โมเดล AI กำลังกลายเป็นปัญญาที่สลับกันได้ สนามรบถัดไปอาจไม่ใช่ว่าใครฉลาดที่สุด แต่คือ agent จะอาศัยอยู่ที่ไหน ทำงานที่ไหน จำอะไรได้ ลงมือทำผ่านอะไร และพบมนุษย์ตรงจุดไหน
สามปีที่ผ่านมา AI เปลี่ยนจาก "สิ่งที่คุณคุยด้วย" เป็น "สิ่งที่ทำงานแทนคุณ" การเปลี่ยนแปลงนี้ไม่ได้อยู่ที่ตัวโมเดล แต่อยู่ที่ สิ่งที่ล้อมรอบโมเดล
Apple เองอธิบาย agentic loop ไว้ชัดเจนบนเวทีนักพัฒนาของตัวเองในปี 2026: "agent คุยกับโมเดลเพื่อตัดสินใจว่าจะทำอะไร แล้วเรียกเครื่องมือเพื่อลงมือทำจริง — รันคำสั่ง อ่านไฟล์ ยิง API — สังเกตผลลัพธ์ แล้วกลับไปถามโมเดลว่าขั้นต่อไปคืออะไร" Apple Developer, WWDC26 Fact
ความต่างที่สำคัญ: แชตบ็อตใช้ token ไม่กี่พัน ส่วนเซสชัน agentic หนึ่งครั้งใช้ หลายแสน token และส่วนใหญ่เป็นการประมวลผล prompt ไม่ใช่การสร้างข้อความ นี่คือสาเหตุที่ฮาร์ดแวร์สำหรับ agent มีข้อกำหนดต่างจากฮาร์ดแวร์สำหรับแชต
คนส่วนใหญ่คิดว่า agent = LLM ที่เก่งขึ้น จริง ๆ แล้ว agent ที่ทำงานต่อเนื่องได้ ต้องการสภาพแวดล้อมคอมพิวเตอร์เต็มรูปแบบ — นี่คือจุดที่การแข่งขันจะเกิดขึ้นจริง
| องค์ประกอบ | สถานะใน Apple stack (ก.ย. 2026) | หลักฐาน |
|---|---|---|
| Compute / RAM / Storage | ✅ มี — สูงสุด 512GB unified memory, 1.2TB/s | M5 Ultra Apple, ส.ค. 2026 |
| Filesystem / Processes / Network | ✅ มี | macOS |
| Application access | ✅ มี — App Intents + App Toolbox | Apple Dev, WWDC26 |
| Identity | ✅ มี — Apple Account / Managed Apple Account | Apple, มี.ค. 2026 |
| Permissions / Sandbox | ⚠️ มีสำหรับ "แอป" ไม่ใช่สำหรับ "agent" โดยเฉพาะ | macOS TCC / sandbox |
| Tools | ✅ มี — tool calling + OCR/Barcode/Spotlight tools | Apple Dev 241 |
| State ภายในเซสชัน | ✅ มี — @SessionProperty + transcript ที่แก้ไขได้ | Apple Dev 242 |
| ความจำระยะยาวข้ามเซสชัน | ❌ ไม่มี API สาธารณะ | — |
| Scheduler / Event listener สำหรับ agent | ❌ ไม่มี | — |
| Background agent runtime | ❌ ไม่มี — session 242 ไม่กล่าวถึงเลย | Apple Dev 242 |
| Approval gate ระดับองค์กร | ❌ ไม่มี | — |
| Audit log ของ agent | ❌ ไม่มี | — |
Apple ไม่ได้นำในการแข่งขันโมเดล แต่ถือครองชั้นที่หาซื้อไม่ได้: ชิป ระบบปฏิบัติการ อุปกรณ์ ตัวตน การชำระเงิน และการเข้าถึงผู้ใช้ 2.5 พันล้านเครื่อง
วัดจากคุณภาพโมเดล benchmark ราคาต่อ token — ผู้นำเปลี่ยนมือทุก 6–12 เดือน ซื้อได้ด้วยเงินและคนเก่ง ไม่ทนทาน
วัดจากจำนวนคนที่ถูกวางฟีเจอร์ใหม่ไว้ตรงหน้าโดยไม่ต้องติดตั้งอะไร สร้างด้วยเงินอย่างเดียวไม่ได้ ต้องใช้เวลาหลายปี ทนทานกว่ามาก
| ชั้น | สิ่งที่ยืนยันแล้ว | ระดับ |
|---|---|---|
| Silicon | M6 (2nm, 32GB, 170GB/s) · M5 Pro (64GB, 307GB/s) · M5 Max (128GB, 614GB/s) · M5 Ultra (512GB, 1.2TB/s) Apple เขียนเองว่า M5 Ultra "run huge LLMs with hundreds of billions of parameters entirely on device" |
Fact |
| macOS + MLX | MLX-LM Server ที่เข้ากันได้กับ OpenAI API + tool calling + continuous batching · RDMA over Thunderbolt 5 ตั้งแต่ macOS 26.2 · JACCL · คลัสเตอร์ 4 Mac ได้ token rate ~3 เท่า · รันโมเดล 1 ล้านล้านพารามิเตอร์ข้ามหลายเครื่อง | Fact |
| Identity | Apple Account · Managed Apple Account (แยกข้อมูลบริษัท/ส่วนตัวด้วย cryptographic separation) · เชื่อมกับ Google Workspace และ Microsoft Entra ID | Fact |
| Devices | 2.5 พันล้านเครื่องที่ใช้งานอยู่ | Fact |
| Siri AI | ปล่อย 14 ก.ย. 2026 (beta) · personal context · onscreen awareness · systemwide app actions · ใช้ "system orchestrator" · โมเดลสร้างร่วมกับ Google Gemini · ยังไม่มีใน EU และจีน | Fact |
| Foundation Models | LanguageModel protocol · สลับโมเดลได้ด้วยการเปลี่ยนตัวแปรเดียว · on-device 8K / PCC 32K + reasoning / third-party · Anthropic และ Google ส่ง Swift package แล้ว · เฟรมเวิร์กเปิดซอร์ส รันบน Linux server ได้ · Dynamic Profiles สำหรับ agent · fm CLI | Fact |
| Private Cloud Compute | ขยายไปรันบน Google Cloud + NVIDIA Confidential Computing + Intel TDX + Google Titan · หลักการเดิม 5 ข้อคงอยู่ · "Apple devices will only trust PCC software that is cryptographically approved by Apple" | Fact |
| Apple Business | เปิดใช้ 14 เม.ย. 2026 ใน 200+ ประเทศ · MDM ในตัว · Blueprints · zero-touch · email/calendar/directory · Admin API · ฐานฟรี ⚠ ประกาศไม่มีคำว่า "AI", "Apple Intelligence" หรือ "agent" แม้แต่ครั้งเดียว |
Fact |
| Agent management plane | agent identity · registry · permission ต่อ agent · audit log · quota | ยังไม่มี |
Anthropic and Google will soon extend the Foundation Models framework with Swift packages of their own, making state-of-the-art Claude and Gemini models available to all Swift developers.
สิ่งที่ทำให้ Apple ต่างจากคนอื่นคือ agent runtime แนวคิดเดียวกันอาจไต่จากโทรศัพท์ ไปถึงดาต้าเซ็นเตอร์ได้ — แต่ต้องแยกให้ชัดว่าขั้นไหนมีจริง ขั้นไหนเป็นแค่ข่าว
ตรงกับถ้อยคำในรายงานที่สุด แต่ Apple ไม่มีช่องทางขายและซัพพอร์ต enterprise hardware มา 15 ปี
ตรงกับจุดขายความเป็นส่วนตัว + Managed Apple Accounts แต่ต้องมีเครื่องมือจัดการฝูงเครื่องที่ยังไม่มี
สอดคล้องกับถ้อยคำ "always-on desktop for AI agents" ของ Mac mini แต่ Apple ไม่เคยพูดคำว่า "agent server"
NVLink Fusion เปิดทางให้เสียบเข้าระบบ NVIDIA ได้ แต่ Apple ไม่เคยขายชิปให้ใคร
PCC ใช้ Apple Silicon อยู่แล้ว — แต่ถ้าใช้ภายใน ทำไมต้องพึ่ง NVLink Fusion ของบุคคลที่สาม?
ประวัติศาสตร์ Apple มักเริ่มจากความต้องการภายในแล้วค่อยขายออก — แต่นี่คือรูปแบบ ไม่ใช่หลักฐาน
มีรายงานว่า OpenAI ซื้อ Mac mini และ Mac Studio หลายหมื่นเครื่อง เพื่อฝึก computer-use agent และงาน reinforcement learning — เครื่องเหล่านี้ไม่มีจอและคีย์บอร์ด ทำหน้าที่เป็นโครงสร้างพื้นฐานล้วน ๆ และมีรายงานว่า Anthropic ใช้วิธีเช่ากำลัง Mac ผ่าน AWS แทนการซื้อ The Information ผ่าน TechRepublic, ส.ค. 2026 Reported
ถ้าเป็นจริง นี่คือข้อมูลที่น่าสนใจสองชั้น: Mac เป็นฮาร์ดแวร์ที่เหมาะกับการฝึก agent ที่ต้องใช้ GUI จริง — แต่ในขณะเดียวกัน การที่ Anthropic เลือกเช่าผ่าน AWS ก็เป็นหลักฐานว่า Apple ยังไม่ได้ครองช่องทางนี้เอง
วันนี้เราถามว่า "ใช้ GPT, Claude หรือ Gemini ดี" — คำถามนี้อาจหายไปแบบเดียวกับที่ เราเลิกถามว่าจะรันโค้ดบน CPU core ไหน
Siri AI ... powered by the next generation of Apple Foundation Models, custom-built in collaboration with Google and its Gemini models.
ผู้ใช้ iPhone หลายร้อยล้านคนกำลังใช้ผู้ช่วยที่ทำงานบนโมเดลซึ่งสร้างร่วมกับ Google โดยไม่ได้เลือก และส่วนใหญ่ไม่รู้ นี่คือ model-invisible computing ที่เกิดขึ้นแล้วในระดับผู้บริโภค ไม่ใช่การคาดเดา
ในฝั่งนักพัฒนา Anthropic เขียนไว้ตรง ๆ ว่า: "It's one experience for the user, backed by the right model for each step" Anthropic, มิ.ย. 2026 — แนวคิดการเลือกโมเดลตามลักษณะงานเป็นสิ่งที่ผู้ให้บริการโมเดลเองก็สนับสนุน
งานบางอย่างพลาดไม่ได้ งานบางอย่างพอใช้ได้ก็พอ
ข้อมูลไหนห้ามออกจากเครื่อง ออกจากประเทศ หรือออกจากองค์กร
ต่างกันได้ถึงร้อยเท่าระหว่างโมเดลเล็กในเครื่องกับโมเดล frontier
งานโต้ตอบสดต่างจากงาน batch ที่รอได้
สำคัญบนมือถือ และสำคัญมากขึ้นเรื่อย ๆ ในดาต้าเซ็นเตอร์
8K, 32K หรือหลักล้าน — เป็นข้อจำกัดเชิงเทคนิคที่ route ไม่ได้ถ้าเลือกผิด
โค้ด vs. วิเคราะห์เอกสารยาว vs. ค้นหา vs. multimodal
บางบริษัทห้ามใช้ผู้ให้บริการบางราย หรือบางประเทศ
แต่ละบริษัทในระบบนิเวศ AI ถือครองชั้นที่ต่างกัน คำถามคือชั้นที่ติดกับมนุษย์ที่สุด มีอำนาจต่อรองมากแค่ไหน
| ผู้เล่น | สิ่งที่ถือครอง | สิ่งที่ต้องการจากคนอื่น |
|---|---|---|
| NVIDIA | AI compute · networking · โรงงานปัญญา | ปริมาณงาน (workload) ที่ป้อนเข้าเครื่อง |
| OpenAI | โมเดล frontier + agent + แบรนด์ผู้บริโภค | การกระจาย (distribution) |
| Anthropic | โมเดล frontier + ฐานลูกค้าองค์กร | ปริมาณ inference + ผู้ใช้องค์กร |
| โมเดล + ค้นหา + คลาวด์ + TPU + Android + Workspace | จุดสัมผัสบน iOS (มี 2.5 พันล้านเครื่องที่ Google ไม่ได้เป็นเจ้าของ) | |
| AWS | โครงสร้างพื้นฐาน · AgentCore | workload |
| Microsoft | ซอฟต์แวร์องค์กร · Entra identity · Azure · M365 · Agent 365 | อุปกรณ์ผู้บริโภคและ UX ระดับส่วนตัว |
| Apple | อุปกรณ์ · OS · ตัวตน · การชำระเงิน · การกระจาย · UX · ชิป | ปัญญาระดับ frontier — และซื้อ/ร่วมสร้างได้ |
| Linux / Open source | เซิร์ฟเวอร์ · container · MCP/A2A · ความเป็นกลาง | ประสบการณ์ผู้ใช้และความรับผิดชอบ |
ในปี 2026 มีหลักฐานว่าความร่วมมือเกิดขึ้นจริง: Anthropic ส่ง Swift package ให้นักพัฒนาเรียก Claude ผ่านเฟรมเวิร์กของ Apple · Google ร่วมสร้างโมเดลที่ขับ Siri AI และให้ Apple ใช้ Google Cloud รัน PCC · NVIDIA ให้เทคโนโลยี confidential computing กับ PCC และ (ตามรายงาน) กำลังคุยเรื่อง NVLink Fusion — ทั้งหมดนี้คือผู้เล่นที่ "แข่ง" กับ Apple ในบางมิติ แต่เลือกเชื่อมต่อในอีกมิติ
| ความสามารถ | Apple | Microsoft | Amazon | NVIDIA | OpenAI | Anthropic | Open/Linux | |
|---|---|---|---|---|---|---|---|---|
| อุปกรณ์ผู้บริโภค | ●●● | ● | ●● | ● | — | — | — | — |
| Desktop OS | ●●● | ●●● | ● | — | — | — | — | ●● |
| Mobile OS | ●●● | — | ●●● | — | — | — | — | ● |
| Enterprise identity | ● | ●●● | ●● | ●● | — | — | — | ● |
| Enterprise software | ● | ●●● | ●● | ● | — | ● | ●● | ● |
| Cloud | ● | ●●● | ●●● | ●●● | — | — | — | ●● |
| โมเดล frontier | ● | ●● | ●●● | ● | ● | ●●● | ●●● | ●● |
| Agent framework/platform | ●● | ●●● | ●●● | ●● | ● | ●● | ●●● | ●● |
| Local inference | ●●● | ●● | ●● | — | ●● | — | — | ●●● |
| Custom silicon | ●●● | ● | ●●● | ●● | ●●● | — | — | — |
| AI accelerators (ขาย) | — | — | ● | ● | ●●● | — | — | — |
| Networking ระดับแร็ก | — | ● | ●● | ●● | ●●● | — | — | ● |
| การกระจาย (distribution) | ●●● | ●●● | ●●● | ●● | — | ●● | ● | ● |
| การชำระเงิน | ●●● | ●● | ●● | ●●● | — | ● | ● | — |
| App marketplace | ●●● | ●● | ●●● | ●● | — | ●● | ● | ● |
| Enterprise device mgmt | ●● | ●●● | ●● | ● | — | — | — | ● |
| Personal context | ●●● | ●● | ●●● | ● | — | ● | ● | — |
| Privacy architecture | ●●● | ●● | ●● | ●● | ●● | ● | ●● | ●● |
| HW/SW integration | ●●● | ● | ●● | ● | ●●● | — | — | ● |
●●● แข็งแรงมาก · ●● แข็งแรง · ● มีบ้าง · — ไม่มี · การให้คะแนนเป็นการประเมินเชิงคุณภาพของเราจากหลักฐานที่อ้างในหน้านี้ Thesis ไม่ใช่ ดัชนีที่วัดได้เชิงปริมาณ
ถ้า agent กลายเป็นผู้ใช้หลักของระบบองค์กร โมเดลธุรกิจ per-seat ที่สร้าง SaaS ขึ้นมาทั้งอุตสาหกรรม จะวัดในสิ่งที่ไม่มีอยู่อีกต่อไป
SaaS จะยังอยู่ ในฐานะ system of record แหล่งความจริง และขอบเขตการปฏิบัติตามกฎ — สิ่งที่เปลี่ยนคือ ใครเป็นคนพิมพ์ ซึ่งเปลี่ยนหน่วยที่ใช้ตั้งราคาไปโดยปริยาย
ขายต่อที่นั่ง (per-seat) วัดจากจำนวนมนุษย์ที่ล็อกอิน
ขาย agent ที่ทำงานบน SaaS เดิม วัดต่อ agent หรือต่องาน
ขายผลลัพธ์ วัดต่อใบแจ้งหนี้ ต่อ PO ต่อเคสที่ปิดได้
นักพัฒนา → แอป → App Store → มนุษย์ใช้แอป
มูลค่าอยู่ที่การเข้าถึงผู้ใช้และระบบเก็บเงิน
บริษัท → agent/skill → Marketplace → agent ทำงานให้เสร็จ
มูลค่าอยู่ที่ความไว้วางใจ สิทธิ์ และการตรวจสอบย้อนหลัง
สิ่งนี้กำลังก่อตัวแล้ว แต่ ไม่ใช่ที่ Apple: Google มี Agent Garden (คลัง agent template สำเร็จรูป) และ Agent Registry (คลังกลางของ tool/agent/skill ที่อนุมัติแล้ว) Google Cloud, เม.ย. 2026 · Microsoft ขาย Agent 365 เป็น license ต่อผู้ใช้ Microsoft Learn, มิ.ย. 2026 Fact
และมาตรฐานเปิดกำลังโตเร็ว: A2A ภายใต้ Linux Foundation มี 150+ องค์กรเข้าร่วม (จาก 50+ เมื่อเมษายน 2025) มี SDK 5 ภาษา และถูกรองรับทั้งใน Azure AI Foundry, Copilot Studio, Amazon Bedrock AgentCore และ Google Cloud — โดย A2A เสริม MCP ไม่ใช่แทนที่ Linux Foundation, เม.ย. 2026 Fact
พาดหัวข่าวชอบบอกว่า "อาชีพไหนจะหายไป" แต่ข้อมูลจริงบอกอีกอย่าง — สิ่งที่ถูกทดแทนคือ ชุดงานย่อย ไม่ใช่ทั้งอาชีพ และผลกระทบกระจุกอยู่ที่ตำแหน่งระดับเริ่มต้น
Data entry · document processing · การดึงข้อมูลจากใบแจ้งหนี้ · การจับคู่เอกสาร · การรายงานประจำ
WEF จัดให้ data entry clerks อยู่ในกลุ่มอาชีพที่ลดลงเร็วที่สุดถึงปี 2030
AP / AR · bookkeeping · การกระทบยอด · การประมวลผลค่าใช้จ่าย · payroll operations · รายงานมาตรฐาน
WEF: accounting/bookkeeping/payroll clerks และ accountants & auditors อยู่ในกลุ่มที่ลดลง
Administrative assistants · executive secretaries · การจัดตารางนัด · การรวบรวมเอกสาร compliance
WEF: administrative assistants และ executive secretaries อยู่ในอันดับต้นของกลุ่มที่ลดลง
Triage · claims intake · การเปรียบเทียบกรมธรรม์ · การสื่อสารมาตรฐาน
มีตลาด outcome-based pricing เกิดขึ้นแล้ว แต่ข้อพิพาท เคสผิดปกติ และการอุทธรณ์ยังต้องใช้คน
Discovery · การจัดประเภทเอกสาร · ร่างฉบับแรก · สัญญา template · เปรียบเทียบสัญญา · ค้นคว้าคำพิพากษา
กลยุทธ์ การเจรจา การว่าความ และความรับผิดทางวิชาชีพยังอยู่กับมนุษย์
PO processing · การจัดการผู้ขาย · การอัปเดต CRM · การทำรายงานยอดขาย
การเจรจาและความสัมพันธ์ยังเป็นงานมนุษย์
การสอบบัญชี · internal controls · การตีความกฎระเบียบ · กลยุทธ์ภาษี · งาน CFO
ความรับผิดต้องมีชื่อคนเซ็น — ยังไม่มีกรอบกฎหมายให้ agent รับผิดแทน
พยาบาล · ก่อสร้าง · เกษตร · ขนส่งส่งของ · ครู
WEF ระบุว่าอาชีพเหล่านี้คือกลุ่มที่เติบโต "เชิงจำนวนคน" มากที่สุดถึงปี 2030
การขายเชิงสัมพันธ์ · การเจรจาสัญญา · การจัดการวิกฤต · การนำทีม
ILO เน้นว่าอาชีพที่ exposed จำนวนมากยังพึ่งวิจารณญาณและทักษะระหว่างบุคคล
Cashiers · ticket clerks · administrative assistants / executive secretaries · printing workers · accountants and auditors · bank tellers · data entry clerks · graphic designers
เชิงเปอร์เซ็นต์: big data specialists · fintech engineers · AI/ML specialists · software developers · security management
เชิงจำนวนคน: farmworkers · delivery drivers · construction workers · nursing professionals · ครูมัธยม
นี่คือข้อค้นพบที่แข็งที่สุดในฝั่งแรงงาน — และเป็นปัญหาเชิงโครงสร้างที่ยังไม่มีใครมีคำตอบ
คนอายุ 22–25 ในอาชีพ AI-exposed สูงสุด เทียบกับกลุ่มที่ exposed น้อยสุด การปรับตัวเกิดผ่านการลดการจ้างใหม่ ไม่ใช่การเลิกจ้างเพิ่ม และไม่พบการทดแทนในวงกว้างระดับเศรษฐกิจ
Staff Discussion Note SDN/2026/001 อ้างว่าแรงงานช่วงต้นอาชีพ (22–25) ในอาชีพที่ AI-exposed สูงสุด มีการจ้างงานลดลง 13% เชิงเปรียบเทียบหลัง ChatGPT และ "เด่นชัดกว่าในกลุ่มที่จบมหาวิทยาลัย"
แม้ภาพรวมการจ้างงานยังโต แต่ ILO ระบุว่ามี "emerging signs of weaker outcomes for young workers in selected entry-level jobs"
มีรายงานว่าบริษัทบัญชี Big Four ในสหราชอาณาจักรลดการรับบัณฑิตจบใหม่: KPMG −29% (จาก 1,399 เหลือ 942) · Deloitte −18% (1,700 → 1,400) · EY −11% · PwC −6% โดยส่วนหนึ่งถูกระบุว่ามาจากการนำ AI มาทำงานธุรการและงานซ้ำ ๆ ที่เคยเป็นของ junior HRreview, มิ.ย. 2025
แต่ต้องอ่านข้อโต้แย้งคู่กัน: ในบทความเดียวกัน ผู้เชี่ยวชาญ HR เตือนว่าการตีความนี้ "น่าจะอิงการคาดเดามากกว่าความเป็นจริง" และอ้างผลสำรวจว่า 73% ของผู้นำ HR รายงานว่ารับบัณฑิตเข้าทำงานในตำแหน่งที่อาวุโสกว่าเดิม เพราะ AI ทำงาน routine แทน — ไม่ใช่การลบตำแหน่งทิ้ง และบทความเองไม่ระบุแหล่งข้อมูลต้นทางของตัวเลขการรับสมัคร
คนที่มี leverage สูงสุดในองค์กรยุคถัดไป อาจไม่ใช่คนที่ทำงานเก่งที่สุด แต่เป็นคนที่ออกแบบและกำกับ AI ที่ทำงานแทนได้ดีที่สุด
เลือก agent · ติดตั้ง skill · ออกแบบ workflow · มอบหมายเครื่องมือ
ตั้งค่าสิทธิ์ · กำหนดกฎ escalation · กำหนดวงเงินและโควตา
สืบหาความล้มเหลว · ประเมินคุณภาพ · audit การกระทำย้อนหลัง
งานที่ agent ทำไม่ได้ กลับมาหาคน — และคนต้องรับผิดชอบ
AI Engineer · ML Engineer · AI Product Manager · Automation Specialist · AI Governance · AI Auditor · AI Safety · AI Operations · Prompt/workflow engineering · Robotics technician · robot data collection operator · model evaluator
AI Summoner / Agent Orchestrator · Agent Operations Engineer · Agent Fleet Manager · Agent Workflow Architect · Agent Reliability Engineer · AI Permission Architect · Agent Auditor · Human Exception Manager · AI Procurement Manager · Digital Workforce Manager · AI Outcome Designer · Enterprise Memory Architect · Robot Skill Engineer · Embodied-AI Trainer · Robot Fleet Supervisor
| เปรียบเทียบ | บริษัท 10 คน (แบบเดิม) | 2 คน + agent (สมมติ) |
|---|---|---|
| ต้นทุนที่มองเห็น | เงินเดือน · สวัสดิการ · พื้นที่ทำงาน | ค่าโมเดล/token · ฮาร์ดแวร์ · SaaS |
| ต้นทุนที่มักถูกลืม | การฝึกอบรม · การลาออก | เวลาคนกำกับ · การแก้ความผิดพลาดย้อนหลัง · การ integrate · ความรับผิด · monitoring · downtime · compliance · ความปลอดภัย |
| ความสามารถในการขยาย | เชิงเส้น — ต้องจ้างเพิ่ม | เกือบทันที — แต่ชนเพดานที่ความสามารถของคนกำกับ |
| ความเสี่ยงหลัก | คนลาออก | ความผิดพลาดที่ขยายตัวเร็วกว่าที่คนจะจับได้ |
| ตัวเลขประกอบ | — | งาน 10,000 รายการ/เดือน × $0.99–2.00 ≈ $10,000–20,000/เดือน เฉพาะค่าบริการ ถูกหรือแพงกว่าคน ขึ้นอยู่กับค่าแรงในประเทศนั้น — นี่คือเหตุผลที่ผลกระทบจะไม่เท่ากันทั่วโลก |
สองโลกกำลังเดินตามตรรกะเดียวกัน — แปลงความสามารถของมนุษย์ให้เป็นโมเดลที่ทำซ้ำได้ ต่างกันแค่ว่าโลกหนึ่งมีร่างกายอยู่แล้ว อีกโลกหนึ่งต้องสร้าง
ขณะที่โลกตะวันตกถกเรื่องโมเดล จีนออกประกาศราชการที่ตั้งเป้าสร้าง คลังทักษะกายภาพที่คัดลอกได้ พร้อมมาตรฐานข้อมูลที่รัฐกำหนด
通过实景实训打造作业技能包，形成可落地、可复制的整机解决方案
| ต้นฉบับ | คำแปล | ความหมายเชิงเทคนิค |
|---|---|---|
| 作业技能包 | ชุดทักษะการปฏิบัติงาน work / task / operational skill package | หน่วยทักษะที่แพ็กเป็นก้อน ถ่ายโอนไปใช้กับงานคล้ายกันได้ |
| 实景实训 | การฝึกในสภาพจริง | ไม่ใช่ simulation — ต้องเก็บข้อมูลจากสถานที่ทำงานจริง |
| 可复制 | ทำซ้ำได้ / คัดลอกได้ | เป้าหมายเชิงนโยบายคือการทำซ้ำ ไม่ใช่การสาธิตครั้งเดียว |
| 云边端协同、离网自治 | cloud-edge-device ทำงานร่วมกัน + ทำงานอัตโนมัติแบบออฟไลน์ | ต้องทำงานได้แม้เครือข่ายขาด |
สถานการณ์ใช้งานมูลค่าสูง (高价值应用场景)
ความสามารถนำไปใช้ระดับหมื่นเครื่อง ภายในสิ้นปี 2026
หน่วยสถานการณ์สำคัญ ครอบคลุมอย่างน้อย 2 ใน 3 กลุ่มอุตสาหกรรม
สถานการณ์ต่อองค์กร
วิถีการเคลื่อนไหวทั้งตัว · เส้นโค้งการควบคุมแรง-ตำแหน่ง — นี่คือข้อมูลที่ simulation สร้างแทนไม่ได้เต็มที่
ลำดับการปฏิบัติงานและตรรกะเชิงเวลา — คือ "วิธีทำงาน" ที่ถูกถอดออกมาเป็นข้อมูล
ข้อมูลการจัดการความผิดพลาด ความขัดข้อง การรบกวนที่ไม่คาดคิด และสภาวะขอบเขตจากสภาพแวดล้อมจริง
ข้อนี้บอกอะไรมาก: การที่รัฐต้องกำหนดให้เก็บข้อมูล "ตอนที่ทุกอย่างพัง" เป็นพิเศษ
คือการยอมรับโดยปริยายว่า โลกจริงไม่ยอมทำซ้ำตัวเอง — และนี่คือเหตุผลที่หุ่นยนต์ยังยากกว่าซอฟต์แวร์มาก
| กลุ่ม | สถานการณ์ |
|---|---|
| อุตสาหกรรม | ประกอบการผลิต · ตรวจสอบวิเคราะห์ · ซ่อมบำรุง · คลังสินค้าและโลจิสติกส์ |
| บริการ | ร้านอาหารและค้าปลีก · การแพทย์และสุขภาพ |
| งานพิเศษ | ความปลอดภัยในการผลิต · การตอบสนองฉุกเฉิน · การป้องกันภัยพิบัติ |
| กรอบเวลา | ส่งแผนงานภายใน 30 มิ.ย. 2026 · รายงานผลภายใน 30 พ.ย. 2026 |
ในฝั่งเอกชน NVIDIA ประกาศ Isaac GR00T Reference Humanoid Robot (31 พ.ค. 2026) เป็น "the first open humanoid robot reference design" บน Jetson Thor — 75 องศาอิสระ (31 ในลำตัว + 44 ในมือคู่) · torque แขน 120 N·m ขา 360 N·m · payload 7 กก. จำหน่ายผ่าน Unitree ปลายปี 2026 NVIDIA, พ.ค. 2026 Fact
สิ่งที่ทั้งสองข่าวชี้ไปทางเดียวกัน: ทั้งรัฐบาลจีนและ NVIDIA กำลังพยายามทำสิ่งเดียวกัน — สร้าง แพลตฟอร์มมาตรฐาน ให้ทักษะหุ่นยนต์ถูกพัฒนาครั้งเดียวแล้วนำไปใช้ได้หลายที่ ซึ่งเป็นตรรกะเดียวกับ App Store แต่กับความสามารถทางกายภาพ
ความเร็วของการเปลี่ยนแปลงสำคัญกว่าทิศทาง — เพราะระบบเศรษฐกิจปรับตัวได้ถ้ามีเวลา และพังถ้าไม่มี
AI ทำหน้าที่เสริมมากกว่าทดแทน การจ้างงานรวมยังโต ตำแหน่งเปลี่ยนเนื้องานมากกว่าจะหายไป การเปลี่ยนแปลงกระจายตัวตามความเร็วของการนำระบบมาใช้ในแต่ละอุตสาหกรรม
หลักฐานที่สนับสนุน: ILO พบว่าการจ้างงานในอาชีพที่ exposed เพิ่มขึ้น จาก 66 เป็น 80 ล้านคน (2017–2025) · Stanford ไม่พบการทดแทนระดับเศรษฐกิจ · WEF คาดการณ์สุทธิ บวก 78 ล้านตำแหน่ง
สิ่งที่จะทำให้ผิด: ความสามารถของ agent ก้าวกระโดดพร้อมกับต้นทุนที่ลดลงอย่างรวดเร็ว
การรับเอามาใช้เร่งตัวในงานเสมียน/ธุรการ/บัญชีปฏิบัติการ การลดกำลังคนเกิดผ่าน การหยุดรับคนใหม่และ attrition มากกว่าการเลิกจ้าง ตำแหน่งระดับเริ่มต้นได้รับผลกระทบก่อนและหนักที่สุด
หลักฐานที่สนับสนุน: ข้อค้นพบข้อ 4 ของ Stanford — "การปรับตัวเกิดผ่านการลดการจ้างใหม่ ไม่ใช่การเลิกจ้างเพิ่ม" · 41% ของนายจ้างใน WEF วางแผนลดกำลังคนเพราะ AI · การลดรับบัณฑิตของ Big Four
ข้อจำกัดสำคัญ: ไทม์ไลน์นี้สมเหตุสมผลในระดับ บริษัทเดียว — ห้ามนำไปกล่าวเป็นการพยากรณ์ระดับเศรษฐกิจ
| ลำดับ | จุดที่แตก | กลไก |
|---|---|---|
| 1 | อุปสงค์ผู้บริโภค | รายได้ค่าจ้างหายเร็วกว่าราคาที่ลดลง |
| 2 | สินเชื่อครัวเรือน | ผิดนัดบัตรเครดิต → สินเชื่อรถ → จำนอง |
| 3 | ภาคธนาคาร | คุณภาพสินทรัพย์เสื่อม สำรองเพิ่ม สินเชื่อตึงตัว |
| 4 | รายได้ภาษีรัฐ | ภาษีเงินได้และ payroll tax หด ขณะรายจ่ายสวัสดิการพุ่ง |
| 5 | ระบบสวัสดิการ | ออกแบบมาสำหรับการว่างงานเชิงวัฏจักร ไม่ใช่เชิงโครงสร้างถาวร |
| 6 | ความสามารถ retrain | คอขวดคือจำนวนผู้สอนและเวลา ไม่ใช่เงิน |
| 7 | แรงกดดันทางการเมือง | เร็วกว่าความสามารถของระบบราชการในการตอบสนอง |
| 8 | อสังหาริมทรัพย์ | ราคาบ้านและสำนักงานปรับลงพร้อมกัน |
ภาวะเงินฝืดในภาคบริการ (บริการที่เคยแพงเพราะใช้แรงงานมนุษย์จะถูกลงมาก) · margin องค์กรพุ่ง · การกระจุกตัวของทุน · ความเหลื่อมล้ำที่วัดจาก การเป็นเจ้าของ มากกว่า รายได้
ทางเลือกนโยบายที่ถูกถกเถียง (นำเสนอเป็นข้อถกเถียง ไม่ใช่ข้อเสนอแนะ): สัปดาห์ทำงานสั้นลง · wage subsidy · negative income tax · UBI · การกระจายความเป็นเจ้าของสินทรัพย์ AI · การเก็บภาษีจากผลิตภาพ
หน้านี้จะกลายเป็นโฆษณาทันทีถ้าไม่มีส่วนนี้ — และข้อโต้แย้งบางข้อข้างล่าง มีหลักฐานแข็งกว่าหลักฐานที่สนับสนุน thesis
Microsoft Entra Agent ID ให้ agent มีตัวตนของตัวเอง: agent identity blueprints แบบ parent-child, รองรับ OAuth 2.0 / MCP / A2A, ครอบคลุม agent จากแพลตฟอร์มอื่นรวมถึง AWS Bedrock และ n8n, ทุกการยืนยันตัวตนและกิจกรรมถูกบันทึกเพื่อ compliance และต้องมี Agent 365 license ต่อผู้ใช้ Microsoft Learn
เทียบกับ Apple: ประกาศ Apple Business ไม่มีคำว่า AI, Apple Intelligence หรือ agent แม้แต่ครั้งเดียว — องค์กรที่ต้องการจัดการ agent วันนี้ไม่มีเหตุผลที่จะรอ Apple Fact
Gemini Enterprise Agent Platform (22 เม.ย. 2026) มี Agent Runtime (cold start ต่ำกว่าวินาที, agent ที่รันได้หลายวัน), Agent Sandbox, Memory Bank (ความจำระยะยาว), Agent Identity, Agent Registry, Agent Gateway, Anomaly Detection, Simulation, Evaluation, Observability, Optimizer และเข้าถึงโมเดล 200+ ตัวรวมถึง Claude ของคู่แข่ง Google Cloud
รายการข้างบนคือสิ่งที่ Apple ยังไม่มีเลยแม้แต่ชิ้นเดียวในระดับผลิตภัณฑ์องค์กร และ Siri AI เองก็ทำงานบนโมเดลที่สร้างร่วมกับ Gemini Fact
Apple ระบุเองว่า "EU regulators did not accept any of Apple's proposed solutions" และว่า DMA จะบังคับให้ Apple "give any virtual assistant direct access to users' private data — and the ability to directly control other installed applications" ข้อเสนอ "Trusted System Agent" แบบทยอย 18 เดือนถูกปฏิเสธ และ ยังไม่มีไทม์ไลน์ Apple, มิ.ย. 2026
นี่คือข้อโต้แย้งที่แรงที่สุด เพราะไม่ใช่การคาดเดา — มันเกิดขึ้นแล้ว ตรรกะทั้งหมดของ thesis อาศัยการที่ Apple ควบคุมชั้นที่ลึกในระบบปฏิบัติการ ซึ่งเป็นสิ่งที่กฎหมายการแข่งขันออกแบบมาเพื่อจำกัดโดยตรง Fact
ecosystem สมบูรณ์ที่สุด · ต้นทุนต่อ FLOP ต่ำสุดในระดับสเกล · container/Kubernetes · lock-in ต่ำ · องค์กรมีทีมที่คุ้นเคยอยู่แล้ว
หลักฐานที่แหลมที่สุด: รายงานเรื่องเซิร์ฟเวอร์ M8 เองบอกว่า Apple กำลังพิจารณาใช้ NVLink Fusion ของ NVIDIA เพราะ "บางคนในทีมเชื่อว่า NVIDIA มีโซลูชันการเชื่อมต่อที่ดีที่สุด" — ถ้า Apple ต้องยืมสายสัญญาณของคู่แข่งเพื่อขยายไปสู่ระดับแร็ก แสดงว่าชั้นล่างยังไม่ใช่ของ Apple Reported
A2A ภายใต้ Linux Foundation มี 150+ องค์กร, SDK 5 ภาษา และถูกรองรับใน Azure AI Foundry, Copilot Studio, Amazon Bedrock AgentCore และ Google Cloud · MCP เป็นมาตรฐานเชื่อมเครื่องมือ · AP2 มี 60+ องค์กรสำหรับการชำระเงินของ agent Linux Foundation
ถ้า agent ย้ายข้ามแพลตฟอร์มได้อย่างอิสระ marketplace แบบปิดจะมีอำนาจต่อรองน้อยกว่าที่ App Store เคยมีมาก Fact
Gemini Agent Runtime รัน agent ต่อเนื่องได้หลายวันบนคลาวด์ โดยไม่ต้องมีเครื่องของผู้ใช้เปิดอยู่ และมีรายงานว่า Anthropic เลือกเช่ากำลัง Mac ผ่าน AWS แทนการซื้อเครื่อง The Information ผ่าน TechRepublic Reported
ถ้ารูปแบบนี้ชนะ ความได้เปรียบด้านชิปและ OS ของ Apple จะมีค่าน้อยลงมาก
ไม่มีการยืนยันต่อสาธารณะเรื่องการรองรับ ECC memory แบบ end-to-end · ไม่มีการจัดการระดับแร็ก (BMC, redundant PSU) · multi-tenancy จำกัด · macOS ผูกกับฮาร์ดแวร์ Apple ซึ่งจำกัดโมเดลธุรกิจคลาวด์ · Thunderbolt 5 mesh 4 โหนดไม่ใช่ rack-scale fabric
ข้อควรระวังเชิงวิธีวิทยา: ข้อจำกัดเหล่านี้อนุมานจากการที่ Apple ไม่เคยประกาศ ไม่ใช่การยืนยันเชิงลบ
OpenAI และ Anthropic ต่างสร้างแอปและ agent ของตัวเอง มีแบรนด์ผู้บริโภคของตัวเอง และมีเหตุผลทางธุรกิจที่จะไม่ยอมให้ Apple ถือความสัมพันธ์กับลูกค้า ข้อมูล และการเรียกเก็บเงิน ประเด็นที่ยังไม่มีคำตอบ: ส่วนแบ่งรายได้ · การแสดงแบรนด์ · ความเป็นเจ้าของข้อมูล · สถานะ default model (ซึ่งเป็นประเด็น antitrust ในตัวเอง)
ณ 14 ก.ย. 2026 Siri AI ปล่อยเป็น beta ภาษาอังกฤษ จะเพิ่มอีก 5 ภาษาในเดือนถัดไป และ ไม่พร้อมใช้ในสหภาพยุโรปและจีน Apple
ผู้ช่วยที่ยังไม่เสถียรและใช้ไม่ได้ในหลายตลาด ยังห่างไกลจากการเป็น "ชั้นที่มนุษย์ใช้คุยกับ AI ทั้งโลก" Fact
รายงานระบุเองว่า ไม่คาดว่าจะเปิดตัวก่อนปี 2029 และ อาจถูกยกเลิก หรือออกโดยไม่มีเทคโนโลยี NVIDIA · Apple และ NVIDIA ไม่ตอบคำขอความเห็น · Reuters ระบุว่าไม่สามารถยืนยันรายงานได้อย่างอิสระ · Apple เลิกทำเซิร์ฟเวอร์มาตั้งแต่ปี 2011 Reported
สามปีในอุตสาหกรรม AI คือช่วงเวลาที่ยาวมาก — ภูมิทัศน์การแข่งขันในปี 2029 อาจไม่เหลือเค้าโครงของวันนี้เลย
แอป ChatGPT, Claude และ Gemini มีผู้ใช้จำนวนมาก — บน iOS เอง ถ้าผู้ใช้ยังเลือกเปิดแอปเฉพาะทางเพื่องานจริงจัง ผู้ช่วยระดับ OS จะถูกลดบทบาทเป็น "ตัวตั้งนาฬิกาปลุกและถามสภาพอากาศ" แบบที่ Siri เคยเป็นมาสิบปี
หลักการ stateless computation ของ PCC คือหัวใจของคำมั่นสัญญาด้านความเป็นส่วนตัว — แต่ agent ที่มีประโยชน์ต้องมี ความจำระยะยาว ซึ่งโดยธรรมชาติคือ stateful การประสานสองอย่างนี้เข้าด้วยกันเป็นปัญหาทางวิศวกรรมที่ยังไม่มีใครแก้ได้สวย ๆ และอาจเป็นสาเหตุที่ Apple ยังไม่มี API ความจำระยะยาว
แทนที่จะเถียงว่าใครถูก ให้กำหนดล่วงหน้าว่าหลักฐานอะไรจะเปลี่ยนใจเรา
| ระดับ | สัญญาณ | สถานะ ณ 20 ก.ย. 2026 |
|---|---|---|
| Weak | Apple ใช้คำว่า "agent" ในเอกสารการตลาด | ✅ เกิดแล้ว — "agentic AI workflows" |
| Moderate | Mac mini ถูกทำตลาดเป็น AI node แบบ always-on | ✅ เกิดแล้ว — ส.ค. 2026 |
| Moderate | คอนฟิก unified memory ขนาดใหญ่มาก | ✅ เกิดแล้ว — 512GB / 1.2TB/s |
| Moderate | ระบบนิเวศผู้ให้บริการโมเดลใน Foundation Models ขยายตัว | ✅ เกิดแล้ว — Anthropic + Google, มิ.ย. 2026 |
| Moderate | interconnect ระดับคลัสเตอร์สำหรับ Mac | ✅ เกิดแล้ว — RDMA over TB5 + JACCL |
| Moderate | Apple Intelligence มีระดับบริการแบบเสียเงิน | ⚠ มีรายงาน ยังไม่ประกาศ |
| Strong | Apple เปิด agent runtime API ที่รันนอกอายุแอป | ยังไม่เกิด |
| Strong | ความจำส่วนตัวระยะยาวที่ผู้ใช้จัดการได้ | ยังไม่เกิด |
| Strong | Apple รองรับ private AI แบบ on-prem สำหรับองค์กร | ยังไม่เกิด |
| Strong | client agent ข้ามแพลตฟอร์ม (Android / Windows) | ยังไม่เกิด |
| Strong | การผสานกับโครงสร้างแร็กของ NVIDIA อย่างเป็นทางการ | ⚠ มีรายงานเท่านั้น |
| Confirming | Apple ประกาศเซิร์ฟเวอร์ AI Apple Silicon ระดับองค์กร | ยังไม่เกิด |
| Confirming | Apple Business เพิ่มการจัดการ agent (identity, permission, audit, quota) | ยังไม่เกิด |
| Confirming | Apple เปิด agent marketplace สำหรับองค์กร | ยังไม่เกิด |
| Confirming | Siri กลายเป็น orchestrator ที่รันงานเบื้องหลังต่อเนื่อง | ยังไม่เกิด |
| Confirming | Apple ทำ model routing ข้ามผู้ให้บริการโดยอัตโนมัติ | ยังไม่เกิด |
| หักล้าง | โครงการเซิร์ฟเวอร์ถูกยกเลิกอย่างเป็นทางการ | — |
| หักล้าง | Apple ถอยกลับไปทำ AI เฉพาะฝั่งผู้บริโภค | — |
| หักล้าง | Foundation Models ยังเป็นแค่ developer abstraction ไม่มี orchestration ระดับระบบ | ⚠ ยังเป็นแบบนี้อยู่ |
| หักล้าง | Siri ทำ workflow หลายขั้นตอนได้ไม่น่าเชื่อถือพอสำหรับงานจริง | รอดูผล beta |
| หักล้าง | ผู้ใช้ยังเลือกแอปโมเดลรายตัวเป็นหลัก | — |
| หักล้าง | การรัน agent ย้ายไปอยู่บนคลาวด์/เบราว์เซอร์เกือบทั้งหมด | ⚠ กำลังเกิดขึ้น |
| หักล้าง | Microsoft หรือ Google สร้างชั้น agent ข้ามแพลตฟอร์มที่ครองตลาด | ⚠ กำลังเกิดขึ้น |
| หักล้าง | องค์กรมาตรฐานไปที่ Linux agent appliance แบบเปิด | — |
การปฏิวัติ AI อาจไม่ได้เกี่ยวกับการสร้างเครื่องจักร ที่ฉลาดกว่ามนุษย์ทุกคน
มันอาจเกี่ยวกับการแปลงความสามารถซ้ำ ๆ ของมนุษย์ ให้กลายเป็น ซอฟต์แวร์ที่คัดลอก ติดตั้ง และสั่งงานได้ในระดับมหาศาล
ประวัติศาสตร์เศรษฐกิจของแรงงานมนุษย์ตั้งอยู่บนความจริงข้อเดียว: ทักษะเป็นของหายาก ผูกกับร่างกายหนึ่งร่าง และมีเพดานที่จำนวนชั่วโมงต่อวัน ถ้าทักษะบางประเภทเปลี่ยนเป็นไฟล์ที่ทำซ้ำได้ด้วยต้นทุนส่วนเพิ่มใกล้ศูนย์ สมมติฐานนั้นก็หายไป
แต่ความไม่สมมาตรที่แท้จริงไม่ใช่ "AI ทำงานฟรี" — inference มีต้นทุน compute มีจำกัด หุ่นยนต์แพง กฎระเบียบมีจริง และทุกอย่างยังต้องมีคนกำกับ ความไม่สมมาตรคือ ความสามารถที่เป็นซอฟต์แวร์ทำซ้ำได้ถูกกว่าการฝึกมนุษย์คนใหม่มาก
แบบที่เคยเกิดมาทุกครั้งในประวัติศาสตร์ — WEF คาดการณ์สุทธิบวก 78 ล้านตำแหน่ง
ผลิตภาพที่เพิ่มถูกแปลงเป็นเวลาว่าง แทนที่จะเป็นการว่างงาน
คนที่ทำงานร่วมกับ AI ได้ดีมีมูลค่าสูงขึ้นมาก
ถ้าเครื่องมือถูกพอที่ทุกคนจะเป็นเจ้าของ ผลตอบแทนก็กระจาย
ภาษีจากผลิตภาพถูกกระจายกลับ — ซึ่งต้องการฐานภาษีที่ยังทำงานอยู่
ผลตอบแทนไหลไปหาผู้ถือทุนและคนที่กำกับระบบ
เงินฝืดในภาคบริการทำให้ค่าครองชีพลดแม้รายได้ลด
น่าจะเป็นไปได้มากที่สุด — และต่างกันมากในแต่ละประเทศ ตามค่าแรง กฎหมาย และโครงสร้างอุตสาหกรรม
งานวิจัยชิ้นนี้จะมีค่าก็ต่อเมื่อผู้อ่านตรวจสอบมันได้ — ทุกลิงก์ด้านล่างเปิดจริงในรอบการวิจัย
| # | ประเภทแหล่ง | ใช้สำหรับ |
|---|---|---|
| 1 | Apple official (Newsroom, ผลประกอบการ) | ทุกข้ออ้างเกี่ยวกับผลิตภัณฑ์และตัวเลขของ Apple |
| 2 | Apple Developer / Apple Security Research | รายละเอียดเชิงเทคนิคของ API, MLX, PCC |
| 3 | NVIDIA / OpenAI / Anthropic / Google / Microsoft official | ความสามารถของแพลตฟอร์มคู่แข่งและพันธมิตร |
| 4 | เอกสารราชการ (MIIT, SASAC) | นโยบายหุ่นยนต์ของจีน — อ้างต้นฉบับภาษาจีน |
| 5 | ILO / OECD / IMF | ข้อมูลตลาดแรงงานระหว่างประเทศ |
| 6 | งานวิชาการ (Stanford Digital Economy Lab, NBER, EIG) | หลักฐานเชิงประจักษ์ระดับจุลภาค |
| 7 | Reuters / The Information | ข่าวที่บริษัทยังไม่ยืนยัน — ติดป้าย REPORTED เสมอ |
| 8 | สื่อเทคโนโลยีอื่น | การยืนยันข้ามเท่านั้น |
| ✕ | ไม่ใช้: บทความ SEO ที่ไม่ระบุแหล่ง · โพสต์โซเชียลมีเดีย · เว็บที่สรุปข่าวต่อกันหลายชั้น | — |