# Claude Opus 4.8 Build Day hackathon

TL;DR
Anthropic จัด Build Day Hackathon ที่ SF — 12 ชั่วโมง, 310 คน, ทีมละ $500 credit

- ไม่ใช่แค่ hackathon ทั่วไป — ทุกทีมใช้ Claude เป็น multi-agent system ไม่ใช่แค่ code assistant

- อันดับ 1: Tekton (สร้างสถาปัตยกรรมโบราณเป็น 3D พร้อม evidence chain)

- อันดับ 2: Sim Francisco (จำลอง 10,000 คนในเมือง, ลด cost ด้วย clustering 97%)

- อันดับ 3: Custom Universe (รูปมือถือ 1 รูป → 3D scene แบบ real-time)

บทเรียนหลัก: AI ที่ดีต้องมี self-correction loop, cost optimization, และ traceable output

ข่าวนี้มาจากเว็บ Anthropic โดยตรง

เมื่อไม่นานมานี้ มีการจัด Claude Opus 4.8 Hackathon ขึ้นที่ San Francisco แล้วมีเวลา 12 ชั่วโมงในการสร้าง product demo ด้วย Claude Opus 4.8

มีคนสมัครมากกว่า 1,500 คน แต่ได้เข้าร่วมจริง 310 คน แต่ละทีมได้ credit $500 และ แต่ละทีมต้องทำ demo ให้ได้จริงภายในเวลาที่กำหนด

ตอนแรกอ่านเหมือนเป็นข่าว hackathon ทั่วไป มีผู้ชนะ 1 2 3 มีโปรเจกต์เท่ๆ แล้วก็จบ 

แต่สิ่งที่น่าสนใจกว่านั้นไม่ใช่ว่าใครชนะ แต่คือวิธีการใช้ AI สร้าง demo เพราะแต่ละทีมใช้ AI (Claude) เป็น Agents หรือ ผู้ช่วยหลายคนที่มีหน้าที่แตกต่างกันออกไป

เพราะทุกทีมไม่ได้ใช้ Claude แค่ “ช่วยเขียน code”แต่ใช้ Claude เหมือนเป็นทีมงานหลายตำแหน่งพร้อมกัน

เช่น วางแผน, research, frontend, backend, ตรวจงาน, แก้ bug, ลด cost, ทำ verification loop

3 ทีมที่ชนะไม่ได้ทำแค่ todo app หรือ landing page แต่สิ่งที่ออกมาค่อนข้างน่าสนใจ เพราะแต่ทำ project ที่มีความซับซ้อนพอสมควร เช่น 

สร้างสถาปัตยกรรมโบราณกลับมาเป็น 3D ตาม ref

สร้างเมือง San Francisco จำลอง และ user สามารถถามกับ app เกี่ยวกับเมืองได้

เอาภาพจากมือถือ 1 รูป ไปสร้างเป็น 3D scene ที่แก้ไขได้

ทั้งหมดนี้ทำภายใน 12 ชั่วโมง.. สมชื่อ hackathon 

ถ้าใครคุ้นเคยกับงาน Hackathon จะรู้ว่า ถ้าเป็นเมื่อก่อน งานพวกนี้อาจต้องใช้ทีมหลายคน หลายวัน บางทีเป็นเดือน แต่ตอนนี้อย่างน้อยในระดับ prototype คือทำได้เลย ไม่ต้องมีทีม dev ด้วยซ้ำ

มาดูหน้าตาแต่ละทีมที่ได้ top 3 กันบ้าง

อันดับ 3 Custom Universe จากรูปมือถือเป็น 3D scene 
โดย Jake Stevens และ Mauricio Pereira

โปรเจกต์นี้ทำภาพจากมือถือ ให้กลายเป็น 3D object หรือ 3D scene และเอาไปทำต่อได้

เช่น ถ่ายรูปเก้าอี้ 1 ตัว แล้วระบบแปลงเป็น 3D object ที่เอาไปวางใน scene ได้ เปลี่ยน style ด้วย text prompt ได้ ขยับตำแหน่งได้ และ render update แบบ real-time

ดูเหมือน tool สาย creative แต่จริงๆ target หลักคือ robotics lab เพราะ robotics ต้องใช้ synthetic data จำนวนมากในการ train model

ถ้าเรามีโรงงานจริง มีเครื่องจักรจริง เราสามารถ scan object จากหน้างาน แล้วเอาเข้า simulation เพื่อสร้าง training data ให้ robot ได้ ปกติการสร้าง environment แบบนี้ต้องใช้คนที่เข้าใจ physics, collision geometry, 3D engineering พอสมควร

แต่ Custom Universe พยายามทำให้ user แค่ลาก object ไปวางใน scene ได้เลย

ทีมนี้ใช้ Claude Opus 4.8 สร้าง project end-to-end และยังให้ Claude ช่วย operate remote NVIDIA H100 ที่ใช้รัน model ในงาน hackathon ด้วย อีกจุดที่ผมชอบคือทีมไม่ได้ใช้ Claude แค่เขียน code แต่ใช้ Claude ช่วย research ด้วยว่า model ไหนเหมาะกับ output แบบไหน และจะเอา Apple RealityKit มาเชื่อมเข้า web app ยังไง

อันนี้เป็น การทำงานที่ผมคิดว่าสำคัญมากที่ใช้ AI เพื่อเลือก tools ไม่ได้แค่ให้เขียน code เพราะหลายครั้งปัญหาไม่ได้อยู่ที่ code เขียนยังไง แต่อยู่ที่เราควรใช้ model ไหน library ไหน architecture แบบไหน pipeline แบบไหน

อันดับ 2 Sim Francisco
โดย Tanmayi Priya Dasari และ Tejas Prabhune

ทีมนี้ concept ดีชอบเป็นการส่วนตัว เค้าทำ digital twin ของประชากร San Francisco จากข้อมูล Census มี synthetic residents 10,000 คน แต่ละคนมี demographic, personal history, worldview และอยู่ในแผนที่เมือง

คือเค้าสร้าง คนในเมืองจำลองให้เหมือนคนจริงนั่นแหละ… และก็ก้อปปี้ความคิดของคนย่านนั้นๆ มาด้วย และเราสามารถถามความเห็นกับชุมชนนั้นๆ ได้

เช่น ถามว่า “ถ้ามีสะพานลอยตรงนี้ คนแต่ละย่านจะคิดยังไง”
ระบบก็จะทำโพลของประชากรจำลองทั้งเมือง แล้วสรุปออกมาเหมือนทำโพลจริงเลย

ในข่าวบอกว่าระบบนี้ forecast ผลเลือกตั้งหรือแบบสอบถามทั่วไปบางอย่างได้ใกล้เคียงผลจริงมาก แม้ตัว model จะมี knowledge cutoff ก่อนเหตุการณ์จริง

ตรงนี้น่าสนใจมาก แต่ก็มีความเสี่ยงมากเหมือนกัน

เพราะถ้าใช้ในทางที่ดี มันอาจช่วยให้เราทดสอบ policy, product, campaign หรือ public opinion ได้เร็วขึ้น แต่ถ้าใช้ผิดทาง มันก็อาจกลายเป็นเครื่องมือ manipulate ความคิดเห็น หรือสร้างความมั่นใจผิดๆ จากประชากรจำลองได้เหมือนกัน

Anthropic เองก็ใส่ note ไว้ว่า project นี้เป็น independent hackathon project และไม่ได้แปลว่า Anthropic endorse การใช้ AI จำลองผลเลือกตั้ง สิ่งที่ผมสนใจมากกว่า use case เลือกตั้ง คือวิธีคิดเรื่อง cost

ตอนแรกระบบนี้เรียก inference แยกสำหรับประชากรจำลอง 10,000 คน ซึ่งแพงมาก แต่ Claude ช่วยสร้าง evolutionary clustering algorithm เพื่อรวมคนที่คล้ายกันให้เหลือประมาณ 300 representative personas (ใช้ตัวแทน 300 คน)

ผลคือ accuracy ยังใกล้เคียงเดิม แต่ลด inference cost ได้ 10–100 เท่า

และตรงนี้คือสิ่งที่สำคัญ เพราะการทำ AI product ไม่ใช่แค่ “ทำให้มันตอบได้” แต่ต้องทำให้มันรันได้ในต้นทุนที่รับไหวด้วย

อันดับ 1 Tekton
โดย Holly Tang และ Austin Burgess

ทีมนี้ไอเดียเจ๋งมาก คือการสร้าง platform ที่เอาสถาปัตยกรรมเก่าๆ ในประวัติศาสตร์ ทำเป็น 3D model โดยที่ทุกชิ้นส่วนของโมเดลสามารถ trace กลับไปได้ว่าชิ้นไหน มาจากไหนส่วนไหน

เช่น อาคารไม้เก่า ถูกไฟไหม้ไปแล้ว สิ่งที่เสียหายไม่ได้มีแต่ตัวอาคาค แต่คือ craftsmanship หรือองค์ความรู้ในการแกะไม้ การกระกอบ ที่มีอายุหลายร้อยปีก็ถูกทำลายไปด้วย

Tekton เลยพยายาม reconstruct อาคารพวกนี้ขึ้นมาใหม่ โดยให้ Claude ช่วย research จากเอกสาร แบบแปลน รูปถ่าย diagram ต่างๆ แล้วประกอบเป็น 3D model

จุดที่น่าสนใจคือมันไม่ได้แค่ generate ออกมาให้ดูเท่ๆ สวยๆ แต่ทุก component มี evidence chain สืบย้อนกลับไปได้ว่า เอ๊ะ ชิ้นนี้มาจากไหน

คือแบบว่า ถ้าคลิกที่ชิ้นส่วนหนึ่งของโมเดล ระบบจะบอกได้ว่าชิ้นส่วนนี้มาจาก source ไหน ทำไมถึงวางตรงนี้ มีเหตุผลอะไร

อันนี้สำคัญมาก เพราะถ้า AI สร้างภาพหรือ 3D ออกมาเฉยๆ เราไม่รู้ว่ามันมั่วหรือจริง

แต่ถ้ามัน trace กลับไปยัง source ได้ มันเริ่มกลายเป็นเครื่องมือสำหรับ academic, restoration, museum, government หรือ cultural preservation ได้จริงแล้วแหละ

ทีมนี้ใช้ Claude Opus 4.8 ในการทำ verification ด้วย โดยมี sub-agent แยกกันตรวจงาน แต่ละตัวตรวจใน context ของตัวเอง แล้ววน self-correction loop จนกว่าจะผ่าน test ทั้งหมด อันนี้คือ keyword สำคัญมาก AI ไม่ได้สร้างออกมาอย่างเดียวนะ แต่มี Loop ให้มันตรวจตัวเองด้วยไม่ใช่แค่ AI สร้าง
แต่ AI ต้องตรวจตัวเองได้ด้ว

ที่มา: Anthropic