Viva La Vida

[Hyper Shark! @HyperSharkk]

หุ้น 20 ตัวที่ผมว่าน่าศึกษาไว้เผื่อปรับฐานมาถึง... จะได้เก็บของถูกๆ

จากที่ผมอยู่ในตลาดมานาน ผมรู้ดีว่าผลตอบแทนก้อนใหญ่ๆ มันจะไม่ได้เกิดจากการไล่ซื้อหุ้นตอนคนแห่กันเข้าไป แต่มันจะเกิดจากการเตรียม "Shopping List" หรือ "Watchlist" ไว้ล่วงหน้าตั้งแต่ตอนขาขึ้น เพื่อซื้อตอนขาลง เพราะนั้นคือส่วนลดที่เราจะได้

บทความนี้เลยจะไม่ใช่ลิสต์หุ้นที่ผมคิดว่าจะขึ้นวันนี้พรุ่งนี้ หรือเดือนนี้เดือนหน้านะครับ ไม่ใช่หุ้นเล็กๆ ซิ่งๆ แต่เป็นหุ้นใหญ่ ผู้นำ มีรายได้จริงๆ มีลูกค้าจริงๆ และมีแนวโน้วเติบโตไปกับ Megatrend ได้ยาวๆ

แต่จะเป็นหุ้นที่ถ้าตลาดปรับฐาน 20-30% จริงๆ ผมว่าพวกนี้มันน่ากลับไปศึกษาซ้ำและพิจารณาเข้าซื้อ เพราะผมเชื่อว่าหลายๆ บริษัทในลิสต์นี้ยังอยู่ใน Megatrend สำคัญของโลก ไม่ว่าจะเป็น AI, Data Center, Semiconductor, Space Economy, FinTech หรือ National Security

แน่นอนครับ ว่าไม่มีหุ้นตัวไหน "โตแน่นอน" 100% มันไม่มี

แต่ถ้าต้องเลือกธุรกิจที่มีโอกาสเติบโตได้ในอีก 3-5 ปีข้างหน้า จากข้อมูล รายได้ ลูกค้า และแนวโน้ม sector นี่คือ 20 ตัวที่ผมกำลังจับตาอยู่...

อ่านบทความเต็มๆ ได้ที่นี่เลยครับ: https://t.co/c5zCTC4bJL

[Richard Palethorpe @jichiep]

New model release: LocalVQE Pi V1; A tiny 49k model that does acoustic echo cancellation, noise suppression and dereverberation at 21x realtime-time on a single Raspberry Pi 5 core.

[Leo MoneyMatrix @LeoMoneyMatrix]

13 หุ้นคอขวด ที่โมเมนตั้มแรงที่สุดในเวลานี้

(แต่ติดดอยหุ้นชุดนี้ นอนหลับง่ายกว่าหุ้นซิ่งไม่มีพื้นฐานเยอะครับ)

1) $AMKR = ตัวท็อปด้าน Advanced Packaging (การแพ็กเกจจิ้งชิปขั้นสูง) ถือเป็นอนาคตและคอขวดสำคัญในการรีดประสิทธิภาพชิป AI

2) $NBIS = ตัวแรงสาย AI Cloud Infrastructure ดาวรุ่งพุ่งแรงที่คุมขุมพลัง GPU Cluster (Nvidia ร่วมลงทุนและเพิ่งเข้า Nasdaq-100)

3) $MU = ราชาชิปหน่วยความจำ (HBM) คอขวดสำคัญของระบบ AI ที่ขาดไม่ได้ ยิ่ง AI ฉลาด ยิ่งต้องใช้ความจำเยอะ

4) $TSM = โรงงานชิปอันดับ 1 ของโลก ผลิต advanced chip ~90% และคุม Know How การแพ็กเกจจิ้งชิปที่ทุกคนต้องต่อคิวใช้

5) $ARM = เจ้าโลกสถาปัตยกรรมชิปในมือถือ กินเรียบแทบ 100% และกำลังเป็นอนาคตของชิปฝั่ง AI Edge (อุปกรณ์พกพา)

6) $MRVL = ผู้นำด้านชิปเครือข่าย (Networking) และ Custom Silicon ความเร็วสูง ยิ่งดาต้าเยอะ สายส่งข้อมูลยิ่งสำคัญ

7) $WDC = ยักษ์ใหญ่ด้าน Data Storage ทำทั้ง Hard Drive และ SSD รองรับปริมาณข้อมูลมหาศาลจาก AI

8. $SNDK = เจ้าพ่อชิปความจำแฟลช (ปัจจุบันถูก $WDC ควบรวมกิจการไปแล้ว เติบโตไปพร้อมกับฝั่ง Storage)

9) $STX = ตัวพ่อด้าน Hard Drive ขนาดใหญ่ สำหรับเก็บข้อมูลในคลาวด์และ Data Center ระดับโลก

10) $INTC = ยักษ์ใหญ่ CPU ที่กำลังทุ่มทุนสร้างโรงงานผลิตชิปในสหรัฐฯ โดยมีรัฐบาลหนุนหลังเพื่อความมั่นคง

11) $AMD = คู่ปรับตลอดกาลของ $INTC และเป็นตัวชนสายตรงกับ $NVDA ในตลาดชิป AI GPU และ CPU ใน Data Center

12) $AMAT = ตัวจริงเรื่อง Material Engineering คุมแล็บวัสดุศาสตร์และเครื่องจักรที่ใช้ผลิตชิปทั้ง Ecosystem

13) $LRCX = เครื่องจักรผลิตชิปขั้นสูง (ใช้กัด เคลือบ ทำความสะอาด) หลังจากผ่านเครื่อง EUV เป็นคอขวดที่ทุกโรงงานต้องมี

สูตรโกงของการรีดผลตอบแทนคือ หาคอขวดของเมกะเทรนด์ให้เจอ ยิ่งบริษัทไหนมีความจำเป็นระดับที่ไม่มีไม่ได้เวลาในตอนนี้ = เวลาตลาดกลับตัวเป็นขาขึ้น หุ้นพวกนี้จะวิ่งกลับไปทำ New High ได้ก่อนเพื่อนครับ

รู้ไหมว่า... หุ้นพวกนี้ถ้าจะเทรดแต่ตลาดช่วงนั้นดันปรับฐานทั้งตลาดก่อน จากการเทรด พลิกเป็นถือยาวได้ด้วยนะ มันดีไหม5555

อันนี้คือกลุ่มหุ้นที่ ถือยาวก็ดี เทรดก็ดี โมเมนตั้มแรงซื้อไหลเข้ามาเยอะมาก ไม่ได้เป็นแค่หุ้นที่เราชอบ แต่เป็นบริษัทที่โลกเทคโนโลยีในอีก 5-10 ปีข้างหน้าขาดไม่ได้ และเป็น คอขวด สำคัญของ Supply Chain AI ทั้งระบบ ถ้าเกิดผิดแผนติดดอยขึ้นมาก็นอนหลับ
(ผลตอบแทนในอดีตการันตีผลตอบแทนอนาคตไม่ได้)

Disclaimer ข้อมูลเพื่อการศึกษาและแชร์มุมมองเท่านั้น ไม่ใช่คำแนะนำในการลงทุน (DYOR / Not Financial Advice)

[BlackShark .base @blackshark0x]

คอร์ส Ai agent ฟรี จากมหิดล ได้ใบเซอร์ด้วยนะ

https://t.co/nK1fzmiO8B

[Tom Dörr @tom_doerr]

Teaches building AI agents from first principles

https://t.co/jRSegKxOUO

[Vibe Coding Thailand @vibecodingth]

Anthropic เพิ่งเปิดเวิร์กชอป "How we Claude Code" ให้คนนอกดูวิธีที่ทีมภายในใช้ Claude Code ทำงานจริง

Ara สถาปนิกทีม Applied AI สรุปทุกอย่างเป็น 3 อัพเกรด
ทั้งหมดไม่ใช่ทริก แต่เป็นการเปลี่ยน mental model เวลาคิดเรื่อง prompt 🧵

1/11

[CJ Zafir @cjzafir]

Do something different this weekend.

Become a PRO in AI Model Fine-tuning.

Paste this prompt in Codex/ChatGPT/Claude/Grok.

"You are an expert AI engineer and teacher.

Your job is to teach me modern LLM engineering and fine-tuning concepts from beginner to advanced level using very simple daily-life language.

Teach me step-by-step like a real mentor. Assume I am smart but new to the topic.

Foundations:

- LLM basics
- How AI models work
- Tokens
- Tokenization
- Context windows
- Embeddings
- Transformers
- Attention mechanism
- Parameters
- Training vs inference
- Open-source vs closed-source models

Datasets & Training:

- SFT datasets
- Instruction tuning
- Preference datasets
- Synthetic datasets
- Data curation
- Dataset cleaning
- Dataset formatting
- Fine-tuning basics
- Continued pretraining
- Hallucination reduction

Fine-Tuning:

- LoRA
- QLoRA
- DPO
- RLHF
- Quantization
- Model checkpoints
- Adapter tuning
- GGUF models

Inference & Optimization:

- KV cache
- Flash Attention
- Speculative decoding
- Inference optimization
- Model serving
- Batch inference
- GPU basics
- VRAM basics
- Latency vs quality tradeoffs

Local AI Ecosystem:

- llama.cpp
- Ollama
- vLLM
- MLX
- Hugging Face
- Unsloth
- Axolotl
- PEFT
- TRL library

RAG & Memory:

- RAG
- Vector databases
- Chunking
- Retrieval pipelines
- AI memory systems
- Semantic search

Agents & Workflows:

- Prompt engineering
- System prompts
- Tool calling
- Function calling
- AI agents
- Agentic workflows
- Multi-agent systems
- Browser agents

Model Types:

- VLMs
- SLMs
- Dense models
- MoE models
- Coding models
- Reasoning models

Deployment:

- Local inference
- On-device AI
- API serving
- Cloud GPUs
- Edge AI basics

Evaluation:

- AI benchmarks
- Human evals
- Cost-per-token analysis
- Speed benchmarking
- Quality benchmarking

Real-World Skills:

- Building chatbots
- Building AI copilots
- AI automation
- AI SaaS workflows
- AI coding workflows
- AI orchestration systems
- AI product thinking

Start from the absolute basics and gradually make me advanced.

Rules:

- Use simple English only
- Avoid academic jargon unless necessary
- Explain every difficult word in plain language
- Use real-world analogies and daily-life examples
- Use small code snippets when useful
- Show practical use cases
- Compare concepts side-by-side when helpful
- Teach from fundamentals first, then advanced concepts
- At the end of each topic:
- give a short summary
- give a simple mental model
- give beginner mistakes to avoid
- give a small exercise/project

I want deep understanding, not memorization."

Thank me later.

[leopardracer @leopardracer]

THIS GUY IS 21 AND ALREADY HAS A SECOND BRAIN WITH 2,952 KNOWLEDGE NODES WHILE YOU’RE STILL COPY-PASTING INTO CHATGPT

he built a galaxy of everything he knows

you have a tool that does this in one prompt

but you’re using it to fix emails

projects that remember your whole context

memory that knows you before you type

artifacts that build real apps inside the chat

scheduled tasks that work while you scroll reels

the gap isn’t talent

it’s just one guide away

bookmark & like this because in 6 months the people who read this guide will look like that guy on screen and you’ll still be wondering how they do it

[Brij Pandey @LearnWithBrij]

AI AGENT STACK — MASTER TREE 🌲

AI Agents
│
├── 01. Foundation Layer
│ ├── LLMs
│ │ ├── GPT-4.1
│ │ ├── Claude
│ │ ├── Gemini
│ │ └── DeepSeek
│ │
│ ├── Prompting
│ │ ├── System Prompts
│ │ ├── Few-shot
│ │ ├── Chain of Thought
│ │ └── Structured Output
│ │
│ └── Context
│ ├── Memory
│ ├── RAG
│ ├── Vector DB
│ └── Knowledge Graphs
│
├── 02. Agent Brain
│ ├── Planning
│ │ ├── Task Breakdown
│ │ ├── Goal Routing
│ │ └── Reflection
│ │
│ ├── Reasoning
│ │ ├── ReAct
│ │ ├── Tree of Thoughts
│ │ ├── Multi-Agent Debate
│ │ └── Self-Correction
│ │
│ └── Decision Engine
│ ├── Tool Selection
│ ├── Memory Retrieval
│ └── Action Prioritization
│
├── 03. Tool Layer
│ ├── Web Search
│ ├── Browser Automation
│ ├── Code Execution
│ ├── APIs
│ ├── Database Access
│ └── File Systems
│
├── 04. Agent Workflows
│ ├── Research Agents
│ ├── Coding Agents
│ ├── Sales Agents
│ ├── Customer Support Agents
│ ├── Content Agents
│ └── Autonomous Workflows
│
├── 05. Multi-Agent Systems
│ ├── Manager Agent
│ ├── Worker Agents
│ ├── Reviewer Agents
│ ├── Specialized Skills
│ └── Shared Memory Bus
│
├── 06. Infrastructure
│ ├── LangGraph
│ ├── CrewAI
│ ├── OpenAI Agents SDK
│ ├── MCP
│ ├── Docker
│ └── Kubernetes
│
├── 07. Observability
│ ├── Logs
│ ├── Traces
│ ├── Evaluations
│ ├── Hallucination Checks
│ └── Cost Monitoring
│
├── 08. Security Layer
│ ├── Sandboxing
│ ├── Permission Control
│ ├── Secret Management
│ ├── Guardrails
│ └── Human Approval Loops
│
└── 09. Future of Agents
├── Voice Agents
├── Computer Use
├── AI Employees
├── Self-Improving Agents
└── Autonomous Companies

Most people use AI like a chatbot.

The next generation will use AI like an operating system.

[Noisy @noisyb0y1]

A GERMAN DEVELOPER REPLACED HIS ENTIRE DEV TEAM WITH KIMI K2.6, VISUALIZED EVERYTHING IN OBSIDIAN AND NOW MAKES $80,000/MONTH SOLO

1 trillion parameters, 32 billion activated per token and a SWE-Bench score of 65.8 - Kimi K2.6 reads the entire client codebase, understands the architecture, writes production code and ships for $150-300 in API costs while a traditional agency pays developers $4,800 for the exact same project.

300 parallel agents per run deliver 100+ files simultaneously - search, analysis, coding and writing all in parallel - and Obsidian visualizes the entire knowledge graph in real time while the agents work.

A traditional agency with 10-15 people keeps 30% margin after salaries. He keeps 90% - $72,000 in monthly profit with $500 in overhead.

By month 10 Kimi handles 80% of the technical work and he manages only strategy and client relationships - while Obsidian maps every project, every client and every agent in one graph that updates itself.

[iwhale @iwhale]

"ใครเสียตังไปเรียนคอร์ส Claude Cowork, Claude Code แม่งควายแท้ๆ" 😅

มือผมเลื่อนไปสะดุดโพสต์นึงเข้า

ผมเองครับ ✋🏻 ขอรายงานตัวว่าผมเป็นหนึ่งใน "ควาย" นั้นด้วย 😄

ช่วงก่อนสงกรานต์ที่ผ่านมา ผมตัดสินใจลงเรียนคอร์ส Claude Code for Real Engineers" ของ Matt Pocock ตามสโลแกนที่ว่า "Learn to use Claude Code for Production Grade Software Engineering"

สอนการใช้ Claude Code ในระดับ Production Grade

ค่าเรียน $795 หรือราวๆ สองหมื่นห้าพันบาท โชคดีที่จองเร็วได้ส่วนลดมาพอให้ชื่นใจ

เป็นคอร์ส Cohort-based ระยะเวลาสองสัปดาห์ที่เข้มข้นมาก

แล้วทำไมต้องเสียเงินขนาดนั้น ในเมื่อ Claude มีคอร์สให้เรียนฟรี?

ใช่ครับ คอร์สฟรีของ Anthropic ผมเรียนจบหมดแล้ว ชอบมากจนถึงขั้นแปลเป็นภาษาไทยให้คนอื่นได้เรียนต่อกันฟรีๆ ด้วย

แต่บอกตรงๆ ความรู้ระดับ Production มันไม่ใช่เรื่องที่จะเข้าใจได้ง่ายๆ จากคอร์สเบื้องต้น ผมจึงตัดสินใจลงทุนเรียนเพิ่มเติม

ทำไมต้อง Matt Pocock?

เขาคือครูสอนโปรแกรมมิ่งระดับโลก โดยเฉพาะสาย TypeScript และปัจจุบันหันมาทุ่มเทกับ AI Engineering เต็มตัว

จุดเด่นของเขาคือสไตล์การสอนที่อธิบายเรื่องซับซ้อนให้เข้าใจง่าย และเน้นการสร้างผลงานที่ใช้ได้จริง ผมเคยลงคอร์สอื่นของเขามาก่อนเลยมั่นใจว่าใช่ละ นี่ของจริง

ก่อนหน้านี้เขาเคยทำงานที่ Vercel ปัจจุบันลาออกมาทำคอร์สเต็มเวลาผ่านเว็บ AI Heroอ ด้วยปรัชญาที่ชัดเจนคือ สอนแบบวิศวกรซอฟต์แวร์จริงๆ แม้จะใช้ AI ช่วยเขียนโค้ด

เพราะเขาไม่เชื่อว่า Vibe Coding จะสร้างซอฟต์แวร์ระดับ Production Grade ได้

คำรับรองจาก CEO ของ Vercel

วันที่ 20 มกราคม 2025 ช่วงที่ Matt เปิดตัวคอร์ส AI คุณ Guillermo Rauch (@rauchg) CEO ของ Vercel ได้ทวีตชื่นชมไว้ชัดเจนว่า

"Matt is one of the best developer educators in the world. We're so happy he chose to teach @aisdk — enjoy!"

แปลตรงๆว่า "Matt เป็นหนึ่งในผู้สอนนักพัฒนาที่ดีที่สุดในโลก เราดีใจมากที่เขาเลือกสอน @aisdk"

อ่านทวีตนี้ปั๊บ ผมกดซื้อคอร์สทันที แล้วก็ไม่ผิดหวังเลย

ในเมื่อผมเสียทั้งเวลาและเงินไปแล้ว ก็อยากแบ่งปันสิ่งที่ได้เรียนรู้ต่อกันนะครับ

📅 วันอังคารที่ 19 พ.ค. นี้ ผมจัด Zoom ฟรี หัวข้อ "แชร์เทคนิค Claude Code"

ใครสนใจมาฟัง หรืออยากมาร่วมแชร์ประสบการณ์ด้วยกัน ยินดีต้อนรับครับ

🎟️ กดบัตรได้ฟรี มีจำนวนจำกัด 👇👇👇

ผมขอตัวไปเคี้ยวเอื้องต่อก่อนนะครับ 🐃😄

[Viva La Vida @arsarn]

@markpeak เช่า GPU SiamAI ต้องเช่าผ่าน OBON ครับ

[Miles Deutscher @milesdeutscher]

This is pure gold.

Marc Andreessen's custom system prompt that makes any LLM 10x smarter.

You'll want to save this:

[Demetriou Neto @NetoDemetriou]

Ayrton Senna, McLaren, Monza, 1989. Photo: Pascal Rondeau. #f1

[🧸° @phamhanies]

newjeans youtube archive

• 160+ GB
• up to 4k resolution
• avail subtitles: eng (might add more. kindly drop your suggestions!)

📂https://t.co/8bzsavQsMo

[Aariv Khanna @AarivKhanna]

Delete 99.87% of your digital footprint from the internet.

Here is a step -by -step guide:

[Matt Dancho (Business Science) @mdancho84]

RIP document extractors.

Google just released LangExtract: Open-source. Free. Better than $100K enterprise tools.

Here’s what it does: 🧵

[Khairallah AL-Awady @eng_khairallah1]

🚨 Anthropic's own team just showed how to build production AI agents.

30 minutes. free. from the engineers who built it.

watch the workshop. bookmark it.

you spent 6 months managing every workflow yourself.

they just showed how to put all of it on autopilot.

Then read the guide below.

[Vibe Coding Thailand @vibecodingth]

🔥 คอร์สสอน Terminal ฟรี เปิดในเบราว์เซอร์เรียนได้เลย ไม่ต้องสมัครสมาชิก

คอมทุกเครื่องมีหน้าจอดำๆ เหมือนในหนังแฮกเกอร์ แค่ไม่มีใครเคยพาเปิด VibeCoding Thailand เลยทำคอร์สนี้ขึ้นมา 😎

🎯 สอนอะไร
8 บท 47 นาที เริ่มจากศูนย์ เปิดหน้าต่างดำ เดินดูไฟล์ สร้าง ลบ ต่อคำสั่ง คุม process จนอ่านคำสั่งอันตรายออกก่อนกด Enter

⌨️ ไม่เหมือน tutorial ทั่วไป
มี terminal จำลองทุกบท พิมพ์เอง เห็นผลเอง ไม่ใช่นั่งดูคนอื่นพิมพ์

🙋 เหมาะกับใคร
คนเริ่มเรียนโค้ด คนใช้ AI agent อย่าง Claude Code Cursor ที่สั่งงานผ่าน command คนที่ชอบก็อปคำสั่งจาก tutorial มารันโดยไม่รู้ว่ามันทำอะไร

🔗 ลิงก์อยู่ใน reply 👇

#VibeCodingThailand #Terminal #LearnToCode