นักวิจารณ์ LLM พูดถูก ถึงอย่างนั้นฉันก็ยังใช้ LLM

• แม้จะยอมรับปัญหาเรื่องลิขสิทธิ์ สิ่งแวดล้อม จริยธรรม ผลลัพธ์คุณภาพต่ำ การสั่นคลอนของความเชื่อมั่นในโอเพนซอร์ส การบ่มเพาะจูเนียร์ที่อ่อนแอลง และการพึ่งพิงเชิงภูมิรัฐศาสตร์ ก็ยังคงใช้ LLM ต่อไปในฐานะ เครื่องมือที่ช่วยยกระดับคุณภาพของการคิด
• LLM ขยายความคิด ความเห็น และโครงสร้างที่มีอยู่เดิม ดังนั้นหากไม่มีการตัดสินใจของมนุษย์ มันก็จะผลิตขยะที่ลื่นไหลออกมาเป็นจำนวนมาก แต่ถ้ามีการไตร่ตรองและความรับผิดชอบเพียงพอ มันจะช่วยให้สร้าง ผลลัพธ์ที่น้อยลงแต่ดีกว่าเดิม ได้
• จากภายนอก เป็นเรื่องยากที่จะตรวจสอบว่าคนเขียนได้คิดอย่างจริงจังหรือไม่ คุณค่าของผลงานจึงขึ้นอยู่กับ ความไว้วางใจและชื่อเสียง ในท้ายที่สุด และเกณฑ์ที่ใช้แยก AI slop คืออ่านออกเสียงต่อสาธารณะได้โดยไม่อายแม้แต่ตัวอักษรเดียวหรือไม่
• ใช้ /grill-me, Pitch ของ Basecamp, ซับเอเจนต์ที่รับหน้าที่วิจารณ์โดยเฉพาะ, Ralph Wiggum loop, และวิธีทำให้ LLM หลอนภาพ API/UX ที่คาดไว้ล่วงหน้า เพื่อย้อนใช้ประโยชน์จาก ความชอบคล้อยตามและภาพหลอน ของ LLM
• จำเป็นต้องมี ความเชี่ยวชาญของผู้ใช้ เพื่อแยกผลลัพธ์ที่ดีออกจากผลลัพธ์ที่แย่ และถ้าใช้ LLM โดยไม่มีผู้เชี่ยวชาญและการตัดสินใจของมนุษย์ในงานที่ตรวจสอบคำตอบได้ยาก ก็จะนำไปสู่การผลิต slop จำนวนมหาศาล

---

ภาคสนามที่การวิจารณ์กับการใช้งานอยู่ร่วมกัน

• ที่งาน Local-First Conf ในเบอร์ลิน ขณะเดียวกับที่มีเสียงปรบมือดังมากให้กับการบรรยายที่วิจารณ์ LLM ผู้ชมจำนวนมากก็ยังเปิด Claude Code ทิ้งไว้อยู่
• Armin Ronacher ผู้สร้าง Flask และเคยร่วมทีมยุคแรกของ Sentry ได้ก่อตั้ง Earendil เพื่อพัฒนา Pi.dev ซึ่งเป็นฮาร์เนสสำหรับเอเจนต์เขียนโค้ดโอเพนซอร์ส
  • หลังการบรรยาย การสร้าง machine entities เมื่อถูกถามเรื่อง PR ที่ LLM สร้างจนล้นใน Pi.dev เขาตอบว่าปิด PR และ issue เกือบทั้งหมดโดยอัตโนมัติ
  • อย่างไรก็ตาม เขาเสริมว่าไม่ควรเลิกเปิด PR ไปเสียเลย เพราะสุดท้ายแล้วความเป็นตัวตนของมนุษย์ก็ยังปรากฏออกมา
  • หน้า purpose ของ Earendil ระบุว่า แม้ในโลกที่วิ่งเข้าหา AI มนุษย์ก็ยังเป็นเอเจนต์ที่ดีที่สุด
• จากการพูดคุยกับผู้เข้าร่วมงานก็พบความไม่สอดคล้องแบบเดียวกัน คือวิจารณ์ LLM แต่ก็ยังใช้งานอยู่ ซึ่งไม่ใช่ประสบการณ์เฉพาะตัว

ทำไมการวิจารณ์ LLM จึงมีเหตุผล

• LLM พัวพันกับ ข้อมูลที่มีลิขสิทธิ์ ภาระต่อสิ่งแวดล้อม และปัญหาด้านจริยธรรม
• โครงสร้างที่เงินหมุนเวียนอยู่รอบ NVIDIA และ OpenAI นั้นยากจะยั่งยืน และมองว่าฟองสบู่ปัจจุบันสุดท้ายก็ต้องแตก
• คำวิจารณ์ที่พบบ่อยที่สุดว่า “LLM สร้าง slop จำนวนมาก” สอดคล้องกับความเป็นจริง

• การพังทลายของความไว้วางใจในโอเพนซอร์ส

  • ที่เก็บโค้ดโอเพนซอร์สเริ่มปฏิเสธการมีส่วนร่วมทั้งหมด หรือเริ่มใช้กลไกคัดกรองผลงานที่สร้างด้วย LLM
  • ก่อนยุค LLM การมี PR และคำอธิบายที่เขียนอย่างถูกต้องในตัวมันเองหมายถึงความพยายามของมนุษย์อย่างน้อยหลายชั่วโมง และผู้ดูแลก็สามารถตรวจทานโดยสมมติได้ว่ามีการใช้เวลาและความใส่ใจในระดับหนึ่งแม้กับผู้ร่วมใหม่
  • แม้จะมีโทรลหรือผลงานคุณภาพต่ำ ก็ยังระบุได้ค่อนข้างง่ายภายในไม่กี่วินาที
  • ตอนนี้ใคร ๆ ก็สร้างบัญชี GitHub ใหม่แล้วปล่อย LLM ทำงานได้ จึงแยกได้ยากว่าเป็น PR ที่ใช้เวลามาก หรือเป็น submission ที่เครื่อง OpenClaw สร้างขึ้นเอง
  • Zig และ Gentoo ปฏิเสธ PR ที่สร้างด้วย LLM แต่ก็ยังมีข้อจำกัดตรงที่ยากจะตัดสินว่าถูกสร้างจริงหรือไม่
  • หากไม่สามารถฟื้นฟูความไว้วางใจได้ LLM ก็มีโอกาส ทำลายโอเพนซอร์สอย่างร้ายแรง
  • แนวทางรับมือที่เป็นไปได้คือจำกัดให้มีเพียงคนที่ผ่านการยืนยันจำนวนเล็กน้อยเท่านั้นที่ร่วมพัฒนาได้ และใช้เงื่อนไขอย่างการเข้าร่วมพบปะจริงเป็นส่วนหนึ่งของการยืนยัน

• การบ่มเพาะวิศวกรจูเนียร์ที่อ่อนแอลง

  • ยิ่งยากขึ้นที่จะเชื่อมั่นในความพยายามที่จูเนียร์ทุ่มให้กับโค้ด
  • ซีเนียร์ไม่อาจรู้ได้ว่าโค้ดแย่ ๆ นั้นเป็นผลจาก vibe coding 10 นาที หรือเป็นผลจากการคิดอยู่นานหลายชั่วโมงแต่ยังขาดอินไซต์
  • ก่อนยุค LLM จูเนียร์ก็เขียนโค้ดที่ไม่ดีได้อยู่แล้ว และซีเนียร์ก็ตรวจทานและแก้ให้ แต่ตอนนี้ ความพยายามและกระบวนการเรียนรู้ กลับมองไม่เห็น
  • ความไม่แน่นอนนี้ลดแรงจูงใจของซีเนียร์ในการสอนจูเนียร์
  • ในอดีตมีสมดุลที่จูเนียร์รับงานง่าย ๆ แล้วเติบโตผ่านการรีวิวร่วมกับซีเนียร์
  • ถ้างานง่าย ๆ ถูกโยนให้ LLM ได้ทั้งหมด เหตุผลที่บริษัทจะจ้างจูเนียร์ก็ยิ่งอ่อนลง

• การพึ่งพิงเชิงภูมิรัฐศาสตร์และความคล้อยตามของความเห็น

  • ไม่อาจมองข้ามความเป็นไปได้ที่สหรัฐหรือจีนจะตัดบางภูมิภาคออกจากเทคโนโลยีที่เกี่ยวข้องอย่างฉับพลัน
  • รัฐบาลสหรัฐได้แสดงให้เห็นแล้วผ่านคำสั่งควบคุมการส่งออกในเดือนมิถุนายน 2026 ว่ามีทั้งเจตนาและความสามารถในการปิดกั้นไม่ให้ลูกค้านอกสหรัฐเข้าถึงโมเดลล่าสุดของ Anthropic
  • Anthropic ระบุว่า ตามแนวทางลงวันที่ 12 มิถุนายน 2026 บริษัทได้ปิดการใช้งาน Fable 5 และ Mythos 5 กับลูกค้าทั้งหมดอย่างกะทันหัน
  • Martin Kleppmann กล่าวในการบรรยาย local-first ในโลกที่ไม่มั่นคง ว่าโอกาสที่ยุโรปกับสหรัฐจะปะทะกันยังต่ำมาก แต่ปีก่อนหน้านั้นยังเป็นศูนย์
  • ต่อให้ใช้ LLM เป็นเพียงเครื่องมือค้นคว้า ความเห็นส่วนใหญ่ในข้อมูลฝึกหรือความเชื่อทางการเมืองของผู้สร้างโมเดลก็อาจค่อย ๆ ซึมเข้าไปในผลลัพธ์อย่างเงียบ ๆ
  • คล้ายกับปรากฏการณ์ที่มนุษย์คุยกันแล้วค่อย ๆ ใช้คำหรือความเห็นบางอย่างร่วมกัน เพียงแต่ต่างกันตรงที่คู่สนทนาฝ่ายหนึ่งไม่ใช่มนุษย์

บทบาทของโมเดลท้องถิ่นและ open weight

• เป็นเรื่องยากที่จะกำจัด LLM ออกไปทั้งหมด ดังนั้นแทนที่จะปฏิเสธกระแส ควรใช้แนวทาง ควบคุมและกำหนดทิศทางมันด้วยตนเอง
• โมเดลที่รันบนแล็ปท็อปช่วยให้โปรแกรมเมอร์ลดการพึ่งพาบริษัทขนาดใหญ่ได้
  • โมเดลท้องถิ่นกำลังดีขึ้นอย่างต่อเนื่อง
  • เมื่อเงินอุดหนุนหมดลงและราคาสูงขึ้น โมเดล open weight อาจช่วยถ่วงดุลราคาและอิทธิพลของผู้ให้บริการรายใหญ่ได้
  • โมเดลที่รันบนฮาร์ดแวร์ของตัวเองไม่สามารถถูกรัฐบาลตัดสิทธิ์การเข้าถึงข้ามคืนได้
• แม้ฟองสบู่ AI จะแตกและสร้างความเสียหายหนักให้เศรษฐกิจโลกและบริษัทต่าง ๆ โมเดล open weight ก็ยังจะคงอยู่ให้โปรแกรมเมอร์ใช้เป็นทางเลือกได้
• งานบรรยายด้าน AI ใน Local-First Conf ก็ให้ความสำคัญกับโมเดลท้องถิ่นอย่างจริงจังเช่นกัน และเปิดทางสู่สภาพแวดล้อมแบบ AI พร้อมตอบตลอดเวลาราวกับในนิยายไซไฟ

เครื่องมือที่ขยายความคิดของมนุษย์

• ผู้บรรยายหลายคนเปิดเผยตรง ๆ ว่ามอบหมายงานบางส่วนให้ Claude Code แต่การบรรยายก็ยังได้รับคัดเลือก และยังได้รับเสียงปรบมือจากผู้ชมซึ่งรวมถึงผู้มีอาวุโสและผู้เข้าร่วมที่ได้รับความเคารพ
• ความต่างอยู่ที่มีมนุษย์ซึ่งเอา ชื่อเสียงและความน่าเชื่อถือ ของตัวเองไปค้ำประกันผลลัพธ์นั้น
  • หากนำเสนอ AI slop คนคนนั้นก็จะสูญเสียความไว้วางใจ
  • คนที่ต้องรับผิดชอบจะใช้ LLM เพื่อทำให้ความคิดของตัวเองเกิดขึ้นได้เร็วและหนักแน่นขึ้น มากกว่าจะยกการคิดทั้งชุดให้มัน
• LLM ขยายความเห็น โครงสร้าง และเฟรมเวิร์กที่มีอยู่แล้ว
  • ถ้ามีความคิด มันจะทำให้ความคิดนั้นชัดและเร็วขึ้น
  • ถ้าไม่มีความคิด เนื้อหาก็จะกลวงแต่กลับลื่นไหลมาก
• มีประโยชน์สำหรับการระดมสมอง ตรวจไวยากรณ์ ปรับประโยคที่ซ้ำซาก สร้างทางเลือก ใช้แบบ rubber duck debugging และเล่นบททนายฝ่ายมาร
• แทนที่จะสร้างผลงานจำนวนมาก เลือกแนวทาง ทำผลลัพธ์ให้น้อยลงแต่คุณภาพสูงขึ้น
  • ใช้โทเคนจำนวนมากมากเพื่อเตรียมเพียงไม่กี่ประโยคที่มนุษย์จะได้อ่าน
  • LLM สามารถ ช่วยพยุงกระบวนการคิด ได้ แต่ไม่อาจแทนที่การคิดเอง

เกณฑ์ความไว้วางใจที่ใช้แยก AI slop

• งานเขียนควรเป็นสิ่งที่มนุษย์เขียนถึงมนุษย์ แต่สิ่งนี้ก็ไม่ได้ขัดแย้งกับการใช้ LLM ช่วยในการเขียนทั้งหมด
• ความต่างระหว่าง AI slop กับงานเขียนที่ดี ขึ้นอยู่กับว่ามี ความคิดของมนุษย์ อยู่เบื้องหลังหรือไม่ และ ความคิดไม่อาจจ้างช่วงออกไปได้
• ปัญหาคือจากภายนอกเราไม่อาจตรวจสอบได้ว่าคนนั้นได้คิดจริงหรือไม่
  • คำพูดว่า “ใช้ AI เพื่อคิดให้ดีขึ้น” อาจออกมาจากทั้งผู้ใช้ที่รอบคอบและผู้สนับสนุน AI แบบไร้ความรับผิดชอบได้เหมือนกัน
  • แม้แต่เรื่องเหลวไหลที่ถูกขยายก็อาจฟังดูเหมือนอัจฉริยะได้ สุดท้ายสิ่งที่เหลืออยู่จึงมีเพียงความไว้วางใจ
• ความไว้วางใจนั้นได้มายากและเสียไปง่าย และในยุค LLM แม้แต่ em dash เพียงตัวเดียวก็อาจทำให้ทั้งบทความดูเหมือน AI slop ได้
• ในกลุ่มคนที่สนใจ Local-First ทางการเมือง มีไม่น้อยที่แสดงจุดยืนต่อต้าน LLM อย่างแรง จึงมีบรรยากาศกังวลว่าซอฟต์แวร์ที่ทำด้วย LLM อาจถูกชุมชนปฏิเสธ
  • แม้แต่ในงานประชุมเอง ก็มีคนที่กลัวจะพูดต่อสาธารณะว่าตัวเองใช้ LLM
• ในเดือนมิถุนายน 2026 ใช้เงินค่าโทเคนไปประมาณ 10,000 ดอลลาร์
  • หลังจากนั้น Fable มีราคาแพงเกินไป จึงเลือกใช้เฉพาะบางกรณี
  • สำหรับการรันโค้ดล้วน ๆ ใช้โมเดลราคาถูกอย่าง OpenRouter และ GLM 5.2
• เกณฑ์เชิงปฏิบัติในการตัดสินว่าเป็น slop หรือไม่ คืออ่านผลงานนั้นต่อหน้าผู้ฟังได้ตรง ๆ หรือไม่
  • ถ้าต้องอธิบายความหมายแยกต่างหาก ก็ใกล้เคียง slop
  • ถ้าอ่านได้ตรง ๆ โดยไม่อายแม้แต่ตัวอักษรเดียว ก็ถือว่าเป็นงานเขียนที่ดีได้

/grill-me ที่บังคับให้ต้องเข้าใจ

• หากไม่เข้าใจปัญหาและความต้องการจริง LLM จะเขียนซอฟต์แวร์ที่แย่ แต่ถ้ามีทักษะและเครื่องมือที่จำเป็น ผลลัพธ์ก็อาจออกมาดีพอสมควร
• อุปสรรคสำคัญที่ขวางผลลัพธ์ที่ดีคือ ความชอบคล้อยตาม
  • LLM มักไม่บอกว่าไม่เข้าใจ แต่จะพยายามทำอะไรสักอย่างทันที
• /grill-me ที่ดัดแปลงจากเทคนิค “grill me” ของ Matt Pocock จะบังคับให้สร้างความเข้าใจร่วมกันก่อนลงมือ
  • มันจะถามทุกแง่มุมอย่างเข้มข้น และไล่ตรวจทุกกิ่งของต้นไม้การตัดสินใจตามลำดับ
  • ในแต่ละคำถามจะมีคำตอบที่แนะนำไว้ด้วย
  • ถามครั้งละข้อและรอคำตอบจากผู้ใช้
  • ข้อเท็จจริงที่ตรวจสอบได้จากระบบไฟล์หรือเครื่องมือก็จะไปตรวจเอง
  • การตัดสินใจจะถามมนุษย์ทีละข้อ และจะไม่ลงมือจนกว่าจะยืนยันได้ว่าเข้าใจตรงกันแล้ว
• ระหว่างที่รับคำถามทีละข้อ ผู้ใช้จะได้ก่อรูปความคิดของตัวเองโดยตรง
• วิธีเดียวกันนี้นำมาใช้กับงานเขียนได้ โดยเริ่มจากเขียนความคิดที่สับสนออกมาก่อน แล้วค่อยให้ LLM วิจารณ์ทีละประโยคเพื่อปรับแต่ง
• วิธีทำงานแบบเป็นขั้นตอนที่ยอมใช้โทเคนจำนวนมหาศาลเพื่อประโยคเดียว ช่วยเพิ่มคุณภาพของผลลัพธ์ได้

สเปกสั้น ๆ และขอบเขตที่ตรวจทานได้

• แม้เป็นงานเขียนโค้ดเล็ก ๆ ก็ยังเขียนสั้น ๆ สามส่วนตาม Pitch ของ Basecamp

  • Problem

  • What we are shipping

    • What we are not shipping
    • จำกัดคำอธิบายปัญหาไว้ที่สามประโยค
    • ให้ LLM เติมฟอร์แมตนั้นง่าย แต่การเขียนสามประโยคที่ดีนั้นยาก
    • เพราะเป็นรูปแบบสั้นที่ออกแบบมาสำหรับมนุษย์ ผู้เขียนจึงอ่านได้จริงและคนอื่นก็ตรวจทานได้
    • เอาต์พุตของ LLM ส่วนใหญ่มักถูกกวาดตาอ่านอย่างรวดเร็วมากกว่าจะอ่านละเอียด แต่คำอธิบายปัญหาสามประโยคจะถูกตรวจสอบข้อเท็จจริงอย่างเข้มงวด
    • ถ้าปริมาณที่ต้องรีวิวมากเกินไป คุณภาพก็จะลดลง
    • รีวิวโค้ดยาว 1,000 บรรทัดมักลงเอยด้วยแค่ LGTM
    • แต่รีวิว 100 บรรทัดอาจใส่ความเห็นได้ถึง 15 ข้อ
    • ใช้ระดับความใส่ใจเดียวกันนี้กับคำอธิบาย PR ด้วย
    • ทำให้มันอ่านง่ายและกระชับ
    • เขียนให้ชัดว่าเป็นปัญหาอะไร จะส่งมอบอะไร และจะไม่ส่งมอบอะไร
    • แนบภาพหน้าจอการทำงานเพื่อให้เห็นทันทีว่าคุ้มค่าต่อการรีวิวหรือไม่ และมันทำงานจริงอย่างไร
    • Claude มักพยายามเติมสิ่งที่ไม่จำเป็นลงในคำอธิบาย PR อยู่เรื่อย ๆ จึงต้องคอยตัดออกเสมอ และใน PR ที่ไม่สำคัญนักก็อาจกดพฤติกรรมนี้ลงได้ไม่พอ

เอเจนต์วิจารณ์และการย้อนใช้ประโยชน์จากภาพหลอน

• เพื่อรับมือกับเนื้อหาที่ LLM สร้างออกมาเป็นจำนวนมาก จึงวาง เอเจนต์ขนาดเล็กที่รับบทวิจารณ์ ไว้ในเวิร์กโฟลว์การเขียนโค้ด
• Ralph Wiggum loop หรือ ultracode ของ Claude จะตรึงข้อความ แผน สเปก และโค้ดไว้ แล้วปล่อยซับเอเจนต์ที่มีคอนเท็กซ์ใหม่เข้ามาซ้ำ ๆ เพื่อหาข้อบกพร่อง
  • ซับเอเจนต์มีหน้าที่เพียงโจมตีคอนเท็กซ์ที่ได้รับ
  • ทำซ้ำไปเรื่อย ๆ จนกว่าจะไม่พบปัญหาจริงอีกต่อไปและเริ่มหลอนว่ามีปัญหา
• เมื่อไปถึงขั้นที่เริ่มหลอนปัญหา ก็สามารถใช้จุดอ่อนของ LLM เป็นสัญญาณยืนยันได้
  • LLM มักคล้อยตามความคาดหวังของผู้ใช้ที่คิดว่าต้องมีปัญหาอยู่ แต่เมื่อหาปัญหาจริงไม่เจอแล้ว ก็จะเริ่มแต่งปัญหาขึ้นมาเอง
  • เมื่อใช้ร่วมกับ /grill-me มันสามารถกดดันให้มนุษย์ตรวจแม้แต่ข้อสงสัยเล็กน้อยที่ตัวเองมี และก่อรูปความคิดของตัวเองให้ชัดขึ้น
• ยังสามารถใช้ภาพหลอนนั้นเองเพื่อตรวจสอบดีไซน์ได้ด้วย
  • Anselm Eickhoff แนะนำ วิธีทำให้ LLM หลอน API หรือ UX ที่คาดหมายก่อนจะได้เห็นผลิตภัณฑ์จริง
  • รูปแบบที่ LLM เดาได้อาจใกล้เคียงกับรูปแบบที่มนุษย์ส่วนใหญ่จะคาดหวัง จึงเป็นการทดสอบราคาถูกว่าดีไซน์สอดคล้องกับความคาดหวังของผู้ใช้หรือไม่
  • intuition-probe skill ที่ทำให้เป็นอัตโนมัติ จะบังคับให้เอเจนต์แบบ blind ยืนยันสิ่งที่คาดไว้ก่อนล่วงหน้า โดยยังไม่เห็นดีไซน์จริง

ข้อจำกัดของความเชี่ยวชาญและความสามารถในการตรวจสอบ

• รูปแบบการใช้งานทั้งหมดตั้งอยู่บนสมมติฐานว่าผู้ใช้ต้องสามารถตัดสินคุณภาพของผลลัพธ์ได้
• ยิ่งขยายการใช้ LLM ไปยังงานที่ไม่คุ้นเคยมากขึ้นเท่าไร ก็ยิ่งต้องการ ความช่วยเหลือจากผู้เชี่ยวชาญ
  • เช่นเดียวกับที่เราจะ มอบหมายงาน ให้สมาชิกทีมได้ก็ต่อเมื่อเข้าใจหลักการพื้นฐานและเกณฑ์ของผลลัพธ์ที่ดี LLM ก็เช่นกัน
• ในงานที่รู้ดีอยู่แล้ว เราสามารถแยกผลลัพธ์ที่ดีกับผลลัพธ์ที่แย่ได้อย่างรวดเร็ว
• ในงานที่ไม่รู้ดี ควรใช้เป็นเพียงตัวช่วยเรียนรู้เท่านั้น
  • ถ้ายังตัดสินคุณภาพไม่ได้แต่กลับมอบหมายให้มันสร้างผลลัพธ์ด้วย ก็จะนำไปสู่การผลิต slop ขนาดใหญ่

• งานที่ตรวจคำตอบได้

  • ในงานที่ความสำเร็จและความล้มเหลวของผลลัพธ์ชัดเจน เราสามารถเรียนรู้ร่วมกับ LLM ได้
  • เกณฑ์การตรวจสอบอาจรวมถึงคอมไพล์โค้ดผ่านหรือไม่ ชุดทดสอบผ่านหรือไม่ โปรโตคอลถอดรหัสได้หรือไม่ เป็นต้น
  • ผู้เข้าร่วมงานคนหนึ่งใช้ Opus 4.6 ย้อนวิศวกรรมไบนารีและโปรโตคอล
  • จุดตั้งต้นที่จำเป็นคือความรู้พื้นฐานเรื่อง reverse engineering
  • เมื่อไบนารีที่แพตช์แล้วทำงานได้หรือทำอุปกรณ์พังก็จะรู้ได้ชัดว่าถูกหรือผิด จึงค้นพบเทคนิคของตัวเองไปพร้อมกับการทำงานได้

• งานที่มีความเห็นเข้ามาเกี่ยวข้อง

  • ในพื้นที่ที่เต็มไปด้วยความเห็นอย่างการเขียนโปรแกรม LLM อาจตอบด้วย เทคนิคที่เป็นที่นิยมที่สุด มากกว่าวิธีที่เหมาะกับสถานการณ์นั้นที่สุด
  • ในทีมหนึ่งเคยมีการวิจารณ์ว่าโค้ดบางส่วนเป็น AI slop แต่เมื่อคุยกันต่อก็พบว่าประเด็นจริงคือการคัดค้าน TDD
  • ในทีมนั้นก็มีคนที่ใช้ TDD อย่างจริงจังมาตั้งแต่ก่อนยุค LLM แล้ว
  • ปัญหาไม่ใช่ตัว AI เอง แต่คือความเห็นที่แตกต่างกันของมนุษย์
  • LLM ยังขยายความเห็นของผู้ใช้ด้วย ดังนั้นในช่วงต้น มนุษย์ต้องให้ทิศทางคร่าว ๆ และจุดเริ่มต้นที่ดีก่อน
  • ต้องมีวิจารณญาณมากพอเสียก่อน จึงจะใช้ LLM ต่อด้วยตัวเองได้อย่างเหมาะสม

ไม่ใช่การแทนที่ แต่เป็นการเสริมพลังการคิด

• ความไม่สอดคล้องระหว่างการวิจารณ์กับการใช้งานไม่ใช่สิ่งที่เกิดขึ้นกับคนเดียว เพราะพบประสบการณ์คล้ายกันทั้งใน Discord ของงานประชุม บทสนทนาแบบพบหน้า และโพสต์ล่าสุดใน Hacker News
• หากต้องการเชื่อถือผลลัพธ์ที่ทำด้วย LLM ก็จำเป็นต้องปฏิสัมพันธ์กับผลงานจริงอย่างต่อเนื่อง แต่สิ่งนั้นเองก็ใช้เวลามาก
• หากแยกออกจากกระแสโฆษณาเกินจริง LLM ก็ยังมี คุณค่าในฐานะเครื่องมือที่ทำให้การคิดของมนุษย์สมบูรณ์ขึ้น
• LLM อาจช่วยเสริมการคิดได้ แต่ไม่อาจคิดแทนมนุษย์

[GN⁺]

ความคิดเห็นจาก Hacker News

• LLM ช่วยขยายความเห็น โครงสร้าง และกรอบความคิดที่มีอยู่เดิม ทำให้แสดงความคิดได้เร็วและชัดเจนขึ้น แต่ก็กังวลว่าการใช้งานแบบ เน้นเอเจนต์ อาจทำให้ความสามารถในการคิด รวมถึงงานวิศวกรรมซอฟต์แวร์ ถดถอยลงหรือไม่
  สมองก็เหมือนกล้ามเนื้อที่ต้องใช้งานอย่างต่อเนื่อง จึงยากจะมั่นใจได้ว่าหลังใช้เครื่องมือแบบนี้ทุกวันเป็นเวลา 5 ปี 10 ปี หรือ 20 ปีแล้ว ความคิดและรสนิยมจะยิ่งเฉียบคมขึ้นหรือไม่
  ข้อดีอย่างการทำงานในเรื่องที่คุ้นเคยได้เร็วขึ้น และเข้าถึงสาขาใหม่ได้ไวขึ้นนั้นมีอยู่ชัดเจน แต่ก็ยากที่จะหา สมดุลที่เหมาะสม ระหว่างเส้นทางที่ฝึกฝนทักษะด้วยตัวเองจนตามหลังในการแข่งขันด้านประสิทธิภาพการทำงาน กับเส้นทางที่ให้เอเจนต์มาก่อนแล้วเลื่อนการเรียนรู้ให้เป็นเรื่องรอง
  ผมเคารพและเข้าใจท่าทีที่ปฏิเสธ LLM ด้วยเหตุผลทางศีลธรรม แต่ส่วนตัวไม่ได้ปฏิบัติเช่นนั้น

  • ประโยชน์นั้นอาจไม่ได้ชัดเจนอย่างที่คิด นักพัฒนามักประเมินการเพิ่มผลิตภาพจาก LLM สูงเกินจริงอย่างสม่ำเสมอ และดูเหมือนปรากฏการณ์เดียวกันจะยังเกิดกับ AI แบบเอเจนต์ ด้วย: https://metr.org/blog/2026-05-11-ai-usage-survey/
    ผลลัพธ์คล้ายกับ LLM ก่อนยุคเอเจนต์อย่างน่าประหลาด และยังไม่มีข้อมูลระยะยาวเลย ดังนั้นแม้ตลาดแรงงานอาจเป็นอีกเรื่องหนึ่ง แต่ในระดับปัจเจกก็พอจะปฏิเสธประโยชน์ใช้สอยของมันได้ระดับหนึ่ง
  • ผมทำงานที่จุดตัดของเทคโนโลยี การเงิน และการวิเคราะห์ จึงเขียนโค้ดไม่มากนัก แต่ตอนนี้สามารถลองทำหลายโปรเจกต์ได้ด้วยตัวเอง ทั้งที่เมื่อก่อนถ้าไม่มีทีมสนับสนุนขนาดใหญ่ก็คงแตะไม่ได้
    ช่วงนี้กำลังเรียน Go เป็นครั้งแรก ถึงจะให้ Codex ทำทั้งหมดก็ได้ แต่เมื่อคิดว่าน่าจะยังต้องทำโปรเจกต์ Go ต่อไปในอนาคต จึงตั้งใจเดินช้า ๆ เพื่อเรียนรู้ พื้นฐานและเกณฑ์ในการตัดสินใจ แทน ตรงกันข้ามกับสคริปต์ Python แบบใช้ครั้งเดียวซึ่งตอนนี้แทบไม่ค่อยตรวจดูแล้ว และนั่นกลับเป็นส่วนที่น่ากลัวกว่า
  • ส่วนที่น่ากังวลที่สุดคือ ความสามารถในการตัดสินให้ถูกว่าควรเรียนรู้อะไร และเรียนรู้อย่างสม่ำเสมอนั้น อ่อนแอกว่าที่คิด
    ตัวอย่างเช่น LLM เขียน regular expression ได้ดีกว่านักพัฒนาโดยเฉลี่ย และงานที่ต้องใช้ regular expression ก็มีแค่ไม่กี่เดือนครั้ง แถมถ้าลองผิดลองถูกเองก็ยุ่งยาก จึงมักเผลอโยนให้มันทำไปเลย พอเป็นแบบนั้น สัญชาตญาณว่าทำอะไรได้บ้างด้วย regular expression ความสามารถในการเขียนโดยไม่มี LLM และแม้แต่คนที่สร้างเอกสารความรู้เกี่ยวกับเรื่องนี้ ก็อาจค่อย ๆ หายไป
    โดยรวมแล้วอาจยังคุ้มที่จะใช้ แต่สิ่งที่น่ากลัวคือเราอาจประเมินไม่ถูกด้วยซ้ำว่ากำลังสูญเสียอะไรไป
  • ผมเคยคิดว่าเอเจนต์จะทำให้ความสามารถถดถอย แต่ในความเป็นจริงมันก็ใช้กับ การฝึกทักษะและการเรียนรู้ ได้เช่นกัน
    ก่อนสัมภาษณ์งานเขียนโค้ด ผมนำข้อมูลเกี่ยวกับเทคสแตก หัวข้อ และเกณฑ์ประเมินที่ได้รับ ไปให้ Claude สร้างโปรเจกต์ฝึก 12 ชุด พร้อมเอกสารโจทย์และเฉลย แล้วให้ Codex รับบทเป็นผู้สัมภาษณ์ คอยฟังวิธีแก้และกระบวนการคิดของผม พร้อมให้ฟีดแบ็กและซักถามกลับ แม้จะทำเสร็จได้แค่สองสามชุด แต่เป็นครั้งแรกที่รู้สึกว่าสนุกกับการเตรียมสัมภาษณ์ และได้เรียนรู้อะไรใหม่จริง ๆ
    ส่วนที่ยากที่สุดคือการกันไม่ให้ LLM เฉลยโจทย์แทน แต่ก็พอแก้ได้ด้วยการจำกัดเวลา คำสั่งที่ชัดเจน และการแยกบทบาท
  • ความเป็นไปได้ที่ LLM จะบั่นทอนความสามารถทางสติปัญญาและทักษะ ทำให้นึกถึงสถานการณ์แบบในภาพยนตร์ Idiocracy
    สมมติฐานที่ว่า AI จะทำลายอารยธรรมอย่างรุนแรงนั้นเป็นที่รู้จักกันดีอยู่แล้วในการถกเถียงเรื่อง Fermi paradox แต่ก็ควรพิจารณาด้วยถึง ความเสื่อมถอยแบบไม่รุนแรงจากการถดถอยทางปัญญา

• การจ่าย 1 หมื่นดอลลาร์ต่อเดือน เพื่อให้โปรแกรมเขียนแทนในสิ่งที่ตัวเองเขียนดีได้ฟรี ดูเป็นความโง่ที่ไร้เหตุผลสุด ๆ รู้สึกเหมือนทุกคนกำลังกลายเป็นมนุษย์ไร้เรี่ยวแรงในหนัง Wall-E
  หวังว่าเมื่อถึงจุดผลตอบแทนลดลงจากข้อจำกัดด้านประสิทธิภาพ โมเดลเปิดจะทัดเทียมโมเดลปิด OpenAI กับ Anthropic จะเผากันเองจนล้มละลาย และทุกคนจะรันโมเดลเปิดฟรีส่วนตัวบนโน้ตบุ๊กของตัวเองได้ ถึงตอนนั้นปัญหาหลายอย่างของ LLM ที่เกิดจากการจ่ายเงินให้คนอื่นทำสิ่งที่แต่เดิมเราทำเองได้ฟรี ก็น่าจะหายไปด้วย

  • ถ้าตามตรรกะนี้ มันก็ไม่ต่างจากการด่าว่าคนที่ยอมจ่าย 1,000 ดอลลาร์ค่าตั๋วเครื่องบิน ทั้งที่สามารถเดินจาก SFO ไป NYC ได้ฟรี

• สมาร์ตโฟนก็เป็นเครื่องมืออเนกประสงค์ที่ยอดเยี่ยม และโซเชียลมีเดียก็เป็นเครื่องมือที่ดีในการเชื่อมผู้คนเข้าหากัน แต่ตลอด 20 ปีที่ผ่านมา เรามองผลกระทบทางสังคมของมันในแง่ดีเกินไป
  ผลจากการที่สมาร์ตโฟนมีประโยชน์มากเกินไปคือในบางสังคม คนเกือบครึ่งติดมัน และทั่วโลกมีผู้คนระดับหลายพันล้านคน ยังไม่มีใครรู้ว่าในระยะยาว LLM จะทำให้การคิดลุ่มลึกขึ้นหรือพังลง หรือในอีก 10 ปีคนครึ่งหนึ่งจะจ้างการคิดส่วนใหญ่ของตัวเองออกไปหรือไม่
  เมื่อการทดลองนี้กำลังเกิดขึ้นอย่างรวดเร็วมากทั่วโลก ท่าที ตั้งข้อสงสัย ต่อข้อสรุปที่ว่า LLM จะทำให้การคิดลุ่มลึกขึ้นในระยะยาว จึงเป็นสิ่งสมเหตุสมผล

  • เครื่องมือนั้นมีประโยชน์ แต่การ ทุ่มทุกอย่างไว้กับเครื่องมือเพียงชนิดเดียว เป็นเรื่องอันตราย เช่นเดียวกับที่การพึ่งพารถยนต์เพียงอย่างเดียว โดยยอมเสียสละจักรยาน รถบัส และรถไฟ เพราะคิดว่ารถดีอยู่แล้ว เป็นการตัดสินใจที่แย่มาก ต่อให้ LLM สะดวกเพียงใด ก็ไม่ควรผูกเงินระดับหลายล้านล้านดอลลาร์ รวมถึงอนาคตของประเทศและของโลก ไว้กับสิ่งนี้
  • มีแนวคิดหนึ่งบอกว่าในยุคก่อนประวัติศาสตร์ที่เทคโนโลยียังขาดแคลน มนุษย์ต้องฉลาดและระแวดระวังอยู่เสมอเพื่อเอาชีวิตรอด ดังนั้นมนุษย์ถ้ำโดยเฉลี่ยอาจฉลาดกว่าคนสมัยใหม่
    ปัจจุบันนี้แค่ทำงานที่ McDonald’s ก็ยังเอาชีวิตรอดได้ และ LLM ก็เป็นเพียงส่วนต่อเนื่องของ แนวโน้มการจ้างภายนอกด้านการรับรู้ ที่มนุษยชาติดำเนินมาตั้งนานแล้ว

• หลักฐานที่ยกมาจริง ๆ มีเพียงการปิดกั้นของสหรัฐฯ เท่านั้น และเนื่องจากโมเดลล้ำสมัยของจีนล้วนดาวน์โหลดได้ฟรี ความกังวลว่าจีนจะทำแบบเดียวกันด้วยจึงใกล้เคียงกับการ ฉายพฤติกรรมของสหรัฐฯ ไปใส่จีน มากกว่า ดูยุทธศาสตร์ AI ของจีนได้ที่นี่: https://ipc.court.gov.cn/zh-cn/news/view-5766.html

  • สหรัฐฯ ก็ทำอย่างที่ผู้เขียนพูดจริง ๆ แล้ว จึงไม่ชัดว่าตรงไหนเรียกว่าเป็นการฉายภาพ และหากความขัดแย้งทางภูมิรัฐศาสตร์รุนแรงขึ้น ก็ไม่ยากที่จะจินตนาการว่าจีนอาจใช้มาตรการคล้ายกัน
    อีกทั้งก็ยังไม่แน่ใจว่าโมเดลที่จีนเผยแพร่ออกมานั้นเป็น โมเดลล้ำสมัยที่แท้จริง หรือไม่ เพราะโมเดลภายในที่ก้าวหน้าที่สุดอาจไม่ได้ถูกเปิดเผย

• แม้จะใช้ LLM ในงานพัฒนาค่อนข้างเยอะ แต่ก็แทบใช้โทเคนที่รวมอยู่ในแพ็กเกจ OpenCode Go เดือนละ 10 ดอลลาร์ไม่หมดเลย เลยสงสัยว่าคนอื่นเอา โทเคนจำนวนมหาศาล ไปทำอะไรกัน

  • เดือนที่ใช้มากที่สุดก็ 45 ดอลลาร์ และกรกฎาคมนี้ยังเพิ่งแค่ 6 ดอลลาร์ ถ้า LLM ช่วยจัดการงานที่ต้องใช้ได้ก็ดี แต่ก็ไม่ได้สร้างเหตุผลให้ต้องผลาญเงินทิ้ง
    พวกที่เรียกว่า ผู้ใช้สายปั่นโทเคนเต็มพิกัด ดูจะทำแบบนั้นจริง ๆ และก็เห็นได้จากการที่งาน vibe coding จำนวนมากแทบไม่ได้ให้ผลลัพธ์ที่มีคุณค่าอย่างน่าทึ่งอะไรเลย
  • มีแพ็กเกจ max20 อยู่ 3 ชุด และปกติใช้จนเต็มลิมิตอย่างน้อย 2 ชุด
    กำลังทำทั้งเว็บโซเชียลมีเดียที่คงไม่มีใครใช้, การพอร์ตเกมเก่ามา Linux พร้อมฟีเจอร์เร่งฮาร์ดแวร์ที่ไม่จำเป็น, การวิเคราะห์ crash log ของเกม Xbox ที่มีผู้ใช้จริงราว 50 คน, ระบบบริการลูกค้าแบบกระจายศูนย์ที่เชื่อม Gmail·ปฏิทิน·สเปรดชีต และรองรับ LLM·Retrieval-Augmented Generation (RAG)·tool calling, รวมถึงเกมที่จะปล่อยบน Google Play
    สิ่งที่กินโทเคนมากที่สุดคือ ฝูงเอเจนต์ ที่ทดลองใช้เพื่อทำเดสก์ท็อปแอปซับซ้อนสำหรับจัดการข้อมูลเฉพาะทาง ซึ่งตอนนี้ใช้ได้ประมาณครึ่งหนึ่งแต่บั๊กเยอะ ผลลัพธ์ที่ดูสำเร็จที่สุดกลับเป็นเครื่องมือภายในที่ทุกคนในบริษัทใช้ และสภาพแวดล้อม pre-deployment ของผลิตภัณฑ์ที่ทำด้วย Azure credits
  • วิธีทำงานแบบคอยรีวิวการเปลี่ยนแปลงและให้ความเห็นต่อเนื่องไม่ได้กินโทเคนมากขนาดนั้น แต่ผู้ใช้จำนวนมากกลับเลือก โยนให้ agent mode ทำทั้งหมด
  • ใช้แพ็กเกจ Claude เดือนละ 100 ดอลลาร์ แต่แทบไม่เคยใช้เกิน 50% ก่อนรอบใช้งานจะรีเซ็ต แม้แต่ตอนรันงานหลายอย่างรวดเดียวเพื่อทดสอบ Fable ก็เหมือนกัน
  • ปริมาณการใช้โทเคนจำนวนมากเกิดจาก Fable ที่มีต้นทุนสูงมาก

• โดยรวมเห็นด้วยกับส่วนที่ว่า ‘LLM ไม่ดี’ แต่เชื่อได้ยากมากกับคำพูดที่ว่า LLM ทำให้คนคิดได้เร็วและคมขึ้น
  มีงานวิจัยหลายชิ้นออกมาแล้วซึ่งให้ผลอย่างที่คาดไว้ และถ้าใช้ต่อเนื่องระยะยาวก็มีโอกาสสูงที่ ผลกระทบทางการรับรู้เชิงลบจะสะสม และยิ่งแย่ลง

  • ผลของ LLM ต่อกระบวนการคิดขึ้นอยู่กับ วิธีทำงานร่วมกัน ล้วน ๆ
    ถ้าเปิดเอาต์พุตแบบละเอียดแล้วอ่านทั้งขั้นตอนการทำงานและเหตุผลของ Claude ก็ยังคิดได้ดีเท่าเดิม หรืออาจเร็วและชัดกว่าเดิมด้วย ได้เรียนรู้เรื่องที่คาดไม่ถึง หยุด Claude ได้ตั้งแต่เนิ่น ๆ เมื่อมันกำลังไปผิดทาง และยังตรวจดูการกระทำทีละขั้นกับเหตุผลประกอบเพื่อหาสมมติฐานที่ผิดได้ง่ายขึ้น
    ในทางกลับกัน ถ้าต้องมารีวิวโค้ดหลายพันบรรทัดที่เอเจนต์เขียนไว้ทีหลังจะทรมานมาก และถ้ารันหลายเอเจนต์พร้อมกันสมาธิก็จะแตกจนยากจะทุ่มพลังคิดให้กับงานเดียวเต็มที่
  • แต่ก่อนเคยมั่นใจว่าจะออกมาแย่ที่สุดแน่ ๆ แต่พอเริ่มอ่านและศึกษาผลลัพธ์จาก LLM อย่างจริงจังก็เปลี่ยนความคิด ก่อนหน้านั้นแค่กวาดตาเร็ว ๆ เพื่อดูว่ามีเรื่องเพ้อหนัก ๆ หรือ hallucination ไหม
    มันคล้ายความต่างระหว่างคนที่พอสอบเสร็จก็ลืมเกือบหมด กับคนที่ ถ้ายังไม่เข้าใจพื้นฐาน ของสูตร ข้อเท็จจริง หรือทฤษฎี ก็จะไม่ยอมข้ามไปขั้นถัดไป

• มี PR คุณภาพต่ำ จำนวนมากที่จริง ๆ ควรเริ่มจากการรายงานปัญหาหรือเปิดประเด็นคุยในโอเพนซอร์สก่อน และตอนนี้ก็ยิ่งดูยากขึ้นไปอีกว่าคนทำ PR นั้นไม่สะดวกอะไรถึงส่ง PR มา เพราะแม้จะถามกลับ เจ้าตัวก็มักตอบด้วย LLM
  หลายโปรเจกต์กำลังเอนเอียงไปทางบล็อก PR จากคนนอกที่ไม่ใช่ core developer มากขึ้น ถ้าเป็นคนที่คุยปัญหากันตรง ๆ ได้ สู้ให้ฉันใช้ LLM ลงมือทำเองยังง่ายกว่า ส่วน PR ที่ทำโดยผู้ใช้สุ่ม ๆ หรือบอต แค่ถามไม่กี่ข้อโค้ดทั้งชุดก็เปลี่ยนไปมากจนรีวิวยาก
  ถึงอย่างนั้น เมื่อราว 8 ปีก่อนก็ยังมีการได้รู้จักคนที่น่าสนใจผ่าน PR และค่อย ๆ สร้างความเชื่อใจกับความสัมพันธ์กันได้ จึงน่าเสียดายที่โอกาสแบบนั้นกำลังหายไป

• ไม่ค่อยเห็นด้วยกับวิธีใช้ LLM แบบไม่อ่านผลลัพธ์ส่วนใหญ่แล้วแค่ดูภาพรวมผ่าน ๆ ช่วงนี้กำลังใช้ทั้ง local และ cloud LLM ทำโค้ดสำหรับงานวิจัย และลองย้ายต้นแบบไปทดสอบในภาษาที่ไม่คุ้นอย่าง Rust แต่สุดท้ายเมื่อพอใจแล้วก็ต้อง เข้าใจทุกบรรทัดด้วยตัวเอง
  ต่อให้ใช้ LLM ช่วยตีความ ถ้าเจอแนวคิดที่ไม่รู้ก็ยังพยายามไปหาแหล่งข้อมูลปฐมภูมิที่ผู้เชี่ยวชาญเขียนมาอ่าน
  งานที่ LLM อันตรายน้อยกว่าหน่อยคือการระดมไอเดีย เพราะหยิบเฉพาะส่วนดีแล้วทิ้งที่เหลือได้ง่าย แต่ก็มีความเสี่ยงว่าจะทำให้ความคิดและรสนิยมของทุกคนแบนราบไปทางเดียวกัน เหมือน Spotify Radio หรือ YouTube autoplay
  ตอนนี้ยังไม่มีข้อสรุปสุดท้าย แต่ความสนุกในการทำต้นแบบที่รันได้เร็วมีสูงมาก และเดิมทีก็เป็น ผู้เรียนรู้แบบบนลงล่าง ที่ชอบทำเดโมเท่ ๆ ทั้งที่เข้าใจแค่ครึ่งเดียวก่อน แล้วค่อยแกะดูไปเรียนรู้ไปอยู่แล้ว

• การเปรียบ LLM กับเครื่องทอผ้าหรือเครื่องคิดเลขเป็นการทำให้ปัญหาง่ายเกินจริง และไม่ซื่อตรงทางปัญญา เครื่องมือพวกนั้นไม่มีอินเทอร์เฟซแบบทำตัวเหมือนมนุษย์หรือความพึงพอใจฉับพลัน และถ้าจะใช้เครื่องคิดเลขทำเรื่องสำคัญก็ยังต้องรู้คณิตศาสตร์ ลำดับการคำนวณ และสูตรอยู่ดี แถมมันไม่ได้ควบคุมอารมณ์คนด้วย
  งานวิจัยที่เกี่ยวข้องชี้ไปถึงผลลัพธ์ที่แย่กว่าการหายไปของซอฟต์แวร์ทำมือเสียอีก: https://arxiv.org/pdf/2604.04721
  ความอึดและความพากเพียร คือรากฐานของการได้มาซึ่งทักษะ และเป็นตัวทำนายการเรียนรู้ระยะยาวที่ทรงพลังที่สุด แต่ AI อาจฝึกคนให้ชินกับการได้คำตอบทันที จนพรากกระบวนการฝ่าฟันอุปสรรคด้วยตัวเองไป ปัญหาไม่ได้อยู่ที่ความสามารถในการสร้างซอฟต์แวร์ดี ๆ ด้วยมือ แต่คือความเป็นไปได้ที่จะสูญเสียเครื่องมือภายในสำหรับการเรียนรู้สิ่งใหม่ ๆ ไปเอง เพราะไปลัดขั้นตอนที่จำเป็นทางชีววิทยา

  • LLM กำลังมาแทนที่ สมอง ซึ่งเป็นส่วนที่ลึกที่สุดและน่าทึ่งที่สุดของมนุษย์ และในมุมบริษัทแล้ว มูลค่าที่อาจดึงออกมาได้จากตรงนี้มหาศาลระดับดาราศาสตร์
    แทนที่ซอฟต์แวร์ใหม่จะเพิ่มขึ้นแบบระเบิด ก็น่าจะเพิ่มขึ้นชั่วคราวแล้วเข้าสู่ภาวะผลตอบแทนลดลง หากตอนนี้มีนักพัฒนา 25 ล้านคน และอีกไม่กี่ปีข้างหน้าต้องการแค่ 15 ล้านคน ส่วนที่หายไป 10 ล้านคนนั้นก็คือผลตอบแทนการลงทุนของ OpenAI, Anthropic และบริษัททำนองเดียวกัน ซึ่งตัวเองก็อาจเป็นหนึ่งในคนกลุ่มนั้นด้วย
  • ต่างจากเครื่องคิดเลข ตรงที่ ความสามารถในการแตะอารมณ์ ดูจะเป็นปัจจัยสำคัญที่ขยายผลลัพธ์เชิงทำลายล้าง
    เด็กคนหนึ่งติดตัวละครเสมือน กับตัวละครนั้นสามารถคุยได้ จำได้ คาดเดาไม่ได้ และบางครั้งยังหยิบยกประเด็นอันตรายขึ้นมาเอง เป็นผลกระทบคนละระดับกันโดยสิ้นเชิง เราใกล้ถึงจุดที่ต้องเริ่มสอนเรื่อง LLM ตั้งแต่ชั้นอนุบาล ทั้งเรื่องเทคโนโลยีพื้นฐานและข้อจำกัดของมัน

• คำพูดว่า “เห็นด้วยกับคำวิจารณ์ LLM เกือบทั้งหมด” ดูเป็นไปได้ยาก เพราะคำวิจารณ์เหล่านั้นมีความหลากหลายจนหลายอย่างขัดกันเอง
  ด้านหนึ่งสุดคือมุมมองที่ว่า LLM ทำแม้แต่ฟังก์ชันพื้นฐานที่สุดยังไม่ได้ ส่วนอีกด้านสุดคือมุมมองที่ว่ามันมีสำนึกแล้ว กำลังสื่อสารกันผ่านข้อความ steganography และวางแผนทำลายมนุษยชาติ
  แม้จะตัดสองขั้วนี้ออกไป ความเห็นวิจารณ์กระแสหลักก็ยังต่างกันมาก และช่องว่างระหว่างฝ่ายที่คัดค้าน LLM ทั้งหมดกับฝ่ายที่คัดค้านเฉพาะ โมเดลแบบปิดน้ำหนัก ก็ใหญ่เช่นกัน ฝ่ายที่วิจารณ์การเซ็นเซอร์เกินเหตุและฝ่ายที่วิจารณ์การสร้างเนื้อหาแบบไร้ข้อจำกัดก็ขัดแย้งกันเองเช่นกัน