Sanook Ai

Sanook Ai 🚀
สอนใช้ AI แบบเข้าใจง่าย ใช้ได้จริง
สร้างคอนเทนต์ สร้างระบบ สร้างรายได้
สำหรับมือใหม่ เจ้าของธุรกิจ และคนอยากอัปสกิลด้วย AI ✨

[Sanook Ai @sanook_ai]

คนใช้การ์ด AMD น่าจะรอข่าวแบบนี้มานานครับ เพราะที่ผ่านมาอยากเทรนหรือรัน LLM ในเครื่องทีไร คู่มือส่วนใหญ่มักพาไปทาง NVIDIA ก่อนเสมอ
.
รอบนี้ Unsloth ร่วมมือกับ AMD เปิดรองรับการเทรน Fine-tune ทำ RL และรันโมเดลบน AMD GPU อย่างเป็นทางการ ใช้ได้ทั้ง Windows, WSL และ Linux
.
สิ่งที่น่าสนใจคือ
• เทรนและทำ RL กับโมเดลได้มากกว่า 500 รุ่น
• Qwen3.5 เริ่มเทรนได้บน VRAM 3GB ส่วน Gemma 4 อยู่ที่ 8GB
• มี Unsloth Studio ซึ่งเป็น Web UI รุ่น Beta สำหรับรันและเทรนโมเดลในเครื่อง พร้อมเชื่อม Local Model ไปใช้กับ Claude Code, Codex และ Agent ตัวอื่นได้
.
ทีม Unsloth ระบุว่า Custom Triton Kernels และวิธีจัดการหน่วยความจำช่วยให้เทรนเร็วขึ้นสูงสุด 2 เท่า ใช้ VRAM ลดลงสูงสุด 70% โดยไม่เสียความแม่นยำ ฝั่ง Inference ตัวติดตั้งจะเลือก ROCm builds ของ PyTorch และ llama.cpp ให้ ส่วน Studio รองรับการรันโมเดลทั้ง GGUF และ Safetensors
.
แต่คำว่า “รองรับ AMD” ยังไม่ได้แปลว่าการ์ดทุกรุ่นใช้ได้เท่ากันนะครับ รุ่นที่รองรับเต็มมี Radeon RX 9000/7000 และ Ryzen AI 300/MAX ส่วน Instinct MI200/300/350 ใช้บน Linux ขณะที่ RX 6000 รองรับแบบจำกัดเฉพาะบางชิปบน Linux
.
ตัวเลข 2 เท่ากับ 70% ก็เป็นค่าสูงสุดจากทีมผู้พัฒนา ไม่ใช่ผลที่ทุกเครื่องจะได้เหมือนกัน ตัวอย่าง Benchmark ที่เปิดไว้กับ Llama 3.1 8B บน MI300X ทำได้เร็วขึ้น 1.39 เท่า และใช้หน่วยความจำสูงสุด 18.3GB เทียบกับ 24.3GB โดย Loss Curve ไม่เปลี่ยน
.
ในมุมของผม ข่าวนี้สำคัญไม่ใช่เพราะตัวเลขแรงที่สุด แต่เพราะคนที่มีเครื่อง AMD อยู่แล้วเริ่มทดลอง Local AI ได้ง่ายขึ้น โดยไม่ต้องคิดเรื่องย้ายค่ายหรือซื้อการ์ดใหม่เป็นอย่างแรกครับ
.
GitHub: https://t.co/zPAN9Qli3L
คู่มือ AMD: https://t.co/ZixCe2Gj9Y
#Unsloth #AMD #LocalAI

[Sanook Ai @sanook_ai]

Google บอกเองบนเวที I/O เดือนพฤษภาคมว่า Gemini 3.5 Pro จะได้ใช้ "เดือนหน้า"
.
ตอนนี้ปลายกรกฎาคมแล้วครับ ยังไม่ออก
.
วันนั้น Google เปิดตระกูล 3.5 พร้อมปล่อย Flash ออกมาเลย ส่วนเรือธงอย่าง Pro เขียนในบล็อกว่าใช้ภายในบริษัทอยู่แล้ว รอโรลเอาต์เดือนถัดไป มิถุนายนผ่านไปเงียบ ๆ ไม่มีคำอธิบาย จนวันนี้ใน release notes ของ Gemini API ก็ยังไม่มีชื่อ 3.5 Pro มีแค่พรีวิวจำกัดวงบน Vertex AI
.
Bloomberg รายงานว่าเรื่องที่ค้างอยู่คือ "โค้ดดิ้ง" ปลายมิถุนายนทีมอัปเดตชุดข้อมูลเทรนใหม่เพื่อดันความสามารถด้านโค้ดโดยเฉพาะ ผลออกมาน่าผิดหวัง พนักงานปัจจุบันและอดีตรวม 10 คนเล่าถึงความอึดอัดข้างใน กลัวว่ากำลังเสียพื้นที่ให้ Anthropic กับ OpenAI
.
ฝั่ง Google ตอบสั้น ๆ ว่ากำลังเทสต์กับพาร์ตเนอร์อยู่ ราคาที่จ่ายคือมูลค่าตลาดหายไปหลักแสนล้านดอลลาร์
.
ตรงนี้ผมขอแทรกหน่อย หลายเพจพาดหัวว่า "เลื่อนครั้งที่ 3" และ "โมเดลหลอนหนัก" ผมไล่หาแหล่งแล้ว 2 อันนี้ไม่มีต้นทางยืนยัน ไม่มีทั้งใน Bloomberg ไม่มีทั้งจากปาก Google มันวิ่งมาจากช่อง YouTube แล้วเว็บรวมข่าวขยายต่อ ที่ยืนยันได้จริงมีแค่ มันเลื่อน และเหตุผลคือโค้ด
.
ส่วนที่ผมว่าสำคัญกว่าตัวข่าว คือปี 2026 โค้ดดิ้งไม่ใช่แค่หนึ่งใน benchmark แล้วครับ มันคือสนามที่ทำเงินจริง Claude Code ดัน Anthropic ขึ้นเป็นผู้นำรายได้ ส่วน GLM-5.2 แบบ open-weight ก็ไล่ทันบน benchmark โค้ดในราคาเศษเสี้ยว ใครแพ้สนามนี้ไม่ได้แค่เสียหน้า แต่เสียลูกค้าที่จ่ายเงิน
.
ในมุมของผม การที่ Google ยอมกลืนเลือดไม่ปล่อยของที่ยังไม่ผ่านมาตรฐานตัวเอง เป็นการตัดสินใจที่ถูกนะ ถ้าปล่อยตามกำหนดแล้วนักพัฒนาจับได้ในสัปดาห์เดียวว่าสู้ไม่ได้ เสียหายหนักกว่าเยอะ แต่ตลาดไม่ให้รางวัลกับความซื่อสัตย์ หุ้นก็ร่วงอยู่ดี
.
อีกด้านที่ต้องพูดให้ตรง อย่าเพิ่งสรุปว่า Google จบแล้ว Flash ยังทำงานได้ดี ชิป TPU และฐานผู้ใช้ยังแข็งมาก เลื่อนโมเดลเดียวไม่ได้แปลว่าแพ้ทั้งกระดาน
.
สิ่งที่อยากให้เอากลับไปใช้จริง คืออย่าผูกงานของคุณไว้กับโมเดลตัวเดียว คนที่รอ 3.5 Pro ตั้งแต่มิถุนายนเสียไปแล้ว 2 เดือน ส่วนคนที่ออกแบบงานให้สลับโมเดลได้ ไม่เดือดร้อนเลย
.
เครื่องมือเปลี่ยนทุกไตรมาส แต่การตัดสินใจว่าจะใช้มันทำอะไร ยังเป็นของเราครับ
.
ใครรอ 3.5 Pro อยู่แล้วย้ายไปใช้ตัวไหนระหว่างนี้ เล่าให้ฟังหน่อย
#Gemini #GoogleDeepMind #ข่าวAI

[Sanook Ai @sanook_ai]

Kimi Code อัปเดตรอบนี้ไม่ได้ทำให้ AI เขียนโค้ดเก่งขึ้นครับ แต่มันลดความงงเวลาเปิด Web UI ได้เยอะเลย
.
ในเวอร์ชัน 0.28.0 ทีม Kimi เริ่มเลิกใช้ชุดคำสั่ง `kimi server` แล้วให้เปลี่ยนมาใช้ `kimi web` แทน พอรันคำสั่งนี้ ระบบจะเปิดเซิร์ฟเวอร์ไว้ด้านหน้าใน Terminal เดิม และเปิดหน้าเว็บขึ้นใน Browser ให้อัตโนมัติ
.
แปลแบบคนใช้คือ ถ้าหน้าต่าง Terminal นี้ยังเปิดอยู่ เว็บก็ยังทำงานอยู่ และเมื่อใช้งานเสร็จให้กด `Ctrl+C` เพื่อหยุด ไม่ต้องคอยจำว่ามี Background Daemon ซ่อนอยู่ตรงไหนอีก ถ้าไม่อยากให้เปิด Browser อัตโนมัติ ใช้ `kimi web --no-open` ได้
.
แต่มีจังหวะอัปเดตที่ต้องรู้ไว้ครับ ภายในวันเดียวกันทีมปล่อย 0.28.1 ตามมา และทำให้โหมดเว็บเป็น Foreground เต็มรูปแบบ พร้อมถอด `kimi web kill` และ `kimi web ps` ออก ส่วน `kimi server kill` ยังเหลือไว้ชั่วคราว เฉพาะใช้ปิดเซิร์ฟเวอร์เก่าที่เริ่มด้วยเวอร์ชันก่อน 0.28.0
.
ผมชอบแนวทางนี้นะ เพราะภาพในหัวตรงไปตรงมาขึ้นมาก: อยากเปิดเว็บก็พิมพ์ `kimi web` อยากหยุดก็กด `Ctrl+C` คนใช้เป็นฝ่ายคุมวงจรการทำงานเองชัด ๆ
.
ข้อแลกเปลี่ยนคือ Terminal ต้องเปิดค้างไว้ระหว่างใช้งาน ใครเคยพึ่งเซิร์ฟเวอร์เบื้องหลังแบบเดิมต้องปรับ Workflow เล็กน้อย แต่อัปเดตนี้ทำให้การใช้งานโปร่งใสและตามแก้ปัญหาง่ายกว่าเดิมครับ
#KimiCode #CodingAgent #AIProgramming

[Sanook Ai @sanook_ai]

ดีลนี้ไม่ใช่แค่เอาชิป AMD ไปเพิ่มใน Azure อีก 1 รุ่นครับ แต่ Microsoft กำลังเปิดพื้นที่ให้ AMD เข้ามาทั้งชุด ตั้งแต่ GPU, CPU, ระบบเครือข่าย ไปจนถึงซอฟต์แวร์ที่ใช้รัน AI
.
AMD และ Microsoft ประกาศขยายความร่วมมือครั้งใหม่ โดยหัวใจหลักคือ Microsoft จะนำ AMD Helios ระบบ AI แบบยกแร็ก ไปใช้บน Azure เพื่อรองรับงาน AI inference ของ Microsoft, ลูกค้า AI และบริการ Azure AI
.
พูดง่าย ๆ คือ หลังจากโมเดลถูกฝึกเสร็จแล้ว ช่วงที่คนจำนวนมากเข้ามาถาม สั่งงาน หรือเรียกใช้ Agent พร้อมกัน ระบบหลังบ้านแบบนี้จะเป็นส่วนที่ช่วยให้โมเดลตอบและทำงานได้ในระดับใหญ่
.
Helios ไม่ได้มีแค่ GPU แต่รวม AMD Instinct MI455X, CPU EPYC “Venice”, ระบบเครือข่าย Pensando และซอฟต์แวร์ ROCm ไว้ในแพลตฟอร์มเดียว ขณะที่ Microsoft เตรียมบริการ Azure ใหม่ 3 กลุ่ม คือ ND MI455X v7 สำหรับ AI inference, HDv2 สำหรับงานข้อมูลและ Agent และ HXv2 สำหรับงานออกแบบชิปกับงานประมวลผลสมรรถนะสูง
.
ผมว่าจุดที่น่าสนใจจริงไม่ใช่แค่ AMD ได้ลูกค้ารายใหญ่เพิ่ม แต่คือ Microsoft กำลังทำให้ Azure มีทางเลือกด้านโครงสร้างพื้นฐานมากขึ้น ไม่ต้องวางอนาคต AI ไว้กับชิปหรือระบบแบบเดียวทั้งหมด ยิ่งโมเดลใหญ่ขึ้นและมีคนใช้งานพร้อมกันมากขึ้น เรื่องต้นทุน พลังงาน และกำลังประมวลผลจะยิ่งสำคัญกว่าคำว่า “โมเดลฉลาดขึ้น” เสียอีก
.
แต่ข่าวนี้ยังเป็นแผนขยายระบบนะครับ ไม่ใช่ว่าลูกค้า Azure ทุกคนเปิดใช้ Helios ได้ทันที AMD ระบุว่าจะเริ่มส่งมอบ Helios ให้ลูกค้า รวมถึง Microsoft ในช่วงครึ่งหลังของปี 2026 ส่วนราคาและวันเปิดบริการ Azure แบบเจาะจงยังไม่ได้ประกาศ
.
สำหรับผู้ใช้ทั่วไป เราอาจยังไม่เห็นความเปลี่ยนแปลงบนหน้าจอวันนี้ แต่ของหลังบ้านแบบนี้แหละครับที่จะตัดสินว่า AI ในอนาคตจะเร็วพอ มีให้ใช้พอ และคุ้มพอสำหรับธุรกิจจริงหรือเปล่า
#AMD #MicrosoftAzure #AIInfrastructure

[Sanook Ai @sanook_ai]

งาน AI ที่กำลังโต ไม่ได้มีแค่ Prompt Engineer หรือคนสร้างโมเดลแล้วครับ
.
ข้อมูลจาก LinkedIn ปี 2026 ระบุว่า ประกาศงานในสหรัฐฯ ที่ต้องการทักษะ AI literacy เพิ่มขึ้น 70% ภายในปีเดียว ขณะที่ PwC วิเคราะห์ประกาศงานกว่า 1,000 ล้านรายการแล้วพบว่า ทักษะของงานที่สัมผัส AI มากกำลังเปลี่ยนเร็วกว่างานที่สัมผัส AI น้อยเกิน 2 เท่า
.
จุดเปลี่ยนสำคัญคือ บริษัทไม่ได้ถามแค่ว่า “ใช้ AI เป็นมั้ย” แต่ถามว่า “เอาไปผูกกับงานจริง วัดผล คุมความเสี่ยง และทำให้ทั้งทีมใช้ต่อได้หรือเปล่า”
.
ชื่อเรียกอาจต่างกันในแต่ละบริษัท แต่โจทย์งานใหม่ ๆ กำลังวนอยู่รอบ 10 บทบาทนี้ครับ
.
1. AI Workflow Architect — ออกแบบ Workflow เชื่อมคน เครื่องมือ และ Agent เข้าด้วยกัน
2. AI Operations / MLOps — นำระบบขึ้นใช้งาน เฝ้าดูคุณภาพ ต้นทุน และแก้เมื่อผลลัพธ์เริ่มเพี้ยน
3. AI Product Manager — ตัดสินใจว่าส่วนไหนควรให้ AI ทำ ส่วนไหนต้องเป็นคน
4. AI Implementation Specialist — พาเครื่องมือเข้าองค์กร ฝึกทีม และทำให้คนยอมใช้จริง
5. AI Ethics & Governance Lead — วางกติกาให้การใช้ AI โปร่งใส รับผิดชอบ และสอดคล้องกฎหมาย
6. AI Content Systems Lead — สร้างระบบผลิต ตรวจ และกระจายคอนเทนต์ในปริมาณมาก
7. AI Customer Experience Designer — ออกแบบประสบการณ์ลูกค้าโดยใช้ AI แต่ยังส่งต่อให้คนได้เมื่อจำเป็น
8. AI Data Strategist — วางแผนว่าจะเก็บ ใช้ ติดป้าย และดูแลสิทธิข้อมูลยังไง
9. AI Talent & Enablement Lead — ยกระดับทักษะคนเดิมในองค์กร แทนการรอจ้างคนใหม่อย่างเดียว
10. AI Risk & Compliance Analyst — ตรวจอคติ Hallucination ความเป็นส่วนตัว และช่องโหว่ด้านความปลอดภัย
.
แต่อย่าเพิ่งยึดติดกับชื่อตำแหน่งนะครับ หลายบริษัทอาจซ่อนงานเหล่านี้ไว้ใต้ชื่อ Product, Operations, Marketing, HR หรือ Compliance แบบเดิม
.
ในมุมผม คนที่ได้เปรียบจึงไม่จำเป็นต้องเขียนโมเดลได้ แต่ต้องเข้าใจงานเดิมของตัวเองลึกพอ แล้วใช้ AI แก้ปัญหาให้เห็นผลจริง เพราะสุดท้ายมนุษย์ยังต้องเป็นคนกำหนดเป้าหมาย ตัดสินใจ และรับผิดชอบผลลัพธ์ครับ

#AICareer #FutureOfWork #AIJobs

[Sanook Ai @sanook_ai]

รอบนี้ Grok 4.5 ไม่ได้แค่นำคะแนน แต่นำเรื่องค่าใช้จ่ายด้วยครับ
.
VulcanBench เอาโมเดล 3 รุ่นไปแก้โค้ดจาก Pull Request จริง 23 งาน ครอบคลุม Python, Rust, TypeScript, JavaScript และ Go ก่อนตัดสินด้วย hidden tests ใน Docker ที่ปิด network
.
ผลที่ effort ระดับ medium คือ Grok 4.5 แก้ได้ 21/23 งาน หรือ 91.3% สูงสุดในตาราง ใช้เงินรวม $6.67 เฉลี่ย $0.29 ต่อโจทย์ หรือ $0.32 ต่อโจทย์ที่แก้สำเร็จ
.
จุดที่ผมว่าน่าสนใจกว่าคำว่าอันดับ 1 คือ พอปรับเป็น high effort คะแนนยังเท่าเดิม 21/23 แต่ค่าใช้จ่ายเพิ่มจาก $6.67 เป็น $8.76 และใช้โทเค็นมากขึ้น 33% แปลว่าอย่างน้อยในชุดทดสอบนี้ “คิดนานกว่า” ไม่ได้แปลว่า “ทำได้ดีกว่า”
.
ฝั่ง Claude Fable 5 และ GPT-5.6 Sol ทำได้สูงสุด 20/23 หรือ 87.0% แต่มีหมายเหตุสำคัญครับ ผลของ Fable ไม่ได้มาจาก Fable ล้วน ๆ เพราะ 6 จาก 69 รันถูกระบบ safety ปฏิเสธ แล้วสลับให้ Opus 4.8 ทำแทน ซึ่งทั้ง 6 รันผ่าน
.
อีกข้อที่ต้องเบรกไว้ก่อน นี่คือ snapshot ของ benchmark ขนาด 23 งาน และรันเพียง 1 ครั้งต่อโจทย์ต่อ effort จึงยังใช้สรุปไม่ได้ว่า Grok เก่งงาน Coding กว่าทุกโมเดลในทุกสถานการณ์ แต่ผลนี้บอกได้ชัดว่า Grok 4.5 ทำได้ดีมากกับงานซอฟต์แวร์ชุดนี้ โดยเฉพาะเมื่อดูคะแนนควบคู่กับต้นทุน
.
ผมชอบ benchmark แบบนี้ตรงที่ไม่ได้ถามแค่ว่า AI ทำได้มั้ย แต่ถามต่อด้วยว่าทำได้เร็วแค่ไหน และต้องจ่ายเท่าไร เพราะเวลาใช้จริง 3 อย่างนี้สำคัญพอ ๆ กันครับ
.
#Grok45 #VulcanBench #AICoding

[Sanook Ai @sanook_ai]

ถ้าจะอธิบาย Autonomous AI Agent ให้สั้นที่สุด ผมชอบประโยคนี้ครับ “Chatbot ตอบคำถาม แต่ Agent พยายามทำให้งานเสร็จ”
.
เส้นแบ่งไม่ได้อยู่ที่หน้าตาโปรแกรม เพราะ Agent ก็พูดคุยผ่านช่องแชตได้ จุดต่างจริง ๆ คือมันเลือกขั้นตอนถัดไปและเดินงานต่อเองได้ภายในขอบเขตที่กำหนด
.
เวลาเราสั่งว่า “ช่วยหาตั๋วเครื่องบินราคาต่ำกว่า 8,000 บาท” Chatbot อาจแนะนำเว็บหรือสรุปตัวเลือกให้ แต่ Agent สามารถแตกงาน เปิดเว็บ ค้นหา เปรียบเทียบราคา ตรวจเงื่อนไข แล้วกลับมาบอกผล หรือไปต่อถึงหน้าจองได้ตามสิทธิ์ที่เราให้
.
เบื้องหลังไม่ได้ลึกลับมาก มันทำงานเป็นวงจรประมาณนี้
1. เข้าใจเป้าหมาย
2. ดึงข้อมูลและบริบทที่จำเป็น
3. วางแผน
4. เลือกเครื่องมือ
5. ลงมือทำ
6. สังเกตและประเมินผล
7. ปรับแผนแล้วทำซ้ำ
8. หยุดเมื่อผ่านเกณฑ์หรือถึงเงื่อนไขที่กำหนด
.
เครื่องมือคือจุดสำคัญ เพราะทำให้ Agent ค้นเว็บ รันโค้ด อ่านไฟล์ เรียก API ส่งอีเมล หรือควบคุม Browser ได้ ส่วน Memory ช่วยเก็บบริบทและผลจากขั้นก่อนหน้า ไม่ต้องเริ่มใหม่ทุกครั้ง
.
ถ้างานใหญ่ เราอาจแบ่งเป็นหลาย Agent เช่นตัวหนึ่งค้นข้อมูล ตัวหนึ่งเขียน และอีกตัวตรวจงาน แต่หลาย Agent ไม่ได้แปลว่าดีกว่าเสมอ ยิ่งมีหลายตัว ยิ่งเพิ่มเวลา ค่าใช้จ่าย และจุดที่ข้อมูลอาจคลาดเคลื่อน
.
มีเรื่องหนึ่งในภาพที่อยากขยายครับ คำว่า “เรียนรู้และอัปเดตตัวเอง” ส่วนใหญ่ไม่ได้หมายความว่า Agent เทรนโมเดลหรือแก้น้ำหนักของตัวเองระหว่างทำงาน แต่มักหมายถึงการอ่าน Feedback แล้วปรับแผน อัปเดตสถานะหรือ Memory ก่อนลองใหม่
.
ส่วนคำว่า Autonomous ก็ไม่ได้แปลว่าควรปล่อยอิสระทุกอย่าง งานที่เกี่ยวกับเงิน การส่งข้อความจริง การลบไฟล์ หรือข้อมูลสำคัญ ควรหยุดรอให้มนุษย์อนุมัติก่อนเสมอ
.
Agent ที่ดีจึงไม่ใช่ตัวที่ทำอะไรเองได้มากที่สุด แต่เป็นตัวที่รู้เป้าหมาย ใช้เครื่องมือถูก ตรวจผลงานจากหลักฐานจริง และรู้ว่าเมื่อไรต้องหยุดถามคน
.
อนาคตของ AI อาจไม่ได้อยู่ที่ “ตอบเก่งขึ้น” อย่างเดียว แต่อยู่ที่ “ลงมือทำงานให้จบ” โดยยังอยู่ในขอบเขตที่เราควบคุมได้
#AIAgents #AutonomousAgents #AI

[Sanook Ai @sanook_ai]

Kimi K3 ดังจน GPU เริ่มรับไม่ไหวแล้วครับ อันนี้ไม่ใช่มุกจากคนใช้ แต่ Kimi ออกมาบอกเองว่า “our GPUs are feeling it”
.
หลังเปิดตัวเพียงไม่กี่วัน ความต้องการในช่วง 48 ชั่วโมงดันการใช้งานเข้าใกล้เพดาน Compute ที่มีอยู่ บริษัทจึงหยุดรับ Subscription ใหม่ชั่วคราว เพื่อกันทรัพยากรให้สมาชิกที่จ่ายอยู่ก่อน
.
ใครสมัครไว้แล้วไม่ต้องตกใจ Kimi ยืนยันว่าผู้ใช้ที่มี Subscription อยู่ไม่ได้รับผลกระทบ ส่วนคนที่กำลังจะสมัครแบบจ่ายเงินต้องรอ เพราะบริษัทจะเพิ่ม Capacity แล้วทยอยเปิดที่นั่งใหม่เป็นรอบ ๆ แต่ยังไม่มีวันชัดเจน
.
อีกเรื่องที่สำคัญคือ Kimi จะแยกสมาชิกออกเป็น 2 สาย
• Kimi Membership สำหรับ Web, App และ Work
• Kimi Code Membership สำหรับ Workflow เขียนโค้ด
.
หน้า Kimi Code ตอนนี้ขึ้นว่าการแยกแพ็กเกจเริ่มใช้งานแล้ว และแพ็กเกจเดิมที่ซื้อก่อนเปิด Coding Plan ยังใช้สิทธิ์เดิมได้จนหมดอายุ
.
มุมหนึ่ง นี่คือสัญญาณว่า K3 ได้รับความสนใจแรงกว่าที่ทีมเตรียมเครื่องไว้ แต่อีกมุมก็สะท้อนความจริงของธุรกิจ AI ว่าความเก่งของโมเดลอย่างเดียวไม่พอ ถ้า Compute ไม่พอ คนใช้ก็ต้องรออยู่ดี
.
ผมว่าการหยุดขายก่อนแล้วรักษาประสบการณ์ลูกค้าเดิม ดีกว่ารับเงินต่อแล้วปล่อยให้ทุกคนช้า แต่คนสมัครแพ็กเกจใหม่ที่ใช้ทั้ง Kimi ทั่วไปและ Kimi Code ต้องเช็กสิทธิ์ให้ดี เพราะสิทธิ์ของ 2 ฝั่งถูกแยกออกจากกันแล้ว อย่าคิดว่า Subscribe แพ็กเดียวจะครอบคลุมทุกอย่างเหมือนเดิม
.
สุดท้าย ข่าวนี้บอก 2 อย่างพร้อมกันครับ Kimi K3 กำลังฮอตจริง และทีมหลังบ้านยังมีการบ้านเรื่อง Capacity อีกเยอะ
#KimiK3 #AI #AICoding

[Sanook Ai @sanook_ai]

Claude Code 2.1.215 เป็นอัปเดตที่มี Change Log แค่ 1 บรรทัด แต่กระทบ Workflow คนใช้จริงพอสมควรครับ
.
จากเวอร์ชันนี้ Claude จะไม่เรียก Skills /verify และ /code-review ขึ้นมาทำเองแล้ว ถ้าต้องการตรวจความถูกต้องหรือรีวิวโค้ด ต้องพิมพ์คำสั่งเองให้ชัด
.
พูดง่าย ๆ คือ Anthropic ไม่ได้ถอด 2 ความสามารถนี้ออก แค่เปลี่ยนจาก “Claude เห็นว่าควรตรวจแล้วลงมือเอง” เป็น “ผู้ใช้ตัดสินใจว่าจะตรวจเมื่อไร”
.
ข้อดีคือ Workflow จะคาดเดาได้มากขึ้น ลดการตรวจที่ไม่ได้ขอ และไม่เผลอเสียเวลาไปกับขั้นตอนที่เราอาจยังไม่พร้อม เช่นกำลังร่างโค้ดอยู่แต่ระบบรีบรีวิวก่อนงานจบ
.
แต่มีข้อแลกเปลี่ยนครับ คนที่เคยหวังให้ Claude เช็กงานให้เองต้องเปลี่ยนนิสัยเล็กน้อย ผมแนะนำให้ปิดงานด้วย /verify เมื่ออยากตรวจว่าสิ่งที่แก้ทำงานครบ และใช้ /code-review ก่อน Commit หรือเปิด PR
.
ส่วนเรื่อง ripgrep ต้องแยกออกจากอัปเดตนี้นิดหนึ่ง เอกสารปัจจุบันยืนยันว่า Grep ของ Claude Code ทำงานบน ripgrep และใช้ regex ของ ripgrep จริง แต่สิ่งนี้ไม่ใช่ฟีเจอร์ใหม่ใน 2.1.215 เพราะ Claude Code ใช้ built-in ripgrep เป็นค่าเริ่มต้นมาตั้งแต่เวอร์ชัน 1.0.84 แล้ว
.
ดังนั้นสาระของ 2.1.215 ไม่ใช่ “ค้นหาเร็วขึ้น” แต่คือ Claude Code จะไม่ทำขั้นตรวจสำคัญโดยที่เราไม่ได้สั่ง
.
ผมว่าทิศทางนี้ดีครับ งาน Agent ควรขยันได้ แต่ขั้นที่กินเวลา ใช้โควตา หรืออาจเปลี่ยนลำดับงาน ควรให้มนุษย์เป็นคนกดเริ่มเอง
#ClaudeCode #AICoding #DeveloperTools

[Sanook Ai @sanook_ai]

เงิน 0 บาท แต่ไม่ได้เริ่มจากศูนย์

หลายคนมีไอเดียทำธุรกิจ แต่ยังไม่เริ่ม เพราะคิดว่าต้องมีเงินก้อน ต้องมีทีมใหญ่ หรือรอให้นักลงทุนเห็นด้วยก่อน

แต่เส้นทางของ Paypers กำลังบอกอีกเรื่องหนึ่งว่า ในยุค AI “เงิน” อาจไม่ใช่ทุนก้อนแรกที่สำคัญที่สุด

คุณพลอย อนัญญา สหัสสะรังษี เริ่มเรียนรู้เรื่องธุรกิจตั้งแต่สมัยมัธยม เหตุผลง่ายมากคืออยากซื้อเค้กด้วยเงินของตัวเอง เมื่อไม่มีเงินทุน เธอจึงนำเวลาไปแลกกับความรู้ เดินเข้าไปถามร้านสกรีนเสื้อเรื่องต้นทุน แล้วลองสร้างเว็บไซต์รับงานด้วยตัวเอง

จากธุรกิจแรก เธอลองผิดลองถูกอีกมากกว่า 10 อย่าง ประสบการณ์เหล่านั้นอาจไม่ได้กลายเป็นบริษัทใหญ่ทันที แต่มันกำลังสะสมความสามารถในการมองปัญหา คำนวณต้นทุน เข้าใจลูกค้า และเปลี่ยนไอเดียให้กลายเป็นของที่ขายได้จริง

ต่อมาเธอเข้าสู่โลก Digital Product เป็นผู้ร่วมก่อตั้งและ Head of Product Management ของ NocNoc รวมถึงทำงานด้าน Product Discovery และ Growth จึงมีความเข้าใจทั้งฝั่งธุรกิจ เทคโนโลยี และประสบการณ์ผู้ใช้ ประวัติผู้สอนจาก SkillLane

เมื่อ Generative AI พัฒนาเร็วขึ้น เธอมองเห็นโอกาสสร้างบริษัทแบบทีมเล็ก แต่ทำงานได้เหมือนทีมใหญ่

โจทย์ที่เลือกไม่ใช่เรื่องไกลตัว แต่เป็นปัญหาที่เธอเจอจากการทำธุรกิจหลายครั้ง นั่นคือใบเสร็จ สลิป ค่าใช้จ่าย และงานเอกสารบัญชีที่กินเวลาผู้ประกอบการทุกสิ้นเดือน

Paypers จึงไม่ได้เริ่มจากคำถามว่า “AI ทำอะไรได้บ้าง” แต่เริ่มจากคำถามว่า “ลูกค้าเสียเวลากับเรื่องอะไรอยู่ทุกเดือน”

ผู้ใช้เพียงส่งใบเสร็จ รูปภาพ PDF หรือข้อความผ่าน LINE ระบบจะอ่านข้อมูล แยกหมวด ตรวจรายละเอียด จัดเก็บไฟล์ลง Google Drive เชื่อมข้อมูลกับ Google Sheets และจัดเตรียมเอกสารสำหรับงานบัญชีต่อไป เว็บไซต์ Paypers

ความน่าสนใจไม่ได้อยู่แค่ตัว AI แต่อยู่ที่วิธีสร้างธุรกิจ

ทีมเริ่มต้นเพียง 2 คน ใช้เวลาประมาณ 3 เดือนสร้างผลิตภัณฑ์ เปิดตัวเดือนแรกมีผู้ใช้มากกว่า 4,000 ราย และใช้งบการตลาด 0 บาท เมื่อได้รับความคิดเห็นจากลูกค้า ทีมสามารถเพิ่มบางฟีเจอร์ได้ภายใน 48 ชั่วโมง จนผู้ใช้บางส่วนตัดสินใจซื้อแพ็กเกจรายปีตั้งแต่ช่วงแรก

ตามข้อมูลที่เผยแพร่โดย Future Trends บริษัทถึงจุดคุ้มทุนหลังเปิดตัวประมาณ 4 เดือน และภายในเดือนที่ 6 ระดมทุนด้วยมูลค่าบริษัทราว 256 ล้านบาท

อย่างไรก็ตาม ตัวเลข 256 ล้านบาทไม่ใช่ยอดขายหรือกำไร แต่เป็นมูลค่าที่นักลงทุนใช้ประกอบดีลระดมทุน ซึ่งสะท้อนความคาดหวังต่อโอกาสเติบโตในอนาคต

บทเรียนที่สำคัญที่สุดจึงไม่ใช่สูตร “ใช้เงินศูนย์บาทแล้วรวย” แต่คือการมองทุนให้กว้างกว่าเงิน

ทุนของ Paypers ประกอบด้วยประสบการณ์ด้าน Product ทักษะการใช้ AI ความเข้าใจปัญหาของผู้ประกอบการ ความน่าเชื่อถือจากการทำงานเดิม และฐานผู้ติดตามที่เชื่อในสิ่งที่ผู้ก่อตั้งสื่อสาร

AI ช่วยลดจำนวนคนและเวลาในการสร้างผลิตภัณฑ์ได้ แต่ AI ไม่สามารถสร้างประสบการณ์ ความเข้าใจลูกค้า และวิจารณญาณทางธุรกิจย้อนหลังให้เราได้ในคืนเดียว

ดังนั้น หากวันนี้ยังไม่มีเงินก้อน สิ่งที่ควรเริ่มสะสมอาจเป็นความรู้ ทักษะ ผลงาน ความน่าเชื่อถือ และความเข้าใจปัญหาของคนกลุ่มหนึ่งให้ลึกพอ

เพราะวันที่โอกาสมาถึง สิ่งเหล่านี้จะกลายเป็นทุนที่ไม่มีใครเอาไปจากเราได้

และบางครั้ง บริษัทมูลค่าหลายร้อยล้าน อาจไม่ได้เริ่มต้นจากเงินก้อนแรก แต่อาจเริ่มจากคนคนหนึ่งที่ลงทุนกับตัวเองอย่างต่อเนื่องมานานหลายปีครับ

https://t.co/fjlKD8aI2F ใช้บริการ ลองสมัครใช้ฟรี ได้เลยครับ

[Sanook Ai @sanook_ai]

ต่อไป Data Center อาจไม่ได้อยู่แค่บนโลกแล้วครับ เพราะจีนกำลังวางโครงสร้างพื้นฐานเพื่อย้ายงานประมวลผล AI บางส่วนขึ้นไปทำบนวงโคจร
.
Shanghai Xingshu Tiansuan Space Technology เปิดตัวดาวเทียมชุดแรกของ “Xingshu Plan” ในงาน World AI Conference 2026 ที่เซี่ยงไฮ้ โดยวางเป้าระยะสุดท้ายไว้ราว 1,000 ดวง
.
แนวคิดของมันไม่ใช่ยิงเซิร์ฟเวอร์ทั้งก้อนไปไว้บนฟ้า แต่ให้ดาวเทียมประมวลผลภาพถ่ายและข้อมูล Remote Sensing ตั้งแต่ยังอยู่ในอวกาศ จากเดิมที่ต้องส่งข้อมูลดิบก้อนใหญ่กลับมายังศูนย์บนโลก ก็ส่งเฉพาะผลวิเคราะห์ที่จำเป็นลงมาแทน
.
ข้อดีคือใช้แบนด์วิดท์น้อยลง ตอบสนองเร็วขึ้น และอาจช่วยให้งานอย่างติดตามพายุ ไฟป่า น้ำท่วม หรือพื้นที่เกษตร เข้าใกล้คำว่าเรียลไทม์มากขึ้น
.
แผนนี้ยังค่อย ๆ เดินครับ ช่วงทดสอบวางไว้ 2 ดาวเทียมประมวลผลกับ 12 ดาวเทียม Edge ก่อนขยายเป็น 50 กับ 100 ดวงในระยะเชิงพาณิชย์ และค่อยไปสู่เครือข่ายประมาณ 1,000 ดวง
.
ฝั่งสหรัฐฯ ก็ไม่ได้อยู่นิ่ง SpaceX กับ xAI กำลังผลักแนวคิด Orbital Data Center เช่นกัน โดย SpaceX เคยยื่นแผนต่อ FCC สำหรับเครือข่ายขนาดใหญ่มาก แต่ฝั่งนั้นก็ยังไม่มีตารางสร้างและปล่อยที่ชัดเจน
.
ผมว่าจุดที่น่าจับตาไม่ใช่แค่ใครส่งดาวเทียมได้เยอะกว่า แต่คือใครทำให้ระบบนี้คุ้มและดูแลได้จริง เพราะของจริงยังมีทั้งต้นทุนปล่อย การระบายความร้อน รังสี อายุฮาร์ดแวร์ และขยะอวกาศ
.
ถ้าผ่านโจทย์พวกนี้ได้ Data Center ในอนาคตอาจไม่ได้มีแค่ “ที่ตั้ง” บนแผนที่ แต่มี “วงโคจร” เป็นอีกหนึ่งพิกัดครับ
#AI #SpaceComputing #DataCenter

[Sanook Ai @sanook_ai]

ถ้าสนามถัดไปของ AI ต้องมีทั้งกล้อง แขนกล ล้อ และแรงบิด ญี่ปุ่นอาจไม่ได้เป็นฝ่ายตามหลังอย่างที่หลายคนคิดครับ
.
Physical AI คือ AI ที่ไม่ได้แค่ตอบคำถาม แต่รับรู้สภาพแวดล้อม วางแผน แล้วสั่งให้หุ่นยนต์หรือเครื่องจักรลงมือในโลกจริงได้ เช่น แขนกลที่ปรับตามชิ้นงาน หรือรถในคลังที่เปลี่ยนเส้นทางเอง
.
กลางเดือนกรกฎาคม 2026 NVIDIA ประกาศขยายความร่วมมือกับบริษัทญี่ปุ่นหลายกลุ่ม Fujitsu กำลังสำรวจแพลตฟอร์มควบคุมร่วมกับ FANUC, Yaskawa Electric และ Kawasaki Heavy Industries ขณะที่ Hitachi, NEC, SoftBank, Sony, Kubota และบริษัทอีกหลายรายอยู่ในระบบนิเวศเดียวกัน
.
เบื้องหลังไม่ได้มีแค่ GPU แต่มี Cosmos สำหรับเรียนรู้โลก, Isaac กับ Omniverse สำหรับซ้อมหุ่นยนต์, Metropolis สำหรับ Vision AI และ Jetson สำหรับรันโมเดลบนตัวเครื่องจริง
.
ของใหม่คือ Cosmos 3 Edge โมเดล 4 พันล้านพารามิเตอร์ที่ช่วยให้หุ่นยนต์มองสภาพแวดล้อม ใช้เหตุผล และสร้างคำสั่งการเคลื่อนไหวบนอุปกรณ์ Edge ได้
.
อีกด้าน Noetra ซึ่งมี Sony, SoftBank, NEC และ Honda เป็นกลุ่มแกนกลาง วาง AI Factory ด้วย Vera CPU 13,750 ตัว, Rubin GPU 27,500 ตัว และกำลังศูนย์ข้อมูล 140 เมกะวัตต์ เพื่อเป็นฐานคำนวณให้โครงการ FRONTia ของญี่ปุ่น
.
แผนคือเริ่มจากโมเดล Reasoning ในปีงบประมาณ 2026 ไปสู่ Omni-modal ในปี 2028 และตั้งเป้า “Real-world Native AI” ที่เข้าใจพื้นที่กับกฎทางกายภาพในปี 2030 โดยระบบคำนวณวางแผนเดินเครื่องเดือนมิถุนายน 2028
.
ผมว่าญี่ปุ่นน่าสนใจตรงนี้ครับ เขาอาจไม่ได้เป็นผู้นำแชตบอต แต่มีหุ่นยนต์อุตสาหกรรม เซนเซอร์ มอเตอร์ โรงงาน และข้อมูลหน้างานอยู่ในมือ เป้าหมายตาม AI Robotics Strategy คือส่วนแบ่งตลาดหุ่นยนต์ AI โลกมากกว่า 30% ภายในปี 2040 ซึ่ง NVIDIA ประเมินเป็นโอกาสราว 133,000 ล้านดอลลาร์
.
แต่ยังไม่ใช่หุ่นยนต์พร้อมขายพรุ่งนี้ หลายชื่อในประกาศยังอยู่ในสถานะ “ตั้งใจเข้าร่วม” หรือ “กำลังสำรวจ” และความผิดพลาดของหุ่นยนต์ไม่ได้จบแค่คำตอบมั่ว มันอาจชนคนหรือทำเครื่องจักรเสียหาย งาน Simulation, Sim-to-real และปุ่มหยุดฉุกเฉินจึงสำคัญพอ ๆ กับความฉลาดของโมเดล
.
ยุค Physical AI มนุษย์ยังต้องนำครับ เพราะต่อให้หุ่นยนต์ตัดสินใจเองได้ คนก็ยังต้องกำหนดว่ามันมีสิทธิ์ทำอะไร และเมื่อไรที่ต้องหยุด
#PhysicalAI #NVIDIA #JapanAI

[Sanook Ai @sanook_ai]

ศึกไซเบอร์รอบต่อไปอาจไม่ได้วัดกันว่าใครมี AI ฉลาดกว่า แต่วัดว่าใครเจอช่องโหว่ก่อน และส่งแพตช์ถึงคนที่กำลังเสี่ยงได้เร็วแค่ไหนครับ
.
สหรัฐฯ เปิดตัว GOLD EAGLE กลไกกลางที่ดึงบริษัท AI มาทำงานร่วมกับผู้ดูแลโครงสร้างพื้นฐานสำคัญ หลังประธานาธิบดี Donald Trump ลงนามคำสั่งฝ่ายบริหาร 14409 เมื่อวันที่ 2 มิถุนายน 2026 และทำเนียบขาวประกาศเมื่อ 14 กรกฎาคมว่าระบบเริ่มรับและจัดลำดับช่องโหว่แล้ว
.
คำว่า clearinghouse ในข่าวนี้ไม่ใช่ตำรวจไซเบอร์หน่วยใหม่ และไม่ใช่ AI ตัวเดียวที่สแกนทั้งประเทศ แต่มันคือโต๊ะกลางสำหรับประสานงานว่าใครกำลังสแกนอะไร ช่องโหว่ที่ AI เจอมีจริงมั้ย เรื่องไหนเร่งด่วน และต้องส่งแพตช์ไปหาใครก่อน เพื่อลดปัญหาหลายบริษัทค้นเจอเรื่องเดียวกัน แต่ไม่มีใครรู้ว่าใครกำลังแก้อยู่
.
เป้าหมายครอบคลุมตั้งแต่ระบบรัฐบาลไปจนถึงโรงพยาบาลชนบท ธนาคารชุมชน สาธารณูปโภคท้องถิ่น และผู้ดูแลโครงสร้างพื้นฐานสำคัญ โดยมีกระทรวงการคลังทำงานร่วมกับ National Cyber Director, NSA, CISA และหน่วยงานความมั่นคงอื่น ๆ
.
เหตุผลที่ต้องรีบทำก็ตรงไปตรงมาครับ AI รุ่นใหม่อ่านโค้ดและหาเส้นทางโจมตีได้เร็วขึ้น ฝ่ายป้องกันใช้มันค้นช่องโหว่และช่วยทำแพตช์ได้ แต่คนร้ายก็ใช้ความสามารถเดียวกันไล่หาระบบที่ยังไม่อัปเดตได้เหมือนกัน
.
คำสั่งยังให้พัฒนากระบวนการทดสอบความสามารถด้านไซเบอร์ของ Frontier Model โดยบริษัทสามารถสมัครใจให้รัฐบาลเข้าถึงโมเดลได้นานสูงสุด 30 วันก่อนส่งให้พันธมิตรภายนอกกลุ่มอื่น จุดนี้ไม่ใช่ใบอนุญาตหรือการขออนุมัติก่อนเปิดตัว เพราะตัวคำสั่งห้ามตีความเป็นระบบ licensing หรือ preclearance ไว้ชัดเจน
.
ผมชอบแนวคิดที่ใช้ AI หาเข็มในกองโค้ด แล้วให้คนตรวจและตัดสินใจต่อ แต่ของจริงจะวัดกันที่กติกาหน้างานครับ ใครรับผิดชอบเมื่อ AI แจ้งผิด ต้องแก้ภายในกี่วัน และแชร์ข้อมูลยังไงไม่ให้ช่องโหว่หลุดไปถึงคนที่ไม่ควรเห็น
.
ตอนนี้ GOLD EAGLE เริ่มทำงานแล้ว แต่รายชื่อบริษัทสมาชิกและกติกาปฏิบัติฉบับเต็มยังไม่เปิดเผย เพราะฉะนั้นยังไม่ควรใส่ชื่อ Nvidia, Meta หรือบริษัทใดว่าเข้าร่วม จนกว่าจะมีประกาศยืนยันตรง ๆ ครับ
#Cybersecurity #AI #GoldEagle

[Sanook Ai @sanook_ai]

เด็ก ป.3 คนหนึ่งเพิ่งเอาชนะคนอีก 38,000 คน จาก 153 ประเทศ
แล้วเวทีที่เขาชนะคือ Coding ครับ
.
"น้องเพซ" ด.ช.พาวินท์ พัฒนเวคิน อายุ 9 ขวบ นักเรียนจาก True Coding School ภูเก็ต
คว้า Global Champion อันดับ 1 ของโลก 2 รายการ จากเวที International STEM Olympiad & Coding Olympiad Grand Final 2026 ที่กรุงโรม แข่งกันวันที่ 2–8 กรกฎาคมที่ผ่านมา
ล่าสุดนายกฯ ก็ออกมาชื่นชมและบอกว่าจะดันเรื่อง STEM กับ AI ให้เด็กไทยเข้าถึงมากขึ้น
.
แต่จุดที่ผมอยากชวนคุยไม่ใช่เหรียญนะครับ
ยุคนี้ AI เขียนโค้ดให้เราได้แล้ว พิมพ์ประโยคเดียวก็ได้โปรแกรมมา หลายคนเลยสรุปว่า "ไม่ต้องเรียนโค้ดดิ้งแล้วมั้ง"
ผมว่าตรงกันข้ามเลย
สิ่งที่ทำให้เด็ก 9 ขวบคนนี้ชนะ ไม่ใช่การจำ syntax แต่เป็นการมองปัญหาออกว่าต้องแตกเป็นกี่ขั้น อะไรก่อนอะไรหลัง และเช็กยังไงว่าคำตอบถูก
นั่นคือสกิลเดียวกับที่ทำให้คนสั่ง AI ได้ผลลัพธ์ต่างกันลิบเลย
.
พูดให้ตรงอีกด้านนึงด้วย — ผมไม่อยากให้อ่านข่าวนี้แล้วแพนิกลากลูกไปลงคอร์สโค้ดดิ้งพรุ่งนี้เลย
เด็กแบบนี้ไม่ได้เกิดจากคอร์สเดียว มันคือเวลา ความชอบ และคนข้าง ๆ ที่ไม่กดดันจนเขาเกลียดมันไปก่อน
และหนึ่งการแข่งขันก็ไม่ได้แปลว่าระบบการศึกษาเราดีขึ้นแล้ว มันแปลว่าเด็กไทยทำได้ ถ้ามีโอกาส — ซึ่งคนละเรื่องกัน
.
สำหรับคนทำงานอย่างเรา ผมว่าบทเรียนมันง่ายมาก
เครื่องมือจะเก่งแค่ไหน คนที่คิดเป็นระบบก็ยังใช้มันได้คุ้มกว่าคนที่แค่กดใช้เป็นอยู่ดี
ขอแสดงความยินดีกับน้องเพซและครอบครัวด้วยครับ เก่งมากจริง ๆ
#น้องเพซ #Coding #STEM

[Sanook Ai @sanook_ai]

ตัวเลข 2 ล้านล้านพารามิเตอร์ดูใหญ่ก็จริง แต่สิ่งที่ผมสนใจกว่าคือ SpaceXAI กำลังพยายามทำให้โมเดลใหญ่ขึ้น โดยไม่ยอมแลกกับความช้าและค่าใช้จ่ายที่พุ่งตามขนาดครับ
.
Elon Musk โพสต์ว่าโมเดล 2T ตัวใหม่ ซึ่งเขามองว่าดีกว่าโมเดล 1.5T ในทุกด้าน จะจบการฝึกขั้นต้นในสัปดาห์หน้า และ “อาจ” ทำผลงานเหนือ Kimi ได้ พร้อมรักษาความเร็วกับประสิทธิภาพการใช้โทเค็นให้ใกล้กับโมเดล 1.5T หรือ Grok 4.5
.
คำว่า “อาจ” สำคัญมากนะครับ เพราะตอนนี้ยังไม่มีคะแนนทดสอบของโมเดล 2T ออกมา และ Musk เขียนเพียงว่า Kimi ไม่ได้ระบุชื่อ Kimi K3 ตรง ๆ แม้ K3 จะเป็นรุ่นหลักที่ Kimi กำลังโปรโมตอยู่ก็ตาม
.
อีกจุดที่ต้องแยกให้ออกคือ “จบ initial training” ยังไม่เท่ากับ “พร้อมเปิดให้ใช้” หลังจากนี้ยังมีทั้ง post-training การประเมินคุณภาพและความปลอดภัย รวมถึงการรีดระบบให้เสิร์ฟโมเดลขนาดนี้ได้เร็วและคุ้มจริง ตอนนี้หน้าเอกสารของ SpaceXAI ยังระบุ Grok 4.5 เป็นโมเดลหลัก และยังไม่มีโมเดล 2T ในรายการ
.
ถ้าเราได้เห็นรุ่นนี้เปิดให้ใช้จริงในเดือนกันยายน ผมว่าจุดน่ากลัวของ SpaceXAI จะไม่ใช่แค่สร้างโมเดลใหญ่ได้ แต่คือการทำรอบจากเทรน ประเมิน ปรับ และปล่อยของได้เร็วขึ้นมาก ทว่ากำหนดเดือนกันยายนยังเป็นเพียงการคาดการณ์ ไม่ใช่วันที่บริษัทประกาศครับ
.
สุดท้าย ขนาดโมเดลไม่ใช่คำตอบทั้งหมด ของจริงต้องดูว่ามันทำงานจบได้กี่ครั้ง ใช้โทเค็นเท่าไร รอนานแค่ไหน และต้นทุนต่อชิ้นงานเป็นยังไง ถ้า 2T ทำได้ฉลาดกว่าโดยยังรักษาความเร็วแบบ Grok 4.5 ได้ นั่นแหละครับถึงจะเป็นก้าวที่คู่แข่งต้องหันมามอง
#Grok #SpaceXAI #AI

[Sanook Ai @sanook_ai]

โค้ดที่ Test ผ่าน ไม่ได้แปลว่าเราจะกล้ากด Merge ครับ คนทำงานจริงรู้ดีว่ามันยังมีเรื่อง Scope, Style, Test Quality และความดูแลง่ายซ่อนอยู่อีกเยอะ
.
Cognition เลยเปิดหน้า Leaderboard ของ FrontierCode 1.1 เพื่อวัดคำถามที่ Benchmark เขียนโค้ดส่วนใหญ่มักข้ามไปว่า “ถ้าเป็น Maintainer คุณจะรับ PR นี้เข้าโปรเจกต์จริงมั้ย?”
.
ชุดทดสอบมี 150 งานจาก 36 โปรเจกต์ Open Source สร้างร่วมกับ Maintainers มากกว่า 20 คน ส่วน Main ที่เห็นในภาพใช้ 100 งานที่ยากที่สุด ตรวจทั้งความถูกต้อง การไม่ทำของเดิมพัง คุณภาพ Test ขอบเขตการแก้ Style และมาตรฐานของแต่ละ Codebase
.
หน้าเว็บเปิด Methodology และ Sample Task ให้ดู Diff เทียบกับเกณฑ์ได้ แต่ชุดงานทั้งหมดไม่ได้เปิดสาธารณะเพื่อช่วยลดการปนเปื้อนของ Benchmark
.
คะแนนไม่ใช่แค่ดูว่า Unit Test ผ่านหรือไม่ แต่รวม Rubric หลายด้าน หากพลาดเงื่อนไขสำคัญที่ Maintainer กำหนดเป็น Blocker รอบนั้นจะได้ 0 ทันที
.
Snapshot ล่าสุด Fable 5 xhigh นำด้วย Score 53.5% ตามด้วย GPT-5.6 Sol max ที่ 47.5% และ Opus 4.8 max ที่ 46.5% ส่วน Grok 4.5 high ได้ 42.4% ที่ต้นทุนเฉลี่ยเพียง $1.30 ต่อรอบ จึงเด่นเรื่องความคุ้มค่า ขณะที่ Inkling 0.99 ได้ 14.0% ที่ $3.60 ต่อรอบ
.
กราฟนี้ยิ่งอยู่สูงยิ่งคะแนนดี และยิ่งไปทางขวายิ่งต้นทุนต่ำ แต่ต้องระวังการอ่านอันดับ 4–7 เพราะคะแนนห่างกันไม่ถึง 1 จุด และหน้า Leaderboard ไม่ได้แสดง Confidence Interval จึงยังไม่ควรเรียกว่าใครชนะขาด
.
อีกเรื่องที่ต้องเข้าใจคือ Score 53.5% ไม่ได้แปลว่า 53.5% ของ PR ถูกคนกด Merge จริง มันคือคะแนนถ่วงน้ำหนักจากเกณฑ์ที่ Maintainer ช่วยออกแบบ ส่วน Pass Rate แยกอยู่อีกคอลัมน์ แต่ละโมเดลรัน 5 ครั้งต่อ Reasoning Effort และตารางเลือก Effort ที่ทำคะแนนดีที่สุดมาแสดง
.
ผมชอบทิศทางนี้นะ เพราะมันดึง Benchmark กลับมาใกล้งานจริงขึ้น แต่สุดท้าย Leaderboard ยังเป็นตัวกรอง ไม่ใช่ใบอนุญาตให้ปล่อย AI Merge โค้ดแทนมนุษย์ครับ
.
#FrontierCode #AICoding #CodingAgent

[Sanook Ai @sanook_ai]

จีนไม่ได้จัด WAIC 2026 เพื่อโชว์หุ่นยนต์ โมเดล หรือชิป AI อย่างเดียวครับ รอบนี้เขากำลังวางโต๊ะเขียน “กติกาโลกด้าน AI” ด้วยตัวเอง
.
ต้องแยก 2 ชื่อก่อน WAIC คืองานประชุมที่เซี่ยงไฮ้ 17–20 กรกฎาคม ส่วน WAICO คือองค์กรระหว่างรัฐบาลด้าน AI ที่จีนผลักดัน โดย 29 ประเทศลงนามก่อตั้งเมื่อ 16 กรกฎาคม และตั้งสำนักงานใหญ่ที่เซี่ยงไฮ้
.
แนวคิดของสี จิ้นผิงฟังดูน่าดึงดูดสำหรับประเทศกำลังพัฒนา: เปิดกว้างและแบ่งปันเทคโนโลยี ให้มนุษย์ควบคุม AI เคารพกติกาของแต่ละประเทศ และใช้ระบบพหุภาคีที่มี UN เป็นศูนย์กลาง จีนยังให้คำมั่นเรื่องการอบรม AI 5,000 ตำแหน่งใน 5 ปี ตั้งศูนย์ความร่วมมือกับ ASEAN และขยายระบบเตือนภัยอากาศ MAZU ไป 30 ประเทศ
.
พูดง่าย ๆ จีนไม่ได้แข่งแค่ว่าใครมีโมเดลเก่งกว่า แต่กำลังแข่งว่าใครจะเป็นคนตั้งมาตรฐาน สร้างสถาบัน และขายโครงสร้างพื้นฐานให้ประเทศอื่นใช้
.
แต่ WAICO ยังไม่ใช่ “กฎหมาย AI โลก” และไม่ใช่หน่วยงานของ UN ตอนนี้ยังต้องดูธรรมนูญ การลงคะแนน งบประมาณ กลไกตรวจสอบ และมาตรฐานจะผูกพันจริงแค่ไหน คำว่าเปิดกว้างก็ต้องดูถึงใบอนุญาต ข้อมูลฝึก และข้อจำกัดการใช้งาน ไม่ใช่ดูแค่ว่าดาวน์โหลดน้ำหนักโมเดลได้
.
ฝั่งไทย นายกฯ อนุทินเสนอกรอบ 3P — Protection, Potential และ Prosperity เน้นสิทธิประชาชน ทักษะ โครงสร้างพื้นฐาน และการใช้ AI กระจายประโยชน์ พร้อมผลักดันความร่วมมือรับมืออาชญากรรมออนไลน์
.
จุดที่ต้องเขียนให้ชัดคือ ไทยเข้าร่วม WAIC และขึ้นพูดบนเวที แต่ไม่อยู่ในรายชื่อ 29 ประเทศผู้ก่อตั้ง WAICO ที่เผยแพร่ตอนนี้
.
ในมุมผม ไทยไม่จำเป็นต้องรีบเลือกข้าง แต่ต้องรีบต่อรองให้ได้ของจริง ทั้งโควตาอบรม การถ่ายทอดเทคโนโลยี สิทธิทดสอบโมเดล การเก็บข้อมูลในประเทศ และสิทธิย้ายระบบออกได้ ไม่งั้นคำว่า “ความร่วมมือ” อาจจบแค่การเปิดตลาดครับ
.
#WAIC2026 #WAICO #AIThailand

[Sanook Ai @sanook_ai]

NotebookLM ไม่ได้หายไปไหนครับ Google แค่เปลี่ยนชื่อมันเป็น Gemini Notebook และกำลังเปลี่ยนจาก “สมุดอ่านเอกสาร” ให้กลายเป็นผู้ช่วยวิจัยที่ลงมือทำงานได้มากขึ้น
.
Google ประกาศวันที่ 16 ก.ค. 2026 ว่า NotebookLM จะใช้ชื่อ Gemini Notebook หลังเริ่มต้นเป็น Project Tailwind ในงาน Google I/O 2023
.
Google ระบุว่าปัจจุบันมีผู้ใช้มากกว่า 30 ล้านคนและกว่า 600,000 องค์กร แต่ไม่ได้บอกว่านี่เป็นจำนวน active users รายเดือนหรือยอดสะสม จึงยังไม่ควรตีความเกินข้อความต้นทาง
.
เรื่องสำคัญคือ นี่ไม่ใช่แอปใหม่และไม่ได้ยุบ NotebookLM เข้าไปใน Gemini ทั้งหมด ตัวผลิตภัณฑ์ยังแยกใช้งานได้เหมือนเดิม เน้นตอบจากแหล่งข้อมูลที่เราเลือกและแสดงที่มา เพียงแต่เชื่อมกับบริการ Google มากขึ้น
.
ตอนนี้เราสร้างและเปิด notebook จากใน Gemini app ได้แล้ว พร้อม sync ข้ามไปมาระหว่าง Gemini กับหน้า Gemini Notebook ส่วน Google บอกว่าจะนำ notebook เข้า AI Mode ใน Search “เร็ว ๆ นี้”
.
การอัปเกรดใต้ฝาก็น่าสนใจกว่าการเปลี่ยนโลโก้ครับ แต่ละ notebook กำลังได้ secure cloud computer ทำให้ระบบเขียนและรันโค้ดได้เอง เพื่อวิเคราะห์ข้อมูลจากแหล่งที่เราใส่ สร้างกราฟ ตาราง รายงาน PDF, Word, PowerPoint, Excel หรือไฟล์ structured data ได้
.
ระบบใหม่ยังมี software skills ที่ Google คัดไว้กว่า 100 รายการ และช่วยค้นแหล่งข้อมูลเพิ่มเติมจากเว็บผ่าน Google Search ก่อนให้เราเลือกว่าจะเพิ่มเข้ามาใน notebook หรือไม่
.
แต่ฟีเจอร์รันโค้ดยังไม่ได้เปิดให้ทุกคนพร้อมกันนะครับ ตอนนี้ใช้ได้กับ Google AI Ultra และลูกค้า Workspace ที่มี AI Ultra Access หรือ AI Expanded Access ส่วนผู้ใช้ Pro บนเว็บจะทยอยได้ในอีกไม่กี่สัปดาห์
.
ของที่บอกว่า “soon” อย่างการเข้า AI Mode ใน Search รวมถึง folders ที่ทีมแอบใบ้ในโพสต์ ยังเป็นของอนาคต ไม่ใช่ฟีเจอร์ที่เปิดครบแล้ววันนี้
.
ในมุมผม การเปลี่ยนชื่อครั้งนี้มีความหมายชัดครับ Google ไม่อยากให้เรามองมันเป็นแค่เครื่องมือสรุป PDF อีกแล้ว แต่เป็นพื้นที่ทำวิจัยที่เชื่อม Gemini, Search และเครื่องมือสร้างงานเข้าด้วยกัน
.
ชื่อใหม่อาจต้องใช้เวลาจำ แต่ถ้ามันช่วยอ่านข้อมูล รันการวิเคราะห์ และทำรายงานต่อได้โดยไม่หลุดจากแหล่งอ้างอิง การเปลี่ยนจาก “notebook” เป็น “research companion” ก็เริ่มจับต้องได้จริง
#GeminiNotebook #NotebookLM #GoogleAI

[Sanook Ai @sanook_ai]

NASA กำลังติดเทคโนโลยี Starlink บนยาน Orion จริงครับ แต่ข่าวนี้ไม่ใช่การเอา Wi‑Fi ไปเปิดบนดวงจันทร์ และ Artemis III ก็ไม่ใช่ภารกิจลงจอดดวงจันทร์แล้ว
.
NASA ประกาศวันที่ 16 ก.ค. 2026 ว่าเลือก SpaceX ให้จัดหาระบบสื่อสารด้วยเลเซอร์สำหรับ Artemis III ซึ่งมีกำหนดเป็นภารกิจสาธิตในวงโคจรต่ำของโลกช่วงกลางปี 2027
.
ด้านนอก Orion จะติด Starlink mini laser terminals จำนวน 2 ชุด เพื่อเสริมระบบสื่อสารเดิมและส่งภาพกับวิดีโอระดับ 4K ลงมายัง Mission Control ที่ Johnson Space Center ในฮิวสตัน
.
ระบบนี้ใช้แสงอินฟราเรดที่ตามองไม่เห็น จึงส่งข้อมูลในการ downlink ครั้งเดียวได้มากกว่าระบบคลื่นวิทยุแบบเดิม เทคโนโลยีมาจาก laser crosslinks ที่ SpaceX ใช้เชื่อมดาวเทียม Starlink เข้าหากัน
.
ตัวเลข 25,000+ ในข่าวหมายถึงจำนวน “เลเซอร์ที่ทำงานอยู่ในวงโคจร” ไม่ใช่จำนวนดาวเทียม 25,000 ดวงครับ
.
SpaceX เคยทดสอบ laser communications ให้ NASA ผ่านข้อตกลง Space Act ในภารกิจ Fram2 ปี 2025 ส่วน NASA เพิ่งใช้ระบบ optical communications บน Artemis II ส่งวิดีโอ HD, ภาพ, เสียง และข้อมูลวิศวกรรมจาก Orion กลับโลกเมื่อยานอยู่ในแนวที่ติดต่อสถานีภาคพื้นได้
.
จุดที่ต้องแก้จากข้อความไวรัลคือ Artemis III ตามแผนใหม่จะไม่พามนุษย์ลงบนดวงจันทร์ ภารกิจนี้มีนักบินอวกาศ 4 คนขึ้น Orion ไปทดสอบ rendezvous และ docking กับยานทดสอบของทั้ง Blue Origin และ SpaceX ในวงโคจรต่ำของโลก
.
เป้าหมายคือซ้อมการเชื่อม Orion กับยานลงจอดเชิงพาณิชย์ก่อนใช้งานจริง โดย NASA ตั้งเป้า Artemis IV เป็นภารกิจพามนุษย์กลับลงพื้นผิวดวงจันทร์ช่วงต้นปี 2028
.
คำว่า “ส่งภาพ 4K” ก็ยังไม่เท่ากับประกาศว่าจะมี livestream 4K ให้สาธารณะดูตลอดภารกิจครับ NASA ระบุเพียงว่าระบบจะ downlink ภาพและวิดีโอไป Mission Control ยังไม่เปิดเผย data rate, latency, coverage หรือรูปแบบการเผยแพร่
.
ภาพใหญ่ที่น่าสนใจคือ NASA กำลังขยับจากเครือข่ายสื่อสารที่รัฐสร้างเอง ไปทดลองใช้บริการ relay เชิงพาณิชย์มากขึ้น หากระบบจากเครือข่ายดาวเทียมจำนวนมากรับส่งข้อมูลจากยานมนุษย์ได้จริง มันอาจช่วยเพิ่มช่องทางและปริมาณข้อมูลสำหรับภารกิจใกล้โลกในอนาคต
.
ดังนั้นข่าวนี้สำคัญครับ แต่อ่านให้ตรงคือ “NASA ทดสอบเลเซอร์ของ Starlink บน Orion” ไม่ใช่ “Starlink ได้เป็นอินเทอร์เน็ตหลักของภารกิจลงจอดดวงจันทร์”
#NASA #Starlink #ArtemisIII

[Sanook Ai @sanook_ai]

เวลาได้ยินคำว่า “AI Governance” หลายคนคงนึกถึงเอกสารหนา ๆ ครับ แต่ปีนี้ไทยเริ่มถามให้ตรงกว่าเดิมว่า ก่อนปล่อย AI ช่วยตัดสินใจ ใครลองหลอกมันแล้วหรือยัง
.
ในงาน AIGW 2026 ETDA เดินหน้า 3 เรื่องพร้อมกัน คือ AIGPC, AI EIA Playbook และ AI Red Teaming
.
เรื่องแรกคือยกระดับ AI Governance Center หรือ AIGC ไปสู่ AI Governance Practice Center — AIGPC จากศูนย์ให้ความรู้ ไปสู่การช่วยองค์กรประเมินความเสี่ยง ให้คำปรึกษา พัฒนาเครื่องมือ ฝึกคน และทดสอบระบบ
.
แต่คำว่า “ศูนย์กลางระดับภูมิภาค” ยังเป็นเป้าหมายนะครับ AIGPC อยู่ระหว่างวางโครงสร้าง และยังไม่ได้รับรองเป็น UNESCO Category 2 Centre กระบวนการอาจไปถึงต้นปี 2571
.
เรื่องที่สองคือ AI Ethical Impact Assessment Playbook คู่มือประเมินก่อนซื้อ พัฒนา หรือเปิดใช้ AI ไม่ได้ถามแค่ว่าโมเดลแม่นไหม แต่ดูว่าใครอาจเสียหาย ข้อมูลมีอคติหรือไม่ ผู้ใช้รู้ไหมว่าคุยกับ AI มีคนแทรกแซงได้หรือเปล่า และเมื่อผิดพลาด ใครรับผิดชอบ
.
ETDA บอกว่านี่ไม่ใช่ Framework ใหม่ แต่เป็นการนำหลัก UNESCO และ ISO มาปรับใช้กับไทย อย่างไรก็ตาม วันที่ตรวจ คลังเอกสาร AIGC ยังไม่เห็น Playbook ปี 2026 ฉบับเต็มให้ดาวน์โหลดชัดเจน
.
เรื่องที่สามคือ Thailand Banking AI Red Team Challenge วันที่ 3 ก.ค. ผู้เข้าแข่งขันทดสอบ Chatbot ธนาคารจำลองใน 5 มิติ: Safety, Security, Privacy, Fairness และ Reliability
.
Track A คุยแบบผู้ใช้เพื่อหาพฤติกรรมผิดหลักจริยธรรม ส่วน Track B พยายามหลอกให้ AI เปิดเผยข้อมูลลับ ผลจะต่อยอดเป็นชุดทดสอบ LLM บน AI Thailand Benchmark และ Leaderboard
.
นี่ไม่ใช่ใบรับรองว่าระบบจริงของทุกธนาคารผ่านแล้วครับ เพราะสนามเป็นระบบจำลอง และรายงานสาธารณะยังไม่มีจำนวนช่องโหว่ อัตราโจมตีสำเร็จ หรือรายละเอียดโมเดล
.
ไทยก็ยังไม่ได้มีกฎหมาย AI ฉบับใหม่บังคับทุกองค์กร Playbook กับ Red Teaming เป็นเครื่องมือเตรียมพร้อม ส่วนร่างกฎหมายที่หารือในงานยังไม่ใช่กฎหมายใช้บังคับ
.
องค์กรที่ใช้ AI วันนี้ไม่ต้องรอกฎหมาย เริ่มจากทำบัญชีว่าใช้ AI ตัวไหนกับข้อมูลอะไร ประเมินผลกระทบตามงาน กำหนดคนอนุมัติ เก็บ log ทดสอบโจมตี และมีปุ่มหยุดเมื่อระบบเสี่ยง
.
ผมว่าก้าวนี้น่าสนใจครับ เพราะไทยกำลังขยับจาก “AI ต้องมีจริยธรรม” ไปสู่ “เอาระบบมา เดี๋ยวลองโจมตีให้ดู” ของจริงต่อจากนี้ต้องวัดที่เครื่องมือเปิดใช้ได้ รายงานโปร่งใส และองค์กรนำไปทำจริงกี่แห่ง
#AIGovernance #ETDA #AIGPC