Anthropic เปิดตัวเลขในบ้าน: Claude "นำ" งานวิจัยที่สร้าง Claude รุ่นถัดไปอยู่ 26%, มีเอเจนต์ 30,000 ตัวทำงานพร้อมกัน และคอมพิวต์ที่ลงกับความปลอดภัยอยู่ที่ 6%

หนึ่งในคำถามที่ตอบยากที่สุดของวงการ AI ตอนนี้คือ “โมเดลช่วยสร้างโมเดลรุ่นถัดไปไปถึงไหนแล้ว” — ทุกคนเดาได้ แต่ไม่มีใครมีตัวเลข วันที่ 17 กันยายน 2026 Anthropic เผยแพร่บทความ “Measurements for understanding the pace of AI development inside frontier labs” ผ่าน Anthropic Institute ที่พยายามตอบคำถามนี้ด้วยตัวเลขจากภายในบริษัทตัวเอง สามชุด

เหตุผลที่บริษัทให้ไว้ตรงไปตรงมา: การที่โมเดลเร่งการพัฒนาตัวมันเองอาจทำให้มนุษย์เข้าใจหรือควบคุมระบบได้ยากขึ้น “It is therefore important to share these metrics to understand how close the world is to reaching recursive self improvement (a model fully autonomously building its successor)“

มาตรที่ 1: Claude ทำงานวิจัยที่สร้าง Claude ไปแค่ไหน

Anthropic สร้างสิ่งที่เรียกว่า Anthropic R&D Automation Index โดยใช้สเกลของ Epoch AI ที่วัดสิ่งที่เรียกว่า Automation Level (AL) ไล่จาก AL0 (ไม่มี AI เกี่ยวข้อง) ถึง AL5 (AI ทำงานอัตโนมัติเต็มรูป ไม่มีมนุษย์ในลูป) โดยสองระดับที่เป็นหัวใจคือ:

• AL3 — “AI collaborates”: ทำงานเป็นก้อนใหญ่ได้ภายใต้การกำกับใกล้ชิดของมนุษย์
• AL4 — “AI leads”: ทำงานส่วนใหญ่ได้จบตั้งแต่ต้นจนจบจากพรอมต์ระดับสูง โดยมนุษย์คอยดูแล

ผลประจำเดือน สิงหาคม 2026:

Claude “นำ” งาน AI R&D ของ Anthropic อยู่ 26% และสัดส่วนงานที่อยู่ที่ระดับ “AI collaborates” ขึ้นไป เกิน 90%

พร้อมประโยคสำคัญที่มักหายไปตอนข่าวถูกเล่าต่อ: “As of August 2026, Claude is not operating fully autonomously for any measured subset of AI R&D work” — ยังไม่มีงานส่วนไหนเลยที่ถึงระดับ AL5

วิธีวัดน่าสนใจกว่าตัวเลข เพราะ Anthropic ยอมรับว่าไม่มีใครเขียนรายการงานทั้งหมดของบริษัท AI แนวหน้าด้วยมือได้ในระดับความละเอียดที่ต้องการ พวกเขาจึงสร้างจากล่างขึ้นบน: สุ่มพนักงาน 20% จากทุกแผนกที่อยู่ในลูปสร้างโมเดล ทุกสัปดาห์ตลอดเดือนกรกฎาคม 2026 แล้วให้ Claude research agent อ่าน Slack และเอกสารภายในเพื่อไล่รายการงานที่แต่ละคนทำ ได้ออกมาเป็น งานย่อยราว 15,000 รายการ จากนั้นให้ Claude จัดเป็นต้นไม้ลำดับชั้นที่มี 542 โหนด โดย 378 โหนดเป็นใบ — ตัวอย่างใบที่ยกมาคือ “eval platform defect diagnosis and fixes”, “RL sandbox egress and network policy” และ “serving incident postmortems” ต้นไม้นี้ถูก แช่แข็ง ไว้เพื่อให้การวัดทุกครั้งเทียบกับตะกร้าเดียวกัน แล้วถ่วงน้ำหนักด้วยเวลาของคน

ตรงที่ต้องอ่านให้ละเอียดคือการตรวจสอบตัวตัดสิน: Anthropic ให้พนักงานให้คะแนนเองโดยไม่รู้ว่าโมเดลเก็บหลักฐานอะไรมาหรือตัดสินอย่างไร แล้วรายงานว่า “model-versus-human exact agreement was 59%, human-versus-human was 35%” และคะแนนของโมเดลกับมนุษย์อยู่ห่างกันไม่เกินหนึ่งระดับ 97% ของเวลา

มาตรที่ 2: กำกับดูแลเอเจนต์ 30,000 ตัวอย่างไร

ตัวเลขที่สะดุดตาที่สุดในบทความอยู่ตรงนี้ — ณ สิงหาคม 2026 มีเอเจนต์ราว 30,000 ตัวทำงานวิจัยและวิศวกรรมอยู่ใน Anthropic พร้อมกันในแต่ละขณะ บนแพลตฟอร์มภายในที่ใช้มากที่สุด (บทความระบุชัดว่าตัวเลขนี้ครอบคลุมแพลตฟอร์มนั้นเท่านั้น)

การกำกับใช้มอนิเตอร์สองแบบ: online monitor ตรวจการกระทำแบบเรียลไทม์ เพื่อบล็อกหรือดึงพฤติกรรมกลับทันที — ออกแบบมาสำหรับอันตรายที่เกิดเร็วและย้อนกลับไม่ได้ อย่าง “an agent copying model weights out of our systems” ส่วน offline monitor อ่านกิจกรรมย้อนหลัง

ผลจากการวิเคราะห์ การตัดสินใจกว่าหนึ่งพันล้านครั้ง ของเอเจนต์วิจัยและวิศวกรรมตลอดเดือนสิงหาคม 2026:

• 0.002% (ราว 1 ใน 47,000) ถูกบล็อก โดยมอนิเตอร์
• มอนิเตอร์ ตั้งธงเพื่อรีวิวเพิ่มราว 1–2 ทรานสคริปต์ต่อทุก 1,000 ทรานสคริปต์
• ธงที่ลำดับความสำคัญสูงสุด ราว 50 รายการต่อสัปดาห์ ถูกยกระดับให้มนุษย์รีวิว

มาตรที่ 3: คอมพิวต์ที่ลงกับความปลอดภัย

Anthropic ดูสแนปช็อตการใช้คอมพิวต์ทั้งหมดของบริษัทในช่วง 13–20 กรกฎาคม 2026 โดยจัดทุก workload เข้าหมวด แล้วถามว่าคอมพิวต์ที่ไปกับ AI R&D มีสัดส่วนที่เป็นงานความปลอดภัยเท่าไหร่

• ราว 6% ของคอมพิวต์ที่ไปกับ AI R&D ถูกจัดสรรให้งานด้านความปลอดภัย
• ราว 12% ของคอมพิวต์ที่ไปกับ AI-driven AI R&D ถูกจัดสรรให้งานด้านความปลอดภัย

บริษัทเรียกตัวเลขนี้ว่า “อนุรักษนิยมโดยตั้งใจ” — ตัวอย่างเช่น ถ้าโทเคนหนึ่งถูกใช้เพื่อพัฒนาความสามารถพอ ๆ กับพัฒนาความปลอดภัย มันจะไม่ถูกนับในเมตริกนี้ และบทความก็ยอมรับเองว่า คอมพิวต์เป็นตัวแทนที่ไม่สมบูรณ์ ของ “บริษัทให้ความสำคัญกับความปลอดภัยแค่ไหน” เพราะงานวิจัยด้านความปลอดภัยโดยธรรมชาติใช้คอมพิวต์น้อยกว่าการเทรนโมเดลแนวหน้า ประโยชน์ที่แท้จริงคือ “it provides a straightforward mechanism to compare like with like, across developers and over time”

สิ่งที่ Anthropic ขอ และสิ่งที่ยังขาด

ทุกมาตรทั้งสามมีหัวข้อย่อยชื่อเดียวกันว่า “What any AI developer could report today” — เจตนาชัดว่านี่คือการเสนอมาตรฐานการรายงาน ไม่ใช่แค่การอวดตัวเลข

บริษัทระบุอุปสรรคสองข้อของการรายงานแบบนี้ไว้เอง: หนึ่ง ยังไม่มีระเบียบวิธีกลาง และ สอง เรากำลังใช้โมเดลของตัวเองประเมินระบบของตัวเอง ซึ่งหมายความว่าโมเดลที่เป็น “ผู้ตัดสิน” อาจพลาดแบบเดียวกับโมเดลที่ถูกตรวจ ทางแก้ที่เสนอคือให้บุคคลที่สามหรือโมเดลของผู้พัฒนารายอื่นตรวจสอบ โดยมีการ์ดเรลจำกัดการแลกเปลี่ยนข้อมูลที่อ่อนไหวเชิงการแข่งขัน

บทความยังย้ำคำมั่นเรื่องผู้ประเมินภายนอกที่ Dario Amodei ประกาศไว้ในเรียงความ “We Must Pace the Frontier” เมื่อ 12 ก.ย. (เราเล่าไว้ที่นี่) อีกครั้ง คราวนี้ในบริบทของตัวเลขชุดนี้: “We plan to embed independent third-party evaluators from multiple organizations at Anthropic, and give them access to internal processes, systems, and data comparable to what internal risk assessment teams have” โดยบุคคลที่สามเหล่านี้จะตรวจสอบแนวปฏิบัติด้านความปลอดภัย รายงานเหตุการณ์ และติดตามเมตริกอย่างที่อยู่ในบทความนี้ และบริษัทเสนอต่อว่ามาตรเหล่านี้อาจกลายเป็นตัวกระตุ้นข้อกำหนดที่เข้มขึ้นได้ เช่น การกำหนดช่วงเวลาทดสอบที่ตายตัวก่อนจะเอาโมเดลใหม่ไปใช้ทำ AI R&D ต่อ

มุมมอง AI Curator

พาดหัวที่จะวิ่งไปทั่วอินเทอร์เน็ตคือ “26%” แต่ตัวเลขที่ผมคิดว่าสำคัญกว่าคือ 59% กับ 35%

Anthropic เขียนว่าโมเดลผู้ตัดสิน “agreed with humans about as often as humans agreed with each other” ซึ่งเป็นการอ่านข้อมูลที่ถ่อมตัวเกินจริง เพราะตัวเลขบอกว่าโมเดลเห็นตรงกับมนุษย์ มากกว่า ที่มนุษย์เห็นตรงกันเองเกือบเท่าตัว (59% ต่อ 35%) นี่ไม่ใช่หลักฐานว่าโมเดลแม่นกว่า — มันเป็นหลักฐานว่า นิยามของ “AI นำ” กับ “AI ร่วมมือ” คลุมเครือพอที่มนุษย์สองคนจะตอบต่างกันสองในสามครั้ง เมื่อฐานของมาตรวัดอ่อนขนาดนั้น เลข 26% จึงควรถูกอ่านเป็น “ลำดับขนาด” ไม่ใช่ “ค่าที่วัดได้” และการเอาไปเทียบกับตัวเลขของแล็บอื่นในอนาคตจะมีความหมายก็ต่อเมื่อทุกคนใช้ตะกร้างานเดียวกัน ไม่ใช่แค่ใช้สเกลของ Epoch AI เหมือนกัน

ตัวเลขที่สองที่ผมอยากให้ทีมวิศวกรรมไทยหยุดอ่านสองรอบคือ 1 ใน 47,000 ฟังดูปลอดภัยมากจนน่าอุ่นใจ จนกว่าคุณจะคูณกลับ: จากการตัดสินใจ “กว่าหนึ่งพันล้านครั้ง” ในหนึ่งเดือน 0.002% แปลว่า การกระทำราวสองหมื่นครั้งถูกบล็อก ในเดือนเดียว นั่นไม่ใช่ตัวเลขของระบบที่ “แทบไม่มีปัญหา” แต่เป็นตัวเลขของระบบที่มีชั้นป้องกันทำงานหนักอยู่ตลอดเวลา บทเรียนที่ใช้ได้เลยคือ ถ้าองค์กรคุณกำลังจะปล่อย coding agent เข้าไปในโครงสร้างพื้นฐานจริง คำถามที่ถูกไม่ใช่ “เอเจนต์จะทำพลาดไหม” แต่คือ “เรามีมอนิเตอร์ที่บล็อกแบบเรียลไทม์ได้หรือยัง และใครอ่านธงที่มันตั้ง” — Anthropic บอกเองว่ามีคนอ่านธงสำคัญราว 50 รายการต่อสัปดาห์ นั่นคือกระบวนการของมนุษย์ที่ต้องมีอยู่จริง ไม่ใช่แดชบอร์ดที่ไม่มีใครเปิด

ส่วนเลข 6% ด้านคอมพิวต์ ผมคิดว่ามันมีค่าในฐานะ “เส้นฐาน” มากกว่าในฐานะคำตัดสิน เพราะอย่างที่บทความยอมรับเอง งานวิจัยความปลอดภัยใช้คอมพิวต์น้อยกว่าการเทรนโดยธรรมชาติ ตัวเลขนี้จึงพูดเรื่องสัดส่วนทรัพยากร ไม่ได้พูดเรื่องคุณภาพหรือความเพียงพอ แต่การที่มีใครสักคนยอมประกาศเลขนี้ออกมาเป็นครั้งแรก ทำให้คำถาม “แล้วของคุณล่ะเท่าไหร่” ถามได้อย่างมีน้ำหนักเป็นครั้งแรกเช่นกัน — และนั่นคือประโยชน์ที่แท้จริงของเรื่องนี้

สำหรับภูมิภาคเรา ผมคิดว่านัยที่จับต้องได้ที่สุดอยู่ที่ฝั่งนโยบาย ขณะที่ไทยและอาเซียนยังถกกันเรื่องกรอบกำกับดูแล AI ในระดับหลักการ สิ่งที่เอกสารนี้แสดงให้เห็นคือ มีเมตริกที่วัดได้จริงและเปิดเผยได้โดยไม่ต้องเปิดความลับทางการค้า ถ้าผู้กำกับดูแลในภูมิภาคจะขออะไรจากผู้ให้บริการโมเดลที่เข้ามาทำตลาด การขอ “สัดส่วนงานที่โมเดลนำ, อัตราการบล็อกของมอนิเตอร์, สัดส่วนคอมพิวต์ด้านความปลอดภัย” มีความหมายและตรวจสอบได้มากกว่าการขอ “คำรับรองว่าปลอดภัย” อีกมาก และข้อเสนอในบทความเรื่อง ช่วงเวลาทดสอบตายตัวก่อนเอาโมเดลใหม่ไปเร่งการพัฒนาโมเดลรุ่นถัดไป คือข้อเดียวที่ผมคิดว่าควรถูกยกไปคุยต่อในวงนโยบายจริง ๆ เพราะมันเป็นข้อกำหนดที่ตรวจสอบได้ ไม่ใช่คำสัญญา

แหล่งข่าว

• Measurements for understanding the pace of AI development inside frontier labs — Anthropic Institute
• Anthropic Newsroom
• The Anthropic Institute