14 กันยายน 2026

สำหรับองค์กรที่ต้องซื้อ AI ใช้จริง ปัญหามักไม่ได้อยู่ที่ “โมเดลเก่งไหม” แต่อยู่ที่ “เก็บข้อมูลอย่างไร” และ “จับการใช้งานผิดได้แค่ไหน” ซึ่งสองข้อหลังมักตีกันเอง เพราะถ้าต้องไม่เก็บข้อมูลเลย ก็ยากจะวิเคราะห์พฤติกรรมข้ามเซสชัน แต่ถ้าจะเก็บไว้ตรวจจับ ก็เสี่ยงชนข้อกำกับด้าน privacy ภาพ: Anthropic Anthropic เลยเสนอ Enterprise Frontier Safeguards (EFS) เป็นโครงสร้างที่พยายามทำให้สองอย่างนี้อยู่ร่วมกันได้ โดยให้ monitoring data ไปอยู่ใน cloud infrastructure ที่ลูกค้าควบคุม ไม่ใช่ของ Anthropic เอง ขณะที่การตรวจจับยังเป็นหน้าที่ของ Anthropic ส่วน custody, keys และ

Anthropic เลือกเปิดตัว Claude Fable 5.1 และ Claude Mythos 5.1 แบบที่ทำให้เห็นชัดว่า “ตัวโมเดล” กับ “ชั้นกำกับ” ไม่ใช่สิ่งเดียวกัน รุ่นทั้งสองใช้ฐานเดียวกัน แต่ถูกห่อด้วย safeguard คนละระดับ โดย Fable 5.1 เปิดใช้ทั่วไป ส่วน Mythos 5.1 ยังจำกัดเฉพาะองค์กรที่ผ่านการคัดเลือก ภาพ: Anthropic สเปกหลักของทั้งคู่คงเดิมคือ context window 1M tokens และ max output 128K tokens พร้อม adaptive

ทีมที่ทำเอเจนต์สำหรับซื้อของหรือช่วยขายของมักเริ่มจากศูนย์เหมือนกันทุกครั้ง: ต้องมีวงจร agent, ชั้นเชื่อม catalog, จุดอนุมัติ, และชุดทดสอบพฤติกรรม Anthropic เลยตัดสินใจปล่อยของพวกนี้ออกมาเป็นโค้ดในชื่อ anthropics/commerce-agents พร้อม agent สองฝั่งคือ shopping agent และ merchant agent ภาพ: Anthropic สิ่งที่ทำให้แพ็กนี้น่าสนใจคือมันไม่ได้ถูกทำมาเพื่อเดโมอย่างเดียว แต่เป็นพิมพ์เขียวที่รันได้จริงภายใต้สัญญา Apache 2.0 และมี vertical ตัวอย่างถึง 4 แบบคือ retail, travel, telecom และ entertainment นั่นทำให้มันเป็นมากกว่าบทความอธิบายแนวคิด เพราะมันคือฐานเริ่มต้นที่ทีมสามารถเอาไปแตกต่อได้ สองเอเจนต์ สองบทบาท ฝั่ง shopping

งานวิจัย AQuA ของทีมจาก Princeton University, Ant Group และ Stanford University พยายามแก้ปัญหาที่งาน quantitative finance เจอบ่อยมาก แต่คนทั่วไปมักมองไม่เห็น: ถ้าเอเจนต์เป็นคนออกแบบการทดลองของตัวเอง มันอาจทำให้หลักฐานที่ตัวเองเห็นในรอบก่อน “สกปรก” ไปด้วย และเรียนรู้จากสิ่งที่ตัวเองทำให้บิดเบือนได้ ภาพ: Princeton / Ant Group / Stanford (จาก arXiv paper) แก่นของ AQuA จึงไม่ใช่การทำให้โมเดลฉลาดขึ้นอย่างเดียว แต่คือการแยกคนสร้างสมมติฐานออกจากสิ่งที่ตัดสินผลลัพธ์ ทีมวิจัยเรียกวิธีนี้ว่า asymmetric freedom: เอเจนต์มีอิสระภายใน DSL ของตัวเอง

Google DeepMind เปิดตัว WeatherNext 3 ในจังหวะที่โลกของ AI ด้านอากาศกำลังขยับจาก “พอใช้ได้” ไปสู่ “พอเอาไปตัดสินใจจริง” มากขึ้น โมเดลนี้ไม่ได้ขายความหวือหวาแบบแล็บเดโม แต่ขายความละเอียดของข้อมูล ความถี่ในการอัปเดต และความพยายามเชื่อมพยากรณ์กับข้อมูลสถานีตรวจอากาศจริงให้ใกล้โลกจริงที่สุด สิ่งที่โดดเด่นคือการคาดการณ์ระดับ 5 กม. และการอัปเดต ทุกชั่วโมง ซึ่งเป็นจุดที่ผู้ปฏิบัติงานภาคสนามสนใจมากกว่าคะแนนบนตารางทดสอบ ภาพ: Google DeepMind สำหรับงานโดรน ข่าวนี้สำคัญเพราะการบินไม่ได้แพ้เพราะ “ฝนตกไหม” อย่างเดียว แต่แพ้เพราะลมเปลี่ยนเร็ว เมฆก่อตัวเฉียบพลัน ความชื้นสูงทำให้ทัศนวิสัยตก หรือสภาพอากาศเปลี่ยนระหว่างเตรียมขึ้นบินกับช่วงปฏิบัติการจริง โมเดลที่อัปเดตถี่ขึ้นและลงรายละเอียดมากขึ้นจึงมีประโยชน์กับคนที่ต้องตัดสินใจว่าเที่ยวบินนี้ควรเลื่อน ยกเลิก หรือเปลี่ยนเวลา โมเดลนี้ต่างจากพยากรณ์แบบเดิมอย่างไร หัวใจของ WeatherNext 3

ถ้า Cosmos 3 Edge คือเวอร์ชันที่ย้ายไปอยู่บนอุปกรณ์ปลายทาง ข่าวของ NVIDIA Cosmos 3 คือภาพรวมของสถาปัตยกรรมที่อยู่ข้างใต้ทั้งหมด โมเดลนี้ไม่ได้ถูกเล่าในฐานะเครื่องมือรันเร็วหรือรันช้า แต่ถูกวางเป็น foundation model สำหรับ physical AI ที่รวม physical reasoning, world generation และ action generation เข้าด้วยกันในระบบเดียว ภาพ: NVIDIA สิ่งที่น่าสนใจคือ Cosmos 3 ไม่ได้พยายามแค่ “ทำนายอนาคต” แต่พยายามทำให้ AI เข้าใจว่าปัจจุบันเชื่อมกับอนาคตอย่างไร เมื่อเห็นฉากหนึ่ง โมเดลควรไม่เพียงตอบว่ามีอะไรอยู่ตรงหน้า แต่ต้องบอกได้ว่าควรเกิดอะไรต่อไป และถ้าจะสั่งการอะไรบางอย่าง

ข่าวของ NVIDIA Cosmos 3 Edge น่าสนใจตรงที่มันไม่พยายามเป็นโมเดลยักษ์ในดาต้าเซ็นเตอร์ แต่พยายามย้ายสมองของการมองโลก การคิด และการสั่งการไปไว้บนเครื่องปลายทางแทน โมเดลนี้มีขนาด 4B parameters และออกแบบให้รันแบบ on-device เพื่อให้หุ่นยนต์และ vision AI agent ตอบสนองได้แบบเรียลไทม์ในสภาพแวดล้อมที่สัญญาณเน็ตไม่ใช่ของสำคัญที่สุด ภาพ: NVIDIA สำหรับคนทำโดรน ข่าวนี้ไม่ได้เป็นเพียงเรื่องของหุ่นยนต์พื้นราบหรือเครื่องจักรในโรงงาน แต่เป็นสัญญาณว่าระบบตัดสินใจบนอุปกรณ์เล็ก ๆ กำลังเข้าสู่ระดับที่จริงจังขึ้น หากโมเดลลักษณะนี้ทำงานได้โดยไม่ต้องพึ่งคลาวด์ตลอดเวลา ก็เท่ากับเปิดทางให้โดรนอัตโนมัติทำงานในพื้นที่ที่สัญญาณอ่อน เช่น ป่า ชายแดน หรือพื้นที่ห่างไกลจากโครงข่ายหลัก โลกจำลองที่ไม่ได้มีไว้ดูเท่ คำว่า world model ฟังดูเหมือนศัพท์ที่ใช้ในงานวิจัยมากกว่างานปฏิบัติ แต่แก่นของมันค่อนข้างตรงไปตรงมา โมเดลแบบนี้พยายามเรียนรู้ว่าโลกเปลี่ยนอย่างไรเมื่อมีการกระทำเกิดขึ้น มันวิเคราะห์ตำแหน่งของวัตถุ

NVIDIA Alpamayo 2 Super เป็นข่าวที่ดูเหมือนอยู่ในโลกของรถยนต์ล้วน ๆ แต่จริง ๆ แล้วมันพูดถึงแกนเทคโนโลยีที่คนทำโดรนคุ้นมากกว่าเดิม: การมองภาพ การตีความภาษา การคาดการณ์การเคลื่อนที่ และการแปลงการตัดสินใจออกมาเป็นการกระทำ โมเดลนี้มีขนาด 34B parameters และวางตัวเป็น vision-language-action (VLA) สำหรับงานขับขี่อัตโนมัติ โดยเฉพาะสถานการณ์ยาก ๆ แบบ long-tail events ภาพ: NVIDIA จุดที่ทำให้มันน่าสนใจคือ NVIDIA ไม่ได้มองโมเดลนี้เป็นแค่เครื่องทำนายเส้นทาง แต่ให้มันอธิบายที่มาของการตัดสินใจได้ด้วย ในหนึ่งรอบ โมเดลสามารถสร้าง trajectory, ข้ออธิบายเชิงเหตุผล และ meta-action ออกมาพร้อมกัน แนวคิดแบบนี้คือเหตุผลว่าทำไมคนทำโดรนถึงควรอ่านข่าวนี้ แม้ชื่อผลิตภัณฑ์จะไปอยู่ฝั่งรถยนต์