Microsoft เพิ่งประกาศเปลี่ยนวิธีคิดเงินของ GitHub Copilot จากเหมาจ่ายรายเดือนมาเป็นการคิดตามปริมาณการใช้งานจริง และผลที่ตามมาคือบิลที่พุ่งขึ้นแรงจนผู้ใช้ Reddit คนหนึ่งบอกว่าบริษัทของเขาเริ่มเรียกปรากฏการณ์นี้ว่า 'Tokenpocalypse' หรือวันสิ้นโลกของ token นี่ไม่ใช่แค่ดราม่าของนักพัฒนากลุ่มเล็ก ๆ แต่เป็นสัญญาณเตือนว่ายุคที่เราใช้เครื่องมือ AI ราคาถูกแสนถูกกำลังจะปิดฉากลง

ในพอดแคสต์ Equity ของ TechCrunch ตอนล่าสุด Kirsten Korosec, Sean O'Kane และ Anthony Ha นั่งคุยกันถึงสิ่งที่การเปลี่ยนแปลงครั้งนี้กำลังจะส่งผลต่อทั้งระบบนิเวศของ AI โดยเฉพาะเมื่อ Anthropic และบริษัท AI รายใหญ่กำลังเตรียมเข้าตลาดหุ้น คำถามเรื่องกำไรที่เคยถูกหลบเลี่ยงมาตลอดกำลังจะกลายเป็นเรื่องที่เลี่ยงไม่ได้อีกต่อไป และสิ่งที่จะตามมาคือการขึ้นราคาและการจำกัดการใช้งานที่กำลังจะลามไปยังผลิตภัณฑ์ AI ตัวอื่น ๆ เมื่อแต่ละบริษัทพยายามคุมต้นทุนให้อยู่หมัด

GitHub Copilot จุดชนวน เมื่อบิลพุ่งจากหลักสิบเป็นหลักพันดอลลาร์

ตั้งแต่วันที่ 1 มิถุนายน 2026 GitHub Copilot ทุกแพ็กเกจขยับมาใช้การคิดเงินตามการใช้งาน (Usage-based Billing) เต็มตัว ระบบเดิมที่นับเป็น Premium Request Units (PRUs) ถูกแทนที่ด้วยหน่วยใหม่ที่เรียกว่า GitHub AI Credits โดยทุก ๆ การโต้ตอบจะถูกคิดเป็นจำนวน token ตามโมเดลที่เลือกใช้ แล้วแปลงกลับมาเป็นเครดิต ซึ่ง 1 เครดิตเท่ากับ 0.01 ดอลลาร์สหรัฐ

ราคาฐานของแต่ละแพ็กเกจยังเท่าเดิม ทั้ง Pro ที่ 10 ดอลลาร์ต่อเดือน, Pro+ ที่ 39 ดอลลาร์, Business ที่ 19 ดอลลาร์ต่อผู้ใช้ และ Enterprise ที่ 39 ดอลลาร์ต่อผู้ใช้ พร้อมเครดิตแถมมาให้ในแต่ละเดือน แต่ปัญหาคือเครดิตที่ให้มานั้นหมดเร็วกว่าที่หลายคนคาด พอใช้เกินโควตาก็ต้องจ่ายเพิ่มตามจริง และนั่นคือจุดที่ทำเอานักพัฒนาหลายคนหน้าซีด

ตามรายงานของ TechCrunch มีผู้ใช้คนหนึ่งเล่าว่าค่าใช้จ่ายของเขาขยับจากราว 29 ดอลลาร์ไปแตะเกือบ 750 ดอลลาร์ต่อเดือน ขณะที่อีกคนเจอบิลเด้งจากราว 50 ดอลลาร์ไปเป็นเกือบ 3,000 ดอลลาร์ เสียงบ่นในคอมมูนิตี้ดังเป็นเสียงเดียวกันว่า 'รูปแบบราคาใหม่นี้แพงจนไม่คุ้มและแทบใช้งานจริงไม่ได้อีกต่อไป' แม้จะมีบางส่วนแย้งว่าบิลที่บานปลายขนาดนั้นมาจากการเขียนโค้ดที่ไม่มีประสิทธิภาพมากกว่าตัวราคาเอง ส่วน Microsoft ยังไม่ออกมาให้ความเห็นต่อเสียงวิจารณ์นี้

เบื้องหลังที่หลายคนลืม บริการ AI ถูกอุดหนุนด้วยเงินนักลงทุนมาตลอด

ประเด็นที่ Anthony Ha ชี้ให้เห็นในวงสนทนาคือ ระบบนิเวศ AI ทั้งหมดนี้ถูกอุดหนุนด้วยเงินนักลงทุนอย่างหนักหน่วง ของที่ดูเหมือนแทบไม่มีต้นทุนนั้น จริง ๆ แล้วแพงมหาศาล และตอนนี้เรากำลังเดินมาถึงจุดที่ต้นทุนเหล่านั้นจะถูกส่งต่อมายังผู้ใช้ปลายทางมากขึ้นเรื่อย ๆ คำถามที่ยังไม่มีใครตอบได้คือ เมื่อต้นทุนจริงมาเคาะประตู พฤติกรรมการใช้งานของคนจะเปลี่ยนไปแค่ไหน

Sean O'Kane เสริมด้วยเกร็ดที่ฟังแล้วอมยิ้มว่า ราคา 20 ดอลลาร์ต่อเดือนของ ChatGPT Plus ตอนเปิดตัวแรก ๆ แทบไม่ได้มาจากกลยุทธ์อะไรเลย มันเหมือน 'โยนตัวเลขออกมาลอย ๆ' แล้วทุกคนในวงการก็ต้องอยู่กับตัวเลขนั้นมาตั้งแต่นั้น ชัดเจนว่าคนยอมจ่ายแพงกว่าเพื่อใช้โมเดลที่เก่งกว่า แต่ต่อให้เป็นแบบนั้นก็ยังปิดช่องว่างระหว่างราคากับต้นทุนจริงไม่ได้อยู่ดี

Tokenmaxxing เทรนด์ที่รุ่งและร่วงภายในครึ่งปี

สิ่งที่ Kirsten Korosec มองว่าน่าทึ่งที่สุดคือความเร็วของการเปลี่ยนแปลง เพราะกระแส 'Tokenmaxxing' เกิดขึ้น พุ่งถึงจุดสูงสุด แล้วถูกมองในแง่ลบ ทั้งหมดนี้ภายในเวลาไม่ถึงหกเดือน

Tokenmaxxing คือการแข่งกันใช้ Token ให้มากที่สุดเท่าที่จะทำได้ บนความเชื่อที่ว่ายิ่งใช้ token เยอะเท่าไหร่ก็ยิ่งได้งานเยอะเท่านั้น ช่วงต้นปี 2026 มันกลายเป็นเหมือนสถานะทางสังคมในซิลิคอนแวลลีย์ วิศวกรแข่งกันเผา Token เป็นพันล้านไปจนถึงหลักล้านล้าน บางบริษัทถึงขั้นทำกระดานจัดอันดับขึ้นมา อย่างที่ Fortune รายงานว่า Meta เคยมีกระดานภายในชื่อเล่นว่า Claudeonomics ที่รวมการใช้งานของพนักงานกว่า 85,000 คน และในช่วง 30 วันหนึ่ง Meta เผา token ไปราว 60 ล้านล้าน Token คิดเป็นมูลค่าระดับหลายร้อยล้านดอลลาร์เมื่อคิดตามเรตปกติ

แต่พอบิลเริ่มทวงคืน กระแสก็พลิกทันที TechCrunch รายงานว่ามีบริษัทหนึ่งเจอบิลค่า Claude สูงถึง 500 ล้านดอลลาร์เพราะลืมตั้งเพดานการใช้งานให้พนักงาน สุดท้ายหลายบริษัทเริ่มถอยห่างจากแนวคิด Tokenmaxxing Meta เก็บกระดานจัดอันดับลง ส่วน Microsoft ก็ยกเลิกการสมัครใช้ Claude Code ในหลายฝ่ายผลิตภัณฑ์สำคัญ จากที่เคยเป็นเครื่องวัดความขยัน วันนี้มันกลายเป็นวิธีวัด Return on Investment (ROI) ที่หลายคนยอมรับว่าผิดพลาดไปแล้ว

Uber กรณีศึกษาที่ทำเอาทั้งวงการต้องคิดหนัก

ตัวอย่างที่ Sean หยิบมาเล่าซ้ำหลายรอบในพอดแคสต์คือ Uber ซึ่งเดินครบลูปทั้งวงจรภายในเดือนครึ่ง จากที่บอกว่าใช้งบเรื่องนี้หมดเร็วกว่าที่คิดไปมาก จนต้องมาตั้งเพดานและจำกัดการใช้งานภายในบริษัท

ตามรายงานของ TechCrunch Uber ใช้งบ AI สำหรับการเขียนโค้ดทั้งปี 2026 หมดภายในสี่เดือนแรก เพราะการบริโภค Token ที่พุ่งสูง ก่อนหน้านี้วิศวกรแต่ละคนสร้างบิลกันคนละ 500 ถึง 2,000 ดอลลาร์ต่อเดือน บริษัทเลยต้องออกมาตรการใหม่ ให้พนักงานมีเพดานการใช้จ่าย Token ที่ 1,500 ดอลลาร์ต่อเดือนต่อเครื่องมือเขียนโค้ดหนึ่งตัว โดยข้อจำกัดนี้พุ่งเป้าไปที่ซอฟต์แวร์เขียนโค้ดแบบ Agentic อย่าง Cursor และ Claude Code ที่ทำงานแก้โค้ดได้เองโดยแทบไม่ต้องมีคนคุม นอกจากนี้ยังทำแดชบอร์ดให้พนักงานติดตามการใช้งานของตัวเอง และเปิดช่องให้ขอใช้เกินเพดานได้ในกรณีจำเป็น

สิ่งที่ Sean ตั้งข้อสังเกตคือ ถ้าขนาดบริษัทที่ใช้เครื่องมือพวกนี้หนักอย่าง Uber ยังเจอสถานการณ์แบบนี้ได้เร็วขนาดนี้ มันก็น่ากังวลว่าบริษัทอื่นจะรับมือไหวแค่ไหน

โจทย์หินของ Anthropic และ OpenAI ก่อนเข้าตลาดหุ้น

ทั้งหมดนี้มาบรรจบกันที่คำถามใหญ่ เพราะ Anthropic เพิ่งยื่นเอกสารเตรียมเข้าตลาดหุ้นผ่านการเสนอขายหุ้น Initial Public Offering (IPO) ไปเมื่อวันที่ 1 มิถุนายน 2026 โดยยื่นร่างเอกสาร S-1 แบบลับต่อหน่วยงานกำกับหลักทรัพย์สหรัฐฯ (U.S. Securities and Exchange Commission หรือ SEC) ตามที่ TechCrunch รายงาน การยื่นครั้งนี้เกิดขึ้นหลังจากบริษัทเพิ่งระดมทุนรอบ Series H ไป 65,000 ล้านดอลลาร์ ดันมูลค่าบริษัทไปแตะ 965,000 ล้านดอลลาร์ ขยับเข้าใกล้หลักล้านล้านดอลลาร์ และแซงหน้าคู่แข่งอย่าง OpenAI ที่กำลังเตรียมยื่น IPO ของตัวเองตามมาติด ๆ เปิดฉากศึก IPO ที่จะเอาสองค่าย AI ที่ใหญ่ที่สุดมาเจอกัน

ตัวเลขที่น่าสนใจคือรายได้ต่อปีแบบ Annualized ของ Anthropic ทะลุ 47,000 ล้านดอลลาร์ในเดือนพฤษภาคม พุ่งขึ้นมหาศาลจากราว 9,000 ล้านดอลลาร์เมื่อปลายปี 2025 และในบทสัมภาษณ์กับ TechCrunch Daniela Amodei ก็ปัดข้อกังขาเรื่องผลตอบแทนจาก AI ทิ้งไป เธอยอมรับว่าบางบริษัทยังไม่เห็นผลตอบแทนที่ชัดเจน แต่มองว่าธุรกิจส่วนใหญ่ยังอยู่ในช่วงเริ่มต้นของการนำ AI ไปใช้ และเหตุผลที่ต้องเข้าตลาดหุ้นก็เพราะการเทรนและให้บริการโมเดลระดับแนวหน้านั้นมีต้นทุนตั้งต้นสูงมาก จำเป็นต้องเข้าถึงเงินทุนก้อนใหญ่

แต่จุดที่ Sean และ Kirsten กังขาคือ แล้วในเอกสาร S-1 ของ Anthropic จะมีปัจจัยความเสี่ยงเรื่อง token กี่ข้อกันแน่ Kirsten ตั้งคำถามที่แหลมคมว่า จะเขียนความเสี่ยงพวกนี้ลงไปในเอกสารยังไง ในเมื่อมันเปลี่ยนรูปเปลี่ยนร่างอยู่ตรงหน้าเราแบบวันต่อวัน ทั้งกลไกราคาและโมเดลธุรกิจของวงการนี้ถูกวางขึ้นก่อนที่ทุกอย่างจะตกผลึกเสียอีก

รัฐบาลที่วิ่งตามเทคโนโลยีไม่ทัน

อีกหนึ่งความเคลื่อนไหวที่เกิดขึ้นในสัปดาห์เดียวกันคือ ประธานาธิบดี Trump ลงนามในคำสั่งพิเศษ (Executive Order) ที่ออกแบบมาเพื่อเปิดทางให้รัฐบาลได้เข้าไปตรวจสอบโมเดล AI ที่ทรงพลัง TechCrunch รายงานว่าคำสั่งฉบับนี้เป็นเวอร์ชันที่แคบลงกว่าเดิม โดยขอให้บริษัท AI ส่งโมเดลที่ทรงพลังที่สุดให้รัฐบาลทดสอบโดยสมัครใจ ภายในกรอบเวลาไม่เกิน 30 วันก่อนปล่อยสู่สาธารณะ จากเดิมที่ร่างก่อนหน้าเคยกำหนดไว้ถึง 90 วัน และยังระบุชัดว่าจะไม่บังคับให้ต้องขอใบอนุญาตหรือผ่านการตรวจสอบก่อนเปิดตัว ทำให้มันเป็นเพียงคำขอความร่วมมือ ไม่ใช่กฎเหล็ก

สิ่งที่ Kirsten สะท้อนคือ ทุกอย่างกำลังขยับด้วยความเร็วที่เธอไม่เคยเจอมาก่อน ทั้งฝั่งราคา ฝั่งโมเดลธุรกิจ และฝั่งรัฐบาลที่พยายามวิ่งตามให้ทัน เกิดขึ้นพร้อมกันหมด

คำถามใหญ่ที่ยังไม่มีคำตอบ

Anthony หยิบ Uber ขึ้นมาอีกครั้งในมุมที่ต่างออกไป เพราะเวลาคนพูดเรื่องฟองสบู่ AI และความไม่ทำกำไรของบริษัทเหล่านี้ มักจะมีคนยก Uber มาเป็นตัวอย่างโต้กลับว่า ครั้งหนึ่ง Uber ก็เคยถูกมองว่าขาดทุนยับเยิน แต่สุดท้ายพอไปถึงจุดที่มีสเกลใหญ่พอก็ปิดช่องว่างนั้นได้

แต่ Anthony เตือนว่ากว่า Uber จะมาถึงจุดนั้นได้ บริษัทต้องแปลงร่างตัวเองครั้งใหญ่ ขยายเข้าไปในธุรกิจใหม่ ๆ มากมาย และมีหลายฝ่ายทั้งลูกค้าและคนขับที่ถูกบีบไปตาม ๆ กัน เขาเชื่อว่าบริษัท AI ก็คงต้องผ่านการเปลี่ยนแปลงในลักษณะเดียวกันถ้าอยากอยู่รอด คำถามที่ Sean ทิ้งท้ายไว้คือ บรรดา AI Lab จะมีช่องให้รีดต้นทุนเหมือนที่ Uber เคยรีดมาตลอดหลายปีได้ไหม หรือต้นทุนของ AI มันตรงไปตรงมาและแข็งเกินกว่าจะบีบได้ขนาดนั้น

โจทย์ใหญ่ที่สุดจึงเหลืออยู่ที่ว่า บรรดา AI Lab จะกดต้นทุนลงมาและพัฒนาเทคโนโลยีให้ก้าวหน้าได้เร็วพอจนมาบรรจบกับกำลังจ่ายของลูกค้าตรงกลางได้หรือไม่ ตอนนี้ยังไม่มีใครรู้คำตอบ รู้แต่ว่าระหว่างทางนี้น่าจะมีความเจ็บปวดรออยู่ไม่น้อย และเอกสาร IPO ของ Anthropic กับ OpenAI ที่กำลังจะทยอยออกมา น่าจะเป็นหน้าต่างบานแรกที่ทำให้เราได้เห็นว่าวงการนี้จะเขียนความเสี่ยงที่เปลี่ยนไปทุกวันลงไปบนกระดาษอย่างไร

ที่มา: TechCrunch

รายงานล่าสุดจาก สถาบันมหาวิทยาลัยสหประชาชาติ (UNU-INWEH) ได้ออกมาเตือนว่า ภายในปี 2030 โครงสร้างพื้นฐานของ AI จะสร้างผลกระทบต่อทรัพยากร พลังงาน และน้ำ ของโลกในระดับที่เราไม่ควรมองข้ามอีกต่อไป และนี่คือ 3 ประเด็นสำคัญเชิงลึกที่คนวงการ Tech ต้องรู้

ตัวเลขจริงที่ไม่มีใครเคยบอกคุณ

ที่ผ่านมา เวลาเราพูดถึงเรื่องผลกระทบของ AI เรามักจะโฟกัสไปที่เรื่องของ Carbon Footprint หรือปริมาณการปล่อยก๊าซคาร์บอนตอนที่เรากำลังสร้างและฝึกฝนโมเดลเป็นหลัก แต่รายงานของ UN ชี้ชัดว่า นั่นเป็นเพียงแค่ยอดภูเขาน้ำแข็ง เพราะต้นทุนที่แท้จริงที่ถูกมองข้ามไปคือ ทรัพยากรน้ำและผืนดิน

และนี่คือสถิติที่น่าตกใจหากเรายังคงขับเคลื่อน AI ด้วยความเร็วระดับนี้ไปจนถึงปี 2030

• ไฟฟ้าพุ่ง 3% ของโลก: Data Center สำหรับ AI จะกินไฟเพิ่มขึ้นเป็น 2 เท่า หรือคิดเป็น 3% ของกระแสไฟฟ้าที่ใช้ทั้งโลก (เทียบเท่ากับการปล่อยก๊าซเรือนกระจกของประเทศอังกฤษทั้งประเทศ)
• วิกฤตกระหายน้ำ: ระบบหล่อเย็นของ Data Center เหล่านี้จะใช้น้ำสูงถึง 9.3 ล้านล้านลิตร ซึ่งเป็นปริมาณที่ มากกว่าน้ำดื่มของประชากรโลกทั้งปีรวมกัน หรือเทียบเท่ากับน้ำที่ประชากรทวีปแอฟริกา 1,300 ล้านคนใช้ประทังชีวิตทั้งปี
• พื้นที่มหาศาล: เราต้องใช้พื้นที่ดินตั้ง Data Center และโครงสร้างพื้นฐานใหญ่กว่าขนาดของกรุงเม็กซิโกซิตีเกือบ 10 เท่า และถ้าอยากปลูกต้นไม้เพื่อชดเชยคาร์บอนที่เกิดจาก AI เราต้องปลูกต้นไม้ถึง 6,700 ล้านต้นเลยทีเดียว

หลายคนในอุตสาหกรรมเทคโนโลยีอาจจะโต้แย้งว่า แต่เดี๋ยวชิปรุ่นใหม่ ๆ ก็ประหยัดไฟขึ้น โมเดล AI ในอนาคตก็ฉลาดและใช้พลังงานน้อยลงหรือเปล่า?

UN บอกว่า ตรรกะนี้คือกับดัก

ในทางเศรษฐศาสตร์มีทฤษฎีหนึ่งที่เรียกว่า Jevons Paradox ความย้อนแย้งของเจวอนส์ ที่อธิบายว่า เมื่อเทคโนโลยีถูกพัฒนาจนมีประสิทธิภาพมากขึ้นและทำให้ต้นทุนถูกลง ผลลัพธ์ที่ได้จะไม่ใช่การบริโภคที่ลดลง แต่ราคาที่ถูกลงจะยิ่ง กระตุ้นให้คนหันมาใช้งานมากขึ้นเป็นทวีคูณ จนยอดรวมการใช้ทรัพยากรพุ่งสูงขึ้นกว่าเดิม

เหมือนกับเครื่องจักรไอน้ำในอดีตที่ยิ่งประหยัดถ่านหิน คนก็ยิ่งสร้างโรงงานเพิ่มขึ้น เช่นเดียวกับ AI เมื่อค่าบริการ (API) ถูกลง โมเดลเจนรูป/วิดีโอทำได้ง่ายขึ้น ฟีเจอร์ AI ก็จะถูกยัดเข้าไปในทุก ๆ แอปพลิเคชันรอบตัวเรา ส่งผลให้ภาพรวมการซดพลังงานและน้ำหล่อเย็นขยายวงกว้าง เกินกว่าสิ่งที่เราประหยัดได้จากการพัฒนาชิปไปไกลมาก

อีกหนึ่งประเด็นที่น่าคิดคือ ความไม่เท่าเทียมในโลกของ AI ปัจจุบัน ขีดความสามารถของระบบคลาวด์สำหรับ AI กว่า 90% กระจุกตัวอยู่ในสหรัฐอเมริกาและจีน (มีเพียง 32 ประเทศทั่วโลกที่มีเทคโนโลยีระดับนี้)

กลายเป็นว่า ประเทศมหาอำนาจและบริษัทยักษ์ใหญ่เป็นผู้ขับเคลื่อนนวัตกรรมและเก็บเกี่ยวเม็ดเงินมหาศาล แต่ประเทศกำลังพัฒนาหรือกลุ่มประเทศที่เป็นเพียงผู้บริโภค กลับต้องเป็นผู้แบกรับภาระทางสิ่งแวดล้อมที่ตัวเองไม่ได้ก่อ ตั้งแต่การทำเหมืองแร่หายากเพื่อส่งออกไปทำชิปคอมพิวเตอร์ ปัญหาขยะอิเล็กทรอนิกส์ (E-waste) ไปจนถึงการสูญเสียทรัพยากรน้ำในท้องถิ่นเพื่อเอาไปหล่อเย็นเซิร์ฟเวอร์

อ้างอิง: futurism, livescience

สตาร์ทอัพที่เพิ่งยื่นไฟล์ทำ Initial Public Offering (IPO) ด้วยมูลค่าบริษัทเฉียดล้านล้านดอลลาร์ ตามหลักแล้วควรจะเร่งเครื่องพัฒนาสินค้าให้สุดตัว แต่ Anthropic กลับทำตรงกันข้าม ด้วยการออกมาตะโกนบอกทั้งวงการว่าถึงเวลาที่โลกควรกดปุ่มหยุดพักการพัฒนา AI ชั่วคราว เพื่อให้มนุษย์อย่างเรา ๆ มีเวลาตั้งหลักก่อนที่เทคโนโลยี AI จะวิ่งหนีไปไกลเกินกว่าจะตามทัน

เสียงเตือนนี้มาจากบล็อกโพสต์สุดเข้มข้นชื่อ "When AI builds itself" เขียนโดย Jack Clark ผู้ร่วมก่อตั้ง Anthropic และ Marina Favaro หัวหน้า Anthropic Institute ทั้งคู่ส่งสัญญาณตรงไปตรงมาว่าความสามารถของ AI กำลังโตเร็วเกินไป จนใกล้แตะจุดที่หลายคนเคยคิดว่าเป็นแค่เรื่องในหนัง

ทำไมต้องหยุด? เมื่อ AI ใกล้จะอัปเกรดตัวเองได้โดยไม่ง้อมนุษย์

หัวใจของความกังวลอยู่ที่คำว่าการพัฒนาตัวเองแบบเรียกซ้ำ (Recursive Self-Improvement) หรือภาวะที่ AI ฉลาดพอจะเขียนโค้ด ปรับปรุงระบบ และออกแบบ AI รุ่นลูกที่เก่งกว่าตัวเองขึ้นมาได้เอง แล้วรุ่นลูกก็ไปสร้างรุ่นหลานที่เก่งกว่าเดิมอีก วนเป็นวงจรที่เร่งตัวเองไปเรื่อย ๆ โดยแทบไม่ต้องพึ่งมนุษย์

และนี่ไม่ใช่การขู่ลอย ๆ เพราะ Anthropic ชี้ว่าความยาวของงานที่โมเดลทำเองได้กำลังเพิ่มขึ้นเป็นเท่าตัวทุก ๆ ราว 4 เดือน ลองไล่ไทม์ไลน์ก็เห็นภาพ จากงานที่ใช้เวลาราว 4 นาทีในเดือนมีนาคม 2024 ขยับเป็น 90 นาทีในปี 2025 และพุ่งไปถึง 12 ชั่วโมงในเดือนมีนาคม 2026 ถ้าเส้นนี้ลากต่อ งานระดับที่กินเวลาเป็นสัปดาห์ก็จะตกอยู่ในมือโมเดลภายในปี 2027

สิ่งที่ตามมาคือความเสี่ยงรูปแบบใหม่ที่เราไม่เคยเจอ ในฉากที่เบาที่สุด AI จะดันให้ทีมเล็ก ๆ ทำงานได้เทียบเท่าองค์กรหลักหมื่นคน บริษัทขนาด 100 คนอาจมีพลังเท่าองค์กร 10,000 คน ส่วนในฉากที่หนักที่สุดคือ Recursive Self-Improvement เต็มขั้น ที่ AI กลายเป็นคนกำหนดจังหวะการพัฒนาตัวเอง เหลือมนุษย์ไว้แค่บทบาทคนคอยกำกับดูแลและตรวจงาน ซึ่ง Anthropic ยอมรับตรง ๆ ว่าคำถามที่ว่าเราจะคุมให้ AI อยู่ในร่องในรอย (Alignment) ได้หรือไม่ในโลกแบบนั้น คือสิ่งที่บริษัทมั่นใจน้อยที่สุด

ตัวเลขในบ้านของ Anthropic เองที่ทำเอาสะดุ้ง

ที่ทำให้คำเตือนนี้น่าเชื่อถือคือ Anthropic ไม่ได้พูดจากทฤษฎี แต่ยกตัวเลขในบ้านตัวเองมากางให้ดู โดยภายในเดือนพฤษภาคม 2026 โค้ดกว่า 80% ที่ถูกรวมเข้าระบบของบริษัทเขียนโดย Claude ไม่ใช่วิศวกรที่เป็นมนุษย์ ทั้งที่ก่อนเดือนกุมภาพันธ์ 2025 ตัวเลขนี้ยังอยู่แค่หลักหน่วย

ฝั่งงานวิจัยก็เร่งขึ้นแบบน่าขนลุก เพราะเมื่อลองให้โมเดลไปจูนโค้ดสำหรับเทรน AI นักวิจัยมนุษย์ฝีมือดีต้องใช้เวลา 4 ถึง 8 ชั่วโมงกว่าจะรีดความเร็วเพิ่มได้ 4 เท่า แต่ Claude Mythos Preview ทำได้ถึง 52 เท่าเมื่อเดือนเมษายน 2026 จากที่เคยทำได้แค่ราว 3 เท่าเมื่อปีก่อน ส่วนในโปรเจกต์วิจัยด้านความปลอดภัยชิ้นหนึ่ง Claude ปิดช่องว่างของงานได้ถึง 97% ขณะที่นักวิจัยมนุษย์สองคนทำได้แค่ราว 23% ในเวลาหนึ่งสัปดาห์

ฝั่งความสามารถด้านไซเบอร์ก็ชวนหวาดเสียวไม่แพ้กัน ในโปรเจกต์ชื่อ Project Glasswing โมเดลตระกูล Mythos ไล่เจอช่องโหว่ซอฟต์แวร์ระดับวิกฤตได้มากกว่า 10,000 จุดภายในเวลาไม่กี่สัปดาห์ ซึ่งปกติเป็นงานที่ต้องใช้แรงมนุษย์มหาศาล ทั้งหมดนี้คือเหตุผลว่าทำไมคนที่สร้างเครื่องมือเองถึงเป็นคนที่กลัวความเร็วของมันที่สุด

ข้อเสนอแบบสนธิสัญญานิวเคลียร์ กับโจทย์หินที่ชื่อ 'การแอบโกงเงียบ ๆ'

ทางออกที่ Anthropic เสนอคือกลไกควบคุมระดับสากล โดยหยิบโมเดลการคุมอาวุธนิวเคลียร์ยุคสงครามเย็นมาเป็นต้นแบบ Jack Clark บอกว่า 

"เราเคยทำสำเร็จมาแล้ว ในช่วงพีคของสงครามเย็น ท่ามกลางสถานการณ์ตึงเครียดระหว่างประเทศคู่อริ พวกเขายังหาทางทำให้การแข่งขันสะสมอาวุธนิวเคลียร์มีเสถียรภาพได้"

แต่ปัญหาคือการคุม AI ยากกว่าคุมนิวเคลียร์หลายเท่า เพราะอย่างที่โพสต์ระบุไว้ตรง ๆ ว่า "การเทรนโมเดลซ่อนได้ง่ายกว่าไซโลขีปนาวุธมาก" ไซโลนิวเคลียร์ใหญ่โตจนมองเห็นได้จากดาวเทียม แต่การเทรน AI ใช้แค่คอมพิวเตอร์ในศูนย์ข้อมูลธรรมดา แถมแรงจูงใจที่จะแอบทำต่อเงียบ ๆ ก็สูงลิ่ว เพราะถ้าคนอื่นยอมหยุดแล้วเราไปต่อ เราก็กลายเป็นผู้นำโลกทันที

ข้อเสนอนี้จึงต้องมาพร้อมเงื่อนไขสำคัญ คือต้องมีแล็บระดับแนวหน้าหลายเจ้าในหลายประเทศตกลงหยุดพร้อมกันภายใต้กติกาเดียวกัน บวกกับระบบตรวจสอบที่ทำให้ทุกฝ่ายเช็กกันและกันได้ว่าหยุดจริง Anthropic ย้ำว่าตัวเองจะหยุดก็ต่อเมื่อคู่แข่งหยุดด้วยแบบตรวจสอบได้เท่านั้น ไม่ใช่หยุดอยู่เจ้าเดียวแล้วยกสนามให้คนอื่น และหลังจากนี้ Anthropic Institute เตรียมเดินหน้าวิจัยระบบตรวจสอบดังกล่าว พร้อมเปิดโต๊ะคุยกับภาครัฐ นักวิจัย และบริษัทคู่แข่งเพื่อหาพิมพ์เขียวร่วมกัน

ย้อนรอยปี 2023 ตอนที่ Musk เคยกดเบรกมาแล้ว (และไปไม่ถึงไหน)

ถ้ารู้สึกว่าเรื่องนี้คุ้น ๆ ก็ไม่แปลก เพราะนี่ไม่ใช่ครั้งแรกที่มีคนเรียกร้องให้เหยียบเบรก ย้อนกลับไปเดือนมีนาคม 2023 สถาบัน Future of Life Institute เคยร่อนจดหมายเปิดผนึกชื่อ "Pause Giant AI Experiments" ขอให้ทุกแล็บหยุดเทรนโมเดลที่แรงกว่า GPT-4 อย่างน้อย 6 เดือน งานนั้นมีคนร่วมลงชื่อกว่า 30,000 ราย ทั้ง Elon Musk, Steve Wozniak และนักวิจัยระดับท็อปอย่าง Yoshua Bengio แต่สุดท้ายก็ผ่านไปเฉย ๆ โดยไม่มีใครหยุดจริง

แต่รอบนี้น่าสนใจตรงที่คนพูดคือ Anthropic เอง ทั้งที่เพิ่งปล่อยโมเดลสุดแรงอย่างตระกูล Mythos ออกมา แถมยังอยู่ระหว่างเตรียมเข้าตลาดหุ้นด้วยมูลค่าบริษัทระดับ 965,000 ล้านดอลลาร์ พูดง่าย ๆ คือเป็นคนเร่งเครื่องเองแล้วก็เป็นคนบอกให้เหยียบเบรกเองด้วย

และแน่นอนว่าข้อเสนอแบบนี้ย่อมมีคนไม่เห็นด้วย ฝั่งที่หนุนการแข่งขันมองว่าการหยุดคือการยอมแพ้ ย้อนไปตอนปี 2023 Eric Schmidt อดีตซีอีโอของ Google เคยพูดถึงข้อเสนอหยุด 6 เดือนไว้กับ Fortune ว่า "ผมไม่เห็นด้วยกับการหยุด 6 เดือน เพราะมันจะเป็นแค่การเอื้อประโยชน์ให้จีน" ซึ่งสะท้อนความกังวลคลาสสิกว่าถ้าฝั่งตะวันตกยอมชะลอ ก็เท่ากับเปิดทางให้คู่แข่งแซงขึ้นนำ

สุดท้ายแล้วบทวิเคราะห์ชิ้นนี้ยังไม่ได้บอกว่า Recursive Self-Improvement มาถึงแล้ว สิ่งที่มันทำคือวางตัวเลขทั้งหมดลงบนโต๊ะ แล้วชี้ว่าเส้นโค้งยังไม่มีทีท่าจะหักลง คำถามจึงไม่ใช่ว่ามันจะมาไหม แต่เป็นว่าโลกจะตกลงกันเรื่อง 'ปุ่มหยุด' ได้ทันก่อนหรือเปล่า

ที่มา: Anthropic, Al Jazeera, Fortune

Nvidia และ SK Hynix ลงนามข้อตกลงความร่วมมือระยะหลายปีครอบคลุมทั้งการออกแบบ และการผลิตหน่วยความจำรุ่นต่อไปสำหรับระบบ AI ท่ามกลางการเยือนเกาหลีใต้ของ Jensen Huang ซีอีโอ ของ Nvidia ที่ยังจับมือกับพันธมิตรเกาหลีอีกหลายรายในช่วงเวลาเดียวกัน

ดีลครั้งนี้คืออะไร ?

ความร่วมมือระหว่าง Nvidia และ SK Hynix ไม่ได้จำกัดอยู่แค่การจัดหาหน่วยความจำตามสัญญาทั่วไป แต่ขยายไปถึงการร่วมออกแบบหน่วยความจำรุ่นใหม่ รวมถึงการสนับสนุนระบบโครงสร้างพื้นฐาน AI และ Physical AI ซึ่งหมายถึงระบบ AI ที่ทำงานในโลกจริงอย่างหุ่นยนต์และระบบอัตโนมัติ 

นอกจากนี้ยังครอบคลุมหน่วยความจำสำหรับ Vera Rubin ซึ่งเป็นชิปประมวลผล AI ที่ทรงพลังที่สุดของ Nvidia ในปัจจุบัน

Vera Rubin คือสถาปัตยกรรมเซิร์ฟเวอร์ AI รุ่นล่าสุดของ Nvidia ที่ประกอบด้วยหน่วยประมวลผลกลาง Vera ควบคู่กับชิปกราฟิก Rubin และใช้หน่วยความจำ HBM4 หลายเทราไบต์ต่อระบบเซิร์ฟเวอร์หนึ่งชุด โดยก่อนหน้านี้ Huang ยืนยันที่งาน Computex ในไต้หวันว่า Vera Rubin เข้าสู่การผลิตเต็มรูปแบบแล้ว และเตรียมส่งมอบให้ลูกค้าในไตรมาส 3 ปี 2026

ขณะที่ HBM4 หรือ High Bandwidth Memory รุ่นที่ 4 คือหน่วยความจำความเร็วสูงรุ่นล่าสุดที่ออกแบบมาโดยเฉพาะสำหรับงาน AI เมื่อเทียบกับ HBM3E รุ่นก่อนหน้า HBM4 ใช้บัสข้อมูลขนาด 2,048 บิต ทำให้ Bandwidth สูงขึ้นอย่างมีนัยสำคัญ ซึ่งตรงกับความต้องการของโมเดล AI ขนาดใหญ่ที่ต้องเคลื่อนย้ายข้อมูลจำนวนมหาศาลในเวลาสั้นที่สุด

Jensen Huang กล่าวในแถลงการณ์ว่า Nvidia จะร่วมพัฒนาหน่วยความจำรุ่นต่อไปสำหรับโรงงาน AI และสนับสนุนการขยายตัวของโครงสร้างพื้นฐาน AI ทั่วโลกอย่างเร่งรัด ตั้งแต่การฝึกโมเดลระดับสูงสุดไปจนถึง Agentic AI และ Physical AI

ใครคือ SK Hynix ?

SK Hynix เป็นบริษัทเซมิคอนดักเตอร์เกาหลีใต้ในเครือ SK Group หนึ่งในสามผู้ผลิตหน่วยความจำที่ครองตลาดโลกร่วมกับ Samsung Electronics และ Micron Technology ของสหรัฐฯ 

ในปี 2026 SK Hynix ครองสัดส่วนการจัดหา HBM ให้ Nvidia ประมาณ 50% ของทั้งหมด และเป็นซัพพลายเออร์หลักมาตลอดยุค HBM3E

ดีลกับ Nvidia ในครั้งนี้จึงเป็นการยืนยันตำแหน่งผู้นำของ SK Hynix ในสนามแข่งขัน HBM4 ซึ่ง Huang เพิ่งประกาศที่ Computex ว่า Nvidia อนุมัติให้ทั้ง Samsung, SK Hynix และ Micron จัดส่ง HBM4 ได้แล้ว การที่สามรายนี้ต่างแข่งกันแย่งส่วนแบ่งในธุรกิจมูลค่าสูงนี้สะท้อนว่า HBM กลายเป็นหนึ่งในส่วนประกอบที่ทำกำไรที่สุดในห่วงโซ่อุปทาน AI ทั้งหมด

หน่วยความจำคือ คอขวดที่แก้ยากที่สุด

Rene Haas CEO ของ Arm Holdings กล่าวเมื่อสัปดาห์ก่อนว่า หน่วยความจำคือ อุปสรรคที่ยากที่สุดที่จะแก้ให้ได้ในวงการเทคโนโลยีขณะนี้

หน่วยความจำกลายเป็นคอขวดเพราะโมเดล AI ขนาดใหญ่ต้องเคลื่อนย้ายข้อมูลปริมาณมหาศาลระหว่างชิปกราฟิก GPU กับหน่วยความจำตลอดเวลา ถ้าหน่วยความจำป้อนข้อมูลให้ GPU ได้ไม่เร็วพอ พลังประมวลผลที่มีก็ถูกใช้ไม่เต็มที่ ซึ่งเป็นเหตุผลที่ HBM ที่มี Bandwidth สูงกว่าหน่วยความจำทั่วไปมากเข้ามาตอบโจทย์

ความต้องการชิปที่ว่านี้ส่งผลกระทบตามมาเป็นห่วงโซ่ ผู้ให้บริการคลาวด์รายใหญ่ (Hyperscaler) อย่าง Meta Platforms ที่ต้องฝึกโมเดล AI และรันบริการ AI สเกลใหญ่ ต้องพึ่ง GPU ของ Nvidia ส่วน Nvidia ก็ต้องพึ่ง HBM คุณภาพสูงอีกทอดหนึ่ง

nvidia-skhynix-hbm4-partnership-2026ห่วงโซ่นี้ทำให้ SK Hynix, Samsung และ Micron กลายเป็นส่วนหนึ่งที่ขาดไม่ได้ของโครงสร้างพื้นฐาน AI ทั่วโลก

นักวิเคราะห์จาก Bloomberg Intelligence ระบุว่า ดีลกับ Nvidia ครั้งนี้จะหนุนให้ SK Hynix เพิ่มรายได้และกำไรอย่างมีนัยสำคัญ เนื่องจากครอบคลุมการจัดหา DRAM, HBM และ SSD ครบวงจร นอกจากนี้สัญญาระยะยาวยังช่วยให้ SK Hynix วางแผนขยายกำลังการผลิตและค่อย ๆ เพิ่มส่วนแบ่งตลาดได้อย่างมั่นคง

Jensen Huang บินโซล จับมือพันธมิตรรอบด้าน

ดีลกับ SK Hynix เป็นเพียงส่วนหนึ่งของการเยือนเกาหลีใต้ครั้งนี้ เพราะ Huang ยังลงนามข้อตกลงกับพันธมิตรเกาหลีอีกหลายราย ได้แก่ SK Telecom และ Naver ในการสร้างบริการ AI Cloud รวมถึง Doosan Robotics ในด้านหุ่นยนต์และระบบอัตโนมัติที่ใช้ AI ขับเคลื่อน

Huang ยังแวะเยือนค่ายเกม Krafton ผู้พัฒนา PUBG และ NCSOFT ผู้พัฒนา AION 2 และ CINDER CITY ซึ่งทั้งสองสตูดิโอเป็นพันธมิตรที่ร่วมพัฒนาเกมรองรับเทคโนโลยีกราฟิก AI ของ Nvidia อยู่แล้ว บทบาทของพวกเขามีความสำคัญในการขยายการยอมรับชิป RTX Spark ซึ่งเป็นชิปที่ Nvidia กำลังใช้บุกตลาด PC สำหรับผู้บริโภคที่ปัจจุบัน Intel และ AMD ครอบครองอยู่

อ้างอิง : Bloomberg

เรื่องนี้เกิดขึ้นจากการที่นักวิจัยอยากทดสอบความสามารถของ AI โดยการทดลองสร้างโรคปลอมที่ไม่มีอยู่จริงขึ้นมา แล้วนำข้อมูลเกี่ยวกับโรคดังกล่าวไปเผยแพร่บนอินเทอร์เน็ตเพื่อดูว่าระบบเอไอจะแยกแยะได้ไหม ผลปรากฏว่าเอไอไม่ใช่แค่เชื่อ แต่ยังนำข้อมูลมั่ว ๆ นี้ไปใช้ตอบคำถามและวินิจฉัยอาการราวกับเป็นข้อมูลทางการแพทย์ที่ถูกต้อง 

สิ่งหนึ่งที่น่ากังวลมาก ๆ คือข้อมูลชุดนี้ยังถูกนำไปอ้างอิงในงานวิจัยทางการแพทย์จริง ๆ นี่จึงเป็นสัญญาณเตือนครั้งใหญ่ว่า AI อาจไม่ได้มีความสามารถในการแยกแยะข้อมูลจริงหรือข้อมูลเท็จมากขนากนั้น และหากไม่มีการตรวจสอบที่ดีพอ ความผิดพลาดเหล่านี้ก็อาจส่งผลกระทบในวงกว้างได้เช่นกัน 

โรคปลอมที่ถูกสร้างขึ้นมามีชื่อว่า Bixonimania ถูกแต่งสตอรี่ให้มีอาการตาแดงและปวดตาจากการจ้องจอหรือแสงสีฟ้ามากเกินไป โปรเจกต์นี้เริ่มขึ้นช่วงต้นปี 2024 นำโดย Almira Osmanovic Thunström นักวิจัยจากมหาวิทยาลัยโกเธนเบิร์ก ประเทศสวีเดน

ซึ่งเธอได้เผยแพร่งานวิจัยปลอม 2 ฉบับลงไปผ่านแพลตฟอร์ม Preprint เพื่อดูว่าระบบ AI จะตีความข้อมูลเหล่านี้อย่างไร เพื่อทดสอบสมมติฐานว่า AI จะสามารถแยกแยะโรคที่ไม่มีอยู่จริงบนโลกออกจากข้อมูลทางการแพทย์ได้หรือไม่ หรือจะเอาข้อมูลไปแนะนำเหมือนกับเป็นข้อมูลแพทย์ที่น่าเชื่อถือ

เมื่อ AI เชื่อข้อมูลที่ไม่มีอยู่จริงบนโลก

ผลปรากฏว่า AI เชื่อสนิทใจ หลังจากที่งานวิจัยถูกปล่อยออกไปเพียงไม่กี่สัปดาห์ ระบบ AI บางตัวก็เริ่มนำข้อมูลดังกล่าวไปใช้อ้างอิงเหมือนกับว่าเป็นโรคนี้นี้มีจริง

และเมื่อมีคนสอบถามเกี่ยวกับอาการ Copilot อธิบายว่า Bixonimania เป็นโรคที่เกิดจากการได้รับแสงสีฟ้าจากหน้าจอมากเกินไป ขณะที่ ChatGPT ให้ข้อมูลว่าเป็นภาวะรอยคล้ำรอบดวงตารูปแบบหนึ่ง ทั้งที่โลกนี้ไม่เคยมีจริงอยู่บนโลกด้วยซ้ำ แต่หลังจากนั้นโฆษกของ OpenAI ระบุว่า ChatGPT รุ่นปัจจุบันได้มีการรับการปรับปรุงให้มีความแม่นยำมากขึ้น และมีมาตรการป้องกันการตอบกลับด้วยข้อมูลดีกว่าโมเดลรุ่นก่อน ๆ แล้ว แต่เรื่องที่น่าตกใจกว่าการที่ AI หลงเชื่อโรคปลอมก็คือข้อมูลเหล่านี้ไม่ได้หลอกแค่เอไอเท่านั้น เพราะภายหลังยังพบว่ามีงานวิจัยที่ผ่านการตรวจสอบจากผู้เชี่ยวชาญแล้ว ได้นำข้อมูลนี้ไปใช้อ้างอิงต่อ

นักวจัยจึงมองว่าเรื่องนี้กำลังสะท้อนปัญหาที่ใหญ่กว่า AI อีก เพราะดูเหมือนว่าจะมีนักวิจัยบางคนหยิบข้อมูลอ้างอิงที่เอไอแนะนำมาใช้ต่อ โดยไม่ได้กลับไปตรวจสอบหรืออ่านต้นฉบับด้วยตัวเอง จนทำให้ข้อมูลที่ไม่มีอยู่จริงหลุดเข้าไปอยู่ในงานวิชาการได้

ผลกระทบที่ตามมาคือข้อมูลเท็จกระจายต่อไป 

ซึ่งต้องบอกตรง ๆ ว่าทีมวิจัยไม่ได้พยายามทำให้ข้อมูลนี้ดูสมจริงจนแยกไม่ออก ตรงกันข้ามพวกเขาจงใจทิ้งหลักฐานเอาไว้หลายจุดเพื่อบอกคนอ่านว่านี่คือเรื่องแต่ง

เริ่มตั้งแต่ชื่อโรค Bixonimania ที่ใช้คำว่า Mania ซึ่งเป็นศัพท์ทางจิตเวช และแทบไม่มีทางถูกนำมาตั้งเป็นชื่อโรคเกี่ยวกับดวงตา นอกจากนี้ยังมีการใส่ชื่อนักวิจัยปลอม รวมถึงมหาวิทยาลัยปลอมที่ตั้งอยู่ในเมืองที่ไม่มีอยู่จริง ซึ่งในข้อมูลมีการอ้างถึงศาสตราจารย์จาก Starfleet Academy และห้องแล็บจากยาน USS Enterprise ในจักรวาล Star Trek รวมถึงระบุว่าได้รับทุนสนับสนุนจากมูลนิธิของ Sideshow Bob ตัวละครจาก The Simpsons รวมถึงชื่อมหาวิทยาลัยจากหนังเรื่อง The Lord of the Rings และที่แสบสุดคือในบทนำเขียนบอกไว้โต้ง ๆ เลยว่า ‘เนื้อหาทั้งหมดนี้ถูกแต่งขึ้น’ และ ‘กลุ่มตัวอย่าง 50 คนคือคนที่สมมติขึ้นมา’ แต่แม้จะมีสัญญาณเตือนชัดเจนขนาดนี้ทั้ง AI และคนบางส่วนก็ยังหลงเชื่อและนำข้อมูลเหล่านี้ไปอ้างอิงต่อราวกับเป็นงานวิจัยจริง

Alex Ruani นักวิจัยจาก University College London มองว่าเหตุการณ์นี้เป็นตัวอย่างที่ชัดมากว่าข้อมูลปลอมแพร่กระจายได้น่ากลัวแค่ไหนและถ้าระบบคัดกรองทางการแพทย์ยังแยกแยะเรื่องแบบนี้ไม่ได้ อนาคตก็น่าเป็นห่วง

ปัญหาส่วนหนึ่งเกิดจากการที่เทคโนโลยี AI พัฒนาเร็วเกินไป โดย Mahmud Omar แพทย์และนักวิจัยจากฮาร์วาร์ดระบุว่า โมเดล AI รุ่นใหม่ ๆ ถูกปล่อยออกสู่ตลาดอย่างต่อเนื่องและเร็วเกินไปจนผู้พัฒนาเองก็ตรวจสอบความถูกต้องของข้อมูลไม่ทัน นอกจากนี้ผู้เชี่ยวชาญยังเตือนถึงสิ่งที่น่ากลัวที่สุดนั่นคือ เมื่อ AI จำข้อมูลผิด ๆ เข้าไปมันจะเอาข้อมูลนั้นไปสร้างซ้ำและส่งต่อขยายวงกว้างไปเรื่อย ๆ จนคนทั่วไปแยกไม่ออกและเชื่อสนิทใจว่านั่นคือเรื่องจริง ซึ่งจะยิ่งทำให้เราห่างไกลจากความจริงไปทุกที

นี่จึงเป็นเหตุผลว่าทำไมวงการวิชาการเริ่มนั่งไม่ติดและต้องรีบหาทางรับมือ เพราะในยุคที่ใคร ๆ ก็ใช้ AI ค้นคว้าข้อมูล ทำให้การรักษาความถูกต้องของข้อมูล จึงเป็นเรื่องที่สำคัญมากและกำลังกลายเป็นโจทย์หินของทั้งของนักวิจัย โรงเรียน มหาวิทยาลัย และคนทำ AI เอง

อ้างอิง: inc

FlexBase สตาร์ทอัพ/บริษัทด้านพลังงานจากสวิตเซอร์แลนด์ เล็งเห็น Pain Point นี้ และกำลังสร้าง Solution ระดับ Megaproject ด้วยการขุดอุโมงค์ลึกลงไปใต้ดิน 27 เมตร ใกล้เมือง Laufenburg ทางตอนเหนือของประเทศ เพื่อสร้างแบตเตอรี่ขนาดยักษ์ ที่จะเข้ามาเป็น Buffer รองรับพลังงานหมุนเวียนระดับประวัติศาสตร์

เจาะสเปกอุโมงค์พลังงานลึก 27 เมตร

โครงการนี้ไม่ใช่แค่การเอาแบตเตอรี่ไปวางในห้องคอนเทนเนอร์ แต่เป็นการทลายข้อจำกัดเดิมๆ ด้วยโครงสร้างพื้นฐานระดับประเทศ

1. อุโมงค์ยาวกว่า 180 เมตร ขนาดเกือบเทียบเท่าสนามฟุตบอล 2 สนามต่อกัน
2. ความจุสะใจ 2.1 GWh (กิกะวัตต์-ชั่วโมง) หากเทียบให้เห็นภาพ พลังงานขนาดนี้สามารถเลี้ยงบ้านเรือนในสหรัฐฯ ได้ถึง 200 หลังคาเรือนยาวนานตลอดทั้งปี
3. ภายในไม่ได้มีแค่ระบบแบตเตอรี่ แต่ FlexBase ได้ควบรวม Data Center และระบบโครงสร้างพื้นฐานดิจิทัลเข้ามาไว้ด้วยกัน กลายเป็น Integrated Digital Energy Hub แบบครบวงจร

แล้วทำไมต้องฝังใต้ดิน?

การขุดลึกลงไป 27 เมตรไม่ใช่แค่เรื่องของความสวยงาม แต่เป็นกลยุทธ์ทางวิศวกรรม เพราะอุณหภูมิใต้ดินที่คงที่ตลอดทั้งปีคือตัวแปรสำคัญที่ช่วยให้ระบบแบตเตอรี่ทำงานได้มีประสิทธิภาพสูงสุด แถมยังปลอดภัยจากภัยธรรมชาติ และไม่รบกวนทัศนียภาพด้านบนอีกด้วย

พลิกโฉมเทคโนโลยีด้วย Redox Flow Battery

แทนที่จะใช้แบตเตอรี่ลิเธียมไอออน (Lithium-ion) แบบที่เราคุ้นเคยในสมาร์ตโฟนหรือรถ EV ซึ่งมีข้อจำกัดเรื่องความร้อนและการเสื่อมสภาพ FlexBase เลือกใช้ Redox Flow Battery เทคโนโลยีที่มีมาตั้งแต่ปี 1879 แต่เพิ่งถูกปลุกชีพอย่างจริงจังในยุคนี้

ระบบนี้จะเก็บพลังงานในรูปของเหลวที่เรียกว่า สารละลายอิเล็กโทรไลต์ 2 ชนิด โดยจะปั๊มสารละลายผ่านห้องปฏิกิริยาเคมีเพื่อชาร์จหรือจ่ายไฟ ซึ่งถ้าอยากเพิ่มความจุไฟฟ้า ก็แค่ขยายขนาดถังเก็บของเหลว ไม่ต้องรื้อระบบหรือซื้อโมดูลแบตเตอรี่ใหม่ทั้งหมด

โดยสามารถชาร์จและคายประจุได้บ่อยครั้งโดยแทบไม่มีปัญหาเสื่อมสภาพแบบแบตเตอรี่ทั่วไป ที่สำคัญคือตัวของเหลวสารละลายไม่มีคุณสมบัติติดไฟ ตัดความเสี่ยงเรื่องการระเบิดหรือไฟไหม้รุนแรงออกไปได้เลย

โดยทั้งหมดนี้ออกแบบมาเพื่อเก็บพลังงานยาวนานเป็นระดับหลายชั่วโมง ซึ่งตอบโจทย์ Grid ไฟฟ้าขนาดใหญ่

ความน่าสนใจอีกอย่างคือทำเลที่ตั้ง FlexBase เลือกปักหมุดที่เมือง Laufenburg ซึ่งเป็นจุดยุทธศาสตร์สำคัญในประวัติศาสตร์พลังงานยุโรป หรือที่เรียกกันว่า Star of Laufenburg ที่นี่คือจุดเชื่อมต่อสายส่งไฟฟ้าที่เยอรมนี ฝรั่งเศส และสวิตเซอร์แลนด์ ซิงค์ระบบเข้าหากันเป็นครั้งแรก

ดังนั้น การสร้างแบตเตอรี่ยักษ์ที่จุดนี้ จึงหมายความว่า FlexBase สามารถจ่ายพลังงานสำรองเข้าสู่โครงข่ายหลักของทั้ง 3 ประเทศมหาอำนาจในยุโรปตะวันตกได้โดยตรงทันที

อ้างอิง: bgr

หน่วยข่าวกรองของห้าชาติตะวันตกออกประกาศเตือนพร้อมกันเป็นกรณีพิเศษ ว่าสายลับที่ทำงานให้หน่วยข่าวกรองจีนกำลังใช้เว็บไซต์หางานและแพลตฟอร์มรับสมัครงานอย่าง LinkedIn เป็นเครื่องมือตกเหยื่อ เพื่อหลอกล่อคนทำงานชาวตะวันตกให้ส่งต่อข้อมูลอ่อนไหวให้ปักกิ่ง

ประกาศฉบับนี้มีชื่อว่า 'Safeguarding Our Secrets' ออกร่วมกันโดยหน่วยงานข่าวกรองและต่อต้านการจารกรรมของห้าประเทศในพันธมิตร Five Eyes ได้แก่ สำนักงานสอบสวนกลางสหรัฐฯ (Federal Bureau of Investigation หรือ FBI), หน่วยข่าวกรองความมั่นคงภายในของอังกฤษ (MI5), องค์การข่าวกรองความมั่นคงออสเตรเลีย (Australian Security Intelligence Organisation หรือ ASIO), หน่วยข่าวกรองความมั่นคงแคนาดา (Canadian Security Intelligence Service หรือ CSIS) และหน่วยข่าวกรองความมั่นคงนิวซีแลนด์ (New Zealand Security Intelligence Service หรือ NZSIS) ตามรายงานของ TechCrunch

แม้ในระยะหลังทั้งสหรัฐฯ และอังกฤษจะพยายามฟื้นความสัมพันธ์กับปักกิ่ง แต่รัฐบาลตะวันตกก็ยังเดินหน้าออกคำเตือนเรื่องการจารกรรมของจีนอย่างต่อเนื่อง และประกาศฉบับนี้ตอกย้ำว่า นอกจากการแฮ็กเพื่อขโมยข้อมูลที่สายลับจีนทำเป็นประจำแล้ว พวกเขายังพยายามสร้างสายข่าวผ่านเว็บไซต์และชุมชนสาธารณะอีกทางหนึ่งด้วย

กลวิธีแบบใหม่ จากทักหาตรง ๆ สู่การหว่านประกาศรับสมัครงาน

จุดที่ประกาศชี้ให้เห็นคือกลวิธีที่เปลี่ยนไป เจ้าหน้าที่ข่าวกรองจีนหรือเครือข่ายที่เกี่ยวข้องจะปลอมตัวเป็นพนักงานของบริษัทที่ปรึกษาเอกชน สถาบันคลังสมอง (Think Tank) หรือบริษัทจัดหาทรัพยากรบุคคล (Human Resources หรือ HR) ที่อ้างว่าตั้งอยู่นอกประเทศจีน แล้วลงประกาศรับสมัครงานในตำแหน่งอย่างนักวิเคราะห์นโยบายต่างประเทศหรือนักวิเคราะห์ด้านกลาโหม

ที่น่าสนใจคือรูปแบบการเข้าหาเปลี่ยนจากเดิมที่สายลับทักหาเป้าหมายตรง ๆ ผ่าน LinkedIn มาเป็นการรอให้เหยื่อเป็นฝ่ายติดต่อเข้ามาเองเพื่อสมัครงาน จากนั้นจึงคัดกรองผู้สมัครจากเรซูเม่ โดยจัดอันดับตามความเป็นไปได้ว่าใครน่าจะเข้าถึงข้อมูลอ่อนไหวได้มากที่สุด ตามรายงานของ Bloomberg

เมื่อถึงขั้นสัมภาษณ์งานผ่านวิดีโอ ผู้สมัครจะถูกกรองอีกชั้นด้วยคำถามเกี่ยวกับสายสัมพันธ์กับเจ้าหน้าที่รัฐ หรือถ้าเป็นทหารประจำการก็จะถูกถามถึงบทบาทและกิจกรรมของหน่วย ก่อนจะถูกสั่งให้เขียน 'รายงานทดลอง' ในหัวข้อที่มีความสำคัญเชิงยุทธศาสตร์ต่อจีน

ใครคือเป้าหมายที่สายลับจีนหมายตา

ประกาศระบุว่าสายลับจีนจะเล็งและค่อย ๆ บ่มเพาะความสัมพันธ์ระยะยาวกับผู้ที่ถือใบรับรองความปลอดภัย (Security Clearance) และบุคลากรทางทหาร โดยเฉพาะในภูมิภาคอินโด-แปซิฟิก รวมไปถึงนักข่าว นักวิชาการ และพนักงานสถาบันคลังสมองที่เข้าถึงข้อมูลซึ่งไม่ได้เป็นความลับ การคัดเลือกเป้าหมายส่วนหนึ่งดูจากเรซูเม่และความเป็นไปได้ว่าคนคนนั้นจะรู้ข้อมูลที่อ่อนไหวหรือไม่เปิดเผยต่อสาธารณะ

เป้าหมายยังครอบคลุมไปถึงคนที่มีเพียง 'การเข้าถึงข้อมูลรัฐทางอ้อมหรือทางอ้อมห่าง ๆ' ด้วย ตามถ้อยแถลงของเจ้าหน้าที่ที่ว่า แม้แต่ข้อมูลที่ไม่เป็นความลับเกี่ยวกับนโยบายรัฐ หรือยุทธศาสตร์ ขีดความสามารถ และที่ตั้งทางทหาร ก็สามารถถูกเก็บรวบรวมและนำไปประกอบกับรายงานที่อ่อนไหวกว่า เพื่อปะติดปะต่อเป็นภาพรวมเชิงปฏิบัติการที่สมบูรณ์ได้

หน่วยข่าวกรองทางทหารของจีน ตามคำในประกาศ 'มุ่งหวังจะได้มาซึ่งข่าวกรองทางทหาร การเมือง และเศรษฐกิจที่เป็นความลับ ซึ่งจะให้จีนได้เปรียบเชิงยุทธศาสตร์และยุทธวิธีเหนือกลุ่ม Five Eyes' อันเป็นพันธมิตรด้านการเก็บข่าวกรองที่ก่อตั้งโดยห้าประเทศเจ้าของแถลงการณ์มาหลายทศวรรษ

เส้นทางจากรายงานทดลอง สู่การจ่ายเงินซื้อข้อมูลลับ

หลังจากให้เหยื่อเขียนรายงานทดลองในประเด็นที่เกี่ยวข้องกับจีน สายลับมักจะย้ายบทสนทนาไปยังแอปรับส่งข้อความที่เข้ารหัส แล้วเสนอเงินแลกกับข้อมูลที่เป็นความลับมากขึ้นเรื่อย ๆ รายงานจาก The Record ระบุว่าค่าตอบแทนอยู่ที่ตั้งแต่หลักร้อยไปจนถึงหลายพันดอลลาร์ต่อรายงานหนึ่งฉบับ และจำนวนเงินจะเพิ่มขึ้นตามระดับความอ่อนไหวของข้อมูล

ช่องทางการจ่ายเงินก็เป็นแพลตฟอร์มที่ใช้กันทั่วไปอย่าง PayPal, Zelle, Wise รวมถึงสกุลเงินคริปโต ทำให้ดูแนบเนียนเหมือนการจ้างงานทั่วไป และผลจากการถูกชักจูงเข้าเครือข่ายนี้ก็ไม่ใช่เรื่องเล่น ๆ เพราะที่ผ่านมานำไปสู่การถูกดำเนินคดีอาญา การตกงาน และการถูกเพิกถอนใบรับรองความปลอดภัยในหมู่บุคลากรของชาติ Five Eyes มาแล้ว

LinkedIn ตอบกลับ และสถานะล่าสุด

เมื่อ TechCrunch ติดต่อไปขอความเห็น โฆษกของ LinkedIn ตอบว่า 'การสร้างบัญชีปลอมหรือการบิดเบือนตัวตนถือเป็นการละเมิดเงื่อนไขการให้บริการของเราอย่างชัดเจน เรายังคงมุ่งตรวจจับการใช้งานในทางที่ผิดที่รัฐหนุนหลัง และจะบังคับใช้นโยบายต่อต้านบัญชีปลอมต่อไป'

ฝั่งคำแนะนำเชิงป้องกัน หน่วยงานด้านความมั่นคงเน้นย้ำให้กลุ่มเสี่ยงตระหนักว่า ข้อมูลเชิงลึกและเครือข่ายผู้ติดต่อของแต่ละคน ล้วนเป็น 'ชิ้นส่วนจิ๊กซอว์ที่มีค่า' ที่สายลับสามารถนำไปต่อภาพได้ ดังนั้นการระวังคำเชิญเชื่อมต่อหรือข้อเสนองานที่ผิดสังเกตบน LinkedIn จึงเป็นด่านป้องกันแรกที่สำคัญที่สุด

ที่มา: TechCrunch, Bloomberg, The Record, NBC News

เรื่องนี้ถูกเปิดเผยผ่านบล็อกโพสต์สุดเข้มข้นโดย Jack Clark ผู้ร่วมก่อตั้ง Anthropic และ Marina Favaro หัวหน้าสถาบัน Anthropic Institute ซึ่งทั้งคู่ส่งสัญญาณเตือนภัยแบบตรงไปตรงมาว่า ตอนนี้เทคโนโลยีมันกำลังโตไปไกลและเร็วมากเกินไปแล้ว

ทำไมต้องหยุด? เมื่อ AI กำลังจะอัปเกรดตัวเองได้แบบไม่ง้อมนุษย์

Anthropic อธิบายว่า ตอนนี้ AI กำลังก้าวข้ามขีดจำกัดไปสู่อีกระดับ มันไม่ได้แค่มาช่วยงานธรรมดาๆ แล้ว แต่กำลังจะทำให้ประสิทธิภาพการทำงานของมนุษย์พุ่งทะยานไปอีกเป็น 1,000 เท่า หรือร้ายแรงกว่านั้นคือ เข้ามาเสียบแทนตำแหน่งงานของมนุษย์แบบ 100% จนเกิดเป็นความเสี่ยงรูปแบบใหม่ที่เราไม่เคยเจอมาก่อน

แต่สิ่งที่น่ากลัวที่สุด คือสิ่งที่เรียกว่า Recursive Intelligence หรือภาวะที่ AI เริ่มฉลาดพอที่จะเขียนโค้ด ปรับปรุงระบบ และสร้าง AI รุ่นลูกรุ่นหลานที่เก่งกว่าเดิมขึ้นมาเอง โดยไม่ต้องพึ่งพามนุษย์อีกต่อไป!

"ลองนึกภาพการปะทะกันระหว่าง AI ที่พัฒนาตัวเองได้เร็วขึ้นเรื่อย ๆ แบบทวีคูณ กับโลกของมนุษย์ที่มีข้อจำกัดทั้งเรื่องความสัมพันธ์และการบริหารจัดการดูสิ... นั่นคืออนาคตที่เราเดาทางไม่ได้เลย" สองผู้บริหารกล่าว

Anthropic เสนอว่าเราต้องมีกลไกควบคุมระดับสากล เหมือนกับการควบคุมอาวุธนิวเคลียร์ในอดีต แต่ความท้าทายขั้นสุดยอดคือ จะทำยังไงไม่ให้มีค่าย AI หัวหมอ แอบลักลอบพัฒนาเทคโนโลยีอย่างลับ ๆ ในขณะที่คนอื่นยอมหยุดพัก?

วิธีแก้ที่เสนอมาคือ ต้องให้บรรดาแล็บ AI ยักษ์ใหญ่หันมาทำตัวเป็นผู้ตรวจการ คอยเช็กเนื้อเช็กตัวซึ่งกันและกัน โดยหลังจากนี้ Anthropic เตรียมเดินสายเปิดโต๊ะเจรจากับทั้งภาครัฐ นักวิจัย และบริษัทเทคฯ คู่แข่ง เพื่อหาพิมพ์เขียวในการสร้างกรอบความร่วมมือนี้ร่วมกัน

ย้อนรอยปี 2023 แฟลชแบ็กวันที่ Elon Musk เคยเบรก

ถ้าใครจำได้ นี่ไม่ใช่ครั้งแรกที่มีคนบอกให้เหยียบเบรก เพราะย้อนกลับไปในปี 2023 สถาบัน Future of Life Institute ร่วมกับเจ้าพ่อเทคฯ อย่าง Elon Musk และผู้เชี่ยวชาญอีกนับพันคน ก็เคยร่อนจดหมายเปิดผนึกขอให้หยุดพัฒนา AI ชั่วคราวมาแล้ว 6 เดือน

แต่รอบนี้มันน่าสนใจตรงที่ Anthropic เป็นคนพูดเอง ทั้งๆ ที่ตัวเองก็เพิ่งจะปล่อยโมเดลสุดโหดอย่าง Mythos (ที่เคลมว่าตรวจจับและเจาะช่องโหว่ไซเบอร์ได้เร็วจนน่าขนลุก) แถมบริษัทยังอยู่ระหว่างเตรียมตัวเข้าตลาดหุ้น (IPO) อีกด้วย

แน่นอนว่าเหรียญมีสองด้าน เสนอมาแบบนี้ก็โดนสับเละจากฝั่งนักนวัตกรรมทันที ย้อนไปตอนปี 2023 Eric Schmidt อดีต CEO ของ Google เคยออกมาเตือนสติว่า "ถ้าฝั่งอเมริกายอมเหยียบเบรก ก็เท่ากับประเคนชัยชนะใส่พานให้ประเทศจีน" ซึ่งกำลังทำสงครามเทคโนโลยีกันอยู่แบบตาต่อตาฟันต่อฟัน

ฝั่ง Anthropic เองก็ยอมรับตรง ๆ ว่าการทำ "สนธิสัญญาควบคุมอาวุธ AI" มันยากกว่านิวเคลียร์หลายเท่า

"ไซโลเก็บขีปนาวุธมันใหญ่โตจนมองเห็นจากดาวเทียม แต่กระบวนการเทรน AI มันซ่อนง่ายมาก อุปกรณ์ที่ใช้ก็เป็นคอมพิวเตอร์ทั่วไป แถมแรงจูงใจที่จะแอบโกงเงียบ ๆ ก็สูงลิ่ว เพราะถ้าคนอื่นหยุด แล้วเราทำต่อ... เราจะกลายเป็นผู้นำโลกทันที"

อ้างอิง: bloomberg

ทีมนักศึกษาคณะเทคโนโลยีสารสนเทศ สถาบันเทคโนโลยีพระจอมเกล้าเจ้าคุณทหารลาดกระบัง (สจล.) ในชื่อทีม 'SIGKILL' คว้ารางวัล First Prize ในสาย Computing Track จากการแข่งขัน Huawei ICT Competition 2025-2026 รอบชิงชนะเลิศระดับโลก (Global Final) ที่จัดขึ้นระหว่างวันที่ 2-5 มิถุนายน 2569 ณ สำนักงานใหญ่ของ Huawei เมืองเซินเจิ้น สาธารณรัฐประชาชนจีน

ความสำเร็จครั้งนี้คือบทสรุปของการแข่งขันที่ยาวนานข้ามปี ทีม SIGKILL ต้องไต่ผ่านการคัดเลือกถึง 3 ด่าน จากระดับประเทศ สู่ระดับภูมิภาคเอเชียแปซิฟิก จนมาถึงเวทีระดับโลกที่รวมทีมเก่งที่สุด 177 ทีม จาก 49 ประเทศและภูมิภาคทั่วโลก โดยพิธีปิดและมอบรางวัล (Closing & Awards Ceremony) จัดขึ้นในวันที่ 5 มิถุนายน 2569

Huawei ICT Competition คืออะไร ?

Huawei ICT Competition เป็นการแข่งขันด้านเทคโนโลยีสารสนเทศและการสื่อสาร (ICT) ที่ Huawei จัดขึ้นเป็นประจำทุกปีสำหรับนักศึกษา และอาจารย์จากมหาวิทยาลัยทั่วโลก

ในรอบชิงชนะเลิศระดับโลก ระบบรางวัลหลักจะไล่ลำดับจาก Grand Prize ซึ่งเป็นรางวัลสูงสุดของแต่ละสาย ตามด้วย First Prize (รางวัลที่ 1) Second Prize (รางวัลที่ 2) และ Third Prize (รางวัลที่ 3) นอกจากนี้ยังมีรางวัลพิเศษอย่าง Green Development Award สำหรับผลงานที่ใช้เทคโนโลยีเพื่อความยั่งยืน และ Women in Tech Award สำหรับผู้เข้าแข่งขันหญิงที่โดดเด่น

การที่ทีม SIGKILL คว้า First Prize ในสาย Computing Track ซึ่งเป็นรางวัลในลำดับถัดมา จึงหมายความว่าทีมไทยทำผลงานติดกลุ่มท็อปของโลกในสายนี้ ท่ามกลางคู่แข่งที่ผ่านการคัดกรองมาอย่างเข้มข้นจากผู้เข้าร่วมหลักแสนคนทั่วโลก

เส้นทาง 3 ด่านกว่าจะถึงเซินเจิ้น

การแข่งขันสาย Practice Competition ซึ่ง Computing Track เป็นหนึ่งในนั้น ใช้โครงสร้างการคัดเลือก 4 รอบต่อเนื่องกัน ได้แก่ รอบคัดเลือกระดับประเทศ (National Preliminary) รอบชิงชนะเลิศระดับประเทศ (National Final) รอบชิงชนะเลิศระดับภูมิภาค (Regional Final) และรอบชิงชนะเลิศระดับโลก (Global Final) หรือพูดง่าย ๆ คือไต่ผ่าน 3 ด่านใหญ่ จากระดับประเทศ (ซึ่งมี 2 รอบย่อย) สู่ระดับภูมิภาค จนถึงระดับโลก

จุดเริ่มต้นของทีม SIGKILL คือเวทีระดับประเทศเมื่อเดือนพฤศจิกายน 2568 ที่ทีมคว้ารางวัลชนะเลิศอันดับที่ 1 ในสาย Computing Track ระดับประเทศ ผลงานนี้ทำให้ทีมได้เป็นตัวแทนประเทศไทยไปต่อในรอบภูมิภาค

จากนั้นในรอบชิงชนะเลิศระดับภูมิภาคเอเชียแปซิฟิก ที่จัดขึ้นระหว่างวันที่ 12-14 พฤษภาคม 2569 ณ สำนักงานเลขาธิการอาเซียน (ASEAN Secretariat) กรุงจาการ์ตา ประเทศอินโดนีเซีย โดย Huawei ร่วมกับ ASEAN Foundation 

ผลปรากฏว่า ทีม SIGKILL คว้ารางวัลรองชนะเลิศอันดับที่ 1 ท่ามกลางนักศึกษาจากกว่า 13 ประเทศในภูมิภาค ผลงานระดับนี้ทำให้ทีมได้สิทธิ์เป็นตัวแทนภูมิภาคเอเชียแปซิฟิกไปแข่งรอบสุดท้ายที่เซินเจิ้น

และที่เซินเจิ้นนี่เอง ทีมไทยปิดฉากเส้นทางทั้งหมดด้วยรางวัล First Prize ในสาย Computing Track ระดับโลก

ทีม SIGKILL คือใคร

ทีม SIGKILL ประกอบด้วยนักศึกษาระดับปริญญาตรี คณะเทคโนโลยีสารสนเทศ สจล. จำนวน 3 คน ได้แก่

1. นายพีรณัฐ หมัดสอ นักศึกษาชั้นปีที่ 4 สาขาวิชาเทคโนโลยีสารสนเทศ
2. นายจารุกิตติ์ ศรีพาเพลิน นักศึกษาชั้นปีที่ 4 สาขาวิชาเทคโนโลยีสารสนเทศ
3. นายทีปดา ชื่นเปรมปรีดิ์ นักศึกษาชั้นปีที่ 2 สาขาวิชาเทคโนโลยีสารสนเทศ

โดยตลอดเส้นทางการแข่งขัน ทีมได้รับการดูแลและให้คำปรึกษาจากคณาจารย์ประจำคณะเทคโนโลยีสารสนเทศ 3 ท่าน ได้แก่ รองศาสตราจารย์ ดร.โชติพัชร์ ภรณวลัย, ผู้ช่วยศาสตราจารย์ ดร.สุเมธ ประภาวัต และผู้ช่วยศาสตราจารย์ ดร.ลภัส ประดิษฐ์ทัศนีย์

Huawei ICT Competition เวทีที่ใหญ่ขึ้นทุกปี

Huawei ICT Competition เริ่มจัดครั้งแรกในปี 2015 และปีนี้นับเป็นครั้งที่ 10 ภายใต้ธีม 'Connection, Glory, Future' การแข่งขันเปิดให้นักศึกษาและอาจารย์ได้ฝึกฝนความรู้ด้าน ICT พัฒนาทักษะภาคปฏิบัติ และต่อยอดความสามารถในการสร้างนวัตกรรมด้วยเทคโนโลยีและแพลตฟอร์มล่าสุด

ในแง่ของสเกล การแข่งขันครั้งที่ 10 นี้มีนักศึกษาและอาจารย์ลงทะเบียนเข้าร่วมมากกว่า 220,000 คน จากสถาบันการศึกษากว่า 2,000 แห่ง ในกว่า 100 ประเทศและภูมิภาค ทุบสถิติจำนวนผู้เข้าร่วมสูงสุดเป็นประวัติการณ์ และเมื่อนับสะสมตลอด 10 ครั้งที่ผ่านมา มีนักศึกษาเข้าร่วมแล้วกว่า 1.18 ล้านคนทั่วโลก

สำหรับรอบชิงชนะเลิศระดับโลกปีนี้ มีทีมที่ผ่านเข้ารอบและได้รับรางวัลรวม 177 ทีม จาก 49 ประเทศและภูมิภาค โดยแข่งขันใน 3 สายหลัก คือ Practice, Innovation และ Programming การที่ทีมไทยยืนระยะมาถึงจุดนี้และคว้ารางวัลกลับบ้านได้ จึงเป็นเครื่องยืนยันศักยภาพของนักศึกษาไทยบนเวทีเทคโนโลยีระดับนานาชาติ

Computing Track แข่งอะไร ?

สาย Practice Competition ที่ทีม SIGKILL ลงแข่ง แบ่งออกเป็น 4 สายย่อย ได้แก่ Network Track (เครือข่าย) Cloud Track (คลาวด์) Computing Track (การประมวลผล) และ Ascend AI Track (ปัญญาประดิษฐ์บนชิป Ascend ซึ่งเปิดเฉพาะจีนแผ่นดินใหญ่)

สาย Computing Track ที่ทีมไทยคว้ารางวัล เป็นการวัดทั้งความรู้เชิงทฤษฎีและทักษะภาคปฏิบัติด้านการประมวลผล ผ่านการสอบข้อเขียนและการสอบปฏิบัติในห้องแล็บ (Lab Exam) ผู้เข้าแข่งขันต้องคุ้นเคยกับทฤษฎีและการทดลองเชิงเทคนิคที่เกี่ยวข้อง แล้วจัดอันดับจากคะแนนสอบ ความเข้มข้นของสนามนี้จึงอยู่ที่การต้องแม่นทั้งหลักการ และลงมือทำได้จริงภายใต้แรงกดดัน

ความสำเร็จของทีม SIGKILL สะท้อนว่าการบ่มเพาะคนด้าน ICT ของไทยสามารถแข่งขันได้ในระดับโลก และเป็นแรงบันดาลใจให้นักศึกษารุ่นต่อไปกล้าออกไปประลองฝีมือบนเวทีนานาชาติมากขึ้น

Google หยิบเอาโมเดลภาษาขนาดใหญ่ (Large Language Model) ที่ปกติต้องพึ่งการ์ดจอระดับเซิร์ฟเวอร์ มาบีบให้เล็กลงจนรันได้บนแล็ปท็อปที่มีหน่วยความจำแค่ 16GB แล้วยังยัดความสามารถด้านการมองเห็นและการฟังเข้าไปในตัวโมเดลโดยตรง โดยไม่ต้องพึ่ง Encoder แยกต่างหากเหมือนที่เคยทำกันมา

นี่คือ Gemma 4 12B โมเดลตัวล่าสุดในตระกูล Gemma ที่ Google ออกแบบมาเพื่อนำความสามารถด้านมัลติโมดัล (Multimodal) และการทำงานแบบ Agent มาไว้บนเครื่องของผู้ใช้โดยตรง ตัวโมเดลวางตำแหน่งคั่นกลางระหว่างรุ่นเล็กสำหรับอุปกรณ์ Edge อย่าง E4B กับรุ่นใหญ่ที่ทรงพลังกว่าอย่าง 26B ที่ใช้สถาปัตยกรรม Mixture of Experts (MoE) จุดเด่นคือยัดความสามารถระดับสูงไว้ในขนาดหน่วยความจำที่เล็กลง และยังเป็นโมเดลขนาดกลางตัวแรกของตระกูลที่รับอินพุตเสียงได้แบบ Native

ที่น่าสนใจคือตระกูล Gemma 4 ทะลุยอดดาวน์โหลด 150 ล้านครั้งไปแล้ว โดยชุมชนนักพัฒนาเอาไปสร้างทุกอย่างตั้งแต่แขนกลสวมใส่เพื่อช่วยเหลือทางกายภาพ ไปจนถึงระบบรักษาความปลอดภัยด้วย AI ระดับองค์กร

สถาปัตยกรรมแบบรวมศูนย์ ที่ทิ้ง Encoder ทั้งหมด

หัวใจที่ทำให้ Gemma 4 12B ต่างจากเดิมคือสถาปัตยกรรมแบบรวมศูนย์ (Unified Architecture) ที่ตัด Encoder สำหรับภาพและเสียงออกไปทั้งหมด ปกติแล้วโมเดลมัลติโมดัลจะต้องมีตัวแปลงภาพและเสียงแยกต่างหากก่อนป้อนเข้าโมเดลหลัก แต่ Gemma 4 12B ปล่อยให้อินพุตทั้งภาพและเสียงไหลตรงเข้าสู่แกนหลักของ LLM เลย

ในฝั่งภาพ Google เปลี่ยนจาก Vision Encoder ขนาด 550 ล้านพารามิเตอร์ มาใช้ตัว Embedder ขนาดจิ๋วราว 35 ล้านพารามิเตอร์ ที่ทำหน้าที่ฉายภาพเข้าไปด้วยการคูณเมทริกซ์แค่ครั้งเดียว แล้วโยนภาระการคิดวิเคราะห์ภาพหนัก ๆ ไปให้ตัว Transformer หลักจัดการ ส่วนฝั่งเสียงก็ทำงานโดยไม่ต้องมี Conformer Encoder เสียงที่ 16 kHz จะถูกหั่นเป็นเฟรมละ 40 มิลลิวินาที แล้วฉายเข้าไปในปริภูมิเดียวกับ Text Token โดยตรง ทำให้โมเดลถอดเสียงเป็นข้อความได้เองโดยไม่ต้องพึ่งระบบรู้จำเสียงพูดอัตโนมัติ (Automatic Speech Recognition หรือ ASR) จากภายนอก รองรับคลิปเสียงได้ยาวสุด 30 วินาที

ประสิทธิภาพใกล้รุ่นพี่ 26B แต่กินหน่วยความจำไม่ถึงครึ่ง

แม้ขนาดจะเล็กลง แต่ Gemma 4 12B ทำคะแนนบนเบนช์มาร์กมาตรฐานได้ใกล้เคียงกับรุ่น 26B MoE ที่ใหญ่กว่า ทั้งที่ใช้หน่วยความจำรวมไม่ถึงครึ่งของรุ่นพี่ ในแง่ตัวเลข รุ่น Instruction-tuned ทำได้ 77.2% บน MMLU Pro, 78.8% บน GPQA Diamond, 72.0% บน LiveCodeBench v6 และ 69.1% บน MMMU Pro ฝั่งงานด้านภาพ ซึ่งดันให้โมเดลขนาด 12B ตัวนี้ไปสู้กับระบบที่ใหญ่กว่ามากได้

อีกจุดที่ช่วยเรื่องความเร็วคือ Gemma 4 12B มาพร้อมตัว Drafter แบบ Multi-Token Prediction (MTP) ซึ่งเป็นโมเดลร่างสำหรับเทคนิค Speculative Decoding ที่ช่วยดันจำนวนโทเคนต่อวินาทีให้สูงขึ้นโดยไม่กระทบคุณภาพของผลลัพธ์ ทำให้ลดความหน่วงในการตอบลงได้ และตัวโมเดลยังรองรับ Context Window ยาวถึง 256K Token

เล็กพอจะรันบนแล็ปท็อปทั่วไป และเปิดให้ใช้ฟรี

ความตั้งใจหลักของ Gemma 4 12B คือการพาความสามารถระดับสูงมาไว้บนฮาร์ดแวร์ที่คนทั่วไปใช้กันอยู่แล้ว ตัวโมเดลเล็กพอที่จะรันบนเครื่องได้ด้วยหน่วยความจำกราฟิก (Video RAM หรือ VRAM) หรือ Unified Memory เพียง 16GB เท่านั้น เปิดทางให้ประสบการณ์มัลติโมดัลและการทำงานแบบ Agent เกิดขึ้นบนเครื่องของผู้ใช้เองได้ทันที โดยไม่ต้องส่งข้อมูลขึ้นคลาวด์

ในแง่การเข้าถึง Google ปล่อย Gemma 4 12B ภายใต้ License แบบ Apache 2.0 พร้อมรองรับทั่วทั้งระบบนิเวศนักพัฒนา โดยดาวน์โหลด Checkpoint ได้ผ่าน Hugging Face และ Kaggle ใช้งานได้กับเครื่องมือยอดนิยมอย่าง LM Studio, Ollama, Google AI Edge Gallery รวมถึงเฟรมเวิร์กอย่าง Transformers, llama.cpp, MLX, SGLang และ vLLM ส่วนการนำไปใช้ระดับ Production ก็รองรับทั้ง Agent Platform ของ Google Cloud, Cloud Run และ GKE อีกทั้งยังรองรับ Function Calling สำหรับงานแบบ Agentic ด้วย

Gemma 4 12B เปิดให้นักพัฒนาดาวน์โหลดและใช้งานได้แล้ววันนี้ผ่าน Hugging Face และ Kaggle ภายใต้ License แบบ Apache 2.0 ซึ่งเปิดให้นำไปใช้และต่อยอดได้อย่างอิสระ

ที่มา: Google Blog, MarkTechPost