Google เปิดตัว Gemini 4 Carbon โดยระบุว่าเป็นโมเดล frontier ที่แข็งแกร่งที่สุดของบริษัทในขณะนี้ และพัฒนาความสามารถด้านการเขียนโค้ด งานแบบ agentic และไซเบอร์ซีเคียวริตี้ต่อจาก Gemini 4 Argon ซึ่งเปิดตัวก่อนหน้า Carbon สองสัปดาห์ จุดเน้นของรุ่นใหม่อยู่ที่งานวิศวกรรมซับซ้อนซึ่งต้องทำต่อเนื่องหลายขั้น ไม่ใช่เพียงตอบคำถามหรือสร้างโค้ดจากคำสั่งครั้งเดียว
Google วาง Carbon ให้ทำงานตั้งแต่การค้นหาช่องโหว่ การตรวจสอบว่าจุดอ่อนนั้นนำไปใช้ได้จริงหรือไม่ ไปจนถึงการแก้โค้ด งานเหล่านี้มีทั้งประโยชน์ต่อทีมป้องกันภัยและความเสี่ยงจากการนำความสามารถไปใช้ผิดทาง บริษัทจึงเปิดให้กลุ่มผู้เชี่ยวชาญด้านไซเบอร์เข้าถึงก่อน พร้อมปรับมาตรการกำกับการใช้งานควบคู่กับการพัฒนาโมเดล
Gemini 4 Carbon ต่อจาก Argon โดยเน้นงานวิศวกรรมระยะยาว
Google อธิบายว่า Carbon เป็นโมเดล frontier รุ่นถัดจาก Argon และสะท้อนการพัฒนาความสามารถด้าน coding, agentic tasks และ cybersecurity คำว่า agentic หมายถึงการให้โมเดลทำงานเป็นลำดับหลายขั้น เช่น ตรวจหาปัญหา วางแผนวิธีจัดการ และเดินหน้าทำงานต่อ แทนการสร้างคำตอบจบในรอบเดียว
ความต่างที่ Google ชูจึงไม่ได้อยู่แค่การเขียนโค้ดได้ดีขึ้น แต่รวมถึงการทำงานกับโจทย์ที่มีระยะยาวและอาจต้องลองหลายแนวทาง บริษัทระบุว่า Carbon ถูกออกแบบให้ทำงานต่อได้เมื่อพบทางตัน ลดการเลือกทางลัด และร่วมทำงานกับผู้ใช้ได้ดีขึ้น ลักษณะนี้สำคัญกับงานวิศวกรรมที่การแก้จุดหนึ่งอาจต้องอาศัยการตรวจสอบโค้ดและระบบหลายส่วนก่อนตัดสินใจ
ใน Artificial Analysis Intelligence Index เวอร์ชัน 5.0 Carbon ได้คะแนน 59 และอยู่ในอันดับหนึ่งตามข้อมูลที่ Google เผยแพร่ โดย Claude Opus 5.5 และ GPT-6 Astra อยู่ถัดลงมาในดัชนีดังกล่าว ผลนี้บอกตำแหน่งของโมเดลเมื่อเทียบกันในดัชนีชุดนั้น ไม่ใช่หลักฐานว่า Carbon จะชนะทุกโมเดลในทุกงาน หรือเหมาะกับการใช้งานทุกประเภท
การประเมินความสามารถไซเบอร์ของ Carbon จึงควรดูแยกจากอันดับดัชนีทั่วไป เพราะงานด้านความปลอดภัยมีหลายขั้นและแต่ละขั้นต้องใช้ทักษะต่างกัน การค้นพบข้อบกพร่องยังไม่เท่ากับการยืนยันว่ามีความเสี่ยงจริง และการเสนอแพตช์ก็ยังต้องตรวจสอบว่าแก้ปัญหาได้โดยไม่ทำให้ส่วนอื่นของซอฟต์แวร์เสียหาย
ผลทดสอบแยกการค้นหา การใช้ประโยชน์ และการอุดช่องโหว่
Google รายงานผลจากเบนช์มาร์กไซเบอร์สามชุด ซึ่งครอบคลุมคนละช่วงของงานป้องกันภัย SEC-bench Pro ใช้วัดความสามารถในการค้นหาบั๊กหรือช่องโหว่ในซอฟต์แวร์จริง Carbon ได้ 88.2% ในการทดสอบนี้ คะแนนจึงสะท้อนการตรวจจับจุดอ่อน ไม่ได้วัดการนำช่องโหว่ไปโจมตีหรือการเขียนโค้ดเพื่อแก้ไข
ExploitGym วัดอีกขั้นหนึ่ง คือความสามารถในการเปลี่ยนช่องโหว่ให้เป็น exploit หรือวิธีใช้จุดอ่อนให้เกิดผล Carbon ได้ 54.8% ตามที่ Google ระบุ การทดสอบลักษณะนี้ช่วยประเมินว่าพบข้อบกพร่องแล้วโมเดลทำอะไรต่อได้ แต่ความสามารถในการสร้าง exploit ก็เป็นข้อมูลที่ต้องอ่านควบคู่กับมาตรการควบคุมการใช้งาน เพราะความรู้แบบเดียวกันอาจช่วยทั้งผู้ป้องกันและผู้โจมตี
ส่วน CWE-bench ประเมินการแก้ช่องโหว่ด้วยแพตช์ Carbon ได้ 71.0% แพตช์คือการปรับโค้ดเพื่ออุดจุดอ่อนที่พบ ผลทดสอบนี้จึงดูความสามารถด้านการซ่อมแซม ไม่ใช่เพียงระบุว่าบรรทัดใดหรือส่วนใดมีปัญหา คะแนนของแต่ละเบนช์มาร์กตอบคำถามคนละข้อ จึงไม่ควรนำมาเปรียบเทียบกันตรง ๆ ว่าความสามารถขั้นใดเหนือกว่าอีกขั้น
Google ระบุว่าผลเบนช์มาร์กภายนอกด้านไซเบอร์ชุดนี้ประเมินโดยไม่เปิดใช้ guardrails หรือกลไกป้องกันการใช้งานที่ไม่เหมาะสมของโมเดล เงื่อนไขนี้เป็นบริบทสำคัญของตัวเลข เพราะคะแนนสะท้อนสิ่งที่โมเดลทำได้ในการทดสอบภายใต้เงื่อนไขดังกล่าว ไม่ใช่ผลการทำงานหลังผ่านมาตรการทุกชั้นในระบบใช้งานจริง
การที่ Carbon ทำคะแนนนำในชุดทดสอบเหล่านี้จึงบอกถึงความสามารถตามงานเฉพาะที่เบนช์มาร์กออกแบบไว้ ส่วนการนำไปใช้จริงยังเกี่ยวข้องกับคุณภาพของโค้ด ขอบเขตของระบบ และการตรวจทานจากผู้เชี่ยวชาญด้วย Google อธิบายผลเหล่านี้ว่าแสดงความสามารถตลอดวงจรป้องกัน ตั้งแต่ค้นหา ตรวจสอบ ไปจนถึงแก้ไข แต่ตัวเลขไม่ได้แทนการประเมินระบบของแต่ละองค์กร
ทำงานต่อเนื่องหลายวัน พร้อมผลทดสอบภายในด้านโค้ดและเว็บ
Google ระบุว่า Carbon ถูกสร้างมาสำหรับงาน long-horizon หรือโจทย์ที่ต้องดำเนินต่อเนื่องเป็นเวลานาน และต้องผ่านหลายขั้นตอนก่อนเสร็จ ทีมภายในของบริษัทเคยเห็นโมเดลทำงานต่อเนื่องได้หลายวัน แม้เจอทางตันระหว่างทาง ตัวอย่างงานที่ Google ยกขึ้นมาคือการหาสาเหตุและแก้บั๊กที่สังเกตได้ยากใน codebase ขนาดใหญ่ รวมถึงระบบระดับต่ำ
การหาต้นเหตุของบั๊กในระบบลักษณะนี้ไม่ใช่แค่ค้นหาข้อความผิดพลาดแล้วแก้บรรทัดเดียว โมเดลอาจต้องไล่ตรวจความเชื่อมโยงระหว่างส่วนต่าง ๆ ของโค้ด ทำความเข้าใจว่าปัญหาเกิดขึ้นจากขั้นตอนไหน และพยายามแก้โดยไม่สร้างข้อผิดพลาดใหม่ Google ระบุว่าความสามารถในการยืนหยัดผ่านทางตันเป็นส่วนหนึ่งของการออกแบบ Carbon สำหรับงานวิศวกรรมหลายขั้น
ผลด้านการสร้างโค้ดที่ปลอดภัยเป็นข้อมูลจากการทดสอบภายใน Google ระบุว่าอัตราความสำเร็จของ Carbon สูงกว่า Argon มากกว่าสองเท่า ส่วนทีม Chrome รายงานว่า Carbon ทำได้ดีกว่าโมเดล frontier จากอีกแล็บหนึ่งมากกว่า 10 เท่าในการสร้างแพตช์คุณภาพสูง ตัวเลขจากทีมและการทดสอบภายในเหล่านี้ควรแยกจากผลเบนช์มาร์กภายนอก เพราะใช้บริบทการประเมินคนละแบบ
Google ยังระบุว่า Carbon ทำผลงานดีขึ้นในการลดพฤติกรรมที่ไม่สอดคล้องกับเป้าหมายของงานและการสร้างข้อมูลคลาดเคลื่อนระหว่างการเขียนโค้ดแบบสด บริษัทบอกด้วยว่าโมเดลลด “unsupported claims” หรือการกล่าวอ้างที่ไม่มีข้อมูลรองรับลงประมาณครึ่งหนึ่งเมื่อเทียบกับ Argon ประเด็นนี้เกี่ยวกับความน่าเชื่อถือของคำอธิบายและข้อเสนอจากโมเดล แต่ไม่ได้หมายความว่าคำตอบทุกครั้งถูกต้องหรือไม่ต้องตรวจสอบ
ด้านการพัฒนาเว็บ Carbon เพิ่มขึ้น 89 Elo points ใน WebDev Arena และอยู่ในอันดับ 4 ด้วยคะแนน 1768 ตามข้อมูลของ Google Elo points เป็นคะแนนที่ใช้แสดงผลการจัดอันดับในระบบประเมินนี้ บริษัทเชื่อมโยงการปรับปรุงดังกล่าวกับคุณภาพของผลงานและชิ้นงานที่โมเดลสร้างในงานเว็บ ผลชุดนี้เป็นการประเมินด้านการพัฒนาเว็บ จึงไม่ใช่คะแนนไซเบอร์หรือหลักฐานโดยตรงเกี่ยวกับการค้นหาช่องโหว่
เปิดให้ผู้เชี่ยวชาญใช้ก่อน พร้อมมาตรการของ Fairwind
Google เริ่มเปิด Carbon ให้ผู้ป้องกันภัยไซเบอร์บางกลุ่มที่ได้รับเลือกก่อน และจะทยอยเพิ่มพันธมิตรที่เชื่อถือได้ผ่าน Fairwind Program บริษัทระบุว่าจะเก็บข้อเสนอแนะและปรับ guardrails ก่อนเปิดให้ผู้พัฒนา ธุรกิจ และผู้บริโภคเข้าถึงผ่านผลิตภัณฑ์ของ Google ในลำดับต่อไป แนวทางนี้ทำให้การเข้าถึง Carbon ในระยะแรกจำกัดอยู่กับกลุ่มที่ทำงานด้านป้องกันภัยเป็นหลัก
Fairwind เป็นโครงการจำกัดการเข้าถึงความสามารถด้านไซเบอร์ของ Google ซึ่งประกาศไว้ก่อนหน้า โดยมุ่งให้รัฐบาล ลูกค้า Google Cloud ที่ได้รับเลือก และพันธมิตรด้านความปลอดภัยใช้เครื่องมือ AI เพื่อช่วยรับมือความเสี่ยง โครงการวางเป้าหมายให้ผู้ป้องกันภัยค้นหา ตรวจสอบ และแก้ช่องโหว่ได้ในวงกว้าง โดยเฉพาะระบบสำคัญ บริการสาธารณะ และโครงสร้างพื้นฐาน
ประกาศ Fairwind เมื่อเดือนกันยายนกล่าวถึง Gemini 3.8 Flash Cyber ที่ทำงานร่วมกับ CodeMender harness เพื่อช่วยค้นหา ตรวจสอบ และแก้ช่องโหว่ รายละเอียดนั้นเป็นข้อเสนอของโครงการ Fairwind ในช่วงก่อนหน้า ไม่ใช่คุณสมบัติใหม่ของ Gemini 4 Carbon การแยกสองส่วนนี้ช่วยให้เห็นว่า Fairwind เป็นกรอบการเข้าถึงและบริการด้านไซเบอร์ ส่วน Carbon คือโมเดลรุ่นใหม่ที่ Google กำลังทยอยนำเข้าไปให้กลุ่มผู้ป้องกันภัยใช้งาน
ประกาศโครงการเดิมยังระบุข้อกำหนดการใช้งานสำหรับองค์กรที่เข้าร่วม เช่น จำกัดสิทธิ์ไว้กับพนักงานในทีมความปลอดภัย การตอบสนองเหตุการณ์ หรือการทดสอบเจาะระบบ และใช้มาตรการป้องกันอย่างการยืนยันตัวตนหลายขั้น ข้อกำหนดเหล่านี้สะท้อนแนวทางควบคุมการเข้าถึงของ Fairwind ในระดับองค์กร โดยไม่ได้หมายความว่ารายละเอียดทุกข้อเป็นคุณสมบัติภายในตัวโมเดล
Google ระบุว่า Carbon สืบต่อระบบความปลอดภัยหลายชั้นจาก Argon ตั้งแต่การฝึกโมเดลให้ทำงานตามแนวทางที่เหมาะสม การป้องกันการใช้งานผิดวัตถุประสงค์แบบเรียลไทม์ ไปจนถึงการรับมือ prompt injection และการติดตาม chain of thought เพื่อช่วยตรวจสอบกระบวนการของโมเดล Prompt injection คือความพยายามใส่คำสั่งแทรกเพื่อเบี่ยงเบนโมเดลจากงานหรือกฎที่ควรทำ บริษัทบอกว่าได้ฝึก Carbon ให้ตอบสนองต่อโจทย์ซับซ้อนหรือสถานการณ์กดดันได้เหมาะสมขึ้น
ราคา Gemini 4 Carbon และค่าใช้จ่ายตามการใช้โทเคน
ราคา introductory ของ Gemini 4 Carbon เท่ากับราคาเริ่มต้นของ Argon คือ 2 ดอลลาร์ต่อ input 1 ล้านโทเคน และ 10 ดอลลาร์ต่อ output 1 ล้านโทเคน ราคา introductory หมายถึงราคาช่วงเริ่มต้น ส่วนหลังพ้นช่วงดังกล่าว ราคาจะเป็น 4 ดอลลาร์ต่อ input 1 ล้านโทเคน และ 20 ดอลลาร์ต่อ output 1 ล้านโทเคน
Input คือโทเคนจากข้อมูลที่ผู้ใช้หรือระบบส่งเข้าไปให้โมเดลประมวลผล เช่น คำสั่งและเนื้อหาที่ต้องการให้ตรวจสอบ ส่วน output คือโทเคนที่โมเดลสร้างกลับมา เช่น คำตอบหรือโค้ดที่เสนอให้แก้ การคิดราคาแยกกันทำให้ค่าใช้จ่ายขึ้นกับทั้งปริมาณข้อมูลที่ส่งเข้าและความยาวของผลลัพธ์ที่โมเดลสร้าง
Cached input tokens คือ input ที่ระบบเก็บไว้ให้นำกลับมาใช้ซ้ำ โดย Google กำหนดราคาให้ถูกกว่าราคา input ปกติ 95% เมื่อเทียบกับราคาช่วง introductory คิดเป็น 0.10 ดอลลาร์ต่อ 1 ล้านโทเคน และหลังช่วงเริ่มต้นเป็น 0.20 ดอลลาร์ต่อ 1 ล้านโทเคน การประเมินค่าใช้จ่ายจึงต้องแยก input ปกติออกจาก cached input และ output แทนการนำจำนวนโทเคนทั้งหมดมาคิดในอัตราเดียว
แปลว่าอะไรสำหรับคนไทย
สำหรับองค์กรไทยที่ดูแลซอฟต์แวร์หรือระบบสำคัญ จุดน่าสนใจของ Carbon คือการช่วยต่อเนื่องตั้งแต่การค้นหาความผิดปกติไปจนถึงการเสนอแนวทางแก้ หากทีมใช้ AI ในกระบวนการนี้ งานของผู้เชี่ยวชาญก็ยังครอบคลุมการตรวจสอบว่าปัญหามีผลต่อระบบใด แพตช์แก้จุดอ่อนได้จริงหรือไม่ และการเปลี่ยนโค้ดกระทบการทำงานส่วนอื่นเพียงใด
เรามองว่าคะแนนเบนช์มาร์กเป็นข้อมูลประกอบการประเมิน ไม่ใช่ตัวแทนผลการทำงานกับซอฟต์แวร์ของทุกองค์กรไทย ความแตกต่างของภาษาโปรแกรม โครงสร้างระบบ และขั้นตอนพัฒนาภายในทำให้ทีมควรทดสอบกับงานจริงของตนเองก่อนใช้ผลลัพธ์จากโมเดล วิธีทดลองที่มีขอบเขตชัด เช่น ให้ AI ช่วยวิเคราะห์รายงานหรือเสนอแพตช์ แล้วตรวจทานก่อนนำไปใช้ จะช่วยให้เห็นทั้งจุดที่ลดเวลาได้และส่วนที่ยังต้องพึ่งการตัดสินใจของคน
การเปิดให้ผู้ป้องกันภัยเข้าถึงก่อนยังชี้ว่าองค์กรต้องกำหนดผู้มีสิทธิ์ใช้และขอบเขตข้อมูลที่ส่งให้โมเดลให้เหมาะกับงาน พร้อมวางขั้นตอนตรวจสอบก่อนเปลี่ยนระบบ โดยเฉพาะเมื่อผลลัพธ์เป็นโค้ดที่นำไปใช้ได้จริง สำหรับทีมไทย การประเมิน Carbon จึงควรมองทั้งความสามารถที่รายงาน การควบคุมการใช้งาน และความเข้ากันได้กับกระบวนการทำงานขององค์กร ไม่ใช่ดูคะแนนใดคะแนนหนึ่งเพียงอย่างเดียว
