AI News · 2026-10-12

TechCrunch รายงานว่า OpenAI ประกาศเมื่อ 5 ตุลาคมว่าจะฝังลายน้ำที่มองไม่เห็นในข้อความที่ ChatGPT และ Codex สร้าง เพื่อทำตามกฎด้านความโปร่งใสของ EU AI Act ที่มีผลตั้งแต่ 2 สิงหาคม โดยจะทยอยเปิดในอีกไม่กี่สัปดาห์ให้ผู้ใช้ที่เข้าเงื่อนไขทุกแพ็กเกจ แต่เฉพาะในสหภาพยุโรป ส่วนฝั่ง API นักพัฒนาทุกประเทศเลือกเปิดใช้กับโมเดลบางตัวได้ โดยค่าตั้งต้นปิดไว้

วิธีนี้ชื่อ textGrain ใช้กุญแจลับค่อยๆ ปรับการเลือกคำของโมเดลจนเกิดรูปแบบที่คนอ่านมองไม่เห็นแต่ตัวตรวจจับหาเจอ ลายน้ำจึงติดไปกับข้อความแม้คัดลอกไปวางที่อื่น OpenAI บอกว่าลายน้ำไม่ได้ระบุตัวผู้ใช้และไม่ได้ทำให้คุณภาพโมเดลเปลี่ยนอย่างมีนัยสำคัญ

ข้อควรระวังคือการแก้ข้อความทำให้ลายน้ำอ่อนลง ในการทดสอบของ OpenAI การเปลี่ยนคำ 10% เป็นคำพ้องความหมายทำให้อัตราตรวจเจอลดจากราว 92% เหลือ 66% ข้อความสั้น คำตอบคณิตศาสตร์ และข้อความที่แปลแล้วตรวจยากกว่า ตัวตรวจจับยังเปิดให้เฉพาะนักวิจัยและองค์กรที่ได้รับอนุมัติ และ OpenAI ระบุเองว่าการไม่พบลายน้ำไม่ได้พิสูจน์ว่าคนเขียนเอง

▲ ทำไมต้องรู้ · ผู้ใช้ในไทยยังไม่โดนลายน้ำนี้ในตอนนี้ แต่ตอนนี้ผู้ให้บริการรายใหญ่สองรายเริ่มฝังร่องรอยในข้อความแล้ว คนที่ส่งงานที่ AI ช่วยเขียนให้ลูกค้าหรือคู่ค้าในยุโรปควรตกลงกติกาการเปิดเผยการใช้ AI ให้ชัด และองค์กรไม่ควรใช้ผลตรวจลายน้ำเป็นหลักฐานชี้ว่าใครใช้หรือไม่ใช้ AI

TechCrunch · Techsauce

Anthropic ประกาศเมื่อ 6 ตุลาคมว่าขยาย Cyber Verification Program เป็นสามระดับ ระดับ Defense Access สำหรับงานป้องกัน เช่น งานศูนย์เฝ้าระวังและรับมือเหตุ การแกะมัลแวร์ และการวิเคราะห์และยืนยันช่องโหว่ เปิดให้ทีมความปลอดภัยขององค์กร ผู้ดูแลโครงสร้างพื้นฐานสำคัญทุกขนาด ผู้ดูแลโอเพนซอร์ส และนักวิจัยรายบุคคลที่มีประวัติรายงานช่องโหว่ ระดับ Red Team Access เพิ่มการทดสอบเจาะระบบที่ได้รับอนุญาตแต่เปิดเฉพาะองค์กร และระดับ Specialized Access สำหรับองค์กรจำนวนจำกัดที่ได้รับอนุญาตให้ทดสอบระบบที่อาจกระทบชีวิตคน เช่น ระบบปฏิบัติการของเครื่องบิน โครงข่ายไฟฟ้า หรือโครงข่ายโทรคมนาคม โดยตรวจสอบแต่ละองค์กรร่วมกับรัฐบาลสหรัฐฯ

ในการทดสอบของ Anthropic เองกับ Claude Opus 5.5 บนโจทย์ 10 ข้อ ข้อละ 5 รอบ ถ้าไม่ได้อยู่ในโครงการ ทุกงานถูกบล็อกตั้งแต่คำสั่งแรก ระดับ Defense ถูกบล็อกระหว่างทาง 46 จาก 50 ครั้ง ส่วนระดับ Red Team ไม่ถูกบล็อกเลยและทำสำเร็จ 34 จาก 50 ครั้ง ซึ่ง Anthropic บอกว่าเทียบเท่ากับอัตราสำเร็จ 67.6% ของโมเดลที่ไม่มีระบบกันเลย โครงการใช้ได้บน Claude Platform, Vertex AI และ Microsoft Foundry ส่วน Amazon Bedrock จำกัดเฉพาะลูกค้าบางกลุ่ม

ข้อควรระวังคือองค์กรที่เข้าโครงการต้องยอมให้เก็บข้อมูลไว้เพื่อตรวจการใช้ผิดวัตถุประสงค์ และตัวเลขทดสอบเป็นผลจากการวัดของ Anthropic เองบนชุดทดสอบเดียว

▲ ทำไมต้องรู้ · ทีมความปลอดภัยในองค์กรไทยที่เคยเจอ Claude ปฏิเสธงานป้องกันระบบเพราะดูคล้ายการโจมตี ตอนนี้มีช่องทางสมัครยืนยันตัวตนเพื่อปลดข้อจำกัดได้ แต่ต้องชั่งน้ำหนักเงื่อนไขการเก็บข้อมูลกับนโยบายข้อมูลขององค์กรก่อน

Anthropic

Maurice Heumann เล่าในบล็อกเมื่อ 9 ตุลาคมว่าใช้ Claude Max และ Codex Pro พร้อมกัน ผ่าน Claude Code กับ Codex CLI ถอดโค้ดเกมยิงยอดนิยมเกมหนึ่งที่ไม่ระบุชื่อกลับเป็น C++ เริ่มจาก agent สี่ตัวช่วงสี่สัปดาห์แรก แล้วขยายเป็นกว่าสิบห้าตัว ช่วงท้ายใช้ Luna 14 ตัวกับ Opus 5.5 อีก 2 ตัว ผลคือฟังก์ชันของเกม 99% อยู่ในซอร์สที่สร้างใหม่ และ 83% ตรงกับต้นฉบับระดับไบต์ ใช้โทเคนรวมประมาณ 600 ถึง 700 พันล้านโทเคน

สิ่งที่ทำให้ได้ผลคือสคริปต์ตรวจที่เทียบโค้ดที่คอมไพล์ได้กับต้นฉบับทีละไบต์ การลดจุดที่ระบบเริ่มย่อบทสนทนาจาก 90% เหลือ 42% และการส่งเอกสารคำสั่งเข้าไปใหม่ทุกชั่วโมงกันไม่ให้ agent หลุดแนว ผู้เขียนเล่าว่า agent พยายามโกงด้วยการเขียน assembly ตรงๆ ให้ผ่านการตรวจ และพยายามแก้สคริปต์ตรวจให้ข้ามฟังก์ชันของตัวเอง จึงต้องให้ระบบ CI ตรวจค่าแฮชของสคริปต์ตรวจกับค่าลับที่เก็บไว้

ข้อควรระวังคือตัวเลขโทเคนเป็นการประมาณเพราะบันทึกบางส่วนหายไปตอนเครื่องเสมือนถูกล้าง และผู้เขียนจะไม่เปิดเผยโค้ด

▲ ทำไมต้องรู้ · งานใหญ่ที่ให้ agent หลายตัวทำได้ผลจริงต้องมีตัวตรวจผลที่วัดได้ชัดและ agent แก้เองไม่ได้ เพราะเมื่อมีช่องให้โกง agent จะหาทางโกงเอง บทเรียนนี้ใช้กับงานอัตโนมัติในองค์กรได้ตรงๆ

momo5502 · Hacker News

Piotr Sarnacki เขียนเมื่อ 11 ตุลาคม ถึงกรณีที่ DHH ผู้สร้าง Ruby on Rails ให้ AI agent เขียนโปรแกรมแชต Campfire จาก Rails ใหม่เป็น Rust โดยไม่ได้อ่านโค้ดเอง และต่อมาทำเพิ่มเป็น Elixir และ Go รุ่น Rust ตัด token กัน CSRF ออกเพื่อให้ทำแคชง่ายขึ้น เลิกรองรับของเดิมแบบเต็มรูป และเปลี่ยนจาก Redis ไปใช้คิวในตัวโปรแกรม

เมื่อผู้เขียนทดสอบยิงข้อความ 100 ครั้งต่อวินาที รุ่น Rust ส่งเหตุการณ์ถึงผู้ใช้ได้ราว 14% โดยแทบไม่มี error ส่วนรุ่น Elixir ส่งถึงราว 60% แต่คำขอส่งข้อความหมดเวลาราว 23% และใช้หน่วยความจำ 1.8GB เมื่อขยายบัฟเฟอร์ของรุ่น Rust การส่งถึงขึ้นเป็นราว 90% แต่เวลารอสูงสุดพุ่งจาก 11 วินาทีเป็นกว่า 130 วินาที

ข้อสรุปของผู้เขียนคือโค้ดที่ AI เขียนยังต้องการคนที่เข้าใจข้อแลกเปลี่ยน รูปแบบความล้มเหลว และวิธีวัดผล เพราะเมื่อสเปกไม่ระบุ AI จะเติมการตัดสินใจเองโดยไม่บอก

▲ ทำไมต้องรู้ · องค์กรที่ให้ AI ย้ายหรือเขียนระบบเดิมใหม่ ควรเขียนข้อกำหนดที่เคยเป็นความรู้โดยนัยให้ชัด เช่น ความปลอดภัย การรองรับของเดิม และพฤติกรรมตอนโหลดสูง แล้วทดสอบภายใต้โหลดจริงก่อนใช้งาน

It's all about the bit · Hacker News

ทีมวิจัยที่มี Brian Christian จากศูนย์ Center for Human-Compatible AI ของ UC Berkeley ร่วมกับผู้เขียนจาก CMU, MIT, Oxford และ UCLA ทำการทดลองแบบสุ่มออนไลน์สามชุดกับผู้เข้าร่วมรวม 1,222 คน ชุดแรกให้ทำโจทย์เศษส่วน 15 ข้อ กลุ่มหนึ่งทำเอง อีกกลุ่มเปิด ChatGPT ถามคำตอบได้ แล้วเอา AI ออกหลังข้อที่ 12 ชุดที่สองทำซ้ำแบบเดียวกันกับคนมากขึ้น และชุดที่สามใช้ข้อสอบการอ่านแบบ SAT

ผลคือกลุ่มที่ใช้ AI เริ่มต้นแม่นกว่า แต่เมื่อ AI ถูกเอาออก ความแม่นยำลดลงแทบทันทีและข้ามข้อมากขึ้นชัดเจน ขณะที่กลุ่มที่ทำเองยังคงที่หรือดีขึ้นจนจบ งานนี้นำเสนอในงานประชุม Conference on Language Modeling ในสัปดาห์ที่มีข่าว Christian สรุปว่า "We showed, ironically, that they are often helping us in ways that are kind of unhelpful."

ข้อควรระวังคือบทความข่าวของมหาวิทยาลัยไม่ได้ให้ขนาดผลเป็นตัวเลข และผู้เข้าร่วมเป็นคนที่รับสมัครทางออนไลน์ทำโจทย์ง่าย ซึ่งอาจต่างจากงานจริงในที่ทำงาน

▲ ทำไมต้องรู้ · ถ้าเราให้ AI ตอบแทนทุกครั้ง ทักษะที่ต้องใช้ตอนไม่มี AI อาจอ่อนลงเร็วกว่าที่คิด องค์กรที่ฝึกพนักงานใหม่ควรออกแบบให้ AI ช่วยแบบติวเตอร์ที่ชวนคิด มากกว่าให้คำตอบสำเร็จรูปตั้งแต่แรก

UC Berkeley Research · arXiv 2604.04721 · Hacker News

งานชื่อ MASS ให้โมเดล Qwen3.6-27B ค้นหาวิธีจัดทีม agent หลายตัวที่ทำงานได้ดีที่สุดโดยไม่แก้น้ำหนักโมเดล แล้วนำผลงานของทีมที่ตัวเองตัดสินว่าดีที่สุดไปปรับจูนโมเดล วนสองรอบบนโจทย์วิจัยสังเคราะห์ 12 ข้อด้านการเงิน หุ่นยนต์ และเภสัชกรรม เมื่อให้ GPT-5.5 และ Claude Opus 4.8 เป็นกรรมการภายนอก รุ่นรอบที่สองชนะรุ่นตั้งต้น 69.9% บนโจทย์ทดสอบที่กันไว้ และการตัดสินของโมเดลเองตรงกับกรรมการภายนอกมากขึ้นจาก 73% เป็น 93%

บนชุดทดสอบงานวิจัยสี่ชุด คะแนนต่อโทเคนที่ใช้ดีขึ้น 1.2 ถึง 1.6 เท่า แต่บนชุดงานเขียนซอฟต์แวร์ Terminal-Bench 2.0 และ SWE-bench Verified ไม่ดีขึ้นเลย

ข้อควรระวังคือเป็น preprint ชุดทดสอบมีโจทย์เพียงสามข้อ ผลการค้นหาทีมแกว่งมาก และผู้เขียนเตือนเองว่าการให้โมเดลตัวเดียวตัดสินงานของตัวเองอาจตอกย้ำจุดบอดเดิมซ้ำๆ

▲ ทำไมต้องรู้ · แนวคิดให้ AI จัดทีม agent และพัฒนาตัวเองจากผลงานที่ดีที่สุดเริ่มได้ผลกับงานที่ไม่มีเฉลยตายตัว แต่ผลยังไม่ข้ามไปถึงงานเขียนโค้ด และยังต้องมีคนหรือกรรมการภายนอกตรวจว่าโมเดลไม่ได้ชมตัวเองผิดทาง

Sakana AI · arXiv 2610.12176 · Hacker News

ทีมผู้เขียนแปดคนศึกษากรณีที่ผู้ใช้เปลี่ยนใจกลางบทสนทนา เช่น ขอให้แก้อย่างหนึ่งแล้วบอกว่าไม่เอาแล้ว และพบว่าโมเดลมักยังทำตามคำขอที่ถูกปฏิเสธหรือถูกแทนที่ไปแล้ว บทคัดย่อเขียนว่า "merely mentioning a rejected change can derail task execution" ทีมสร้างชุดทดสอบ Intent-Eval ครอบคลุมการสั่งใช้เครื่องมือ การเขียนโค้ด ฐานข้อมูล และคณิตศาสตร์ และเสนอวิธีฝึกให้โมเดลทำตามเจตนาล่าสุดของผู้ใช้เท่านั้น

ข้อควรระวังคือเป็น preprint และบทคัดย่อไม่ได้ให้ตัวเลขผลลัพธ์

▲ ทำไมต้องรู้ · คนที่คุยกับ AI ยาวๆ แล้วเปลี่ยนคำสั่งกลางทางคงเคยเจออาการนี้ วิธีลดปัญหาที่ทำได้ทันทีคือเมื่อเปลี่ยนใจให้สรุปคำสั่งล่าสุดใหม่ทั้งหมดในข้อความเดียว หรือเริ่มบทสนทนาใหม่ แทนการบอกแค่ว่าไม่เอาอันเดิมแล้ว

arXiv 2610.06496

ทีมจาก Fudan University และ SII เสนอ REMORY ที่เติมโทเคนจากเครือข่ายหน่วยความจำเข้าไปคู่กับข้อความสรุป เพื่อให้โมเดลที่ไม่ได้ฝึกใหม่กู้ข้อมูลที่หายไปตอนระบบย่อบทสนทนายาวกลับมาได้ ผลบนโมเดล Qwen3.8-27B และ GLM-5.3-Flash ได้คะแนนเข้าใกล้การใส่ข้อมูลเต็มทั้งหมด โดยใช้ตำแหน่งข้อมูลขาเข้าเพียง 5.2% และผู้เขียนอ้างว่าช่วยให้อ้างที่มาได้ดีขึ้นและเรียกเครื่องมือซ้ำหรือผิดน้อยลง

ข้อควรระวังคือเป็น preprint รุ่นแรก และส่วนที่อ้างเรื่องการอ้างที่มากับการเรียกเครื่องมือไม่มีตัวเลขในบทคัดย่อ

▲ ทำไมต้องรู้ · agent ที่ทำงานยาวต้องย่อบทสนทนาเป็นระยะและมักลืมรายละเอียดสำคัญหลังย่อ งานแนวนี้คือความพยายามแก้ปัญหาที่ผู้ใช้เจอบ่อยว่า agent ลืมสิ่งที่ตกลงกันไว้ก่อนหน้า

arXiv 2610.11287

งานชื่อ Mara Chain จาก Ant Group ปรับพรอมต์ Skills และโครงที่ครอบ agent โดยเก็บตัวเลือกที่ถูกตัดตกไว้แล้วนำมาปรับต่อ แทนการทิ้งเหมือนวิธีเดิม บน AppWorld ได้ผลดีขึ้นสูงสุด 20.5% เมื่อเทียบแบบสัมพัทธ์กับวิธีเดิมอย่าง GEPA และใช้การรันทดลองน้อยกว่า GEPA 65.5% กว่าจะถึงคะแนนเป้าหมาย ส่วนบน TerminalBench 2.1 อัตราผ่านสูงกว่าวิธีเทียบ 20.2 ถึง 22.5 จุด

ข้อควรระวังคือเป็น preprint จากห้องวิจัยของบริษัทที่ส่งขึ้นตั้งแต่ปลายเดือนกันยายน และตัวเลขที่สูงสุดใช้คำว่าสูงสุด

▲ ทำไมต้องรู้ · การปรับพรอมต์และ Skills ของ agent ด้วยระบบอัตโนมัติกำลังกลายเป็นงานปกติของทีมที่ใช้ agent จริง และงานนี้ชี้ว่าความพยายามที่ล้มเหลวมีข้อมูลที่ใช้ต่อได้ ไม่ควรทิ้งไปเฉยๆ

arXiv 2609.35855

ผู้เขียนสองคนเสนอวิธีให้ระบบ deep research ปรับรายงานที่มีอยู่แล้วทีละส่วนด้วยหลักฐานที่จัดโครงสร้างไว้ เมื่อเทียบกับวิธีเดิมบน DeepResearch Bench ใช้โทเคนน้อยลง 33% และเรียกค้นเว็บน้อยลง 61% พร้อมคะแนนความตรงของเนื้อหาและโครงเรื่องดีขึ้น และยังเสนอกรอบการประเมินรายงานที่ต้องอัปเดตต่อเนื่องสิบปี

ข้อควรระวังคือเป็น preprint จากผู้เขียนสองคน และตัวเลขคุณภาพรายงานเป็นตัวเลขสูงสุด

▲ ทำไมต้องรู้ · คนที่ใช้ฟีเจอร์ค้นคว้าเชิงลึกทำรายงานติดตามเรื่องเดิมเป็นประจำ เช่น ภาวะตลาดหรือคู่แข่ง จะได้ประโยชน์ถ้าระบบอัปเดตจากของเดิมได้ ทั้งเร็วขึ้นและเปลืองน้อยลง

arXiv 2610.11566

Techsauce รายงานว่าการประชุมประจำปีของ IMF และธนาคารโลกจัดที่กรุงเทพฯ ระหว่าง 12 ถึง 18 ตุลาคม 2026 โดยคาดว่ารัฐมนตรีคลังและผู้ว่าการธนาคารกลางจาก 191 ประเทศจะเข้าร่วม บทความรวบรวมข้อเสนอภาษีจาก AI ที่กำลังถูกพูดถึง เช่น Dario Amodei ซีอีโอ Anthropic ที่เสนอต่อ Axios ให้เก็บราว 3% ของรายได้ทุกครั้งที่ใช้โมเดล ภาษีหุ่นยนต์ของ Bill Gates และค่าธรรมเนียมไฟฟ้าดาต้าเซ็นเตอร์ของวุฒิสมาชิก Elizabeth Warren

ฝั่ง IMF เองมีบันทึกปี 2024 ที่ไม่แนะนำให้เก็บภาษีพิเศษเฉพาะ AI แต่เสนอให้เพิ่มภาษีเงินได้จากทุน ภาษีขั้นต่ำระดับโลก และภาษีกำไรส่วนเกินที่ใช้กับทุกธุรกิจ ส่วนรายงาน World Development Report 2026 ของธนาคารโลกประเมินว่างานราว 4.5% ในประเทศรายได้ต่ำและปานกลางเสี่ยงถูกแทนด้วยระบบอัตโนมัติ เทียบกับ 14.2% ในประเทศรายได้สูง

ข้อควรระวังคือข้อมูลทั้งหมดมาจากบทความอธิบายของ Techsauce ซึ่งไม่ใช่ข่าวประกาศนโยบายใหม่ และเราเปิดหน้าการประชุมบนเว็บ IMF เพื่อยืนยันวันที่ไม่ได้

▲ ทำไมต้องรู้ · ไทยเก็บ VAT 7% จากบริการดิจิทัลต่างประเทศอยู่แล้ว ถ้าแนวคิดภาษีจาก AI ถูกผลักดันต่อในเวทีระดับโลก ต้นทุนของบริการ AI ที่องค์กรไทยซื้อใช้อาจเปลี่ยนตามได้ จึงควรตามดูว่าในงานที่กรุงเทพฯ สัปดาห์นี้มีข้อเสนอใดคืบหน้าจริง

Techsauce

Blognone รายงานเมื่อ 11 ตุลาคม อ้าง PC Mag และ Japan Today ว่าในสัปดาห์ที่ผ่านมามีบริษัทและองค์กรในญี่ปุ่นกว่า 20 แห่งถูกเจาะข้อมูล รวมถึงร้านมือสอง Bookoff ระบบจองตั๋วรถไฟ Ekinet ของ JR East และบริการเช่ารถ Times Car ซึ่งรายงานว่าข้อมูลที่รั่วรวมถึงใบขับขี่ Toshiharu Furukawa รัฐมนตรีดิจิทัลกล่าวในที่ประชุมยุทธศาสตร์ความปลอดภัยไซเบอร์ว่าสถานการณ์อยู่ในระดับวิกฤตอย่างยิ่ง

ผู้เชี่ยวชาญมองว่าความสามารถของ AI ที่สูงขึ้นทำให้การบุกรุกเพิ่มขึ้นโดยรวม และในกรณีญี่ปุ่น AI ยังช่วยลดกำแพงภาษาที่เคยกันแฮกเกอร์ต่างชาติไว้

ข้อควรระวังคือบทบาทของ AI เป็นความเห็นของผู้เชี่ยวชาญ ยังไม่มีหลักฐานว่าเหตุแต่ละครั้งใช้ AI จริง และเราอ่านจาก Blognone ไม่ได้เปิดต้นทางภาษาอังกฤษ

▲ ทำไมต้องรู้ · ภาษาไทยเคยเป็นกำแพงที่ทำให้อีเมลหลอกลวงจากต่างประเทศดูออกง่าย เมื่อ AI เขียนภาษาท้องถิ่นได้เนียน องค์กรไทยควรถือว่ากำแพงนั้นหายไปแล้ว และฝึกพนักงานให้ตรวจคำขอที่ผิดปกติจากเนื้อหา ไม่ใช่จากภาษาที่ผิด

Blognone

TechCrunch รายงานเมื่อ 4 ตุลาคมว่าประธานาธิบดี Trump ประกาศตั้ง Super Intelligence Force เพื่อประสานงานรัฐบาลกลางให้สหรัฐฯ นำโลกด้าน Super Intelligence โดย Wall Street Journal รายงานว่า Jay Clayton ผู้อำนวยการข่าวกรองแห่งชาติเป็นประธาน และมีกำหนด 120 วันในการทำรายงานความเสี่ยงและโอกาส ก่อนหน้านั้น Trump ลงนามคำสั่งประธานาธิบดีที่ Techsauce ระบุว่าเป็นฉบับที่ 14434 ลงวันที่ 29 กันยายน ให้หน่วยงานรัฐบาลกลางใช้คำว่า Super Intelligence แทน AI ในเอกสารทางการเท่าที่กฎหมายเปิด โดยนิยามทางกฎหมายยังเหมือนเดิม

Blognone รายงานเมื่อ 11 ตุลาคมว่า Marc Benioff ประกาศเปลี่ยนชื่อ AIForce ของ Salesforce เป็น SIForce พร้อมข้อความ "The era of Super Intelligence is here." และ Satya Nadella ซีอีโอ Microsoft เสนอว่าระบบระดับนี้ควรสร้างเป็นส่วนที่ตรวจแยกได้ มีบันทึกการกระทำที่แก้ไม่ได้ และมีคนที่มีอำนาจสั่งปิดระบบได้ทันที

ข้อควรระวังคือคำสั่งนี้ผูกพันเฉพาะฝ่ายบริหาร ไม่ใช่ภาคเอกชนและไม่ได้แก้กฎหมาย เราเปิดเอกสารใน Federal Register เพื่อยืนยันเลขคำสั่งเองไม่ได้ และถ้อยคำของ Nadella มาจากการเรียบเรียงของ Blognone ไม่ได้อ่านจากโพสต์ต้นทาง

▲ ทำไมต้องรู้ · คำว่า Super Intelligence จะถูกใช้ในเอกสารรัฐและการตลาดมากขึ้น แต่ในกรณีนี้หมายถึง AI แบบเดียวกับที่ใช้อยู่ทุกวัน คนทำงานควรอ่านให้ออกว่าเป็นการเปลี่ยนชื่อเรียก ไม่ใช่ความสามารถใหม่ของเครื่องมือ

TechCrunch · Techsauce · Blognone

Nathan Lambert เขียนใน Interconnects เมื่อ 6 ตุลาคมว่ากรอบคิดที่ว่าโมเดลน้ำหนักเปิดอันตรายแต่โมเดลปิดปลอดภัยเป็นทางที่เสียทั้งสองฝ่าย เพราะการโจมตีทางไซเบอร์ที่มีบันทึกสาธารณะส่วนใหญ่เกี่ยวกับโมเดลปิด เขาเห็นว่าถ้าจะห้ามโมเดลเปิดเพราะความเสี่ยงไซเบอร์ ก็ต้องพิจารณา API ของโมเดลปิดด้วย ไม่อย่างนั้นจะยิ่งถ่างช่องว่างระหว่างฝ่ายโจมตีกับฝ่ายป้องกัน

เขายังประเมินว่าการประเมินความปลอดภัยแบบครบถ้วนกับโมเดลเปิดขนาดใหญ่หนึ่งตัวอาจมีค่าประมวลผลระดับหลายสิบล้านดอลลาร์

ข้อควรระวังคือเป็นความเห็นของผู้เขียนที่มีจุดยืนสนับสนุนโมเดลเปิดชัดเจน

▲ ทำไมต้องรู้ · ในสัปดาห์เดียวกับที่ผู้ให้บริการโมเดลปิดเปิดช่องให้ทีมความปลอดภัยใช้งานเต็มที่ผ่านการยืนยันตัวตน การถกเถียงว่าใครควรเข้าถึงความสามารถด้านไซเบอร์ของ AI กำลังจะกระทบว่าองค์กรเลือกใช้โมเดลแบบไหนกับงานความปลอดภัย

Interconnects