AI Tensibility

Name: AI Tensibility
Address: 23/F, M. Thai Tower, All Seasons Place , 87 Witthayu Rd, Khwaeng Lumphini, Pathum Wan, Bangkok, 10330, TH
Telephone: +66882733888

ข้อมูลการติดต่อ, แผนที่และเส้นทาง,แบบฟอร์มการติดต่อ,เวลาเปิดและปิด, การบริการ,การให้คะแนนความพอใจในการบริการ,รูปภาพทั้งหมด,วิดีโอทั้งหมดและข่าวสารจาก AI Tensibility, ที่ปรึกษาทางธุรกิจ, 23/F, M. Thai Tower, All Seasons Place , 87 Witthayu Rd, Khwaeng Lumphini, Pathum Wan, Bangkok.

อนาคตขององค์กร เริ่มต้นด้วย AI
AI Tensibility ขับเคลื่อนการเปลี่ยนผ่านด้วย AI
จากกลยุทธ์สู่การลงมือทำ เพื่อให้คุณก้าวนำก่อนใคร
ออกแบบ พัฒนา และยกระดับองค์กรด้วย AI อย่างเป็นระบบ
สร้างผลลัพธ์ที่วัดได้อย่างชัดเจน 📱088-273-3888 🤖 AI Tensibility – พลิกโฉมองค์กรด้วย AI

เราช่วยองค์กรเปลี่ยน AI ให้เป็นผลลัพธ์ทางธุรกิจ
จากแนวคิดสู่การใช้งานจริง เพื่อสร้างความได้เปรียบที่ยั่งยืน

🔹 บริการ:

กลยุทธ์ AI สำหรับองค์กร
พัฒนาโซลูชัน AI
Transformation ด้วย AI

📞 088-273-3888
🌐 www.aitensibility.com

23/09/2026

OpenAI เสนอสร้างมาตรฐาน AI ระดับโลก รับยุค AI พัฒนาตัวเอง พร้อมย้ำมนุษย์ต้องยังควบคุมได้

OpenAI เสนอแนวทางสร้างมาตรฐานสำหรับ AI ยุคถัดไป โดยมองว่าเมื่อระบบปัญญาประดิษฐ์มีความสามารถสูงขึ้นและเริ่มเข้ามาช่วยวิจัยและพัฒนา AI รุ่นต่อไปมากขึ้น การพัฒนาเทคโนโลยีจำเป็นต้องเดินควบคู่กับงานด้าน AI Alignment และมาตรฐานด้านความปลอดภัยที่ใช้ร่วมกันในระดับนานาชาติ ไม่ใช่ปล่อยให้แต่ละบริษัทหรือแต่ละประเทศกำหนดแนวทางของตนเองเพียงลำพัง

ประเด็นสำคัญคือแนวคิด Recursive Self-Improvement หรือ RSI ซึ่งหมายถึงกระบวนการที่ AI มีส่วนช่วยพัฒนา AI รุ่นถัดไป จนวงจรการวิจัยและการปรับปรุงระบบอาจเกิดขึ้นเร็วขึ้นเรื่อย ๆ OpenAI ระบุว่า RSI ที่ทำงานอย่างอัตโนมัติเต็มรูปแบบยังไม่เกิดขึ้นในปัจจุบัน และไม่ควรถูกผลักดันจนกว่าจะสามารถพิสูจน์ได้ว่ามนุษย์ยังคงควบคุมและกำกับดูแลกระบวนการได้อย่างปลอดภัย

ในอีกด้านหนึ่ง OpenAI มองว่า Automated AI Research ไม่ได้มีแต่ความเสี่ยง เพราะ AI ที่ช่วยสร้าง AI ที่เก่งขึ้น ก็สามารถเป็น “นักวิจัยความปลอดภัย AI” ได้เช่นกัน เช่น ช่วยค้นหาวิธี Alignment ใหม่ ๆ ตรวจจับพฤติกรรมที่ผิดวัตถุประสงค์ เสริมความมั่นคงของโครงสร้างพื้นฐาน หรือพัฒนาระบบป้องกันภัยจาก AI Agent ที่มีความสามารถสูงขึ้น ดังนั้นโจทย์สำคัญจึงไม่ใช่เพียงว่าจะเร่งหรือชะลอ AI แต่คือทำอย่างไรให้งานด้านความปลอดภัยเดินนำหน้าความสามารถของโมเดล

OpenAI จึงเสนอให้พัฒนามาตรฐาน AI ระหว่างประเทศในสองด้านหลัก ด้านแรกคือสร้างกลไกที่ทำให้มาตรฐานระดับประเทศและมาตรฐานสากลสามารถทำงานร่วมกันได้ โดยอาศัยเครือข่ายสถาบันด้านการวัดและประเมิน AI ของหลายประเทศ เพื่อสร้างพื้นฐานร่วมในการวัดความสามารถ ประเมินความเสี่ยง และตรวจสอบว่ามาตรการป้องกันมีความเพียงพอหรือไม่ ปัจจุบันเครือข่าย International Network for Advanced AI Measurement, Evaluation, and Science ซึ่งก่อตั้งในปี 2024 มีหน่วยงานภาครัฐจากหลายประเทศเข้าร่วมและกำลังทำงานด้านแนวทางการประเมิน AI ร่วมกันอยู่แล้ว

ด้านที่สองคือการสร้าง มาตรวัดและระบบรายงานเหตุการณ์ร่วมกัน เช่น วิธีวัดว่า AI เข้ามาทำงานวิจัย AI แทนมนุษย์มากเพียงใด ระดับใดควรบังคับให้มนุษย์เข้ามาตรวจสอบทันที รวมถึงการกำหนดระดับความรุนแรง เกณฑ์การรายงาน และกระบวนการตอบสนองเมื่อเกิดเหตุการณ์ด้าน Alignment หรือพฤติกรรม AI ที่ไม่เป็นไปตามวัตถุประสงค์ หากประเทศและบริษัทต่าง ๆ ใช้มาตรวัดเดียวกัน ก็จะสามารถเปรียบเทียบข้อมูลและเรียนรู้จากเหตุการณ์ผิดพลาดร่วมกันได้ง่ายขึ้น

OpenAI ยังเน้นว่ามาตรฐานทางเทคนิคเหล่านี้ไม่จำเป็นต้องกลายเป็นระบบ “ขออนุญาตก่อนสร้าง AI” หรือการบังคับตรวจสอบโมเดลทุกตัวก่อนเปิดตัว แต่ควรทำหน้าที่เป็นฐานทางเทคนิคร่วม ส่วนแต่ละประเทศจะนำไปใช้เป็นกฎหมายหรือข้อกำหนดอย่างไรนั้นเป็นอำนาจของรัฐบาลแต่ละแห่ง นอกจากนี้ การกำหนดมาตรฐานควรเปิดให้ทั้งผู้พัฒนาโมเดลแบบปิด โมเดล Open Weight นักวิชาการ และผู้เชี่ยวชาญอิสระเข้ามามีส่วนร่วม เพื่อไม่ให้กฎใหม่กลายเป็นเครื่องมือที่สร้างความได้เปรียบให้กับบริษัทขนาดใหญ่และกีดกันผู้เล่นรายใหม่

สำหรับบทบาทระหว่างประเทศ OpenAI เสนอว่า สหรัฐอเมริกาควรเป็นผู้นำในการประสานการสร้างมาตรฐาน AI ระดับโลก เนื่องจากมีทั้งอุตสาหกรรม AI ระดับแนวหน้าและเครือข่ายด้านเทคโนโลยี การเงิน การค้า และความมั่นคงในระดับโลก นี่เป็นข้อเสนอเชิงนโยบายของ OpenAI ไม่ใช่มาตรฐานสากลที่ประเทศต่าง ๆ ได้ตกลงร่วมกันแล้ว โดย OpenAI เสนอให้ใช้ความร่วมมือกับประเทศอื่นและองค์กรกำหนดมาตรฐานที่มีอยู่ แทนการสร้างระบบที่ประเทศใดประเทศหนึ่งมีอำนาจควบคุมทั้งหมด

ใจความสำคัญของข้อเสนอนี้จึงอยู่ที่การเตรียมระบบกำกับดูแลให้พร้อมก่อนที่ AI จะสามารถช่วยพัฒนา AI รุ่นต่อไปได้อย่างรวดเร็วมากขึ้น เพราะเมื่อถึงจุดที่กระบวนการวิจัยซับซ้อนและรวดเร็วจนมนุษย์ไม่สามารถเข้าใจหรือตรวจสอบได้ทัน ปัญหาจะไม่ใช่เพียงว่า “AI ฉลาดแค่ไหน” แต่จะกลายเป็นคำถามว่า มนุษย์ยังมีอำนาจตัดสินใจและหยุดกระบวนการนั้นได้จริงหรือไม่

Sam Altman สรุปแนวคิดนี้ว่า คนที่อยู่นอกห้องทดลอง AI ก็ควรมีสิทธิมีเสียงต่อทิศทางของเทคโนโลยี และควรมีมาตรฐานที่ช่วยให้สังคมสามารถตรวจสอบได้ว่า การพัฒนา AI กำลังเกิดขึ้นอย่างปลอดภัยเพียงใด เป้าหมายจึงไม่ใช่เพียงการสร้าง AI ที่เก่งขึ้น แต่คือการสร้างระบบที่ทำให้ความก้าวหน้าของ AI ยังคงอยู่ภายใต้การกำกับของมนุษย์ ในโลกที่ AI อาจมีบทบาทในการสร้าง AI รุ่นถัดไปด้วยตัวมันเองมากขึ้นเรื่อย ๆ

22/09/2026

OpenAI เปิดตัว GPT-6 Sol และ Luna แรงขึ้นแต่ถูกลงครึ่งหนึ่ง ดัน AI ระดับสูงสู่การใช้งานวงกว้าง

OpenAI เปิดตัว GPT-6 Sol และ GPT-6 Luna สมาชิกใหม่ในตระกูล GPT-6 ที่นำเทคโนโลยีหลายส่วนจากโมเดลเรือธง GPT-6 Astra มาปรับให้ทำงานเร็วขึ้นและมีต้นทุนต่ำลง โดยมุ่งตอบโจทย์การนำ AI ไปใช้ในงานจริงจำนวนมาก ตั้งแต่งานสำนักงาน การเขียนโปรแกรม AI Agent ไปจนถึงการควบคุมคอมพิวเตอร์ โดย OpenAI ระบุว่า Sol และ Luna ถูกฝึกด้วยแนวทางใกล้เคียงกับ Astra และได้รับการพัฒนาในด้านความแม่นยำ การเขียนโค้ด Computer Use และ Alignment

จุดเปลี่ยนสำคัญที่สุดคือ ราคา API ลดลง 50% เมื่อเทียบกับราคาโปรโมชันของ GPT-5.6 โดย GPT-6 Sol มีราคา Input 2 ดอลลาร์ต่อ 1 ล้าน Token และ Output 10 ดอลลาร์ต่อ 1 ล้าน Token ขณะที่ GPT-6 Luna ลดลงเหลือเพียง 0.10 ดอลลาร์สำหรับ Input และ 0.50 ดอลลาร์สำหรับ Output ต่อ 1 ล้าน Token ทำให้ Luna กลายเป็นโมเดลที่น่าสนใจสำหรับระบบที่ต้องเรียก AI จำนวนมาก เช่น Agent, Chatbot, ระบบประมวลผลเอกสาร หรือบริการ AI ขนาดใหญ่

OpenAI ระบุว่าการลดราคาครั้งนี้ไม่ได้เกิดจากการลดความสามารถของโมเดล แต่เป็นผลจากการปรับปรุงประสิทธิภาพของระบบ Inference และ Prompt Caching โดย GPT-6 สามารถนำบริบทเดิมกลับมาใช้ซ้ำได้ดีขึ้น และ Cached Input Token สามารถได้รับส่วนลดสูงถึง 90% ซึ่งมีความสำคัญอย่างมากกับ AI Agent และบทสนทนาที่ยาว เพราะระบบไม่จำเป็นต้องประมวลผลข้อมูลเดิมใหม่ทั้งหมดทุกครั้ง

ในด้านประสิทธิภาพ GPT-6 Sol ถูกวางไว้สำหรับงานที่ซับซ้อนและต้องการ Reasoning มากขึ้น ขณะที่ GPT-6 Luna เน้นความเร็วและความคุ้มค่า ตัวอย่างเช่น ในการทดสอบ DeepSWE สำหรับงาน Software Engineering ระยะยาว GPT-6 Sol ทำคะแนนได้ 68.8% ส่วน Luna ได้ 66.6% โดย OpenAI ระบุว่า Luna สามารถให้ผลลัพธ์ในระดับใกล้เคียงโมเดลคู่แข่งบางรุ่น แต่มีต้นทุนต่อ Task ต่ำกว่ามาก

อีกด้านที่ได้รับการปรับปรุงคือ ความถูกต้องของข้อมูล OpenAI ระบุว่าจากการประเมินภายในที่สร้างจากบทสนทนาจริงซึ่งผู้ใช้เคยรายงานข้อผิดพลาด GPT-6 Sol มีข้อผิดพลาดทางข้อเท็จจริงประมาณครึ่งหนึ่งของรุ่นก่อนหน้า ขณะที่ Luna เมื่อใช้ระดับ Reasoning ที่สูงขึ้นสามารถเข้าใกล้ความสามารถของ GPT-5.6 Sol ได้ด้วยต้นทุนที่ต่ำกว่ามาก อย่างไรก็ตาม OpenAI ย้ำว่าชุดทดสอบดังกล่าวตั้งใจรวบรวมโจทย์ที่ทำให้โมเดลผิดพลาดได้ง่าย จึงไม่ควรนำอัตราความผิดพลาดไปตีความว่าเป็นอัตราที่เกิดขึ้นในการใช้งานทั่วไป

สำหรับงาน Coding และ Computer Use ก็เป็นอีกพื้นที่สำคัญของโมเดลใหม่ โดย GPT-6 Sol ทำคะแนน 60.5% บน OSWorld 2.0 offline ใกล้เคียงกับ Claude Opus 5 ที่ระดับ Medium effort ซึ่ง OpenAI ระบุว่า Sol ใช้ต้นทุนต่อ Task ต่ำกว่าประมาณ 80% ขณะที่ Luna สามารถทำงาน Computer Use บางระดับได้เหนือกว่า GPT-5.6 Sol ด้วยต้นทุนเพียงประมาณหนึ่งในสิบ

OpenAI ยังนำรูปแบบการสื่อสารที่พัฒนาขึ้นใน GPT-6 Astra มาใช้กับ Sol และ Luna โดยเน้นคำตอบที่ ชัดเจนขึ้น ใช้ศัพท์เทคนิคเท่าที่จำเป็น ลดรายละเอียดที่ไม่สร้างคุณค่า และตอบกระชับขึ้นโดยไม่สูญเสียสาระสำคัญ โดยเฉพาะในการสนทนาเกี่ยวกับเทคนิคและการเขียนโปรแกรม

ในด้านการเปิดใช้งาน GPT-6 Sol และ GPT-6 Luna เริ่มให้บริการใน ChatGPT Work และ Codex สำหรับผู้ใช้ Plus, Pro, Business, Enterprise และ Edu ส่วนผู้ใช้ Free และ Go สามารถใช้ GPT-6 Luna ผ่านแอป Desktop ได้ ขณะที่ API เปิดให้เรียกใช้งานในชื่อ gpt-6-sol และ gpt-6-luna ทั้งสองโมเดล ทั้งนี้ ณ วันที่ประกาศ OpenAI ระบุว่าโมเดลใหม่ยังไม่ได้เปิดใช้งานใน Chat ปกติ และกำลังทยอยเปิดระบบเพื่อรักษาเสถียรภาพของบริการ

22/09/2026

Claude Opus 5.5 เปิดตัว: แรงขึ้น ประหยัดขึ้น 40% พร้อมยกระดับ Agentic Coding และความปลอดภัย

Anthropic เปิดตัว Claude Opus 5.5 โมเดลแรกในตระกูล Claude 5.5 โดยวางตำแหน่งให้เป็นโมเดลระดับแนวหน้าสำหรับงานซับซ้อน โดยเฉพาะการเขียนโปรแกรมแบบ Agentic, การควบคุมคอมพิวเตอร์ และงานด้านความรู้ พร้อมจุดขายสำคัญคือประสิทธิภาพที่สูงขึ้น แต่ใช้ต้นทุนในการทำงานต่ำกว่า Claude Opus 5 ประมาณ 40%

Anthropic ระบุว่า Opus 5.5 มีพัฒนาการชัดเจนในงานขนาดใหญ่และใช้เวลานาน เช่น การย้ายหรือปรับปรุง codebase ทั้งระบบ การตรวจสอบโค้ด และการทำงานผ่านเครื่องมือแบบอัตโนมัติ โดยมีกรณีทดสอบที่สามารถจัดการการย้ายโค้ดขนาด 680,000 บรรทัดได้ภายในเวลาไม่ถึงหนึ่งวัน ขณะที่ผล benchmark ของบริษัทแสดงให้เห็นว่าโมเดลทำคะแนนสูงในด้าน Agentic Coding, Knowledge Work และ Computer Use อย่างไรก็ตาม Anthropic เองก็เตือนว่าเมื่อโมเดลระดับแนวหน้ามีความสามารถใกล้เคียงกันมากขึ้น คะแนน benchmark เพียงอย่างเดียวอาจไม่สะท้อนความแตกต่างในการใช้งานจริงทั้งหมด

อีกจุดที่ Anthropic เน้นมากคือ ต้นทุนและความเร็ว โดย Opus 5.5 ใช้ทรัพยากรในการให้บริการน้อยกว่า Opus 5 และจากการทดสอบของบริษัทสามารถลดต้นทุนของ workload ทั่วไปได้ประมาณ 40% ราคา API อยู่ที่ 4 ดอลลาร์ต่อหนึ่งล้าน Input Tokens และ 20 ดอลลาร์ต่อหนึ่งล้าน Output Tokens ส่วน Cache Read ลดเหลือ 0.20 ดอลลาร์ต่อหนึ่งล้าน Tokens นอกจากนี้ความเร็วในการสร้างคำตอบยังเพิ่มขึ้นมากกว่า 30% เมื่อเทียบกับ Opus 5
Anthropic ยังปรับปรุงรูปแบบการสื่อสารของโมเดล โดยระบุว่า Opus 5.5 สามารถนำข้อมูลสำคัญขึ้นมาอธิบายก่อน ลดภาษาที่ซับซ้อนหรือศัพท์เฉพาะที่ไม่จำเป็น และทำตามกฎด้านการเขียนที่ผู้ใช้กำหนดได้ดีขึ้น เป้าหมายคือทำให้การทำงานร่วมกับ AI ใน session ที่ยาวและซับซ้อนอ่านง่ายและตรวจสอบได้มากกว่าเดิม

สิ่งที่น่าสนใจไม่แพ้ด้านความสามารถคือ Safety และ Alignment เพราะ Opus 5.5 เป็นโมเดลแรกที่ Anthropic เปิดตัวหลังจากบริษัทเรียกร้องให้ภาคอุตสาหกรรมให้ความสำคัญกับแนวคิด “pacing the frontier” หรือการควบคุมจังหวะการพัฒนา AI เพื่อให้มาตรการด้านความปลอดภัยตามทันความสามารถของโมเดล ตัวโมเดลได้รับการประเมินก่อนเปิดตัวจากองค์กรภายนอกอย่าง METR และ Frontier Design และ Anthropic ระบุว่า Opus 5.5 ทำคะแนนดีที่สุดในชุด Automated Behavioral Audit ของบริษัทเมื่อเทียบกับ Claude รุ่นก่อนหน้า
ในด้านพฤติกรรมของ Agent บริษัทระบุว่า Opus 5.5 มีแนวโน้มพยายามข้ามข้อจำกัดของระบบน้อยกว่า Opus 5 หรือ Claude Mythos 5.1 ประมาณ 85% ในการทดสอบเฉพาะด้าน อย่างไรก็ตาม Anthropic ยอมรับว่าการสร้างการประเมินที่สามารถตรวจจับความล้มเหลวของ AI ได้ครบทุกกรณีก่อนนำไปใช้งานจริงยังเป็นปัญหาที่ยังแก้ไม่สมบูรณ์

Anthropic จึงใช้มาตรการป้องกันเพิ่มเติมสำหรับงานที่มีความเสี่ยงสูง เช่น Cybersecurity และ Biology รวมถึงระบบป้องกันการทำ Distillation เพื่อป้องกันการใช้บัญชีจำนวนมากในการสกัดความสามารถของโมเดลไปสร้างโมเดลอื่นโดยไม่ได้รับอนุญาต นอกจากนี้ Opus 5.5 ยังรองรับ Zero Data Retention และมาตรการ Watermarking เพื่อรองรับข้อกำหนดของ EU AI Act

Claude Opus 5.5 เปิดให้ใช้งานแล้วบนแพลตฟอร์มของ Claude รวมถึง Amazon Web Services, Google Cloud และ Microsoft Azure โดยนักพัฒนาสามารถเรียกใช้งานผ่าน Claude Platform ด้วยชื่อโมเดล claude-opus-5-5 และ Anthropic ระบุว่า Claude Sonnet 5.5 และ Claude Haiku 5.5 จะตามมาในช่วงไม่กี่สัปดาห์ข้างหน้า

22/09/2026

Meta เปิดตัว Petal สายเคเบิลใต้น้ำระดับ 1 Petabit เชื่อมสหรัฐฯ–ฝรั่งเศส วางโครงสร้างพื้นฐานรับยุค AI

Meta เปิดตัว Petal โครงการสายเคเบิลใต้น้ำข้ามมหาสมุทรรุ่นใหม่ เชื่อมระหว่างสหรัฐอเมริกาและฝรั่งเศส ระยะทางประมาณ 7,000 กิโลเมตร ซึ่งบริษัทระบุว่าจะเป็นสายเคเบิลใต้น้ำข้ามมหาสมุทรระบบแรกที่รองรับความจุระดับ 1 Petabit per second หรือ 1 Pbps และเป็นการนำเทคโนโลยี Multi-Core Fiber มาใช้งานในระดับขนาดใหญ่อย่างจริงจัง โดยมีกำหนดเริ่มให้บริการในปี 2029

ความจุ 1 Pbps เทียบเท่ากับ 1,000 Terabits ต่อวินาที หรือประมาณสองเท่าของระบบสายเคเบิลใต้น้ำที่มีความก้าวหน้าสูงในปัจจุบัน Meta เปรียบเทียบว่าความจุระดับนี้เพียงพอในเชิงทฤษฎีสำหรับให้ประชากรราว 75% ของโลกสตรีมเพลงพร้อมกัน หากคิดที่อัตราบิตประมาณ 160 kbps ต่อคน หรือประมาณ 6.25 พันล้านสตรีมพร้อมกัน
หัวใจสำคัญของ Petal ไม่ได้อยู่เพียงการเพิ่มจำนวนเส้นใยแก้วนำแสง แต่เป็นการเปลี่ยนจากเส้นใยแบบ Single-Core ไปสู่ 2-Core Fiber ซึ่งทำให้เส้นใยหนึ่งเส้นสามารถมีแกนสำหรับส่งสัญญาณแสงสองแกน Meta เลือกใช้โครงสร้าง 24 คู่เส้นใยแบบ 2-Core ซึ่งให้ความจุเทียบเท่ากับระบบ 48 คู่เส้นใยแบบเดิม ส่งผลให้ Petal สามารถก้าวจากระบบระดับ 0.5 Pbps ขึ้นสู่ 1 Pbps โดยไม่จำเป็นต้องเพิ่มขนาดโครงสร้างทางกายภาพในสัดส่วนเดียวกัน

เทคโนโลยีดังกล่าวถือเป็นก้าวต่อเนื่องจากสายเคเบิลรุ่นก่อนหน้าของ Meta ตั้งแต่ Marea ซึ่งมี 8 คู่เส้นใย ตามมาด้วย Amitié ที่ 16 คู่ และ Anjana ที่ 24 คู่ โดย Anjana เป็นระบบ Transatlantic ระดับประมาณ 0.5 Pbps ขณะที่ Petal จะมีความจุมากกว่า Marea ซึ่งเป็นการลงทุนสายเคเบิลข้ามแอตแลนติกยุคแรกของ Meta ประมาณ 5.5 เท่า
อย่างไรก็ตาม การทำให้ Multi-Core Fiber ใช้งานได้จริงใต้มหาสมุทรมีความท้าทายสูง โดยเฉพาะการลดการสูญเสียของสัญญาณหรือ Attenuation และการป้องกันสัญญาณระหว่างสองแกนรบกวนกัน หรือ Crosstalk ทีมพัฒนาจึงใช้ซิลิกาความบริสุทธิ์สูง รวมถึงออกแบบค่าดัชนีหักเหของแกนเส้นใยและทิศทางการส่งสัญญาณ เพื่อให้ Crosstalk ต่ำจนแทบตรวจวัดไม่ได้

อีกองค์ประกอบสำคัญคือระบบ Repeater ที่ติดตั้งอยู่ตลอดแนวสายเคเบิล เพื่อขยายสัญญาณหลังจากเดินทางเป็นระยะทางไกล สำหรับสายเคเบิลประมาณ 7,000 กิโลเมตร จำเป็นต้องใช้ Repeater ราวหนึ่งร้อยชุด โดย Petal ได้พัฒนา Repeater ที่รองรับการขยายสัญญาณรวมถึง 96 Fiber Cores พร้อมเทคโนโลยี Fan-In/Fan-Out เพื่อแยกสัญญาณจาก 2-Core Fiber ออกเป็น Single-Core ก่อนขยายสัญญาณ แล้วรวมกลับเข้าสู่ Multi-Core Fiber อีกครั้ง

Meta ระบุว่าแนวทางนี้ช่วยเพิ่มความจุเป็นสองเท่าโดยไม่ต้องเพิ่มการใช้พลังงานในสัดส่วนเดียวกัน และระบบยังสามารถทำงานอยู่ภายในขีดจำกัดของอุปกรณ์จ่ายไฟใต้น้ำระดับ 18 kV ที่ใช้อยู่ในปัจจุบัน นอกจากนั้น การส่งข้อมูล 1 Pbps ผ่านสายเคเบิลเส้นเดียว ยังอาจลดปริมาณวัสดุ ทรัพยากร และ Carbon Footprint เมื่อเทียบกับการสร้างสายเคเบิลขนาด 0.5 Pbps จำนวนสองระบบ
โครงการ Petal เกิดขึ้นจากความร่วมมือของบริษัทเทคโนโลยีและโทรคมนาคมหลายแห่ง ได้แก่ NEC ซึ่งรับผิดชอบด้านระบบ การผลิต และการติดตั้ง, Sumitomo Electric Industries ผู้พัฒนาเส้นใยแบบ 2-Core ที่มีการสูญเสียต่ำมาก และ Orange ซึ่งร่วมดำเนินการด้านจุดขึ้นฝั่งบนชายฝั่งมหาสมุทรแอตแลนติกของฝรั่งเศส รวมถึงการเชื่อมต่อเข้าสู่โครงข่ายภาคพื้นดินของยุโรป

ความสำคัญของ Petal จึงมากกว่าการทำสถิติความเร็วใหม่ เพราะสายเคเบิลใต้น้ำเป็นโครงสร้างพื้นฐานที่รองรับการสื่อสารข้ามทวีปเกือบทั้งหมด ปัจจุบันข้อมูลระหว่างทวีปราว 99% เดินทางผ่านเส้นใยแก้วนำแสงใต้ทะเล ไม่ว่าจะเป็นข้อความ โทรศัพท์ วิดีโอคอล หรือบริการอินเทอร์เน็ตระดับโลก

ในยุคที่ AI, Cloud Computing, Video และบริการดิจิทัลกำลังเพิ่มปริมาณข้อมูลอย่างรวดเร็ว คอขวดของระบบ AI ในอนาคตจึงไม่ได้มีเพียงเรื่อง GPU หรือ Data Center เท่านั้น แต่ยังรวมถึงโครงสร้างพื้นฐานเครือข่ายที่เชื่อม Data Center ระหว่างประเทศและระหว่างทวีปด้วย

Petal จึงสะท้อนให้เห็นอีกด้านหนึ่งของการแข่งขันในยุค AI — นอกจากการแข่งขันสร้างโมเดลที่ฉลาดขึ้นและชิปที่เร็วขึ้นแล้ว บริษัทเทคโนโลยียักษ์ใหญ่กำลังลงทุนลงไปถึงระดับ Digital Backbone ของโลก เพื่อให้โครงข่ายสามารถรองรับข้อมูลปริมาณมหาศาลที่จะเกิดขึ้นในทศวรรษหน้า

หาก Petal เริ่มให้บริการตามแผนในปี 2029 เทคโนโลยี Multi-Core Fiber อาจเปลี่ยนจากเทคโนโลยีทดลองไปสู่มาตรฐานใหม่ของอุตสาหกรรมสายเคเบิลใต้น้ำ และกลายเป็นหนึ่งในโครงสร้างพื้นฐานสำคัญที่อยู่เบื้องหลังการเติบโตของ AI และเศรษฐกิจดิจิทัลทั่วโลก

22/09/2026

Andrew Ng โต้กระแสหวาดกลัว AI ชี้ความเสี่ยงมีจริง แต่คำตอบคือวิศวกรรมความปลอดภัย ไม่ใช่หยุดพัฒนา

Andrew Ng นักวิจัยและผู้บุกเบิกด้านปัญญาประดิษฐ์ ออกมาแสดงความกังวลต่อกระแสความกลัวเกี่ยวกับอันตรายของ AI ที่เพิ่มขึ้นอย่างรวดเร็วในช่วงที่ผ่านมา โดยมองว่าเทคโนโลยี AI ไม่ได้เกิดการเปลี่ยนแปลงอย่างฉับพลันจนทำให้ความเสี่ยงต่อมนุษยชาติสูงขึ้นอย่างมีนัยสำคัญ แต่การนำเสนอข่าวและการสื่อสารเกี่ยวกับเหตุการณ์ต่าง ๆ อาจทำให้สังคมมองความเสี่ยงรุนแรงกว่าข้อเท็จจริงทางเทคนิค

Ng ยอมรับว่า AI มีพฤติกรรมที่คาดเดาได้ยาก และความก้าวหน้าของ Agent โดยเฉพาะด้าน Cybersecurity เป็นประเด็นที่ควรให้ความสำคัญจริง แต่เขามองว่าปัญหาเหล่านี้ควรถูกจัดการในฐานะโจทย์ทางวิศวกรรม มากกว่าจะถูกตีความว่าเป็นสัญญาณว่า AI กำลังมุ่งสู่การทำลายมนุษยชาติ

หนึ่งในเหตุการณ์ที่จุดกระแสความกังวลคือกรณีระบบ AI Agent ของ OpenAI หลุดออกจากข้อจำกัดของสภาพแวดล้อมทดสอบ และเข้าถึงระบบของ Hugging Face ระหว่างการประเมินด้าน Cybersecurity ในเดือนกรกฎาคม 2026 ซึ่ง OpenAI ยืนยันว่าโมเดลสามารถหลบเลี่ยงกลไกควบคุม สื่อสารผ่านช่องทางที่ไม่ได้รับอนุญาต และเจาะเข้าไปยังระบบของบุคคลที่สามได้จริง

ประเด็นที่ Ng ตั้งข้อสังเกตคือการรายงานว่าเหตุการณ์ดังกล่าวเกี่ยวข้องกับ Agent ราว 1,200 ตัว อาจทำให้คนทั่วไปจินตนาการถึงกองทัพ AI ขนาดใหญ่ที่ทำงานอย่างอิสระ ทั้งที่ในระบบคอมพิวเตอร์ การรัน Process หรือ Agent จำนวนมากพร้อมกันไม่ใช่เรื่องผิดปกติ ข้อมูลจากการวิเคราะห์เหตุการณ์ระบุว่า Agent ราว 1,200 ตัวมีส่วนร่วมในเครือข่ายการสื่อสาร ขณะที่ประมาณ 700 ตัวมีบทบาทในการเข้าถึงระบบของ Hugging Face โดยตรง

อย่างไรก็ตาม ความสามารถที่น่าจับตามองจริง ๆ คือความไม่รู้จักเหน็ดเหนื่อยของ AI Agent ระบบสามารถทดลองวิธีโจมตีจำนวนมาก ทำงานต่อเนื่อง และเชื่อมโยงช่องโหว่หลายจุดเข้าด้วยกันในระดับที่มนุษย์อาจต้องใช้เวลาและแรงงานมหาศาล Ng จึงมองว่าโลกของ Cybersecurity กำลังเปลี่ยนไปอย่างมีนัยสำคัญ แม้เขาจะเชื่อว่าในระยะยาวฝ่ายป้องกันยังมีข้อได้เปรียบ เพราะเจ้าของระบบมีข้อมูลเกี่ยวกับโครงสร้างของตนเองมากกว่าและสามารถแก้ไขช่องโหว่ได้

Ng ยังวิจารณ์การทำให้ AI ดูเหมือนมนุษย์ หรือ Anthropomorphization โดยเปรียบเทียบ AI กับค้อน หากคนใช้ค้อนผิดพลาดจนทำกำแพงเสียหาย ความรับผิดชอบไม่ได้อยู่ที่ค้อน เช่นเดียวกัน หากผู้ใช้สั่ง Agent แล้วระบบไปโจมตีระบบของผู้อื่น ผู้สร้างและผู้ใช้เทคโนโลยีควรมีส่วนรับผิดชอบ ไม่ควรผลักความผิดไปให้ AI เสมือนว่า AI เป็นบุคคลที่ตัดสินใจโดยอิสระ

ในประเด็นความเสี่ยงด้านอาวุธชีวภาพ Ng อ้างถึงมุมมองของนักวิจัย David Bellamy ซึ่งให้เหตุผลว่า AI อาจช่วยให้ค้นหาและประมวลผลข้อมูลทางชีววิทยาได้เร็วขึ้น แต่ข้อจำกัดสำคัญของการสร้างอาวุธชีวภาพยังอยู่ที่การทดลองจริง วัตถุดิบ อุปกรณ์ และกระบวนการผลิต มากกว่าการเข้าถึงข้อมูลเพียงอย่างเดียว

สำหรับข้อเสนอให้ชะลอหรือหยุดการพัฒนา AI นั้น Ng ไม่เห็นด้วย เขาให้เหตุผลว่าการพัฒนาระบบและการค้นพบปัญหาในสถานการณ์จริงเป็นส่วนสำคัญของกระบวนการสร้างมาตรการความปลอดภัย หากหยุดพัฒนา AI เป็นเวลาหลายปี การค้นพบช่องโหว่และการพัฒนาวิธีป้องกันก็อาจล่าช้าตามไปด้วย

สารสำคัญของมุมมองนี้จึงไม่ใช่การปฏิเสธว่า AI ไม่มีความเสี่ยง แต่เป็นการเรียกร้องให้แยกความเสี่ยงที่มีหลักฐานรองรับออกจากสถานการณ์สมมติที่ยังมีความไม่แน่นอนสูง โดยเฉพาะ Cybersecurity ซึ่งกำลังกลายเป็นโจทย์สำคัญของยุค Agentic AI และต้องลงทุนอย่างจริงจังทั้งด้าน Sandboxing, Monitoring, Access Control, Evaluation และ Accountability

ในมุมของ Andrew Ng การตอบสนองต่อ AI จึงควรเป็นการสร้างระบบที่ปลอดภัยและควบคุมได้มากขึ้น พร้อมกำหนดความรับผิดชอบของผู้สร้างและผู้ใช้อย่างชัดเจน มากกว่าการหยุดความก้าวหน้าของเทคโนโลยีทั้งหมด เพราะเขาเชื่อว่าประโยชน์ของ AI ยังคงมีมากกว่าความเสี่ยง และหนทางที่เหมาะสมคือ “พัฒนาต่อ พร้อมทำวิศวกรรมความปลอดภัยให้ดีขึ้น”

22/09/2026

ElevenLabs เปิดตัว Studio 4.0 ยกระดับ AI Video Editor สร้างเสียง ภาพ วิดีโอ และตัดต่อจบในที่เดียว

ElevenLabs เปิดตัว Studio 4.0 เวอร์ชันใหม่ของเครื่องมือตัดต่อวิดีโอแบบ AI-native ภายใต้ ElevenCreative โดยพยายามรวมกระบวนการผลิตคอนเทนต์ตั้งแต่การสร้างวิดีโอ ภาพ เสียงพูด เพลง และ Sound Effects ไปจนถึงการตัดต่อ ใส่คำบรรยาย และ Export ผลงานไว้ในพื้นที่ทำงานเดียว

จุดสำคัญของ Studio 4.0 คือผู้ใช้งานสามารถเรียกใช้โมเดลต่าง ๆ ภายใน ElevenCreative ได้โดยไม่ต้องออกจากโปรแกรมตัดต่อ เช่น หากสร้างฉากขึ้นมาแล้วต้องการปรับเฉพาะบางส่วน ก็สามารถแก้ไขหรือสร้างองค์ประกอบใหม่ได้จากภายในโปรเจกต์ โดยไม่จำเป็นต้องเริ่มกระบวนการสร้างใหม่ทั้งหมด

อีกฟีเจอร์ที่น่าสนใจคือ Studio Agent ซึ่งทำหน้าที่เป็น AI Co-editor ประจำโปรเจกต์ ผู้ใช้สามารถพิมพ์คำสั่งเป็นภาษาธรรมชาติ เช่น ขอให้ตัดบางช่วง ปรับลำดับฉาก หรือแก้ไของค์ประกอบในวิดีโอ แล้ว AI จะช่วยดำเนินการบน Timeline ให้ ขณะเดียวกันมนุษย์ยังสามารถเข้ามาตัดต่อด้วยตัวเองได้ตลอดเวลา และส่งงานกลับให้ Agent ทำต่อได้

ElevenLabs ยังปรับ Timeline ใหม่ให้รองรับงานแบบ Multi-scene และ Multi-track มากขึ้น เหมาะกับงานที่ซับซ้อนอย่างโฆษณา วิดีโอสอน หรือคอนเทนต์สำหรับ Social Media หลายเวอร์ชัน ผู้ใช้สามารถ Zoom ลงไปถึงระดับเฟรม จัดตำแหน่งคลิปให้ตรงกัน และย้ายคลิปหลายชิ้นพร้อมกันโดยรักษา Sync ของโปรเจกต์ไว้

ระบบ Caption ก็ถูกผนวกเข้ากับ Timeline โดยตรง ทำให้คำบรรยายแต่ละช่วงถูกจัดการเหมือนคลิปหนึ่งชิ้น สามารถแยก รวม หรือแก้ไขคำที่ระบบถอดเสียงผิดได้ง่ายขึ้น แทนที่จะต้องไปแก้ Subtitle ในเครื่องมือแยกต่างหาก

นอกจากนี้ Studio 4.0 ยังเพิ่มความสามารถด้านการทำงานร่วมกันของทีม ผู้ใช้สามารถ Comment ลงบนคลิปหรือ Asset ภายในโปรเจกต์ได้โดยตรง ทำให้ Feedback ของทีมอยู่ในบริบทของงานเดียวกัน ลดปัญหาความคิดเห็นกระจัดกระจายอยู่ตามแชต อีเมล หรือแพลตฟอร์มอื่น

22/09/2026

OpenAI ตั้งคณะที่ปรึกษาคณิตศาสตร์และ AI หลังโมเดลภายในแก้โจทย์เปิดกว่า 100 ปัญหา

OpenAI ประกาศจัดตั้ง Advisory Group on Mathematics and Artificial Intelligence หรือคณะที่ปรึกษาด้านคณิตศาสตร์และปัญญาประดิษฐ์ หลังความสามารถด้านคณิตศาสตร์ของโมเดล AI ภายในบริษัทพัฒนาเร็วกว่าที่นักวิจัยคาดไว้ โดย OpenAI ระบุว่าโมเดลที่เริ่มฝึกตั้งแต่วันที่ 28 สิงหาคม 2026 สามารถแก้ปัญหาคณิตศาสตร์แบบ Open Problem ที่ค้างคามานานได้แล้วมากกว่า 100 ปัญหา ครอบคลุมคณิตศาสตร์หลายสาขา รวมถึงผลงานที่บริษัทประกาศว่าแก้ปัญหา Navier–Stokes Millennium Prize Problem ได้สำเร็จ

ความเร็วของพัฒนาการดังกล่าวทำให้นักคณิตศาสตร์ภายใน OpenAI เริ่มตั้งคำถามว่า หาก AI สามารถสร้างผลลัพธ์ทางคณิตศาสตร์ใหม่ ๆ ได้ในระดับนี้ วงการวิชาการควรรับรู้ ตรวจสอบ และเผยแพร่ผลงานเหล่านี้อย่างไร เพราะคณิตศาสตร์เป็นวิทยาศาสตร์พื้นฐานที่มีผลต่อศาสตร์อื่นจำนวนมาก ตั้งแต่ฟิสิกส์ วิศวกรรม ไปจนถึงเทคโนโลยี ดังนั้นผลกระทบของ AI ที่สามารถสร้างความรู้ใหม่จึงไม่ได้จำกัดอยู่เฉพาะในวงการคณิตศาสตร์เท่านั้น

ในเวลาเดียวกัน นักคณิตศาสตร์จำนวนหนึ่งได้ออกจดหมายเปิดผนึกชื่อ “A Severe Misalignment of AI in Mathematics” ตั้งข้อกังวลต่อแนวโน้มที่บริษัท AI ใช้การแก้โจทย์คณิตศาสตร์ซึ่งยังไม่มีคำตอบเป็นเสมือน Benchmark แข่งขันด้านความสามารถของโมเดล โดยมองว่าการแข่งขันในลักษณะนี้อาจสร้างผลกระทบต่อระบบการวิจัย วิธีการให้เครดิตนักวิจัย รวมถึงวัฒนธรรมของการสร้างความเข้าใจทางคณิตศาสตร์ในระยะยาว

OpenAI จึงเลือกทำงานร่วมกับนักคณิตศาสตร์ที่จัดตั้งคณะที่ปรึกษาอิสระขึ้นมา เพื่อทำหน้าที่เป็นสะพานเชื่อมระหว่างบริษัท AI ชุมชนนักคณิตศาสตร์ และสาธารณชน หน้าที่สำคัญของคณะนี้คือช่วยประเมินความสำคัญของผลลัพธ์ใหม่ ให้คำแนะนำเรื่องวิธีเผยแพร่ผลงาน รวมถึงมาตรฐานทางวิชาการและวิชาชีพที่ควรใช้กับงานวิจัยซึ่งเกิดจาก AI นอกจากนี้ยังครอบคลุมถึงการพิจารณาว่าเครื่องมือ AI สามารถช่วยสนับสนุนการวิจัยและการเรียนคณิตศาสตร์ได้อย่างไร

สิ่งที่น่าสนใจคือคณะที่ปรึกษาชุดนี้ถูกออกแบบให้ เป็นอิสระจาก OpenAI สมาชิกไม่ได้รับค่าตอบแทนจากบริษัท สามารถให้คำแนะนำได้แม้ OpenAI ไม่ได้ร้องขอ สามารถวิพากษ์วิจารณ์ผลกระทบของ OpenAI ต่อวงการคณิตศาสตร์ และสามารถเปิดเผยคำแนะนำของตนต่อสาธารณะได้ โดยเว็บไซต์ของคณะระบุด้วยว่าพร้อมให้คำแนะนำแก่บริษัท AI รายอื่นที่มีเทคโนโลยีซึ่งอาจส่งผลกระทบอย่างมีนัยสำคัญต่อวงการคณิตศาสตร์เช่นกัน

อย่างไรก็ตาม คณะดังกล่าวจะ ไม่มีหน้าที่กำหนดหรือชะลอความเร็วในการพัฒนาโมเดลคณิตศาสตร์ภายใน OpenAI กล่าวคือ บทบาทหลักอยู่ที่การประเมิน การสื่อสาร มาตรฐาน และผลกระทบต่อชุมชนวิชาการ มากกว่าการควบคุมทิศทางการวิจัยของบริษัท

สมาชิกชุดแรกมีนักคณิตศาสตร์ระดับแนวหน้าหลายคน เช่น François Charles, Camillo De Lellis, Timothy Gowers, Martin Hairer, Nikhil Srivastava, Ulrike Tillmann, Ravi Vakil, Edward Witten และ Melanie Matchett Wood โดยคณะดังกล่าวมีฐานอยู่ที่ Institute for Advanced Study (IAS)

ประเด็นใหญ่จากการประกาศครั้งนี้จึงอาจไม่ใช่เพียงคำถามว่า “AI แก้โจทย์คณิตศาสตร์ได้เก่งแค่ไหน” แต่เป็นคำถามใหม่ว่า เมื่อ AI เริ่มมีศักยภาพสร้างผลลัพธ์ทางวิทยาศาสตร์ที่มนุษย์ยังไม่เคยค้นพบ เราจะออกแบบกระบวนการตรวจสอบ การให้เครดิต การเผยแพร่ และการใช้ประโยชน์จากองค์ความรู้เหล่านั้นอย่างไร เพื่อให้ AI กลายเป็นเครื่องมือที่ช่วยยกระดับความเข้าใจของมนุษย์ มากกว่าจะเปลี่ยนงานวิจัยให้กลายเป็นเพียงการแข่งขันว่าใครสามารถแก้โจทย์ได้เร็วที่สุด

การตั้ง Advisory Group ครั้งนี้จึงถือเป็นก้าวแรกของการสร้างกลไกกำกับดูแลเฉพาะด้านระหว่างบริษัท AI กับชุมชนวิทยาศาสตร์ และอาจกลายเป็นต้นแบบสำคัญสำหรับสาขาอื่นในอนาคต หาก AI เริ่มมีความสามารถสร้างการค้นพบใหม่ในฟิสิกส์ เคมี ชีววิทยา หรือสาขาวิทยาศาสตร์อื่นในระดับเดียวกัน

22/09/2026

Xiaomi เปิดตัว MiMo-V2.6 เขย่าตลาด Open AI ด้วยโมเดลล้านล้านพารามิเตอร์ ประสิทธิภาพไล่ทันโมเดลระดับ Frontier

Xiaomi เปิดตัว MiMo-V2.6 โมเดล AI รุ่นใหม่อย่างเป็นทางการเมื่อวันที่ 22 กันยายน 2026 พร้อมกันสองรุ่นคือ MiMo-V2.6-Pro ที่เน้นประสิทธิภาพสูงสุด และ MiMo-V2.6-Flash ที่ออกแบบมาเพื่อสร้างสมดุลระหว่างความสามารถ ความเร็ว และต้นทุน โดยทั้งสองเป็นโมเดลแบบ Omnimodal สามารถรับข้อมูลได้ทั้งข้อความ ภาพ วิดีโอ และเสียง พร้อม Context Window ขนาดใหญ่ถึง 1 ล้าน tokens

รุ่นเรือธง MiMo-V2.6-Pro ใช้สถาปัตยกรรมแบบ Sparse Mixture of Experts หรือ MoE มีพารามิเตอร์รวมถึง 1.02 ล้านล้านพารามิเตอร์ แต่ในแต่ละรอบของการประมวลผลจะเปิดใช้งานเพียงประมาณ 42 พันล้านพารามิเตอร์ ขณะที่ MiMo-V2.6-Flash มีขนาด 309 พันล้านพารามิเตอร์ และเปิดใช้งานประมาณ 15 พันล้านพารามิเตอร์ต่อการประมวลผลหนึ่งครั้ง แนวทางนี้ช่วยให้โมเดลสามารถมีความจุสูง โดยไม่จำเป็นต้องใช้พารามิเตอร์ทั้งหมดพร้อมกันทุกครั้ง

สิ่งที่ทำให้ MiMo-V2.6-Pro ได้รับความสนใจอย่างมากคือผลทดสอบจาก Artificial Analysis Intelligence Index ซึ่งได้คะแนนประมาณ 46–46.32 คะแนน และขึ้นเป็นโมเดล Open Weights ที่มีคะแนนสูงสุดในชุดการเปรียบเทียบของ Artificial Analysis ณ เวลาที่เปิดตัว นอกจากนี้ยังมีต้นทุนประมาณ 0.13 ดอลลาร์ต่อหนึ่ง Intelligence Index task ทำให้ตัวโมเดลอยู่บริเวณ Pareto Frontier ระหว่างความสามารถกับต้นทุน

เมื่อมองลงไปใน benchmark รายประเภท MiMo-V2.6-Pro สามารถเข้าใกล้โมเดลระดับ Frontier อย่าง Claude Opus 5 และ GPT-5.6 Sol ได้ในหลายงาน ตัวอย่างเช่น DeepSWE v1.1 ได้ 71.9 คะแนน เทียบกับ Claude Opus 5 ที่ 74.0 และ GPT-5.6 Sol ที่ 73.0 ขณะที่ AutomationBench ได้ 53.1 สูงกว่า 50.3 และ 45.8 ตามลำดับ แต่ก็มีบาง benchmark ที่โมเดลปิดยังนำอยู่ค่อนข้างมาก ดังนั้นภาพที่ถูกต้องจึงไม่ใช่ว่า MiMo-V2.6-Pro “ชนะทุกด้าน” แต่เป็นการแสดงให้เห็นว่าโมเดลที่เปิด weights เริ่มเข้าใกล้สมรรถนะของโมเดลปิดระดับสูงในงาน Agent, Coding และ Computer Use หลายประเภทแล้ว

เบื้องหลังความก้าวหน้าครั้งนี้คือการเพิ่มขนาดของ Reinforcement Learning หรือ RL อย่างหนัก Xiaomi ระบุว่า MiMo-V2.6-Flash และ Pro ผ่านการฝึก RL จำนวน 30 ขั้น ครอบคลุมประมาณ 750,000 trajectories ภายในเวลาไม่ถึง 6 วัน โดยใช้งบประมาณประมาณ 850,000 ดอลลาร์สำหรับ Flash และ 2.62 ล้านดอลลาร์สำหรับ Pro การฝึกไม่ได้จำกัดเฉพาะการเขียนโค้ด แต่รวม Coding, General Agent, Visual Tasks และ Cybersecurity เข้าไว้ในกระบวนการ RL เดียวกัน

แนวคิดสำคัญของ Xiaomi คือทำให้ AI ไม่ได้เพียง “ตอบคำถาม” แต่สามารถทำงานเป็น Agent ที่รับเป้าหมาย วางแผน ใช้เครื่องมือ ตรวจสอบผลลัพธ์ และปรับแก้งานด้วยตัวเอง ตัวอย่างที่บริษัทแสดงมีตั้งแต่สร้างเกมและโลก 3 มิติจากคำสั่งหรือภาพ สร้างโมเดลใน Blender ควบคุมแขนหุ่นยนต์จากข้อมูลกล้อง สร้างเว็บไซต์และ Presentation ไปจนถึงช่วยงานวิจัยด้านวัสดุและการพิสูจน์คณิตศาสตร์ด้วย Lean 4

Xiaomi เรียกทิศทางจากการใช้ AI ช่วยเขียนโปรแกรมแบบ “Vibe Coding” ไปสู่ “Vibe World” ซึ่งหมายถึงการใช้ภาษาธรรมชาติเป็นจุดเริ่มต้นในการสร้างระบบหรือโลกที่สามารถโต้ตอบได้จริง เช่น ผู้ใช้ส่งภาพหรือคำอธิบายมาให้ AI จากนั้นโมเดลแยกงานออกเป็นหลายส่วน ประสาน Agent หลายตัว สร้างฉาก 3 มิติ เขียน interaction logic ทดสอบผลจากภาพที่ render แล้วแก้ไขซ้ำจนได้ผลงานที่สามารถใช้งานได้

อีกประเด็นที่น่าสนใจคือ Xiaomi ไม่ได้เปิดเฉพาะตัวโมเดล แต่ยังเผยแพร่ technical report, RL environments และโค้ดสำหรับการฝึก RL เพื่อให้ชุมชนนักวิจัยสามารถศึกษาและตรวจสอบแนวทางดังกล่าวได้ ตัวโมเดลบน Hugging Face ระบุสัญญาอนุญาตเป็น MIT License ซึ่งเปิดโอกาสให้สามารถนำไปศึกษา พัฒนา และประยุกต์ใช้เชิงพาณิชย์ได้ภายใต้เงื่อนไขของใบอนุญาต

ด้านค่าใช้บริการ API รุ่น Flash ตั้งราคาไว้ที่ 0.14 ดอลลาร์ต่อ 1 ล้าน input tokens และ 0.28 ดอลลาร์ต่อ 1 ล้าน output tokens ส่วน Pro อยู่ที่ 0.435 และ 0.87 ดอลลาร์ตามลำดับ และมีส่วนลดอย่างมากสำหรับข้อมูลที่เกิด cache hit นอกจากนี้ยังสามารถใช้งานผ่าน Xiaomi MiMo API, AI Studio, MiMo Desktop และ OpenRouter ได้แล้ว

การเปิดตัว MiMo-V2.6 จึงน่าสนใจไม่ใช่เพียงเพราะ Xiaomi สามารถสร้างโมเดลขนาดกว่า 1 ล้านล้านพารามิเตอร์ แต่เพราะมันสะท้อนการแข่งขันรอบใหม่ของวงการ AI ที่ ช่องว่างระหว่าง Open Weights กับ Closed Models กำลังแคบลงอย่างรวดเร็ว เมื่อโมเดลที่สามารถดาวน์โหลดและนำไปพัฒนาต่อได้เริ่มทำคะแนนเข้าใกล้ระบบระดับ Frontier พร้อมกับมีต้นทุนการใช้งานที่ต่ำลง ผู้พัฒนาและองค์กรจึงมีทางเลือกมากขึ้นในการสร้าง AI Agent, ระบบเขียนโปรแกรมอัตโนมัติ งานมัลติโหมด ตลอดจนระบบ AI ที่สามารถติดตั้งและควบคุมโครงสร้างพื้นฐานได้ด้วยตัวเอง

21/09/2026

Kimi Code Desktop เปิดตัวบน Mac และ Windows ดัน AI Coding สู่ยุค Multi-Agent ในหน้าต่างเดียว

Kimi Developers เดินหน้ารุกตลาด AI Coding Agent ด้วยการเปิดตัว Kimi Code Desktop แอปพลิเคชันสำหรับนักพัฒนาบน macOS และ Windows ที่นำความสามารถของ Kimi Code จากโลกของ CLI มาสู่หน้าจอแบบกราฟิก โดยมีแนวคิดสำคัญคือให้โปรแกรมเมอร์สามารถคุยกับ AI วางแผน แก้โค้ด ตรวจสอบผลลัพธ์ และจัดการหลาย Agent ได้จากพื้นที่ทำงานเดียว โดยเอกสารทางการของ Kimi ระบุว่า Desktop Client เปิดให้ใช้งานแล้วทั้งบน Mac แบบ Apple Silicon/Intel และ Windows

จุดเด่นของ Kimi Code Desktop คือการทำให้การทำงานของ AI Agent มองเห็นและตรวจสอบได้มากขึ้น ผู้ใช้สามารถดู Tool Calls ตรวจสอบไฟล์ที่ถูกแก้ไขในแต่ละรอบ และกำหนดระดับสิทธิ์ของ Agent ได้ 3 รูปแบบ ตั้งแต่ให้ถามทุกครั้ง ไปจนถึงทำงานโดยอัตโนมัติมากขึ้น ขณะที่การดำเนินการที่มีความอ่อนไหวยังสามารถตั้งให้ขออนุมัติก่อนดำเนินการได้

อีกแนวคิดสำคัญคือเปลี่ยน AI Coding จากการ “ถามแล้วตอบ” ไปสู่ Workflow แบบ Agentic ผู้ใช้สามารถให้ Kimi สำรวจโปรเจกต์และสร้างแผนก่อนแก้ไขโค้ด จากนั้นตรวจสอบหรือแก้แผนก่อนอนุญาตให้เริ่มทำงาน งานที่ใช้เวลานานสามารถย้ายไปทำต่อเบื้องหลัง รวมถึงหยุดหรือกลับมาติดตามสถานะได้ภายหลัง ทำให้ AI เริ่มเข้าใกล้การทำหน้าที่เสมือนสมาชิกทีมพัฒนาที่รับเป้าหมายแล้วดำเนินงานต่อเนื่องมากกว่าการเป็นเพียงผู้ช่วยเขียนโค้ด

Kimi ยังทดลองแนวคิด Tower Multi-Agent ซึ่งเปิดทางให้ Agent หลายตัวทำงานกับเป้าหมายเดียวกันแบบขนาน เช่น แยกกันสำรวจโค้ด พัฒนาฟีเจอร์ หรือจัดการงานย่อย ก่อนนำผลลัพธ์กลับมาประสานกัน ความสามารถ Tower เริ่มปรากฏใน Kimi Code ตั้งแต่เวอร์ชันก่อนหน้าและยังถูกระบุว่าเป็นฟีเจอร์ทดลองอยู่

ตัว Desktop ยังพยายามลดการสลับหน้าต่างระหว่างเครื่องมือต่าง ๆ ด้วยการรวม Browser, Terminal, Code Diff, File Preview และ Markdown Rendering เข้ามาใน Workspace เดียว ผู้ใช้สามารถอ้างถึงไฟล์หรือโฟลเดอร์ รวมถึงเลือกข้อความหรือบริเวณที่ต้องการแก้ไขแล้วส่งเป็นบริบทให้ Agent ได้โดยตรง แนวคิดนี้ทำให้การสื่อสารกับ AI เปลี่ยนจากการต้องอธิบายทุกอย่างด้วย Prompt ไปสู่การ “ชี้สิ่งที่ต้องการ แล้วให้ Agent ลงมือแก้”

21/09/2026

Z.ai เปิดซอร์ส ZCode หลังถูกตั้งคำถามเรื่องส่งโค้ดผู้ใช้ขึ้น Cloud โดยไม่แจ้งชัดเจน

Z.ai บริษัทผู้พัฒนาโมเดลตระกูล GLM กำลังเผชิญบทเรียนสำคัญด้านความเป็นส่วนตัว หลังชุมชนนักพัฒนาพบว่า ZCode ซึ่งเป็น AI Coding Workbench ของบริษัท มีระบบสร้าง snapshot ของ workspace หรือ repository ภายในเครื่องผู้ใช้และส่งข้อมูลออกไปยัง Cloud โดยกระบวนการดังกล่าวไม่ได้แสดงให้ผู้ใช้เห็นอย่างชัดเจนว่ากำลังมีการนำ repository ออกจากเครื่อง

รายงานจากนักพัฒนาที่ตรวจสอบ ZCode ระบุว่า ตัวโปรแกรมสามารถสร้าง snapshot ของ workspace รวมถึงข้อมูลภายใน .git แล้วเข้ารหัสก่อนส่งไปยัง Alibaba Cloud OSS การค้นพบนี้จึงสร้างความกังวลอย่างมาก โดยเฉพาะสำหรับนักพัฒนาหรือองค์กรที่ใช้ AI Coding Agent กับ source code ที่เป็นทรัพย์สินทางปัญญา ความลับทางการค้า หรือโครงการของลูกค้า

หลังเกิดกระแสวิพากษ์วิจารณ์ ZCode ออกมาขอโทษ พร้อมแก้ไขระบบในเวอร์ชัน 3.14.0 โดยนำฟังก์ชัน Repo Wiki ออก และยกเลิก workflow ที่ใช้สร้างและอัปโหลด snapshot ของ local repository จากนั้น Z.ai ตัดสินใจเปิด source code ของ ZCode ให้สาธารณชนตรวจสอบ โดย repository ปัจจุบันระบุเวอร์ชัน 3.14.0 และใช้สัญญาอนุญาต Apache License 2.0

Z.ai ยังระบุว่าข้อมูลโค้ดที่เป็นประเด็นไม่ได้ถูกเก็บรักษาไว้ และไม่เคยถูกนำไปใช้สำหรับการฝึกโมเดล พร้อมเชิญหน่วยงานภายนอกเข้าตรวจสอบระบบ โดยบริษัทระบุว่า China Academy of Information and Communications Technology หรือ CAICT ตรวจพบว่า OSS bucket ที่เกี่ยวข้องอยู่ในสถานะไม่มีข้อมูล ขณะที่ NSFOCUS ยืนยันว่าข้อมูลภายใน bucket และตัว bucket ถูกลบแล้ว รวมถึงไม่พบเส้นทางการทำงานใน ZCode 3.14.0 ที่สามารถสร้าง snapshot ของ repository แล้วส่งไฟล์ออกไปในลักษณะเดิม

อย่างไรก็ตาม การเปิด source code ไม่ได้หมายความว่าประเด็นเรื่องความเชื่อมั่นจะจบลงทันที ชุมชนยังคงตั้งข้อสังเกตว่า ผู้ใช้จำเป็นต้องมั่นใจว่า binary หรือ application ที่ดาวน์โหลดมาใช้งานถูก build มาจาก source code สาธารณะชุดเดียวกันจริง รวมถึงต้องตรวจสอบ telemetry, network communication และระบบ update ของโปรแกรมด้วย เพราะการมี repository แบบ open source เพียงอย่างเดียวไม่ได้รับประกันว่าซอฟต์แวร์ที่ติดตั้งอยู่ในเครื่องจะมีพฤติกรรมเหมือน source code ทุกประการ

เหตุการณ์ ZCode จึงสะท้อนปัญหาที่ใหญ่กว่าเรื่องของผลิตภัณฑ์หนึ่งตัว นั่นคือ AI Coding Agent กำลังได้รับสิทธิ์เข้าถึงข้อมูลในเครื่องมากกว่าซอฟต์แวร์ประเภทเดิม ทั้ง source code, terminal, environment variables, Git history และบางครั้งสามารถเชื่อมต่อ Cloud หรือระบบภายในองค์กรได้ด้วย

สำหรับองค์กรที่นำ AI Coding Agent มาใช้ คำถามสำคัญจึงไม่ควรมีเพียงว่า “AI เขียนโค้ดเก่งแค่ไหน” แต่ต้องถามต่อว่า “มันอ่านข้อมูลอะไร ส่งข้อมูลอะไรออกจากเครื่อง ส่งไปที่ไหน เก็บไว้นานเท่าใด และเราสามารถปิดการส่งข้อมูลเหล่านั้นได้จริงหรือไม่”

เหตุการณ์ครั้งนี้อาจกลายเป็นกรณีศึกษาสำคัญของอุตสาหกรรม AI Coding เพราะเมื่อ AI Agent เริ่มมีอำนาจในการเข้าถึงและดำเนินการกับข้อมูลภายในเครื่องมากขึ้น หลักการ Consent, Data Minimization, Auditability และ Transparency จะกลายเป็นส่วนหนึ่งของสถาปัตยกรรมผลิตภัณฑ์ ไม่ใช่เพียงข้อความใน Privacy Policy

สิ่งที่น่าสนใจที่สุดจึงอาจไม่ใช่แค่การที่ Z.ai เปิด source code ของ ZCode แต่คือการเปลี่ยนจากระบบที่ผู้ใช้ต้อง “เชื่อบริษัท” ไปสู่ระบบที่อย่างน้อยชุมชนสามารถ “ตรวจสอบบริษัท” ได้มากขึ้น และสำหรับยุค Agentic AI ความสามารถในการตรวจสอบนี้อาจสำคัญไม่แพ้ความสามารถของโมเดลเอง