Karpathy: ช่องว่างความเข้าใจเรื่องความสามารถ LLM กำลังกว้างขึ้นเป็น 'กรวย' — 6 พันล้านคนแทบไม่เคยใช้ แต่ราว 5,000 คนเห็นระบบระดับ frontier ภายในแล็บ

Andrej Karpathy (อดีตผู้ร่วมก่อตั้ง OpenAI และอดีตหัวหน้าทีม AI ของ Tesla) โพสต์บน X เมื่อคืนวันที่ 11 ต.ค. 2026 (ตรงกับเช้า 12 ต.ค. เวลาไทย) โดยหยิบโพสต์ของตัวเองจากเดือนเมษายนกลับมาพูดอีกครั้ง พร้อมระบุว่า “ช่องว่างความเข้าใจร่วมกันเรื่องความสามารถของ LLM กำลัง กว้างขึ้น” จากเดิมที่เป็นแค่ “คนสองกลุ่มคุยกันไม่รู้เรื่อง” ตอนนี้กลายเป็นกรวยที่แคบลงอย่างชัดเจน ณ เวลาที่เราดึงข้อมูล โพสต์นี้มียอดไลก์ราว 27,000 ครั้ง ยอดดูราว 2.8 ล้านครั้ง และขึ้นหน้าแรก Hacker News

ตัวเลขในโพสต์เป็นการประเมินคร่าวๆ ของ Karpathy เอง (เขาใช้คำว่า “napkin math”) ไม่ใช่ผลสำรวจ แต่ภาพรวมที่เขาวาดตรงกับสิ่งที่นักพัฒนาหลายคนรู้สึกในปีนี้

กรวย 4 ชั้นของ Karpathy

1. ราว 6 พันล้านคน (~75%) แทบไม่เคยใช้ LLM เลย
2. ราว 1–2 พันล้านคน (~20%) ใช้แชตบอตฟรีแบบ ChatGPT เป็นครั้งคราว เห็นแชตบอตที่ “ดูเปิ่นๆ” และใช้แทน Google หรือผู้ช่วยเขียน เขาบอกว่ามีเพื่อนที่ไม่ได้ทำงานสายเทคฯ ซึ่งบอกว่าไม่ค่อยได้ใช้ประโยชน์ และเขามองว่าเป็นความเห็นที่สมเหตุสมผล ผู้บริหารจำนวนมากก็อยู่ในกลุ่มนี้ เพราะงานส่วนใหญ่คือการคุยกับคน จึงเข้าใจเรื่องนี้ “ในทางทฤษฎี” แต่ไม่ได้สัมผัสเอง
3. ราว 20 ล้านคน (~0.2%) ใช้ LLM ระดับ frontier ทำงานคณิตศาสตร์และโค้ดแบบมืออาชีพ และเห็นกับตาว่าโปรเจกต์ใหญ่ที่เคยใช้เวลาหลายสัปดาห์หรือหลายเดือน ตอนนี้ให้เอเจนต์ทำเสร็จได้ด้วย prompt เดียว ทั้งสร้างแอป ก๊อปแอป แปลงภาษาโปรแกรม ไปจนถึง decompile แอปจากไบนารี Karpathy เล่าว่าเมื่อไม่ถึงปีก่อนเขายังเขียนโค้ดด้วยมือทีละตัวอักษรอยู่เลย
4. ราว 5,000 คน (~0.00006%) เข้าถึงระบบ frontier ภายในแล็บ ซึ่งเขาบอกว่าคนภายนอกเห็นแค่ตัวอย่าง คือฝูงเอเจนต์นับพันตัวทำงานร่วมกันหลายสัปดาห์บนโปรเจกต์ซอฟต์แวร์ขนาดใหญ่ ค้นพบช่องโหว่ zero-day ทำงานรุกและรับด้านไซเบอร์ด้วยความเร็วระดับเครื่อง และขยับพรมแดนคณิตศาสตร์ ขณะที่ “การรีวิวและความเข้าใจของมนุษย์เริ่มตามไม่ทัน” เขายกตัวอย่างนักคณิตศาสตร์ที่อาจต้องใช้เวลาอีกนานในการไล่อ่าน 722 manuscript ของ OpenAI

ทำไมกรวยถึงแคบลงเรื่อยๆ

Karpathy ให้เหตุผล 3 ข้อ

• ขนาดของโจทย์: ผลกระทบเพิ่มตามความทะเยอทะยาน ขนาดปัญหา และระยะเวลาของงาน คำถามที่ตอบได้ในย่อหน้าเดียวแทบไม่ได้ใช้ความสามารถของระบบ ต้องมี “โจทย์ใหญ่ที่ยากและเราใส่ใจจริงๆ” ข้อนี้คือสิ่งที่แยกผู้ใช้ทั่วไปออกจากมืออาชีพ
• ความสามารถไม่สม่ำเสมอ (jaggedness): ความสามารถจะสูงสุดในงานที่เป็นดิจิทัล ตรวจคำตอบได้ และมีมูลค่าทางเศรษฐกิจ เพราะ LLM เก่งขึ้นจาก reinforcement learning บนรางวัลที่ตรวจสอบได้ (RLVR) และชุดสภาพแวดล้อมที่ใช้ฝึกถูกเลือกตามศักยภาพรายได้ ข้อนี้ทำให้คณิตศาสตร์และโค้ดนำหน้าด้านอื่น
• การเข้าถึง: แบ่งเป็นระดับฟรี ระดับจ่ายเงิน และระดับภายในแล็บ

เขาสรุปว่าความแปลกของช่วงเวลานี้คือ คนส่วนใหญ่ยังไม่เคยใช้ระบบเหล่านี้ คนที่เคยใช้ก็เห็นแค่แชตบอตเปิ่นๆ มืออาชีพส่วนใหญ่ได้ประโยชน์เพิ่มเพียงเล็กน้อย ขณะที่มืออาชีพกลุ่มเล็กๆ กำลังรู้สึกเวียนหัวกับกราฟที่ชันขึ้นจนเกือบตั้งฉาก และทั้งหมดนี้เกิดขึ้นพร้อมกัน

มุมมอง AI Curator

ตัวเลขของ Karpathy เป็นการประมาณ ไม่ใช่ข้อมูลวิจัย แต่กรอบคิดเรื่องกรวยนี้มีประโยชน์ เพราะอธิบายได้ว่าทำไมการถกเถียงเรื่อง AI ในองค์กรถึงไม่ค่อยไปถึงไหน คนในชั้นที่ 2 กับชั้นที่ 3 กำลังพูดถึงคนละผลิตภัณฑ์ ผู้บริหารที่เคยลองแชตบอตฟรีแล้วสรุปว่า “ยังไม่พร้อม” ไม่ได้คิดผิดจากสิ่งที่เขาเห็น แต่สิ่งที่เขาเห็นไม่ใช่สิ่งที่ทีมวิศวกรใช้อยู่ ในบริบทไทย ช่องว่างนี้น่าจะกว้างกว่าค่าเฉลี่ยโลก เพราะราคาแพ็กเกจเอเจนต์ระดับบนหลักร้อยดอลลาร์ต่อเดือนเทียบกับเงินเดือนวิศวกรไทยแล้วถือว่าแพงกว่าในสหรัฐฯ มาก บริษัทที่ไม่ยอมจ่ายจึงอาจไม่เคยได้เห็นชั้นที่ 3 เลย

ข้อที่นักพัฒนาควรคิดต่อคือเรื่อง jaggedness Karpathy พูดตรงๆ ว่าความสามารถถูกกำหนดโดยชุดสภาพแวดล้อมฝึกที่ “เลือกตามศักยภาพรายได้” นั่นหมายความว่างานที่ตรวจคำตอบได้ยาก หรือเป็นงานในตลาดที่แล็บไม่ได้ให้ความสำคัญ เช่นภาษาไทยเฉพาะทาง กฎหมายไทย หรือเอกสารราชการ อาจไม่ได้เก่งขึ้นเร็วเท่าการเขียนโค้ด โอกาสของทีมในภูมิภาคจึงอยู่ที่การสร้าง eval และสภาพแวดล้อมที่ตรวจคำตอบได้สำหรับโดเมนของตัวเอง แทนที่จะรอให้โมเดลถัดไปแก้ปัญหาให้

ส่วนชั้นที่ 4 คือส่วนที่น่ากังวลที่สุดในเชิงนโยบาย คนราว 5,000 คนที่เห็นความสามารถจริงก่อนคนอื่น อยู่ในบริษัทไม่กี่แห่ง เราได้เห็นตัวอย่างแล้วในสัปดาห์ที่ผ่านมา ทั้ง 722 manuscript ของ OpenAI ที่ต้องถอนบางส่วนหลังเผยแพร่ หรือรายงานพฤติกรรมไม่ตั้งใจของโมเดลที่แล็บเปิดเผยเอง เมื่อ “การรีวิวของมนุษย์ตามไม่ทัน” ตามที่ Karpathy เขียน คำถามสำคัญจึงไม่ใช่แค่ว่าโมเดลเก่งแค่ไหน แต่คือใครเป็นคนตรวจผลงานของมัน และคนภายนอกจะตรวจสอบได้เร็วพอหรือไม่

---

แหล่งข่าว

• Andrej Karpathy บน X — “Dusting off this tweet from April…” (11 ต.ค. 2026)
• Hacker News — The gap in shared understanding of LLM capability is widening