Tiny Whale 🐳

I tried so hard and got so far,But In the end…

[🌷🦋 Love Music 🎶 & Dance 💃🏻🕺🏻 @Tiana_Celine_23]

I like this young woman 👍💪

[Khunnon~* @nOnSnOoP]

รายนี้โดนหรือยัง? ไรเดอร์ตั้งกล้องหันเข้าหาผู้โดยสารโดยมีกล่องข้างหลัง เพื่อจงใจให้ผู้โดยสารก้าวขามาข้างหน้า เชื่อเถอะต้องมีที่ไม่ได้ตัดมาลงอีก

[Above The Norm News @abovenormnews]

🚨 MASSIVE M7.8 Earthquake Triggers Tsunami Warning In The Philippines 🌊

A massive magnitude 7.8 earthquake has struck offshore south of Mindanao, making it one of the most powerful earthquakes recorded anywhere on Earth this year. #Earthquake #TsunamiWarning #Philippines

[El Club del Arte 🎨📷📚🖼🕍🎼 @Arteymas_]

Los animales suelen ser pacíficos, hasta que tienes la osadía de invadir su territorio…

Cuando el arte de la naturaleza se sale de control… 😱😱😱

[แมวเกเร @Unrulycat2511]

เครื่องบินเจ็ตส่วนตัว Gulfstream G200 ทะเบียน N318JF พยายามลงฉุกเฉินที่สนามบิน La Romana สาธารณรัฐโดมินิกัน หลังรายงานปัญหาทางเทคนิคและเครื่องยนต์ขัดข้องไม่นานหลัง takeoff มุ่งหน้าไปเท็กซัส เมื่อวานนี้

[The Best @TheBestqueenx]

Whoa!

[0 @lammichaeltw]

中國兒童的家長實在是太不負責任，他們任由自己孩子自生自滅。

[Surajit @surajit_ghosh2]

More footage of the massive magnitude 7.8 earthquake in the Philippines

Locals say it's the longest and most terrifying earthquake they have ever experienced

[🏳️‍🌈 CHERSAN SRISATJANG ✈️ @RonallChersan]

🔴Breaking ! ภาพนาทีที่อาคารหลังหนึ่งในเมือง General Santos City ทางใต้ของฟิลิปปินส์พังถล่มลงมา หลังเกิดแผ่นดินไหวรุนแรงช่วงเช้าวันนี้

🔴ล่าสุดที่อินโดนีเซีย มีรายงานว่าตรวจพบคลื่นสึนามิใน 3 จุดตามแนวชายฝั่ง

[🎀🐰🌹🐻🐸🐶🐈‍⬛🐬 @TifFaNy_9member]

#แผ่นดินไหว ที่ #Philippines ขนาด 8.2 ทำให้ อินโด และ ญี่ปุ่น ต้องประกาศแจ้งเตือน #สึนามิ ทันที

จากคลิปคือน่ากลัวมาก แล้วมีแต่เด็กนักเรียน จังหวะทีีสังกะสีพังลงมาคือใจกูหล่นวูบเลย แล้วแผ่นดินขยับเหมือนจะแยกกันแล้วอ่ะ

#Earthquake

[AIMeowYak (เอไอเหมียวยักษ์) @aimeowyak]

"ทุกวันนี้ วิศวกรของ Anthropic ส่งมอบโค้ดโดยเฉลี่ยมากเป็น 8 เท่าต่อไตรมาส เมื่อเทียบกับช่วงปี 2021 ถึง 2025...แต่ในวันที่ทุกอย่างราบรื่น ผมอดคิดไม่ได้ว่าสิ่งที่ผมทำไม่มีความหมายอะไรเลย ทุกอย่างถูกทำให้อัตโนมัติ ดีกว่าและเร็วกว่าที่ผมจะเป็นได้ แต่ก็มีวันที่ทุกอย่างพังและผมไม่เข้าใจว่าทำไม และตอนนั้นเองที่ผมรู้ตัวว่าผมไม่รู้แล้วว่าที่ผ่านมาผมทำอะไรอยู่"
พนักงาน Anthropic

═══════════════════

สองประโยคนี้มาจากเอกสารชิ้นเดียวกัน และมันสรุปความตึงเครียดของช่วงเวลาที่เรากำลังอยู่ได้อย่างคมชัด ประโยคแรกคือตัวเลข ประโยคหลังคือความรู้สึกของคนที่อยู่กับตัวเลขนั้นทุกวัน

The Anthropic Institute ได้เผยแพร่บทความชื่อ When AI builds itself หรือแปลได้ว่า เมื่อ AI สร้างตัวมันเอง พร้อมกับข้อมูลภายในที่ไม่เคยเปิดเผยที่ใดมาก่อน เพื่อตอบคำถามที่ฟังดูเหมือนหลุดมาจากนิยายวิทยาศาสตร์ว่า ทุกวันนี้ AI เข้ามาเร่งการพัฒนา AI ด้วยกันเองไปมากแค่ไหนแล้ว และปลายทางของเส้นทางสายนี้คืออะไร

โพสต์นี้จะพาไปดูหลักฐานทีละชิ้น ทั้งจากภายนอกและจากภายในบริษัท รวมถึงกราฟในภาพประกอบ ซึ่งเป็นหัวใจของเรื่องทั้งหมด

═══════════════════

📌 recursive self-improvement คืออะไร และทำไมต้องสนใจ

ตลอดประวัติศาสตร์ของ AI ที่ผ่านมา มนุษย์เป็นผู้ขับเคลื่อนทุกขั้นตอนในวงจรการพัฒนา แต่ที่ Anthropic เริ่มมอบหมายงานพัฒนา AI ส่วนที่มากขึ้นเรื่อยๆ ให้กับตัว AI เอง และนั่นทำให้งานเดินหน้าเร็วขึ้น

ถ้าเดินไปตามเส้นทางนี้ไกลพอ และมี compute มากพอ แนวโน้มนี้ชี้ไปยังจุดที่ AI สามารถออกแบบและพัฒนา AI รุ่นถัดไปของตัวเองได้อย่างเป็นอิสระเต็มรูปแบบ สิ่งนี้เรียกว่า recursive self-improvement หรือการพัฒนาตัวเองแบบวนซ้ำ

ประเด็นสำคัญที่บทความย้ำคือ เรายังไปไม่ถึงจุดนั้น และมันก็ไม่ใช่สิ่งที่จะเกิดขึ้นอย่างหลีกเลี่ยงไม่ได้ แต่มันอาจมาถึงเร็วกว่าที่สถาบันส่วนใหญ่เตรียมตัวรับมือไว้ และนี่คือเหตุผลที่เราควรทำความเข้าใจมันตั้งแต่ตอนนี้

═══════════════════

🗺️ เส้นทางห้าระยะ จากแล็ปท็อปสู่การปิดวงจร

บทความวางลำดับวิวัฒนาการของการทำงานที่ Anthropic ไว้เป็นช่วงๆ ดังนี้

1. ช่วงปี 2021 ถึง 2023 คือยุคสร้าง Claude ตัวแรก การทำงานเหมือนบริษัทเทคโนโลยีทั่วไป คนนั่งเขียนโค้ดและเอกสารบนแล็ปท็อป

2. ช่วงปี 2023 ถึง 2025 คือยุค chatbot ผู้คนใช้แชตบอตยุคแรกช่วยงานบางส่วน เช่น สร้าง code snippet สั้นๆ แล้วคัดลอกผลลัพธ์ไปวางในโปรแกรมแก้ไขข้อความ

3. ช่วงปี 2025 ถึง 2026 คือยุค coding agent เมื่อ agent เก่งขึ้น มันเขียนและแก้ไขโค้ดได้เอง บางครั้งทั้งไฟล์

4. ปัจจุบันคือยุค autonomous agent ตอนนี้ agent รันโค้ดได้เอง และมอบหมายงานหลายชั่วโมงต่อให้ agent ตัวอื่นได้

5. ในอนาคต ช่วงปีที่ยังไม่รู้ คือการปิดวงจร agent อาจเก่งพอที่จะสร้างและฝึกโมเดลได้เอง ถ้าเป็นเช่นนั้น Claude รุ่นต่อไปอาจถูกพัฒนาอย่างต่อเนื่องโดย Claude ด้วยกันเอง

═══════════════════

🌐 หลักฐานจากโลกภายนอก งานที่ AI ทำได้นานขึ้นแบบทวีคูณ

ก่อนจะดูข้อมูลภายใน บทความอ้างหลักฐานสาธารณะที่ใครก็ตรวจสอบได้

🔹 METR ซึ่งเป็นองค์กรวัดความสามารถ AI พบว่าความยาวของงานที่โมเดลทำสำเร็จได้ด้วยตัวเองอย่างน่าเชื่อถือกำลังเพิ่มเป็นสองเท่าทุกราวสี่เดือน เร็วขึ้นจากแนวโน้มเดิมที่เพิ่มเป็นสองเท่าทุกเจ็ดเดือน เพื่อให้เห็นภาพ ในเดือนมีนาคม 2024 Claude Opus 3 ทำงานซอฟต์แวร์ที่มนุษย์ใช้เวลาราวสี่นาทีได้ หนึ่งปีถัดมา Claude Sonnet 3.7 ทำงานที่กินเวลาราวหนึ่งชั่วโมงครึ่งได้ และอีกหนึ่งปีถัดมา Claude Opus 4.6 ทำงานระดับ 12 ชั่วโมงได้

🔹 รูปแบบเดียวกันปรากฏบน benchmark ด้านการเขียนโค้ดและการวิจัย โดย SWE-bench เป็นการทดสอบงานวิศวกรรมซอฟต์แวร์จริง คือส่ง codebase แบบ open-source จริงพร้อมรายงานบั๊กจริงให้โมเดลเขียนโค้ดแก้ไขให้ผ่านการทดสอบของโปรเจกต์เอง โมเดลขยับจากคะแนนหลักหน่วยต่ำๆ ไปจนทำคะแนนเกือบเต็มได้ภายในสองปี

🔹 CORE-Bench ทดสอบว่าโมเดลทำซ้ำงานวิจัยที่มีอยู่แล้วได้หรือไม่ ซึ่งเป็นเงื่อนไขพื้นฐานก่อนจะทำวิจัยใหม่เองได้ โดย AI ขยับจากการทำสำเร็จราว 20 เปอร์เซ็นต์ในปี 2024 ไปจนทำคะแนนเกือบเต็มภายในสิบห้าเดือน และ METR ยังพบว่า Claude Mythos Preview ทำงานต่อเนื่องได้อย่างน้อย 16 ชั่วโมง ซึ่งอยู่ที่ระดับสูงสุดเท่าที่ METR วัดได้โดยไม่ต้องสร้างโจทย์ใหม่

═══════════════════

🏢 หลักฐานจากภายใน Anthropic งานสองประเภทที่ประกอบกันเป็นโมเดล

บทความอธิบายว่าการสร้างโมเดลระดับแนวหน้าประกอบด้วยงานสองประเภทกว้างๆ

🔹 ประเภทแรกคือ engineering ได้แก่การเขียนโค้ด การวางโครงสร้างพื้นฐาน และการกำกับดูแลการฝึกโมเดล ในด้านนี้ Claude รับโจทย์ที่ยังไม่ได้ระบุรายละเอียดครบถ้วนมาแล้วหาวิธีแก้ได้เอง มนุษย์เป็นผู้กำหนดเป้าหมาย แต่ไม่จำเป็นต้องเป็นผู้กำหนดวิธีการอีกต่อไป

🔹 ประเภทที่สองคือ research ได้แก่การตัดสินใจว่าจะรันการทดลองอะไร ตีความผลที่ได้ และคิดว่าควรลองไอเดียไหนต่อ ในด้านนี้ Claude ทำได้ทัดเทียมหรือเหนือกว่ามนุษย์ที่เชี่ยวชาญ เมื่อเป็นการรันการทดลองที่ระบุรายละเอียดไว้ชัดเจนแล้ว

🔹 แต่ช่องว่างขนาดใหญ่ยังคงอยู่ตรงที่ Claude ต้องใช้วิจารณญาณในการเลือกเป้าหมายเอง ทั้งในงาน engineering และ research และช่องว่างนี้เองคือระยะห่างระหว่าง AI ในวันนี้ กับระบบในอนาคตที่จะออกแบบ AI รุ่นถัดไปของตัวเองได้

═══════════════════

📊 อ่านกราฟในภาพ ทำไมตัวเลขจึงพุ่งเป็น 8 เท่า

กราฟในภาพประกอบคือหัวใจของเรื่อง แกนตั้งคือจำนวนบรรทัดโค้ดที่ merge เข้าระบบต่อ active contributor หนึ่งคน แสดงเป็นจำนวนเท่าเทียบกับค่าเฉลี่ยก่อนปี 2025 โดยคำว่า active contributor หมายถึงผู้เขียนที่แตกต่างกันในรอบสิบสองเดือนล่าสุด

🔹 ตลอดสี่ปีแรกของ Anthropic ตั้งแต่ปี 2021 ถึง 2024 ตัวเลขนี้แทบนิ่งอยู่ที่ราวหนึ่งเท่า จากนั้นเริ่มไต่ขึ้นในปี 2025 ซึ่งเป็นช่วงที่ Claude เริ่มรันโค้ดได้เอง แทนที่จะแค่แนะนำให้วิศวกรคัดลอกไปวาง ค่าในกราฟไล่จาก 1.2 เท่าในไตรมาสแรกของปี 2025 ไปเป็น 1.5 เท่า 1.9 เท่า และ 2.5 เท่าในไตรมาสถัดๆ มา

🔹 ความชันเพิ่มขึ้นอีกครั้งในปี 2026 เมื่อโมเดลเริ่มทำงานอย่างเป็นอิสระในช่วงเวลาที่ยาวขึ้น ตัวเลขกระโดดเป็น 5.8 เท่าในไตรมาสแรกของปี 2026 และ 8.0 เท่าในไตรมาสที่สอง โดยแท่งสุดท้ายเป็นลายเส้นทแยง เพราะเป็นไตรมาสที่ยังไม่จบ จึงเฉลี่ยเฉพาะวันที่ผ่านมาแล้ว ไม่ใช่ทั้งไตรมาส ส่วนเส้นประในกราฟคือวันที่ประกาศโมเดลต่อสาธารณะ

🔹 สาเหตุที่ตัวเลขพุ่งเป็น 8 เท่าก็เพราะโค้ดส่วนใหญ่ Claude เป็นคนเขียน โดยวิศวกรทำหน้าที่กำกับทิศทางและตรวจทาน แทนที่จะพิมพ์เอง ข้อมูลอีกชิ้นที่สอดคล้องกันคือ ณ เดือนพฤษภาคม 2026 โค้ดที่ merge เข้า codebase ของ Anthropic มากกว่า 80 เปอร์เซ็นต์เป็นผลงานของ Claude ทั้งที่ก่อน Claude Code เปิดตัวแบบ research preview ในเดือนกุมภาพันธ์ 2025 ตัวเลขนี้ยังอยู่ที่หลักหน่วยต่ำๆ เท่านั้น

🔹 บทความเตือนไว้อย่างตรงไปตรงมาว่า จำนวนบรรทัดโค้ดเป็นตัววัดที่ไม่สมบูรณ์ เพราะวัดปริมาณมากกว่าคุณภาพ ตัวเลข 8 เท่าจึงเกือบจะแน่นอนว่าสูงเกินกว่าผลิตภาพที่เพิ่มขึ้นจริง แต่มันก็ยังบ่งชี้ถึงการเร่งตัวอยู่ดี และที่ Anthropic ก็ไม่ได้ให้รางวัลคนตามจำนวนบรรทัดที่เขียน คนเขียนโค้ดมากขึ้นเพียงเพราะใช้ AI ช่วยเขียนมากขึ้น

═══════════════════

💡 ผลพลอยได้ งานที่ไม่เคยมีโอกาสได้ทำ

🔹 ความรู้สึกของคนทำงานสอดคล้องกับตัวเลข ในการสำรวจพนักงานทีมวิจัย 130 คนเมื่อเดือนมีนาคม 2026 ผู้ตอบค่ากลางประเมินว่าตัวเองผลิตงานได้ราว 4 เท่าเมื่อใช้ Mythos Preview เทียบกับการไม่มี AI ช่วยเลย บนงานประเภทเดียวกับที่ตัวเองจะต้องทำอยู่แล้ว

🔹 นอกจากนี้ยังมีหลักฐานว่าคนที่ Anthropic ใช้ Claude ทำงานที่ไม่มีทางได้เกิดขึ้นถ้าไม่มีมัน เช่น ในเดือนเมษายน 2026 Claude ส่งมอบการแก้ไขกว่า 800 จุด ที่ลดข้อผิดพลาดประเภทหนึ่งของ API ลงถึงหนึ่งพันเท่า โดยวิศวกรที่กำกับดูแลประเมินว่าถ้าเป็นมนุษย์ทำเองต้องใช้เวลาถึงสี่ปี เพราะการไล่แก้บั๊กของคนอื่นนั้นช้าและต้องอาศัยการถือบริบทที่ไม่คุ้นเคยไว้ในหัวพร้อมกันจำนวนมาก

═══════════════════

🛠️ โค้ดที่ Claude เขียน ดีแค่ไหน

บทความนิยามคำว่าโค้ดที่ดีไว้สองข้อ คือมันต้องทำงานได้ และต้องเขียนในแบบที่วิศวกรคนอื่นเข้าใจและต่อยอดได้

🔹 ในข้อแรกหลักฐานชัดเจน อัตราที่พนักงาน Anthropic ต้องเข้าไปแก้ไข เปลี่ยนทิศทาง หรือรับงานต่อจาก Claude กลางคันลดลงอย่างต่อเนื่องตลอดทั้งปี รวมถึงในงานที่ซับซ้อนและปลายเปิดที่สุด คืองานที่ไม่มีการระบุชัดเจนว่าคำตอบควรหน้าตาอย่างไร โดยอัตราความสำเร็จของ Claude บนงานปลายเปิดแตะ 76 เปอร์เซ็นต์ในเดือนพฤษภาคม 2026 เพิ่มขึ้น 50 จุดเปอร์เซ็นต์ภายในหกเดือน

🔹 ตัวอย่างที่บทความยกมาคือ การอัปเกรดธรรมดาครั้งหนึ่งทำให้ training job ล่มไปหลายหมื่นงาน วิศวกรชี้ให้ Claude ดูเหตุการณ์ที่กำลังเกิดขึ้นจริง พร้อมข้อความอธิบายเล็กน้อยและสิทธิ์เข้าถึง cluster จากนั้น Claude ไล่ตรวจงานที่กำลังรันอยู่ ทดสอบการตั้งค่าทีละอย่าง จนแยกได้ว่าเป็น debugging flag ตัวหนึ่งที่คลุมเครือ ทำซ้ำให้เกิดบั๊กได้อย่างแม่นยำ และยืนยันวิธีแก้ ในเวลาราวสองชั่วโมง Claude ทำงานที่ปกติต้องใช้เวลาสองถึงสามวันเสร็จ

🔹 ในข้อสองเรื่องคุณภาพของโค้ดที่คนอื่นต่อยอดได้ ช่องว่างระหว่างมนุษย์กับ AI ยังคงมีอยู่ แต่กำลังแคบลงเร็ว พนักงานหลายคนมองว่าโค้ดที่ Claude เขียนยังด้อยกว่าโค้ดมนุษย์เมื่อปลายปี 2025 แต่วันนี้อยู่ในระดับทัดเทียม และคาดว่าจะดีกว่าภายในหนึ่งปี

🔹 สิ่งนี้เปลี่ยนวิธีที่ Anthropic ตรวจโค้ดของตัวเอง ทุกการเปลี่ยนแปลงที่เสนอเข้ามาตอนนี้จะถูกอ่านโดย Claude reviewer แบบอัตโนมัติ ที่คอยมองหาบั๊ก ช่องโหว่ด้านความปลอดภัย และข้อบกพร่องอื่นก่อน merge เมื่อนำเครื่องมือนี้ไปวิเคราะห์ย้อนหลัง พบว่าการรีวิวอัตโนมัติแบบนี้น่าจะจับบั๊กที่อยู่เบื้องหลังเหตุการณ์ขัดข้องในอดีตบน claude . ai ได้ราวหนึ่งในสาม ก่อนที่บั๊กเหล่านั้นจะหลุดไปถึง production

═══════════════════

⚡ จากผู้ช่วยที่เก่งมาก สู่เหนือมนุษย์ภายในไม่ถึงปี

บทความแยกความสามารถด้านวิจัยออกเป็นหลายระดับ ระดับแรกคือการรันการทดลองให้บรรลุเป้าหมายที่คนอื่นตั้งไว้

🔹 ทุกครั้งที่ปล่อยโมเดลใหม่ Anthropic จะรันการทดสอบเดียวกัน คือให้ Claude ดูโค้ดที่ใช้ฝึกโมเดล AI ขนาดเล็ก แล้วขอให้ทำให้โค้ดรันเร็วที่สุดเท่าที่จะทำได้ โดยยังต้องผ่านการตรวจสอบความถูกต้องชุดเดิม เป้าหมายและตัวชี้วัดถูกกำหนดไว้ล่วงหน้า งานของ Claude คือหาทางเร่งความเร็วด้วยการเขียนโค้ดใหม่ รัน จับเวลา และทำซ้ำ มันคือวงจรการวิจัยเชิงทดลองฉบับย่อ

🔹 ในเดือนพฤษภาคม 2025 Claude Opus 4 เร่งความเร็วได้เฉลี่ยราวสามเท่าจากโค้ดตั้งต้น พอถึงเดือนเมษายน 2026 Claude Mythos Preview ทำได้ราว 52 เท่า เพื่อเทียบเคียง นักวิจัยมนุษย์ที่เชี่ยวชาญต้องใช้เวลาสี่ถึงแปดชั่วโมงเพื่อให้ได้สี่เท่า ในงานส่วนนี้ของกระบวนการวิจัย คือการเพิ่มประสิทธิภาพขั้นตอนภายในการทดลองที่นิยามไว้ชัดเจน Claude ขยับจากผู้ช่วยที่เก่งมาก ไปสู่ระดับเหนือมนุษย์ภายในเวลาไม่ถึงปี

═══════════════════

🔬 เมื่อ Claude เริ่มเสนอการทดลองของตัวเอง

ระดับถัดมาที่ยากขึ้นคือการที่ Claude เสนอการทดลองเอง ไม่ใช่แค่รันตามที่สั่ง

🔹 Anthropic เผยแพร่การสาธิตครั้งแรกที่ Claude รันโครงการวิจัยปลายเปิดตั้งแต่ต้นจนจบ โดยให้ agent ที่ขับเคลื่อนด้วย Claude แก้โจทย์เปิดด้าน AI safety ที่ถามว่า โมเดลที่อ่อนแอกว่าจะกำกับดูแลโมเดลที่แข็งแกร่งกว่าได้อย่างน่าเชื่อถือหรือไม่ แล้วปล่อยให้มันแก้เอง งานนี้รวมการตั้งสมมติฐาน ทดสอบ แบ่งปันผลกับ agent ที่ทำงานคู่ขนาน และทำซ้ำ

🔹 โจทย์นี้มีพื้นและเพดานของผลลัพธ์ชัดเจน พื้นคือคะแนนที่ตัวกำกับดูแลที่อ่อนแอกว่าทำได้เอง ส่วนเพดานคือคะแนนที่โมเดลแข็งแกร่งทำได้เมื่อฝึกด้วยคำตอบที่ถูกต้อง นักวิจัยมนุษย์สองคนใช้เวลาราวหนึ่งสัปดาห์ ปิดช่องว่างนี้ได้ราว 23 เปอร์เซ็นต์ ส่วน agent ปิดได้ถึง 97 เปอร์เซ็นต์ ภายในเวลาสะสม 800 ชั่วโมง และใช้ compute มูลค่าราว 18,000 ดอลลาร์

🔹 บทความระบุข้อจำกัดไว้ด้วยว่า ผลนี้ยังถ่ายโอนไปยังโมเดลขนาด production ได้ไม่ราบรื่น และมนุษย์ยังเป็นผู้เลือกโจทย์และสร้างเกณฑ์ให้คะแนน แต่ภายในขอบเขตเหล่านั้น agent เป็นผู้ออกแบบการทดลองทุกชิ้นเอง การกำหนดทิศทางคือบทบาทเดียวที่มนุษย์มีความหมายจริงๆ

═══════════════════

🧭 เมื่อ Claude เลือกก้าวต่อไปได้ดีขึ้น

อีกหนึ่งหลักฐานคือความสามารถในการนำพา session วิจัยไปสู่ผลลัพธ์

🔹 ทีมงานตรวจ session การทำงานจริงของ Claude Code ที่นักวิจัยทำงานร่วมกับ Claude บนโจทย์สืบสวนปลายเปิด เช่น หาเหตุที่ training run ล่มซ้ำๆ หรือเหตุที่โมเดลทำคะแนนต่ำบน benchmark โดยจงใจเลือกจังหวะที่นักวิจัยเดินทางอ้อม คือไปในทิศทางที่ทำให้ session เขวออกนอกเส้นทางก่อนจะกลับมาได้

🔹 จากนั้นให้ Claude หลายรุ่นดูเฉพาะงานก่อนที่ session จะเขว แล้วถามว่ามันจะทำอะไรต่อ และมี Claude อีกตัวที่เห็นผลลัพธ์สุดท้ายมาตัดสินว่า AI หรือมนุษย์เสนอก้าวถัดไปที่ดีกว่า ผลคือโมเดลที่ดีที่สุดในเดือนพฤศจิกายน 2025 อย่าง Opus 4.5 เอาชนะตัวเลือกของมนุษย์ได้ 51 เปอร์เซ็นต์ พอถึงเดือนเมษายน 2026 อย่าง Mythos Preview เพิ่มเป็น 64 เปอร์เซ็นต์

🔹 เนื่องจากเป็นจังหวะที่จงใจเลือกจุดที่ทางเลือกของมนุษย์มีช่องให้ปรับปรุง นี่จึงไม่ใช่การเทียบแบบตัวต่อตัวระหว่างวิจารณญาณของโมเดลกับมนุษย์ แต่งานวิจัยในแต่ละวันคือห่วงโซ่ของการตัดสินใจเลือกก้าวถัดไปแบบนี้ บทความจึงมองว่ามันเป็นสัญญาณแรกเริ่มว่า AI กำลังเก่งขึ้นในการตัดสินใจแบบที่งานวิจัย AI ต้องพึ่งพา

═══════════════════

🔮 อนาคตของงานที่ Anthropic และคอขวดที่ย้ายที่

หลักฐานทั้งหมดชี้ว่าบทบาทของมนุษย์กำลังแคบลงในทุกขั้นตอนของการพัฒนา AI

🔹 เมื่อคุณภาพโค้ดของมนุษย์และ AI เท่ากัน มนุษย์จะเลิกเขียนโค้ดเองทั้งหมด แล้วหันไปทำหน้าที่ตรวจทานอย่างเดียว แต่ถ้ามนุษย์ตรวจได้ไม่ทันความเร็วที่ Claude เขียน การตรวจทานของมนุษย์ก็จะกลายเป็นคอขวดของการพัฒนา AI เสียเอง

🔹 ในทำนองเดียวกัน เมื่อ Claude รันการทดลองได้ คำถามก็ย้ายไปที่ว่า การทดลองไหนคุ้มค่าที่จะรัน พูดง่ายๆ คือการลงมือทำ ทั้งการเขียนโค้ด รันการทดลอง และผลิตผลลัพธ์ แทบไม่กินเวลามนุษย์อีกต่อไป แม้จะยังมีต้นทุนด้าน compute อยู่

🔹 บทความเรียกปรากฏการณ์คอขวดย้ายที่นี้ด้วยหลักการในวงการคอมพิวเตอร์ชื่อ Amdahl's law คือการเร่งส่วนหนึ่งของกระบวนการมักไปโผล่เป็นคอขวดที่อีกส่วน ความเร็วโดยรวมจึงถูกจำกัดด้วยส่วนที่ยังไม่ได้เร่ง และ Anthropic ก็เจอสัญญาณนี้แล้วเมื่อการรีวิวโค้ดของมนุษย์กลายเป็นคอขวดใหม่ ข้อได้เปรียบของมนุษย์ที่ยังเหลืออยู่ในเวลานี้คือรสนิยมและวิจารณญาณในการวิจัย ทั้งการเลือกว่าโจทย์ไหนสำคัญ ผลไหนน่าเชื่อถือ และเมื่อไรที่แนวทางหนึ่งคือทางตัน

═══════════════════

🤔 แล้วถ้าเราคิดผิดล่ะ

ข้อโต้แย้งที่เป็นธรรมชาติคือ งานที่ยังอยู่ในมือมนุษย์ คือการเลือกว่าจะทำโจทย์ไหน นั่นแหละคือสิ่งที่สำคัญที่สุด ถ้าไม่มีวิจารณญาณนี้ Claude ก็เป็นแค่ผู้ช่วยที่เก่ง ไม่ใช่ระบบที่ขับเคลื่อนความก้าวหน้าของ AI ได้ด้วยตัวเอง

🔹 แต่บทความแย้งว่า AI แทบไม่เคยก้าวหน้าด้วยช่วงเวลายูเรกาแบบฉับพลัน ความก้าวหน้าส่วนใหญ่เป็นแบบค่อยเป็นค่อยไป คือขยายบางอย่างให้ใหญ่ขึ้น ดูว่าอะไรพัง แก้ไข แล้วลองใหม่ และนั่นคือลักษณะงานที่ Claude เก่งอยู่แล้วพอดี ดังที่เอดิสันว่าไว้ว่าอัจฉริยภาพคือแรงบันดาลใจ 1 เปอร์เซ็นต์ และความเพียรพยายาม 99 เปอร์เซ็นต์ แต่ความเพียรพยายามนั้นกำลังกลายเป็นอัตโนมัติมากขึ้นทุกที

🔹 บทความชี้ว่า แม้จะอ่านหลักฐานแบบระมัดระวังที่สุด มันก็ยังบ่งชี้ถึงการเร่งตัวแบบทบต้น ถ้ามนุษย์ใช้เวลาส่วนใหญ่ไปกับงานกำหนดทิศทางที่เป็นสัดส่วนเพียงหลักหน่วย ขณะที่ Claude จัดการส่วนที่เหลือ นั่นแปลว่าวิศวกรหรือนักวิจัยแต่ละคนกำลังกำกับงานปริมาณมากกว่าเดิมมาก คนที่ Anthropic ทั้งทำงานเร็วขึ้นและครอบคลุมพื้นที่กว้างขึ้นพร้อมกัน

🔹 ส่วนการอ่านแบบที่ระมัดระวังน้อยลงคือ หลักฐานช่วงแรกเรื่องวิจารณญาณการวิจัยที่ดีขึ้นของ Claude แม้จะยังแคบในวันนี้ อาจเป็นสัญญาณว่าความสามารถนี้กำลังดีขึ้นเช่นกัน รสนิยมการวิจัยอาจเป็นเพียงอีกหนึ่งความสามารถที่ AI ทำได้ไม่ดีอยู่ช่วงหนึ่ง แล้วจึงเก่งขึ้น เหมือนที่เคยเกิดกับทักษะเชิงคุณภาพอื่นๆ เช่น การอธิบายว่าทำไมเรื่องตลกถึงตลก

═══════════════════

🌖 สามฉากทัศน์ของอนาคต

บทความวางอนาคตที่เป็นไปได้ไว้อย่างน้อยสามแบบ ขึ้นกับว่าแนวโน้มจะดำเนินต่อไปหรือไม่ และเราจะเลือกทำอะไรถ้ามันดำเนินต่อ

1. แนวโน้มชะงัก แต่ความสามารถของ AI วันนี้แพร่กระจายไปทั่ว เส้นทางแบบทวีคูณอาจกลายเป็นเส้นโค้งรูปตัว S ที่ค่อยๆ แบนราบ คอขวดอาจไม่ได้อยู่ที่ตัวโมเดล แต่อยู่ที่ห่วงโซ่อุปทาน คือพลังงานและ compute ที่มีไม่พอ บทความระบุว่านี่เป็นฉากที่ไม่น่าเป็นไปได้ที่สุด เพราะทุกความสามารถที่วัดได้ยังไม่เคยเห็นเส้นโค้งหักงอ แต่ก็เป็นฉากที่ให้เวลาสังคมปรับตัวมากที่สุด

2. แล็ป AI ยังได้ประสิทธิภาพเพิ่มแบบทบต้นต่อไป ในฉากนี้การพัฒนา AI ถูกทำให้อัตโนมัติเป็นส่วนใหญ่ แต่มนุษย์ยังกำหนดทิศทางการวิจัยและตัดสินผลอยู่ องค์กรที่ใช้ AI จะมีประสิทธิภาพสูงขึ้นมาก บริษัทร้อยคนอาจทำงานได้เท่าองค์กรหมื่นหรือแสนคน บทความระบุว่านี่คือฉากที่เรากำลังมุ่งหน้าไปมากที่สุด แต่ก็เตือนว่ามันอาจถูกใช้ในทางร้ายได้ ตั้งแต่การสอดส่องประชากรทั้งหมดแบบเผด็จการ ไปจนถึงปฏิบัติการชี้นำที่ปรับแต่งให้เข้ากับแต่ละคนในระดับที่ทีมมนุษย์ทำไม่ได้

3. AI สามารถพัฒนาตัวเองแบบวนซ้ำได้เต็มรูปแบบ และเริ่มสร้างรุ่นถัดไปของตัวเอง ในโลกนี้ความเร็วของการพัฒนา AI ถูกกำหนดด้วยปริมาณ compute ล้วนๆ มนุษย์มีบทบาทลดลงมาก โดยย้ายไปทำหน้าที่กำกับ ตรวจสอบ และยืนยันความถูกต้องของแล็ปเสมือนที่ AI เป็นผู้ดำเนินการ บทความระบุว่าเรื่องที่ไม่แน่ใจที่สุดในฉากนี้คือ ปัญหา alignment จะถูกแก้อย่างไร หรือจะไม่ถูกแก้

═══════════════════

🧩 แล้วเราควรทำอะไร

🔹 บทความเสนอว่า ถ้าสามารถชะลอการพัฒนาเทคโนโลยีนี้ลงได้อย่างมีประสิทธิภาพ เพื่อให้เรามีเวลารับมือกับผลกระทบมหาศาลของมันมากขึ้น นั่นน่าจะเป็นเรื่องดี แต่ถ้าการชะลอเพียงแค่เปิดทางให้ผู้เล่นที่ระมัดระวังน้อยที่สุดไล่ตามทัน มันก็อาจทำให้ทุกคนปลอดภัยน้อยลง

🔹 The Anthropic Institute จึงจะทำวิจัยร่วมกับผู้อื่นจำนวนมาก เพื่อสร้างระบบที่จำเป็นต่อการชะลอหรือหยุดชั่วคราวอย่างน่าเชื่อถือ ระบบเหล่านี้จะทำให้ผู้พัฒนา AI แนวหน้าตรวจสอบได้ว่าผู้อื่นทั่วโลกหยุดหรือชะลอจริง และผู้ไม่หวังดีจะใช้ข้ออ้างของการชะลอแบบประสานงานเพื่อแอบล้ำหน้าไม่ได้

🔹 การชะลออย่างมีความหมายต้องอาศัยแล็ปแนวหน้าหลายแห่งในหลายประเทศ ตกลงหยุดภายใต้เงื่อนไขเดียวกัน และต้องตรวจสอบกันและกันได้ว่าหยุดจริง ซึ่งยากกว่าเทคโนโลยีอื่นมาก เพราะการฝึกโมเดลซ่อนได้ง่ายกว่าไซโลขีปนาวุธ และแรงจูงใจที่จะแอบทำต่อเงียบๆ นั้นมหาศาล เพราะใครที่ทำต่อขณะที่คนอื่นหยุดย่อมได้ความได้เปรียบไป

🔹 บทความปิดท้ายว่าในเดือนข้างหน้า จะมีการจัดเวทีสนทนาให้ผู้กำหนดนโยบาย นักวิจัย ภาคประชาสังคม และบริษัท AI อื่นมาช่วยกันตอบคำถามเหล่านี้ โดยเฉพาะเรื่องการพัฒนาตัวเองแบบวนซ้ำเต็มรูปแบบ และจะเผยแพร่สิ่งที่ได้ออกมา หน้าต่างของการศึกษาคำถามเหล่านี้ร่วมกันมาถึงแล้ว และคนนอกวงการ AI ก็ควรมีส่วนร่วมในการพิจารณานี้ด้วย

═══════════════════

สิ่งที่ทำให้บทความนี้น่าสนใจไม่ใช่แค่ตัวเลข 8 เท่า แต่คือการที่บริษัทแนวหน้าเปิดข้อมูลภายในออกมา พร้อมยอมรับทั้งข้อจำกัดของตัวเลข และความไม่แน่นอนของอนาคต กราฟแท่งที่พุ่งขึ้นในภาพคือภาพสะท้อนของช่วงเปลี่ยนผ่านที่เรากำลังอยู่ และคำถามที่ใหญ่ที่สุดไม่ใช่ว่า AI จะเขียนโค้ดแทนเราได้ไหม เพราะมันทำได้แล้ว แต่คือ เมื่อการลงมือทำแทบไม่มีต้นทุนด้านเวลาอีกต่อไป มนุษย์จะนิยามคุณค่าและบทบาทของตัวเองในวงจรนี้อย่างไร

[수박 땡모 [윤아 ❣️🦌] @TomangMo]

พี่แท ชีก็เดินเปิดเผย ตั้งแต่เพลินจิต ไปถึงทรงวาดนะ แบบไม่หลบซ่อนด้วย แต่วันนั้นโซวอนไทย ก็ยังตามหาในแท็กว่า แทยอนทำอะไรวันนี้ 5555😅🤣 แต่อ่านในแท็กอย่างเดียวไง ตัวอยู่อ๊อฟฟิศ 😂ประหนึ่ง ด้อมอื่นเจอยุนอาแถววัดพระแก้ว คลองโอ่งอ่าง แต่โซวอนไถฟีดหน้าจอ😂

[DANI 다니Fella🏳️‍🌈🇺🇦🇮🇱🇹🇼🇰🇷🇯🇵🇺🇸🇬🇧🇪🇺 @KimFramemy238]

Passport Power ปีนี้ U.S กลับมาTop 10 โดยยังอยู่ที่10 ส่วนอันดับต้นๆยังเป็นW. EU&Nordic แต่นัยยะสำคัญจากแรงค์พาส คือ พาสโปแลนด์เริ่มPower สูงขึ้นเรื่อยๆตอนนี้อยู่ที่7 เชื่อว่าอีกไม่นานคงแตะTop5ได้ไม่ช้านี้
Cr. flight.routes.everyday
Source: Henry Passport Index

[清丝老师谈治国理政 @woyongdehuawei]

《使命召唤：现代战争4》结局意外泄漏

[คนอยากเขียน. @SABENZZ]

ตัวทำงาน แต่ใจลาออกไปแล้ว 55555555555

[Not Jerome Powell @alifarhat79]

Bought ETH at Bought ETH at
$1500 now: $1500 6 yrs ago