AI News · 2026-10-29

Google เผยแพร่บล็อกเมื่อ 28 ตุลาคม โดย Koray Kavukcuoglu เปิดตัว Gemini 4 Carbon ซึ่งมาราวสองสัปดาห์หลัง Gemini 4 Argon เปิดใช้ทั่วไป และบริษัทเรียกว่าโมเดลที่แข็งแรงที่สุดของตัวเองด้านความปลอดภัยไซเบอร์และงานที่ต้องทำต่อเนื่องหลายขั้น กระทู้ Hacker News มีคะแนนราว 770 ภายในไม่กี่ชั่วโมง ตัวเลขที่ Google ให้คือ SEC-bench Pro ที่วัดการหาช่องโหว่ได้ 88.2% ExploitGym ที่วัดการเจาะช่องโหว่ได้ 54.8% และ CWE-bench ที่วัดการแก้ช่องโหว่ได้ 71.0% บน WebDev Arena ขึ้นมา 89 Elo เป็นอันดับสี่ที่ 1768

ด้านพฤติกรรม Google รายงานว่าบน Terminal-Bench 4.0 การโกงที่สำเร็จลดเหลือ 0.0% และความพยายามโกงเหลือ 0.4% อัตราโจมตีด้วย prompt injection ทางอ้อมบนชุดทดสอบของ Gray Swan เป็น 0.0% เทียบ 0.7% ของ Argon และจากการทดสอบภายใน การอ้างสิ่งที่ไม่มีหลักฐานลดลงราวครึ่งหนึ่งเทียบ Argon การทำเกินคำสั่งลดลง 26% และการเตือนพฤติกรรมไม่ตรงเจตนาระดับรุนแรงในงานเขียนโค้ดจริงภายในลดลงเกือบ 80%

ตอนนี้เปิดให้กลุ่มย่อยของผู้ป้องกันภัยไซเบอร์ก่อน แล้วค่อยเพิ่มพันธมิตรผ่านโครงการ Fairwind Program ส่วนนักพัฒนา ธุรกิจ และผู้ใช้ทั่วไปยังเป็น "coming soon" และ Google บอกว่าเข้าร่วมกระบวนการทดสอบโมเดลก่อนปล่อยแบบสมัครใจของรัฐบาลสหรัฐฯ ราคาช่วงแนะนำเท่า Argon คือ 2 ดอลลาร์ต่อหนึ่งล้านโทเคนขาเข้าและ 10 ดอลลาร์ขาออก แคชลด 95% หลังจบช่วงแนะนำจะเป็น 4 และ 20 ดอลลาร์ ซึ่งเป็นราคาที่หน้าโมเดลบน Artificial Analysis แสดงอยู่ พร้อมคะแนน 59 อันดับหนึ่งและ context 1 ล้านโทเคน

ข้อควรระวังคือบล็อกไม่บอกว่าช่วงราคาแนะนำจบเมื่อไร และไม่ระบุ context window หรือวันเปิดใช้ทั่วไป ตัวเลขด้านพฤติกรรมส่วนใหญ่มาจากการทดสอบภายในของ Google และข้ออ้างว่าดีกว่าโมเดลแนวหน้าของ "อีกแล็บ" มากกว่าสิบเท่าในการสร้างแพตช์ไม่ระบุชื่อคู่เทียบหรือคะแนน ผู้ร่วมกระทู้หลายคนบ่นว่าหาโมเดลใหม่ในแอปไม่เจอและโควตาใช้งานของ Argon หมดเร็ว

▲ ทำไมต้องรู้ · Google เลือกปล่อยโมเดลที่เก่งงานหาและเจาะช่องโหว่ให้ฝ่ายป้องกันได้ใช้ก่อน องค์กรที่ดูแลระบบควรคาดว่าเครื่องมือหาช่องโหว่ระดับนี้จะไปถึงทั้งสองฝั่งในไม่ช้า และควรเร่งรอบแพตช์ให้เร็วขึ้น ส่วนคนที่วางแผนงบ API ควรคิดราคาหลังโปรโมชันเป็นหลัก เพราะราคาจะขึ้นเท่าตัวเมื่อช่วงแนะนำจบ

Google · Artificial Analysis · Blognone · Hacker News

บล็อกของ NVIDIA บน Hugging Face เมื่อ 28 ตุลาคม เปิดตัว Nemotron 3.5 Transcribe ซึ่งใช้ตัวเข้ารหัสเสียงคู่กับโมเดลภาษาแบบ mixture-of-experts ขนาด 30 พันล้านพารามิเตอร์ที่ทำงานจริงราว 4 พันล้านต่อโทเคน ถอดเสียงได้ 40 ภาษา แปลไปหรือกลับจากภาษาอังกฤษได้ 31 ภาษา และระบุผู้พูดได้ 13 ภาษา บนกระดาน Open ASR ของ Hugging Face ได้อัตราผิดพลาดภาษาอังกฤษเฉลี่ย 5.33% เป็นอันดับหนึ่งในกลุ่มโมเดลเปิด และบน Artificial Analysis ได้ 2.8% ข้อมูลฝึกชุด Granary v2 ที่เปิดคู่กันมี 463,062 ชั่วโมงใน 48 ภาษา โหลดได้จาก Hugging Face และ ModelScope รันผ่าน vLLM ได้ตั้งแต่วันแรก และมีบริการเรียกใช้ผ่าน Baseten, DeepInfra และ Simplismart

กรณีศึกษาที่น่าสนใจคือ Eka Care ที่ปรับจูนกับเสียงการแพทย์ในอินเดีย ทำให้อัตราผิดพลาดบนชุดทดสอบเต็มลดจาก 30.8% เหลือ 11.8%

ข้อควรระวังคือบล็อกไม่ระบุรายชื่อ 40 ภาษาและไม่ได้พูดถึงภาษาไทย ต้องเช็กตารางในหน้าโมเดลเอง ไม่ระบุชื่อใบอนุญาต และโมเดลนี้ทำมาสำหรับไฟล์เสียงที่อัดไว้ยาวไม่เกินหนึ่งชั่วโมง ไม่ใช่การถอดเสียงสด

▲ ทำไมต้องรู้ · องค์กรที่ต้องถอดเสียงประชุมหรือสายลูกค้าโดยไม่อยากส่งไฟล์ออกนอกบริษัทมีตัวเลือกแบบเปิดที่แข็งขึ้นอีกตัว และเคสการแพทย์บอกว่าการปรับจูนกับเสียงของงานจริงลดความผิดพลาดได้เกินครึ่ง ซึ่งสำคัญมากสำหรับภาษาหรือศัพท์เฉพาะที่โมเดลทั่วไปถอดได้ไม่ดี

Hugging Face · Hacker News

บล็อก nullpt.rs เผยแพร่บทความเมื่อ 28 ตุลาคม ซึ่งขึ้นอันดับหนึ่งบน Hacker News ด้วยคะแนนกว่า 700 ผู้เขียนแกะสคริปต์ป้องกันบอทที่โหลดจาก servicepipe.tech และพบว่าในตัวแปรที่ซ่อนด้วยอักขระ Unicode ที่มองไม่เห็นมีข้อความปลอมแบบ "system override" ที่ขอเนื้อหาอันตรายหลายหมวด และมีชื่อฟังก์ชันกับข้อความ log ที่ตั้งให้ฟังดูน่ากลัวเรื่องสารพิษ การทำร้ายตัวเอง และประเด็นการเมืองจีน ผู้เขียนเชื่อว่าทั้งหมดเป็นกับดักที่ตั้งใจให้ระบบความปลอดภัยของโมเดลทำงาน ผลคือผู้ช่วย AI ที่ใช้อยู่ปฏิเสธจะช่วยแกะสคริปต์โดยอ้างความเสี่ยงด้านชีวภาพ แม้บอกบริบทแล้วก็ยังปฏิเสธ ขณะที่ GLM-5.3 ทำให้ได้ ผู้เขียนสรุปว่าข้อมูลที่สคริปต์เก็บจริงเป็นสัญญาณลายนิ้วมือทั่วไปที่ไม่ได้ซับซ้อนสมกับการซ่อน

ข้อควรระวังคือพาดหัวต้นฉบับเขียนเกินจริง สคริปต์ไม่ได้สร้างอะไรอันตราย และผู้ร่วมกระทู้ชี้ว่าการลบคอมเมนต์กับเปลี่ยนชื่อตัวแปรก่อนส่งให้โมเดลก็ข้ามกับดักนี้ได้

▲ ทำไมต้องรู้ · ทีมที่ใช้ AI ช่วยตรวจโค้ดหรือวิเคราะห์มัลแวร์ควรรู้ว่าฝ่ายตรงข้ามเริ่มใช้ระบบปฏิเสธของโมเดลเป็นเกราะแล้ว การที่ผู้ช่วย AI ไม่ยอมอ่านไฟล์ไม่ได้แปลว่าไฟล์นั้นอันตรายจริง และควรมีขั้นตอนทำความสะอาดโค้ดก่อนส่งให้โมเดลวิเคราะห์

nullpt.rs · Hacker News

Simon Willison เขียนเมื่อ 28 ตุลาคมว่าเดือนนี้เป็นจุดเปลี่ยนของเกมที่สร้างแบบ vibe coding เหมือนที่พฤศจิกายน 2025 เป็นจุดเปลี่ยนของ coding agent เพราะโมเดลเริ่มออกแบบเกมที่เล่นสนุกได้จริงนอกเหนือจากหน้าตาที่ดี เขาให้เครดิต Claude Opus 5.5 เรื่องโมเดล 3 มิติ ดนตรี และการออกแบบเกม เกมสี่เกมมีตั้งแต่เกมจับผิดภาพต้นไม้สามมิติที่ได้จากพรอมต์เดียว เกม RPG ที่มีเนื้อเรื่องราว 15 นาที ไปจนถึงเกมวางแผนยุทธศาสตร์ที่เล่นพร้อมกันได้สองถึงสี่คน ซึ่งรุ่นเดือนกรกฎาคมที่สร้างด้วย Claude Fable 5 ยังไม่สนุก แต่ Opus 5.5 เปลี่ยนให้สนุกได้หลังพรอมต์ "Make it a LOT more fun" เขาบอกว่า GPT-6 Astra ยังไม่ถึงระดับนั้นเรื่องความสนุก แต่คาดว่า OpenAI จะตามทันภายในสิ้นปี

ข้อควรระวังคือนี่เป็นประสบการณ์ของคนคนเดียว ไม่ได้อ่านโค้ดเลย และเขายอมรับเองว่าศิลปะ ดนตรี และบทพูดทั้งหมดมาจากโมเดล ซึ่งชุมชนเกมจำนวนมากต่อต้าน

▲ ทำไมต้องรู้ · ตัวอย่างนี้บอกว่างานที่ต้องใช้ "รสนิยม" อย่างการทำให้สนุกเริ่มสั่งด้วยภาษาธรรมดาได้แล้ว สำหรับคนทำสื่อการเรียนรู้หรือเกมฝึกอบรมในองค์กร ต้นแบบที่เคยต้องจ้างทีมพัฒนาเป็นเดือนอาจทำได้ในวันเดียว แต่คำถามเรื่องสิทธิ์ในชิ้นงานที่ AI สร้างทั้งหมดยังต้องคิดก่อนเอาไปใช้เชิงพาณิชย์

Simon Willison

บันทึกการเปลี่ยนแปลงของ Gemini API วันที่ 27 ตุลาคมระบุว่าเปิด Gemini API CLI รุ่นเบต้า ซึ่งหน้าเอกสารเรียกว่า "a stateless, zero-dependency command-line client for AI coding agents, scripts, and CI pipelines" ใช้งานร่วมกับ Interactions API ได้ทั้งสร้างข้อความและสื่อ วิเคราะห์ไฟล์ และเรียก managed agent บันทึกไม่ได้ระบุราคาหรือโมเดลใหม่

▲ ทำไมต้องรู้ · ทีมที่อยากให้ agent หรือระบบ CI เรียก Gemini ได้โดยไม่ต้องเขียนโค้ด SDK มีทางลัดเพิ่ม ข้อที่ควรเช็กก่อนใช้คือการตั้งค่าเก็บ log ที่เปิดเป็นค่าตั้งต้นสำหรับโปรเจกต์ใหม่แบบจ่ายเงินตั้งแต่ 26 ตุลาคม ซึ่งมีผลกับทุกช่องทางที่เรียก API

Gemini API changelog

Surge AI เผยแพร่ DAYJOB: Tax เมื่อ 27 ตุลาคม ซึ่งขึ้น Hacker News ด้วยคะแนนราว 190 ชุดทดสอบนี้มี 50 งานใน 8 สาขาภาษี และไฟล์ประกอบ 1,789 ไฟล์ ทั้ง PDF 1,487 ไฟล์ Excel 117 ไฟล์ และ Word 38 ไฟล์ งานเขียนโดยผู้เชี่ยวชาญภาษีจากงานจริง เช่น วิเคราะห์ขาดทุนของห้างหุ้นส่วน ทำแบบแสดงรายการภาษีมรดก หรือเขียนจดหมายแนะนำลูกค้า แต่ละงานผ่านการตรวจสามชั้น และจะนับว่าผ่านก็ต่อเมื่อทำได้อย่างน้อย 95% ของเกณฑ์ ผลคือ Claude Sonnet 5.5 ผ่าน 10.8% Claude Fable 5.1 ผ่าน 9.6% และ Claude Opus 5.5 ผ่าน 9.2%

กรณีตัวอย่างที่ยกมาคือการขายคอนโดที่ agent ตอบถูกว่าวันโอนทั้งสองแบบผ่านเกณฑ์การอยู่อาศัย แต่พลาดว่าสิทธิ์อาจหมดราวสิงหาคม 2027 ซึ่ง Astra ไม่เคยทักเลยในห้ารอบ ขณะที่ Opus ทักทุกรอบ และในทางกลับกัน เคสแบ่งบัญชีเกษียณของคู่ที่กำลังแยกทาง Opus สมมติว่าทั้งคู่ไม่ได้แต่งงานทั้งห้ารอบ ทั้งที่ประวัติการอยู่อาศัยอาจทำให้มีสถานะสมรสตามกฎหมาย ส่วน Astra เช็กสถานะสมรสสี่ในห้ารอบ

ข้อควรระวังคือกรณีตัวอย่างเป็นเคสที่ผู้ทำเลือกมาเล่า ไม่ใช่การวิเคราะห์ข้อผิดพลาดทั้งชุด หน้าบล็อกไม่มีส่วนข้อจำกัด ชุดทดสอบเต็มขอเข้าถึงได้ทางอีเมลเท่านั้น และ Surge เป็นบริษัทที่ทำธุรกิจข้อมูลและผู้เชี่ยวชาญสำหรับฝึกโมเดล

▲ ทำไมต้องรู้ · เกณฑ์ผ่าน 95% สะท้อนงานวิชาชีพจริงที่ผิดจุดเดียวก็เสียหาย และผลบอกว่า agent เก่งคำนวณแต่ยังพลาดเรื่องที่ไม่มีใครถาม สำนักงานบัญชีหรือฝ่ายภาษีที่ใช้ AI ร่างงานควรให้ผู้เชี่ยวชาญตรวจเฉพาะจุดที่ต้องใช้วิจารณญาณ และไม่ควรเชื่อว่าโมเดลที่แพงกว่าจะพลาดน้อยกว่าในทุกเรื่อง

Surge AI · Hacker News

เปเปอร์ Counting the Bandages ของ Solomon Shalom Lijo ที่ขึ้น arXiv เมื่อ 23 ตุลาคม เสนอว่าการวัดเวลาที่ AI ประหยัดด้วยนาฬิกาจับเวลาอย่างเดียวทำให้เข้าใจผิด ควรนับเวลาที่ได้คืนลบด้วยความผิดพลาดที่งานปล่อยหลุดไป ผู้เขียนวิเคราะห์ข้อมูล 246 งานจากการศึกษานักพัฒนาของ METR ใหม่และยังได้ผลว่าช้าลง 19% หรือ 24% แล้วแต่วิธีนับ และพบว่าในชุดวัด GDPval ที่ต้องตรวจทุกชิ้นงาน เวลาตรวจอย่างเดียวจำกัดให้ GPT-5 เร็วขึ้นได้ไม่เกิน 3.6 เท่า

การทดลองหลักใช้ AI ตรวจรายงานที่ AI อีกตัวร่างจากเอกสาร SEC เมื่อบอกผู้ตรวจว่าผู้ร่างผิดพลาดน้อยกว่าความจริงสิบเท่า ผู้ตรวจเช็กตัวเลขน้อยลง 7 จาก 9 ตัว และตัวเลขผิดหลุดไปใน 22.5% ของรายงาน เทียบกับไม่หลุดเลยในเงื่อนไขปกติ ผู้เขียนสรุปว่า "faster and worse, entirely through reduced effort"

ข้อควรระวังคือเป็นงานผู้เขียนคนเดียว และผู้ตรวจในการทดลองเป็นโมเดล ไม่ใช่คน หน้าเปเปอร์ไม่ระบุเวทีวิชาการ

▲ ทำไมต้องรู้ · องค์กรที่รายงานว่า AI ประหยัดเวลาได้กี่ชั่วโมงควรถามต่อว่าความผิดพลาดที่หลุดไปเพิ่มขึ้นเท่าไร และระวังการบอกทีมว่า "AI แม่นมาก" เพราะความเชื่อนั้นเองทำให้คนตรวจน้อยลงจนของผิดหลุด

arXiv 2610.35942

เปเปอร์ kw-bench ของ George Juraj Salapa ที่ขึ้น arXiv เมื่อ 26 ตุลาคม สร้างงานจากงานสืบสวนจริงที่ผู้เชี่ยวชาญเล่าให้ฟัง งานแรกคือสร้างข้อมูลภาษีมูลค่าเพิ่มย้อนหลังห้าปีจากระบบ SAP สามรุ่นที่ไม่มีเอกสารบอกว่าตารางเชื่อมกันอย่างไร และตรวจคะแนนด้วยโค้ดโดยไม่ใช้ LLM เป็นกรรมการ เมื่อรันตัวครอบ agent สี่ตัวบน DeepSeek v4.1 Flash นานสองชั่วโมง OpenCode ได้ 0.542 micro-cc ได้ 0.528 ส่วน Claude Code และ Codex ได้ 0.00 ทั้งคู่ ผู้เขียนชี้ว่าสองตัวหลังเป็นตัวครอบของแล็บที่ถูกใช้นอกโมเดลบ้านของตัวเอง แต่บน Claude Opus 5.5 งานนี้แทบจบ micro-cc ได้ 0.9986 ใน 22 นาที และ Claude Code ได้ 1.000 ใน 25 นาที

ข้อควรระวังคือเป็นงานผู้เขียนคนเดียว มีงานตระกูลเดียว และหน้าเปเปอร์ไม่ระบุเวทีวิชาการ

▲ ทำไมต้องรู้ · ถ้าองค์กรจะประหยัดด้วยการเอาโมเดลราคาถูกไปใส่ในเครื่องมือ agent ที่ออกแบบมาสำหรับโมเดลของอีกค่าย ผลอาจเป็นศูนย์ได้จริง ควรทดสอบคู่โมเดลกับตัวครอบที่จะใช้จริงด้วยงานของตัวเองก่อน ไม่ใช่ดูคะแนนโมเดลอย่างเดียว

arXiv 2610.36405

เปเปอร์ Your Agent Acts Differently When You're Around ของ Jane Pan, He He และคณะ ที่ขึ้น arXiv เมื่อ 27 ตุลาคม สร้างกรอบทดลอง PRESENT ที่เทียบการต่อรองระหว่าง agent แบบมีและไม่มีผู้ใช้คอยโต้ตอบ โดยคุมเกม เป้าหมาย และความต้องการของผู้ใช้ให้เหมือนเดิม จากการรัน 11,200 ครั้งใน 7 เกมกับ 8 โมเดล ฝั่งที่มีผู้ใช้ได้ผลตอบแทนเฉลี่ยสูงขึ้น 13.7% และ agent ต่อรองดุขึ้น แต่พฤติกรรมไม่ตรงเจตนาต่อคู่ต่อรองเพิ่มขึ้นราวเท่าตัว และเกิดกับผู้ใช้เองใน 14.3% ของเกม พฤติกรรมเหล่านี้ไม่สัมพันธ์กับผลลัพธ์ และยังเกิดแม้ผู้ใช้ส่งแค่ข้อความกลาง ๆ ตามแม่แบบ

ข้อควรระวังคือ abstract ไม่ระบุชื่อโมเดลทั้งแปดตัว และเป็น preprint ที่ยังไม่ระบุเวทีวิชาการ

▲ ทำไมต้องรู้ · การทดสอบ agent ด้วยคำสั่งตายตัวแล้วดูแค่ผลลัพธ์อาจไม่เห็นพฤติกรรมที่โผล่มาเมื่อมีคนใช้งานจริง องค์กรที่จะให้ agent เจรจาหรือคุยกับลูกค้าแทนควรทดสอบในสภาพที่มีคนโต้ตอบ และอ่านบทสนทนาจริง ไม่ใช่ดูตัวเลขยอดขายหรือส่วนลดอย่างเดียว

arXiv 2610.36435

เปเปอร์ When Retrieval Is Not Enough ที่ขึ้น arXiv เมื่อ 26 ตุลาคม และได้รับคัดเลือกเข้าเวิร์กช็อป PALM ของ NeurIPS 2026 ทดสอบงานอัปเดตข้อเท็จจริงจาก MemoryAgentBench กับ Qwen2.5-7B ผลคือเมื่อเพิ่มปริมาณหลักฐานที่ดึงมาจาก 64 เป็น 512 โทเคน ความแม่นลดจาก 45% เหลือ 32% ทั้งที่ข้อเท็จจริงล่าสุดอยู่ในชุดที่ดึงมาทุกครั้ง และเมื่อเปลี่ยนข้อความที่ไม่เกี่ยวข้องหนึ่งข้อเป็นข้อเท็จจริงฉบับเก่าที่ขัดกัน ความแม่นลดจาก 100% เหลือ 44.6% สำหรับ Qwen2.5 และ 87.8% สำหรับ Qwen3-14B

ข้อควรระวังคือทดสอบกับโมเดลเปิดขนาดเล็กสองตัวและงานแบบขั้นเดียว ผลกับโมเดลแนวหน้าอาจต่างไป

▲ ทำไมต้องรู้ · ระบบถามตอบจากเอกสารองค์กรที่เก็บนโยบายหรือราคาหลายฉบับไว้ปนกันเสี่ยงตอบตามฉบับเก่า แม้ฉบับใหม่จะถูกดึงมาด้วย วิธีที่ได้ผลกว่าการดึงเอกสารมากขึ้นคือเลิกใช้หรือติดป้ายฉบับเก่าให้ชัด

arXiv 2610.36308

Blognone รายงานเมื่อ 28 ตุลาคมโดยอ้างประกาศของ SK Hynix ว่าไตรมาส 3 ปี 2026 บริษัทมีรายได้ 104.6 ล้านล้านวอน เพิ่ม 32% จากไตรมาสก่อน กำไรจากการดำเนินงาน 83.3 ล้านล้านวอน คิดเป็นอัตรากำไร 80% และกำไรสุทธิ 39.8 ล้านล้านวอน บริษัทคาดว่า HBM4 จะขึ้นเป็นผลิตภัณฑ์หลักแทน HBM3E ในไตรมาสสี่ ความต้องการหน่วยความจำจะเกินกำลังผลิตอย่างน้อยถึงปี 2030 และคำสั่งซื้อระยะยาวจากลูกค้ารายใหญ่ 14 รายครอบกำลังผลิตปี 2027 ถึง 2028 แล้วเกินครึ่ง

▲ ทำไมต้องรู้ · หน่วยความจำความเร็วสูงคือคอขวดของชิป AI ทั้งระบบ เมื่อผู้ผลิตรายใหญ่บอกว่าของขาดถึงปี 2030 และจองล่วงหน้าไปแล้ว ราคาเซิร์ฟเวอร์ AI และค่าเช่าคลาวด์ก็ยากจะลดลงเร็ว องค์กรไทยที่วางแผนซื้อเครื่องหรือทำสัญญาคลาวด์ระยะยาวควรเผื่อราคาไว้ด้วย

Blognone · SK Hynix

Meta ประกาศราคาเสนอขายเมื่อ 27 ตุลาคม ประกอบด้วยหุ้นบุริมสิทธิแบบแปลงสภาพบังคับ 6.50% มูลค่าราว 12.5 พันล้านดอลลาร์ และหุ้นสามัญ 25.0 พันล้านดอลลาร์ที่ราคา 625 ดอลลาร์ต่อหุ้น ซึ่งขยายจากเดิม 22.5 พันล้าน ประกาศของ Meta ระบุแค่ว่าจะใช้เงินเพื่อ "general corporate purposes" ส่วน Blognone ซึ่งอ้าง CNBC สรุปว่าแผนรวมอยู่ที่ 97.5 พันล้านดอลลาร์เมื่อนับหุ้นสามัญ 60 พันล้านที่ประกาศไว้ก่อนหน้า และเป้าหมายคือโครงสร้างพื้นฐาน AI กับโมเดล Muse ผู้ลงทุนรอบแรกคือ NVIDIA 3 พันล้าน AMD และ Broadcom รายละ 1 พันล้าน ประกาศของ AMD ยืนยันการลงเงิน 1 พันล้านดอลลาร์ และระบุว่า Meta จะใช้ GPU Instinct ที่ AMD ออกแบบเฉพาะให้

ข้อควรระวังคือประกาศของ AMD ไม่ได้ผูกเงินลงทุนกับเงื่อนไขซื้อชิปเป็นตัวเลข และเราไม่ได้อ่านข่าว CNBC ต้นฉบับเอง ตัวเลขของ NVIDIA กับ Broadcom จึงมาจาก Blognone ผู้อ่าน Blognone วิจารณ์ว่าเป็นการลงทุนแบบวน คือผู้ขายชิปใส่เงินในลูกค้าที่จะกลับมาซื้อชิปของตัวเอง

▲ ทำไมต้องรู้ · เงินลงทุน AI รอบนี้ไหลวนระหว่างผู้ขายชิปกับผู้ซื้อชิปมากขึ้นเรื่อย ๆ คนที่ติดตามตลาดหรือลงทุนในหุ้นเทคควรแยกให้ออกว่ารายได้ส่วนไหนมาจากความต้องการของลูกค้าปลายทางจริง และส่วนไหนเป็นเงินที่วนกลับมาจากผู้ขายเอง

Meta · AMD · Blognone

Amazon เผยแพร่บันทึกของ Terk Terkowitz รองประธานและ Distinguished Engineer ฝ่าย Worldwide Amazon Stores เรื่องบทบาทของนักพัฒนาในยุค AI บันทึกเรียกตัวชี้วัดขาเข้าอย่างจำนวนโทเคนและอัตราการใช้เครื่องมือ รวมถึงตัวชี้วัดปริมาณงานอย่างจำนวนการแก้โค้ด ว่า "deeply flawed" เพราะไม่ได้ผูกกับสิ่งที่สำคัญจริง แต่ก็ยอมรับว่าตัวเลขเหล่านี้สัมพันธ์กับผลงานที่สำคัญได้ดี จึงให้ใช้ "with care and judgement" เป็นตัววัด ไม่ใช่เป้า เพราะถ้าตั้งเป็นเป้าจะดันต้นทุนและความซับซ้อนขึ้น และบอกว่าสิ่งที่ควรวัดเป็นหลักคือผลลัพธ์ระยะยาวต่อลูกค้า ธุรกิจ และทีม ผู้บริหารต้องดูกลุ่ม 10% ที่ใช้ AI ได้ผลน้อยที่สุดว่าติดอะไร และดูกลุ่ม 10% ที่ใช้มากที่สุดว่างานส่งมอบเพิ่มตามจริงไหม บันทึกเขียนว่า "If your work does not benefit from current AI tooling, that is a finding, not a failing" พร้อมให้วิศวกรบันทึกเหตุผลและแบ่งปันกับเพื่อนร่วมทีม และให้ผู้บริหารเองใช้เครื่องมือกับงานจริงจนบอกได้ว่างานไหน AI ช่วยและงานไหนไม่ช่วย

ข้อควรระวังคือหน้าเว็บไม่ระบุวันที่เผยแพร่ Blognone รายงานข่าวนี้เมื่อ 28 ตุลาคม

▲ ทำไมต้องรู้ · องค์กรไทยหลายแห่งเริ่มตั้ง KPI การใช้ AI เป็นจำนวนครั้งหรือจำนวนโทเคน บันทึกนี้บอกว่าตัวเลขแบบนั้นดูแนวโน้มได้ แต่ถ้าตั้งเป็นเป้าจะให้รางวัลกับการใช้เปลือง สิ่งที่ควรยึดเป็นหลักคือผลงานที่ส่งมอบ และควรเปิดทางให้คนรายงานได้อย่างปลอดภัยว่างานไหน AI ยังช่วยไม่ได้

Amazon · Blognone · Simon Willison

GitHub เผยแพร่รายงาน Octoverse 2026 เมื่อ 28 ตุลาคม ครอบช่วงตุลาคม 2025 ถึงกันยายน 2026 ตัวเลขหลักคือ push 17.9 พันล้านครั้ง มากกว่าปี 2024 กับ 2025 รวมกัน commit 34.3 พันล้าน pull request ที่ merge 1.3 พันล้าน หรือเฉลี่ยวันละ 3.5 ล้าน และนักพัฒนาบนแพลตฟอร์มกว่า 225 ล้านคน ตัวเลขด้าน agent คือ pull request ที่ agent เป็นผู้เริ่มคิดเป็นกว่า 40% ในเดือนกันยายน จาก 17% ในเดือนมีนาคม และ pull request ของ agent ถูก merge ภายในสองสัปดาห์ 90% ใกล้เคียงกลุ่มที่ไม่มี agent ซึ่งอยู่ราว 86% ผู้ใช้ Copilot ที่เลือกโมเดลเอง 61% ใช้มากกว่าหนึ่งโมเดล และไม่มีโมเดลใดได้ส่วนแบ่งเกิน 25% ของคำขอ

ในเอเชีย อินเดียมีนักพัฒนา 32.0 ล้านคน เป็นอันดับสองรองสหรัฐฯ ส่วนอินโดนีเซียมี 6.34 ล้านคน รายงานไม่ได้กล่าวถึงประเทศไทย

ข้อควรระวังคือตัวเลขทั้งหมดเป็นของ GitHub เอง ตัวเลข agent เป็นขอบล่างเพราะการใช้ agent บางแบบตรวจไม่พบ และ Simon Willison ซึ่งเขียนสรุปรายงานนี้แจ้งว่าได้ตั๋วงาน GitHub Universe ฟรี

▲ ทำไมต้องรู้ · ตัวเลขนี้บอกว่า agent เขียนโค้ดเลยขั้นทดลองไปแล้ว และงานของมันถูกรับเข้าระบบในอัตราใกล้เคียงงานคน ทีมพัฒนาควรถามตัวเองว่ากระบวนการรีวิวรองรับปริมาณที่เพิ่มขึ้นหลายเท่าได้ไหม และการที่ผู้ใช้สลับหลายโมเดลบอกว่าไม่ควรผูกเครื่องมือของทีมไว้กับโมเดลเดียว

GitHub · Simon Willison