Four years on the old platforms: - 1 shadowban I was never told about - 2 strikes I couldn't appeal - 30% cut on everything I sold - 0 followers I could take with me One month here: [X] sats from [Y] strangers, straight to my wallet. No middleman, no review board, no "your account has been limited." I'm not here because Nostr is easy. I'm here because it's mine. ⚡ #grownostr #plebchain

map นครพนม พร้อมชนครับ ✴️🎲♟️💰🌳😁🧡🙏 Age of Bitcoin : BitToon x Four Comma Game Publisher #boardgame #siamstr #AoB

ไม่เป็นไรหรอกชีวิต ฤดูกาลมันยังรอเราอยู่ #bitcoin #halving

ทำไม ท้อ แล้วต้อง แท้ ทำไม เท่า แล้วต้อง เทียม

ทำไม AI ถึงหลงรักญี่ปุ่น: จาก Chatbot ถึง Satoshi Nakamoto ## เมื่อ AI ถูกจับได้ว่า "เอนเอียง" ไปทางญี่ปุ่น ลองถาม ChatGPT ว่าสนใจวัฒนธรรมไหนเป็นพิเศษ หรือถาม Claude ว่าประเทศไหนคือประเทศโปรด มีโอกาสสูงมากที่คำตอบจะพาดพิงถึงญี่ปุ่นไม่ทางใดก็ทางหนึ่ง — และนี่ไม่ใช่ความรู้สึกเอาเองของผู้ใช้ แต่มีงานวิจัยรองรับ นักวิจัยจากมหาวิทยาลัย Basque Country และ Cardiff University ได้ทำการทดสอบโมเดลภาษาขนาดใหญ่ (LLM) ชั้นนำ 8 ตัว ใน 24 ภาษา โดยสร้างชุดคำถามเชิงวัฒนธรรมแบบเปิดกว้างกว่า 31,680 ข้อ ครอบคลุม 11 หัวข้อใหญ่ 66 หัวข้อย่อย แล้วบังคับให้โมเดลเลือกประเทศหรือภูมิภาคหนึ่งเป็นคำตอบทุกครั้ง ผลลัพธ์ที่ได้น่าประหลาดใจ: โมเดล 5 จาก 8 ตัวเลือกญี่ปุ่นเป็นประเทศที่ชื่นชอบมากที่สุด (นอกเหนือจากประเทศบ้านเกิดของตัวเอง) ขณะที่มีเพียง 2 ตัวเท่านั้นที่โน้มเอียงไปทางสหรัฐฯ มากกว่า ## อคตินี้มาจากไหน ประเด็นที่น่าสนใจกว่าตัวผลลัพธ์คือ "ที่มา" ของอคตินี้ หลายคนอาจเดาว่าเป็นเพราะอินเทอร์เน็ตเต็มไปด้วยเนื้อหาเกี่ยวกับญี่ปุ่นอยู่แล้ว แต่นักวิจัยพบว่าไม่ใช่ ความเอนเอียงนี้ไม่ได้เกิดขึ้นตั้งแต่ขั้นตอน pre-training ที่โมเดลเรียนรู้จากเว็บแบบเปิด แต่เกิดขึ้นในภายหลัง — ตอนที่มนุษย์เริ่มเข้ามา "สอน" โมเดลว่าคำตอบแบบไหนถึงจะเรียกว่าดี ผ่านกระบวนการ fine-tuning พูดง่ายๆ คือ ทีมที่คัดสรรชุดข้อมูลสำหรับสอน AI ในขั้นตอนสุดท้าย น่าจะเป็นตัวการที่ฝัง "รสนิยม" ความหลงใหลญี่ปุ่นเข้าไปในโมเดลโดยไม่ตั้งใจ (หรือตั้งใจก็ได้) งานวิจัยเดียวกันนี้ยังพบด้วยว่าเมื่อถามโมเดลด้วยภาษาที่มีทรัพยากรน้อย เช่น อัมฮาริก ซุนดา อัสสัม หรือบาสก์ โมเดลมักจะอ้างอิงถึงประเทศบ้านเกิดของภาษานั้นๆ เป็นหลัก ส่วนหนึ่งเพราะข้อมูลฝึกมีน้อย และอีกส่วนเพราะโมเดลปฏิเสธที่จะตอบบ่อยกว่า ## เมื่อ "ความเป็นญี่ปุ่น" กลายเป็นแบรนด์ ปรากฏการณ์นี้ทำให้นึกถึงอีกกรณีหนึ่งที่คล้ายกันมาก แม้จะอยู่คนละวงการโดยสิ้นเชิง — การตั้งชื่อผู้สร้าง Bitcoin ว่า "Satoshi Nakamoto" ชื่อ "Satoshi" ในภาษาญี่ปุ่นสื่อถึงความฉลาดหรือคิดแจ่มชัด ส่วน "Nakamoto" แปลได้ประมาณ "ต้นกำเนิดกลาง" หรือ "ผู้ที่อยู่ตรงกลาง" หลายคนตีความว่านี่คือการเสียดสีที่จงใจ เพราะผู้สร้างสกุลเงินดิจิทัลที่เน้นการกระจายอำนาจ (decentralization) กลับเลือกใช้นามสกุลที่แปลว่า "ศูนย์กลาง" — แม้จะไม่มีหลักฐานยืนยันหรือหักล้างทฤษฎีนี้เลยก็ตาม สิ่งที่ปฏิเสธไม่ได้คือ ชื่อภาษาญี่ปุ่นนี้ได้สร้างภาพลักษณ์ "อัจฉริยะลึกลับ" ให้กับผู้สร้าง Bitcoin ได้อย่างทรงพลัง มันให้ความรู้สึกถึงความแม่นยำ เทคโนโลยีขั้นสูง และความเงียบสงบแบบตะวันออก ซึ่งเข้ากันได้ดีกับภาพจำที่โลกตะวันตกมีต่อญี่ปุ่นอยู่แล้ว ## เบาะแสที่ซ่อนอยู่ในชื่อ ที่น่าสนใจยิ่งกว่านั้นคือ นักสืบสมัครเล่นทั่วโลกได้ตั้งข้อสังเกตว่าตัวชื่อเองอาจเป็นเบาะแสว่า Nakamoto ไม่ใช่คนญี่ปุ่นแท้ๆ ด้วยซ้ำ: - **ลำดับการเรียงชื่อ** — แม้จะเลือกใช้ชื่อญี่ปุ่น แต่กลับเรียงแบบตะวันตก คือชื่อตัวขึ้นก่อนแล้วตามด้วยนามสกุล ("Satoshi Nakamoto") ทั้งที่คนญี่ปุ่นโดยกำเนิดมักใช้รูปแบบดั้งเดิมคือนามสกุลนำหน้า (中本智) - **รูปแบบตัวอักษร** — ชื่อจริงในภาษาญี่ปุ่นมักเขียนด้วยตัวคันจิ แต่ตลอดการสื่อสารทั้งหมด ชื่อ "Satoshi Nakamoto" ปรากฏเป็นตัวอักษรละตินเท่านั้น ไม่เคยมีคันจิเลยแม้แต่ครั้งเดียว รายละเอียดเล็กๆ เหล่านี้ทำให้เกิดทฤษฎีหลากหลาย ตั้งแต่การเป็นทีมนักพัฒนาหลายคนที่ไม่ใช่คนญี่ปุ่นทั้งหมด ไปจนถึงทฤษฎีสุดโต่งอย่างการเชื่อมโยงกับหน่วยงานรัฐบาล แต่ไม่มีข้อสรุปใดที่ได้รับการยืนยันแน่ชัด ## ข้อสังเกตร่วม: ภาพจำสร้าง Narrative ได้มากกว่าที่คิด ทั้งสองกรณีนี้ชี้ให้เห็นแบบแผนเดียวกัน — "ความเป็นญี่ปุ่น" ไม่ว่าจะในชื่อคน หรือในคำตอบของ AI ล้วนมาพร้อมกับชุดความหมายแฝงที่คนทั่วโลกรับรู้ร่วมกัน ไม่ว่าจะเป็นความประณีต ความล้ำสมัย หรือความน่าเชื่อถือแบบเงียบๆ ในกรณีของ Bitcoin ชื่อภาษาญี่ปุ่นช่วยสร้าง "aura" ความลึกลับแบบอัจฉริยะให้โปรเจกต์ตั้งแต่วันแรก โดยที่ไม่จำเป็นต้องพิสูจน์อะไรเลย ส่วนในกรณีของ AI ความเอนเอียงต่อญี่ปุ่นก็สะท้อนว่าค่านิยมของผู้ที่ฝึกสอนโมเดล (ซึ่งอาจไม่รู้ตัว) สามารถแทรกซึมเข้าไปในคำตอบของระบบที่ควรจะเป็นกลางได้อย่างลึกซึ้ง คำถามที่น่าคิดต่อคือ ถ้าเปลี่ยนชื่อหรือภาพลักษณ์เป็นวัฒนธรรมอื่น เรื่องราวเดียวกันนี้จะยังคงมีพลังดึงดูดแบบเดิมหรือไม่ — และนั่นอาจบอกอะไรบางอย่างเกี่ยวกับอคติร่วมของมนุษยชาติที่ถูกส่งต่อเข้าไปในเทคโนโลยีที่เราสร้างขึ้นมาเองด้วย --- *บทความนี้รวบรวมจากงานวิจัยของนักวิจัยมหาวิทยาลัย Basque Country และ Cardiff University เรื่องความเอนเอียงทางวัฒนธรรมของ LLM รวมถึงการวิเคราะห์ที่มาของชื่อ Satoshi Nakamoto จากแหล่งข่าวและบทวิเคราะห์ต่างๆ ในวงการคริปโต* #siamstr

คนที่รอดแต่ต้องแบกรับผลของการรอด

เขากวางคือสิ่งที่สัตว์สร้างขึ้นมาเพื่อ "ต่อสู้แบบไม่ต้องฆ่า"

Softwar | ทฤษฎีใหม่ว่าด้วยการแผ่ขยายอำนาจ และแสนยานุภาพของบิตคอยน์ต่อยุทธศาสตร์ชาติ

Book-to-Screen AI Documentary Production 📚📽️🎞️

หลังสู้ฟ้า หน้าเก็บของเล่น

Breakthrough ต่อไปที่วงการกำลังมุ่งไป 1. จากคลิปสั้น → “โลกจำลอง” ต่อเนื่อง (World Models) ข้อจำกัดใหญ่ของโมเดลตอนนี้คือรักษาความต่อเนื่องได้แค่ไม่กี่วินาที เป้าหมายต่อไปคือขยายจากคลิปสั้นไปสู่การเล่าเรื่องระดับนาทีหรือชั่วโมง (เช่น หนังทั้งเรื่อง สารคดี)  — พูดง่ายๆ คือ AI จะไม่ใช่แค่ “เครื่องสร้างคลิป” แต่เป็น “เครื่องจำลองโลก” ที่ต่อเนื่องได้จริง 2. วิดีโอกลายเป็นเครื่องมือ “คิด” ไม่ใช่แค่ผลลัพธ์ มีแนวคิดว่าการสร้างวิดีโออาจใช้เป็นกรอบการให้เหตุผลแบบ multimodal ทั่วไปได้ ไม่ใช่แค่งานด้านภาพเท่านั้น  — เช่น AI แก้โจทย์ฟิสิกส์โดย “จินตนาการเป็นวิดีโอ” ก่อนตอบ คล้ายที่ LLM ใช้ chain-of-thought 3. Interactive World Model สำหรับหุ่นยนต์/เกม โมเดลโลกกำลังพัฒนาไปสู่เครื่องมือใช้งานจริงสำหรับหุ่นยนต์ ระบบอัตโนมัติ และ digital twin — เพราะ generation คือการตอบคำถามว่า “ถ้า agent ทำแบบนี้ จะเกิดอะไรขึ้น” ซึ่งเป็นรากฐานของการซ้อม วางแผน และเรียนรู้ผ่านการจำลอง  4. Controllability กลายเป็น KPI หลัก การควบคุมว่าอะไรเปลี่ยน อะไรคงที่ จะกลายเป็นตัวชี้วัดสำคัญของการสร้างวิดีโอในอนาคต  — ไม่ใช่แค่ “สวย” แต่ต้อง “คุมได้แม่นยำ” ปัญหา/ข้อจำกัดที่ยังแก้ไม่ตก 🔴 ความต่อเนื่องระยะยาว (Long-horizon consistency) ปัญหาหลักคือ identity drift (ตัวละคร/วัตถุเปลี่ยนหน้าตาไปเรื่อยๆ), temporal wobble (ภาพสั่นไหวไม่นิ่ง), และ compounding errors (ข้อผิดพลาดสะสมเพิ่มขึ้นเรื่อยๆ)  — ความผิดพลาดเล็กๆ ในช่วงต้นจะสะสมจนคลิปเบี้ยวไปจากความเป็นจริงมากขึ้นเรื่อยๆ เมื่อคลิปยาวขึ้น  🔴 ฟิสิกส์ไม่ใช่กฎตายตัว แต่เป็นแค่ “ความคุ้นเคยทางสถิติ” โมเดลปัจจุบันจับรูปแบบทางสถิติที่สอดคล้องกับพฤติกรรมทางฟิสิกส์ได้ (ของตกลงพื้น ของเหลวไหล วัตถุแข็งชนกัน) แต่ไม่ได้บังคับใช้กฎฟิสิกส์จริงๆ จึงอาจสร้างผลลัพธ์ที่ขัดกับฟิสิกส์ได้ในสถานการณ์ที่ข้อมูลฝึกมีน้อย  🔴 ต้นทุนการประมวลผลสูงมาก โมเดลวิดีโอที่ทำหน้าที่เป็น world simulator ต้องแบกรับต้นทุนการคำนวณและหน่วยความจำมหาศาล เพราะข้อมูลวิดีโอมีมิติสูงและพลวัตทางฟิสิกส์ซับซ้อน  — นี่คือเหตุผลที่ราคาต่อวินาทีของ 4K/คลิปยาวยังแพงอยู่ตามที่คุยกันก่อนหน้า 🔴 การประเมินผล (Evaluation) ยังตามไม่ทัน เมตริกที่ใช้วัดคุณภาพมักตามหลังสิ่งที่ทีมพัฒนาต้องการจริงๆ การทดสอบแบบ scenario-based ที่วัดความต่อเนื่องตามเวลาสำคัญที่สุด  🔴 ข้อมูลและการกำกับดูแล ความเป็นส่วนตัว ความเป็นเจ้าของ และการใช้งานอย่างมีความรับผิดชอบเข้มงวดกว่าข้อมูลภาพนิ่งมาก เพราะวิดีโอมีความเสี่ยงเรื่อง deepfake สูงกว่า  🔴 ความซับซ้อนด้านปฏิบัติการ pipeline ทั้งหมด (การสุ่มตัวอย่าง การติดป้ายข้อมูล การจัดเวอร์ชัน การ deploy) มักกินเวลาและความพยายามมากกว่าตัวโมเดลเองเสียอีก  สรุปภาพรวม: วงการนี้เก่งเรื่อง “ความสวย” ไปมากแล้ว (4K, motion ลื่นไหล) แต่โจทย์ถัดไปที่ยากกว่าคือ “ความจริง” และ “ความต่อเนื่อง” — ทำให้ AI เข้าใจว่าโลกทำงานยังไงจริงๆ ไม่ใช่แค่เลียนแบบภาพที่เคยเห็น ซึ่งเป็นกำแพงที่แยก “เครื่องสร้างคลิปสวยๆ” ออกจาก “เครื่องจำลองโลกที่ใช้งานได้จริง” (เช่น เทรนหุ่นยนต์ หรือทำนายเหตุการณ์) #aifilm #siamstr 👁️👁️

1. จากคลิปสั้น → “โลกจำลอง” ต่อเนื่อง (World Models) ข้อจำกัดใหญ่ของโมเดลตอนนี้คือรักษาความต่อเนื่องได้แค่ไม่กี่วินาที เป้าหมายต่อไปคือขยายจากคลิปสั้นไปสู่การเล่าเรื่องระดับนาทีหรือชั่วโมง (เช่น หนังทั้งเรื่อง สารคดี)  — พูดง่ายๆ คือ AI จะไม่ใช่แค่ “เครื่องสร้างคลิป” แต่เป็น “เครื่องจำลองโลก” ที่ต่อเนื่องได้จริง 2. วิดีโอกลายเป็นเครื่องมือ “คิด” ไม่ใช่แค่ผลลัพธ์ มีแนวคิดว่าการสร้างวิดีโออาจใช้เป็นกรอบการให้เหตุผลแบบ multimodal ทั่วไปได้ ไม่ใช่แค่งานด้านภาพเท่านั้น  — เช่น AI แก้โจทย์ฟิสิกส์โดย “จินตนาการเป็นวิดีโอ” ก่อนตอบ คล้ายที่ LLM ใช้ chain-of-thought 3. Interactive World Model สำหรับหุ่นยนต์/เกม โมเดลโลกกำลังพัฒนาไปสู่เครื่องมือใช้งานจริงสำหรับหุ่นยนต์ ระบบอัตโนมัติ และ digital twin — เพราะ generation คือการตอบคำถามว่า “ถ้า agent ทำแบบนี้ จะเกิดอะไรขึ้น” ซึ่งเป็นรากฐานของการซ้อม วางแผน และเรียนรู้ผ่านการจำลอง  4. Controllability กลายเป็น KPI หลัก การควบคุมว่าอะไรเปลี่ยน อะไรคงที่ จะกลายเป็นตัวชี้วัดสำคัญของการสร้างวิดีโอในอนาคต  — ไม่ใช่แค่ “สวย” แต่ต้อง “คุมได้แม่นยำ” ปัญหา/ข้อจำกัดที่ยังแก้ไม่ตก 🔴 ความต่อเนื่องระยะยาว (Long-horizon consistency) ปัญหาหลักคือ identity drift (ตัวละคร/วัตถุเปลี่ยนหน้าตาไปเรื่อยๆ), temporal wobble (ภาพสั่นไหวไม่นิ่ง), และ compounding errors (ข้อผิดพลาดสะสมเพิ่มขึ้นเรื่อยๆ)  — ความผิดพลาดเล็กๆ ในช่วงต้นจะสะสมจนคลิปเบี้ยวไปจากความเป็นจริงมากขึ้นเรื่อยๆ เมื่อคลิปยาวขึ้น  🔴 ฟิสิกส์ไม่ใช่กฎตายตัว แต่เป็นแค่ “ความคุ้นเคยทางสถิติ” โมเดลปัจจุบันจับรูปแบบทางสถิติที่สอดคล้องกับพฤติกรรมทางฟิสิกส์ได้ (ของตกลงพื้น ของเหลวไหล วัตถุแข็งชนกัน) แต่ไม่ได้บังคับใช้กฎฟิสิกส์จริงๆ จึงอาจสร้างผลลัพธ์ที่ขัดกับฟิสิกส์ได้ในสถานการณ์ที่ข้อมูลฝึกมีน้อย  🔴 ต้นทุนการประมวลผลสูงมาก โมเดลวิดีโอที่ทำหน้าที่เป็น world simulator ต้องแบกรับต้นทุนการคำนวณและหน่วยความจำมหาศาล เพราะข้อมูลวิดีโอมีมิติสูงและพลวัตทางฟิสิกส์ซับซ้อน  — นี่คือเหตุผลที่ราคาต่อวินาทีของ 4K/คลิปยาวยังแพงอยู่ตามที่คุยกันก่อนหน้า 🔴 การประเมินผล (Evaluation) ยังตามไม่ทัน เมตริกที่ใช้วัดคุณภาพมักตามหลังสิ่งที่ทีมพัฒนาต้องการจริงๆ การทดสอบแบบ scenario-based ที่วัดความต่อเนื่องตามเวลาสำคัญที่สุด  🔴 ข้อมูลและการกำกับดูแล ความเป็นส่วนตัว ความเป็นเจ้าของ และการใช้งานอย่างมีความรับผิดชอบเข้มงวดกว่าข้อมูลภาพนิ่งมาก เพราะวิดีโอมีความเสี่ยงเรื่อง deepfake สูงกว่า  🔴 ความซับซ้อนด้านปฏิบัติการ pipeline ทั้งหมด (การสุ่มตัวอย่าง การติดป้ายข้อมูล การจัดเวอร์ชัน การ deploy) มักกินเวลาและความพยายามมากกว่าตัวโมเดลเองเสียอีก  สรุปภาพรวม: วงการนี้เก่งเรื่อง “ความสวย” ไปมากแล้ว (4K, motion ลื่นไหล) แต่โจทย์ถัดไปที่ยากกว่าคือ “ความจริง” และ “ความต่อเนื่อง” — ทำให้ AI เข้าใจว่าโลกทำงานยังไงจริงๆ ไม่ใช่แค่เลียนแบบภาพที่เคยเห็น ซึ่งเป็นกำแพงที่แยก “เครื่องสร้างคลิปสวยๆ” ออกจาก “เครื่องจำลองโลกที่ใช้งานได้จริง” (เช่น เทรนหุ่นยนต์ หรือทำนายเหตุการณ์) #aifilm #siamstr 👁️👁️

อาชีพที่เทรน AI แบบนี้เรียกว่าอะไร ไม่มีชื่อเดียวตายตัว แต่แบ่งเป็นสายงานหลักๆ: • Multimodal Generative AI Research Scientist/Engineer — สายที่ออกแบบสถาปัตยกรรมโมเดลจริงๆ (ที่ Google DeepMind, Apple, ByteDance ก็ใช้ชื่อนี้ตรงๆ) ทำหน้าที่ออกแบบ พัฒนาอย่างรวดเร็ว และประเมินอัลกอริทึม deep learning รวมถึง data curation สำหรับ multimodal generative AI  • AI Trainer / RLHF Trainer — งานประเมินคำตอบของโมเดล ตัดสินความช่วยเหลือ ความแม่นยำ โทน และความเสี่ยง ยิ่ง multimodal AI ขยายไปทำงานกับภาพ เสียง วิดีโอ ยิ่งต้องการคนตรวจสอบมากกว่าแค่ข้อความ  • Fine-Tuner — นำโมเดล foundation ที่เทรนมาแล้วมาปรับให้เข้ากับข้อมูลเฉพาะขององค์กร เพื่อให้ output ตรงกับ use case และ brand voice  • Prompt Engineer / Model Interaction Designer — ออกแบบ input, system instruction และกรอบประเมินผลเพื่อเพิ่มความน่าเชื่อถือของแอปพลิเคชัน generative  Artist ในสายนี้มีไหม — มี และกำลังโต • Emi Kusano (ญี่ปุ่น) — ศิลปินสหวิทยาการที่สร้างภาพถ่าย วิดีโอ และงานติดตั้งด้วยเทคโนโลยี generative AI เคยเข้ารอบสุดท้าย Lumen Prize และคว้ารางวัล Meta Morph Award สาย AI Video  • Tyler Bernabe (jboogx.creative) — ศิลปิน VFX/AI ที่สอนเครื่องมือ generative art เคยร่วมงานกับ Coachella, Will Smith, Meta AI, Grimes  • แนวโน้มวงการ: workflow แบบ text → image → video → audio กำลังกลายเป็น session เดียวจบ และการเทรนโมเดลเฉพาะตัวเข้าถึงได้ง่ายขึ้นแม้ไม่ใช่วิศวกร  — ศิลปินยุคนี้เริ่มทำหน้าที่เหมือน “ผู้กำกับ AI” มากกว่าคนวาดเอง ทิศทางถัดไป 1. รวมทุกโมดัลเป็นโมเดลเดียวจริงๆ — ไม่ใช่ pipeline ต่อกันหลายตัวแบบทุกวันนี้ แต่เป็น single unified model ที่ reasoning ข้ามโมดัลได้ในตัว (Google บอกเองว่า Omni Flash เป็นแค่ก้าวแรก จะขยายไป image/audio output ต่อ) 2. Conversational/real-time editing — แก้วิดีโอ/ภาพด้วยการคุยเป็นประโยคภาษาธรรมชาติ ไม่ต้อง re-prompt ใหม่ทุกครั้ง (Gemini Omni ทำแบบนี้อยู่แล้ว) 3. Agentic multimodal — โมเดลไม่ใช่แค่สร้างสื่อ แต่เป็น “agent” ที่ใช้เครื่องมือ ตัดต่อ วิเคราะห์ และตัดสินใจเองได้ในหลายโมดัลพร้อมกัน 4. Embodied AI / หุ่นยนต์ — เชื่อมกับโลกจริงผ่านกล้อง/เซนเซอร์ ให้ AI เข้าใจและตอบสนองโลกจริงแบบ multimodal ไม่ใช่แค่สร้างสื่อในจอ 5. ศิลปะ/สร้างสรรค์ร่วมมนุษย์-AI — งานวิจัยและ conference อย่าง AIART 2026 กำลังโฟกัสหัวข้อ “Multimodal Agents for AI Art” และการทำงานร่วมกันระหว่างมนุษย์กับ AI  #study #aifilm #siamstr

ดูน้อยลง

cash คือที่เก็บเงิน 🪎

ความคิด ไม่มีตัวตน ผู้คน กระทำ

ความคิด ไม่มีตัวตน คน กระทำ

a coins with no faces.