Phat Phicha @HongInner

Anthropic เพิ่งปล่อยงานวิจัยที่อ่านแล้วขนลุก เขาหาวิธี "อ่านความคิดในหัว" ของ Claude ได้แล้ว หมายถึงสิ่งที่โมเดลคิดอยู่เงียบๆ ก่อนที่มันจะพิมพ์คำตอบออกมา ไม่ใช่ chain-of-thought ที่เราเห็นบนจอ แต่เป็นความคิดที่ไม่เคยโผล่ออกมาให้ใครเห็นเลย

youtu.be/cu-ZWnNbRCU?si…

Claude Fable 5 will be available again globally tomorrow. After a series of productive conversations with the US government, we're redeploying the model with a new set of classifiers to target and block more cybersecurity tasks. In the near term, some routine tasks like coding and debugging will fall back to Opus 4.8. We’ll continue to refine these classifiers over the coming weeks to reduce false positives and better distinguish genuine misuse from legitimate requests. We’ve also begun drafting a consensus framework—with Amazon, Microsoft, Google, and other Glasswing partners—for assessing the severity of AI jailbreaks and how AI developers should respond to them. We invite other industry partners and model providers to join us in this effort. Finally, we’re scaling up our collaboration with the US government on model testing and safeguards. This will include pre-release access to models and safeguards for evaluation, information sharing on jailbreaks and misuse, and dedicated resources for joint research. Thank you to our users for your patience, and to our partners across the government, industry, and the research community who worked alongside us to make Fable 5 available again. Read our full blog: anthropic.com/news/redeployi…

Ex-Google engineer reveals how to build AI agent loops, harnesses, LLM ops, and evals in 19 minutes. Trace → evaluate → diagnose → fix → ship → repeat. That loop is how agents self-improve over time. Agentic loops + harness + memory + evals - that’s the senior engineer stack. This is better than $500 paid courses on the same topic, explained in under 20 minutes. Watch it, then save the framework below.

Codez @0xCodez

2 months ago

x.com/i/article/2064…

143 1K 7K 9.4M 24K

BlackRock Q1 2026 Portfolio

แปลกตาสุดๆ youtu.be/Aqyk30L3E1A?si…

youtube.com/post/UgkxcYlSR…

youtu.be/XqpjIaQZKq0?si…

youtu.be/FCIj7yPM6k8?si…

NVIDIA Ecosystem นี้ช่างยิ่งใหญ่ 1. Memory & Storage กลุ่มนี้ประกอบด้วย MU, SNDK และ WDC ซึ่งเชื่อมกับ NVIDIA ผ่านความต้องการหน่วยความจำและ storage สำหรับ AI datacenter โดยเฉพาะ HBM (High Bandwidth Memory) ที่จำเป็นต่อ GPU รุ่นใหม่อย่าง Blackwell รวมถึง SSD และระบบเก็บข้อมูลสำหรับการ train โมเดล AI ขนาดใหญ่ 2. Semiconductor Manufacturing & Equipment กลุ่มนี้มี TSM, ASML, KLAC, LRCX, AMKR และ CAMT โดย TSMC เป็นผู้ผลิต GPU ให้ NVIDIA ขณะที่ ASML ขายเครื่อง EUV ให้ TSMC ส่วน KLA และ Lam Research เป็นผู้ผลิตอุปกรณ์ตรวจสอบและผลิต wafer ด้าน Amkor และ Camtek เกี่ยวข้องกับ advanced packaging และการเชื่อม HBM ซึ่งกลายเป็นจุดสำคัญของ AI chip ยุคใหม่ 3. Networking & Optical ประกอบด้วย LITE, COHR, FN และ NOK ซึ่งเกี่ยวข้องกับ optical networking, fiber optics และการเชื่อมต่อความเร็วสูงใน AI cluster เพราะ AI datacenter ต้องเชื่อม GPU หลายพันถึงหลายหมื่นตัวเข้าด้วยกัน ทำให้ networking กลายเป็นหัวใจสำคัญไม่แพ้ตัว compute เอง 4. Power, Cooling & Electrical Infrastructure กลุ่มนี้ได้แก่ VRT, ETN, MPWR, ON และ STM ซึ่งได้ประโยชน์จาก AI server ที่ใช้พลังงานสูงมาก โดยเฉพาะ rack รุ่นใหม่ของ NVIDIA ที่ใช้ไฟระดับ megawatt ทำให้ระบบจ่ายไฟ cooling และ power management กลายเป็นหนึ่งในธีมสำคัญของ AI infrastructure 5. Server Assembly & Integration ประกอบด้วย DELL, FLEX และ JBL ซึ่งทำหน้าที่ประกอบและ integrate AI server รวมถึง rack-scale system ให้ลูกค้า hyperscaler และองค์กรต่างๆ สะท้อนว่า NVIDIA ปัจจุบันไม่ได้ขายแค่ GPU แต่กำลังผลักดันแนวคิด “AI Factory” ทั้งระบบ 6. AI Cloud & GPU Consumers กลุ่มนี้มี CRWV และ NBIS ซึ่งเป็นผู้ให้บริการ AI cloud และเช่า GPU จำนวนมากจาก NVIDIA เพื่อให้บริการ AI infrastructure-as-a-service ตลาดจึงมองบริษัทกลุ่มนี้เป็น leveraged play ต่อ AI boom แต่ก็มีความเสี่ยงด้าน valuation สูงเช่นกัน 7. CPU, Analog & Semiconductor IP ประกอบด้วย ARM, ADI และ INTC โดย ARM เกี่ยวข้องกับ architecture ของ CPU ใน AI datacenter รวมถึง NVIDIA Grace CPU ส่วน ADI ทำชิป analog สำหรับ power และ signal ขณะที่ Intel แม้เป็นคู่แข่งในบางตลาด แต่ก็ยังได้ประโยชน์จากความต้องการ server และ datacenter ทั่วโลก 8. Materials, Packaging & Testing กลุ่มนี้ประกอบด้วย GLW, ASX และ KEYS ซึ่งเกี่ยวข้องกับวัสดุ, fiber optics, semiconductor packaging และระบบทดสอบ AI networking โดยเป็นส่วนสำคัญที่ทำให้ AI infrastructure สามารถทำงานได้ในระดับ hyperscale เยอะมาก เลือกไม่ถูกเลย #FunManager

Lin @Speculator_io

3 months ago

Nvidia literally told where to invest: IP: $ARM Fab: $TSM $INTC Memory: $MU $SNDK $WDC Packaging: $ASX $AMKR $CAMT Equipment: $KLAC $LRCX $ASML $KEYS Networking: $COHR $GLW $FN $LITE $APH Servers OEMs: $DELL $SMCI $JBL Power Systems: $FLEX $VRT $ETN Power Electronics: $STM $ADI

88 1K 8K 1.3M 12K

youtu.be/mozBSsm_VHs?si…

Google เค้าทำ guide สำหรับสร้าง Ai agent มา 64 หน้า ✅ เพื่อให้อ่านง่ายขึ้น กระชับขึ้น นาโนโบร๋เลยทำคู่มือย่อยไว้ให้เหลือ 20 หน้า เป็นภาษาไทยอ่านง่าย 💡 และมีการแทรกศัพท์ พร้อมคำอธิบายแบบเนียนๆเข้าไปด้วย สำหรับผู้ประกอบการที่สนใจการสร้าง Ai Organization อันนี้จะช่วยได้ดีมากๆๆ ไม่ว่าทำเองหรือจ้าง พิมพ์ "สนใจ" หรือว่าอยากรู้เรื่องไหนพิมพ์ไว้ได้เลยครับ เดี๋ยวจะมีผู้ช่วยผมส่งลิงค์ให้

keyboard_arrow_left Previous keyboard_arrow_right Next

youtu.be/-QumIBz-hTw?si…

youtube.com/live/FPYiCNtI2…

ภาพเป็นไปตามคาด ประเทศที่คนใช้เยอะคือประเทศพัฒนาแล้ว ที่น่าสนใจคืออิสราเอลใช้เยอะสุดในโลก ตามมาด้วยสิงคโปร์ ส่วนไทยใช้น้อยกว่าค่าเฉลี่ย (0.59x) สะท้อนความตื่นตัวและความจริงจังในการใช้ AI ภาคธุรกิจที่ต่ำ ปล่อยสถานการณ์ให้เป็นแบบนี้ต่อไป competitiveness gap ยิ่งห่างขึ้นเรื่อย ๆ

youtu.be/_SmSUXToV_A?si…

Layers of AI

NEW AI report from Google. Every prior intelligence explosion in human history was social, not individual. These authors make the case that the AI "singularity" framed as a single superintelligent mind bootstrapping to godlike intelligence is fundamentally wrong. This is directly relevant to anyone designing multi-agent systems. They observe that frontier reasoning models like DeepSeek-R1 spontaneously develop internal "societies of thought," multi-agent debates among cognitive perspectives, through RL alone. The path forward is human-AI configurations and agent institutions, not bigger monolithic oracles. This reframes AI scaling strategy from "build bigger models" to "compose richer social systems." It argues governance of AI agents should follow institutional design principles, checks and balances, role protocols, rather than individual alignment. Paper: arxiv.org/abs/2603.20639 Learn to build effective AI agents in our academy: academy.dair.ai

youtube.com/live/oy3vP39vK…

youtube.com/live/1On95yzzL…