำไมต้องรู้ · ปัญหาที่คนใช้ agent เจอซ้ำที่สุดคือมันพลาดเรื่องเดิมทุกครั้งเหมือนไม่เคยเจอ วิธีที่งานนี้ใช้คือให้ระบบเขียนบันทึกวิธีทำงานของตัวเองทับเมื่อพลาด ซึ่งทีมที่ยังไม่มีงบวิจัยเลียนแบบได้ด้วยมือ คือเก็บคู่มือขั้นตอนไว้เป็นไฟล์ที่ agent อ่านทุกครั้ง แล้วแก้ไฟล์นั้นทุกครั้งที่เจอความผิดพลาดใหม่ แทนที่จะไปแก้คำสั่งตั้งต้นให้ยาวขึ้นเรื่อยๆ

arXiv 2609.17653

เปเปอร์เสนอชุดทดสอบชื่อ RiskChainBench ที่ตั้งต้นจากพฤติกรรมจริงของขบวนการหลอกลวงบนแพลตฟอร์ม ซึ่งซ่อนคำสั่งพาคนไปเว็บปลายทางด้วยอีโมจิ คำพ้องเสียง การแยกชิ้นส่วนตัวอักษร และสัญลักษณ์เกินจำเป็น แล้วพาผู้ใช้ผ่านลิงก์อำพรางไปยังบริการพนัน ฉ้อโกง หรือบริการผิดกฎหมายอื่น ชุดทดสอบจับคู่ข้อความที่ต้องถอดกลับ 3,600 ชิ้นจาก 600 บทสนทนาต้นทาง กับสภาพแวดล้อมเว็บที่คนติดป้ายกำกับไว้ 600 ชุด

ผลจากโมเดลสิบตัวคือความแม่นในการกู้ปลายทางอันดับหนึ่งอยู่ระหว่าง 35.2% ถึง 95.2% แต่ความแม่นในการตัดสินว่าเว็บนั้นเป็นอะไรอยู่ระหว่าง 26.3% ถึง 62.8% เท่านั้น อีกตัวเลขที่บอกจุดติดขัดคือความล้มเหลวระหว่างลงมือสำรวจคิดเป็น 31.9% ของรอบ ขณะที่ความผิดพลาดหลังตัดสินใจแล้วมีเพียง 0.9% ผู้เขียนจึงชี้ว่าคอขวดอยู่ที่การสำรวจให้จบและการตัดสินความเสี่ยง

ข้อควรระวังคือข้อความที่ใช้ทดสอบเป็นข้อความที่สร้างขึ้น ไม่ใช่ข้อความที่ดักจับมาจากของจริง และฝั่งเว็บรันในสภาพแวดล้อมจำลองในเครื่อง ไม่ใช่เว็บจริง ส่วนเลข 95.2% เป็นค่าของโมเดลที่เก่งที่สุดบนงานที่ง่ายกว่าในสองงาน ช่องหมายเหตุระบุจำนวนหน้าและการแก้ข้อมูลผู้เขียน ไม่ระบุที่ประชุมวิชาการใด

▲ ทำไมต้องรู้ · ข้อความหลอกลวงภาษาไทยใช้เทคนิคชุดเดียวกันนี้ทุกวัน ทั้งพิมพ์เลี่ยงคำที่ระบบกรอง ใส่อีโมจิแทนตัวอักษร และตัดคำให้ระบบอ่านไม่ออกแต่คนอ่านออก สิ่งที่ตัวเลขชุดนี้บอกคือการถอดข้อความกลับได้แม่นไม่ได้แปลว่าจะตัดสินถูกว่าปลายทางอันตราย ซึ่งเป็นขั้นที่สำคัญกว่า องค์กรที่คิดเอา AI มาช่วยคัดกรองข้อความหลอกลวงจึงต้องวัดสองขั้นนี้แยกกัน

arXiv 2609.16900

เปเปอร์วัดเทคนิคที่ให้โมเดลลองตอบหลายครั้งแล้วเลือกคำตอบที่ดีที่สุด ซึ่งเป็นวิธีที่ใช้กันมากเพราะยกความแม่นได้จริง บทคัดย่อรายงานว่าการเพิ่มจำนวนคำตอบที่ลองจากหนึ่งเป็นแปดทำให้ความแม่นขึ้น 8.4 จุดในโมเดลตัวหนึ่ง และ 18.4 จุดในอีกตัว

คำถามที่งานนี้ตั้งต่อคือเมื่อจำนวนคำตอบเท่ากันแล้ว วิธีจัดคิวส่งงานต่างกันมีราคาต่างกันไหม ผลคือต่างกันมาก บนการ์ด A100 การเรียกแปดครั้งเรียงกันใช้พลังงานระดับอุปกรณ์ราว 4.64 ถึง 4.86 เท่า และมีเวลาตอบที่ช้าที่สุดในกลุ่มบนราว 5.77 ถึง 6.12 เท่าของการเรียกครั้งเดียวที่ขอแปดคำตอบพร้อมกัน ข้อสรุปที่ผู้เขียนเขียนไว้คือเมื่อคำตอบแต่ละชิ้นไม่ต้องรอกันและหน่วยความจำพอ ให้รวมเป็นการเรียกน้อยครั้งที่ขอทีละมาก

ข้อควรระวังคือทดสอบกับโมเดลเล็กสองตัวบนโจทย์คณิตศาสตร์ระดับประถมและคำถามวิทยาศาสตร์เท่านั้น ไม่ใช่โมเดลแนวหน้า และตัวเลขพลังงานเป็นค่าที่วัดระดับอุปกรณ์ ไม่ใช่ระดับศูนย์ข้อมูล ส่วนข้อสรุปมีเงื่อนไขกำกับไว้เองในบทคัดย่อ

▲ ทำไมต้องรู้ · ทีมที่รันโมเดลเองมักเขียนโปรแกรมเรียกโมเดลทีละครั้งในลูปเพราะเขียนง่ายกว่า งานนี้ให้ตัวเลขว่าการเปลี่ยนไปส่งเป็นชุดเดียวได้คำตอบเท่าเดิมแต่ประหยัดพลังงานและเวลาหลายเท่า เป็นการลดค่าใช้จ่ายที่ไม่ต้องเปลี่ยนโมเดลและไม่ต้องยอมให้คุณภาพตก ซึ่งหาได้ไม่บ่อย

arXiv 2609.19499

เปเปอร์เสนอโมเดลอ่านเอกสารแบบจบในตัวเดียวชื่อ WeVisDoc รุ่นขนาด 4 พันล้านพารามิเตอร์ บทคัดย่อรายงานคะแนนรวม 95.38 บนชุดทดสอบเอกสารมาตรฐานชุดหนึ่ง และค่าเฉลี่ย 75.54 บนชุดทดสอบอีกชุดที่มีสามสนามย่อย ซึ่งรวมสนามที่ใช้เอกสารคุณภาพแย่จริง

ตัวเลขที่ผู้เขียนยกเป็นจุดแข็งคือการฝึกขั้นที่สองช่วยคะแนนของรุ่น 2 พันล้านและ 4 พันล้านบนทั้งสองชุด และช่วยมากกว่าบนสนามเอกสารคุณภาพแย่ โดยรุ่น 4 พันล้านขยับขึ้น 4.03 จุดบนสนามเอกสารเสียคุณภาพจริง

ข้อควรระวังมีสามข้อ หนึ่งคือคำว่าอันดับหนึ่งในบทคัดย่อกำกับไว้ว่าเป็นอันดับหนึ่งในกลุ่มที่นำมาเทียบ ซึ่งผู้เขียนเลือกเอง และจำกัดอยู่เฉพาะระบบแบบจบในตัวเดียว ไม่รวมระบบที่ต่อหลายขั้น สองคือ 4.03 จุดเป็นการเทียบกับการฝึกขั้นแรกของตัวเอง ไม่ใช่เทียบกับระบบอื่น สามคือส่วนต่างระหว่าง 95.38 กับ 75.54 คือสิ่งที่ควรอ่านเป็นภาพจริงของงานเอกสารในสภาพที่ไม่ได้จัดฉาก

▲ ทำไมต้องรู้ · งานเอกสารสแกนคือด่านแรกที่องค์กรไทยเอา AI เข้าไปจับ ทั้งใบเสร็จ สัญญา และเอกสารราชการ ตัวเลขที่ผู้ขายชอบยกคือคะแนนบนชุดเอกสารสะอาด แต่ของที่วางอยู่บนโต๊ะจริงคือเอกสารถ่ายเอกสารซ้ำ เอียง และมีตราประทับทับข้อความ เวลาประเมินเครื่องมือจึงควรขอผลบนเอกสารสภาพแย่ของเราเอง เพราะช่องว่างระหว่างสองสภาพในงานนี้กว้างราวยี่สิบจุด

arXiv 2609.20423

ดนุชา พิชยนันท์ เลขาธิการสภาพัฒนาการเศรษฐกิจและสังคมแห่งชาติ ในฐานะเลขานุการคณะกรรมการนโยบายธุรกิจดาต้าเซ็นเตอร์ ให้สัมภาษณ์เมื่อ 20 ก.ย. ว่าเกณฑ์ควรสรุปได้ภายในเดือนกันยายนและบังคับใช้จริงได้ไม่เกินกลางเดือนตุลาคม โดยนับจากการประชุมนัดแรกของคณะกรรมการเมื่อ 4 ก.ย. เป็นเวลาราวหนึ่งเดือน

ตัวเลขที่สื่อทุกสำนักรายงานตรงกันคือดาต้าเซ็นเตอร์ระดับไฮเปอร์สเกลควรกำหนดเกณฑ์การใช้ไฟฟ้าไว้ที่ 100 เมกะวัตต์ขึ้นไป โดยเขาย้ำเองว่าตัวเลขสุดท้ายยังต้องรอคณะกรรมการพิจารณา แนวทางอื่นที่ให้ไว้คือรายใหญ่ต้องตั้งในนิคมอุตสาหกรรมเพื่อไม่ให้แย่งไฟกับภาคครัวเรือน กระทรวงพลังงานจะกำหนดอัตราค่าไฟเฉพาะของกลุ่มนี้ และจะผลักดันมาตรฐาน Green Data Centre มีคณะทำงานย่อยสี่ชุดดูโครงสร้างพื้นฐาน ที่ตั้งและอาคาร สิ่งแวดล้อม และเศรษฐกิจ เขายังระบุว่าหน่วยงานต่างๆ ส่งข้อมูลเข้ามาแล้ว ทั้งรายชื่อผู้ให้บริการปัจจุบัน เกณฑ์แบ่งขนาด และค่าเฉลี่ยการใช้ไฟและน้ำ

ข้อควรระวังคือนี่เป็นเกณฑ์ที่ยังอยู่ในขั้นร่าง ไม่ใช่กฎที่ประกาศใช้แล้ว เรื่องที่ยังไม่มีคำตอบคือหน่วยงานใดจะเป็นเจ้าของกรอบนี้ เส้นแบ่งการใช้ไฟที่แน่นอน และกลไกบังคับใช้ ส่วนเกณฑ์ที่ว่าโครงการใช้ไฟเกิน 2 เมกะวัตต์ต้องอยู่ในนิคมอุตสาหกรรม ปรากฏในรายงานของสำนักเดียวจากหลายสำนักที่รายงานการแถลงเดียวกัน จึงยังถือว่ายืนยันไม่ได้

▲ ทำไมต้องรู้ · เกณฑ์ชุดนี้จะกลายเป็นตัวกำหนดว่าบริการคลาวด์และบริการ AI ที่คนทำงานไทยใช้ จะมีเซิร์ฟเวอร์ตั้งอยู่ในประเทศมากขึ้นหรือไม่ ซึ่งผูกกับทั้งความเร็วและข้อกำหนดเรื่องข้อมูลที่ห้ามออกนอกประเทศ เส้น 100 เมกะวัตต์ยังบอกอีกว่าเกณฑ์นี้เขียนเพื่อคุมผู้เล่นรายใหญ่ระดับโลก ส่วนผู้ให้บริการในประเทศรายกลางจะถูกคุมด้วยเกณฑ์ใดยังไม่ชัด

ฐานเศรษฐกิจ · THE STANDARD · ไทยรัฐ · TOPNEWS

อนุทิน ชาญวีรกูล นายกรัฐมนตรี ออกเดินทางจากกรุงเทพเมื่อ 20 ก.ย. ตามกำหนดการคือโตเกียววันที่ 20 ถึง 21 ก.ย. นิวยอร์กเพื่อร่วมประชุมสมัชชาสหประชาชาติสมัยที่ 81 วันที่ 21 ถึง 24 ก.ย. โดยการอภิปรายทั่วไปอยู่วันที่ 24 ก.ย. ต่อด้วยลอนดอนวันที่ 25 ถึง 26 ก.ย. และกลับถึงไทยวันที่ 27 ก.ย.

รายการที่เกี่ยวกับ AI โดยตรงคือวันที่ 23 ก.ย. มีกำหนดเข้าพบ Ruth Porat ประธานและประธานเจ้าหน้าที่ฝ่ายการลงทุนของ Alphabet และ Google เพื่อหารือความร่วมมือด้านดิจิทัลและเทคโนโลยี ซึ่งรวมถึงเทคโนโลยี AI แบบโต้ตอบและโซลูชันดิจิทัล โดยมีชัยชนก ชิดชอบ รัฐมนตรีดิจิทัลเพื่อเศรษฐกิจและสังคม ร่วมหารือด้วย คณะเดินทางยังมีรองนายกรัฐมนตรีและรัฐมนตรีต่างประเทศ รองนายกรัฐมนตรีและรัฐมนตรีพาณิชย์ รวมถึงผู้บริหารตลาดหลักทรัพย์

ข้อควรระวังคือยังไม่มีตัวเลขการลงทุน ไม่มีบันทึกความเข้าใจ และไม่มีข้อผูกพันด้าน AI ใดผูกกับนัดนี้ในเอกสารที่อ่านได้ เป็นการหารือตามกำหนดการที่ยังไม่เกิดขึ้น ส่วนรายละเอียดเรื่อง Google มาจากกำหนดการล่วงหน้า ไม่ใช่จากการแถลงวันออกเดินทาง

▲ ทำไมต้องรู้ · จุดที่ควรเฝ้าดูหลังวันที่ 23 ก.ย. คือผลของนัดนี้ออกมาเป็นอะไร ถ้าเป็นตัวเลขลงทุนศูนย์ข้อมูลหรือความร่วมมือด้านภาษาไทยก็กระทบคนทำงานตรงๆ ทั้งเรื่องราคาและเรื่องคุณภาพภาษาไทยในเครื่องมือที่ใช้อยู่ แต่ถ้าออกมาเป็นเพียงถ้อยแถลงความร่วมมือ ก็ควรอ่านเป็นการทูตเชิงเศรษฐกิจตามปกติ ไม่ใช่ข่าวที่เปลี่ยนอะไร

ฐานเศรษฐกิจ · The Nation · กำหนดการล่วงหน้า

รายละเอียดที่เพิ่งเผยแพร่เมื่อ 21 ก.ย. ของงานสัมมนาเมื่อ 17 ก.ย. ระบุว่าโครงการภายใต้กรอบความร่วมมือสามปีที่จะลงทดลองใช้จริงมีสามตัว หนึ่งคือ AI ช่วยตรวจหากระดูกสะโพกหักจากมหาวิทยาลัยขอนแก่น สองคือ LiverSound ซึ่งเป็นการคัดกรองมะเร็งตับด้วยภาพอัลตราซาวด์จากจุฬาลงกรณ์มหาวิทยาลัยร่วมกับเนคเทค และสามคือ RAMA AI CXR Solution ซึ่งคัดกรองจากภาพเอกซเรย์ทรวงอกจากโรงพยาบาลรามาธิบดี มหาวิทยาลัยมหิดล

โรงพยาบาลที่รับไปทดลองใช้คือโรงพยาบาลพระนั่งเกล้า จังหวัดนนทบุรี และโรงพยาบาลพระปกเกล้า จังหวัดจันทบุรี

ข้อควรระวังคือยังไม่มีการเปิดเผยงบประมาณ จำนวนผู้ป่วยที่จะใช้ทดสอบ หรือวันเริ่มต้นที่ชัดเจน และยังไม่มีผลความแม่นยำที่วัดในโรงพยาบาลจริงของแต่ละตัวออกมาให้อ่าน

▲ ทำไมต้องรู้ · เทียบกับข่าวโมเดลอ่านภาพซีทีของ Alibaba เมื่อวาน ของไทยชุดนี้เล็กกว่ามากในเชิงขอบเขต แต่เดินไปถึงขั้นที่สำคัญกว่าคือเข้าโรงพยาบาลรัฐจริงและมีเจ้าภาพทางคลินิกรับผิดชอบ สิ่งที่ควรตามต่อคือมีการรายงานผลเทียบกับการอ่านของแพทย์ในโรงพยาบาลเดียวกันหรือไม่ เพราะนั่นคือตัวเลขที่ตัดสินว่าจะขยายไปโรงพยาบาลอื่นได้

กรุงเทพธุรกิจ

จดหมายข่าว ChinAI ฉบับ 14 ก.ย. แปลรายงานของ Huxiu โดย Shuhan Liu ว่าละครที่ดัดแปลงจากภาคต่อของไซอิ๋ว ออกอากาศช่วงไพรม์ไทม์ทางช่องดาวเทียมระดับมณฑลเมื่อ 31 ส.ค. โดยผู้ผลิตคือ Mango Excellent Media และคำอ้างในรายงานคือเป็นความบันเทิงที่สร้างด้วย AI ทั้งเรื่องรายแรกที่ได้ออกช่วงเวลาดังกล่าว ภาพทั้งหมดสร้างด้วยโมเดลสร้างวิดีโอของ ByteDance รุ่น Seedance 2.0 และ 2.5 โดยไม่มีนักแสดงและไม่มีการถ่ายทำ

ตัวเลขที่ใช้งานได้คืองบประมาณราว 900,000 หยวนต่อตอน ซึ่งค่าประมวลผลคิดเป็นราวหนึ่งในสี่ของต้นทุน ระยะเวลาจากเริ่มวางแผนในเดือนมีนาคมถึงออกอากาศ 31 ส.ค. คือหกเดือน เทียบกับละครแบบเดิมที่ใช้หนึ่งถึงสองปี ทีมงานราวร้อยคนโดยมีศิลปินสิบห้าคนทำงานด้านการกำหนดสไตล์ และสองตอนแรกต้องทำใหม่ทั้งหมด ส่วนภาพรวมของตลาดคือสมาคมบริการเผยแพร่ผ่านเครือข่ายของจีนระบุว่าครึ่งปีแรกมีละครสั้นออกบนแพลตฟอร์มจีน 367,000 เรื่อง และเกิน 74% สร้างด้วย AI

บทเรียนเชิงฝีมือที่คมที่สุดของรายงานคือเรื่องหางลิง ทีมงานไม่ได้ระบุหางไว้ในเอกสารกำหนดลักษณะตัวละคร ผลคือโมเดลเข้าใจตัวละครไปคนละทางทั้งหมด ผู้เขียนรายงานว่ารุ่นที่ไม่มีหางถูกตีความเป็นคนสวมชุดลิงที่กล้ามเนื้อใบหน้าขยับไม่ได้ ส่วนรุ่นที่มีหางถูกตีความเป็นลิงจริง ซึ่งทำให้ตรรกะของท่าทางและการแสดงออกต่างกันทั้งเรื่อง ข้อจำกัดที่ยังเหลือตามรายงานคือการแสดงออกทางใบหน้าที่ละเอียดยังไม่มีชั้นเชิง การเคลื่อนไหวซับซ้อนยังผิดพลาดง่าย และความคงเส้นคงวาในฉากยาวยังต้องปรับอีก

ข้อควรระวังคือตัวเลขทั้งหมดมีต้นทางที่รายงานของ Huxiu แล้วผ่านการแปลของจดหมายข่าวอีกทอด เราไม่ได้เปิดต้นฉบับภาษาจีนอ่านเอง และไม่มีตัวเลขเรตติงหรือจำนวนผู้ชมปรากฏที่ใดเลย ส่วนตัวเลขมูลค่าตลาดที่ขยับขึ้นเป็นกรอบการเล่าของบทความ ไม่ใช่ตัวเลขที่บริษัทแถลง

▲ ทำไมต้องรู้ · บทเรียนเรื่องหางลิงย้ายมาใช้กับงานเอกสารและงานสื่อสารในองค์กรได้ตรงๆ คือสิ่งที่เราไม่ได้เขียนลงไปในโจทย์ ระบบจะเติมให้เองด้วยสมมติฐานของมัน แล้วสมมติฐานนั้นจะไหลไปกำหนดทุกอย่างที่ตามมา ส่วนตัวเลขค่าประมวลผลหนึ่งในสี่ของต้นทุนคือคำเตือนว่างานสร้างวิดีโอด้วย AI ยังไม่ใช่ของฟรี และตัวเลขละครสั้นเกินสามแสนเรื่องครึ่งปีบอกว่าตลาดที่ AI กินไปก่อนคือตลาดที่ผลิตเยอะและอายุงานสั้น

ChinAI #374

Seoul Economic Daily รายงานเมื่อ 20 ก.ย. โดยอ้างแหล่งข่าวในอุตสาหกรรมที่ไม่เปิดเผยชื่อว่า Samsung จะเพิ่มกำลังผลิตแผ่นเวเฟอร์สำหรับหน่วยความจำรวมทุกประเภทจากราว 180,000 แผ่นต่อเดือนในปี 2026 เป็นราว 250,000 แผ่นในปี 2027 ซึ่งคิดเป็นการเพิ่มราว 40%

ส่วนที่เปลี่ยนแรงกว่าคือสัดส่วน รายงานระบุว่าหน่วยความจำตระกูล HBM4 จะขยับจากราว 40% ของกำลังผลิตในปี 2026 ไปเป็นราว 80% ในปี 2027 โดยเน้นรุ่นที่ซ้อนชั้นสิบสองชั้นขึ้นไป และกำลังผลิตแผ่นรองกระจกจะขยับจาก 20,000 เป็น 50,000 แผ่นต่อเดือน หมุดเวลาที่ให้ไว้คือการส่งมอบ HBM4 ระดับผลิตจำนวนมากเริ่มเดือนกุมภาพันธ์ 2026 และตัวอย่าง HBM4E แบบสิบสองชั้นส่งถึงลูกค้าเดือนพฤษภาคม 2026 โดยลูกค้ารายเดียวที่ถูกระบุชื่อคือ Nvidia

ข้อควรระวังคือทั้งหมดมาจากแหล่งข่าวที่ไม่เปิดเผยตัว ไม่มีผู้บริหารคนใดพูด และไม่มีคำยืนยันจาก Samsung คำพูดชิ้นเดียวที่มีเป็นของเจ้าหน้าที่ที่ไม่ระบุชื่อและใช้คำว่าดูเหมือนว่า ซึ่งเป็นการคาดการณ์ ไม่ใช่การเปิดเผย ที่สำคัญกว่านั้นคือคำว่าเพิ่มเท่าตัวในพาดหัวไม่ตรงกับตัวเลขเวเฟอร์ที่เพิ่ม 40% สิ่งที่เพิ่มราวเท่าตัวคือสัดส่วนของ HBM4 ในกำลังผลิตทั้งหมด

▲ ทำไมต้องรู้ · ราคาหน่วยความจำความเร็วสูงคือหนึ่งในตัวกำหนดว่าค่าเรียกใช้โมเดลต่อโทเคนที่คนไทยจ่ายจะถูกลงหรือแพงขึ้นในปีหน้า และถ้าสัดส่วนกำลังผลิตย้ายไปที่หน่วยความจำสำหรับงาน AI จริง หน่วยความจำของเครื่องคอมพิวเตอร์และมือถือทั่วไปก็เป็นฝั่งที่เหลือกำลังผลิตน้อยลง อีกบทเรียนคือวิธีอ่านพาดหัว เพราะคำว่าเท่าตัวในข่าวนี้พูดถึงสัดส่วน ไม่ใช่จำนวนของที่ผลิตได้

Seoul Economic Daily · Hacker News

บทวิเคราะห์ในไทยโพสต์เมื่อ 20 ก.ย. ยกตัวเลขจากศูนย์พยากรณ์เศรษฐกิจและธุรกิจ มหาวิทยาลัยธรรมศาสตร์ ว่าถ้าการลงทุนของผู้ให้บริการคลาวด์รายใหญ่ในไทยลดลง 10% ผลกระทบคิดเป็น 58,421 ล้านบาท และทำให้ผลิตภัณฑ์มวลรวมในประเทศลดลง 0.29% ถ้าลดลง 20% ผลกระทบเป็น 116,842 ล้านบาท และลดลง 0.58%

ตัวเลขอื่นที่บทวิเคราะห์ยกมาประกอบคือไตรมาสสองการลงทุนภาคเอกชนด้านเครื่องจักรและอุปกรณ์เพิ่มขึ้น 16.6% ด้านก่อสร้างเพิ่มขึ้น 1.1% มูลค่าส่งออกไตรมาสสองอยู่ที่ 3.23 ล้านล้านบาท เพิ่มขึ้น 221,827 ล้านบาทจากไตรมาสก่อน หรือ 16.1% และผู้ส่งออกกลุ่มเทคโนโลยีเพียง 1% ถือส่วนแบ่งการส่งออกในกลุ่มถึง 85%

ข้อควรระวังคือนี่เป็นบทความแสดงความเห็น ไม่ใช่รายงานข่าวหรือเอกสารของหน่วยงานรัฐ และในบรรดาตัวเลขทั้งหมดมีเพียงชุดสถานการณ์สมมติเรื่องผลต่อผลิตภัณฑ์มวลรวมที่ระบุแหล่งที่มา ตัวเลขมหภาคอื่นไม่ได้กำกับแหล่งไว้ในตัวบทความ จึงไม่ควรอ่านเป็นการคาดการณ์อย่างเป็นทางการ

▲ ทำไมต้องรู้ · ข่าวดาต้าเซ็นเตอร์ในไทยส่วนใหญ่เล่าฝั่งเงินที่จะเข้ามา ชุดตัวเลขนี้เล่าฝั่งความเสี่ยงว่าถ้าการลงทุนรอบนี้ชะลอ ไทยเสียเท่าไร ซึ่งเป็นคำถามที่คนทำงานในสายที่รับงานต่อจากโครงการเหล่านี้ควรถามเผื่อไว้ ส่วนตัวเลขที่ว่าผู้ส่งออกเทคโนโลยี 1% ถือส่วนแบ่ง 85% คือคำอธิบายว่าทำไมตัวเลขการลงทุนที่ดูดีในภาพรวมจึงยังไม่ถึงคนทำงานส่วนใหญ่

ไทยโพสต์

Nathan Lambert เผยแพร่บทความเมื่อ 19 ก.ย. อธิบายจุดยืนของตัวเองต่อแนวคิดที่ว่า AI จะปรับปรุงตัวเองเป็นวงจรจนความสามารถพุ่งขึ้นเร็วมาก ข้อโต้แย้งของเขามีสามข้อ คืองานวิจัยส่วนที่ปล่อยให้ระบบทำแทนได้นั้นแคบเกินกว่าจะเร่งภาพรวมได้จริงเมื่อเทียบกับต้นทุนที่โตแบบทวีคูณของการขยายขนาด การเพิ่มจำนวน agent ที่ทำงานขนานกันให้ผลตอบแทนลดน้อยถอยลงจริง และคอขวดเรื่องทรัพยากรกับการเมืองเป็นปัจจัยใหญ่ในการสร้างโมเดลที่เก่ง

ข้อความที่เป็นหมุดชัดที่สุดของบทความคือเขาเขียนว่า "we won't have superintelligence within the next 8 years" และยกกรอบของ Richard Ngo ที่ว่าฝ่ายที่เชื่อการพุ่งทะยานแบบเร็วจะกลายเป็นฝ่ายที่ถูกในเชิงทิศทางแต่ผิดในเชิงข้อเท็จจริง อีกประโยคที่บอกสภาพปัจจุบันคือเขาเขียนว่าขณะนี้มีองค์กรจำนวนไม่กี่แห่งที่ใช้ agent ทำงานขนานกันหลายพันตัวเพื่อปรับปรุงกระบวนการและผลงานของตัวเอง

ข้อควรระวังคือตารางเทียบกรอบเวลาของนักวิจัยหลายคนที่อยู่ในบทความนั้น ผู้เขียนระบุเองว่าให้โมเดลสรุปคำตอบจากรายการพอดแคสต์ให้ ไม่ใช่การอ้างคำพูดตรงของแต่ละคน ใครจะยกตัวเลขในตารางนั้นไปใช้ต้องกำกับที่มาแบบนี้ทุกครั้ง และตัวบทความเป็นการแสดงความเห็นของคนคนเดียว ไม่ใช่การวัดผล

▲ ทำไมต้องรู้ · คนทำงานต้องวางแผนสองสามปีข้างหน้าบนสมมติฐานอะไรสักอย่างว่าความสามารถของเครื่องมือจะขยับเร็วแค่ไหน ข้อโต้แย้งที่ใช้ได้จริงจากบทความนี้คือคอขวดของรอบนี้อยู่ที่ไฟ ชิป และการเมือง มากกว่าอยู่ที่ความฉลาดของโมเดล ซึ่งเป็นปัจจัยที่ขยับช้าและคาดการณ์ได้ง่ายกว่า อีกบทเรียนคือวิธีตรวจแหล่ง เพราะตารางกรอบเวลาที่ดูน่าเชื่อในบทความนั้นเป็นของที่ให้โมเดลสรุปมา ไม่ใช่คำพูดของเจ้าตัว

Interconnects