รวม Update GPT, Gemini, Claude จากผู้บริหาร

การลงมือทำสิ่งต่างๆ ตอนนี้กลายเป็นเรื่องง่ายไปแล้ว แต่คำถามที่ว่าสิ่งนี้ดีไหม ใช่สิ่งที่ผมต้องการจริงๆ หรือเปล่า มันสอดคล้องกับค่านิยมและความปรารถนาของผมไหม นั่นต่างหากที่จะกลายเป็นคอขวดที่สำคัญที่สุด

— Greg Brockman ผู้ร่วมก่อตั้งและประธาน OpenAI

สำหรับผมแล้ว coding มันถูกแก้ปัญหาเรียบร้อยแล้ว โมเดลเขียนโค้ดให้ผม 100% ตอนนี้ผมเขียน PR วันละหลายสิบตัว มีอยู่วันหนึ่งเมื่อสัปดาห์ก่อน ผมทำได้ถึง 150 PRs ในวันเดียว

— Boris Cherny ผู้สร้างและพัฒนา Claude Code, Anthropic

ผมคิดว่าเราจะลดเวลาในการค้นพบยาจากเดิมที่ใช้เวลาเฉลี่ย 10 ปี ลงเหลือเป็นเดือน อาจเป็นสัปดาห์ หรือสักวันหนึ่งอาจเหลือแค่ไม่กี่วัน และเมื่อถึงตอนนั้น ทุกโรคจะอยู่ในขอบเขตที่รักษาได้

— Demis Hassabis ผู้ก่อตั้ง DeepMind และ CEO ของ Google DeepMind

Note: จาก Post ที่มองแง่ร้ายที่ AI ส่งผลกระทบต่อการตกงาน มาดู AI ในด้านดีๆ กันบ้างครับ (แต่อันนี้ผมก็แนะนำให้ทุกท่านอ่านนะครับ แต่อย่าอ่านตอนเครียดๆ หรือดึกแล้ว มันเป็นความจริงที่ปฏิเสธไม่ได้จริงๆ ครับ)

นี่คือคำพูดจากผู้นำสามคนของวงการ AI ที่ขึ้นเวที Sequoia Capital's AI Ascent 2026 และกำลังกำหนดทิศทางอนาคตของเราในวันนี้ Greg Brockman จาก OpenAI ผู้อยู่เบื้องหลังการขยายโครงสร้างพื้นฐาน AI ที่ใหญ่ที่สุดในโลก Boris Cherny จาก Anthropic ผู้สร้าง Claude Code ที่กำลังเปลี่ยนวิธีเขียนโปรแกรมไปทั้งวงการ และ Demis Hassabis จาก Google DeepMind ผู้บุกเบิกการนำ AI มาใช้กับวิทยาศาสตร์ที่กำลังจะปฏิวัติวงการแพทย์

ทั้งสามคนมีมุมมองที่ต่างกัน คนหนึ่งมองจากมุมโครงสร้างพื้นฐานและการขยายขนาด คนหนึ่งมองจากมุมเครื่องมือสำหรับนักพัฒนา อีกคนหนึ่งมองจากมุมวิทยาศาสตร์และ AGI แต่เมื่อนำมารวมกันก็ให้ภาพที่ชัดเจนของจุดที่เรากำลังยืนอยู่ และทิศทางที่กำลังจะไป

🚀 Greg Brockman — เมื่อโครงสร้างพื้นฐานคือทุกอย่าง

Greg เคยเป็นพนักงานคนที่สี่และเป็น CTO คนแรกของ Stripe ก่อนจะมาร่วมก่อตั้ง OpenAI ปัจจุบัน OpenAI มีผู้ใช้งานจริงเกือบหรืออาจมากกว่าหนึ่งพันล้านคนต่อสัปดาห์ ส่วน Stripe ประมวลผลธุรกรรมคิดเป็น 1.6% ของ GDP ทั่วโลก นอกจากตำแหน่งผู้ร่วมก่อตั้งและประธาน Greg ยังถูกเรียกว่า chief builder ของ OpenAI ด้วย

⚡ ปัญหาเรื่อง Compute ที่ไม่จบไม่สิ้น

• โมเดลธุรกิจของ OpenAI เรียบง่ายมาก — ซื้อ เช่า สร้าง compute แล้วขายต่อด้วยส่วนต่างกำไร
• ตราบใดที่ส่วนต่างกำไรเป็นบวก ก็ต้องขยายขนาดให้สุด เพราะความต้องการแก้ปัญหาเป็นความต้องการไม่จำกัด
• ตอนเปิดตัว ChatGPT ทีมถามว่าจะซื้อ compute เท่าไหร่ Greg ตอบว่าซื้อทั้งหมด ทีมก็ถามกลับว่าจริงจังหน่อย เท่าไหร่กันแน่ Greg ตอบยืนยันว่าไม่ว่าจะ ramp เร็วแค่ไหนก็ไม่มีทางทันความต้องการ
• Matt Garman เพิ่งบอก Greg ว่า GPU compute availability ในปี 2026 แทบจะเป็นศูนย์
• และตามที่ Greg บอก OpenAI ก็ยังไล่ล่าหา compute เพิ่มอยู่ตลอดเวลา ไม่มีวันพอ

🧠 Scaling Laws — ความลึกลับและสวยงามของจักรวาล

• Scaling Laws รู้สึกพื้นฐานเหมือนความจริงทางวิทยาศาสตร์ คล้ายกฎของนิวตันในฟิสิกส์ เป็นเชิง empirical ที่เรายังไม่มีทฤษฎีอธิบายได้ครบ
• Neural networks ถูกออกแบบในยุค 1940 ก่อนที่คอมพิวเตอร์จะมีอยู่จริง
• ใช้ไอเดียเดียวกันจากยุคนั้นบวกกับ compute ที่มากขึ้น โมเดลก็เก่งขึ้นเรื่อยๆ
• ไม่มีกำแพง ไม่มีจุดสิ้นสุด
• มีนวัตกรรมใหม่ตลอด บางอย่างเป็นการปรับเล็กน้อย เช่นการพบว่าวิธีจัดรูปแบบข้อมูลที่ใช้อยู่ยังไม่ดีพอ บางอย่างก็เป็นการเปลี่ยนใหญ่ จาก LSTM สู่ Transformer และตอนนี้ก็ก้าวพ้น Transformer ตามเปเปอร์ดั้งเดิมปี 2018 ไปแล้ว

🤖 AGI — 80% ของเส้นทาง

• OpenAI มีคำนิยาม AGI อย่างเป็นทางการ แต่ Greg บอกว่าทุกคนมีสัญชาตญาณเรื่องนี้ของตัวเอง
• Greg ประเมินว่าเราเดินทางมาได้ประมาณ 80% แล้ว มีโมเดลที่ฉลาดและความสามารถสูง
• GPT-5.4 เก่งกว่าตัว Greg เองในการเขียนซอฟต์แวร์อย่างมาก แม้แต่การเขียน kernels ซึ่งเป็นงานระดับล่างก็ยังเห็นการพัฒนาที่ก้าวกระโดด

🤖 Codex และ Chronicle — เครื่องมือใหม่

• ในเดือนธันวาคมเดือนเดียว เครื่องมือ agentic coding ขยับจากเขียนโค้ดให้ 20% เป็น 80% เปลี่ยนสถานะจากของเล่นข้างเคียงเป็นเครื่องมือหลัก
• OpenAI กำลังเปลี่ยน Codex จากเครื่องมือสำหรับวิศวกรซอฟต์แวร์ ให้กลายเป็นเครื่องมือสำหรับทุกคนที่ทำงานกับคอมพิวเตอร์
• OpenAI เพิ่งเปิดตัว Chronicle เครื่องมือใหม่ที่เชื่อมต่อกับ Codex สามารถมองเห็นทุกอย่างที่คุณทำกับคอมพิวเตอร์และสร้างความทรงจำขึ้นมา ถามอะไรก็รู้ทันทีว่ากำลังพูดถึงอะไร ไม่ต้องเสียเวลาอธิบายซ้ำอีก
• การลงทุนครั้งเดียวที่สำคัญที่สุดในตอนนี้คือการให้บริบทกับ AI ให้ครบ เคยประชุมอะไรบ้าง คุยกับใครเรื่องอะไร ไม่ใช่เรื่องนิสัยที่ดีถ้าคุณไม่เชิญ AI เข้าประชุมแล้วมาขอความช่วยเหลือทีหลัง โดย AI ไม่มีข้อมูลเลย
• Greg เล่าเคสที่วิศวกรคนหนึ่งของ OpenAI เคยบอกว่าใช้ GPT-5, 5.1, 5.2, 5.3 แล้วก็ยังไม่ได้คุณค่าเท่าไหร่ จนวันหนึ่งเขาเขียนเอกสารออกแบบสำหรับงาน optimize ระบบที่ซับซ้อนมาก ตั้งใจจะให้ทีมทำต่อในสัปดาห์ถัดไป แล้วลองส่งให้โมเดลก่อนเข้านอน ตื่นเช้าขึ้นมาพบว่าโมเดลไม่เพียงแค่สร้างตามข้อกำหนดเริ่มต้น แต่ยังเห็นว่าโค้ดทำงานช้า เพิ่มระบบวัดผล รัน profiler หาจุดที่ช้า แล้ววนซ้ำหลายรอบจน optimize เสร็จ

📊 จากยุคแห่งการลงมือทำสู่ยุคแห่งการตัดสิน

• เมื่อ AI ทำสิ่งต่างๆ ได้ง่าย คอขวดใหม่คือการตัดสินใจว่ามันถูกต้องหรือไม่
• มนุษย์ไม่เก่งในการกดอนุมัติซ้ำๆ มักกดอนุมัติทุกอันโดยไม่อ่าน
• AI ในยุคใหม่จะช่วยแยกแยะว่าอันไหนความเสี่ยงสูงต้องยกระดับ อันไหนอนุมัติอัตโนมัติได้
• ความสนใจของมนุษย์จะกลายเป็นทรัพยากรที่หายากที่สุด
• เคสที่ Greg เล่าเป็นตัวอย่างชัดเจนของปัญหานี้ — สั่งให้ Codex ติดตั้ง package ตัวหนึ่ง แต่เจอ error เลยบอกให้ ping คนที่เขียน package ผ่าน Slack ขอความช่วยเหลือ Codex ก็ ping ไป สองนาทีต่อมา Codex บอกว่าใช้เวลานานเกินไปแล้ว ขอ escalate ไปหา manager ของคนนั้น แล้ว ping manager จริงๆ ในด้านหนึ่งดูเป็นการกระทำที่สมเหตุสมผล กระตือรือร้นพยายามแก้ปัญหา แต่อีกด้านหนึ่งก็น่าจะรอนานกว่านั้นหรือถามก่อน นี่คือเรื่อง EQ ของโมเดลที่ยังต้องพัฒนา

🌐 บทเรียนภายใน OpenAI

• OpenAI เริ่มจากวิศวกรรมซอฟต์แวร์ โดยกำหนดแนวทางว่ามนุษย์ยังต้องรับผิดชอบโค้ดที่ merge เข้าไป ก่อนจะ merge ต้องมีคนเซ็นรับว่าโค้ดนี้ดี โครงสร้างเหมาะสม ทำให้ codebase ดูแลได้ในระยะยาว
• OpenAI ขยายไปทีละสายงาน ทั้งการเงิน ฝ่ายขาย IT มีทีมเล็กๆ ที่เข้าใจสาขาความรู้อย่างลึก ทำงานร่วมกับผู้เชี่ยวชาญในแต่ละสายงาน ปรับปรุงทักษะ ปรับ Codex UI ให้เข้ากับงาน เมื่อปรับเสร็จจึงเผยแพร่ออกสู่ภายนอกให้คนอื่นใช้
• ต้นทุนการสร้างต้นแบบถูกลงมหาศาล dashboard ที่เคยใช้เวลาเป็นสัปดาห์ตอนนี้ทำได้ทันที
• คอขวดใหม่คือการแชร์และ governance — เมื่อทุกคนสร้าง dashboard, widget, bot ของตัวเองได้ง่ายๆ จึงต้องมีระบบที่ทำให้ IT มองเห็นทุกอย่างที่กำลังเกิดขึ้น และต้องมี data provenance เช่น ถ้ามีเอกสารใน wiki ภายในที่ permission ผิดและถูกใช้สร้างเอกสารอื่นต่อ จะแก้กลับยังไง

🛡️ ความมั่นคงปลอดภัยในยุค AI

• Greg มองว่าความมั่นคงปลอดภัยบนอินเทอร์เน็ตเป็นเรื่องที่หนักขึ้นเรื่อยๆ ตั้งแต่ยุค virus, worm, malware ในยุค 90 จนถึงทุกวันนี้
• ในอนาคตเรากำลังเดินไปสู่ยุคที่ปลอดภัยมากขึ้น แต่ต้องอาศัยความร่วมมือทั่วทั้งอินเทอร์เน็ต
• โมเดลสามารถสแกน codebase ทำ end-to-end red teaming ได้
• OpenAI มี trusted access programs สำหรับงานด้าน cybersecurity และ biosecurity ที่ทำมาเป็นเวลานาน
• หัวใจสำคัญคือต้องตระหนักว่าโมเดลแม้จะทรงพลังแต่ก็ไม่ใช่ของวิเศษ มันเป็นแค่ส่วนหนึ่งของระบบ resilience โดยรวม

📺 ยุคของ Application Layer และอนาคตการทำงาน

• หลายคนได้ยินคำว่า focus ถูกใช้กับ OpenAI บ่อยขึ้นในช่วงหลัง
• Greg อธิบายว่าวงการ AI เต็มไปด้วยโอกาส ทุกอย่างจะดี แต่ OpenAI ไม่ว่าจะมี compute และคนเยอะแค่ไหนก็ทำได้แค่ส่วนหนึ่งเท่านั้น ต้องเลือก strategy ที่มีโฟกัส
• โฟกัสปัจจุบันคือการเปลี่ยนผ่านสู่ยุค agentic ทั้งฝั่ง enterprise ที่ขายให้บริษัทใหญ่จริงจัง และฝั่ง consumer ที่ความหมายกำลังเปลี่ยน
• Consumer ไม่ใช่แค่เรื่อง productivity แต่เกี่ยวกับเป้าหมาย การช่วยให้คนรู้ว่าเป้าหมายของตัวเองคืออะไร และมี AI ที่เชิงรุกพอที่จะทำสิ่งเหล่านั้น
• ปลายทางคือ AGI ที่คุณคุยด้วยได้ มีบริบทครบของชีวิตคุณ ใช้ขอคำแนะนำเรื่องสุขภาพ การเงิน อาชีพได้
• Greg มองว่าตอนนี้เราอยู่ในสภาพการทำงานที่ไม่เป็นธรรมชาติเลย ทุกคนนั่งหลังค่อมหน้าจอ พิมพ์ๆ จนเป็น carpal tunnel ร่างกายเราไม่ได้ออกแบบมาเพื่อสิ่งนี้
• เขามองภาพอนาคตว่าเราจะมีเวลาให้คนที่เรารักมากขึ้น มีเวลาคุยกัน คิดวิสัยทัศน์ใหม่ๆ — คุณอยากเป็น CEO ขององค์กรที่มี agents 100,000 ตัวไหม? ฟังดูค่อนข้างน่าสนใจทีเดียว

🔬 วิทยาศาสตร์และแนวหน้า

• OpenAI กำลังเดินทางหนักไปทาง science และเห็น line of sight สู่ความก้าวหน้าที่น่าทึ่ง
• มีผลงาน physics ที่ AI สร้างสูตรสวยงามที่นักฟิสิกส์ทำงานมานานคิดว่าเป็นไปไม่ได้ ถือเป็นก้าวที่นำไปสู่ quantum gravity แม้ยังไม่ถึงจุดหมาย แต่ก้าวใหญ่กว่าเมื่อสองสามเดือนก่อนมาก
• ชีววิทยาและสาขาที่ต้องเจอกับความยุ่งเหยิงของโลกจริงก็เริ่มเรียนรู้จากบทเรียนของวิศวกรรมซอฟต์แวร์ ที่พบว่าการแค่แก้ programming competition ไม่พอ ต้องเจอ codebase จริง คนคอยขัดจังหวะ การโจมตีจริง
• Greg ทำนายว่าปีนี้น่าจะเห็นผลงานใหญ่ๆ ทางวิทยาศาสตร์ และปีหน้าจะเป็นปีที่ wild สุดๆ

🛠️ Boris Cherny — ยุคที่ Coding ถูกแก้ปัญหาแล้ว

Boris เป็นวิศวกรซอฟต์แวร์ตัวจริง เขียนโค้ดมาตลอดทั้งชีวิต เขียนหนังสือเกี่ยวกับ programming รวมถึง Programming TypeScript เขามาเข้าร่วม Anthropic ปลายปี 2024 ในทีม Anthropic Labs ทีม incubator ภายในบริษัทที่สร้างทั้ง Claude Code, MCP และ Desktop App ทีมนี้ทำหน้าที่ของตัวเองเสร็จแล้วก็แยกย้าย ปัจจุบันกลับมารวมตัวอีกครั้งภายใต้การนำของ Mike Krieger ซึ่งเป็น Chief Product Officer ของ Anthropic และเคยเป็นหนึ่งในผู้ร่วมก่อตั้ง Instagram

เกร็ดเล็กน้อย — Boris บอกว่าตั้งแต่ปี 2026 เขายังไม่ได้เขียนโค้ดด้วยมือเองสักบรรทัดเดียว เพราะโมเดลเขียนให้ทั้งหมดแล้ว และตอนเรียนมัธยมต้น Boris เคยเขียนคู่มือสำหรับการเขียนภาษา BASIC บนเครื่องคิดเลข TI-83 Plus ซึ่งยังหาดูได้บนอินเทอร์เน็ต

📍 จุดเริ่มต้นจาก Product Overhang

• แนวคิดที่ขับเคลื่อนการสร้าง Claude Code คือสภาวะ product overhang — ความสามารถของโมเดลล้ำหน้ากว่าผลิตภัณฑ์ที่มีอยู่ในตลาด
• ปลายปี 2024 การเขียนโค้ดสุดยอดสุดในขณะนั้นคือ type ahead เปิด IDE แล้วกด Tab เพื่อให้โมเดลเติมโค้ดทีละบรรทัด ซึ่ง Sonnet 3.5 เป็นโมเดลแรกที่ทำได้
• Boris รู้สึกว่าโมเดลพร้อมจะก้าวไปไกลกว่านั้น — ให้ agent เขียนโค้ดทั้งหมดเองได้
• หกเดือนแรกของ Claude Code ใช้งานได้แทบจะไม่ดีเลย Boris เองใช้เขียนโค้ดของตัวเองได้แค่ 10%
• แม้ตอนเปิดตัวครั้งแรก Claude Code ก็ไม่ได้ดังทันที มีคนใช้พอสมควรแต่ไม่ได้มีการเติบโตแบบ exponential
• จุดเปลี่ยนเริ่มที่ Opus 4 ในเดือนพฤษภาคม จากนั้นแต่ละโมเดลที่ออกมาทำให้การเติบโตพุ่งขึ้นเรื่อยๆ ผ่าน Opus 4.5, 4.6 จนถึง 4.7
• Codebase ของ Claude Code เคยรั่วไหลออกไป จึงทำให้คนรู้กันแล้วว่าใช้ TypeScript และ React ที่ Boris เลือกเพราะเป็น stack ที่อยู่ใน distribution ของโมเดลมากที่สุด ภาษาและ framework สำคัญในตอนเริ่มต้น เพราะโมเดลในยุคนั้นยังไม่ฉลาดเท่าวันนี้

📱 การจัดวางการทำงานส่วนตัวที่น่าตกใจ

• Boris ทำงานส่วนใหญ่จากโทรศัพท์มือถือ
• ใช้ Claude app ที่มีแถบ code ทางซ้าย เปิดประมาณห้าถึงสิบ sessions พร้อมกัน
• หลายร้อย agents ทำงานพร้อมกันในช่วงเวลาใดเวลาหนึ่ง
• หลายพัน agents ทำงานเชิงลึกค้างไว้ตอนกลางคืน
• มีหลายวิธีในการบริหารจัดการ — หนึ่งคือให้ Claude ใช้ sub-agents ทำงานต่อ อีกวิธีที่ Boris ใช้บ่อยที่สุดคือ /loop

🔄 Loop คืออนาคต

• /loop คือการให้ Claude ใช้ cron ตั้งเวลางานซ้ำๆ ในอนาคต ทุกนาที ทุกห้านาที หรือทุกวัน
• มี loops ที่คอยดูแล PRs คอยแก้ CI คอยทำ auto rebase
• Loop อีกอันที่คอยรักษาให้ CI healthy — ถ้ามี flaky test ก็จะไปแก้ให้
• Loop ที่ดึงผลตอบรับจาก Twitter มาจัดกลุ่มทุก 30 นาที
• Anthropic ยังเปิดตัว routines ที่ทำงานบนเซิร์ฟเวอร์ แม้ปิดแล็ปท็อปก็ยังเดินต่อ
• Boris ถึงกับบอกว่าถ้าใครยังไม่เคยลองใช้ loops แนะนำเลย — เพราะ loops คืออนาคต

👥 อนาคตของทีม — คนแบบไหนที่จะอยู่รอด

Boris มองว่าอนาคตจะเป็นยุคของ generalists มากขึ้น แต่ไม่ใช่แค่ generalist ในงาน engineering อย่างที่เราเข้าใจกันทุกวันนี้

• ทุกวันนี้เวลาพูดถึง generalist ส่วนใหญ่ยังหมายถึงคนที่ทำได้หลายฝั่ง iOS, web, server แต่ยังเป็นวิศวกรอยู่ดี
• อนาคตจะเป็น generalist แบบข้าม discipline เช่น คนที่เก่ง product engineering และเก่ง design ในเวลาเดียวกัน หรือเก่งทั้ง product, data science และ engineering
• ที่ทีม Claude Code ทุกคนเขียนโค้ดหมด ไม่ว่าจะเป็น engineering manager, product manager, designer, data scientist, ฝ่าย finance หรือ user researcher แต่ละคนยังเป็นผู้เชี่ยวชาญในสายงานของตัวเอง แต่ตอนนี้ทุกคนก็เขียนโค้ดด้วย

⚡ คำถามเรื่อง SaaS Apocalypse

เมื่อ AI ทำให้การเขียนโค้ดถูกลง 10 เท่าหรือ 100 เท่า มูลค่าของซอฟต์แวร์จะเป็นอย่างไร — Boris อ้างอิงกรอบความคิด Seven Powers ที่ Hamilton เขียนเป็นหนังสือ ฟังมาจาก Acquired podcast

Powers ที่จะลดความสำคัญลง:

1. Switching costs จะลดลง เพราะใช้โมเดลย้ายระบบหนึ่งไปอีกระบบหนึ่งได้ง่ายขึ้น
2. Process power จะลดลง เพราะ Claude เก่งขึ้นมากในการคิด process ออกมาเอง โดยเฉพาะ 4.7 ที่สามารถ hill climb ได้แทบทุกอย่าง ถ้าให้ target และให้ iterate จนเสร็จ มันก็จะทำได้ Boris มองว่านี่คือโมเดลตัวแรกที่ทำได้แบบนี้

Powers ที่ยังสำคัญอยู่ (AI ไม่ได้เปลี่ยนแปลงอะไรมาก):

1. Network effects
2. Scale economies
3. Cornered resources

Boris ทำนายว่าใน 10 ปีข้างหน้า จำนวน startups ที่จะ disrupt วงการเดิมจะเพิ่มขึ้นประมาณ 10 เท่า เพราะ startup เล็กๆ สามารถสร้างของที่มีมูลค่าเทียบเท่าบริษัทใหญ่ได้ และแข่งกันได้แบบตัวต่อตัว ในขณะที่บริษัทใหญ่ต้องเสียเวลากับการปรับ business process ปรับวิธีทำงาน train ทีมให้ใช้เทคโนโลยี และเจอแรงต้านภายในมากมาย

📚 บทเรียนจากแท่นพิมพ์ ปี 1400

Boris เปรียบเทียบสิ่งที่กำลังเกิดขึ้นกับการประดิษฐ์แท่นพิมพ์ในยุโรปยุค 1400

• ก่อนมีแท่นพิมพ์ ประชากรยุโรปแค่ 10% ที่อ่านออกเขียนได้ คนเหล่านี้มักทำงานให้พระราชาและขุนนางที่เขียนอ่านไม่ได้
• 50 ปีหลังจากนั้น ยุโรปผลิตหนังสือมากกว่าพันปีก่อนหน้านั้นรวมกัน
• ราคาหนังสือลดลงประมาณ 100 เท่า
• ภายในไม่กี่ร้อยปี อัตราการอ่านออกเขียนได้ของโลกขึ้นไปที่ 70%

ในยุค AI การเขียนซอฟต์แวร์จะถูกประชาธิปไตยแบบเดียวกัน แต่จะเร็วกว่ามาก ซอฟต์แวร์จะกลายเป็นทักษะที่ใครก็ทำได้ เหมือนการส่งข้อความ และคนที่จะเขียนซอฟต์แวร์ที่ดีที่สุดอาจไม่ใช่ใครที่เราคิด

• คนที่จะเขียนซอฟต์แวร์บัญชีได้ดีที่สุด แม้แต่ในวันนี้ อาจไม่ใช่วิศวกร แต่เป็นนักบัญชีตัวจริงที่รู้สาขาความรู้ของตัวเองอย่างลึกซึ้ง เพราะการเขียนโค้ดคือส่วนที่ง่าย แต่การรู้สาขาความรู้ต่างหากคือเรื่องยาก

🏢 ความล้ำหน้าของ Anthropic ในการใช้งานภายใน

• ในด้านโมเดล แทบไม่มีช่องว่าง — ภายใน Anthropic ใช้โมเดลเดียวกับที่คนภายนอกใช้
• มีแค่บางช่วงที่ใช้ Mythos สำหรับทดสอบ และส่วนใหญ่ก็ใช้ Opus 4.7 เหมือนกับทุกคน
• ในด้าน product มีช่องว่างที่กว้างกว่ามาก เพราะ Anthropic ปรับเปลี่ยนกระบวนการทำงานทั้งหมดไปแล้ว
• Claude คุยกันผ่าน Slack ตลอดทั้งวัน — Claude ของ Boris ที่กำลังเขียนโค้ดใน loop จะคุยกับ Claude ของคนอื่นที่กำลัง run loop อยู่ เพื่อช่วยกันแก้ปัญหาที่ไม่รู้คำตอบ
• ไม่มีโค้ดที่เขียนด้วยมือเองในบริษัทอีกแล้ว SQL ทุกอันโมเดลเป็นคนเขียน ทุกอย่างสร้างโดยโมเดล
• Boris มองว่าจุดที่ Anthropic ล้ำหน้าจริงๆ ไม่ใช่เทคโนโลยี เพราะเทคโนโลยีเดียวกันก็มีให้ทุกคนใช้ แต่เป็นเรื่องโครงสร้างองค์กรและกระบวนการทำงานต่างหากที่เปลี่ยนไปแล้ว

🚀 ข้อคิดสำหรับนักพัฒนาและผู้ก่อตั้ง startup

• ใน 1 ปีข้างหน้า โมเดลจะ aligned ดีขึ้นมาก กลไกความปลอดภัยต่างๆ ที่มีอยู่ตอนนี้ ทั้ง prompt injection protection, static verification ของ commands, permission modes, human in the loop จะมีความสำคัญน้อยลง เพราะโมเดลจะทำสิ่งที่ถูกต้องเอง
• อีกไม่กี่ปี โมเดลจะเป็นคนเขียนโค้ดทั้งหมดเอง เริ่ม agents เอง สร้าง environments เอง ตัดสินใจเองว่าจะใช้ local model หรือ cloud
• ไม่ว่าจะเป็น MCPs, APIs หรือ programmatic access แบบไหน โมเดลก็ไม่สนใจ เพราะสำหรับโมเดลทุกอย่างคือ tokens เหมือนกันหมด
• บทเรียนสำคัญจาก YC ที่ Boris เน้นย้ำ — build something people love ไม่ว่าโมเดลจะดีแค่ไหน สุดท้ายต้องสร้างสิ่งที่คนรัก เหตุผลที่ product ยังสำคัญคือการใส่ใจในรายละเอียดเล็กๆ น้อยๆ เพื่อให้ใช้งานได้ดีตลอดทั้งวัน

🌍 Demis Hassabis — เส้นทางสู่ AGI และการปฏิวัติวิทยาศาสตร์

Demis เป็นทั้งอดีตเด็กอัจฉริยะหมากรุก ผู้ก่อตั้งบริษัทเกม นักประสาทวิทยา และผู้ก่อตั้ง DeepMind ดูเผินๆ เหมือนไม่เกี่ยวกัน แต่ทุกอย่างเชื่อมโยงกันด้วยเส้นเดียวกัน คือความตั้งใจทำ AI

🎮 จากเกมสู่ AGI

• Demis ตัดสินใจตั้งแต่วัยรุ่นอายุ 15-16 ว่า AI คือสิ่งสำคัญและน่าสนใจที่สุดที่เขาจะทำได้ จากนั้นเลือกเรียนและทำงานเพื่อปูทางมาสู่บริษัทแบบ DeepMind
• เส้นทางผ่านเกมเป็นทางอ้อม เพราะในยุค 90 วงการเกมเป็นที่ที่เทคโนโลยีล้ำสมัยที่สุด รวมถึง GPU ที่ Demis ใช้เป็นรุ่นแรกๆ ปลายยุค 90
• Demis ทำงานที่ Bullfrog Productions ค่ายเกมในตำนานของอังกฤษและยุโรป
• เกมที่ดังที่สุดของเขาคือ Theme Park ที่ทำตอนอายุ 17 จำลองสวนสนุกที่มีคนหลายพันคนเข้ามาเล่นและตัดสินใจซื้อของจากร้านค้า มีโมเดลเศรษฐศาสตร์ AI อยู่เบื้องหลัง คล้ายกับ Sim City ขายได้กว่า 10 ล้านก๊อปปี้
• ที่ Elixir Studios บริษัทของเขาเอง พยายามทำเกมชื่อ Republic ที่จำลองทั้งประเทศ มีคนล้านคน ทำงานบน Pentium PC ในปลายยุค 90 ซึ่งทะเยอทะยานเกินไปจนเกิดปัญหา
• บทเรียนสำคัญที่ได้คือ — ต้องอยู่ล้ำหน้าเวลา 5 ปี ไม่ใช่ 50 ปี ถ้ารอจนทุกคนเห็นชัดก็สายเกินไปแล้ว แต่ถ้าล้ำหน้าเกินไป 50 ปีก็ไม่มีทางสำเร็จ

🚀 ปี 2009 — จุดเริ่มต้นของ DeepMind

• ปี 2009 Demis ตัดสินใจว่า AGI กำลังจะมา deep learning เพิ่งถูกประดิษฐ์โดย Jeff Hinton และทีม
• Demis และทีมเชื่อว่าถ้าผสม deep learning กับ reinforcement learning ที่ในตอนนั้นยังไม่ค่อยมีคนทำรวมกัน บวกกับ compute ที่กำลังจะมาในรูปของ GPU ที่ปัจจุบันเป็น TPU จะเป็นจุดเริ่มต้นสำคัญ
• พวกเขารู้สึกเหมือนเป็นผู้เก็บความลับ เพราะไม่มีใครในวงวิชาการหรืออุตสาหกรรมเชื่อว่า AGI เป็นไปได้
• Demis ทำ postdoc ที่ MIT ซึ่งเป็นศูนย์กลางของ expert systems และ logic language systems แม้ในยุคนั้นเขาก็รู้สึกว่ามันล้าสมัยแล้ว แต่ทั้ง Cambridge UK และ MIT ก็ยังทำแบบนั้นกัน
• ในปี 2010 DeepMind ตั้งเป้าหมายเป็นภารกิจ 20 ปี — Demis ยืนยันว่าวงการนี้กำลังเดินทางตรงตามแผนเดิม เป้าหมาย AGI คือปี 2030
• พันธกิจดั้งเดิมเรียบง่าย — ขั้นที่หนึ่งคือไขปริศนาของปัญญา หรือการสร้าง AGI ขั้นที่สองคือใช้มันแก้ปัญหาทุกอย่างที่เหลือ

🧬 AlphaFold และการปฏิวัติชีววิทยา

• DeepMind มีหน่วย AI for Science ที่นำโดย Pushmeet Kohli ตั้งมาเกือบสิบปีแล้ว เริ่มขึ้นวันถัดจากที่ทีมกลับจากเกาหลีใต้หลังการแข่งขัน AlphaGo ซึ่งครบ 10 ปีในเดือนนี้พอดี
• Demis รอจนอัลกอริทึมทรงพลังมากพอและไอเดียกว้างพอ — Go เป็นจุดที่เขารู้สึกว่าพร้อมแล้วที่จะนำไปแก้ปัญหาวิทยาศาสตร์ใหญ่ๆ
• Protein folding คือความท้าทายใหญ่ที่ค้างคามากว่า 50 ปี รูปร่าง 3 มิติของโปรตีนสำคัญมากต่อการออกแบบยาและความเข้าใจชีววิทยา
• AlphaFold คือก้าวสำคัญครั้งแรกในชีววิทยาที่เทียบเท่าได้กับสิ่งที่เกิดในวงการภาษาและการเขียนโค้ด
• Isomorphic Labs ซึ่งเป็นบริษัทใหม่ที่แตกออกจาก DeepMind กำลังสร้างเทคโนโลยีถัดไปด้านชีวเคมี ออกแบบสารประกอบที่จะจับกับเป้าหมายของโปรตีน โดยที่จับเฉพาะตำแหน่งที่ต้องการเท่านั้น เพื่อหลีกเลี่ยงผลข้างเคียงเป็นพิษ
• ความฝันคือทำงานสำรวจ 99% บนคอมพิวเตอร์ และเหลือแค่ขั้นตอนห้องทดลองสำหรับการตรวจสอบความถูกต้องเท่านั้น
• จากเดิมที่ใช้เวลาเฉลี่ย 10 ปีในการพัฒนายา อาจเหลือแค่หลายเดือน หรือแม้กระทั่งไม่กี่วันในอนาคต และเมื่อถึงจุดนั้น การแพทย์เฉพาะบุคคลจะเป็นเรื่องที่เป็นไปได้

💡 AI กับวิทยาศาสตร์ใหม่ที่จะถือกำเนิด

• การวิเคราะห์ระบบ AI เองจะกลายเป็นวิศวกรรมศาสตร์แขนงใหม่ในตัวมันเอง ระบบที่ซับซ้อนเทียบเท่าจิตของมนุษย์ ต้องมีการศึกษาเพื่อเข้าใจว่ามันทำงานอย่างไร mechanistic interpretability เป็นเพียงส่วนหนึ่งเท่านั้น
• การนำ AI มาใช้กับการจำลองสถานการณ์จะช่วยตอบคำถามในสังคมศาสตร์ เช่น เศรษฐศาสตร์ที่ทำการทดลองที่ควบคุมตัวแปรในโลกจริงไม่ได้ คุณจะรันการขึ้นดอกเบี้ยซ้ำพันรอบในโลกจริงไม่ได้ แต่ถ้าจำลองได้แม่นยำพอ จะเปิดศาสตร์ใหม่ขึ้นมาได้
• ตัวอย่างที่ DeepMind ทำได้แล้วคือ Weather Next — เครื่องจำลองสภาพอากาศที่แม่นยำที่สุดในโลก เร็วกว่าที่นักอุตุนิยมวิทยาใช้
• กำลังพัฒนาเซลล์เสมือน — การจำลองเซลล์ทั้งเซลล์ในระดับระบบพลวัตที่มี emergent
• Machine learning เป็นภาษาที่เหมาะกับชีววิทยา ในแบบเดียวกับที่คณิตศาสตร์เหมาะกับฟิสิกส์ เพราะชีววิทยามีสัญญาณอ่อนจำนวนมหาศาล มี correlation และ causation ซ่อนอยู่ในข้อมูลที่มนุษย์ประมวลผลไม่ไหว ในขณะที่คณิตศาสตร์แบบดั้งเดิมก็ไม่มีพลังในการแสดงออกพอ
• Demis คาดว่าเมื่อมี simulator ที่เรียนรู้เองได้แล้ว อาจถอด equation ออกมาจาก simulator นั้นได้ เพราะเรา sample ได้ไม่จำกัด อาจเป็นจุดกำเนิดของศาสตร์แขนงใหม่ทั้งหมด

🌌 ข้อมูลคือพื้นฐานของจักรวาล

• Demis เชื่อว่าข้อมูลคือสิ่งที่พื้นฐานที่สุดของจักรวาล ลึกกว่าสสารหรือพลังงาน ตรงข้ามกับวิธีคิดของฟิสิกส์ในยุค 1920 ที่มองว่าสสารและพลังงานคือสิ่งหลัก
• ระบบที่ต้านทาน entropy เช่น สิ่งมีชีวิต ที่จริงแล้วคือระบบประมวลผลข้อมูลทั้งสิ้น
• ถ้าข้อมูลคือพื้นฐานจริงๆ AI ก็ลึกซึ้งกว่าที่เราคิด เพราะ AI ทั้งหมดเป็นเรื่องของการประมวลผลข้อมูล
• Demis เรียกตัวเองและทีมว่าเป็น Turing's champion เพราะ Alan Turing คือฮีโร่ทางวิทยาศาสตร์ที่เขาชื่นชอบที่สุด ผลของ Turing machine คือผลที่ลึกซึ้งที่สุดในวงการ — ทุกสิ่งที่คำนวณได้ คำนวณได้ด้วยเครื่องที่อธิบายแบบเรียบง่าย
• สมองมนุษย์น่าจะเป็น Turing machine แบบประมาณ
• Classical Turing machine ในรูปของ neural network สมัยใหม่ สามารถคำนวณสิ่งที่เคยคิดว่าต้องใช้ระบบควอนตัมอย่างการพับโปรตีนได้ ดังนั้นบางสิ่งที่ดูเหมือนต้องใช้คอมพิวเตอร์ควอนตัมอาจจำลองได้บนระบบแบบดั้งเดิม หากมองในมุมที่ถูกต้อง

🛠️ AI เป็นเครื่องมือก่อน แล้วค่อยเป็นอย่างอื่น

• ในการสร้าง AGI Demis เสนอว่าควรสร้างเครื่องมือที่ฉลาดและแม่นยำให้สมบูรณ์ก่อน แล้วค่อยข้ามไปสู่คำถามใหญ่กว่านั้น เช่น ความเป็นตัวของตัวเองหรือจิตสำนึก
• เครื่องมืออาจค่อยๆ มีความเป็นอิสระและความเป็น agent มากขึ้นเรื่อยๆ ซึ่งเรากำลังอยู่ในยุค agent นี้แล้ว แต่ยังมีก้าวต่อไปคือ agency จิตสำนึก และคำถามเหล่านี้ที่ต้องการคำตอบ

🧠 ปริศนาของจิตสำนึก

• Demis ไม่มีอะไรเสริมเกินกว่าที่ปรัชญานับพันปีพูดไว้ แต่บอกว่าองค์ประกอบบางอย่างจำเป็น เช่น self-awareness ความคิดเรื่องตัวเองและคนอื่น ความต่อเนื่องในเวลา
• Demis เคยคุยยาวกับ Daniel Dennett นักปรัชญาผู้ยิ่งใหญ่ที่เพิ่งจากไป เกี่ยวกับเรื่องนี้
• คำถามคือระบบประพฤติตัวเหมือนมีจิตสำนึกหรือไม่ ระบบ AI บางตัวอาจถึงจุดนี้เมื่อใกล้ AGI แต่ยังเหลือคำถามว่าทำไมเราเชื่อว่ากันและกันมีจิตสำนึก หนึ่งคือพฤติกรรม สองคือเรารันบน substrate เดียวกัน — กับระบบ AI เราจะไม่มีวันมี substrate equivalence ดังนั้นจะมีช่องว่างที่ปิดยาก

📚 อิทธิพลทางปรัชญา

• Demis ชอบ Kant และ Spinoza เป็นพิเศษ
• จาก Kant — คำกล่าวที่ว่าจิตสร้างความจริง เป็นสิ่งที่เขาเชื่อว่าจริง และเป็นเหตุผลที่เขาศึกษาสมองและจิตใจ
• จาก Spinoza — ได้มิติที่เกือบเรียกได้ว่าเป็นจิตวิญญาณ การพยายามเข้าใจจักรวาลผ่านวิทยาศาสตร์ คือการเข้าใจปริศนาลึกซึ้งของวิธีที่จักรวาลทำงาน เหมือนการอ่านภาษาของจักรวาล

🎯 คำตอบสุดท้าย

• ปี AGI: 2030 — Demis ยืนยันว่าตอบเหมือนเดิมมาตลอด
• หนังสือที่ต้องอ่านหลังมี AGI: The Fabric of Reality ของ David Deutsch หวังว่าจะตอบคำถามในหนังสือเล่มนั้นได้ด้วย AGI
• ช่วงเวลาที่ภูมิใจที่สุดใน DeepMind: AlphaFold
• ถ้าเล่นเกม strategy แบบ Civ หรือ Polytopia แล้วเลือกนักวิทยาศาสตร์จากประวัติศาสตร์มาเป็นทีม Demis เลือก Von Neumann เพราะคิดว่าเป็น game theorist ที่เก่งที่สุด

🔗 จุดเชื่อมระหว่างสามมุมมอง

เมื่อนำคำพูดของทั้งสามคนมาวางเทียบกัน เห็นแบบแผนที่น่าสนใจ

• Greg มองจากมุมโครงสร้างพื้นฐานว่า compute ไม่มีวันพอ และคอขวดในอนาคตคือความสนใจของมนุษย์ ไม่ใช่ความสามารถของเครื่อง Greg ประเมินว่าเราเดินทางมาได้ประมาณ 80% ของเส้นทางสู่ AGI แล้ว
• Boris มองจากมุมการใช้งานจริงว่าการเขียนโค้ดถูกแก้แล้ว เครื่องมือพร้อมแล้ว สิ่งที่เหลือคือเปลี่ยนวิธีคิดและวิธีทำงาน
• Demis มองจากมุมระยะยาวว่า AGI กำลังจะมาในปี 2030 และเมื่อมันมาถึง ทุกโรคจะอยู่ในขอบเขตที่รักษาได้ — AI for Science จะเปลี่ยนวงการแพทย์ไปตลอดกาล

ทั้งสามคนเห็นพ้องในจุดสำคัญ — การปลดล็อกจริงๆ ในยุคนี้ไม่ใช่แค่ความสามารถของโมเดล แต่เป็นเรื่องของบริบทและการตัดสินใจ

• Greg บอกว่า AI ต้องมีบริบทมากพอ ไม่ใช่แค่เก่ง ต้องรู้ว่าคุณกำลังคุยอะไรอยู่ ที่ผ่านมาประชุมอะไรบ้าง การลงทุนครั้งเดียวที่สำคัญตอนนี้คือการให้บริบทกับ AI ให้ครบ
• Boris บอกว่ากลไกความปลอดภัยอย่าง prompt injection protection จะมีความสำคัญน้อยลงเมื่อโมเดล aligned ดีขึ้น
• Demis บอกว่าก่อนที่จะข้ามไปสู่ระดับความเป็นตัวของตัวเองหรือจิตสำนึก ควรสร้างเครื่องมือที่ฉลาดและแม่นยำให้สมบูรณ์ก่อน

💭 บทสรุปจากทั้งสาม

คำถามที่ Greg ทิ้งท้ายไว้น่าคิดที่สุด — "คุณอยากเป็น CEO ขององค์กรที่มี agents 100,000 ตัวไหม? ฟังดูค่อนข้างน่าสนใจทีเดียว" — เราทุกคนกำลังจะทำงานได้มากขึ้นกว่าเดิมมหาศาล กลไกของการทำงานจะเปลี่ยนไปเหมือนกับการเปลี่ยนจากการเขียนด้วยขนนกเป็นการส่งข้อความ

แต่ทักษะที่จะกำหนดความสำเร็จในอนาคตไม่ใช่การลงมือทำ — เพราะการลงมือทำกำลังจะกลายเป็นเรื่องง่าย ทักษะที่สำคัญกว่าคือการตัดสินใจ การกำหนดเป้าหมาย การรู้ว่าอะไรคือสิ่งที่ดี และการรู้สาขาความรู้ของตัวเองอย่างลึกซึ้ง

• Greg บอกว่าความสนใจของมนุษย์จะเป็นทรัพยากรที่หายากที่สุด และการสร้างระบบที่คำนึงถึงปัจจัยมนุษย์คือสิ่งสำคัญที่สุด
• Boris บอกว่าวิศวกรที่เก่งที่สุดในยุคใหม่อาจไม่ใช่คนที่เขียนโค้ดเก่งที่สุด แต่เป็นคนที่รู้สาขาความรู้ลึกที่สุด
• Demis บอกว่าแม้แต่ในระดับวิทยาศาสตร์ AI กำลังจะปลดล็อกศาสตร์ใหม่ที่มนุษย์ไม่เคยเข้าถึงได้ ตั้งแต่เซลล์เสมือนไปจนถึงการนำ AI ไปจำลองสังคมศาสตร์

ในยุคที่ทุกอย่างเร่งเร็ว Greg แนะนำจุดเริ่มต้นเดียวกันสำหรับทุกคน — เล่นกับเทคโนโลยีด้วยตัวเอง ฟังคำอธิบายเรื่อง AI กับการได้ใช้มันจริงๆ มันต่างกันเยอะ ข่าวดีคือ AI ออกแบบมาให้ใช้งานง่ายตามธรรมชาติของมนุษย์ ไม่ใช่ให้มนุษย์ต้องบิดตัวเองไปตามเครื่อง