วิธีของผมในการตามให้ทันพัฒนาการของ AI (และทำไมคุณก็ควรทำด้วย)

• Generative AI เป็นเทคโนโลยีที่พัฒนาเร็วที่สุด และทั้งการประเมินต่ำเกินไปหรือสูงเกินไปก็ล้วนเป็นอันตราย
• การติดตามแหล่งข้อมูลที่น่าเชื่อถือและผู้เชี่ยวชาญที่ไว้วางใจได้ อย่างต่อเนื่องเป็นสิ่งจำเป็น
• แนะนำสายข้อมูลที่สมดุล เช่น Simon Willison’s Blog, Andrej Karpathy, Every’s Chain of Thought
• ประกาศอย่างเป็นทางการจากห้องแล็บ AI, บล็อกด้านวิศวกรรม, และงานวิจัย เป็นสิ่งสำคัญต่อการเข้าใจความก้าวหน้าจริงและข้อจำกัดของเทคโนโลยี
• เข้าถึงได้ทั้งกระแสล่าสุดและการวิเคราะห์เชิงลึกผ่านหลายช่องทาง เช่น Twitter/X, การคัดข่าว, และลิสต์ผู้เชี่ยวชาญ

---

บทนำ: ความเข้าใจผิดเกี่ยวกับ AI และมลพิษทางข้อมูล

• Generative AI คือ เทคโนโลยีที่พัฒนาเร็วที่สุด ที่ผู้เขียนเคยพบในชีวิต
• แต่ในขณะเดียวกัน ความเข้าใจผิดเกี่ยวกับ AI ก็แพร่หลายมาก และสภาพแวดล้อมด้านข้อมูลเองก็สับสนอย่างมาก
• มีกรณีเกิดขึ้นจริงที่บริษัท รัฐบาล หรือบุคคลที่ยังไม่เข้าใจเทคโนโลยีนี้ดีพอ นำมันไปใช้ผิดทางหรือก่อให้เกิดความเสียหายร้ายแรง
• มี ความเข้าใจผิดสุดขั้วสองด้าน ทั้งการประเมิน AI ต่ำเกินไป (มองว่า “เป็นกระแสที่เดี๋ยวก็หาย”) และการประเมินสูงเกินไป (มองว่า “ไม่ต้องมีโปรแกรมเมอร์อีกต่อไป”)
• ต้นตอของความเข้าใจผิดเหล่านี้คือ การขาดความเข้าใจที่ถูกต้องต่อเทคโนโลยี

แนวทางในการรับข้อมูลเกี่ยวกับ AI

• การทำความเข้าใจข้อมูลเกี่ยวกับ AI ให้ถูกต้องนั้นไม่ง่ายอย่างที่คิด
• เราอยู่ใน สภาพแวดล้อมที่ต้องเผชิญกับข้อมูลบิดเบือน คำกล่าวเกินจริง หรือวาทกรรมที่ถูกกดทับอยู่เป็นประจำ
• หากไม่คัดกรองข้อมูลอย่างตั้งใจและเป็นระบบ ก็มี ความเสี่ยงสูงที่จะเจอกับความผิดพลาด คำกล่าวเกินจริง และการบิดเบือน
• ผู้เขียนได้รับประโยชน์จากการสร้างสายข้อมูลที่สมดุล และแนะนำให้ใช้เป็นจุดเริ่มต้นที่ดีสำหรับผู้เริ่มต้น

หลักการทั่วไปของการรับข้อมูล

• สิ่งสำคัญคือ อ้างอิงข้อมูลที่ใกล้กับต้นทางมากที่สุด
  • ควรตรวจสอบประกาศอย่างเป็นทางการจากห้องแล็บ AI หรือความเห็นของบุคคลสำคัญในฐานะแหล่งข้อมูลปฐมภูมิ
  • จำเป็นต้องมีท่าทีที่ไม่เชื่อรายงานต่อจากแหล่งที่สองหรือสามง่าย ๆ
• ควรค้นหาและอ้างอิงความเห็นจาก ผู้เชี่ยวชาญที่เชื่อถือได้ อย่างจริงจัง

จุดเริ่มต้นของแหล่งข้อมูลที่แนะนำ

• Simon Willison’s Blog

  • Simon Willison’s Blog (แท็ก AI)
  • เป็นจุดเริ่มต้นที่แนะนำที่สุดสำหรับสายเทคนิค ครอบคลุมทั้งแนวหน้า AI การประยุกต์ใช้ ความปลอดภัย และประเด็นจริยธรรมอย่างกว้างขวาง
  • ยังเป็นที่รู้จักในฐานะผู้สร้าง Django, Datasette
  • ตัวอย่าง: The Lethal Trifecta, LLMs in 2024

• Andrej Karpathy

  • Twitter/X | YouTube
  • สมาชิกผู้ก่อตั้ง OpenAI และอดีตผู้อำนวยการ AI ของ Tesla
  • เป็นช่องทางที่เรียนรู้ โครงสร้างภายในและหลักการของโมเดล AI ได้ง่ายที่สุด อีกทั้งยังช่วยสังเกตผลกระทบทางวัฒนธรรมและการเปลี่ยนแปลงทางสังคมจาก AI
  • ตัวอย่าง: Deep Dive into LLMs like ChatGPT, How I Use LLMs

Every’s Chain of Thought

• Every’s Chain of Thought
• เขียนโดย Dan Shipper (ผู้ร่วมก่อตั้ง Every) และนำเสนอทั้ง ประสบการณ์ใช้ AI ในภาคปฏิบัติ และประสบการณ์จริงของโมเดลนอกเหนือจากแค่ตัวเลข benchmark
• ตัวอย่าง: Vibe Check: Codex, Vibe Check: o3

วิธีติดตามแหล่งข้อมูลอย่างเป็นทางการจากห้องแล็บ AI

• ติดตามบล็อกทางการ ข่าว model card คู่มือวิศวกรรม และงานวิจัยของ OpenAI(News), Google DeepMind(DeepMind), Anthropic(News), Meta AI(Blog), xAI(News), Qwen(Activity) อย่างสม่ำเสมอ
  • ตัวอย่าง: ประกาศทางการของ OpenAI o3, Claude 4 System Card
  • บล็อกด้านวิศวกรรม: Anthropic Engineering, OpenAI Voice Agent Guide, Gemini Cookbook
  • ตัวอย่างงานวิจัย: DeepSeek R1 paper, Anthropic Biology paper
• ห้องแล็บขนาดเล็ก: Nous Research, Allen AI, Prime Intellect, Pleias, Cohere, Goodfire เป็นต้น ก็ควรติดตามเช่นกัน

ผู้เชี่ยวชาญ AI และวิศวกรสายปฏิบัติที่ควรจับตา

• ข้อมูลจากผู้เชี่ยวชาญที่สร้างเครื่องมือโอเพนซอร์สและมีประสบการณ์ทำงานจริงด้าน AI engineering มักช่วยได้ในทางปฏิบัติมากกว่าคู่มือทางการ

บุคคลและบล็อกที่แนะนำ

• Hamel Husain
  • Your AI Product Needs Evals, LLM Eval FAQ
• Shreya Shankar
  • Data Flywheels for LLM Applications, Short Musings on AI Engineering and “Failed AI Projects”
• Jason Liu
  • The RAG Playbook, Common RAG Mistakes
• Eugene Yan
  • Task-Specific LLM Evals that Do & Don’t Work, AlignEval, Intuition on Attention
• What We’ve Learned From A Year of Building with LLMs
  • คลังกรณีศึกษาการประยุกต์ใช้ LLM ที่เขียนโดยผู้มีประสบการณ์สร้างระบบจริง
• Chip Huyen
  • Common pitfalls when building generative AI applications, Agents
• Omar Khattab (Twitter)
  • A Guide to Large Language Model Abstractions, โพสต์บน Twitter
• Kwindla Hultman Kramer (Twitter)
  • Voice AI and Voice Agents: An Illustrated Primer, Advice on Building Voice AI in June 2025
• Han Chung Lee
  • MCP is not REST API, Poking around Claude Code, MLOps Lessons from ChatGPT’s ‘Sycophantic’ Rollback
• Jo Kristian Bergum
  • Search is the natural abstraction for augmenting AI with moving context
• David Crawshaw
  • How I program with LLMs, How I program with Agents
• Alexander Doria / Pierre Carl-Langlais
  • The Model is the Product, A Realistic AI Timeline
• Nathan Lambert’s “Interconnects”
  • What comes next with Reinforcement Learning, Reinforcement learning with random rewards actually works with Qwen 2.5
• Ethan Mollick
  • Using AI Right Now: A Quick Guide, Making AI Work: Leadership, Lab, and Crowd
• AI Snake Oil – Arvind Narayanan & Sayash Kapoor
  • AGI is not a milestone, Evaluating LLMs is a minefield

การใช้ข่าว/สื่อและชุมชน AI

• Twitter/X

  • ลิสต์ Twitter/X
  • เป็นศูนย์กลางของการถกเถียงและรับข้อมูล AI แบบเรียลไทม์ ช่วยจับทั้งข่าวและข้อถกเถียงต่าง ๆ
    • ใช้เวลา 15~20 นาทีเหมือนอ่านหนังสือพิมพ์ กับฟีด Twitter และถ้าจำเป็นค่อยเพิ่มการติดตามบุคคลหรือแหล่งข้อมูล

• Shawn Wang(swyx) / smol.ai

  • swyx Twitter | AI News by smol.ai
  • Latent Space newsletter
  • เป็นแหล่งทางเลือกแทน Twitter ที่สรุปความเคลื่อนไหว AI รายวันให้

• Dwarkesh Patel

  • บล็อก/พอดแคสต์ของ Dwarkesh Patel

ชุมชนสำหรับการถกเถียงและแหล่งข้อมูล AI เชิงลึก

• LessWrong (AI Alignment), AI Alignment Forum: ความปลอดภัยของ AI, governance, การวิเคราะห์เชิงเทคนิค ฯลฯ
  • มีการถกเถียงระดับยากจำนวนมากที่ไม่ค่อยพบในกระแสหลักอย่าง Twitter
  • ตัวอย่าง: Claude plays Pokémon breakdown, The Waluigi Effect
• Gwern: บทความเชิงลึกระดับสารานุกรมเกี่ยวกับ AI, LLM, transformer ฯลฯ
  • มีบทความ AI จำนวนมากพร้อม มุมมองเชิงคาดการณ์ เช่น LLM scaling
  • ตัวอย่าง: The Scaling Hypothesis, You could have invented transformers tutorial
• Prompt Whisperers/Latent space explorers
  • Janus บล็อก, Wyatt Walls Twitter, Claude Backrooms
  • ตัวอย่าง: Anomalous tokens reveal the original identities of Instruct models, the void

วิธีปฏิบัติจริงในการรับข้อมูล

• ไม่จำเป็นต้องตามทุกแหล่งให้ครบถ้วนสมบูรณ์ แค่เข้าไปดู ฟีด Twitter เหมือนอ่านหนังสือพิมพ์ ก็เป็นวิธีที่ทำได้จริง
• ถ้าเจอบทความที่น่าสนใจ ก็แนะนำให้ติดตามผู้เขียนคนนั้นต่อ และย้อนดูงานอื่น ๆ ของเขาแบบขยายวงการอ่านออกไป
• เป็นวิธีสำรวจข้อมูลที่คล้ายกับการค้นหาเพลงในอดีต
• หากเข้าหามันในฐานะความสนุกของการสำรวจทางปัญญา ก็จะกลายเป็น ความเพลิดเพลินแทนที่จะเป็นภาระ

สรุปและลิสต์แนะนำ

• สามารถติดตามผู้เชี่ยวชาญและคนทำงานจริงทั้งหมดข้างต้นได้ในครั้งเดียวผ่านลิสต์ Twitter/X ที่ให้ไว้
• และมีแผนจะเพิ่มลิสต์ในรูปแบบ RSS เร็ว ๆ นี้

ไปที่ลิสต์ Twitter ทันที

[GN⁺]

ความคิดเห็นจาก Hacker News

• ผมคิดว่าถ้าเข้าใจพื้นฐานว่า LLM ทำงานอย่างไร ก็ไม่จำเป็นต้องตามคอนเทนต์อย่างต่อเนื่องจาก PR, บล็อกเกอร์, ผู้นำในวงการ, หรือพวกนักคิดบนอินเทอร์เน็ตทั้งหมด
  ตรงกันข้าม ถ้าตามบทสัมภาษณ์หรือบทความพวกนั้นมากไป ก็เสี่ยงจะไหลตามกระแสแปลก ๆ ที่จริงแล้วไม่ได้ช่วยอะไร
  เอาเข้าจริง ความต่างระหว่างโมเดลก็มีแค่ช่องว่างระดับไม่กี่ปี และไม่ได้ต่างกันในเชิงแก่นสารมากนัก ตลอดช่วงหลายปีที่ผ่านมา การเปลี่ยนแปลงส่วนใหญ่เกิดในเรื่องเครื่องมือหรือการทำ integration
  ต้องจำไว้เสมอว่า LLM ก็คือ "โมเดลข้อความ" และถูกสร้างขึ้นมาโดยไม่มีความรู้พื้นฐานในตัวเอง พอเข้าใจแบบนี้ก็จะคัดแยกได้ว่ามันมีประโยชน์กับอะไร และไม่เหมาะกับอะไร

  • เห็นด้วยกับความเห็นนี้มาก และก็รู้สึกว่าแม้แต่ลิสต์ 'high signal' ของบล็อกนั้นเอง ก็จริง ๆ แล้วส่วนใหญ่เป็นคนที่เน้นโปรโมตตัวเอง (แน่นอนว่าบางคนก็ยอดเยี่ยม) เลยให้ความรู้สึกใกล้กับ 'กระแส' มากกว่าข้อมูลเชิงลึก
    ส่วนคำกล่าวว่า "AI เป็นเทคโนโลยีที่พัฒนาเร็วที่สุดในชีวิตฉัน" ส่วนตัวก็ไม่ค่อยอินเท่าไร
    ผมผ่านยุคที่ SVM กำลังมาแรง ช่วงที่ "โครงข่ายประสาทเป็นเรื่องตลก" ยังเป็นทัศนคติหลัก แล้วก็ผ่านช่วง 10 กว่าปีที่ deep learning และเฟรมเวิร์ก DL ต่าง ๆ ระเบิดขึ้นมา
    ตอนนั้นเองก็มีความก้าวหน้าแบบรวดเร็วมากภายใน 10 ปีเหมือนกัน
    บนเว็บก็เคยมีการเปลี่ยนแปลงแบบเดียวกัน จากที่ JS ใช้แค่ช่วย UX กลายมาเป็นยุคที่ single-page app เป็นมาตรฐาน
    ประเด็นสำคัญคือ ถ้าคุณไม่ได้ต้องไปอยู่ในลิสต์ 'อินฟลูเอนเซอร์ตัวจริง' กลยุทธ์ที่ดีกว่ามากคือทำงานของตัวเองเงียบ ๆ แล้วรอจนถึงจุดที่มันสำคัญกับคุณจริง ๆ
    ผมเองก็เมินเทรนด์เว็บดีเวลอปเมนต์มาสิบปีหลังยุค backbone.js แล้วค่อยไปเรียน React แค่ไม่กี่วันตอนที่จำเป็นต้องใช้ และก็ใช้ได้ทันที
    เมื่อ 5 ปีก่อนทุกคนยังพยายามเรียนวิธี implement LSTM กันอยู่ แต่ตอนนี้มันกลายเป็นของเก่าไปแล้วเพราะทรานส์ฟอร์เมอร์
    สิ่งที่ผมรู้สึกมาตลอดทั้งอาชีพคือ คำว่า 'เคลื่อนไหวเร็ว' หมายถึง 'ยังไม่สุกงอม'
    ตรงกันข้าม การไปเรียนรู้โมเดลสถิติแบบเก่า (เช่น GLM) และวิธีใช้งานมันอย่างได้ผลจริงในงานปฏิบัติ มักให้คำตอบที่มีประสิทธิผลในการทำงานมากกว่าการไล่ตาม 'prompt hack' ที่กำลังฮิตในแต่ละช่วง
  • ถ้ารู้โครงสร้างของ LLM อยู่บ้าง ข่าวใหม่เกี่ยวกับ LLM ส่วนใหญ่จะแบ่งได้เป็นสองพวก
    อย่างแรกคือเครื่องมือใหม่ที่ต่างจากของเดิมเล็กน้อย หรือทำผลงานได้ดีขึ้นนิดหน่อย (ถ้ามีความสามารถที่ของเดิมไม่มี ก็อาจน่าใช้ แต่ส่วนใหญ่ไม่นานก็ล้าสมัย)
    ชื่ออย่าง Kimi-K2 หรือ GPT 4.1 อีกไม่กี่เดือนข้างหน้าก็อาจไม่มีใครพูดถึงแล้ว
    อย่างที่สองคือกรณีที่มีความสามารถใหม่จริง ๆ ถูกเพิ่มเข้ามาในตัวโมเดล
    เช่น RL(reinforcement learning), chain of thought, coding agent ที่ใช้งานได้จริง, โมเดลมัลติโหมดระดับสุดยอด, การเชื่อมต่อเครื่องมือที่ฉลาด เป็นต้น
    แค่สนใจตอนที่มีการก้าวกระโดดใหญ่แบบนี้ก็พอ
    จริง ๆ แค่ไล่อ่านโพสต์ HN ที่ได้เกิน 500 คะแนนผ่าน ๆ ก็พอเห็นทิศทางล่าสุดเองตามธรรมชาติ
    ผมคิดว่าวิธีที่ดีที่สุดในการเรียนรู้ศักยภาพที่แท้จริงของ LLM ไม่ใช่บล็อกหรือวิดีโอ แต่คือการลงมือสร้างและลองชนด้วยตัวเอง
  • เห็นด้วยเต็มที่ ผมย้ำเรื่องนี้กับนักศึกษาเสมอ
    • 1. อย่าหมกมุ่นกับประสบการณ์ของคนอื่นมากเกินไป ให้โฟกัสกับประสบการณ์ตรงของตัวเอง
    • 2. แทนที่จะอ่านบล็อก ให้ลองสร้างแอปเอง
    • 3. ประสบการณ์ของแต่ละคนต่างกันมาก อย่าเอาความคิดของคนอื่นมาใช้ตรง ๆ
    • 4. อย่าไล่ตามนักวิจัยหรือนักพัฒนาบน Twitter หรือ Substack แบบไม่ลืมหูลืมตา (ส่วนใหญ่ก็เป็นพื้นที่โชว์เคสตัวเอง)
    • 5. อย่าเสียเวลากับความกังวลหรือ FOMO ให้เรียนรู้จากการลงมือทำ การเปลี่ยนแปลงที่สำคัญจริง ๆ เดี๋ยวสุดท้ายก็รู้เองอยู่ดี
    • 6. การรู้ข้อมูลเป็นเรื่องสำคัญ แต่ไม่ควรยึดติดกับตัวข้อมูลอย่างหมกมุ่นเกินไป ต้องแบ่งเวลาอย่างฉลาด ผมย้ำประเด็นนี้กับนักศึกษาเสมอ
  • จริง ๆ แล้ววงการวิจัยก็ไม่ต่างกัน
    โดยปกติแล้ว งานวิจัย 99% คือการค่อย ๆ พัฒนาไปทีละนิด (ซึ่งก็เป็นเรื่องปกติดี อย่าไปท้อกับมัน)
    งานวิจัยส่วนใหญ่ยาวเกินจำเป็น และถ้าอ่านจริงจังพอ มีแค่สัญชาตญาณทางคณิตศาสตร์ก็มักพอเดาได้ระดับหนึ่ง (รู้แค่ไอเดียก็พอประมาณผลลัพธ์ล่วงหน้าได้)
    มันทำให้รู้สึกง่ายว่าทั้งสาขากำลังเปลี่ยนเร็วมาก แต่ความจริงไม่ได้เร็วขนาดนั้น
    ตัวผมเองก็เคยพักไปหนึ่งปีเพราะเรื่องส่วนตัว แล้วพอกลับมาก็พบว่าไม่ได้มีอะไรเปลี่ยนใหญ่โต
    ถ้ามองแบบนี้ได้ ก็จะหลุดจากแรงกดดันว่าต้อง 'ตามให้ทัน'
    ถ้าตอนนี้ยังลำบาก นั่นหมายถึงคุณยังขาดความเชี่ยวชาญอยู่บ้าง ไม่ได้แปลว่าคุณตามไม่ทัน
    เหมือนกับว่าถ้ารู้วิธีวิ่ง คุณก็ยังตามหลังอยู่ก้าวหนึ่งได้อยู่แล้ว ความรีบร้อนจึงเป็นแค่ความกังวลในหัวของเราเอง
  • เวลาจะอธิบาย LLM ส่วนที่คนสนใจที่สุดไม่ใช่สถาปัตยกรรม แต่เป็นเรื่อง 'การทำนายทีละโทเค็น (autoregression)' และการที่มันไม่ได้เลือกโทเค็นที่มีความน่าจะเป็นสูงสุดเสมอไป แต่สุ่มตามสัดส่วนความน่าจะเป็น
    อัลกอริทึมแกนจริง ๆ (วิธีทำนายโทเค็นถัดไป) เอง คนที่ไม่ใช่สายนี้ส่วนใหญ่จะไม่ค่อยรู้สึกเชื่อมโยง
    รายละเอียดอย่าง dot product หรือ embedding ไม่มีใครสนใจนัก อธิบายไปก็มักไม่ค่อยติดหัวและไม่ได้ช่วยมาก

• ไม่จำเป็นต้องตาม 'เทรนด์ล่าสุด' ตลอดเวลา แค่สนใจแบบหลวม ๆ แล้วเลือกทดลองเฉพาะฟีเจอร์หรือเทคนิคที่ช่วยเพิ่มประสิทธิภาพให้ตัวเองได้จริง และค่อย ๆ สะสมเฉพาะสิ่งที่ใช้ได้ผลก็พอ (พวกที่ว่าใครแนะนำอะไรบน X ผมไม่ค่อยเชื่อถือเท่าไร) ตรงกันข้าม ผมได้เรียนรู้อะไรเยอะมากจากการฟังนักวิจัยที่มีมุมมองลบต่อภาวะ hype ของ AI [https://x.com/burkov] ตอนนี้มีทั้งการพูดเกินจริง ความเปลี่ยนแปลง และความไม่แน่นอนมากเกินไป ถ้ามีนวัตกรรมจริงเกิดขึ้น คุณจะได้ยินจาก HN (หรือคอมมูนิตี้กระแสหลัก) แน่นอน

  • ต่อให้ใช้เองแค่ไม่กี่ชั่วโมง ก็ยังมีค่าต่อการเรียนรู้มากกว่านั่งอ่านข้อมูลหลายชั่วโมงเสียอีก

• ผมรู้สึกว่าบทความนี้อธิบาย "ทำไม" ได้ไม่ดีพอ เลยทำให้ส่วน "อย่างไร" ในลิสต์ดูไม่น่าเชื่อถือ เวลาอันมีค่าของผมเอาไปใช้ที่อื่นก็ได้

  • มันทำให้สงสัยด้วยซ้ำว่าเราจำเป็นต้อง 'ตามให้ทัน' อะไรสักอย่างตลอดไหม นวัตกรรมที่มีความหมายจริง ๆ สุดท้ายก็จะกลายเป็นสิ่งที่คนทั่วไปใช้กัน แล้วมันก็จะมาถึงผมเองตามธรรมชาติ Excel หรือ Google Docs ก็เหมือนกัน ตอนแรกผมไม่ได้สนใจมาก แต่พอมันแพร่หลายแล้วก็ยังเรียนรู้และใช้งานได้ดีอยู่ ถ้าไม่ใช่กรณีอย่าง runway ของสตาร์ตอัป AI ที่เหลือเวลาไม่มาก ซึ่งมีเหตุผลชัดเจนว่าต้องรีบตาม ก็ไม่จำเป็นต้องร้อนรน

• ผมติดตามจดหมายข่าว "Pragmatic Engineer" ของ Gergely Orosz อยู่ (ช่วงนี้มีหัวข้อ AI เยอะ) และก็เช็ก Substack ของ Gary Marcus ด้วย (มุมมองค่อนข้าง skeptical ต่อ LLM มากกว่า)
  https://newsletter.pragmaticengineer.com/
  https://substack.com/@garymarcus
  และยังติดตามข่าวของแพ็กเกจ Python อย่าง Langchain, PydanticAI แบบอัตโนมัติด้วย (โปรเจกต์พวกนี้สะท้อนเทรนด์ใช้งานจริงของอุตสาหกรรมได้พอสมควร) ตอนนี้ผมไม่ใช้ X (Twitter) แล้ว แต่คนอย่าง Simon Willison ก็ยังโพสต์บน BlueSky และ Mastodon บ้างเป็นครั้งคราว ส่วน Sebastian Raschka, Chip Huyen ก็โพสต์บน LinkedIn ด้วย แม้มันจะกระจัดกระจายไปหลายที่ แต่สุดท้ายข่าวสำคัญส่วนใหญ่ก็ยังจะผ่านตาอยู่ดี

• ผมอาจพลาดอะไรสำคัญไปก็ได้ แต่ถ้าเป็นอัปเดตที่แกนจริงและมีความหมาย มันก็มักจะถูกพูดถึงเองบนหน้าแรกหรือในคอมเมนต์ของ HN

  • การพยายามตามเทรนด์อุตสาหกรรมให้ทันก็เหมือนกระโดดขึ้นไปวิ่งบนลู่วิ่งที่ความเร็ว 140 กม./ชม. ผมเลยเลือกเลิกพยายามวิ่งมันไปเลย ผมเห็นด้วยว่า AI (โดยเฉพาะ LLM) ไม่ใช่กระแสชั่วคราว แต่ตอนนี้การเปลี่ยนแปลงมันรุนแรงเกินไป ผมยังไม่คิดจะทุ่มเวลาจำนวนมากจนกว่าจะจำเป็นจริง ๆ อีกไม่กี่ปีข้างหน้า ผมคาดว่าภาพรวมของอุตสาหกรรมคงชัดขึ้นกว่านี้ และถึงไม่เป็นแบบนั้น อย่างน้อยผมก็ไม่ต้องเสียเวลาไปกับเทรนด์ที่เดี๋ยวก็หมดความหมายเร็วมาก อ้างอิงไว้ก่อนว่าตอนนี้ผมยังไม่ได้ใช้ AI หรือ LLM กับงานจริงเลยแม้แต่นิดเดียว
  • เมื่อบริษัทต่าง ๆ ทุ่มทั้งเงินลงทุนและ R&D มหาศาล พวกเขากลับไม่ได้พยายามปกปิดเทคโนโลยีของตัวเองเลย (ตรงข้ามกับความลับสุดยอดเสียด้วยซ้ำ)
  • สำหรับเทรนด์ทั้งวงการ IT โดยรวม ผมก็รับมือแบบเดียวกันทั้งหมด

• ถ้าคุณอยากตามข่าว LLM กับโมเดล frontier AI เป็นหลัก ลิสต์แนะนำนี้ดีมาก มากกว่าครึ่งหนึ่งเป็นคนที่ผมไปค้นเจอแยกเองเหมือนกัน
  ผมสร้างลิสต์บัญชี AI บน X (Twitter) แล้วติดตามอยู่ โดยรวมแล้วยังเป็นแหล่งข้อมูลที่แน่นที่สุด
  บางส่วนใช้บล็อกกับ RSS ของพอดแคสต์ก็ได้ผลดี (ถ้าเป็นนักวิจัย RSS ของตัว paper เองถือว่าจำเป็น)
  ถ้าจะเพิ่มอีกก็มี https://epoch.ai, พอดแคสต์ของ Dwarkesh Patel, บล็อกของ Peter Wildeford, @omarsar0 (DAIR elvis) และการตามนักวิจัยหลายคนโดยตรง (บางคนให้สาระ บางคนก็เน้นความสนุกมากกว่า)
  สภาพแวดล้อมข้อมูลของวงการนี้ปนเปื้อนหนักมาก โดยเฉพาะถ้าตามแต่สื่ออย่าง NYT ที่จับเรื่อง AI ในกรอบการเมืองเป็นหลัก ยิ่งจะได้ภาพที่เอนเอียงและไม่แม่นยำ
  อนึ่ง วงการ ML ที่ไม่เกี่ยวกับ generative AI โดยตรง (เช่น โปรตีน จีโนมิกส์ โมเดลอากาศ งานวิจัย diffusion และการสร้างภาพ ฯลฯ) ใช้แหล่งข้อมูลคนละชุดกันเลย
  หมวด AI/ML กว้างเกินไปจนเป็นไปไม่ได้ที่จะตามทั้งหมดพร้อมกัน
  ถ้าถามว่าจำเป็นต้องตามไหม ก็ไม่จำเป็น
  ส่วนใหญ่คนทำเพราะแค่อยากรู้อยากเห็นเรื่องเทคโนโลยีใหม่หรือเทรนด์ล่าสุด
  แต่ถ้าเป็นงานอย่างการพัฒนาซอฟต์แวร์ การเมิน AI ไปเลยอาจทำร้ายอาชีพระยะกลางถึงยาวได้มาก (แม้จะรับมือด้วยการเรียนแค่ระดับเครื่องมือก็ยังโอเค)
  ผมเองตามอยู่เรื่อย ๆ เพราะลักษณะงานตอนนี้ต้องเข้าใจทิศทางภาพรวม

• แค่อ่านบล็อกของ Simon Willison อย่างเดียวก็พอแล้วสำหรับการเรียนรู้ข้อมูลใหม่คุณภาพสูงแบบทันสมัย (noise แทบไม่มี และ S/N สูงมาก)

  • ถ้าสนับสนุน Simon ทาง GitHub ($10 ขึ้นไป) จะได้รับอีเมล "สรุปประเด็นสำคัญแบบสั้นกว่า"

    "สรุปพัฒนาการที่สำคัญที่สุดของวงการ LLM ในช่วงเดือนที่ผ่านมา (อ่านจบได้ในไม่เกิน 10 นาที)"
    https://simonwillison.net/about/

  • https://simonwillison.net
  • โชคดีที่มี RSS feed ให้ด้วย เลยตามได้ทั้งโค้ดและข่าว

• ไม่จำเป็นต้องไล่ตาม 'เทรนด์' หรอก

  • จริง ตอนนี้ถึงเวลาหยุดแล้วไปทำอย่างอื่นบ้าง
  • ที่จริงการออกจากวงการเทคไปสร้างเส้นทางอาชีพใหม่ก็เป็นทางเลือกหนึ่ง
    งานสายเทคจะยิ่งลดลงเรื่อย ๆ และสักวันหนึ่งน่าจะลดฮวบอย่างรวดเร็ว (AI จะทำงานแทนคน 10 คนให้เหลือคนเดียวได้ แล้วต่อจากนั้นก็เป็นทั้งงาน white-collar และ blue-collar เช่น งานหุ่นยนต์ในคลัง Amazon)
    ส่วนตัวผมเพิ่งยกเลิก GPT Plus ไปสัปดาห์นี้ ไม่อยากช่วยเลี้ยง 'สัตว์ประหลาด' นั่นอีกแล้ว
    ฟีเจอร์อย่างการช่วยเรื่องแผนที่ (เช่น เส้นทางท่องเที่ยว เส้นทางปั่นเป็นวงกับเพื่อน ฯลฯ) กลับเป็น Gemini เวอร์ชันฟรีที่ทำได้ดีกว่า

• ถ้าตามแค่คำแนะนำข้อแรก (อ่านบล็อกของ simow) ส่วนใหญ่ก็พอแล้ว

  • แม้แต่แบบนั้นผมยังขี้เกียจ เลยใช้วิดีโอของ Fireship คู่กับกาแฟตอนเช้าแทน
  • แนะนำมาก แทบไม่มี clickbait และสรุปได้คุณภาพดีมาก

• ผมได้ประโยชน์อย่างมากจากคอร์สของ Andrej Karpathy
  มีอยู่บน YouTube ด้วย (https://www.youtube.com/@AndrejKarpathy)
  แม้ผมจะอยู่ในบทบาทที่คอยเมนเทอร์/ช่วยเหลือนักวิจัย machine learning คนอื่น แต่พอได้ฟังเสียงของ Andrej ก็รู้สึกเหมือนตัวเองเป็นนักศึกษาที่ไม่รู้อะไรเลย
  ตอนแรกมันแปลกดี แต่ตอนนี้ผมกลับมองว่าความถ่อมตัวแบบนั้นเป็นทรัพย์สินที่มีค่ามาก
  ความรู้สึกแบบ 'ฉันไม่รู้อะไรเลย' นี่แหละสำคัญจริง ๆ

[makers]

เฮ้อ อ่านยากมากเลย

[reagea0]

ถ้าคุณรู้สึกว่าระดับนี้อ่านยาก ปัญหาก็คงไม่ได้อยู่ที่เนื้อหาหลัก

[harris]

เห็นด้วยครับ

[supermaxi]

งานเขียนประเภทหนึ่งที่สำคัญอย่างยิ่งในช่วงเวลานี้