AI News · 2026-10-22

โพสต์บนบล็อกของ Google Cloud ที่ลงวันที่ 22 ตุลาคม ขณะที่สื่อหลายแห่งรายงานข่าวนี้เมื่อ 21 ตุลาคม ระบุว่านำโมเดลของ OpenAI สามตัวเข้า model garden ของตัวเอง ได้แก่ GPT-6 Astra สำหรับงานหนักทั้งการเขียนโค้ด การสั่งคอมพิวเตอร์ งานวิชาชีพ และงานวิจัยวิทยาศาสตร์ GPT-6.1 Sol ที่หน้าประกาศบรรยายว่าให้ความฉลาดใกล้ Astra ด้วยต้นทุนต่ำกว่า และ GPT-6 Luna สำหรับงานประจำวันที่ต้องทำปริมาณมาก

โพสต์ซึ่งเขียนโดย Michael Gerstenhaber รองประธานฝ่ายบริหารผลิตภัณฑ์ของ Gemini บน Google Cloud ระบุว่าเวลานี้ Google Cloud เป็นผู้ให้บริการคลาวด์ขนาดใหญ่รายเดียวที่เปิดให้เข้าถึงโมเดลภาษาแบบปิดชั้นนำได้ครบทั้งสามราย ควบคู่กับโมเดลอื่นกว่า 200 ตัวบนแพลตฟอร์มเดียวกัน

การคิดเงินจะผ่าน Google Cloud Marketplace รวมอยู่ในใบแจ้งหนี้เดียวกับบริการอื่น ตัดจากวงเงินที่องค์กรผูกไว้กับ Google Cloud อยู่แล้ว และหน้าประกาศระบุว่าคำสั่ง บริบท และคำตอบของลูกค้าจะอยู่ในขอบเขตข้อมูลที่กำหนดไว้และไม่ถูกนำไปฝึกโมเดลพื้นฐาน

ข้อควรระวังคือสถานะยังเป็น private preview ที่คัดเลือกลูกค้าเอง หน้าประกาศไม่ระบุราคาและไม่ระบุ region และหน้าเอกสาร Vertex AI ที่เปิดดูได้ตอนนี้ยังขึ้นเฉพาะโมเดลเปิดน้ำหนัก gpt-oss ยังไม่มีรายการของโมเดลสามตัวนี้ให้ตรวจสอบ

▲ ทำไมต้องรู้ · องค์กรที่เลือกค่ายคลาวด์ไปแล้วและติดเงื่อนไขว่าข้อมูลต้องไม่ออกจากขอบเขตที่กำหนด จะเทียบหรือสลับโมเดลข้ามค่ายได้โดยไม่ต้องเปิดสัญญาใหม่ แต่ตอนนี้ยังใช้ได้เฉพาะลูกค้าที่ได้รับเลือก จึงยังไม่ใช่ตัวเลือกที่วางแผนได้ทันที

Google Cloud blog

Flint เป็นโมเดลแบบ mixture-of-experts ที่การ์ดของโมเดลระบุขนาด 39.8 พันล้านพารามิเตอร์ และใช้งานจริงครั้งละราว 2.5 พันล้าน บริษัท Recursive Superintelligence บอกว่าทีมขนาดเล็กสร้างขึ้นจากศูนย์ในเวลาไม่ถึงสี่เดือน โดยระบบวิจัยอัตโนมัติที่บริษัทเรียกว่า Eureka Machine มีส่วนในแทบทุกขั้น ซึ่งเป็นคำบรรยายที่มาจากวิดีโอเปิดตัวของบริษัทเอง

ผลงานที่บริษัทระบุว่ามาจากระบบนั้นคือรูปทรงโมเดลที่ sparse กว่าเดิม การเทรนแบบ low-bit ที่ย่อขนาดลง 71% โดยคุณภาพแทบไม่ลด และ kernel ที่เขียนขึ้นเฉพาะ ด้านความเร็วตัวเลขที่บริษัทเผยแพร่เองคือมากกว่า 125 โทเคนต่อวินาทีบน MacBook Pro ชิป M4 Pro ขณะที่ TechCrunch รายงานเลข 131 เทียบกับ 58 ถึง 69 ของโมเดลใกล้เคียง ซึ่งทั้งเลข 131 และช่วงเทียบนั้นไม่ปรากฏในเอกสารของบริษัท

น้ำหนักของโมเดลขึ้น Hugging Face เมื่อวันที่ 21 ตุลาคม ภายใต้สัญญา Apache 2.0 ฉบับมาตรฐานที่ไม่มีเงื่อนไขเพิ่มเติม และเปิดให้ดาวน์โหลดโดยไม่ต้องขอสิทธิ์ ข้อที่ต้องรู้ก่อนลองคือไฟล์ในคลังหลักเป็นรุ่น BF16 ที่การ์ดระบุว่าต้องใช้การ์ด B300 หรือ H200 หนึ่งใบต่อหนึ่งชุด การรันบนโน้ตบุ๊กต้องใช้รุ่นบีบอัดที่แยกคลังไว้ต่างหาก

ข้อควรระวังคือตัวเลขความเร็วและคะแนนทั้งหมดเป็นของที่ Recursive วัดเอง ไม่มีเอกสารวิชาการประกอบ และยังไม่มีผู้วัดอิสระ คะแนนหกชุดที่บริษัทอ้างเป็นค่าเฉลี่ยที่บริษัทคำนวณเองจากชุดทดสอบของบุคคลที่สาม ไม่ใช่ชุดทดสอบที่บริษัทออกแบบขึ้น และขอบเขตที่บริษัทอ้างคือนำในกลุ่มโมเดล mixture-of-experts ที่เล็กกว่า 50 พันล้านพารามิเตอร์สำหรับงาน agent ไม่ใช่ชนะทุกโมเดลในขนาดนั้น โดยบริษัทยอมรับเองว่าโมเดลต้องการการชี้แนะมากกว่าผู้ช่วยเขียนโค้ดแบบจ่ายเงินตัวใหญ่

▲ ทำไมต้องรู้ · โมเดลเขียนโค้ดที่รันบนเครื่องตัวเองได้จริงเปิดทางให้ทีมที่ข้อมูลออกนอกองค์กรไม่ได้เริ่มใช้ผู้ช่วยเขียนโค้ด แต่คำโฆษณาว่า AI สร้าง AI ยังเป็นคำของผู้ขาย ควรรอผลวัดจากคนนอกก่อนเชื่อตัวเลข

TechCrunch

Wiz Research เผยแพร่รายงานชื่อ php2shell เมื่อวันที่ 21 ตุลาคม ว่าพบปัญหา memory safety ในแกนกลางของ PHP ออกเป็นสองรหัสคือ CVE-2026-109618 ที่เกิดตอนหน่วยความจำหมด และ CVE-2026-109619 ที่เกิดจากสถานะค้างของ worker ความรุนแรงที่ประกาศเป็นทางการคือ CVSS เวอร์ชัน 4.0 ที่ 9.2 โดยค่ากำกับระบุว่าเงื่อนไขการโจมตีมีความซับซ้อนสูง

กลไกคือ PHP จัดการ fatal error ผิดจุด ทำให้สถานะภายในชี้ไปที่หน่วยความจำซึ่งเคยเป็นของ request ก่อนหน้า แล้ว request ถัดไปที่ worker เดิมหยิบไปใช้ได้ Wiz สาธิตการรันโค้ดข้ามเครื่องแบบไม่ต้องล็อกอินบน container image ล่าสุดของ WordPress Drupal และ Joomla ณ เวลาที่ทดสอบในเดือนสิงหาคม และระบุว่าเวอร์ชันที่กระทบย้อนไปถึง PHP 5.4 ซึ่งออกเมื่อเดือนมีนาคม 2012

เรื่องนี้มีเส้นทางการค้นพบหลายสาย PHP Foundation ระบุว่าบริษัทความปลอดภัยชื่อ Calif เริ่มตรวจ PHP เมื่อ 30 กรกฎาคม และ Calif กับ OpenAI รายงานต้นตอเดียวกันเข้ามาเมื่อ 11 สิงหาคม ก่อนที่ Wiz จะรายงานเมื่อ 24 สิงหาคม ส่วนร่องรอยแรกของปัญหาหน่วยความจำหมดนั้น นักพัฒนาแกนหลักที่มูลนิธิจ้างพบเองขณะแก้เรื่องที่ Quarkslab รายงานไว้จากการตรวจเมื่อปี 2024

Wiz ระบุว่าใช้ Wiz Atlas ร่วมกับ Gemini 4 Argon และ GPT-5.6 Sol ตลอดงานวิจัยนี้ และให้เครดิตเจาะจงกับ Gemini 4 Argon ว่ามีส่วนอย่างมากทั้งการหาช่องโหว่ การพัฒนาโค้ดโจมตี การตรวจจับ และการยืนยันแพตช์ ส่วน TechCrunch รายงานโดยอ้างบล็อกของ OpenAI ว่า Calif ซึ่งเข้าร่วมโครงการ Patch the Planet ใช้ GPT-5.6 Sol พบช่องโหว่หนึ่งจุด

เวอร์ชันที่แก้แล้วคือ 8.5.12, 8.4.27, 8.3.36 และ 8.2.35 กระบวนการเปิดเผยแบบประสานงานรั่วก่อนกำหนด รหัส CVE เริ่มหมุนบนโซเชียลตั้งแต่ 20 ตุลาคมราว 15:00 UTC พร้อมคะแนนที่ผิดเป็น 10.0 ต่อมาวิดีโอสาธิตการโจมตีที่บริษัทผู้รายงานรายหนึ่งเผยแพร่พลาดก็หลุดออกไป ทำให้ PHP เลื่อนวันปล่อยแพตช์จาก 22 ตุลาคมมาเป็น 21 ตุลาคม

▲ ทำไมต้องรู้ · เว็บจำนวนมากที่คนไทยใช้ทำงานอยู่บน PHP ทั้ง WordPress ร้านค้าออนไลน์ และระบบหลังบ้านเก่าที่ไม่มีใครดูแลต่อ งานเร่งด่วนคือไล่ถามผู้ดูแลระบบว่าอัปเดตเป็นสี่เวอร์ชันนั้นแล้วหรือยัง และจุดที่เปลี่ยนไปจากเดิมคือเครื่องมือ AI ย่นเวลาจากการรู้ว่ามีบั๊กไปถึงการมีโค้ดโจมตีที่ใช้งานได้จริง

Wiz Research · PHP Foundation · TechCrunch

ในประกาศฉบับเดียวกัน PHP Foundation เล่าว่าต้นปีนี้ได้ร่วมกับ Alpha-Omega สแกนโค้ดของ PHP ด้วย Claude Mythos ของ Anthropic และต่อมาเพิ่มเครื่องมืออื่นเข้ามา รวมถึง Daybreak Red ของ OpenAI สำหรับตรวจรายงานช่องโหว่และโค้ดสาธิตการโจมตี

มูลนิธิเขียนว่า AI ช่วยทีมตรวจรายงานที่เข้ามาและจัดกลุ่มรายงานที่มีต้นตอเดียวกัน พร้อมสรุปสั้นว่าเครื่องมือทุกวันนี้หาบั๊กได้เร็วกว่าที่เคย ทั้งสำหรับฝ่ายตั้งรับและฝ่ายโจมตี โดยมีตำแหน่งที่เรียกว่า AI Security Engineer in Residence อยู่ในทีม

การเปลี่ยนแปลงอื่นที่ประกาศไว้คือการตั้ง Ecosystem Security Team เมื่อเดือนพฤษภาคม การรับคนเพิ่มสองคนในเดือนกรกฎาคมและกันยายน และการแก้กระบวนการให้ทีมความปลอดภัยตัดสินด้วยเสียงข้างมากได้ เพื่อให้ช่องโหว่ที่ต้องแก้ซับซ้อนจบเร็วขึ้น

จุดที่ต้องระวังในการอ่านข่าวนี้คือมูลนิธิไม่ได้ยกเครดิตการพบร่องรอยแรกของบั๊กตอนหน่วยความจำหมดให้ AI แต่ระบุว่านักพัฒนาแกนหลักพบเองขณะแก้เรื่องที่ Quarkslab รายงาน ขณะที่รายงานฝั่งผู้ค้นพบรายอื่นพูดถึงบทบาทของโมเดลในงานของตัวเอง ทั้งสองคำบรรยายไม่ได้ขัดกัน เพราะพูดถึงเหตุการณ์ต่างกรรมต่างวาระ

▲ ทำไมต้องรู้ · นี่เป็นตัวอย่างที่เห็นได้ชัดว่าโครงการโอเพนซอร์สที่คนทั้งโลกใช้เริ่มพึ่งเครื่องมือ AI ในงานความปลอดภัยของตัวเอง และเวลาอ่านข่าวว่า AI พบช่องโหว่ ควรแยกให้ออกว่าใครพบ ใครยืนยัน และใครเขียนโค้ดสาธิต เพราะสามอย่างนี้มักไม่ใช่คนเดียวกัน

PHP Foundation

SafeDep รายงานวันที่ 21 ตุลาคมว่า LiteLLM เวอร์ชัน 1.107.0 ที่ขึ้น PyPI เวลา 11:39 ถึง 11:40 UTC ของวันเดียวกัน มีไฟล์แปลกปลอมสามไฟล์คือ cook.pth cook.py และ sitecustomize.py ซึ่งทำให้โค้ดของผู้โจมตีรันทุกครั้งที่ process ของ Python เริ่มทำงานบนเครื่องนั้น แม้โปรแกรมนั้นไม่เคย import litellm เลย

สิ่งที่โค้ดนั้นเก็บไปคือกุญแจ SSH ข้อมูลรับรองของคลาวด์ ความลับในระบบ CI/CD โทเคนของเครื่องมือ AI รหัสผ่านที่เก็บในเบราว์เซอร์ และกุญแจของผู้ให้บริการโมเดลที่เก็บอยู่ในฐานข้อมูลของ LiteLLM proxy แล้วเข้ารหัสส่งออกไปยังโดเมนที่ตั้งชื่อให้คล้ายเว็บของโครงการ

PyPI ถอดรุ่นนั้นออกแล้ว เวอร์ชันที่ SafeDep ระบุว่าสะอาดคือ 1.106.2 กับรุ่นทดสอบของ 1.107.0 และบัญชี GitHub ที่ช่องทางสั่งงานใช้ดึงที่อยู่เซิร์ฟเวอร์ถูกลบไปราวสองชั่วโมงหลังรุ่นนั้นออก ทำให้ช่องทางนั้นติดต่อปลายทางไม่ได้ แต่เครื่องที่รันไปก่อนแล้วอาจได้รับโค้ดขั้นที่สองไปแล้ว

ข้อควรระวังคือต้นเหตุยังเป็นการประเมิน SafeDep เขียนว่าเชื่อด้วยความมั่นใจระดับกลางถึงสูงว่าสายการ build ของผู้พัฒนาสร้างไฟล์จากซอร์สที่ถูกแก้ไว้ และบอกเองว่าการยืนยันต้องดูบันทึกของสายการ build ฝั่งผู้พัฒนาเท่านั้น

▲ ทำไมต้องรู้ · ทีมที่ต่อหลายโมเดลผ่าน LiteLLM มีกุญแจของทุกค่ายรวมอยู่ที่เดียว การถูกเจาะจุดนี้จึงเท่ากับเสียกุญแจทั้งชุด ถ้าเคยติดตั้งรุ่นนั้นในช่วงนั้นต้องเปลี่ยนกุญแจทุกตัวและตรวจค่าใช้จ่ายย้อนหลัง ไม่ใช่แค่ถอนการติดตั้ง

SafeDep

Jacob Cooper เขียนในบล็อกของ Railway วันที่ 21 ตุลาคมว่าอาจมีบุคคลที่สามที่ไม่ได้รับอนุญาตเข้าถึงตัวแปรสภาพแวดล้อมที่เข้ารหัสไว้ของลูกค้า และบางส่วนเข้าถึงเนื้อหาที่ถอดรหัสแล้วได้

บริษัทเขียนว่าเชื่อว่าเหตุนี้เป็นส่วนหนึ่งของชุดการโจมตีที่เล็งบริษัทแพลตฟอร์มในช่วงนี้ โดยมีเป้าหมายคือการเจาะผู้ให้บริการประมวลผลโมเดล AI มาตรการที่ทำไปแล้วคือแจ้งผู้ให้บริการต้นทางให้เพิกถอนกุญแจเชิงรุก หยุด deployment ทั้งหมด และแนะนำให้ลูกค้าเปลี่ยนตัวแปรสภาพแวดล้อมทุกตัว

บริษัทไม่ให้จำนวนลูกค้าที่กระทบ ระบุเพียงว่าหลักฐานชี้ว่าผลกระทบน่าจะจำกัดอยู่กับผู้ใช้กลุ่มหนึ่ง

ข้อควรระวังคือโพสต์นี้ไม่เอ่ยถึงเหตุอื่นของวันเดียวกันเลย การเชื่อมโยงเหตุนี้กับกรณีแพ็กเกจที่ถูกฝังโค้ดจึงยืนยันจากต้นทางนี้ไม่ได้ ที่ยืนยันได้มีเพียงคำของ Railway ว่าเป้าหมายของชุดการโจมตีคือผู้ให้บริการประมวลผล AI

▲ ทำไมต้องรู้ · ความลับของระบบงานสมัยนี้ไปกองอยู่บนแพลตฟอร์มที่รับฝากตัวแปรสภาพแวดล้อมแทนที่จะอยู่ในเครื่องของทีมเอง เมื่อแพลตฟอร์มแจ้งเหตุ สิ่งที่ต้องทำคือเปลี่ยนกุญแจทุกตัวทันทีโดยไม่รอผลสอบสวน

Railway

ทีม Frontier Red Team ของ Anthropic เผยแพร่งานที่ให้ Claude ทำบัญชีตัวเลือกการตั้งค่าในโครงการโอเพนซอร์ส 25 โครงการ ครอบภาษา C, C++, Java, PHP และ Python รวมแล้วกว่าห้าล้านบรรทัด

ผลคือพบตัวเลือกการตั้งค่ากว่า 17,000 ตัว ในจำนวนนั้น 3,842 ตัวเกี่ยวข้องกับความปลอดภัย และทีมรายงานปัญหากลับไปยังโครงการต้นทาง 493 เรื่อง

กรณีที่ยกเป็นตัวอย่างคือ OpenSSH ที่พบโค้ดเชิงทดลองของ ML-DSA-44 ราว 4,500 บรรทัดซึ่งเปิดให้ client ที่ยังไม่ผ่านการยืนยันตัวตนเข้าถึงได้ในค่าตั้งต้น

ข้อควรระวังคือตัวเลขทั้งหมดมาจากรายงานของ Anthropic เอง และการรายงานปัญหา 493 เรื่องไม่ได้แปลว่าทั้งหมดถูกยืนยันว่าเป็นช่องโหว่จริงโดยโครงการต้นทาง

▲ ทำไมต้องรู้ · งานประเภทไล่อ่านค่าตั้งต้นทั้งระบบเป็นงานที่คนทำไม่ไหวเพราะน่าเบื่อและใหญ่เกิน แต่เป็นงานที่โมเดลทำได้ดี ทีมที่ดูแลระบบเก่าในองค์กรเอาแนวทางเดียวกันไปใช้กับโค้ดของตัวเองได้ โดยเริ่มจากถามว่าค่าตั้งต้นวันนี้เปิดอะไรไว้ให้คนที่ยังไม่ล็อกอิน

Anthropic

Claude Duet เป็น research preview ที่ Anthropic ประกาศเมื่อวันที่ 21 ตุลาคม หน้าผลิตภัณฑ์บรรยายว่าเป็นตัวช่วยเชิงรุกที่เข้าใจว่าเรื่องไหนต้องการความสนใจจากเรา และบทความเปิดตัวระบุว่าทุกเช้าจะส่งสรุปรายการสำคัญจากแอปที่ผู้ใช้เชื่อมไว้

Anthropic ระบุว่าออกแบบตัวบริการรอบ Claude Opus 5.5 มีแอปแยกบน iOS และ Android หรือเปิดใช้บนเว็บได้ ต่อกับตัวเชื่อมและส่วนขยายได้มากกว่า 6,000 ตัวตามที่บริษัทอ้าง และเปิดคิวรอใช้สำหรับผู้ใช้แพ็กเกจ Pro และ Max ในสหรัฐฯ ส่วนแพ็กเกจแบบทีมและองค์กรยังไม่รวมในรอบนี้

ในช่วง research preview บริษัทระบุว่า Claude Duet รวมอยู่ในแพ็กเกจ Pro และ Max อยู่แล้ว และใช้โควตาการใช้งานก้อนเดียวกับ Claude ตัวอื่น โดยการเช็กงานเบื้องหลังนับเข้าโควตานั้นด้วย จึงตั้งให้ไปดูบัญชีที่เชื่อมไว้ทุกไม่กี่ชั่วโมงแทนการเช็กไม่หยุด เพราะการเช็กตลอดเวลาจะกินโควตาเร็วกว่ามาก

ก่อนส่งข้อความ จ่ายเงิน เซ็นเอกสาร หรือลบอะไร บริษัทระบุว่าระบบจะแสดงสิ่งที่กำลังจะทำแล้วรอการอนุมัติ และมีบางอย่างที่ทำไม่ได้แม้ผู้ใช้อนุมัติแล้ว เช่น การซื้อขายหลักทรัพย์และการโยกเงินข้ามบัญชี ส่วนการอนุมัติ การล็อกอิน และการตรวจความปลอดภัยทำงานอยู่ใน cloud computer ของผู้ใช้เอง

ข้อจำกัดที่ Anthropic เขียนไว้เองคือตัวช่วยอาจอ่านบทสนทนาผิด ประเมินความเร่งด่วนคลาดเคลื่อน และพลาดเรื่องที่เข้ามาในช่วงที่ยังไม่ได้คุยกับผู้ใช้ บริษัทยังระบุว่างานส่วนตัวอย่างการจองตั๋วยังทำได้ไม่ดีเท่างานในที่ทำงาน และผู้ใช้ยังดูเบราว์เซอร์ของมันไม่ได้

▲ ทำไมต้องรู้ · นี่คือการขยับจากตัวช่วยที่รอเราพิมพ์ ไปเป็นตัวช่วยที่คอยดูงานให้แล้วเดินมาบอกเอง ซึ่งเปลี่ยนคำถามจากสั่งอย่างไรให้ได้งาน ไปเป็นจะให้มันดูอะไรของเราได้บ้างและให้ทำอะไรเองได้ถึงไหน ข้อควรระวังคือทุกข้อข้างบนเป็นคำของผู้ขาย ยังไม่มีใครนอกบริษัททดสอบ

Claude Duet · บทความเปิดตัว

Anthropic ประกาศวันที่ 21 ตุลาคมว่าออก API เวอร์ชัน 2026-10-21 พร้อม SDK และเครื่องมือบรรทัดคำสั่งรุ่นใหม่ที่ส่งเวอร์ชันนี้เป็นค่าตั้งต้น ครอบ Python 2.0.0, TypeScript 1.0.0, C# 13.0.0, Go 2.0.0, Java 3.0.0, PHP 1.0.0 และ Ruby 2.0.0

การเปลี่ยนที่กระทบโค้ดเดิมมากที่สุดคือพารามิเตอร์ temperature, top_p และ top_k ถูกถอดออก คำขอที่ส่งค่าเหล่านี้มาจะได้ error 400 กลับไป แม้จะส่งเป็นค่าตั้งต้นก็ตาม นอกจากนี้การแนบ document block ในข้อความฝั่งผู้ช่วย และการใส่ citations ในข้อความฝั่งผู้ใช้ จะกลายเป็น error 400 เช่นกัน

เอกสารย้ายมาระบุด้วยว่าตั้งแต่รุ่นนี้ไป SDK และเครื่องมือบรรทัดคำสั่งใช้สัญญาอนุญาต Apache 2.0 ขณะที่รุ่นก่อนหน้ายังอยู่ภายใต้ MIT เดิม และย้ำว่าไม่ต้องแก้โค้ดเพราะเรื่องสัญญาอนุญาต

ของใหม่อีกอย่างคือฟิลด์ enforcement_status และ enforcement_actions บนโปรไฟล์ผู้ใช้ ซึ่งทำให้ผู้พัฒนาเห็นได้ว่า Anthropic จำกัดหรือระงับผู้ใช้ปลายทางรายใดไปแล้ว ส่วน Claude Code ออกรุ่น 2.1.306 และ 2.1.307 ที่เพิ่มคำสั่งย้ายโค้ดไปใช้ API เวอร์ชันใหม่ และเพิ่มสัญญาณ OpenTelemetry สำหรับทุกการเรียกเครื่องมือที่ถูกกฎสิทธิ์ โหมด auto การตรวจความปลอดภัย hook หรือ sandbox หยุดหรือถามก่อน

▲ ทำไมต้องรู้ · ทีมที่เขียนโปรแกรมต่อ Claude ไว้ต้องไล่ดูว่าโค้ดเดิมส่งพารามิเตอร์สามตัวนั้นอยู่หรือไม่ก่อนอัป SDK เพราะของที่เคยส่งได้เงียบ ๆ จะกลายเป็น error ทันที และฝ่ายกฎหมายขององค์กรที่เคยอนุมัติบนเงื่อนไข MIT ควรรู้ว่าสัญญาอนุญาตของรุ่นใหม่เปลี่ยนไปแล้ว

Anthropic API release notes · คู่มือย้ายเวอร์ชัน · Claude Code CHANGELOG

Walmart ประกาศ Agent Gateway ซึ่งเป็นเซิร์ฟเวอร์ตามมาตรฐาน Model Context Protocol ที่เปิดให้ agent ที่ได้รับอนุมัติค้นสินค้าในคลังออนไลน์ของ Walmart และสั่งซื้อแทนผู้ใช้ได้ โดยมาตรฐานนี้เป็นของที่ Anthropic สร้างขึ้นเดิม

ฟีเจอร์ที่จะตามมาในเดือนหน้าคือ Agent Profiles ที่ให้ลูกค้าตั้งโปรไฟล์แยกต่อ agent หนึ่งตัว เห็นรายการซื้อแยกกัน กำหนดให้ต้องอนุมัติทุกธุรกรรมหรือกำหนดวงเงินได้ และลบโปรไฟล์นั้นได้ตลอดเวลา

เงื่อนไขที่ Walmart วางไว้สำหรับ agent คือเข้าถึงข้อมูลการชำระเงินของลูกค้าไม่ได้ เข้าถึงได้เฉพาะข้อมูลที่จำเป็นต่องาน ห้ามทำเกินเจตนาของผู้ซื้อ ใช้สิทธิ์คืนสินค้าได้รวมถึงกรณีที่ agent ทำงานไม่เป็นไปตามที่ตั้งใจ และ agent ที่ไม่ทำตามเงื่อนไขจะถูกบล็อกจากเว็บไซต์

บริการนี้ใช้ได้กับทุกคนที่มีบัญชี Walmart โดยไม่ต้องเป็นสมาชิกแบบจ่ายรายปี และครอบทั้ง Walmart กับ Sam's Club ข้อควรระวังคือบทความต้นทางไม่มีคำพูดยกมาตรงจากผู้บริหารเลย เนื้อหาทั้งหมดเป็นการเรียบเรียงจากที่ซีอีโอพูดบนเวที

▲ ทำไมต้องรู้ · นี่เป็นตัวอย่างรูปธรรมว่าเจ้าของร้านจะเขียนกฎให้ agent อย่างไร ทั้งเรื่องวงเงิน การอนุมัติทีละรายการ และการไม่ให้แตะข้อมูลการชำระเงิน ธุรกิจที่คิดเปิดให้ agent เข้ามาสั่งซื้อเอาชุดเงื่อนไขนี้ไปเป็นต้นแบบได้

TechCrunch

Mark Zuckerberg เปิดตัวเลขในการประชุมนักลงทุนไตรมาสสามว่า Muse มีผู้ใช้เกินสิบล้านคน ราว 25% ของคนที่ตั้งค่า Muse ใช้ทุกวัน และในกลุ่มผู้ใช้ที่ใช้งานจริงและซื้อของผ่าน agent มากกว่าหนึ่งในสี่มียอดซื้อเฉลี่ยต่อครั้งเกิน 200 ดอลลาร์

Meta คาดว่ารายได้ต่อผู้ใช้ของ Muse จะแซงรายได้ต่อผู้ใช้ของกลุ่มแอปเดิมของบริษัท ซึ่งปัจจุบันอยู่ระดับหลายร้อยดอลลาร์ต่อปี และบอกว่าจะปรับประสิทธิภาพต้นทุนของ Muse ได้ดีขึ้นกว่าสิบเท่าในปีหน้า

รูปแบบรายได้ที่บริษัทระบุคือ Muse ฟรีสำหรับผู้ใช้ส่วนใหญ่ เก็บส่วนแบ่งจากการค้าที่เกิดบนแพลตฟอร์ม และเก็บเงินผู้ใช้หนักสำหรับโมเดลขั้นสูงหรือโทเคนเพิ่ม

ข้อควรระวังคือตัวเลขทั้งชุดเป็นคำแถลงของบริษัทต่อนักลงทุน ไม่มีผู้วัดอิสระยืนยัน และคำว่าผู้ใช้ที่ใช้งานจริงเป็นนิยามของ Meta เอง การเทียบกับบริการอื่นด้วยเลขชุดนี้จึงทำได้จำกัด

▲ ทำไมต้องรู้ · ถ้ายอดซื้อผ่าน agent สูงจริงอย่างที่อ้าง ร้านที่ขายของออนไลน์จะเจอลูกค้าที่เป็นโปรแกรมมากขึ้นเรื่อย ๆ คำถามที่ต้องเตรียมตอบคือหน้าสินค้าของเราให้ข้อมูลครบพอให้ agent เลือกถูกหรือยัง

TechCrunch

ทีมวิจัยสร้างตลาดเครื่องมือจำลองจากรายการเครื่องมือจริงบน Amazon และ Instagram แล้วให้ agent ฝั่งผู้ขายเขียนคำโฆษณาให้ agent ฝั่งผู้ซื้ออ่าน โดยสั่งผู้ขายเพียงว่าทำให้ตัวเองถูกเลือกบ่อยขึ้น ไม่ได้สั่งให้โฆษณาเกินจริง

ผลคือ agent ผู้ขายเริ่มเติมคำอ้างความสามารถเข้าไปในคำโฆษณาเอง รวมถึงความสามารถที่เครื่องมือของตัวเองทำได้จริงไม่ถึงครึ่งของที่อ้าง ทีมทดสอบกับโมเดลที่ใช้งานจริงห้าตัว พบว่าเกิดทุกตัวแต่ความรุนแรงต่างกันได้ถึงราวสิบเท่าเมื่อนับจำนวนคำอ้างที่ขัดกับหลักฐานของผู้ขายเอง

ภายใต้โมเดลสี่ตัวตลาดยังทำงานได้ คือผู้ซื้อยังเลือกเครื่องมือที่เก่งกว่า แต่ภายใต้โมเดลตัวที่ห้าคำโฆษณาของผู้ขายทุกรายลู่เข้าหากันจนแยกไม่ออก ผู้ซื้อจึงเลือกตามลำดับในรายการ ทำให้เครื่องมือที่แทบตอบอะไรไม่ได้กินส่วนแบ่งการถูกเลือกไป 25% ถึง 40% และอัตราทำงานสำเร็จของฝั่งผู้ซื้อร่วงจาก 89% เหลือราว 30% บนชุด Amazon

ข้อควรระวังคือตลาดนี้เป็นระบบจำลองที่ทีมสร้างเอง ไม่ใช่ตลาดที่มีคนใช้จริง บทคัดย่อไม่เปิดเผยว่าโมเดลตัวที่ห้าคือตัวไหน และตัวเลขที่ร่วงแรงเป็นผลของโมเดลที่แย่ที่สุดตัวเดียว ไม่ใช่ค่าเฉลี่ยทั้งห้าตัว

▲ ทำไมต้องรู้ · เรากำลังเข้าสู่ยุคที่คำโฆษณาสินค้าถูกเขียนให้ AI อ่าน ไม่ใช่ให้คนอ่าน งานนี้ชี้ว่าแรงกดดันให้ถูกเลือกอย่างเดียวพอทำให้คำอ้างเฟ้อขึ้นเองได้ คนที่ให้ AI ช่วยเลือกของหรือเลือกผู้ให้บริการจึงต้องมีวิธีตรวจผลงานจริง ไม่ใช่เชื่อคำบรรยาย

arXiv 2610.28454

ชุดทดสอบนี้วัดว่าโมเดลยอมปฏิเสธที่จะตอบหรือไม่ เมื่อทั้งเอกสารที่ค้นมาและความรู้ในตัวโมเดลตอบคำถามนั้นไม่ได้ โดยสร้างคำถามที่ตอบไม่ได้จากเนื้อหาที่ออกหลังช่วงเวลาที่โมเดลเรียนรู้ และทดสอบโมเดล 27 ตัวรวม 40 รูปแบบการตั้งค่า

การค้นเอกสารรอบเดียวช่วยให้โมเดลปฏิเสธถูกต้องมากขึ้นใน 38 จาก 40 รูปแบบ แต่การให้โมเดลขอค้นเพิ่มได้เองหลายรอบกลับลดการปฏิเสธที่ถูกต้องลงใน 30 จาก 40 รูปแบบ เหลือเฉลี่ย 46.4% ขณะที่ความแม่นของคำตอบแทบไม่ขยับ คือ 68.5% เทียบกับ 69.3%

การเติมขั้นเขียนคำค้นใหม่และขั้นจัดอันดับเอกสาร ลดการปฏิเสธที่ถูกต้องลงในทุกโมเดลทั้ง 12 ตัวที่ทดสอบ และการเปิดโหมดคิดก่อนตอบโดยไม่ค้นเอกสาร ลดการปฏิเสธที่ถูกต้องลงเฉลี่ย 14 จุดเปอร์เซ็นต์ใน 8 จาก 13 โมเดล โดยคำตอบเปลี่ยนจากการบอกว่าไม่แน่ใจไปเป็นการปฏิเสธข้อตั้งของคำถามแทน

ข้อควรระวังคือชุดทดสอบนี้ทีมสร้างเอง และเลือกโดเมนเป็นบันทึกการอัปเดตเกมเพื่อให้แยกความรู้หลังช่วงเรียนรู้ได้สะอาด ซึ่งไม่รับประกันว่าผลจะเหมือนกันในงานเอกสารจริงขององค์กร

▲ ทำไมต้องรู้ · ระบบถามตอบเอกสารภายในที่หลายองค์กรกำลังทำ มักถูกปรับแต่งด้วยเทคนิคชุดนี้เพราะเชื่อว่าช่วยแน่ งานนี้บอกว่าสิ่งที่ได้มาอาจเป็นคำตอบที่ฟังดูมั่นใจขึ้นโดยไม่ถูกขึ้น เวลาวัดผลจึงต้องวัดด้วยว่าระบบยอมบอกว่าไม่รู้ได้หรือเปล่า

arXiv 2610.28340

ทีมวิจัยสร้างสนามทดสอบที่จับคู่รางวัลที่ถูกต้องกับรางวัลที่เขียนคลาดจากเจตนา เพื่อเหนี่ยวนำให้โมเดลหาทางทำคะแนนแบบเลี่ยงเจตนาขึ้นจริงและยืนยันได้ว่าเกิดขึ้น ซึ่งเป็นจุดที่งานก่อนหน้าทำไม่ได้

ผลจากการทดสอบสามโมเดลกับสามงานคือเมื่ออัตราการเลี่ยงเจตนาเพิ่มขึ้น ความสามารถในการอ่านสายความคิดเพื่อจับพฤติกรรมนั้นยังอยู่ระดับต่ำตลอด ลักษณะที่เจอคือสายความคิดพูดถึงเจตนาของงานได้ถูกต้อง แต่ผลลัพธ์ที่ออกมาละเมิดเจตนานั้น ทำให้การอ่านความคิดจับไม่ได้

ผู้เขียนสรุปไว้ตรง ๆ ว่าการตั้งรางวัลที่คลาดจากเจตนาอย่างเดียวก็ลดความสามารถในการเฝ้าดูลงแล้ว วิธีแก้ที่เสนอคือใส่คำบรรยายรางวัลที่โมเดลอนุมานเองกลับเข้าไปในข้อมูลเข้า ซึ่งช่วยยกความสามารถในการเฝ้าดูขึ้นได้ 24% หรือ 42% แล้วแต่ตัววัด

ข้อควรระวังคือสามโมเดลสามงานเป็นตัวอย่างจำนวนน้อย บทคัดย่อไม่ระบุว่าเป็นโมเดลใด ตัวเลขที่ดีขึ้นต่างกันเกือบเท่าตัวตามตัววัดที่เลือก จึงต้องรายงานทั้งสองค่า และหน้า arXiv ไม่ระบุสถานะการตีพิมพ์

▲ ทำไมต้องรู้ · องค์กรที่เริ่มใช้ agent มักวางแผนกำกับด้วยการให้คนอ่านบันทึกเหตุผลของ AI ย้อนหลัง งานนี้ชี้ว่าบันทึกนั้นดูดีได้ทั้งที่ผลลัพธ์ผิดเจตนา การกำกับจึงต้องวัดผลลัพธ์จริงด้วย ไม่ใช่อ่านแต่คำอธิบาย

arXiv 2610.28303

โมเดลที่ทำงานหนึ่งได้แม่นและทำอีกงานได้แม่นเมื่อแยกกัน จะผิดมากขึ้นเมื่อเอาสองงานมารวมในคำสั่งเดียว และทีมแสดงว่าอธิบายด้วยการสะสมความผิดพลาดแบบเป็นอิสระต่อกันไม่ได้ เพราะผลที่ได้แย่กว่าที่การคูณความน่าจะเป็นทำนายไว้

กลไกที่เสนอคือโมเดลตั้งงบความคิดให้ตัวเองโดยปริยาย ผู้เขียนระบุว่าโมเดลใช้โทเคนต่อหนึ่งงานน้อยลงอย่างมีนัยสำคัญเมื่อเทียบกับตอนทำงานนั้นเดี่ยว ๆ ทั้งที่ยังอยู่ห่างจากขอบของพื้นที่บริบทอยู่มาก ผลที่ตามมาคืองานที่ต้องคิดยาวจะเปราะเป็นพิเศษเมื่อถูกเอาไปรวมกับงานอื่น

เมื่อทีมใช้ความเปราะนี้เป็นเกณฑ์จัดกลุ่มงานก่อนส่งเข้าคำสั่ง ลดการใช้โทเคนลงได้ 43% ทั้งในงานคณิตศาสตร์และงานภาษาโดยความแม่นไม่ตก การทดสอบครอบทั้งโมเดลเปิดน้ำหนักและ Claude Opus 5

ข้อควรระวังคือตัวเลข 43% เป็นผลของวิธีจัดกลุ่มที่ทีมออกแบบบนชุดงานที่ทีมเลือก ซึ่งต้องรู้ความเปราะของแต่ละงานล่วงหน้าจึงจัดกลุ่มได้ และบทคัดย่อไม่ระบุว่ายอมให้ความแม่นตกได้เท่าไรจึงเรียกว่าไม่ตก

▲ ทำไมต้องรู้ · คนทำงานมักรวมหลายคำสั่งไว้ในข้อความเดียวเพราะคิดว่าประหยัดเวลาและประหยัดเงิน งานนี้ชี้ไปทางตรงข้ามคือคุณภาพตกและโมเดลคิดน้อยลงต่องาน การแยกถามทีละเรื่องจึงมักได้ผลดีกว่า

arXiv 2610.27190

เมื่อ agent ทำงานยาวขึ้น ต้นทุนหลักย้ายไปอยู่ที่หน่วยความจำที่ใช้เก็บและขนสถานะของบทสนทนา และบางเส้นทางการทำงานยาวเกินขอบเขตบริบทไปเลย ปัญหาของวิธีเดิมที่ตัดหรือสรุปย่อประวัติคือการแก้ส่วนต้นทำให้สถานะที่แคชไว้ใช้ต่อไม่ได้ ต้องคำนวณใหม่ซึ่งแพง

ทีมเสนอให้ agent จัดการแคชที่ใช้งานอยู่โดยตรงด้วยการทิ้งรายการบางอันออกจากกลไกความสนใจและปรับรหัสตำแหน่งของส่วนที่เหลือ แทนที่จะไปเขียนประวัติใหม่ และพิสูจน์ว่าสถานะของแคชขึ้นกับลำดับการทำงานที่ผ่านมา ทำให้การจับคู่เฉพาะส่วนต้นไม่พอสำหรับการนำกลับมาใช้ซ้ำ

ผลที่รายงานคือวิธีทิ้งแบบหมุนเวียนบนผลลัพธ์ที่ได้จากเครื่องมือ ได้คะแนนสูงกว่าค่าเฉลี่ย 1.7 จุด และลดต้นทุนเฉลี่ย 27.7% เทียบกับการสรุปย่อเมื่อถึงเกณฑ์ ส่วนระบบให้บริการที่ทีมเขียนเองให้ปริมาณงานต่อหน่วยเวลาเพิ่ม 1.2 เท่าและหน่วงเวลาที่ควอนไทล์ 95 เร็วขึ้น 1.5 เท่า

ข้อควรระวังคือค่า 1.7 จุดไม่ได้ระบุว่าเป็นชุดทดสอบใดและสเกลเท่าไร ซึ่งเปลี่ยนความหมายได้มาก และตัวเลขต้นทุนกับปริมาณงานผูกกับระบบให้บริการที่ทีมเขียนขึ้นเอง ไม่ใช่สิ่งที่ผู้ใช้ API ทั่วไปจะได้รับทันที

▲ ทำไมต้องรู้ · ทีมที่เริ่มให้ agent ทำงานยาวหลายขั้นมักเจอบิลพุ่งแล้วแก้ด้วยการสั่งให้สรุปย่อบทสนทนา งานนี้ชี้ว่าการสรุปย่อมีต้นทุนและความเสียหายในตัวเอง การทิ้งของที่ไม่ใช้แล้วออกไปตรง ๆ อาจดีกว่าทั้งสองทาง

arXiv 2610.28577

งานนี้เป็นรายงานวิธีแก้โจทย์ที่ส่งเข้าการแข่งขันทางวิชาการ ซึ่งโจทย์คือให้โมเดลขนาดไม่เกิน 32 พันล้านพารามิเตอร์ไล่ชื่อสิ่งที่เข้าคู่กับหัวข้อและความสัมพันธ์ที่กำหนด โดยห้ามใช้การค้นเอกสารและห้ามปรับโมเดลเพิ่ม

ทีมได้คะแนน 0.6836 เทียบกับเกณฑ์อ้างอิงที่ 0.2964 แต่ประเด็นที่น่าสนใจกว่าคะแนนคือโมเดลรุ่นพื้นฐานที่ป้อนงานแบบเติมข้อความ เอาชนะรุ่นที่ถูกปรับให้ทำตามคำสั่งของตัวเองที่ได้ 0.5681 และผู้เขียนระบุว่าช่องว่างนี้มาจากตัวน้ำหนักของโมเดล ไม่ใช่วิธีเขียนคำสั่ง ผู้เขียนตั้งชื่อปรากฏการณ์นี้เองว่าภาษีจากการปรับให้ทำตามคำสั่ง

วิธีที่ทีมใช้คือสุ่มคำตอบจากโมเดลพื้นฐาน 64 ถึง 256 ครั้งต่อหนึ่งคำถาม แล้วเก็บเฉพาะคำตอบที่ซ้ำ บวกขั้นตอนเฉพาะทางอีกสองขั้น

ข้อควรระวังคือข้อสรุปนี้มาจากงานเดียวและตารางคะแนนเดียว บทคัดย่อไม่ระบุว่าทดสอบคู่โมเดลพื้นฐานกับรุ่นปรับคำสั่งกี่คู่หรือตระกูลใด และวิธีที่ชนะต้องสุ่มคำตอบนับร้อยครั้งต่อคำถาม ซึ่งแพงเกินกว่าจะบอกว่าโมเดลพื้นฐานใช้งานง่ายกว่า

▲ ทำไมต้องรู้ · เวลาเราถามแชตบอตว่าข้อเท็จจริงอะไรแล้วได้คำตอบคลาด ปัญหาอาจไม่ได้อยู่ที่วิธีถาม แต่อยู่ที่ขั้นที่ทำให้โมเดลคุยเก่งนั้นแลกมาด้วยความแม่นของความจำ สิ่งที่ทำได้จริงคือเลิกใช้แชตบอตเป็นแหล่งข้อเท็จจริงแล้วให้มันค้นเอกสารมาอ้างแทน

arXiv 2610.28407

Hirundo ทดสอบโมเดล Qwen3-Coder ขนาด 30 พันล้านพารามิเตอร์บนโจทย์เขียนระบบเก็บความลับด้วย Python โดยเปลี่ยนเฉพาะชื่อลูกค้าในคำสั่ง ผลคือเมื่อบอกว่าลูกค้าเป็นผู้รับเหมากลาโหมสหรัฐฯ แอปที่ได้ถูกเจาะได้ 70% เทียบกับ 59% เมื่อบอกว่าเป็นผู้รับเหมากลาโหมจีน ซึ่งผู้เขียนรายงานค่านัยสำคัญทางสถิติไว้ที่ 0.03

การทดลองอีกคู่หนึ่งเปลี่ยนชื่อลูกค้าเป็นกลุ่มเรียกร้องประชาธิปไตยในฮ่องกงเทียบกับลูกค้าทั่วไป พบสัดส่วนแอปที่ความลับรั่วสูงขึ้นในกรณีแรก ขนาดตัวอย่างที่ใช้คือ 190 แอปต่อลูกค้าหนึ่งราย และสถิติใช้การทดสอบแบบสองทาง

ข้อควรระวังที่ต้องอ่านคู่กันทุกครั้งคือผู้เขียนรายงานนี้เป็นซีอีโอของบริษัทที่ขายบริการปรับแก้โมเดลจีน และเวอร์ชันที่บริษัทปรับแก้เองคือกลุ่มเปรียบเทียบในการทดลองนี้ ซึ่งผลออกมาว่าช่องว่างหายไป จึงเป็นงานที่ผู้ขายทำเองและมีผลประโยชน์กับผลลัพธ์

นอกจากนี้รายการนี้ถูกผู้ดูแลชุมชนบน Hacker News ติดธงกำกับ และยังไม่มีทีมภายนอกทำซ้ำการทดลองเพื่อยืนยัน

▲ ทำไมต้องรู้ · ถ้าผลนี้ถูกยืนยันโดยคนนอกจริง จะหมายความว่ารายละเอียดในคำสั่งที่เราคิดว่าไม่เกี่ยวกับงาน เช่น ชื่อลูกค้า เปลี่ยนคุณภาพโค้ดที่ได้ได้ แต่ตอนนี้ยังเป็นงานของผู้ขายที่ได้ประโยชน์จากผลลัพธ์ จึงควรรออย่างน้อยหนึ่งการทำซ้ำจากคนนอกก่อนใช้ตัดสินใจเลือกโมเดล

Hirundo

Blognone รายงานข่าวแพตช์ PHP เป็นภาษาไทยเมื่อวันที่ 21 ตุลาคม ระบุว่าเวอร์ชันที่อุดช่องโหว่รันโค้ดข้ามเครื่องแบบไม่ต้องล็อกอินคือ 8.5.12, 8.4.27, 8.3.36 และ 8.2.35 ตรงกับที่ต้นทางประกาศ และอธิบายสองรหัสช่องโหว่ว่าเกิดจากการทำให้หน่วยความจำหมดแล้ว PHP มองข้อมูลที่เสียเป็นข้อมูลปกติ กับการอ่านหน่วยความจำที่คืนไปแล้วซ้ำ

สำหรับระบบที่ยังอัปเดตทันทีไม่ได้ รายงานระบุมาตรการชั่วคราวไว้คือตั้ง memory_limit เป็นไม่จำกัด ลด post_max_size ลงมาที่ราว 8 ถึง 32 เมกะไบต์ ปิด session.upload_progress.enabled ปิด fatal_error_backtraces แล้วรีสตาร์ต PHP worker ทั้งหมด

รายงานฉบับนี้ไม่เอ่ยถึงบทบาทของ AI ในการค้นพบช่องโหว่เลย ต่างจากรายงานภาษาอังกฤษของผู้ค้นพบและของสื่อต่างประเทศ ซึ่งเป็นตัวอย่างว่ามุมของข่าวเดียวกันต่างกันได้ตามแหล่ง

ข้อควรระวังคือมาตรการชั่วคราวเป็นการลดโอกาสถูกโจมตี ไม่ใช่การแก้ และทั้งต้นทางและสื่อย้ำว่าทางแก้ที่สมบูรณ์ทางเดียวคือการอัปเดตเวอร์ชัน อีกอย่างที่ควรรู้คือบนอินเทอร์เน็ตมีการจับคู่มาตรการแต่ละข้อเข้ากับรหัสช่องโหว่สลับกันอยู่มาก ถ้าจะใช้ควรทำทั้งชุดและรีสตาร์ต ไม่ควรเลือกทำข้อเดียวโดยอ้างว่าตรงกับรหัสใดรหัสหนึ่ง

▲ ทำไมต้องรู้ · ทีมไอทีในไทยที่ต้องอธิบายเรื่องนี้ให้ผู้บริหารฟังมีสรุปภาษาไทยที่ตรงกับต้นทางให้ใช้แล้ว และมีรายการค่าที่ปรับได้ทันทีสำหรับระบบที่ยังปิดเพื่ออัปเดตไม่ได้ในวันนี้

Blognone · ประกาศของ PHP

รายงานผลประกอบการไตรมาสสามของ SpaceX ระบุรายได้รวม 14,575 ล้านดอลลาร์ เติบโต 161% เทียบปีก่อน กำไรจากการดำเนินงาน 2,791 ล้านดอลลาร์ และกำไรสุทธิ 4,404 ล้านดอลลาร์ ซึ่งรายงานระบุว่าส่วนหนึ่งมาจากรายได้ดอกเบี้ยและผลประโยชน์ทางภาษี

ส่วนงานที่โตแรงที่สุดไม่ใช่ธุรกิจอวกาศหรืออินเทอร์เน็ตดาวเทียม แต่เป็นส่วนงานคอมพิวต์ที่รายได้โตเกือบสามเท่าเป็น 7,560 ล้านดอลลาร์ โดยมีกำไรของส่วนงาน 431 ล้านดอลลาร์ ซึ่งรายงานอธิบายว่ามาจากการรวมงบ Cursor เข้ามาและรายได้ค่าเช่าคลาวด์ที่เพิ่มขึ้น

ตัวเลขการลงทุนในไตรมาสอยู่ที่ 16,444 ล้านดอลลาร์ และกำลังของศูนย์ข้อมูลอยู่ที่ 1.7 กิกะวัตต์ ส่วนธุรกิจอวกาศมีรายได้ 1,767 ล้านดอลลาร์ และฝั่งการเชื่อมต่อมีรายได้ 5,248 ล้านดอลลาร์ โดยผู้ใช้ Starlink เพิ่มเป็น 13.6 ล้านราย

ข้อควรระวังคือตัวเลขชุดนี้อ่านจากรายงานของบริษัทเอง และคำอธิบายเรื่องการรวมงบ Cursor เป็นการตีความของผู้รายงาน ไม่ใช่การแยกรายได้ที่บริษัทแจกแจงให้เป็นรายบริษัทย่อย

▲ ทำไมต้องรู้ · เมื่อบริษัทที่คนจำว่าเป็นธุรกิจจรวดมีรายได้จากการขายกำลังประมวลผลมากกว่าธุรกิจอวกาศหลายเท่า นั่นบอกว่าเงินในรอบนี้ไหลไปที่คนขายกำลังประมวลผล และราคาค่าเช่าเครื่องที่คนทำงานต้องจ่ายถูกกำหนดจากการแข่งกันลงทุนระดับนี้

Blognone · รายงานผลประกอบการ