โมเดลของ Anthropic เข้าถึงข้อมูลของผู้มีสิทธิเลือกตั้ง

 

Photo by Brecht Corbeel on Unsplash

Anthropic เปิดเผยว่า โมเดล AI ของบริษัทอย่าง Claude ได้เข้าถึงข้อมูลสถิติผลการเลือกตั้งโดยรวม (Aggregate voting data) ของรัฐจอร์เจียซึ่งเปิดเผยต่อสาธารณะโดยไม่ได้รับอนุญาต ในระหว่างที่กำลังดำเนินโครงการวิเคราะห์ทางสถิติเป็นการภายใน

ทางบริษัทระบุว่า ตัวโมเดลได้ทำการหลบเลี่ยงเพย์วอลล์ (Paywall) เพื่อดึงข้อมูลที่ปกติแล้วต้องชำระค่าธรรมเนียมในการเข้าดู อย่างไรก็ตาม โมเดลไม่ได้เข้าถึงระบบลงทะเบียนผู้มีสิทธิเลือกตั้ง ทั้งยังไม่ได้แก้ไขหรือดึงบันทึกข้อมูลการลงคะแนนเสียงของบุคคลใดๆ ทั้งสิ้น

ทั้งนี้ Anthropic ได้แจ้งเรื่องดังกล่าวให้ทางเลขาธิการแห่งรัฐจอร์เจีย (Georgia's Secretary of State) และทำเนียบขาวรับทราบล่วงหน้าเป็นเวลาหลายสัปดาห์ ก่อนที่เหตุการณ์นี้จะถูกเปิดเผยต่อสาธารณชน

อ่านข่าวเต็มได้ที่: Axios โดย Maria Curi และ Alex Isenstadt

นักวิจัยระบุ 'ต้นทุนพลังงานที่ซ่อนอยู่' ของ AI Agent

ภาพจาก TechXplore โดย Korea Advanced Institute of Science and Technology

ทีมนักวิจัยจาก Korea Advanced Institute of Science & Technology (KAIST) พบว่า ระบบ AI Agents ที่มีความสามารถในการวางแผน ใช้เครื่องมือทำงาน และประมวลผลหลายขั้นตอน มีการใช้พลังงานต่อหนึ่งคำสั่ง (Query) สูงกว่าระบบ AI เชิงสร้างสรรค์ (Generative AI) แบบทั่วไปถึง 136.5 เท่า

ทางทีมวิจัยระบุว่า ระบบสถาปัตยกรรมแบบ Agentic Systems นี้ จะต้องทำการเรียกใช้งานโมเดลภาษาขนาดใหญ่ (LLM) ซ้ำๆ หลายครั้ง ส่งผลให้เกิดความหน่วง (Latency) ในการทำงานเพิ่มขึ้นสูงถึง 153.7 เท่า และทำให้มีช่วงที่ปล่อยให้ชิปประมวลผลกราฟิก (GPU) เปิดทิ้งไว้โดยเปล่าประโยชน์ (Idle)

จากการทดสอบพบว่า AI Agent ขนาด 7 หมื่นล้านพารามิเตอร์ (70-billion-parameter) มีอัตราการใช้พลังงานเฉลี่ยสูงถึง 348.41 วัตต์-ชั่วโมง ต่อหนึ่งคำสั่ง ซึ่งมากกว่าปริมาณพลังงานที่ระบบ Generative AI ทั่วไปใช้ในการตอบคำถามง่ายๆ ถึง 136.5 เท่า

อ่านข่าวเต็มได้ที่: TechXplore โดย Korea Advanced Institute of Science and Technology

การสร้างโค้ดด้วย AI แซงหน้าการควบคุมแล้ว

ภาพจาก TechRadar โดย Craig Hale 

ผลสำรวจจาก GitLab ซึ่งเก็บข้อมูลจากนักพัฒนาซอฟต์แวร์มากกว่า 1,500 คน พบว่า แม้เครื่องมือเขียนโค้ดด้วย AI จะช่วยเพิ่มประสิทธิภาพในการทำงาน (Productivity) แต่เครื่องมือเหล่านี้ไม่ได้ช่วยให้การส่งมอบซอฟต์แวร์เร็วขึ้นอย่างมีนัยสำคัญ เนื่องจากเวลาที่ประหยัดไปได้กลับต้องถูกนำมาใช้เพิ่มขึ้นในขั้นตอนการตรวจสอบโค้ด (Code Review) การทดสอบความถูกต้อง (Validation) และการกำกับดูแล (Governance) แทน

แม้ว่านักพัฒนาส่วนใหญ่จะรายงานว่าพวกเขาสามารถเขียนโค้ดได้เร็วขึ้นและมีคุณภาพสูงขึ้น แต่ 85% ของผู้ตอบแบบสอบถามระบุว่า ขั้นตอนการตรวจสอบโค้ด (Code Review) ได้กลายมาเป็นคอขวดหลัก (Primary Bottleneck) ในปัจจุบัน ในขณะที่อีก 73% ยอมรับว่าพวกเขามีกังวลเกี่ยวกับความสามารถในการบำรุงรักษาระยะยาว (Maintainability) ของโค้ดที่ถูกสร้างขึ้นโดย AI

 อ่านข่าวเต็มได้ที่: TechRadar โดย Craig Hale 

แฮกเกอร์เผย Microsoft สามารถติดตามผู้ใช้ผ่าน Device ID ของ Windows

ภาพจาก PC Mag โดย Michael Kan 

การที่ Microsoft นำระบบ Global Device ID (GDID) มาใช้ในการสะกดรอยตามเครื่องคอมพิวเตอร์ Windows ของ Peter Stokes ผู้ต้องสงสัยว่าเป็นแฮกเกอร์ และเชื่อมโยงกิจกรรมของเขาเข้ากับกลุ่มอาชญากรรมไซเบอร์ Scattered Spider กำลังก่อให้เกิดความกังวลอย่างมากในเรื่องของความเป็นส่วนตัวของผู้ใช้งานและการสอดส่องดูแลบนโลกออนไลน์

เอกสารที่ใช้ในศาลระบุว่า ตัวระบุเอกลักษณ์ของอุปกรณ์จาก Microsoft ตัวนี้ สามารถเชื่อมโยงตัวเครื่องเข้ากับการเข้าเยี่ยมชมบริการของบุคคลที่สามได้ ซึ่งช่วยให้สามารถติดตามกิจกรรมต่างๆ ได้โดยไม่จำเป็นต้องพึ่งพาคุกกี้บนเบราว์เซอร์ (Browser Cookies)

ส่งผลให้นักวิจัยด้านความเป็นส่วนตัวออกมาแจ้งเตือนว่า ตัวระบุลักษณะนี้อาจถูกนำไปใช้ประโยชน์ในวงกว้างมากขึ้นในอนาคต และระบบติดตามที่คล้ายคลึงกันนี้อาจไม่ได้มีแค่ที่ Microsoft เพียงรายเดียว

อ่านข่าวเต็มได้ที่: PC Mag โดย Michael Kan 

พลังแห่ง ‘Quantum Proofs’

ภาพจาก Quanta Magazine โดย Ben Brubaker

ทีมนักวิจัยได้พิสูจน์ให้เห็นว่า มีปัญหาทางคอมพิวเตอร์บางประเภทที่จำเป็นต้องใช้ "การพิสูจน์ทางควอนตัม" (Quantum proofs) ในการแก้ไขอย่างแท้จริง ซึ่งผลลัพธ์ดังกล่าวถูกนำเสนอในวิทยานิพนธ์ความยาว 100 หน้า และคว้ารางวัลบทความวิจัยยอดเยี่ยม (Best-paper award) ในงานประชุมวิชาการ 2026 ACM Symposium on Theory of Computing (STOC) ที่ผ่านมา

แกนหลักของงานวิจัยนี้มุ่งเน้นไปที่ปัญหาที่เรียกว่า Spectral Forrelation ซึ่งเกี่ยวข้องกับการเปรียบเทียบวิธีการวัดสถานะควอนตัม (Quantum state) สองวิธี โดยทีมวิจัยประสบความสำเร็จในการพิสูจน์ความแตกต่างแบบ Oracle (Oracle separation) ระหว่างคลาสความซับซ้อนสองกลุ่ม ได้แก่ QMA (กลุ่มปัญหาที่ต้องตรวจยืนยันด้วยการพิสูจน์ทางควอนตัม) และ QCMA (กลุ่มปัญหาที่การพิสูจน์แบบดั้งเดิมหรือ Classical proofs แต่สามารถตรวจสอบได้ด้วยคอมพิวเตอร์ควอนตัม)

อ่านข่าวเต็มได้ที่: Quanta Magazine โดย Ben Brubaker