AI News · 2026-10-26

Mistral เผยแพร่ประกาศเมื่อ 21 ตุลาคมว่าร่วมกับ NVIDIA สร้างกระบวนการทำงานด้านวิศวกรรมที่ใช้ AI ตั้งแต่ต้น โดยใช้ Mistral Large 4 ร่วมกับท่อสร้างข้อมูลและโมเดลฟิสิกส์ของ Mistral ฝั่ง NVIDIA ใส่ไลบรารี CUDA-X, NVIDIA Warp และ Omniverse สำหรับสร้างฉากสามมิติ อุตสาหกรรมที่เอ่ยถึงคืออากาศยาน ยานยนต์ และเซมิคอนดักเตอร์ ไม่มีชื่อลูกค้า

สิ่งที่น่าสนใจกว่าตัวความร่วมมือคือทั้งสองบริษัทบอกว่าจะเปิดชุดวัดสาธารณะและชุดข้อมูลเปิดสำหรับประเมินโมเดลฟิสิกส์ และชุดวัด agent สำหรับงาน computer-aided engineering กับ electronic design automation ที่วัดว่า agent ใช้เครื่องมือวิศวกรรมได้ไหม ทำงานหลายขั้นจบไหม ผลถูกต้องทางเทคนิคไหม พร้อมบันทึกเวลารันและค่าประมวลผล

ประกาศนี้ย้ำสเปกของ Mistral Large 4 ที่เคยเล่าไว้คือพารามิเตอร์รวมราวหนึ่งล้านล้าน ใช้งานจริง 49 พันล้านต่อโทเคน ฝึกบน GPU Grace Blackwell 3,800 ตัวในดาต้าเซ็นเตอร์ของ Mistral เองในยุโรป และยังคงกำหนดปล่อยน้ำหนักปลายเดือนตุลาคม 2026 ซึ่งเหลืออีกไม่กี่วัน ส่วนเป้าหมายกำลังประมวลผลของบริษัทคือ 1 กิกะวัตต์ภายในปี 2030

ข้อควรระวังคือยังไม่มีชุดวัดหรือชุดข้อมูลใดเปิดออกมาจริง ประกาศใช้คำว่าจะทำ ไม่มีกำหนดวัน ไม่มีตัวเลขสมรรถนะ และไม่มีราคา

▲ ทำไมต้องรู้ · ถ้าองค์กรของคุณอยู่ในสายผลิตหรือออกแบบ สิ่งที่ควรจับตาไม่ใช่ตัวโมเดล แต่คือชุดวัดที่สัญญาว่าจะเปิด เพราะทุกวันนี้ไม่มีมาตรวัดกลางว่า agent ใช้โปรแกรม CAD หรือซอฟต์แวร์จำลองได้จริงแค่ไหน ถ้าชุดวัดนี้ออกมาจริงจะเป็นครั้งแรกที่เทียบผู้ขายได้บนโจทย์เดียวกัน และอีกเรื่องที่ควรเช็กในสัปดาห์นี้คือน้ำหนัก Mistral Large 4 ออกตามกำหนดหรือไม่

Mistral · Mistral Large 4 ประกาศ 6 ต.ค.

Cerebras เผยแพร่บทความเทคนิคเมื่อ 22 ตุลาคม เขียนโดย Sarah Chieng อธิบายว่าให้บริการโมเดลขนาดหลายล้านล้านพารามิเตอร์บนฮาร์ดแวร์ของตัวเองอย่างไร โดยใช้ Kimi K3 เป็นตัวอย่าง ซึ่งเป็นโมเดลเปิดขนาดราวสามล้านล้านพารามิเตอร์ มี 93 ชั้น แบ่งเป็นชั้น linear attention 69 ชั้นและชั้น attention เต็มรูป 24 ชั้น บทความขึ้นหน้าแรก Hacker News เมื่อ 25 ตุลาคมด้วยคะแนนราว 350

วิธีคิดคือชิป WSE-3T แต่ละแผ่นมีหน่วยความจำบนตัวชิป 44 กิกะไบต์ เมื่อบีบน้ำหนักเป็น 4 บิตต่อพารามิเตอร์ น้ำหนักทั้งโมเดลเหลือราว 1.5 เทราไบต์ หรือราว 16 กิกะไบต์ต่อชั้น ชั้น attention เต็มรูปวางแผ่นละหนึ่งชั้นเพราะต้องเหลือที่ไว้เก็บ KV cache ของทุกโทเคนในทุกคำขอที่ค้างอยู่ ส่วนชั้น linear attention วางแผ่นละสองชั้นเพราะเก็บสถานะขนาดคงที่ต่อคำขอ รวมแล้วใช้ 59 แผ่น น้ำหนักอยู่กับที่บนชิป สิ่งที่วิ่งข้ามแผ่นมีแค่ค่า activation ผ่าน RDMA over Ethernet ราวสองไมโครวินาทีต่อช่วง และแต่ละแผ่นทำงานเป็นขั้นหนึ่งของท่อที่รับคำขอต่างกันพร้อมกัน

ข้อควรระวังมีสามข้อ ข้อแรกคือตัวเลขสมรรถนะที่บทความให้มีแค่ประโยคเดียวในบทนำว่ารันโมเดลหลายล้านล้านพารามิเตอร์ที่ 1,000 ถึงกว่า 2,000 โทเคนต่อวินาที โดยไม่ระบุว่าต่อผู้ใช้หรือรวมทั้งระบบ ไม่ระบุโมเดลและการตั้งค่า และไม่บอกวิธีวัด ข้อสองคือตัวอย่างทั้งหมดตั้งอยู่บนสมมติฐานที่บทความกำหนดเองคือคำขอเฉลี่ย 256k โทเคน น้ำหนัก 4 บิต และ KV cache 8 บิต ส่วนตัวเลขจำนวนคำขอพร้อมกันอยู่ในภาพที่อ่านค่าไม่ได้ ข้อสามคือคะแนน benchmark ของ Kimi K3 ที่บทความยกมาเทียบกับ GPT-5.6 Sol เป็นตัวเลขจากบล็อกของ Kimi เอง ไม่ใช่สิ่งที่ Cerebras วัด และบทความไม่มีราคา

▲ ทำไมต้องรู้ · เวลาผู้ขายคุยว่าเร็วกว่ากันกี่เท่า บทความนี้ช่วยให้เห็นว่าความเร็วมาจากไหน คือจากการเก็บน้ำหนักทั้งโมเดลไว้บนชิปแทนที่จะดึงจากหน่วยความจำนอกชิปทุกครั้ง ซึ่งแลกมาด้วยจำนวนชิปที่ต้องใช้และข้อจำกัดเรื่องจำนวนคำขอพร้อมกัน สำหรับคนซื้อบริการ คำถามที่ควรถามคือตัวเลขความเร็วที่โฆษณาวัดตอนมีผู้ใช้พร้อมกันกี่คน เพราะข้อจำกัดในสถาปัตยกรรมแบบนี้คือพื้นที่ KV cache ไม่ใช่กำลังคำนวณ

Cerebras · Hacker News

โครงการโอเพนซอร์ส ThinkRail ของ JetBrains ขึ้นหน้าแรก Hacker News เมื่อ 25 ตุลาคมด้วยคะแนนราว 160 หน้า README บรรยายว่าเป็น agentic IDE ที่ครอบ agent เขียนโค้ดชื่อ pi ด้วยหน้าจอกราฟิก ใช้สัญญาอนุญาต Apache 2.0 มีให้ทั้งแบบแอปเดสก์ท็อปบน macOS Apple Silicon, Windows x64 และ Linux กับแบบ CLI ที่เปิดหน้าจอเดียวกันในเบราว์เซอร์ ตอนที่อ่าน repo มีดาวราว 1,700 และ issue เปิดอยู่ 164 รายการ

แนวคิดหลักคือทุก repo กลายเป็นโปรเจกต์ และแต่ละพื้นที่ทำงานคือ git worktree ที่มี branch ของตัวเอง ทำให้รัน agent หลายตัวพร้อมกันโดยไม่เหยียบกัน สถานะ pull request และ CI ดึงผ่าน gh CLI ของผู้ใช้ มีช่องแชตหลายช่องต่อพื้นที่ทำงาน แต่ละช่องเลือกโมเดลเองและมีตัวเลขโทเคนกับค่าใช้จ่ายกำกับ และมีกราฟของไฟล์ SPEC.md วางคู่โค้ดที่ agent ดูแลเองผ่านเครื่องมือเฉพาะ README ระบุว่าการพัฒนาตัวโปรเจกต์เองก็ใช้วิธี spec-first คือเปลี่ยนอะไรที่กระทบขอบเขตต้องแก้ spec ก่อน

ด้านผู้ให้บริการโมเดล ใช้ได้ทั้ง JetBrains AI และผู้ให้บริการใดก็ได้ที่ตั้งค่าผ่านระบบยืนยันตัวของ pi เอง ThinkRail ไม่มีระบบบัญชีของตัวเอง รองรับเซิร์ฟเวอร์ MCP จากไฟล์ตั้งค่าของ pi และจะถามก่อนเรียกเครื่องมือที่ไม่ได้ติดป้ายว่าอ่านอย่างเดียว

ข้อควรระวังคือ README ไม่มีตัวเลข benchmark ใดเลย ไม่ระบุวันเปิดตัว ส่วนขยายที่บอกว่าจะให้เครื่องมือสร้างความสามารถของตัวเองยังเขียนว่ากำลังจะมา ตัวติดตั้ง CLI บน macOS มีลายเซ็นแต่ยังไม่ผ่าน notarization และตัวติดตั้งบน Linux ไม่มีลายเซ็น

▲ ทำไมต้องรู้ · สิ่งที่ ThinkRail บอกเราไม่ใช่ว่ามีเครื่องมือใหม่อีกตัว แต่คือผู้ผลิต IDE รายใหญ่ยอมรับว่ารูปแบบการทำงานกำลังเปลี่ยนจากคนพิมพ์โค้ดในหน้าต่างเดียว ไปเป็นคนคุม agent หลายตัวที่ทำงานคนละสาขาพร้อมกัน แนวคิดที่หยิบไปใช้ได้แม้ไม่ใช้เครื่องมือนี้คือแยกพื้นที่ทำงานต่อ agent หนึ่งตัว และเก็บความรู้ของโปรเจกต์ไว้ในไฟล์ที่ agent อ่านได้แทนที่จะอยู่ในหัวคน

GitHub JetBrains/thinkrail · Hacker News

Google ประกาศบนบล็อก Workspace Updates เมื่อ 21 ตุลาคมว่าเริ่มปล่อย Docs Live ในแอป Google Docs บน Android และ iOS ผู้ใช้กดไมโครโฟนแล้วบรรยายสิ่งที่ต้องการเป็นคำพูด จากนั้นระบบร่างเอกสารที่มีโครงสร้างให้ เช่น หัวข้อและตาราง ตัวอย่างที่ Google ยกคือสรุปโครงการ ข้อเสนอฟีเจอร์ บทพูดประกอบงานนำเสนอ และแผนจัดงาน โดยดึงบริบทจาก Gmail, Chat, Drive และเว็บมาประกอบได้ Blognone รายงานข่าวนี้เมื่อ 25 ตุลาคม และชี้ว่าต่างจากการให้ Gemini ร่างแล้วคัดลอกมาวางตรงที่สั่งในแอป Docs ได้เลย และอยู่ในชุดเดียวกับ Gmail Live และ Keep Live

สิทธิ์ใช้งานฝั่งองค์กรคือ Workspace รุ่น Business Standard และ Plus กับ Enterprise Standard และ Plus รวมถึงส่วนเสริม Google AI Pro for Education และ AI Expanded Access ฝั่งผู้ใช้ทั่วไปต้องเป็นสมาชิก Google AI Pro หรือ Ultra ฟีเจอร์เปิดเป็นค่าตั้งต้นให้คนที่เปิด Gemini ใน Docs อยู่แล้ว และผู้ดูแลระบบปิดได้จากหน้าตั้งค่า Gemini ใน Admin console

ข้อควรระวังคือหน้าประกาศไม่ระบุว่ารองรับภาษาอะไรบ้าง จึงยังไม่รู้ว่าพูดภาษาไทยแล้วได้เอกสารภาษาไทยหรือไม่ และตัวประกาศไม่มีตัวอย่างผลลัพธ์จริงให้ตรวจคุณภาพ

▲ ทำไมต้องรู้ · ฟีเจอร์นี้ย้ายจุดที่คนทำงานพบ AI จากหน้าแชตแยกต่างหากมาอยู่ในแอปที่ใช้ทำเอกสารอยู่แล้ว สิ่งที่ควรเตรียมถ้าองค์กรใช้ Workspace คือตรวจว่าผู้ดูแลระบบเปิดหรือปิดไว้ และบอกทีมให้รู้ว่าเอกสารที่สร้างด้วยวิธีนี้อาจดึงข้อมูลจากอีเมลและไฟล์ที่ผู้ใช้เข้าถึงได้ไปใส่ ซึ่งต้องอ่านตรวจก่อนส่งต่อเหมือนเดิม

Google Workspace Updates · Blognone

Dan Luu นักเขียนด้านวิศวกรรมซอฟต์แวร์เผยแพร่บทความที่ขึ้นอันดับหนึ่ง Hacker News เมื่อ 24 ตุลาคมด้วยคะแนนกว่า 730 ข้อเสนอหลักคือการเขียนโค้ดด้วย agent ทำให้โครงการใหญ่ที่คนธรรมดาไม่มีเวลาหรือพื้นฐานจะทำได้ กลายเป็นเรื่องทำได้จริง เขายกตัวอย่างโครงการของตัวเอง เช่น pgrust ที่เขาระบุว่าการทดสอบของมันเจอบั๊กจริงใน Postgres เครื่องมือค้นหาและเครื่องมือ build ภาษา Rust ที่เร็วขึ้น และ AI เล่นบอร์ดเกม Azul ซึ่งเขาเล่าว่าใช้เวลาของตัวเองราวห้าชั่วโมงถึงระดับเหนือคนและราวยี่สิบชั่วโมงจึงเป็น AI ที่เก่งที่สุดในตอนนั้น

ตัวเลขที่เขาให้เกี่ยวกับโมเดลคือ GPT-6 Astra ผ่านเทสต์ที่ลงทะเบียนไว้ทั้งหมดของงานทำ zstd ได้เกิน 99% ของครั้งที่ลอง ด้วยค่าใช้จ่ายราวหนึ่งดอลลาร์ จนเขาต้องเปลี่ยนไปใช้โจทย์ที่ยากขึ้นอย่าง IMAP RFC และ Pandoc แต่เขาเขียนไว้เองด้วยว่ายิ่งโมเดลเก่งขึ้นเขายิ่งห่างจากสภาพที่มันใช้ได้เลย เพราะเขาเลือกโจทย์ที่ยากขึ้นตามไปทุกครั้ง

บทความมีภาคผนวกที่ให้พื้นที่กับความเห็นตรงข้ามของ Yossi Kreinin ว่าสำหรับคนส่วนใหญ่ควรทะเยอทะยานน้อยลงเมื่อสร้างซอฟต์แวร์ด้วย AI เพราะปัญหาจำนวนมากไม่มีเกณฑ์ผ่านไม่ผ่านที่ชัด ซึ่ง Luu เห็นด้วยบางส่วน และตอบว่าการตั้งระบบตรวจตัวเอง fuzzing และการทดสอบเชิงคุณสมบัติช่วยขยายขอบเขตที่ AI ใช้ได้

ข้อควรระวังคือทั้งหมดเป็นบทความแสดงความเห็นประกอบประสบการณ์ส่วนตัว ตัวเลขชั่วโมงและอัตราผ่านเทสต์เป็นการรายงานของผู้เขียนเอง ไม่มีการวัดอิสระ และผู้เขียนเป็นคนที่มีทักษะวิศวกรรมสูงมากอยู่ก่อนแล้ว

▲ ทำไมต้องรู้ · จุดที่ย้ายมาใช้กับงานทั่วไปได้คือเงื่อนไขที่ทำให้ agent ใช้ได้จริงในบทความนี้ไม่ใช่ความทะเยอทะยาน แต่คือการมีเกณฑ์ตรวจที่ชัดคือเทสต์ที่รันได้และผลที่เทียบกับของจริงได้ งานออฟฟิศที่มีเกณฑ์แบบนั้น เช่น ตัวเลขต้องตรงกับงบ หรือไฟล์ต้องผ่านตัวตรวจรูปแบบ คืองานที่ปล่อยให้ AI ทำชิ้นใหญ่ได้ก่อน ส่วนงานที่ตัดสินด้วยรสนิยมยังต้องให้คนอยู่ในวง

Dan Luu · Hacker News

Magnus Lynch แพทย์ผิวหนังที่โรงพยาบาล Guy's ในลอนดอน ซึ่งมีตำแหน่งวิชาการกิตติมศักดิ์ระดับ Honorary Reader ที่ King's College London เผยแพร่ผลทดสอบเมื่อ 25 ตุลาคม และกระทู้บน Hacker News มีคะแนนกว่า 400 ในเช้าวันที่ 26 ตุลาคม เขานำรอยโรคผิวหนัง 200 รายจากชุดข้อมูลสาธารณะ MILK10k ที่ยืนยันด้วยผลชิ้นเนื้อทุกราย แบ่งเป็น 100 รายที่ห้ามปล่อยกลับบ้านคือเมลาโนมา 30 มะเร็งเซลล์ฐาน 25 มะเร็งเซลล์สแควมัส 25 และรอยโรคก่อนมะเร็ง 20 กับอีก 100 รายที่ปลอดภัยคือไฝธรรมดา 50 และกระเนื้อ 50 แต่ละรายมีทั้งภาพถ่ายปกติและภาพกล้องส่องผิว

โมเดลที่ทดสอบคือ GPT-6 Astra และ Claude Fable 5.1 ซึ่งได้รับทั้งสองภาพพร้อมคำสั่งเดียวกันที่ค่าตั้งต้น ให้เลือกคำวินิจฉัยที่น่าจะเป็นที่สุดจากหกแบบ ให้ความมั่นใจ ตัวเลือกที่สอง และตอบว่าปล่อยกลับได้ไหม คู่เทียบคือ Inception v3 โครงข่ายประสาทแบบ CNN ที่ Google เผยแพร่ตั้งแต่ปี 2015 นำมาปรับจูนทุกชั้นด้วยภาพจากคลัง ISIC จำนวน 68,011 ภาพ ซึ่งผู้เขียนระบุว่าตัดภาพของรอยโรคและผู้ป่วยในชุดทดสอบออกหมด ใช้เวลาปรับจูนราวยี่สิบนาทีบน GPU H100 หนึ่งตัว

ผลคือคำวินิจฉัยตัวเลือกแรกถูก 84 รายสำหรับ GPT-6 Astra และ 85 รายสำหรับ Claude Fable 5.1 จาก 200 คิดเป็น 42% เท่ากัน ขณะที่ CNN ถูก 125 รายหรือ 62% เมื่อนับตัวเลือกที่หนึ่งหรือสองก็ยังเป็น 134, 138 และ 173 ตามลำดับ ในเมลาโนมา 30 ราย ทั้งสามตอบถูกตัวเลือกแรก 8, 11 และ 13 ราย จุดที่ GPT-6 Astra ทำได้ดีคือมะเร็งเซลล์ฐานซึ่งถูกครบ 25 ราย ขณะที่ Claude Fable 5.1 ถูก 18 และ CNN ถูก 24 หมวดเดียวที่ LLM ทั้งสองตัวชนะ CNN คือรอยโรคก่อนมะเร็ง ที่ถูก 10 และ 12 จาก 20 เทียบกับ CNN ที่ 9 ส่วนช่องว่างที่กว้างที่สุดอยู่ที่รอยโรคไม่อันตราย คือไฝธรรมดาที่ GPT-6 Astra ถูก 16 จาก 50 เทียบกับ CNN ที่ 37 และกระเนื้อที่ GPT-6 Astra ถูก 13 และ Claude Fable 5.1 ถูกเพียง 6 จาก 50 เทียบกับ CNN ที่ 26

ด้านคำตัดสินว่าปล่อยกลับบ้านได้ไหม LLM ทั้งสองตัวระวังมาก คือเก็บรอยโรคอันตรายไว้ 97 และ 96 จาก 100 แต่ก็ปล่อยรอยโรคปลอดภัยกลับได้แค่ 32 และ 22 จาก 100 ขณะที่ CNN ที่เกณฑ์ตั้งต้นปล่อยรอยโรคปลอดภัยได้ 76 แต่ปล่อยเมลาโนมาหลุดไป 18 จาก 30 ซึ่งเมื่อปรับเกณฑ์ให้ระวังเท่ากับ LLM จะเหลือหลุด 1 ถึง 2 ราย พื้นที่ใต้โค้ง ROC ของ CNN บนชุดนี้คือ 0.86 เทียบกับ 0.96 บนภาพทั่วไปจากคลัง ส่วนการทดสอบเพิ่มที่ให้ภาพถ่ายธรรมดาและถามแบบผู้ป่วยว่าต้องไปหาหมอไหม ทั้งสอง LLM แนะนำให้ไปหาหมอแทบทุกกรณีรวมถึงรอยโรคที่ไม่อันตรายด้วย และแนะนำให้ไปหาหมอใน 99 และ 98 จากเมลาโนมาอีก 100 ราย

ข้อควรระวังที่ผู้เขียนระบุเองมีหลายข้อ จำนวนเมลาโนมา 30 รายทำให้ความไม่แน่นอนกว้าง แต่ละกรณีรัน LLM เพียงครั้งเดียว ทุกรอยโรคถูกตัดชิ้นเนื้อ แปลว่าเป็นรายที่เคยทำให้แพทย์กังวลจึงวินิจฉัยยากกว่าปกติ ชุดข้อมูล MILK10k เปิดสาธารณะมาตั้งแต่ปี 2025 จึงเป็นไปได้ว่า LLM เคยเห็นตอนฝึก Inception v3 เป็นแค่ฐานเทียบ ส่วนผลิตภัณฑ์ที่ขึ้นทะเบียนแล้วซึ่งสร้างบนสถาปัตยกรรมรุ่นใหม่ทำได้ดีกว่านี้มาก และผู้เขียนเปิดเผยว่าการวิเคราะห์และร่างแรกทำด้วย Claude Code ซึ่งรันบนโมเดล Claude ของ Anthropic ข้อสังเกตคือนั่นเป็นบริษัทเดียวกับหนึ่งในโมเดลที่ถูกทดสอบ ส่วนหน้าเว็บไม่ให้ค่า sensitivity หรือ specificity ของ LLM และไม่มีตัวเลขค่าใช้จ่าย ผู้แสดงความเห็นบน Hacker News ยังชี้ว่า CNN ได้เปรียบเพราะฝึกบนภาพจากแหล่งเดียวกับชุดทดสอบ ขณะที่ LLM ได้ลองครั้งเดียวโดยไม่มีเครื่องมือช่วย ซึ่งผู้เขียนตอบว่า CNN ตั้งใจให้เป็นแค่ฐานเทียบ

▲ ทำไมต้องรู้ · ถ้าคุณกำลังคิดจะเอาผู้ช่วย AI ทั่วไปมาทำงานที่ต้องตัดสินจากภาพซ้ำ ๆ แบบเดียวกัน ไม่ว่าจะเป็นตรวจชิ้นงาน อ่านใบเสร็จ หรือคัดกรองเอกสาร ผลนี้บอกว่าโมเดลเล็กที่ฝึกเฉพาะงานยังชนะโมเดลใหญ่ที่รู้ทุกเรื่องได้ง่าย และการปรับจูนใช้เวลาราวยี่สิบนาทีบน GPU H100 หนึ่งตัว ส่วนสิ่งที่ผลนี้ไม่ได้บอกคือ LLM คัดกรองเก่ง เพราะเมื่อถามแบบผู้ป่วยมันตอบว่าให้ไปหาหมอแทบทุกกรณีรวมถึงรายที่ไม่อันตราย ซึ่งปลอดภัยแต่ไม่ได้ช่วยแยกอะไรเลย

Lynch Lab · Hacker News

เปเปอร์ที่ขึ้น arXiv เมื่อ 19 ตุลาคม และระบุในช่อง Comments ว่าได้รับคัดเลือกเข้า NeurIPS 2026 Interpreting Agent Behavior Workshop ตั้งคำถามว่าเมื่อ agent พึ่งคนน้อยลง นั่นคือการแบ่งงานที่ฉลาดหรือการไม่ยอมร่วมมือ ผู้เขียนชี้ว่าดูแค่อัตราที่ agent เรียกคนไม่พอตอบ จึงออกแบบเขาวงกตที่ควบคุมร่วมกัน มีตัวละครของ agent หนึ่งตัวและของคนหนึ่งตัว เป้าหมายคือให้ตัวใดตัวหนึ่งถึงจุดหมายโดยใช้จำนวนตาของทีมน้อยที่สุด แต่ละตา agent เลือกได้ว่าจะเดินเองหรือยกตาให้คน และตำแหน่งเริ่มต้นกำหนดว่าฝั่งไหนมีเส้นทางสั้นกว่า

ทดสอบโมเดลสี่ตัวคือ GPT 5.6 Sol, Command A+, Qwen 3.8 ขนาด 27B และ Command R โดยวัดความสามารถเดี่ยวก่อนแล้วจึงให้เล่นร่วมกับคนจริงในสามเงื่อนไขคือคนได้เปรียบ ไม่มีใครได้เปรียบ และ agent ได้เปรียบ ผลคือโมเดลที่แก้เขาวงกตเองได้แน่นอนจะเดินเองแทบทุกครั้งเมื่อคนไม่ได้เปรียบ แต่เมื่อเส้นทางของคนสั้นกว่า โมเดลกลุ่มนี้ยกตาแรกให้คนราว 80% ของการตัดสินใจ ส่วน Command R ซึ่งทำคะแนนเดี่ยวแย่กว่ามาก ไม่แสดงการเลือกแบบนี้เลย

ข้อควรระวังคือเป็นงานในเวทีย่อยแบบ workshop ไม่ใช่งานประชุมหลัก สภาพแวดล้อมเป็นเกมเขาวงกตที่ควบคุมตัวแปรได้ง่าย ไม่ใช่งานจริงที่ความได้เปรียบของคนวัดยาก และหน้า abstract ไม่ระบุจำนวนผู้เข้าร่วมที่เป็นคน

▲ ทำไมต้องรู้ · คนทำงานหลายคนกังวลว่า AI ที่เก่งขึ้นจะยิ่งไม่ฟังคน งานนี้ให้ภาพที่ละเอียดกว่านั้นคือโมเดลที่เก่งไม่ได้เรียกคนบ่อยขึ้นหรือน้อยลงแบบคงที่ แต่เรียกเมื่อคนมีข้อมูลที่มันไม่มี สิ่งที่ถอดมาใช้ได้คือเวลาออกแบบงานร่วมกับ agent ให้ทำให้ชัดว่าคนรู้อะไรที่ agent ไม่รู้ เพราะนั่นคือสัญญาณที่โมเดลเก่งใช้ตัดสินว่าจะส่งต่อให้คนเมื่อไร

arXiv 2610.27148

เปเปอร์ที่ขึ้น arXiv เมื่อ 19 ตุลาคม เสนอวิธีชื่อ Heartbeat Thinking สำหรับ agent เสียงที่ต้องเรียกเครื่องมือ เช่น ค้นข้อมูลหรือจองคิว ปัญหาเดิมคือระบบรอให้คนพูดจบก่อนจึงเริ่มทำงาน แม้ข้อมูลที่ต้องใช้มาถึงตั้งแต่กลางประโยค และวิธีเดาล่วงหน้าที่มีอยู่มักตัดการเรียกเครื่องมือทิ้งกลางคันเมื่อข้อความใหม่เข้ามา

กลไกคือทุกครั้งที่ข้อความถอดเสียงอัปเดต ระบบจะเริ่มรอบคิดใหม่ แต่ปล่อยให้รอบที่กำลังคิดอยู่และเครื่องมือที่สั่งไปแล้วทำงานจนจบ รอบคิดแต่ละรอบอ่านข้อความล่าสุดบวกบันทึกกลางของผลที่คิดและผลเครื่องมือที่เสร็จแล้ว จึงเติมพารามิเตอร์ที่ขาดและเริ่มเรียกเครื่องมือตัวถัดไปที่ต้องรอตัวแรกได้ ผลบนชุดวัด FDBench v3 เมื่อเทียบกับวิธีฐานแบบแบ่งช่วงคือครอบคลุมเครื่องมือที่ต้องเรียกเพิ่มขึ้น 16 จุดเปอร์เซ็นต์ และเวลาตั้งแต่พูดจบจนได้คำตอบสุดท้ายโดยเฉลี่ยลดลง 36.4%

ข้อควรระวังคือ abstract ให้ตัวเลขเฉพาะ FDBench v3 ส่วนอีกสองชุดวัดคือ SpeechFCEval และ AudioCRAG ไม่มีตัวเลข ไม่ระบุว่าใช้โมเดลตัวไหน และผู้เขียนเขียนเองว่าผลต่อคุณภาพของงานขึ้นกับชุดวัด แปลว่าเร็วขึ้นแน่แต่ดีขึ้นไม่แน่ และการเริ่มคิดก่อนฟังจบย่อมหมายถึงการประมวลผลที่สูญเปล่าเมื่อคนเปลี่ยนใจกลางประโยค ซึ่ง abstract ไม่ได้ให้ตัวเลขต้นทุนส่วนนี้

▲ ทำไมต้องรู้ · ถ้าองค์กรของคุณกำลังทำหรือซื้อระบบตอบลูกค้าด้วยเสียง ความหน่วงหลังลูกค้าพูดจบคือสิ่งที่ทำให้คนรู้สึกว่ากำลังคุยกับเครื่อง งานนี้บอกว่าวิธีลดมันไม่ใช่ใช้โมเดลที่เร็วขึ้น แต่คือจัดลำดับงานใหม่ให้เริ่มเตรียมของตั้งแต่ยังฟังอยู่ คำถามที่ควรถามผู้ขายคือระบบเริ่มทำงานเมื่อไร และจ่ายค่าประมวลผลที่เริ่มไปแล้วแต่ไม่ได้ใช้เท่าไร

arXiv 2610.26233

เปเปอร์ที่ขึ้น arXiv เมื่อ 19 ตุลาคม จากทีมที่มี Nanyun Peng ร่วมเขียน ศึกษาโมเดลภาษาแบบ diffusion ซึ่งเป็นแนวทางเดียวกับที่ Mercury และ DiffusionGemma ใช้ ความต่างจากโมเดลปกติคือมันเขียนหลายโทเคนต่อรอบและตัดสินใจเองว่าจะใช้กี่รอบ ผลลัพธ์ยาวเท่ากันจึงมีต้นทุนต่างกันได้ ผู้เขียนวิเคราะห์โมเดล diffusion สองตัวบนสิบงาน

ผลคือจำนวนรอบต่อโทเคนต่างกันมากตามงาน ข้อความที่คัดลอกหรือแก้เล็กน้อยจากสิ่งที่ป้อนเข้ามาถูก ส่วนการเขียนปลายเปิดแพง สำหรับ DiffusionGemma การเขียนเรื่องสั้นใช้รอบมากกว่าการแก้ไวยากรณ์เกินสามเท่า สองปัจจัยที่อธิบายช่องว่างได้มากคือสัดส่วนของผลลัพธ์ที่เป็นของใหม่เทียบกับสิ่งที่ป้อน และความหายากของคำในงานนั้น ภาษาที่ถูกตัดเป็นโทเคนละเอียดก็ต้องใช้รอบต่อโทเคนมากกว่าด้วย ซ้ำเติมต้นทุนที่สูงอยู่แล้วจากการมีโทเคนมากกว่า

ข้อค้นพบที่เอาไปใช้ได้ทันทีคือบนโจทย์คณิตศาสตร์ข้อเดียวกัน คำตอบที่ผิดใช้รอบต่อโทเคนมากกว่าคำตอบที่ถูก และเมื่อถ่วงน้ำหนักคำตอบด้วยความเร็วในการถอดรหัสแทนการโหวตเสียงข้างมาก ความแม่นดีขึ้นได้ถึง 4.2 จุดโดยไม่มีค่าใช้จ่ายเพิ่ม

ข้อควรระวังคือ abstract ที่เราอ่านระบุชื่อโมเดลที่ทดสอบชัดเพียงตัวเดียวคือ DiffusionGemma ไม่ระบุชุดวัดคณิตศาสตร์ที่ได้ 4.2 จุด ผลนี้เป็นของโมเดลแบบ diffusion โดยเฉพาะ เอาไปใช้กับโมเดลแบบปกติไม่ได้ และหน้าเปเปอร์ไม่ระบุเวทีวิชาการ

▲ ทำไมต้องรู้ · ภาษาไทยมักถูกหั่นเป็นโทเคนละเอียดกว่าภาษาอังกฤษ งานนี้บอกว่าถ้าใช้โมเดลตระกูล diffusion ที่โฆษณาว่าเร็ว ค่าใช้จ่ายและความหน่วงกับงานภาษาไทยอาจสูงกว่าตัวเลขโฆษณาจากสองทางพร้อมกัน ส่วนข้อค้นพบว่าคำตอบผิดกินแรงกว่าคำตอบถูก เป็นสัญญาณราคาถูกที่ระบบใช้บอกได้ว่าคำตอบไหนควรให้คนตรวจซ้ำ

arXiv 2610.25835

Blognone เผยแพร่บทสัมภาษณ์เมื่อ 25 ตุลาคมกับณัชพล เด่นดำรงทรัพย์ หนึ่งในทีมงาน LlamaIndex บริษัทที่ให้บริการแปลงเอกสารให้เครื่องอ่านได้และดึงข้อมูลออกเป็นโครงสร้างสำหรับใช้กับ AI ผลิตภัณฑ์ที่พูดถึงคือ LlamaParse สำหรับแปลงเอกสาร LlamaExtract สำหรับดึงข้อมูลตามโครงที่ลูกค้ากำหนด เฟรมเวิร์กโอเพนซอร์ส LlamaIndex และโครงการใหม่ชื่อ LiteParse ลูกค้าที่เอ่ยชื่อคือ KPMG และ Lovable

ตัวเลขที่บริษัทอ้างคือ LlamaParse ต้นทุนถูกกว่าการใช้โมเดลภาพกับภาษาของผู้ให้บริการรายใหญ่ราวสี่เท่า และแม่นกว่า API อื่นในตลาดราวห้าเท่า โดยใช้โมเดลเฉพาะทางเอกสารของตัวเองและสลับระหว่างโมเดลเล็กกับใหญ่ตามความซับซ้อนของหน้า ซึ่งผู้สัมภาษณ์เขียนกำกับไว้เองว่าเป็นตัวเลขที่บริษัทเผยแพร่ และเทคโนโลยี OCR ขยับเร็วมาก ความได้เปรียบต้องวัดกับทางเลือกปัจจุบันทั้งด้านความแม่นและต้นทุน

ส่วนที่ตรงกับคนทำงานไทยที่สุดคือมุมภาษา ผู้ให้สัมภาษณ์ระบุว่าภาษาไทยมีข้อมูลสำหรับฝึกค่อนข้างน้อยเมื่อเทียบกับภาษาอังกฤษ ผลของงานเดียวกันจึงต่างกันระหว่างสองภาษา ชุดข้อมูลทดสอบสาธารณะภาษาไทยที่เหมาะกับงานเอกสารหาแทบไม่ได้ และ benchmark ของผู้ขายเกือบทั้งหมดเป็นภาษาอังกฤษ ทีมจึงมักต้องสร้างชุดทดสอบภาษาไทยของตัวเองเพื่อหาว่าระบบพลาดตรงไหน และเอกสารไทยที่ซับซ้อนต้องเลือกทั้ง OCR และโมเดลไปด้วยกันแล้วประเมินบนไฟล์ของทีมเอง

ข้อควรระวังคือนี่เป็นบทสัมภาษณ์พนักงานของบริษัทที่ขายบริการนี้ ตัวเลขทั้งหมดเป็นของบริษัท ไม่มีการวัดอิสระ และบทสัมภาษณ์ไม่ได้ให้ตัวเลขความแม่นบนเอกสารภาษาไทยโดยเฉพาะ

▲ ทำไมต้องรู้ · ถ้าองค์กรของคุณกำลังจะเอา AI มาอ่านใบแจ้งหนี้ สัญญา หรือแบบฟอร์มภาษาไทย คำแนะนำที่ใช้ได้ทันทีมาจากฝั่งผู้ขายเองว่าอย่าเชื่อตัวเลขในโบรชัวร์ซึ่งวัดบนภาษาอังกฤษ ให้หยิบเอกสารจริงของทีมสักสามสิบถึงห้าสิบไฟล์ที่รู้คำตอบอยู่แล้วมาเป็นชุดทดสอบ แล้ววัดทุกผู้ขายบนชุดเดียวกัน ค่าเสียเวลาทำชุดทดสอบนี้ถูกกว่าค่าแก้ข้อมูลผิดหลังขึ้นระบบมาก

Blognone

บทความของ Joseph Politano จาก Apricitas Economics ซึ่งเผยแพร่ตั้งแต่ 27 กันยายน ขึ้น Hacker News คืนวันที่ 24 ตุลาคมตามเวลาสหรัฐฯ และมีคะแนนราว 500 เนื้อหาอ้างกราฟจาก FRED ซึ่งเป็นข้อมูลการจ้างงานของสำนักสถิติแรงงานสหรัฐฯ โดยไม่ระบุชื่อชุดข้อมูลในตัวบทความ และชี้ว่าอุตสาหกรรมสื่อและสร้างสรรค์โดยรวมเสียงานไปกว่า 200,000 ตำแหน่งในสี่ปี โดยราว 50,000 ตำแหน่งหายไปในปีล่าสุด ซึ่งผู้เขียนเทียบความแรงและความยาวนานกับช่วงถดถอยปี 2001 และ 2008

แยกตามภาค ภาพยนตร์และโทรทัศน์เสียงานเกิน 100,000 ตำแหน่งหรือเกือบหนึ่งในสามของภาค และผู้เขียนระบุว่าการจ้างงานในฤดูร้อนที่ผ่านมาต่ำสุดตั้งแต่ช่วงถดถอยปี 2008 และกำลังเข้าใกล้จุดต่ำสุดในสามสิบปี ข้อนี้ต้องอ่านคู่กับชุดข้อมูลของสำนักสถิติแรงงานเองซึ่งแสดงจุดต่ำกว่านั้นในช่วงโควิดเมื่อพฤษภาคม 2020 ที่ 213,300 ตำแหน่ง เทียบกับ 322,300 ตำแหน่งในมิถุนายน 2026 สิ่งที่ข้อมูลรองรับจึงเป็นจุดต่ำสุดนอกช่วงโรคระบาดตั้งแต่ปลายปี 1995 สิ่งพิมพ์ลดลงกว่า 70,000 ตำแหน่ง หนังสือพิมพ์ซึ่งผู้เขียนระบุว่าเคยจ้างราวครึ่งล้านคน ตอนนี้ลดไปเกือบ 85% และยังลดต่อ โดยชุดข้อมูลของสำนักสถิติแรงงานที่เริ่มเมื่อปี 1990 ให้จุดสูงสุด 458,900 ตำแหน่งในมิถุนายน 1990 และเหลือ 74,700 ตำแหน่งในสิงหาคม 2026 หรือลดลง 83.7% นิตยสารลดไป 66% จากทศวรรษ 1990 และสำนักพิมพ์หนังสือลด 40% ตัวชี้วัดฝั่งตลาดคือยอดขายตั๋วหนังปี 2025 ต่ำกว่าปี 2019 อยู่ 25% ก่อนปรับเงินเฟ้อ รายได้เคเบิลลดจากจุดสูงสุด 18% ขณะที่ยอดขายหนังสือกลับเพิ่มราว 70% ในหกปี ซึ่งผู้เขียนโยงกับการค้นพบหนังสือผ่าน TikTok

จุดที่ต้องอ่านให้ตรงคือผู้เขียนเขียนเองว่า "Proving the exact amount of AI-driven job loss in the arts is extremely difficult" สิ่งที่เขาชี้คือภาคย่อยที่เป็นดิจิทัลทั้งหมดกำลังเสียงาน ขณะที่การแสดงสดกำลังโต และ AI น่าจะกำลังแทรกเข้าไปในกระบวนการผลิตสื่อแล้วแม้บริษัทจะปิดบังการใช้เพื่อรักษาฐานทางกฎหมายของลิขสิทธิ์ของตัวเอง ขณะที่งานสร้างสรรค์ต้องแข่งกับเนื้อหาที่ AI สร้างจำนวนมาก และผู้เขียนเรียกการเจือจางของลิขสิทธิ์ว่าเป็นฉากทัศน์เลวร้ายที่สุด แต่เขาระบุสาเหตุอื่นควบคู่ไว้ชัดคือการรวมกิจการในฮอลลีวูด การย้ายการผลิตไปต่างประเทศ และการย้ายความสนใจไปที่ครีเอเตอร์บนโซเชียลมีเดีย ข้อสรุปของเขาคือผลกระทบหลักของ AI ต่อศิลปะจะเป็นเรื่องวัฒนธรรมและสังคมมากกว่าเศรษฐกิจมหภาค และงานสายศิลปะอาจเป็นภาพตัวอย่างล่วงหน้าของงานที่ใกล้เคียง เช่น การเขียนโปรแกรม

ข้อควรระวังมีสามข้อ ข้อแรกคือบทความอายุหนึ่งเดือนแล้ว ข้อมูลที่ใช้จึงถึงราวเดือนสิงหาคม 2026 เท่านั้น ข้อสองคือบทความไม่ระบุชื่อชุดข้อมูลที่ใช้ ตัวเลขส่วนใหญ่อยู่ในกราฟ ไม่มีข้อมูลค่าจ้างหรือชั่วโมงทำงาน และไม่ได้พูดถึงการประท้วงหยุดงานในฮอลลีวูดปี 2023 หรือช่วงโรคระบาดเลย ทั้งที่สองเหตุนั้นเห็นชัดในชุดข้อมูล ข้อสามคือสัดส่วนคนใช้ generative AI ในภาคศิลปะที่ 32% เทียบทุกอุตสาหกรรม 62% มีผู้อ่านท้วงในคอมเมนต์ว่าชุดข้อมูลของ FRED ที่ถามเฉพาะการใช้ในงานให้ 45% ณ วันนั้น โดยผู้อ่านคนนั้นพิมพ์ 42% ก่อนแล้วแก้เป็น 45% ในคอมเมนต์ถัดมา และชุดที่ผู้เขียนใช้นับการใช้ส่วนตัวรวมเข้าไป ซึ่งเป็นคำท้วงของผู้อ่าน ไม่ใช่สิ่งที่บทความระบุ โดยค่าล่าสุดของชุดนั้นในไตรมาสสามปี 2026 คือ 40.5%

▲ ทำไมต้องรู้ · ถ้าคุณทำงานสายเนื้อหา ออกแบบ หรือสื่อในไทย ตัวเลขชุดนี้คือภาพของตลาดที่ใหญ่ที่สุดในโลกซึ่งสินค้าสร้างสรรค์แข่งกันข้ามประเทศ บทเรียนที่ผู้เขียนให้ไม่ใช่ว่า AI แย่งงาน แต่คือเมื่องานหายไปจากหลายสาเหตุพร้อมกัน การชี้ว่าสาเหตุไหนเท่าไรทำไม่ได้ และคนที่รอให้ตัวเลขชี้ชัดก่อนปรับตัวจะช้าเกินไป สิ่งที่ตัวเลขฝั่งโตบอกคืองานที่ต้องอยู่ต่อหน้าคนจริงและงานที่ค้นพบผ่านช่องทางใหม่ยังเติบโตได้

Apricitas Economics · Hacker News

หนังสือพิมพ์นักศึกษา The Daily Californian รายงานเมื่อ 23 ตุลาคมว่า Richard Borcherds ศาสตราจารย์คณิตศาสตร์ที่ UC Berkeley และผู้ได้รับเหรียญฟิลด์ส เปลี่ยนมาให้คะแนนการบ้านตามการส่งครบเท่านั้น ไม่ตรวจความถูกต้องอีกต่อไป เหตุผลที่เขาให้คือนักศึกษาจำนวนมากใช้ AI ทำการบ้านได้คะแนนสูงสุดอย่างสม่ำเสมอ จึงไม่มีประโยชน์ที่จะจ่ายเงินให้ผู้ช่วยสอนตรวจ และเขาเรียกระบบใหม่นี้เองว่าไม่ใช่ระบบที่ดีนัก แต่ยังไม่มีทางเลือกอื่น ข่าวนี้ขึ้นหน้าแรก Hacker News เมื่อ 25 ตุลาคมด้วยคะแนนราว 185

บทสัมภาษณ์เกิดขึ้นหลัง OpenAI ประกาศว่า agent ของตนดูเหมือนจะแก้โจทย์ Navier-Stokes ได้ ซึ่งเรื่องนั้นยังมีข้อโต้แย้งเรื่องขอบเขตและการตรวจสอบอยู่ Borcherds บอกว่าไม่รู้แล้วว่าควรแนะนำให้นักศึกษาเข้าภาควิชาคณิตศาสตร์หรือไม่ ทั้งที่ห้าปีก่อนคณิตศาสตร์ดูเป็นอาชีพที่ปลอดภัยที่สุดในยุค AI และบอกตรงว่า "I have no idea what to advise" เขาคาดว่าภายในไม่กี่ปีจะไม่มีอะไรที่นักคณิตศาสตร์มนุษย์ทำได้แต่ AI ทำไม่ได้ และคาดว่าสถาบันจะเปลี่ยนช้าด้วยแรงเฉื่อย

ฝั่งนโยบายมหาวิทยาลัย บทความอ้างอีเมลจากผู้ช่วยรองอธิการบดีว่าสภาวิชาการขอให้อาจารย์ใส่ข้อความเรื่องการใช้ AI ไว้ในประมวลรายวิชา นโยบายต่างกันได้มากตามระดับและวิชา และมหาวิทยาลัยทดสอบเครื่องมือตรวจจับ AI อย่าง Turnitin และ Rumi แล้วสรุปว่ายังไม่ดีพอจะใช้เป็นมาตรฐานทั่วทั้งวิทยาเขต จึงปล่อยให้เป็นดุลพินิจของผู้สอนแต่ละคน

ข้อควรระวังคือบทความไม่มีตัวเลขสัดส่วนนักศึกษาที่ใช้ AI หรือการกระจายคะแนนใด ๆ ไม่มีความเห็นของนักศึกษา และเป็นมุมของอาจารย์หนึ่งคนในวิชาที่ไม่ได้ระบุชื่อ

▲ ทำไมต้องรู้ · นี่คือภาพของสิ่งที่เกิดเมื่อการวัดผลแบบเดิมยังอยู่แต่ไม่วัดอะไรแล้ว ซึ่งไม่ได้เกิดเฉพาะในห้องเรียน การประเมินผลงานในที่ทำงานที่ดูจากชิ้นงานที่ส่ง เช่น รายงานหรือโค้ด กำลังเจอปัญหาเดียวกัน คำตอบที่มหาวิทยาลัยชั้นนำให้ตอนนี้คือเครื่องตรวจจับใช้ไม่ได้ และยังไม่มีใครมีระบบใหม่ สิ่งที่ทีมทำได้คือย้ายน้ำหนักการประเมินไปที่การอธิบายงานของตัวเองต่อหน้าและการตัดสินใจระหว่างทาง มากกว่าตัวชิ้นงานสุดท้าย

The Daily Californian · Hacker News

NVIDIA ประกาศที่งาน GTC Berlin เมื่อ 21 ตุลาคมว่าพันธมิตรในยุโรปรับเอาแพลตฟอร์ม DSX ไปใช้ ซึ่งบริษัทเรียกว่าสถาปัตยกรรมอ้างอิงของโรงงาน AI แบบครบชุด คือออกแบบคอมพิวต์ เครือข่าย สตอเรจ ซอฟต์แวร์ ไฟฟ้า และระบบความเย็นไปด้วยกันเป็นระบบเดียว ต่างจาก DGX ที่เป็นเครื่องและ HGX ที่เป็นแผงบอร์ด Blognone รายงานข่าวนี้เมื่อ 25 ตุลาคม ส่วนประกอบมีทั้งซอฟต์แวร์จัดสรรไฟ DSX MaxLPS ตัวประสานกับกริดไฟฟ้า DSX Flex ตัวจำลอง DSX Sim ระบบจัดการโครงสร้างพื้นฐาน DSX OS ที่บริษัทระบุว่าเป็นโอเพนซอร์ส และโปรแกรมรับรองอุปกรณ์ DSX Ready

ตัวเลขที่อ้างและเงื่อนไขของแต่ละตัวคือ การระบายความร้อนด้วยของเหลวแบบวงปิดที่ทิ้งความร้อนออกอากาศทำให้การใช้น้ำของระบบความเย็นเกือบเป็นศูนย์ และประหยัดน้ำได้ 54 ล้านลิตรต่อวันสำหรับการติดตั้งขนาด 2 กิกะวัตต์เมื่อเทียบกับหอหล่อเย็นแบบเดิม ซึ่งบริษัทเทียบว่าเท่ากับการใช้น้ำของ 180,000 ครัวเรือน DSX MaxLPS ลดพลังงานที่ใช้ผลิตโทเคนจำนวนเท่ากันได้ถึง 30% โดยมีผลทดสอบของ Lambda ว่าได้ปริมาณโทเคนเพิ่ม 24% และของ Nscale ในไอซ์แลนด์บนตู้ GB300 NVL72 สี่ตู้ว่าได้ปริมาณการให้บริการเพิ่ม 49% ภายในงบไฟ 264 กิโลวัตต์เท่าเดิม ส่วน DSX Flex ลดการดึงไฟของคลัสเตอร์ได้ถึง 40% จากการทดลองช่วงต้นร่วมกับ Emerald AI, EPRI, Nebius และ National Grid ของอังกฤษ ซึ่งตอบสนองต่อเหตุการณ์กริดที่จำลองขึ้น ไม่ใช่เหตุจริง

ผู้ให้บริการคลาวด์ที่ประกาศว่ากำลังสำรวจ MaxLPS มี CoreWeave, Firmus, Google Cloud, IREN, Lambda, Nebius, Nscale และ Sharon AI ฝั่งพลังงานและความเย็นมี ABB, Eaton, GE Vernova, Hitachi Energy, Schneider Electric, Siemens Energy, Trane และ Vertiv โดย Trane เผยแพร่แบบระบบความเย็นขนาด 250 เมกะวัตต์บนฐาน DSX สามแบบ

ข้อควรระวังคือตัวเลขทุกตัวเป็นของ NVIDIA และคู่ค้าที่ได้ประโยชน์ ไม่มีผู้วัดอิสระ ส่วนประกอบของ DSX OS สามตัวยังอยู่ในสถานะ developer preview ซอฟต์แวร์ MaxLPS และ Flex ยังอยู่ในขั้นผู้ให้บริการสำรวจหรือทดลอง ประกาศไม่ให้วันวางจำหน่ายทั่วไปของตัวใดเลย และข้อความทางกฎหมายท้ายประกาศเขียนว่าฟีเจอร์เสนอให้เมื่อและถ้ามี ส่วนเรื่องน้ำ บริษัทยอมรับเองว่าสภาพอากาศท้องถิ่นเป็นตัวกำหนดว่าช่วงร้อนที่สุดต้องมีระบบเครื่องกลเสริมหรือไม่ ซึ่งสำคัญสำหรับประเทศร้อนชื้น

▲ ทำไมต้องรู้ · ประเด็นที่ไทยกำลังถกเรื่องเกณฑ์ดาต้าเซ็นเตอร์คือน้ำกับไฟพอดี ประกาศนี้คือฝั่งผู้ขายบอกว่าสองเรื่องนั้นแก้ได้ด้วยการออกแบบทั้งอาคารใหม่ สิ่งที่ควรเก็บไว้ถามเมื่อมีโครงการมาขอตั้งในพื้นที่คือตัวเลขใช้น้ำเกือบศูนย์วัดที่อุณหภูมิอากาศเท่าไร และคำว่าลดได้ถึง 30% หรือ 40% มาจากการทดลองในสภาพไหน เพราะเงื่อนไขที่ประกาศระบุไว้คือไอซ์แลนด์ อังกฤษ และเหตุการณ์จำลอง ไม่ใช่ประเทศร้อน

NVIDIA Newsroom · Blognone

Anthropic ประกาศเมื่อ 22 ตุลาคมเปิดรับสมัครสิ่งที่เรียกว่า guest investigator ในสาขาวิทยาศาสตร์ชีวภาพ ผู้มีสิทธิ์คือหัวหน้าโครงการวิจัยและกลุ่มวิจัยในสถาบันการศึกษา องค์กรไม่แสวงกำไร หรือห้องปฏิบัติการของรัฐ ในห้าสาขาคือชีววิทยามนุษย์เชิงสาเหตุ ชีววิทยาโมเลกุลเชิงโครงสร้างและเชิงคำนวณ เคมีทางยา การค้นพบยา และวิทยาศาสตร์คลินิก

สิ่งที่ผู้ได้รับคัดเลือกได้คือทำงานตรงกับนักวิจัยของ Anthropic เป็นเวลา 8 ถึง 12 สัปดาห์ ซึ่งอาจต่อได้สำหรับบางโครงการ บริษัทเขียนว่าทีมของตนจะรันโมเดลและระบบรอบโมเดลโดยไม่คิดค่าใช้จ่าย ผลการวิเคราะห์และเครื่องมือที่ได้จะเผยแพร่ร่วมกัน พร้อมเปิดข้อมูลและโค้ดเป็นโอเพนซอร์ส และผู้วิจัยยังคงสิทธิ์ในข้อมูลของตัวเองทุกขั้น ผู้สมัครไม่ต้องส่งข้อมูลให้ตั้งแต่ตอนสมัครและระหว่างทำโครงการ เปิดรับสมัครราว 14 วันจากวันประกาศ และแจ้งผลทางอีเมลราว 14 วันหลังปิดรับ

ข้อควรระวังคือประกาศไม่ระบุวันปิดรับที่แน่นอน ไม่ระบุจำนวนที่จะรับ ไม่ระบุปริมาณการประมวลผลที่ให้ และเงื่อนไขที่ผลงานต้องเผยแพร่พร้อมเปิดข้อมูลและโค้ดอาจไม่เหมาะกับงานที่มีข้อมูลผู้ป่วยหรือข้อมูลที่ติดสัญญากับผู้ให้ทุน

▲ ทำไมต้องรู้ · สำหรับนักวิจัยไทยในสายนี้ โครงการนี้เปิดให้สถาบันการศึกษาและหน่วยงานรัฐทั่วโลกสมัครได้โดยไม่ต้องมีงบซื้อการประมวลผล และเงื่อนไขที่ต่างจากทุนทั่วไปคือต้องแสดงว่าผลิตผลลัพธ์เบื้องต้นได้ภายในสองถึงสามเดือน ไม่ใช่โครงการวิจัยเต็มรูป ใครสนใจต้องตัดสินใจเร็วเพราะหน้าต่างรับสมัครปิดราวต้นเดือนพฤศจิกายน

Anthropic