TaiyakiTori

[Khaosodonline @KhaosodOnline]

วิชิตชัย อมรกุล เหยื่อ 6 ตุลาคม 2519 ลูกรักของพ่อ “เขาผิดอะไร ทำไมต้องป่าเถื่อน ขนาดนี้”
.
“เราไปธรรมศาสตร์กันเถอะ งานนี้สำคัญมาก”
.
ไม่มีใครรู้ว่า นี่ คือ ประโยคสุดท้ายที่เพื่อนฝูงได้ยินจากปากของเปี๊ยก วิชิตชัย อมรกุล นิสิตคณะรัฐศาสตร์ จุฬาลงกรณ์มหาวิทยาลัย เขาบอกกับมิตรสหายในช่วงต้นเดือนตุลาคม ปี 2519
.
และหลายคนจะไม่ได้ยินเสียงมุ่งมั่นแบบนี้อีก ตลอดชีวิต
.
วันที่ 6 ตุลาคม 2519 สิ่งที่เกิดขึ้นในมหาวิทยาลัยธรรมศาสตร์ กลายเป็นข่าวใหญ่ ท่ามกลางความเงียบงันของประเทศ คนจำนวนมากกลับรับรู้กันทั้งสังคม แต่ไม่อาจพูดอะไรได้ นาทีนั้น ชายชรารุดเดินทางจากอุบลราชธานี มุ่งหน้าเข้ามายังเมืองหลวง กรุงเทพมหานคร จุดประสงค์ไม่ใช่เพื่อร่วมชุมนุม สนับสนุนนิสิตนักศึกษา หรือสนับสนุนฝ่ายขวา แต่เจ้าตัวเพียงเพื่ออยากมาพบลูก หลังรู้ข่าวว่าบุตรสุดที่รัก อยู่ในมหาวิทยาลัยธรรมศาสตร์ ในเช้าวันพุธนี้
.
เขาพยายามออกค้นหาหลายที่ ทั้งไปโรงเรียนตำรวจบางเขน หลังทราบว่า เป็นที่คุมขังผู้ชุมนุมในธรรมศาสตร์กว่า 3 พันคน แต่ไม่มีชื่อของลูกชายสุดที่รัก แม้จะเป็นห่วงและร้อนรน แต่ยังคงมีความหวัง เขารีบเดินทางไปทั่วโรงพยาบาล เพื่อดูว่าลูกได้รับบาดเจ็บหรือไม่
.
แต่ไม่มีความคืบหน้า
.
เวลาเดินผ่าน บัดนี้ความหวังเริ่มลางเรือน ชายชราจากภาคอีสาน เริ่มเจ็บปวด พรั่นพรึง และค่อยๆ ทำใจบนความหวาดหวั่น เขาไปดูศพที่ตายในมหาวิทยาลัยธรรมศาสตร์ หลายร่างแหลกเหลวก เพราะถูกทารุณกรรมอย่างป่าเถื่อน
.
สำรวจผ่านไปนับสิบศพ ก็ยังหาไม่พบ
.
ยังมีโอกาส! ชายชราเชื่อ บางทีลูกอาจจะยังคงมีชีวิตอยู่
.
เข้าป่าหนีเอาตัวรอด หรือหลบซ่อนภัยของทางการ
.
เขาเชื่อว่า บุตรสุดที่รัก วิชิตชัย อมรกุล ยังมีลมหายใจ ณ โลกใบนี้
.
จนกระทั่งเพื่อนสนิทของลูก มาช่วยเขาดูศพอีกรอบ
.
ความหวังที่อยากให้เป็นความจริง ก็ฉุดดึงสู่ฝันร้าย อย่างเจ็บปวด
.
ร่างหนึ่งนอนไร้ลมหายใจ ใบหน้าเหลวแหลก มีเชือกผูกคอ มีรูกระสุนปืนที่ท้อง ลำตัวบอบช้ำ จนแยกไม่ออกว่าคือใคร ทว่าเพื่อนของวิชิตชัยมองอย่างละเอียด แล้วเขาก็เห็น
.
รองเท้ากีฬาที่ศพนี้ใส่อยู่ คู่นั้น ที่มีรอยชำรุดและซ่อมแซม
.
นี่คือรองเท้าคู่โปรดของวิชิตชัย อมรกุล
.
ชายชรา ถึงกับเข่าอ่อน น้ำตาหลั่งออกมาทันที
.
“ทำไมถึงเป็นอย่างนี้”
.
วิชิตชัย อมรกุล หรือ เปี๊ยก เป็นชายหุ่นมาดนักกีฬา ลูกคหบดี ของตระกูลอมรกุล แห่งจังหวัดอุบลราชธานี วิชิตชัยสอบติดมหาวิทยาลัยอันดับ 1 ของประเทศ ยังความปลาบปลื้มให้กับพ่อแม่ และครอบครัวอย่างยิ่ง เป็นหนึ่งในสมาชิกสิงห์ดำรุ่นที่ 28 และเป็นที่รักของเพื่อนๆ
.
ในปี 2518 เปี๊ยกมีผลคะแนนดีเยี่ยม แถมยังเป็นนักกีฬาทีมฟุตบอลของคณะ ท่ามกลางกระแสเสรีภาพ การเรียกร้องประชาธิปไตยและความเป็นธรรมในสังคม หลังเกิดเหตุการณ์ 14 ตุลาคม 2516 ที่พุ่งสูงลิ่ว รั้วแห่งปัญญาชนแทบทุกแห่ง ตื่นตัวกับประเด็นทางสังคม สิ่งนี้ปลุกเร้าให้วิชิตชัย กระโจนเข้าร่วมการเคลื่อนไหว เชกเช่นเดียวกับคนหนุ่มสาวเป็นจำนวนมากในประเทศนี้
.
นิสิตแห่งคณะรัฐศาสตร์ เข้าร่วมประท้วงขับไล่ฐานทัพสหรัฐอเมริกา ซึ่งตั้งอยู่ในไทย และมีส่วนในการเข่นฆ่าเพื่อนบ้านประเทศข้างเคียงในสงครามอย่างโหดเหี้ยม ไม่เพียงแค่เรื่องระดับโลก ปัญหาของพี่น้องประชาชน ทั้งเรียกร้องความเป็นธรรมให้ชาวนาชาวไร่ที่เดินเท้าเข้ากรุงเทพ วิชิตชัยก็เข้าร่วมด้วย
.
เพราะถือว่า การเป็นปากและเป็นเสียงให้กับเพื่อนร่วมประเทศ จะนำไปสู่ความฝันอันสวยงามว่า สังคมจะดีกว่านี้ได้
.
ต้นเดือนตุลาคม ปี 2519 อุณหภูมิการเมืองไทยร้อนระอุ ขบวนการนิสิตนักศึกษาชุมนุมเรียกร้อง ต่อต้านการเดินทางกลับของเณรถนอม ซึ่งเมื่อ 3 ปีก่อน เขาเป็นจอมพลถนอม กิตติขจร ผู้ทรงอำนาจในเมืองไทย และมีส่วนร่วมต่อการสังหารหมู่ในเดือนตุลาคม 2516 จนต้องสละตำแหน่งนายกรัฐมนตรี เดินทางลี้ภัยต่างแดน พร้อมถูกประณามเรียกขานจากคนทั้งประเทศว่า ทรราชย์
.
ผ่านไปแค่ 3 ปี เจ้าตัวเดินทางกลับมาบวชเณร โดยมีกลุ่มฝ่ายขวาให้การสนับสนุน นำไปสู่ความไม่พอใจของสังคม การชุมนุมเกิดขึ้นที่มหาวิทยาลัยธรรมศาสตร์ วิชิตชัยรู้ข่าว จึงบอกกับเพื่อนฝูงว่า “เราไปธรรมศาสตร์กันเถอะ งานนี้สำคัญมาก”
.
ไม่มีใครรู้ว่า นี่คือการเคลื่อนไหวครั้งสุดท้ายของเปี๊ยก
.
ด้วยร่างกายที่แข็งแรง ปราดเปรียว เจ้าตัวอาสาเป็นหน่วยรักษาความปลอดภัย อันเป็นหน้าที่ประจำที่รับผิดชอบมาหลายครั้งแล้ว ทว่าการชุมนุมประท้วงของนิสิตนักศึกษาในต้นเดือนตุลาคม แตกต่างจากครั้งก่อนหน้า และไม่มีอะไรเหมือนเดิมอีก
.
ความรุนแรงได้คืบคลาน ตั้งแต่กลางดึกวันที่ 5 ตุลาคม และมาปะทุเป็นโศกนาฏกรรมในเช้าวันที่ 6 ตุลาคม 2519
.
ตำรวจ กลุ่มฝ่ายขวา ระดมอาวุธหนักถล่มเข้าไปยังมหาวิทยาลัยธรรมศาสตร์ วิชิตชัยในฐานะการ์ด หมอบและวิ่งฝ่าห่ากระสุน ลำเลียงคนเจ็บอย่างต่อเนื่อง ไม่มีใครรู้ว่าเจ้าตัวกลัวแค่ไหน รู้เพียงอย่างเดียว่า เขากล้าหาญอย่างยิ่งในวันนั้น
.
ขณะเพื่อนคนหนึ่งถูกยิงด้วยกระสุน ล้มคว่ำอยู่ตรงหน้าประตูใหญ่ ของมหาวิทยาลัยธรรมศาสตร์ สถาบันการศึกษา ที่ปรีดี พนมยงค์ สมาชิกคนสำคัญของคณะราษฎร ก่อตั้งขึ้น เพื่อหวังให้ประชาชนได้รับความรู้ ได้ประโยชน์การศึกษา แต่เช้าวันพุธ ที่ 6 ตุลาคม 2519 มันกลับเป็นทุ่งสังหารสยองขวัญ
.
เพื่อนคนนั้นล้มเจ็บ เสียงกระสุนยังปลิวว่อน กลิ่นความตายปลิวฟุ้ง แต่วิชิตชัย อมรกุลไม่กลัว เขาฝ่าไปช่วยมิตร
.
เสี้ยววินาทีนั้น มือสังหารลั่นไกปืนเอ็ม 16 กระสุนพุ่งด้วยความเร็วสูง ทะลุเข้าที่ท้องเปี๊ยก ทะลุหลัง เลือดนองเต็มพื้น เด็กหนุ่มวัยแค่ 19 ปี ขาดใจตายทันที
.
แต่ความเลวร้ายยังไม่จบแค่นั้น
.
พลันที่กลุ่มกระทิงแดง ลูกเสือชาวบ้าน และขบวนการจัดตั้งฝ่ายขวาทั้งหลาย บุกทำลายรั้วมหาวิทยาลัยธรรมศาสตร์ พวกเขารุมทึ้งร่างไร้ลมหายใจของเปี๊ยกอย่างโหดเหี้ยม เอาเชือกผูกคอ แล้วลากร่างไปตามพื้น ก่อนเอาท่อนไม้ เก้าอี้เหล็ก หรือ ของแข็งที่หยิบฉวยมาได้ กระหน่ำฟาดอย่างเมามัน นับครั้งไม่ถ้วน ก่อนเอาเชือกไปผูกคอ มัดไว้กับกิ่งไม้ใหญ่ เพื่อประจานศพนี้ ให้โลกได้เห็น
.
ขณะที่ร่างถูกแขวน ความสะใจยังไม่เพียงพอ ความเกลียดชังมาเหนือกว่าความเป็นคน หลายคนเอาท่อนไม้กับเก้าอี้ฟาดซ้ำไปอีก พร้อมพ่นคำด่าหยาบคาย บ้างเอารองเท้ายัดใส่ปาก กินเวลานานหลายนาที จึงปลดเชือก ก่อนเอาน้ำมันราด เพื่อจุดไฟเผาตรงยางรถ
.
ศพเขาถูกนำไปเก็บ ไว้ที่โรงพยาบาล หากไม่มีรองเท้ากีฬาคู่โปรด พ่อและเพื่อนก็คงไม่รู้ว่า นี่คือร่างของเปี๊ยก ซึ่งถูกสังหารโหดทั้งก่อนตาย และหลังสิ้นลมหายใจไปแล้ว นี่คือเรื่องเศร้า หนึ่งในหลายๆ เรื่องจากเหตุการณ์เช้าวันพุธ ที่ 6 ตุลาคม 2519
.
ครอบครัวอมรกุล จัดงานศพให้กับวิชิตชัยอย่างเงียบๆ ที่วัดธาตุทอง เพื่อนฝูงมาร่วมงานกันไม่มาก เพราะบางส่วนถูกจับ จำนวนมากหนีเข้าป่า หลายคนเดินทางมาด้วยสภาพสะบักสะบอม เพราะถูกเจ้าหน้าที่ซ้อมในวันเกิดเหตุ และได้รับการประกันตัว แต่แทบทุกคน ไม่มีใครกลั้นน้ำตาไว้ได้ พวกเขานั่งลงร้องไห้คร่ำครวญหน้าโลงของเปี๊ยก
.
ชายชราจากอุบลราชธานี หัวใจแหลกสลาย น้ำตาคลออยู่บนเก้าอี้ พร้อมกับพร่ำถามผู้คนที่มาร่วมงานว่า “วิชิตชัย ลูกชายผม คนหนุ่มหน้าตาดีที่สุดในละแวกบ้าน เขาถูกกระทำจนแม้แต่ผม ที่เป็นพ่อ ยังจำเขาไม่ได้ เมื่อไปเห็นหน้าที่โรงพยาบาล”
.
ผ่านไปหลายสิบปี กว่าที่สังคมจะรำลึกถึงวิชิตชัย กว่าจะมีคนเริ่มพูด กระนั้นผ่านไป 50 ปีจนถึงพ.ศ.นี้ ทุกอย่างยังคงเต็มไปด้วยคำถาม ทำไมเด็กหนุ่มอนาคตไกล ต้องมาตายอย่างทารุณโหดเหี้ยมแบบนี้
.
“ลูกชายผม คนหนุ่มมองโลกในแง่ดี รักเพื่อน รักครอบครัว และรักชาติ เรียนเก่งและมีอนาคตยาวไกล” พ่อของวิชิตชัยพูดในงานศพ เมื่อปี 2519 ตราบจนถึงปี 2569 คำถามที่พ่อคร่ำครวญ ยังคงไร้ซึ่งคำตอบ
.
“เขามีความผิดอะไรหรือ ถึงต้องกระทำกับเขาอย่างป่าเถื่อน...ถึงเพียงนี้...”

[Global Citizen @Citizen2600]

ไม่เคยลืม #6ตุลา19
ประเทศไทยต้องดีกว่านี้

[Perth Woratana 🇦🇺🇹🇭 @woraperth]

อันนี้ดี เหมาะกับสายเขียนโค้ดด้วย AI มาก สัมภาษณ์ Lauren Tan - Principal Engineer ที่ SpaceXAI โดย Matt Pocock - Software Engineer ที่ทำสกิล AI ที่ดังมาก อย่าง grill-me

ใจความสำคัญ
- เครื่องมือแบบ Grok bot / Cursor Project ทำให้ AI แต่ละตัว ทำงานแยกส่วนกันได้ เหมือนสายพานในโรงงาน เลยเรียกว่าเป็น software factory หรือ Lauren จะเรียกแบบน่ารักกว่าว่าเป็น Michelin kitchen

- การจะทำให้ AI Agent ทำงานเองได้แบบใช้คนน้อยมาก เป็น software factory คือ สร้าง verification tool (เครื่องมือในการตรวจเช็ค) เพื่อให้ AI ตรวจงานของตัวเองได้

- ทิปการทำให้ AI สร้าง PR ได้ไว ๆ (คุณ Lauren บอกว่าปั่นได้ 2500 PR / เดือน) คือ ต้องมี AI ที่คอยจับข้อมูลทุกชั่วโมง / ทุกวัน

เช่น เคสของคุณ Lauren มี Grok bot สำหรับจับข้อความใน Slack เวลามีคนแจ้งปัญหามา แล้ว AI จะรับเรื่องไปเขียนโค้ด สร้าง PR ไว้เลย

อีกอย่างที่น่าสนใจ คือ คุณ Lauren บอกว่า ช่วงแรก ๆ เราจะต้องดูว่า AI ทำอะไรบ้าง เพื่อจะได้บอกมันให้แก้ไข

แต่ช่วงหลัง ๆ เมื่อเราเชื่อใจ (trust) AI มากขึ้น เราให้มันทำงานอัตโนมัติ รีวิวโค้ดอัตโนมัติได้เลย

[Fact Check - พรรคประชาชน @FactCheckPPLE]

#FactCheck

จากกรณีที่ อาจารย์เบียร์ คนตื่นธรรม ได้ให้สัมภาษณ์ในรายการโหนกระแสว่า มี สส.บางพรรคไปถ่ายรูปข้าวของ อ. เหมือนเป็นผลงานตัวเอง
.
พรรคไม่ได้นิ่งนอนใจและได้สอบถามไปยังทีมงานของ อ.เบียร์ หากเป็น สส.ของพรรคประชาชนที่มีพฤติกรรมไม่สมควร พรรคจะได้มีมาตรการต่อไป
.
อย่างไรก็ตาม ได้รับการยืนยันจากทีมงานของ อ.เบียร์ ว่าที่กล่าวถึงในรายการไม่ใช่ สส.ของพรรคประชาชน
.
พรรคขอขอบคุณทีมงานอ.เบียร์ ที่ได้ให้ความช่วยเหลือเมื่อมีการติดต่อสอบถามเป็นอย่างดี และขอบคุณที่ได้ช่วยเหลือประชาชนที่กำลังเดือดร้อนจากเหตุการณ์ #น้ำท่วม ร่วมกันด้วยครับ
.
ขอบคุณภาพจาก https://t.co/8NhrQTZSBD
.
#FactCheckPPLE #คนตื่นธรรม #น้ำท่วมกทม #PPLEFLOOD69

[ㄅ @Zan_di_]

โรมเปิดทีไรไม่เคยพลาด✅
แต่ไม่เห็นจะปิดสักเรื่อง❌

คนปิดคดี คือ ผู้มีอำนาจ ตำรวจ DSI ปปช ปปส ปปง กระทรวงยุติธรรม
ถ้าหน่วยงานพวกนี้ ไม่ทำงาน ก็แสดงว่า #รัฐบาล ที่บริหารประเทศอยู่ แทรกแซงการทำงานขององค์กรเหล่า
ก็อย่าเลือกคนพวกนี้ให้มา #โกง อีก
#สุชาดา #ชัยภูมิ #สแกมเมอร์ ไม่ได้กล่าวหา แต่ต้องพิสูจน์ให้สิ้นสงสัย

[butt.sweet @sali_ws]

ตามอ่านโพสนี้อยู่ ได้ความรู้เยอะจริงๆ
แบบเอออาชีพที่เราไม่รู้จัก
และหาเงินได้แม่งหลากหลายอะ

คุณ Propcorn สรุปไว้ 100 อาชีพ 👇🏼
มาอ่านกันเผื่อเป็นแนวทาง

[Hannah @Hannahrsb]

‼️ใครที่ลงจากทางด่วนตรงอโศกที่เลี้ยวเข้าตรงแยกcentral rama9ระวังสาวประเภทสองยืนดักหน้ารถนะคะ🥹🙏🏻 ไม่แน่ใจว่าเป็นมิจจิหรือลําบากเพราะน้ําท่วมจริงๆแต่ยืนดักหน้ารถขอ💸แบบนี้แอบน่ากลัว+ อันตรายทางยิ่งมืดกลัวชนมากหรือใครมีหน่วยงานไหนสามารถไปตรวจสอบได้ไหมคะตอนนี้รถหลายคันโดนเลยงะ🥲‼️

[ƆHⱯꓷⱯ 🫪 @maitem_bath]

ไม่ต้องแดกอีสัส

[P.H.HARRY🌟🦮{•_•}🦮🌟•ชน์ @TigerDamonAres]

ท่าลงเจ้ อลังการมาก 555

[cattodata🐱📊 @cattodata]

[สาระเอไอ] Machine Learning 3 ประเภท ต่างกันยังไง? 🐱🤖

เวลาเราสอน AI ให้เรียนรู้จากข้อมูล ไม่ได้มีวิธีเดียวกันทั้งหมด หลัก ๆ แบ่งได้เป็น 3 แบบ ขึ้นอยู่กับว่าเรามีข้อมูลแบบไหน และอยากให้ AI ทำอะไร

1️⃣ Supervised Learning: เรียนรู้แบบมีเฉลย

เหมือนสอนเด็กด้วยโจทย์ที่มีคำตอบ เช่น เอารูปแมวกับหมามาให้ดู พร้อมบอกว่ารูปไหนเป็นอะไร พอเจอรูปใหม่ก็ให้ AI ทายเอง

แบ่งเป็น 2 งานหลัก

- Classification: ทำนายประเภท เช่น อีเมลเป็น Spam หรือไม่
- Regression: ทำนายตัวเลข เช่น ราคาบ้าน

Algorithm ที่พบบ่อย: Linear Regression, Random Forest, XGBoost

💡 Logistic Regression แม้ชื่อจะมี Regression แต่ใช้ทำ Classification เป็นหลักนะ

2️⃣ Unsupervised Learning: เรียนรู้แบบไม่มีเฉลย

โยนข้อมูลให้ AI แล้วให้ลองหารูปแบบเอง เช่น มีข้อมูลลูกค้าเป็นหมื่นคน อยากรู้ว่าลูกค้ามีพฤติกรรมคล้ายกันกี่กลุ่ม โดยที่เราไม่ได้กำหนดกลุ่มไว้ก่อน

เทคนิคที่พบบ่อย เช่น

- Clustering: จัดกลุ่มข้อมูลด้วย K-Means หรือ DBSCAN
- PCA: ลดจำนวนมิติของข้อมูล โดยรักษาความแปรปรวนสำคัญไว้ให้มากที่สุด

3️⃣ Reinforcement Learning: เรียนรู้จากการลองทำ

เหมือนฝึก AI เล่นเกม ให้ลองตัดสินใจเอง ทำแล้วได้รางวัลหรือถูกหักคะแนน ก็เรียนรู้เพื่อปรับการเล่นให้ดีขึ้นเรื่อย ๆ

ตัวอย่าง Algorithm: Q-Learning

💡 สรุปง่าย ๆ Supervised เรียนจากเฉลย, Unsupervised ค้นหารูปแบบจากข้อมูล ส่วน Reinforcement เรียนรู้ว่าควรตัดสินใจทำอะไรผ่านการลองทำและรับผลตอบแทน

ทั้ง 3 แบบเป็นพื้นฐานสำคัญของ Machine Learning แต่ปัจจุบันยังมีวิธีอื่นอีก เช่น Self-Supervised Learning ที่ใช้ฝึกโมเดลภาษาขนาดใหญ่ด้วย

#สาระเอไอ #MachineLearning #DataScience #cattodata

[Avinash Singh @AvinashSingh_20]

10 GitHub repositories every developer should know for System Design 👇

1- System Design Primer
https://t.co/pCptYob0Md

2- System Design 101
https://t.co/BNsXmyGv06

3- System Design by Karan Pratap Singh
https://t.co/6Dmu3dZxVj

4- Awesome System Design Resources
https://t.co/t2dCo3YEOG

5- Awesome Scalability
https://t.co/wTWsl8Oiyc

6- Awesome System Design
https://t.co/2kBZmfzidZ

7- System Design Interview
https://t.co/G2lzMrHMh9

8- Machine Learning Systems Design
https://t.co/A7ZTXQsXRT

9- System Design Academy
https://t.co/i29k4FiAhc

10- Agentic Design Patterns
https://t.co/oNwcdrOLCd

✅ Save this for your System Design preparation.

Follow for more developer resources, interview prep, jobs & opportunities.

[Galadriel @Galadriel_TX]

ชาร์ตนี้ของ Fidelity วิเคราะห์ได้น่าสนใจ

ถ้าให้ดูแค่แท่งสีน้ำเงิน ก็คงจะซื้อทุกอย่าง เพราะกำไรของ S&P500 เทียบปีต่อปีโต +28% โตเร็วสุดนับตั้งแต่การฟื้นตัวปี 2021 ที่การเติบโตพุ่งถึง +50% และอัตราการเปลี่ยนแปลง (rate of change) ก็ยังเพิ่มขึ้นอยู่

จากนั้นก็มาถึงแท่งสีชมพู อัตราส่วน P/E ติดลบ (ลดลง) 9% เหลือราว 20 เท่า

Fidelity วาดกรอบสีดำไว้ 2 กรอบบนกราฟนี้

ปี 2018 กำไรโต +23% P/E หดลง 27%

ระหว่างกันยายนถึงธันวาคม S&P ร่วง 19.8% ส่วน Nasdaq ร่วง 23.6% ทั้งที่กำไรทำสถิติสูงสุด

เทียบกับพันธบัตร 10 ปีขึ้นไปแตะจุดสูงสุดที่ 3.24%

DXY แข็งค่าประมาณ 10%

====

ปี 2022 P/E ลดลง 35% S&P ร่วง 25.4%

Nasdaq ร่วง 36%

พันธบัตร 10 ปีขึ้นไปถึง 4.24%

DXY แข็งค่าอยู่ที่ประมาณ 20% ไปที่ 114.8

จะเห็นได้ว่าอัตราผลตอบแทนที่พุ่งขึ้นบวกกับดอลลาร์ที่แข็งค่า กำไรไม่ได้ช่วยอะไรเลย

S&P ขาดทุน 18.1%

ดัชนีพันธบัตร US Aggregate ขาดทุน 13.0% นับว่าเป็นปีที่แย่ที่สุดในประวัติศาสตร์ของมัน

====

กำไร S&P โต 28% แต่ตลาดยอมจ่าย multiple ถูกลง เมื่อย้อนมองดูปี 2018 และ 2022 พบว่ากำไรไม่เคยช่วยตลาดได้ ถ้าดอกเบี้ยขึ้นและดอลลาร์แข็งค่าพร้อมกัน

multiple ไม่ได้สะท้อนแค่กำไรวันนี้ แต่สะท้อนถึงต้นทุนของเงิน ในอนาคตด้วย เมื่อพันธบัตรให้ผลตอบแทน 5% นักลงทุนก็ต้องการผลตอบแทนจากหุ้นสูงขึ้นตาม เพื่อชดเชยความเสี่ยงที่มากกว่า และวิธีที่ตลาดเรียกร้องผลตอบแทนหุ้นให้สูงขึ้นก็คือ ยอมจ่ายราคาต่อกำไรที่ถูกลง ดังนั้น P/E จึงหดตัวได้

จุดที่นักวิเคราะห์จาก Fidelity ต้องการจะสื่อคือ แม้ว่าทั้งสองปีกำไรเป็นบวก แต่หุ้นยังพังยับ เพราะแรงกดดันจาก yield ที่เป็นขาขึ้นและการที่ดอลลาร์แข็งค่าขึ้น สามารถกด multiple ลงแรงกว่ากำไรที่โตข้ึนมา

ปกติเวลาหุ้นลง พันธบัตรจะขึ้นเพื่อช่วยพยุงพอร์ต แต่ในสถานการณ์เงินเฟ้อสูงขึ้น ทั้งสองตลาดสามารถลงพร้อมกันได้ ปี 2022 คือตัวอย่าง S&P –18% และพันธบัตร –13% ในปีเดียวกัน

[Mr. Claude @claudeskills101]

MCP, RAG, and Skills all answer a different version of the same question: how does an agent get access to something it does not already know.

MCP gives an agent a live connection to external tools and services. A query goes through an MCP host, where an MCP client chooses the right server and sends the request, and the server itself connects out to real systems like Slack, a vector database, or Brave Search. The client and server exchange an initial request, an initial response, and ongoing notifications, and some actions route through a server approval request before the LLM gets to act on them. This is the architecture for when an agent needs to actually do something in a live system, not just read about it.

RAG gives an agent access to knowledge instead of live tools. Documents, PDFs, databases, and other data sources get embedded and stored as dense vectors in a vector database ahead of time. When a query comes in, relevant info gets extracted from that vector store, combined with the query and a system prompt into an augmented prompt, and handed to a generative model to produce the output. Nothing here executes an action. It only retrieves and grounds an answer in information that already exists.

Skills give an agent access to a reusable process instead of either tools or knowledge. An agent host runs an LLM that sends a skill request to a skill manager, which retrieves the matching skill, a file like a code generation skill.md that breaks down into prompts and actions. Loading a skill initializes actions, selects the right tools from a set like file system, git, a package manager, Docker, a Python interpreter, or shell, and performs them. This is the architecture for a task the agent has done the exact same way before and should not have to reason through from scratch again.

The three are not competing for the same job. MCP connects to what is live. RAG connects to what is known. Skills connect to what has already been figured out. Most serious agents end up needing all three.

Bookmark this before you pick one architecture to solve a problem that actually needs a different one.

[finnomena @finnomena]

Chris Miller ผู้เขียน Chip War ขอยืนยันว่าไทยจะไม่ตกขบวนในสงครามชิปโลก เพราะความเป็นกลาง ไม่เลือกข้างแบบไทย ๆ

“ความเป็นกลางทางภูมิรัฐศาสตร์ จะทำให้ไทยเกาะขบวนชิประดับโลกได้”

นี่คือมุมมองของ Chris Miller ผู้เขียนหนังสือ Chip War: The Fight for the World's Most Critical Technology ที่ให้สัมภาษณ์กับ CNBC เมื่อวันที่ 6 กันยายนที่ผ่านมา

คลิปเต็ม -> https://t.co/VsH5ubRK0C

เขาอธิบายว่าไทยไม่ต้องชนะสงครามชิป แค่ต้องหาตำแหน่งที่ตัวเองเล่นให้เจอ

จุดแข็งของไทยไม่ใช่เทคโนโลยี แต่คือภูมิรัฐศาสตร์

Miller มองว่า Southeast Asia กำลังได้ประโยชน์แบบย้อนแย้งจากความขัดแย้งระหว่างสหรัฐฯ กับจีน

บริษัทต่าง ๆ กำลังมองหา พื้นที่ที่เป็นกลาง เพื่อกระจาย Supply Chain ออกจากฐานเดิม

ทำให้ไทยมีโอกาสรับทั้งเงินลงทุนจากบริษัทฝั่งตะวันตกและจีน โดยไม่จำเป็นต้องเลือกข้างอย่างชัดเจน

ทว่าไทยคงไม่ได้เข้าไปต้องแย่งส่วนแบ่งตลาดจากไต้หวันหรือเกาหลีใต้โดยตรง เพราะทั้งสองประเทศมีความสามารถเหนือกว่าไทยอย่างมาก แต่เพราะว่า Demand ของ Semiconductor กำลังเติบโตเร็วมาก และ Supply Chain ทั้งเส้นกำลังขยาย

แปลว่าถึงไทยจะสู้ไต้หวันหรือเกาหลีใต้ไม่ได้ แต่การที่ตลาดขยายตัวมหาศาล จึงเปิดพื้นที่ให้ประเทศใหม่ ๆ เข้ามาได้ เพราะอุตสาหกรรมชิปไม่จำเป็นต้องมีผู้ชนะเพียงประเทศเดียว

อย่างไรก็ดี การจะขึ้นไปถึงต้นน้ำนั้นยากมาก ซึ่งหากไทยอยากเป็นเหมือน Taiwan 2.0 นั้นไม่ใช่เรื่องง่าย ๆ เนื่องจากส่วนที่ Advanced ที่สุดของ Supply Chain อย่างการผลิตชิปขั้นสูง ต้องใช้ทั้งเงินลงทุนมหาศาล เทคโนโลยีเฉพาะทาง บุคลากร และ Ecosystem Supply Chain ที่ซับซ้อน

ถ้าสรุปจากมุมของ Chris Miller คือ ไทยไม่ควรตั้งเป้าว่าต้องผลิตชิปให้ได้ แต่ต้องตั้งเป้าว่าจะเป็นส่วนที่ขาดไม่ได้ของ Supply Chain ชิปโลก โดยเปิดรับทั้งบริษัทสหรัฐฯ จีน ญี่ปุ่น เกาหลีใต้ ไต้หวัน

เลือกสนามที่ไทยมีแต้มต่อ ไม่ต้องแข่งกับไต้หวันใน Foundry ขั้นสูง แต่ควรเน้น IC Design, Advanced Packaging, Power Electronics, Photonics รวมถึงต่อยอดจากฐานเดิมอย่าง PCB และ HDD

สร้าง Ecosystem ไม่ใช่แค่สร้างโรงงาน ต้องมีตั้งแต่ซัพพลายเออร์ ชิ้นส่วน วัตถุดิบ เครื่องจักร โลจิสติกส์ ไปจนถึงมหาวิทยาลัยและบุคลากร เพื่อให้บริษัทที่เข้ามาลงทุนสามารถผลิตต่อได้ทั้งระบบ

สุดท้ายต้องสร้างคนให้ทันอุตสาหกรรม เพราะ Semiconductor เป็นอุตสาหกรรมที่ใช้วิศวกรและแรงงานทักษะสูงมาก
..

Chris Miller เป็นนักประวัติศาสตร์เศรษฐกิจและภูมิรัฐศาสตร์ชาวอเมริกัน ซ่งโด่งดังไปทั่วโลกคือหนังสือ Chip War ที่ตีพิมพ์ในปี 2022

หนังสือเล่มนี้ไม่ได้เล่าเรื่องชิปในมุมเทคโนโลยีอย่างเดียว แต่พยายามอธิบายว่าทำไม Semiconductor ถึงกลายเป็นหนึ่งในเครื่องมือสำคัญของอำนาจทางเศรษฐกิจ การทหาร และภูมิรัฐศาสตร์โลก

[Hyper Shark! @HyperSharkk]

ผมเชื่อเลยว่าน้อยคนที่จะอ่าน report ของ Situational Awareness ซึ่งคือทีมวิจัยของ leopold aschenbrenner ที่เรารู้จักกันนี่แหละ เด็กคนนี้หาผลตอบแทนจากหุ้นได้ 1000-1500% ตั้งแต่ก่อตั้งจนถึงกลางปี 2026 ก่อนที่จะเจอความผันผวนและขาดทุนราวๆ 67% ในเดือนกรกฎาที่ผ่านมานี้ จนต้องขายกองทุนทิ้งให้ Citadel

แต่ๆๆๆ ประเด็นสำคัญอยู่ที่ การที่เขาจะหาผลตอบแทนได้ขนาดนั้น มันไม่ได้จะเกิดขึ้นกับคนธรรมดาแน่ๆ และใช่ครับ ถ้าไม่อยากเป็นคนธรรมดา อยากเก่งแบบเขา...

ไปอ่าน report ของเขา!!! ละจะรู้ว่าเขาคิดยังไง ทำไมถึงเก่งขนาดนั้น และในนั้นมี insight มากมายที่คุณจะเอาไปใช้ลงทุนต่อได้ยาวๆ อีกต่ำๆ 5 ปีเลย อ่านเถอะครับ เสียเวลาหน่อย แบกเวลาที่ไถ social ไถ Tiktok มาอ่านมันซะ ถ้าอยากเก่ง!

เข้าไปหน้าเว็บนี้แล้วกด "Full series as PDF" เลย จะเป็นไฟล์รวม report ทั้งหมดของเขา 164 หน้า อ่านวันเดียวก็จบแล้ว และย้ำนะครับ "อย่าให้ Ai สรุปให้" อ่านเองครับ นั้นเขาก็สรุปมาให้แล้ว

ไปครับ!!!

[Morty @0xMortyx]

Google Engineers just released free 2-hour guide on full agent engineering:

1 prompt → agent teams → loops → graphs from 0% to 100%:

10% → 38:46 - build your first agent
55% → 1:12:43 - Loop engineering: 4 ways to run agents
70% → 1:20:57 - Graph engineering

most people build one agent and stop there - this is the full path to a system that runs without you from scratch

watch it today - then read the full playbook below ↓

[Perth Woratana 🇦🇺🇹🇭 @woraperth]

ในยุค AI นี่เป็น Superpower ที่ควรเรียนมากครับ ลองเอาใช้กับชีวิตตัวเองดู ดีจริง https://t.co/RBvcLygGXe

[Lunar @LunarResearcher]

Google just released a free 2-hour course on full Graph Engineering.

How to go from one prompt to an agent graph that can build itself:

0% → 10:16 - build your first AI agent
25% → 41:05 - master prompt engineering
50% → 54:45 - turn agents into graphs
75% → 1:20:10 - run loops inside agent graphs
100% → 1:43:33 - build a graph that builds itself

Most people build one agent and stop there.

Google is teaching everything that comes after:

Prompt → Agents → Graphs → Loops → Self-Building Systems

Single agents are the old workflow.

Graphs that evolve themselves are the next one.

This 2-hour course is worth more than most paid agent engineering courses.

Bookmark it and watch today

Then read how to run 1,000 agents from one prompt below ↓

[Mahachai 🦇🔊 @EthereumThaila1]

ต่อด้วยเรื่อง Graph
ปกติถ้าเราใช้ AI ทำ research ไปเรื่อยๆ แล้วเก็บสิ่งที่หาได้ไว้ใน RAG สิ่งที่เราได้ส่วนใหญ่ยังมีลักษณะเป็น “กองข้อมูล” อยู่

Traditional RAG มักใช้ Vector Search ในการหาเนื้อหาที่มีความหมายใกล้เคียงกับสิ่งที่เราถาม แต่มีข้อจำกัดสำคัญอยู่สองเรื่อง

มันไม่ได้เก็บ “ความสัมพันธ์” ระหว่างสิ่งต่างๆ
Semantic similarity หรือคำใกล้เคียงไม่ได้แปลว่า business relevance เพราะพอเริ่ม research มันจะมีความจำเพาะทางมากขึ้น และคำบริบทใกล้เคียงที่ถูกกำหนดโดย vector database library จะใช้กับงาน research ไม่ได้ละ เพราะ vector database library คือบริบทที่ใช้กันทั่วไป

Knowledge Graph แทนที่จะจำแค่ว่าเรามีข้อมูลอะไร Graph จะเก็บว่า

A เกี่ยวข้องกับ B อย่างไร
B ไปกระทบ C ผ่านอะไร
C พึ่งพา D อยู่หรือไม่

ดังนั้น Graph จึงเหมือน “แผนที่ความสัมพันธ์” ของสิ่งที่เรา research มา และ AI สามารถ traverse ไปตามความสัมพันธ์เหล่านั้นได้ แทนที่จะอาศัย semantic similarity อย่างเดียว
เรื่องหุ้นในอุตสาหกรรม semiconductor เป็นตัวอย่างที่ดีมาก เพราะถ้าเราไล่ตั้งแต่วัตถุดิบ → equipment → foundry → packaging → HBM → GPU → cloud provider จำนวน entity และ dependency จะเพิ่มขึ้นเร็วมาก

คำถามก็จะเปลี่ยนจาก “ข้อมูลเกี่ยวกับบริษัทนี้มีอะไรบ้าง?”
เป็น
“ถ้าบริษัทนี้มีปัญหา ใครจะได้รับผลกระทบ downstream บ้าง และผ่าน supply chain เส้นไหน?”

โจทย์แบบหลังเป็น graph problem โดยธรรมชาติ

เพราะฉะนั้นเมื่อ research เริ่มมี entity และ relationship จำนวนมาก การเก็บเป็น text-based memory หรือ Vector RAG อย่างเดียวจะเริ่มไม่พอ และเราสามารถขยับไปเป็น GraphRAG ซึ่งใช้ทั้ง Vector Search + Knowledge Graph ร่วมกัน

ส่วน implementation ตอนนี้ Neo4j มี MCP Server อยู่แล้ว ทำให้ AI agent สามารถ query และ traverse graph ผ่าน Cypher ได้โดยตรง

ภาพสุดท้ายจึงประมาณว่า
Research → Vector Search → Entity → Knowledge Graph → Relationship Traversal → AI Reasoning

ยิ่ง research ต่อไปเรื่อยๆ Graph ก็ยิ่งกลายเป็น accumulated structured knowledge แทนที่จะเป็นแค่กอง text ที่ AI ต้องมาค้นใหม่ทุกครั้ง และเราสามารถทำขายได้ด้วยน่ะ

[นักลงพุง @naklongpoong]

iPhone 17 Pro เครื่องเดียว มีบริษัทเซมิคอนดักเตอร์ถึง 12 แห่งอยู่เบื้องหลัง

iPhone 17 Pro ไม่ได้เป็นแค่สมาร์ตโฟน แต่เป็นเหมือน “ระบบนิเวศเซมิคอนดักเตอร์ขนาดย่อม” ที่รวมเทคโนโลยีจากบริษัทชั้นนำมากมายไว้ในเครื่องเดียว ตั้งแต่ชิปประมวลผล การเชื่อมต่อ กล้อง ระบบจัดการพลังงาน ไปจนถึงวัสดุที่ใช้ผลิตตัวเครื่อง

TSMC ผลิตชิปประมวลผล A19 Pro ให้ Apple ด้วยเทคโนโลยีการผลิตขั้นสูงที่สุดของบริษัท

Broadcom ผลิตชิ้นส่วน RF Front-End และเทคโนโลยีชาร์จไร้สาย แต่ใน iPhone รุ่นนี้ ชิป N1 ของ Apple เข้ามารับหน้าที่หลักด้าน Wi-Fi และ Bluetooth แทน Broadcom

Corning ผลิตกระจกหน้าจอและ Ceramic Shield ซึ่งเป็นชั้นวัสดุที่ช่วยปกป้องหน้าจอและด้านหลังเครื่อง

Qualcomm ผลิตโมเด็ม Snapdragon X80 สำหรับ iPhone 17 Pro โดยเป็นรุ่นสุดท้ายก่อนที่โมเด็ม C2 ของ Apple จะเข้ามารับช่วงต่อ เหตุผลที่ยังใช้ Qualcomm คือการรองรับ mmWave ซึ่ง C1X ของ Apple ยังไม่รองรับ

STMicroelectronics ผลิตชิปที่ใช้ในระบบ Face ID กล้อง และการจัดการพลังงาน ช่วยควบคุมระบบเซนเซอร์และการถ่ายภาพ

NXP Semiconductors ผลิตชิปควบคุมการเชื่อมต่อ เช่น NFC ระบบชำระเงินแบบปลอดภัย และการควบคุม USB-C ทำให้ iPhone สามารถสื่อสารกับอุปกรณ์เสริมและระบบชำระเงินแบบไร้สัมผัสได้

Cirrus Logic ผลิตชิปด้านเสียงและพลังงานที่ใช้กับลำโพง ไมโครโฟน และระบบเสียงต่างๆ พร้อมช่วยจัดการการใช้พลังงานอย่างมีประสิทธิภาพ

Texas Instruments ผลิตชิป Analog และ Power Management สำหรับการชาร์จแบตเตอรี่ การควบคุมแฟลชกล้อง และการจ่ายพลังงานให้กับหน้าจอ

Analog Devices ผลิตชิปสำหรับแปลงและจัดการพลังงาน รวมถึงควบคุมแรงดันไฟฟ้าให้เหมาะสมกับส่วนต่างๆ ของเครื่อง

Sony ผลิตเซนเซอร์รับภาพ CMOS ซึ่งเป็นชิ้นส่วนที่ทำหน้าที่รับแสงและแปลงเป็นภาพสำหรับกล้องของ iPhone

Qorvo ผลิต RF Front-End Modules ที่ช่วยกรองและขยายสัญญาณมือถือ ทำให้ iPhone สามารถรองรับคลื่นความถี่ต่าง ๆ ได้อย่างมีประสิทธิภาพ

Skyworks Solutions ผลิตชิ้นส่วน RF เพิ่มเติมที่ช่วยจัดการและเสริมประสิทธิภาพสัญญาณไร้สายระหว่าง iPhone กับเครือข่ายมือถือ

cr. Shay Boloor