AI News · 2026-10-13

Meta เปิดตัวโมเดลสองตัวเมื่อ 12 ตุลาคม คือ Muse Wonder และ Muse Wonder Full ซึ่งบริษัทเรียกว่าเป็นโมเดลที่เก่งที่สุดของตัวเอง เน้นงานเขียนโค้ด agent ที่ทำงานต่อเนื่องนาน และการสั่งงานคอมพิวเตอร์ จุดขายสองข้อคือ Active Memory ที่จำบริบทของผู้ใช้ และ Active Focus ที่ทำงานตามเป้าหมายระยะยาวต่อได้ ทั้งสองตัวฝึกที่ดาต้าเซ็นเตอร์ Prometheus ของ Meta และรับข้อมูลขาเข้าได้ราวหนึ่งล้านโทเคน TechCrunch ระบุว่าเป็นการเปิดตัวโมเดลแนวหน้าครั้งแรกนับจากที่ Meta ปรับโครงสร้างทีม AI ภายใต้ Alexandr Wang เมื่อเดือนสิงหาคม 2025

Muse Wonder ใช้ผ่าน Meta Model API ได้แล้วในสถานะทดลอง ราคา 4 ดอลลาร์ต่อล้านโทเคนขาเข้าและ 20 ดอลลาร์ต่อล้านโทเคนขาออก ซึ่งเท่ากับ Claude Opus 5.5 ส่วน Muse Wonder Full ไม่มีบน API แต่ใช้ได้แล้วใน Muse Code เฉพาะแพ็กเกจสองระดับบนสุด ทั้งสองตัวไม่เปิดน้ำหนักให้ดาวน์โหลด และ Meta บอกว่า Muse Wonder จะเริ่มใช้ในแอป Muse เร็วๆ นี้โดยเปิดให้สมาชิกก่อน

ในตารางของ Meta ที่วัดด้วยระดับการคิดสูงสุด Muse Wonder ได้ 85.6 บนชุดทดสอบด้านความจำ MemoryBench สูงกว่า Claude Fable 5.1 ที่ 79.0 GPT-6 Astra ที่ 81.4 และ Claude Opus 5.5 ที่ 81.5 แต่ Opus 5.5 ยังนำในหลายชุดทดสอบ เช่น Terminal-Bench ด้าน Artificial Analysis ซึ่งวัดแยกเอง ให้ Muse Wonder 52 คะแนนบนดัชนีรวม เทียบกับ Opus 5.5 ที่ 58

ข้อควรระวังคือคะแนนส่วนใหญ่มาจากตารางของ Meta และ Meta ยังไม่ระบุประเทศที่ใช้งานได้ อีกเรื่องคือแพ็กเกจ Muse Code ตั้งค่าตั้งต้นให้ Meta นำเนื้อหาของผู้ใช้ไปฝึกโมเดลได้จนกว่าผู้ใช้จะปิดเอง

▲ ทำไมต้องรู้ · ตลาดโมเดลระดับบนมีผู้เล่นเพิ่มอีกรายในช่วงราคาเดียวกับ Opus 5.5 องค์กรที่เลือกโมเดลสำหรับงาน agent จะมีตัวเลือกเพิ่ม แต่ควรทดลองกับงานของตัวเองและตรวจการตั้งค่าการใช้ข้อมูลก่อนส่งงานจริงเข้าไป

Meta · Meta Model API (ราคา) · Artificial Analysis · TechCrunch · Hacker News

Unite.AI และ AlphaSignal รายงานว่า Z.ai เปิดตัว GLM-Legal เมื่อ 12 ตุลาคม โดยต่อยอดจาก GLM-5.3-Flash และ Z.ai อ้างว่าทำคะแนนบนชุดทดสอบงานสำนักงานกฎหมาย Harvey LAB ที่ครอบคลุม 24 สาขากฎหมายได้ 19.2% แบบผ่านทุกข้อ สูงกว่าโมเดลตั้งต้น 12.5 จุด ส่วนคะแนนบน LegalBench และ PLawBench ที่บอกว่าใกล้เคียงโมเดลปิดระดับแนวหน้านั้นไม่ได้ให้ตัวเลข

การใช้งานผ่าน API ต้องกรอกใบสมัครเข้าร่วมทดลอง ซึ่งเปิดให้สำนักงานกฎหมาย บริษัทเทคโนโลยีกฎหมาย และฝ่ายกฎหมายในองค์กร และยังใช้ได้ผ่านแอป agent บนเดสก์ท็อปของ Z.ai

ข้อควรระวังคือตัวเลขทั้งหมดเป็นการวัดของ Z.ai เองที่ยังไม่มีใครทดสอบซ้ำ เราเปิดหน้าประกาศของ Z.ai ไม่ได้เพราะแสดงผลด้วย JavaScript อย่างเดียว และยังไม่ระบุสัญญาอนุญาตของตัว GLM-Legal

▲ ทำไมต้องรู้ · AI เฉพาะทางกฎหมายเริ่มมีตัวเลือกจากผู้ให้บริการจีน แต่งานกฎหมายเต็มไปด้วยข้อมูลลับของลูกค้า สำนักงานกฎหมายและฝ่ายกฎหมายในไทยควรพิจารณาว่าข้อมูลถูกประมวลผลที่ไหนและอยู่ใต้กฎหมายประเทศใดก่อนทดลองใช้

Unite.AI · AlphaSignal · Hacker News

GitHub ประกาศในสรุปรายสัปดาห์เมื่อ 9 ตุลาคมว่า local sandboxing ซึ่งจำกัดสิ่งที่ agent เข้าถึงได้ทั้งไฟล์ เครือข่าย และข้อมูลยืนยันตัวตน เปิดใช้ทั่วไปแล้วใน Copilot CLI แอป Copilot และ agent ใน VS Code โดยรวมอยู่ใน Copilot ไม่มีค่าใช้จ่ายเพิ่ม รอบเดียวกัน คำสั่งเลือกโมเดลใน Copilot CLI ค้นเจอโมเดลที่รันในเครื่องผ่าน Ollama ได้ และ VS Code 1.141 แสดง agent หลายงานเคียงกันเป็นตารางได้

ฝั่ง Copilot สำหรับ JetBrains อัปเดตเมื่อ 10 ตุลาคมให้ผู้ดูแลองค์กรกำหนดโมเดลตั้งต้นของ agent ได้ เพิ่มตัวเลือกปิดการเปิด MCP server อัตโนมัติ และเลิกรองรับ IDE รุ่นก่อน 2025.2

ข้อควรระวังคือประกาศระบุสถานะใช้งานทั่วไปเฉพาะเรื่อง sandbox ส่วนรายการอื่นไม่ได้บอกสถานะ

▲ ทำไมต้องรู้ · ความกังวลหลักขององค์กรที่ให้ agent เขียนโค้ดบนเครื่องพนักงานคือ agent เข้าถึงรหัสผ่านหรือส่งข้อมูลออกไปข้างนอก การมี sandbox เป็นค่ามาตรฐานในเครื่องมือที่ใช้กันกว้างขวางช่วยให้ฝ่ายไอทีตั้งนโยบายได้ง่ายขึ้น

GitHub Changelog · GitHub Changelog (JetBrains)

ผู้ใช้รายหนึ่งเปิดรายงานปัญหาใน GitHub ของ Codex ว่า Codex CLI รุ่น 0.157.0 บน Linux และ WSL2 เปิดโปรแกรมเบื้องหลังที่ยังทำงานต่อหลังปิดหน้าต่าง Codex ทุกหน้าต่าง คัดลอกแพ็กเกจขนาดราว 374MB ไว้ในเครื่อง และมีตัวตรวจอัปเดตที่เช็กทุกชั่วโมง ซึ่งรีสตาร์ตระบบและตัดงานที่กำลังทำอยู่ได้ ผู้รายงานบอกว่าคำสั่งหยุดโปรแกรมเบื้องหลังหยุดได้เฉพาะตัวเซิร์ฟเวอร์ แต่ตัวอัปเดตยังทำงานต่อ

รายงานนี้เปิดตั้งแต่ 25 กันยายน และขึ้นเป็นเรื่องเด่นบน Hacker News เมื่อ 12 ตุลาคม ผู้ใช้ใน Hacker News บอกว่าตั้งค่า daemon_auto_start เป็น false ในไฟล์ตั้งค่าของ Codex แล้วปิดได้ แต่ค่านี้ไม่มีในเอกสาร

ข้อควรระวังคือเป็นรายงานของผู้ใช้ ไม่ใช่คำอธิบายของ OpenAI และในหน้ารายงานยังไม่มีผู้ดูแลจาก OpenAI ตอบ

▲ ทำไมต้องรู้ · เครื่องมือ agent ที่ติดตั้งบนเครื่องพนักงานอาจทำงานและอัปเดตตัวเองอยู่เบื้องหลังโดยที่ผู้ใช้ไม่รู้ ฝ่ายไอทีควรตรวจว่าเครื่องมือเหล่านี้ทิ้งโปรแกรมอะไรไว้ในเครื่องบ้างก่อนอนุมัติให้ใช้ในองค์กร

GitHub · Hacker News

ข้อเสนอ QEP 428 ของ QGIS ที่ Nyall Dawson เปิดเมื่อ 24 กันยายน ถูกรวมเข้าเป็นนโยบายเมื่อ 7 ตุลาคม และกลายเป็นเรื่องที่ถูกพูดถึงบน Hacker News เมื่อ 12 ตุลาคม นโยบายใหม่เปลี่ยนการรับโค้ดที่ใช้ AI ช่วยเขียนเป็นไม่อนุญาตอย่างเคร่งครัด โดยเกณฑ์คือผู้ส่งเขียนโค้ดนั้นเองด้วยความสุจริตใจหรือไม่ ผู้ดูแลคนหนึ่งให้เหตุผลว่าการใช้ AI ของผู้ร่วมพัฒนาภายนอกสร้างแรงกดดันมหาศาลที่ทีมดูแลแบกไม่ไหว และ Dawson บอกว่าโครงการเสียผู้ร่วมพัฒนาที่มีคุณค่าสูงไปแล้วอย่างน้อยหนึ่งคน

Dawson ระบุว่านโยบายนี้ไม่ได้ตายตัวตลอดไป และกรณีอย่างการเติมโค้ดอัตโนมัติหรือการแปลอาจพิจารณาเป็นรายกรณี

ข้อควรระวังคือหน้าข้อเสนอที่เราเปิดไม่ได้แสดงข้อความนโยบายฉบับเต็ม

▲ ทำไมต้องรู้ · ต้นทุนที่แท้จริงของโค้ดจาก AI อยู่ที่คนตรวจ องค์กรที่ให้ทีมใช้ AI เขียนโค้ดควรวางกติกาว่าใครรับผิดชอบโค้ดที่ส่ง และจำกัดขนาดงานที่ส่งตรวจต่อครั้ง ก่อนที่ผู้ตรวจจะรับไม่ไหวเหมือนกรณีนี้

GitHub (QGIS) · Hacker News

ทีมผู้เขียนกว่า 20 คนวิเคราะห์คำถาม 127,833 ครั้งจากแพทย์ พยาบาล และบุคลากรการแพทย์ 6,342 คนใน 35 สาขา ตลอดช่วงแปดเดือนที่สถาบันแห่งหนึ่งเปิดใช้ผู้ช่วย AI ภายใน พบว่างานเอกสารและงานธุรการคิดเป็น 36.2% และการค้นความรู้ 28.9% ขณะที่การวินิจฉัยโรคมีเพียง 3.7% และคำถามกว่าหนึ่งในสามตอบให้ดีไม่ได้ตามที่ถามมา

เมื่อเทียบกับชุดทดสอบสาธารณะ 58 ชุด ชุดทดสอบตรงกลางไม่มีโจทย์งานเอกสารเลย และตรงกับสัดส่วนงานจริงเพียงราว 31%

ข้อควรระวังคือเป็น preprint จากข้อมูลของสถาบันเดียวที่บทคัดย่อไม่ได้ระบุชื่อ และการแบ่งประเภทงานเป็นกรอบที่ผู้เขียนสร้างเอง

▲ ทำไมต้องรู้ · คะแนนบนชุดทดสอบบอกได้น้อยว่าโมเดลจะช่วยงานจริงของเราได้แค่ไหน องค์กรที่เลือกเครื่องมือ AI ควรเก็บตัวอย่างงานที่พนักงานใช้จริงแล้วทดสอบกับงานชุดนั้น

arXiv 2610.11069

งานวิจัยของ NBER ชื่อ Writing Code vs. Shipping Code ของ Demirer, Musolff และ Yang ศึกษานักพัฒนาบน GitHub กว่า 5 แสนคน พบว่าจำนวน commit เพิ่มขึ้นราว 30% เมื่อใช้การเติมโค้ดอัตโนมัติ 180% เมื่อใช้ agent แบบโต้ตอบ และ 240% เมื่อใช้ agent แบบทำงานเอง แต่ผลของ agent แบบทำงานเองลดเหลือราว 80% เมื่อวัดเป็นจำนวนโครงการ และราว 30% เมื่อวัดเป็นจำนวนรุ่นที่ปล่อยออกไป ในตลาดซอฟต์แวร์สี่แห่งที่ศึกษา จำนวนแอปใหม่เพิ่มขึ้นแต่การใช้งานรวมไม่เพิ่ม

อีกงานจาก Harvard ที่ใช้ข้อมูลการทำงานของบริษัทกว่า 700 แห่ง พบว่าการใช้ agent สัมพันธ์กับจำนวนบรรทัดโค้ดที่เพิ่มราว 30% และ pull request ที่เพิ่มราว 23% แต่อัตราการปิดงานในระบบติดตามงานไม่เปลี่ยนอย่างมีนัยสำคัญ และการรีวิวโค้ดกลายเป็นคอขวด

ข้อควรระวังคือทั้งสองเป็นงานวิจัยฉบับร่าง และตัวเลขของงาน Harvard เราอ่านจากบทสรุปของเว็บอื่นที่อ้าง Ars Technica ไม่ได้เปิดตัวงานวิจัยเอง

▲ ทำไมต้องรู้ · ตัวชี้วัดอย่างจำนวนบรรทัดโค้ดหรือจำนวน commit ทำให้ AI ดูคุ้มกว่าความจริง ผู้บริหารที่วัดผลการลงทุน AI ในทีมพัฒนาควรวัดที่งานที่ส่งมอบถึงผู้ใช้ และดูว่าคอขวดย้ายไปอยู่ที่การรีวิวหรือไม่

NBER · winzheng (สรุปงาน Harvard) · Hacker News

ผู้เขียนสามคนวิเคราะห์เซสชันการใช้ agent เขียนโค้ดจริง 4,782 เซสชัน พบว่ายิ่งเซสชันยาว ผู้ใช้ยิ่งสลับระหว่างการถาม การวางแผน การรีวิว และการปรับโครงสร้างโค้ด ต่างจากชุดทดสอบที่ให้ agent แก้ปัญหาเดียวจบในรอบเดียว จึงเสนอ SWE-TaskFlow ที่แปลงโจทย์เดิมเป็นการทำงานหลายขั้นโดยยังใช้ชุดทดสอบเดิม

ในการทดลองนำร่องกับโจทย์ 700 ข้อจาก SWE-Bench Pro การทำงานแบบหลายขั้นทำให้ค่าใช้จ่ายของ agent เพิ่มขึ้นราวสองเท่า โดยอัตราแก้โจทย์สำเร็จไม่เปลี่ยนอย่างคงที่

ข้อควรระวังคือเป็น preprint เชิงเสนอแนวคิดที่มีแค่การทดลองนำร่อง และข้อมูลการใช้งานมาจากผู้ใช้เครื่องมือของบริษัทเดียว

▲ ทำไมต้องรู้ · วิธีที่เราคุยกับ agent มีผลต่อค่าใช้จ่ายแม้ผลลัพธ์จะเท่าเดิม ทีมที่จ่ายค่า agent ตามโทเคนควรวัดต้นทุนจากรูปแบบการใช้งานจริง ไม่ใช่จากตัวเลขบนชุดทดสอบ

arXiv 2610.09633

ทีมผู้เขียนเจ็ดคนเสนอ CLEAT ที่ฝึกให้ agent ประเมินว่าการถามคำถามเพื่อความชัดเจนคุ้มหรือไม่ โดยเทียบผลของการทำงานสองแบบจากจุดเดียวกัน แบบหนึ่งถามและอีกแบบไม่ถาม บนโมเดลขนาดเล็ก Qwen3-4B วิธีนี้ได้คะแนนเฉลี่ยสูงสุดในทั้ง 10 การตั้งค่าบนชุดทดสอบ 4 ชุด และดีกว่าวิธีเทียบที่ดีที่สุด 13.2 จุดบนโจทย์วางแผนท่องเที่ยว UserGym Travel

ข้อควรระวังคือเป็น preprint ที่ทดสอบกับโมเดลเล็กและชุดทดสอบเท่านั้น ยังไม่มีการทดลองกับผู้ใช้จริง

▲ ทำไมต้องรู้ · agent ที่ถามทุกเรื่องน่ารำคาญ ส่วน agent ที่ไม่ถามเลยก็เดาผิดบ่อย งานแนวนี้คือการแก้ปัญหาที่คนใช้ agent เจอทุกวัน และระหว่างนี้วิธีที่ได้ผลคือเขียนคำสั่งให้ครบตั้งแต่ต้น

arXiv 2610.12655

ทีมผู้เขียน 27 คนสร้างเกมแข่งขัน 12 เกมพร้อมโปรแกรมที่คนเขียนไว้ 1,920 ตัว แล้วให้ agent ปรับปรุงโปรแกรมเล่นเกมของตัวเองโดยไม่แก้น้ำหนักโมเดล ผลคือ Opus 5.5 ที่ใช้ผ่าน Claude Code ได้เหรียญทอง 6 เกม ส่วนอีก 6 เกมไม่มีการตั้งค่าใดขึ้นเป็นอันดับหนึ่งเหนือโปรแกรมของคนได้ agent ทำได้แย่ลงในเกมที่กติกาซับซ้อน และเรียนรู้จากการดูบันทึกการแข่งขันของตัวเองและคู่แข่ง

ข้อควรระวังคือเป็น preprint และเป็นชุดทดสอบเกม ความเชื่อมโยงกับงานทั่วไปจึงเป็นทางอ้อม

▲ ทำไมต้องรู้ · ผลนี้ชี้ว่า agent ปรับปรุงงานของตัวเองจากผลตอบรับได้จริงในโจทย์ที่วัดแพ้ชนะได้ชัด แต่ยังมีเพดานเมื่อกติกาซับซ้อน ซึ่งคล้ายกับงานในองค์กรที่มีเงื่อนไขซ้อนกันหลายชั้น

arXiv 2610.12341

สไลด์บรรยาย Math 2.0 ของ Terence Tao ที่ Caltech เดือนตุลาคม เสนอว่าคณิตศาสตร์กำลังเปลี่ยนจากยุคที่บทพิสูจน์เป็นของหายาก ไปสู่ยุคที่มีบทพิสูจน์มากมาย เพราะบทพิสูจน์ตรวจความถูกต้องได้ชัดเจนและแปลงเป็นข้อมูลดิจิทัลได้ เขาเรียกความสามารถของ AI ว่าไม่สม่ำเสมออย่างยิ่ง และเตือนว่าโซเชียลมีเดียแสดงแต่ความสำเร็จของ AI ขณะที่ความพยายามที่ล้มเหลวไม่ถูกรายงาน

ตัวอย่างที่ยก เช่น โครงการ Equational Theories Project ที่ตัดสินข้อความจริงหรือเท็จได้กว่า 22 ล้านข้อ และเขาตั้งคำถามเชิงความคิดว่า ถ้า AI ผลิตยารักษามะเร็งที่ผ่านการทดลองระยะสามพร้อมใบรับรองจากระบบตรวจ Lean แต่ไม่มีใครเข้าใจกลไก เราจะยอมใช้หรือไม่ เขาสรุปว่าคอขวดของคณิตศาสตร์ยุคใหม่ไม่ใช่เทคโนโลยีแต่เป็นจินตนาการ

ข้อควรระวังคือเป็นสไลด์บรรยายที่แสดงความเห็นของผู้บรรยาย ไม่ใช่งานวิจัย

▲ ทำไมต้องรู้ · ข้อเตือนเรื่องเห็นแต่ความสำเร็จใช้กับทุกวงการ เวลาเห็นตัวอย่างงานเด่นของ AI บนโซเชียล ควรถามว่าลองไปกี่ครั้งกว่าจะได้ผลนั้น ก่อนตั้งความคาดหวังกับงานของเราเอง

Terence Tao (สไลด์ PDF) · Hacker News

Techsauce รายงานจากเวทีวิเคราะห์ตลาดแรงงานเอเชียในยุค AI ระหว่างการประชุมประจำปีของ IMF และธนาคารโลกที่กรุงเทพฯ ว่า Divya Kirti จาก IMF นำเสนองานที่วิเคราะห์ประกาศรับสมัครงานทั่วโลก 700 ล้านรายการ พบว่าความต้องการจ้างในอาชีพที่ AI ใช้ประโยชน์ได้มาก เช่น งานเขียนโค้ด ลดลงราว 10% ซึ่งเป็นการลดลงของความต้องการจ้าง ไม่ใช่อัตราการว่างงาน

ผลนี้ไม่ได้เห็นทันทีหลัง ChatGPT ออกในปี 2022 แต่เริ่มปรากฏในปี 2024 ถึง 2025 ขณะที่ความต้องการทักษะ AI เพิ่มขึ้นมากในอาชีพที่ได้รับผลกระทบสูง โดยแบ่งทักษะเป็นสามระดับ คือใช้เป็น ใช้คล่องจนสั่ง agent หลายขั้นได้ และเชื่อม AI เข้ากับความรู้ภายในองค์กร ส่วนไทยถูกจัดอยู่ในกลุ่มที่วัยทำงานลดลงและความต้องการแรงงานจาก AI ติดลบ

ข้อควรระวังคือบทความไม่ได้ลิงก์งานวิจัยต้นทางของ IMF และผู้นำเสนอระบุว่ายังไม่มีหลักฐานชัดว่าคนเพิ่งเริ่มทำงานได้รับผลกระทบหนักกว่า หรือค่าจ้างเปลี่ยนไป

▲ ทำไมต้องรู้ · ตัวเลขนี้ชี้ว่าผลของ AI ต่อตลาดแรงงานเริ่มเห็นที่การรับคนใหม่ก่อนการเลิกจ้าง คนทำงานไทยที่อยู่ในสายงานที่ AI ช่วยได้มากควรยกระดับจากแค่ใช้เป็นไปสู่การออกแบบงานให้ AI ทำหลายขั้นและเชื่อมกับข้อมูลขององค์กร

Techsauce

Techsauce รายงานว่าในเวที Small AI, More and Better Jobs ที่มี Ajay Banga ประธานธนาคารโลก และ Kristalina Georgieva กรรมการผู้จัดการ IMF ร่วมด้วย ดร.เอกนิติ นิติทัณฑ์ประภาศ รองนายกรัฐมนตรีและรัฐมนตรีว่าการกระทรวงการคลัง กล่าวปิดโดยเล่าแนวทาง AI เพื่อการจ้างงานสามด้าน คือยกระดับงานเดิม สร้างความพร้อมสำหรับงานใหม่ และไม่ทิ้งใครไว้ข้างหลัง

ตัวอย่างที่ยกคือผู้ช่วย AI ชื่อนกกระซิบที่ฝังอยู่ในแอปร้านค้าของโครงการรัฐ ไม่ต้องดาวน์โหลดเพิ่ม ช่วยร้านค้ารายย่อยจัดการสต็อกและคำนวณกำไรรายวัน มีผู้ใช้เกือบหนึ่งล้านราย และเมื่อร้านค้ายินยอม ข้อมูลยอดขายจะช่วยให้ธนาคารประเมินสินเชื่อให้ธุรกิจที่ไม่มีหลักประกันได้ รัฐบาลยังตั้งเป้าลดต้นทุน AI และค่าโทเคนให้สตาร์ตอัป ธุรกิจขนาดเล็ก และมหาวิทยาลัย

ข้อควรระวังคือจำนวนผู้ใช้เป็นตัวเลขที่รัฐบาลให้ไว้บนเวที และบทความไม่ได้แนบบันทึกคำกล่าวหรือเอกสารต้นทาง

▲ ทำไมต้องรู้ · การฝัง AI ลงในแอปที่คนใช้อยู่แล้วคือวิธีที่ทำให้ร้านค้ารายย่อยเริ่มใช้ AI ได้โดยไม่ต้องเรียนเครื่องมือใหม่ ส่วนการใช้ข้อมูลยอดขายประเมินสินเชื่อเป็นเรื่องที่เจ้าของร้านควรอ่านเงื่อนไขการยินยอมให้ดี

Techsauce · Techsauce (สรุปเวที)

Scott Guthrie ผู้บริหาร Microsoft เขียนเมื่อ 12 ตุลาคมว่า Maia 300 ชิป AI รุ่นที่สามของบริษัทจะเริ่มติดตั้งใช้งานจริงในปี 2027 และตระกูล Maia จะขยายสู่ระดับหลายกิกะวัตต์ เพื่อเป็นระบบหลักในการประมวลผลคำตอบของผลิตภัณฑ์ Microsoft ตัวชิปใช้หน่วยความจำ HBM4 แปดชุด แบนด์วิดท์ 18.0 TB/s ผลิตบนกระบวนการ N2P ของ TSMC และหนึ่งตู้มีชิป 96 ตัวใช้ไฟ 167 กิโลวัตต์

Microsoft อ้างว่าได้โทเคนต่อเมกะวัตต์มากกว่าระบบ GPU ชั้นนำ 40% และได้ปริมาณงานต่อตู้สูงสุด 7 เท่าของ Maia 200 ซึ่งตอนนี้ให้บริการ Copilot ในสหรัฐฯ ยุโรป และออสเตรเลียอยู่แล้ว โดย GitHub Copilot และ Microsoft Foundry จะตามมาภายในสิ้นปี ชิปนี้รันได้ทั้งโมเดลของ OpenAI โมเดล MAI ของ Microsoft และโมเดลโอเพนซอร์ส

ข้อควรระวังคือตัวเลขประสิทธิภาพทั้งหมดเป็นการอ้างของ Microsoft เอง และยังเหลือเวลาอีกนานกว่าจะใช้งานจริง

▲ ทำไมต้องรู้ · ผู้ให้บริการคลาวด์รายใหญ่หันมาใช้ชิปของตัวเองเพื่อลดต้นทุนการให้บริการ AI ถ้าทำได้ตามที่อ้าง ค่าบริการ AI ในระยะยาวอาจถูกลง และการพึ่งพา GPU ของ Nvidia จะลดลง

Microsoft · Blognone

TechCrunch รายงานเมื่อ 12 ตุลาคมว่า Brad Smith ให้สัมภาษณ์ในพอดแคสต์ของ BBC ว่าสินค้าอย่างนมหรือเครื่องซักผ้ายังถูกกำกับดูแลมากกว่าบริษัท AI และถึงเวลาที่ต้องมีกติกาความปลอดภัยระดับโลก โดยเขาเห็นว่าสหราชอาณาจักรเหมาะเป็นผู้นำมากกว่าสหรัฐฯ หรือสหภาพยุโรป

Smith เสนอให้มีหน้าที่ตามกฎหมายในการแจ้งองค์กรเมื่อ AI agent ที่หลุดการควบคุมเจาะระบบขององค์กรนั้น และให้มีสวิตช์ปิดระบบ ส่วนคำมั่นแบบสมัครใจที่ทำเนียบขาวทำไว้เมื่อเดือนก่อน เขาเห็นว่าเป็นก้าวที่ดีแต่ผูกมัดได้เฉพาะบริษัทที่ดีอยู่แล้ว

ข้อควรระวังคือที่ว่า Smith สนับสนุนให้ผู้ประเมินภายนอกอนุมัติก่อนปล่อยโมเดลเป็นการตีความของ TechCrunch และรายงานว่าทำเนียบขาวขอให้ Anthropic และ OpenAI ระงับการส่งโมเดลใหม่ให้สถาบันทดสอบของสหราชอาณาจักรยังเป็นข่าวที่ไม่ยืนยัน ซึ่งสถาบันฯ ยืนยันว่ายังเข้าถึงโมเดลล่าสุดได้

▲ ทำไมต้องรู้ · หน้าที่แจ้งเหตุเมื่อ agent เจาะระบบเป็นแนวคิดใหม่ที่อาจกลายเป็นข้อกำหนดในอนาคต องค์กรที่ใช้ agent ควรเริ่มเก็บบันทึกการกระทำของ agent ให้ตรวจย้อนหลังได้ตั้งแต่ตอนนี้

TechCrunch

TechCrunch รายงานว่าซีอีโอ Microsoft โพสต์บน X เมื่อ 10 ตุลาคม เสนอให้ถอยกลับมาประเมินโครงสร้างความไว้วางใจของ AI โดยแยกโมเดลออกจากโครงที่สั่งงานโมเดล ย้ายระบบควบคุมและกลไกป้องกันไปไว้ภายนอก บันทึกการกระทำสำคัญทุกครั้งของโมเดลเป็นหลักฐานที่คนอ่านได้และแก้ไขไม่ได้ และให้ผู้มีอำนาจหยุดหรือปิดโมเดลระหว่างทำงานได้เสมอ โดยตั้งต้นจากสมมติฐานว่าโมเดลอาจถูกเจาะแล้ว

ข้อควรระวังคือเป็นข้อเสนอเชิงหลักการ ยังไม่มีรายละเอียดว่า Microsoft จะทำเองอย่างไรในผลิตภัณฑ์ และเราอ่านผ่าน TechCrunch ไม่ได้เปิดโพสต์ต้นทาง

▲ ทำไมต้องรู้ · ข้อเสนอของ Nadella กับ Brad Smith ไปทางเดียวกัน คือคุม agent จากภายนอกตัวโมเดล ซึ่งเป็นหลักที่องค์กรใช้ได้ทันที เช่น จำกัดสิทธิ์ เก็บบันทึกที่แก้ไม่ได้ และมีคนกดหยุดได้

TechCrunch

TechCrunch รายงานว่าเอกสารที่ Apple ยื่นต่อคณะกรรมาธิการยุโรปตามกฎ DMA ระบุว่า Apple ตกลงยื่นข้อเสนอจ้างพนักงานบางส่วนของ Huxe AI และได้สิทธิ์ใช้ทรัพย์สินทางปัญญาของ Huxe แบบไม่ผูกขาด Huxe ก่อตั้งโดยอดีตนักพัฒนาฟีเจอร์พอดแคสต์ AI ของ NotebookLM ซึ่งปัจจุบันชื่อ Gemini Notebook และประกาศปิดบริการเมื่อ 21 พฤษภาคม

ข้อควรระวังคือเอกสารไม่ได้เปิดมูลค่าดีล และไม่ได้บอกว่าพนักงานรับข้อเสนอหรือไม่ ส่วนแผนพอดแคสต์ของ Apple เป็นการคาดการณ์ของสื่อ

▲ ทำไมต้องรู้ · ดีลแบบจ้างทีมพร้อมขอใช้เทคโนโลยีแทนการซื้อบริษัทกลายเป็นรูปแบบปกติของบริษัทใหญ่ ผู้ใช้บริการของสตาร์ตอัป AI ควรเตรียมแผนสำรองเพราะบริการอาจปิดได้เร็ว

TechCrunch

TechCrunch รายงานเมื่อ 12 ตุลาคมว่า Ambi ที่มี Peter Mo อดีตผู้บริหาร Plaud เป็นซีอีโอ ได้เงินทุนรวม 26 ล้านดอลลาร์จากหลายรอบ นำโดย Luminous Ventures แอปบันทึกและสรุปการประชุม และเลือกเปิดให้ฟังได้ทั้งวัน เปิดให้ใช้บน iPhone, Mac และ Apple Watch แล้ว และมีแผนออกอุปกรณ์ที่มีจอ ลำโพง กล้อง และไมโครโฟน

การบันทึกตลอดวันปิดไว้เป็นค่าตั้งต้น Ambi บอกว่าไม่เก็บไฟล์เสียงและเข้ารหัสข้อมูลแต่ไม่ระบุวิธี ซีอีโอบอกว่าบริษัทต้องแจ้งผู้ใช้ว่าต้องบอกคนอื่นเมื่อเปิดการบันทึก

ข้อควรระวังคือ TechCrunch ตั้งข้อสังเกตว่ายังไม่ชัดว่าอุปกรณ์จะมีสัญญาณเตือนพอให้คนรอบข้างรู้ว่ากำลังถูกบันทึกหรือไม่

▲ ทำไมต้องรู้ · เครื่องมือ AI ที่ฟังตลอดเวลาเริ่มเข้าสู่ที่ทำงาน องค์กรไทยควรมีกติกาเรื่องการบันทึกเสียงในที่ประชุมให้สอดคล้องกับ PDPA ก่อนที่พนักงานจะเริ่มใช้กันเอง

TechCrunch