ข่าว AI ที่คัดมาแล้ว กับคนที่อยากคุยเรื่องนี้

มีรายงานการตรวจพบบน GitHub ชี้ว่า Google Gemini มีการส่งไฟล์ส่วนตัวจาก Google Drive รวมถึงอีเมลส่วนบุคคลไปให้พนักงานหรือผู้ตรวจสอบภายนอก (human annotators) อ่านเพื่อนำไปใช้เทรนหรือปรับปรุงโมเดล

ประเด็นนี้เป็นสัญญาณเตือนสำคัญสำหรับนักพัฒนา Agent ในองค์กรที่กำลังนำข้อมูลลูกค้าหรือความลับบริษัทไปผูกกับบริการ consumer AI โดยตรง ควรใช้ API ฝั่ง Enterprise ที่มีข้อตกลงชัดเจนเรื่อง Zero Data Retention เสมอ

DeepX ประกาศ tape-out ชิปประมวลผลรุ่นที่สอง พร้อมเทคโนโลยี LPDDR5X-PIM โดยอ้างว่าสามารถทำ AI inference โมเดลขนาดสูงสุด 100 พันล้านพารามิเตอร์ (100B) โดยใช้พลังงานต่ำกว่า 5 วัตต์ และมีประสิทธิภาพเพิ่มขึ้น 6-7 เท่า

หากทำได้จริงบนโปรดักชันจะช่วยปลดล็อกการรัน Agent ขนาดใหญ่บน Edge Device และ On-premise ได้อย่างก้าวกระโดด ช่วยลดต้นทุนค่าฮาร์ดแวร์และพลังงานในการประมวลผลระยะยาว

AWS อธิบายกลไกการทำงานของ Agent และ Skills บน AWS Quick สำหรับจัดการงานประจำซ้ำๆ เช่น การอัปเดตสถานะ ออก release notes หรือการเปิด ticket ระบบเปิดให้สร้าง custom skills พร้อมเชื่อมโยงกับคลังข้อมูลของทีม

การแยกส่วนเป็น Skills Catalog ช่วยให้องค์กรสามารถแชร์เครื่องมือให้ Agent เรียกใช้ข้ามทีมได้ เป็นแนวทางสำคัญสำหรับคนที่ต้องการสร้างระบบ Automation ภายในองค์กรโดยไม่ต้องเขียนโครงสร้าง Agent ใหม่ตั้งแต่ต้น

NVIDIA Nemotron 3.5 Super VL โมเดล Vision-Language ขนาด 120B พารามิเตอร์ เปิดให้ใช้งานแล้วบน Amazon SageMaker JumpStart โดยมีตัวเลือกทั้งแบบความแม่นยำ NVFP4 และ BF16 เพื่อรองรับการประมวลผลข้อความ ภาพ และวิดีโอ

โมเดลนี้ออกแบบมาเจาะกลุ่มงาน Document Intelligence และ Computer-use Agents โดยเฉพาะ ซึ่งต้องการความสามารถในการอ่านหน้าจอ เข้าใจเอกสาร และทำงานมัลติโมดอลที่ซับซ้อนบนสถาปัตยกรรมระดับองค์กร

นักพัฒนาที่ทำระบบ Automation สไตล์ Computer Use หรืออ่านเอกสารซับซ้อน สามารถนำโมเดลนี้ไปทดสอบเป็นทางเลือกแทน closed-source โดยเฉพาะการดีพลอยเวอร์ชัน NVFP4 ที่ช่วยลดต้นทุนฮาร์ดแวร์ได้อย่างมาก

Amazon Bedrock Managed Knowledge Base เพิ่มฟีเจอร์ AgenticRetrieveStream รองรับทั้งการทำ Single-shot RAG และการค้นหาแบบ Agentic Retrieval ในระบบเดียว โดยเพิ่มพารามิเตอร์ maxAgentIteration เพื่อกำหนดขอบเขตความพยายามในการสืบค้นข้อมูลให้เหมาะสมกับความซับซ้อนของคำถาม เช่น นโยบายธนาคารที่มีเงื่อนไขซับซ้อน

การรวมทั้งสองแนวทางช่วยแก้ปัญหาระบบ RAG แบบเดิมที่มักติดปัญหาระหว่างคำถามง่ายที่ต้องการคำตอบเร็วกับคำถามยากที่ต้องค้นหาหลายรอบ การให้เลือกระดับ iteration ได้ตามเคสจริงช่วยควบคุม latency และค่าใช้จ่ายได้ดีขึ้น

คนทำ RAG สำหรับองค์กรควรศึกษาการคุมรอบ iteration แบบนี้ เพื่อไม่ให้ agent ทำการค้นหาวนลูปอย่างไร้ทิศทางจนต้นทุนพุ่งและเสียเวลาตอบผู้ใช้งาน

CodeRabbit นำโมเดลของ OpenAI และ Codex มาปรับใช้ในกระบวนการพัฒนาซอฟต์แวร์แบบ Agentic ช่วยตรวจสอบและกำกับดูแลโค้ดที่สร้างขึ้น ส่งผลให้ทีมวิศวกรชุดเดิมสามารถส่งมอบซอฟต์แวร์ได้มากกว่าเดิมถึง 20 เท่า

กรณีนี้เป็นเคสศึกษาจริงของการนำ Agentic Workflow เข้ามาช่วยคุมคุณภาพและเร่งอัตราการส่งมอบงาน ไม่ใช่แค่การเจนโค้ดทีละบรรทัด แต่เป็นการใช้ agent ช่วยกำกับความปลอดภัยและความน่าเชื่อถือของโค้ดทั้งหมด

คนสร้าง agent ในองค์กรควรศึกษารูปแบบ governance ของ CodeRabbit เพราะหัวใจสำคัญของการขยายระบบอัตโนมัติไม่ใช่แค่เจนเร็วขึ้น แต่คือการสร้างกลไกตรวจสอบที่รัดกุมจนกล้าปล่อยขึ้นโปรดักชันจริง

CrossnoKaye เปิดเผยการนำ Agentic AI ไปประยุกต์ใช้ในอุตสาหกรรมหนักผ่านแพลตฟอร์ม ATLAS และระบบ AURA บน Amazon Bedrock AgentCore โดยนำข้อมูลสดจากโรงงานมารองรับการตัดสินใจของ AI

ระบบนี้รันโค้ด Python ในสภาพแวดล้อม Isolated Sandbox บน AgentCore เพื่อตรวจสอบตรรกะ ทำให้วิศวกรโรงงานได้คำตอบที่พิสูจน์ได้ตามหลักคณิตศาสตร์แทนที่จะพึ่งพาการเดาผลของโมเดล ซึ่งเป็นหัวใจสำคัญในการคุมความเสี่ยงของงานสาย Physical AI

Kuken Industries นำ OpenAI API ไปประยุกต์ใช้ในการสืบค้นคลังแบบแปลนหอผึ่งน้ำ (Cooling Tower) ที่สะสมมานานกว่า 70 ปี ช่วยให้ทีมวิศวกรสามารถค้นหาพิมพ์เขียวเพื่อนำมาใช้ในงานซ่อมบำรุงได้เสร็จสิ้นภายใน 4.5 นาที

จากเดิมที่วิศวกรต้องเสียเวลาค้นหาเอกสารเกือบชั่วโมงต่อเคส การปรับใช้ระบบค้นหานี้แสดงให้เห็นถึงความคุ้มค่าของการทำ RAG และการค้นหาข้อมูลเฉพาะทางในเอกสารเก่าแก่ระดับอุตสาหกรรมที่วัดผลประหยัดเวลาได้ชัดเจน

Anthropic เปิดตัวโมเดลใหม่ 2 ตัว ได้แก่ Claude Fable 5.2 และ Claude Mythos 5.2 ซึ่งพัฒนาขึ้นมาเพื่อรับมือกับโจทย์ปัญหาทางเทคนิคที่มีความซับซ้อนสูงโดยเฉพาะ

ทางบริษัทระบุว่าโมเดลเวอร์ชันใหม่นี้ได้รับการปรับปรุงความสามารถทั้งด้านการเขียนโค้ด (Coding), การใช้เหตุผล (Reasoning) รวมถึงงานด้าน Vision พร้อมทั้งทำความเร็วในการประมวลผลได้ดีกว่ารุ่น 5.1 เดิมอย่างเห็นได้ชัด

Meta เปิดตัว Muse Ember โมเดลขนาดเล็กและเบารุ่นใหม่ที่ออกแบบมาสำหรับงานประมวลผลและการรัน Autonomous Agent โดยเฉพาะ ชูจุดขายเรื่องความคุ้มค่าด้านต้นทุนที่เหนือกว่าคู่แข่งในระดับแนวหน้าอย่าง Haiku และ Luna

โมเดลรุ่นนี้เปิดราคา Input Token เพียง $0.10 ต่อ 1 ล้านโทเคน เหมาะอย่างยิ่งสำหรับเวิร์กโฟลว์ของ Agent ที่ต้องเรียกคำสั่งแบบซ้ำๆ (Loop execution) หรือรันงานประมวลผลพื้นฐานที่ไม่ต้องการโมเดลขนาดใหญ่แต่ต้องคุมต้นทุนไม่ให้บานปลาย

AWS เปิดตัว Composable Reference Architecture ความยาว 7 เลเยอร์ สำหรับการนำ Agentic AI ในระดับองค์กรจากช่วง Prototype ขึ้นสู่ Production บน Amazon Bedrock AgentCore โดยแต่ละชั้นถูกออกแบบให้มี Stable Contract แยกขาดจากกันอย่างชัดเจน

การออกแบบลักษณะนี้เปิดทางให้นักพัฒนาสามารถสลับเปลี่ยนเทคโนโลยีหรือเครื่องมือในเลเยอร์ใดก็ได้โดยไม่ต้องรื้อระบบอื่นในสแต็ก ช่วยแก้ปัญหา Technical Debt และ Vendor Lock-in ที่พบได้บ่อยเมื่อระบบ Agent มีความซับซ้อนขึ้นในระยะยาว

NVIDIA เปิดตัว deployment recipes บน Dynamo สำหรับรันโมเดลชั้นนำของเกาหลีใต้ เช่น A.X K2 จาก SK Telecom, K-EXAONE 2.0 จาก LG AI Research และ Solar Open 2 จาก Upstage

แนวทางนี้ช่วยแก้ปัญหาคอขวดด้านหน่วยความจำเมื่อโมเดลมีขนาดใหญ่เกินกว่าจะรันบน GPU ตัวเดียว โดยช่วยจัดการการกระจายโมเดลข้ามหลาย GPU เพื่อให้พร้อมนำไปใช้งานจริงในระบบโปรดักชันได้อย่างมีประสิทธิภาพ

NVIDIA ประกาศความร่วมมือกับกลุ่มธุรกิจในเกาหลีใต้เพื่อยกระดับความปลอดภัยของ Agentic AI โดย Hyundai Motor Group เตรียมทดสอบพิมพ์เขียว NemoClaw ร่วมกับ NVIDIA OpenShell runtime สำหรับรันงาน agent

นอกจากนี้ AIM Intelligence ยังได้นำแพลตฟอร์ม Starfort เข้ามาผสานการทำงานกับ OpenShell เพื่อตรวจสอบและรักษาความปลอดภัยในการทำงานของ AI agent นับเป็นอีกก้าวของการสร้าง ecosystem ที่เน้นเรื่อง agent runtime และ security ระดับโปรดักชัน

Goldman Sachs ตัดสินใจระงับการใช้งาน Claude Code สำหรับพนักงานในฝั่งวาณิชธนกิจและเทรดเดอร์ สะท้อนถึงความกังวลด้านความปลอดภัย การปฏิบัติตามกฎระเบียบ และความเสี่ยงเรื่องข้อมูลรั่วไหลในสถาบันการเงินระดับโลก

เหตุการณ์นี้ชี้ให้เห็นว่าการนำ Coding Agent หรือ Autonomous Tool ไปใช้ในงานที่ไม่ใช่ Core Engineering โดยเฉพาะกลุ่มงานการเงินที่มีข้อกำหนดเข้มงวด ยังติดปัญหาเรื่อง Governance และความเสี่ยงที่ Agent จะเข้าถึงหรือส่งออกข้อมูลโดยไม่ตั้งใจ

สำหรับนักพัฒนา Agent ในระดับ Enterprise บทเรียนนี้ย้ำว่าระบบ Guardrails, Permission Boundaries และ Audit Log มีความสำคัญไม่แพ้ความฉลาดของโมเดล การขาย Agent ให้องค์กรการเงินต้องพร้อมรับมือกับโจทย์ Data Security แบบเข้มงวดที่สุด

หลักสูตร CS146S ของมหาวิทยาลัยสแตนฟอร์ดต้องรื้อวิธีสอนใหม่ หลังพบว่า Coding Agent สามารถแก้การบ้านของปีก่อนหน้าได้สำเร็จด้วยการสั่งงานเพียงพรอมต์เดียว ผู้สอนจึงเปลี่ยนโจทย์ให้นักศึกษาต้องไปร่วมพัฒนาในโปรเจกต์โอเพนซอร์สจริงร่วมกับ maintainer

โจทย์ใหม่บังคับให้นักศึกษาทำความเข้าใจ codebase ขนาดใหญ่ที่ไม่คุ้นเคย ออกแบบโซลูชัน และนำ AI Agent มาทำงานร่วมกันอย่างมีประสิทธิภาพ ซึ่งสะท้อนการทำงานจริงของวิศวกรซอฟต์แวร์ในยุคนี้

บทเรียนสำคัญของคนสร้าง Agent คือ หมดยุคที่ Agent จะแข่งกันแค่เขียนฟังก์ชันสั้นๆ แต่ความท้าทายจริงอยู่ที่การจัดการ context ในโปรเจกต์ขนาดใหญ่และการทำงานร่วมกับมนุษย์