Video Language Models: พรมแดนขั้นถัดไปต่อจาก LLM และ AI Agent

เราใช้เวลาช่วงหลายปีที่ผ่านมาในการสอนให้ AI อ่าน เขียน และแม้กระทั่งใช้เหตุผลเพื่อแก้ปัญหาที่ซับซ้อน แต่ประเด็นก็คือ ทั้งหมดนั้นเกิดขึ้นในโลกดิจิทัล ChatGPT อาจเขียนบทกวีเกี่ยวกับการเดินป่าให้คุณได้ แต่มันไม่ได้มีความเข้าใจเลยว่าการก้าวข้ามท่อนไม้ที่ล้มลงหรือการก้มหลบกิ่งไม้ต่ำๆ รู้สึกอย่างไร

World Model เกิดขึ้นมาเพื่อเปลี่ยนแปลงสิ่งนี้

Video Language Model คืออะไร?

ลองคิดว่าสิ่งนี้คือวิวัฒนาการของ Vision-Language Model แต่มีการเพิ่มองค์ประกอบสำคัญเข้ามา นั่นคือความเข้าใจด้านมิติเวลา (Temporal Understanding) ในขณะที่ VLM ทั่วไปมองภาพเพียงภาพเดียวแล้วตอบคำถามเกี่ยวกับภาพนั้น Video Language Model จะเฝ้าสังเกตลำดับเหตุการณ์ที่เกิดขึ้นและเรียนรู้กฎเกณฑ์ที่ควบคุมความเป็นจริงทางกายภาพ

นี่ไม่ใช่แค่ความสนใจในเชิงวิชาการ แต่นำไปสู่การประยุกต์ใช้งานจริงอย่างมหาศาล

เมื่อหุ่นยนต์ต้องการหยิบถ้วยกาแฟ มันไม่ได้แค่จดจำคำว่า "ถ้วย" ในภาพได้เท่านั้น แต่มันจำเป็นต้องเข้าใจ:

• ✓วัตถุมีพฤติกรรมอย่างไรเมื่อถูกดันหรือยกขึ้น
• ✓จะเกิดอะไรขึ้นเมื่อของเหลวฉีดกระฉอกหรือกระฉอกไปมา
• ✓การเคลื่อนไหวของตัวมันเองส่งผลต่อฉากอย่างไร
• ✓การกระทำใดบ้างที่เกิดขึ้นได้จริงทางกายภาพ และการกระทำใดที่เป็นไปไม่ได้

และนี่คือจุดที่ World Model เข้ามามีบทบาท

จากการจำลองสู่การลงมือทำ

แนวคิดนี้มีความประณีตสวยงาม แทนที่จะต้องเขียนโค้ดระบุกฎทางฟิสิกส์ทีละข้อ คุณใช้วิธีเทรน AI ด้วยวิดีโอความยาวหลายล้านชั่วโมงที่แสดงให้เห็นว่าโลกจริงทำงานอย่างไร ตัวโมเดลจะเรียนรู้เรื่องแรงโน้มถ่วง แรงเสียดทาน ความคงอยู่ของวัตถุ (Object Permanence) และความสัมพันธ์เชิงสาเหตุ ไม่ใช่จากสมการ แต่จากการสังเกตการณ์

Cosmos ของ NVIDIA เป็นหนึ่งในความพยายามที่ทะเยอทะยานที่สุดในด้านนี้ World Model กรรมสิทธิ์ของพวกเขาถูกออกแบบมาโดยเฉพาะสำหรับการใช้งานในวิทยาการหุ่นยนต์ ซึ่งการเข้าใจความจริงทางกายภาพไม่ใช่ตัวเลือก แต่เป็นสิ่งจำเป็นสำหรับการรอดชีวิต

Genie 3 ของ Google DeepMind ใช้แนวทางที่แตกต่างออกไป โดยมุ่งเน้นไปที่การสร้างโลกแบบโต้ตอบได้ ซึ่งสามารถ "เล่น" โมเดลเสมือนเป็นสภาพแวดล้อมในวิดีโอเกมได้

การทดลอง PAN

เมื่อไม่นานมานี้ นักวิจัยจาก Mohamed bin Zayed University ได้เปิดตัว PAN ซึ่งเป็น World Model ทั่วไปที่ทำการทดลองสิ่งที่เรียกว่า "การทดลองทางความคิด" (Thought Experiments) ภายในสถานการณ์จำลองที่ควบคุมได้

นวัตกรรมสำคัญคือการมองว่าการสร้าง World Model เป็นปัญหาการสร้างวิดีโอ (Generative Video) แทนที่จะโปรแกรมระบบฟิสิกส์โดยตรง ตัวโมเดลจะเรียนรู้การสร้างวิดีโอส่วนต่อขยายที่สอดคล้องกับกฎทางฟิสิกส์ เมื่อกำหนดฉากเริ่มต้นและการกระทำที่เสนอ โมเดลจะสามารถ "จินตนาการ" ได้ว่าอะไรจะเกิดขึ้นเป็นลำดับถัดไป

สิ่งนี้มีนัยสำคัญอย่างยิ่งต่อวิทยาการหุ่นยนต์ ก่อนที่หุ่นยนต์ฮิวมานอยด์จะยื่นมือไปจับถ้วยกาแฟ มันสามารถรันการทดลองจำลองได้หลายร้อยครั้ง เพื่อเรียนรู้ว่ามุมการเข้าถึงแบบใดที่สำเร็จ และแบบใดที่จะจบลงด้วยกาแฟหกเต็มพื้น

อนาคตแห่งหุ่นยนต์พันล้านตัว

นี่ไม่ใช่ตัวเลขที่ยกขึ้นมาลอยๆ เพื่อสร้างความตื่นเต้น แต่การคาดการณ์ของอุตสาหกรรมชี้ไปที่อนาคตที่หุ่นยนต์ฮิวมานอยด์จะกลายเป็นเรื่องแพร่หลายเหมือนสมาร์ทโฟนจริงๆ และหุ่นยนต์ทุกตัวจำเป็นต้องมี World Model เพื่อที่จะทำงานเคียงข้างมนุษย์ได้อย่างปลอดภัย

การประยุกต์ใช้งานนั้นขยายไปไกลกว่าหุ่นยนต์ฮิวมานอยด์:

จุดตัดระหว่างการสร้างวิดีโอกับความเข้าใจโลก

หากคุณติดตามเรื่องการสร้างวิดีโอด้วย AI คุณอาจสังเกตเห็นจุดที่ซ้อนทับกัน เครื่องมืออย่าง Sora 2 และ Veo 3 สามารถสร้างวิดีโอที่สมจริงอย่างน่าทึ่งอยู่แล้ว คำถามคือ พวกมันนับเป็น World Model ด้วยหรือไม่?

คำตอบคือ ทั้งใช่และไม่ใช่

OpenAI ได้วางตำแหน่ง Sora ไว้อย่างชัดเจนว่ามีความสามารถในการจำลองโลก ตัวโมเดลมีความเข้าใจบางอย่างเกี่ยวกับฟิสิกส์อย่างเห็นได้ชัด เมื่อดูผลงานจาก Sora คุณจะเห็นแสงเงาที่สมจริง การเคลื่อนไหวที่เป็นไปได้ และวัตถุที่มีพฤติกรรมถูกต้องเกือบทั้งหมด

แต่มีความแตกต่างสำคัญระหว่างการสร้างวิดีโอที่ดูสมจริง กับการเข้าใจความสัมพันธ์เชิงสาเหตุทางกายภาพอย่างแท้จริง เครื่องมือเจนวิดีโอในปัจจุบันได้รับการปรับแต่งให้เน้นความสมจริงทางทัศนวิสัย (Visual Realism) ในขณะที่ World Model ถูกปรับแต่งให้เน้นความแม่นยำในการทำนาย (Predictive Accuracy)

ปัญหาการประสาทหลอน (Hallucination)

และนี่คือความจริงที่น่าอึดอัด: World Model ประสบปัญหาการประสาทหลอน (Hallucination) ในลักษณะเดียวกับที่ระบาดใน LLM

เมื่อ ChatGPT ระบุข้อเท็จจริงที่ผิดด้วยความมั่นใจ มันอาจจะน่ารำคาญ แต่เมื่อ World Model ทำนายอย่างมั่นใจว่าหุ่นยนต์สามารถเดินทะลุกำแพงได้ นั่นเป็นเรื่องที่อันตราย

ระบบในปัจจุบันมีประสิทธิภาพลดลงเมื่อเจอลำดับวิดีโอที่ยาวขึ้น โดยสูญเสียความสอดคล้องเมื่อต้องคาดการณ์อนาคตที่ไกลออกไป สิ่งนี้สร้างความตึงเครียดพื้นฐาน นั่นคือการทำนายที่มีประโยชน์ที่สุดมักเป็นการทำนายระยะยาว แต่การทำนายระยะยาวกลับเป็นสิ่งที่น่าเชื่อถือน้อยที่สุด

นักวิจัยกำลังรับมือกับปัญหานี้จากหลายมุมมอง บางส่วนมุ่งเน้นไปที่ข้อมูลการเทรนที่ดีขึ้น บางส่วนทำงานด้านสถาปัตยกรรมใหม่ๆ ที่ช่วยรักษาความคงเส้นคงวาของฉาก และยังมีบางส่วนที่เสนอแนวทางผสมผสาน (Hybrid Approach) ซึ่งรวม World Model ที่เกิดจากการเรียนรู้เข้ากับข้อจำกัดทางฟิสิกส์ที่กำหนดไว้ชัดเจน

ก้าวสำคัญของ Qwen 3-VL

ในฝั่ง Vision-Language โมเดล Qwen 3-VL ของ Alibaba ถือเป็นระดับสเตตออฟดิอาร์ต (State of the Art) ของโมเดลโอเพนซอร์สในปัจจุบัน

สิ่งที่ทำให้ Qwen 3-VL น่าสนใจเป็นพิเศษคือความสามารถสไตล์ "Agentic" โมเดลสามารถควบคุมส่วนติดต่อผู้ใช้แบบกราฟิก (GUI) จดจำองค์ประกอบ UI เข้าใจฟังก์ชัน และดำเนินงานในโลกจริงผ่านการเรียกใช้เครื่องมือต่างๆ ได้

นี่คือสะพานเชื่อมระหว่างความเข้าใจและการลงมือทำที่ World Model จำเป็นต้องมี

ทำไมเรื่องนี้จึงสำคัญสำหรับผู้สร้างสรรค์งาน

หากคุณเป็นผู้สร้างวิดีโอ คนทำหนัง หรือแอนิเมเตอร์ World Model อาจฟังดูไกลตัวจากงานประจำวันของคุณ แต่ผลกระทบของมันกลับอยู่ใกล้ตัวกว่าที่คุณคิด

อาการที่คุณคุ้นเคยดีอยู่แล้ว

เครื่องมือวิดีโอ AI ในปัจจุบันยังคงต่อสู้กับความสอดคล้องทางฟิสิกส์ และความผิดพลาดเหล่านั้นมีสาเหตุร่วมกัน:

• วัตถุทะลุซ้อนกัน เพราะไม่มีส่วนใดในโมเดลที่แสดงผลว่าวัตถุเป็นสิ่งที่จับจองพื้นที่
• แรงโน้มถ่วงทำงานไม่สม่ำเสมอระหว่างช็อต เพราะแต่ละช็อตถูกสุ่มสร้างอย่างเป็นอิสระต่อกัน
• เหตุและผลสับสนปนเป เพราะโมเดลกำลังทำนายว่าเฟรมมีหน้าตาอย่างไร มากกว่าทำนายว่าเกิดอะไรขึ้นเป็นลำดับถัดไป

ทั้งหมดนี้คืออาการของโมเดลที่สามารถสร้างพิกเซลที่ดูสมจริงได้ แต่ไม่ได้เข้าใจกฎทางฟิสิกส์ที่เป็นเบื้องหลังของภาพนั้นอย่างแท้จริง

สภาพที่จะเปลี่ยนไปเมื่อมี World Model

World Model คือระบบที่รักษาการแสดงผล (Representation) ของตัวฉากเอาไว้ ไม่ใช่แค่ของเฟรมสุดท้าย ความแตกต่างนี้คือสิ่งที่ช่วยให้วัตถุยังคงอยู่ที่เดิมเมื่อกล้องแพนออกไปแล้วกลับมาใหม่

World Model ที่ถูกเทรนด้วยชุดข้อมูลวิดีโอขนาดมหาศาลจะย้อนกลับมาส่งเสริมการสร้างวิดีโอ ผลิตเครื่องมือ AI ที่เคารพกฎทางฟิสิกส์โดยธรรมชาติ ลองจินตนาการถึงตัวเจนวิดีโอที่คุณไม่ต้องใส่พรอมต์คำว่า "ฟิสิกส์สมจริง" อีกต่อไป เพราะโมเดลรู้เรื่องการทำงานของโลกจริงอยู่แล้ว

สิ่งนี้หมายความอย่างไรสำหรับโปรเจกต์ถัดไปของคุณ

ยังไม่มีสิ่งใดในนี้ที่พร้อมใช้งานในฐานะผลิตภัณฑ์ให้คุณใช้ได้ในวันนี้ คำแนะนำอย่างตรงไปตรงมาจึงมีดังนี้

• หากคุณต้องส่งมอบวิดีโอในไตรมาสนี้: ให้มองข้าม World Model ไปได้เลย แล้วเลือกจากปัจจัยที่มีอยู่ในปัจจุบัน ได้แก่ ความยาวช็อต ความคงเส้นคงวาของตัวละคร/เอกลักษณ์ และราคาต่อวินาที โมเดลที่ใช้เหตุผลทางฟิสิกส์ไม่ได้อยู่ในตัวเลือก เพราะยังไม่มีตัวใดทำได้
• หากคุณกำลังวางแผนเวิร์กโฟลว์สำหรับปีหน้า: เกณฑ์ที่ควรรอดูคือตัวเจนวิดีโอรักษาความเสถียรของวัตถุได้หรือไม่เมื่อวัตถุนั้นออกจากเฟรมไปแล้วกลับเข้ามาใหม่ การทดสอบเพียงข้อนี้ข้อเดียวสามารถแยก World Model ออกจากตัวทำนายเฟรมที่ดีได้ และคุณสามารถทดสอบกับเครื่องมือใดก็ได้ในเวลาประมาณหนึ่งนาที
• หากคุณกำลังเลือกสิ่งที่จะเรียนรู้: ทักษะที่ต่อยอดได้จริงคือการวางแผนช็อตโดยยึดข้อจำกัดของโมเดลเป็นหลัก มากกว่าการสรรหาถ้อยคำในพรอมต์ เพราะข้อจำกัดเปลี่ยนแปลงช้า แต่การแต่งพรอมต์ปรับเปลี่ยนทุกครั้งที่มีเวอร์ชันใหม่

ข้อกล่าวอ้างที่ควรตั้งข้อสงสัยไว้ก่อน คือเครื่องมือใดก็ตามที่โฆษณาเรื่องความเข้าใจทางฟิสิกส์โดยไม่แสดงช็อตยาวแบบไม่ตัดต่อ (Uncut Shot) ตัวอย่างสาธิตลักษณะนี้ทำได้ไม่ยาก ดังนั้นการไม่มีช็อตแบบนี้ในการเปิดตัวจึงเป็นสิ่งที่น่าสังเกต

เส้นทางข้างหน้า

World Model อาจเป็นเป้าหมายที่ทะเยอทะยานที่สุดในวงการ AI นั่นคือการสอนให้เครื่องจักรเข้าใจความจริงทางกายภาพในแบบที่มนุษย์เข้าใจ ไม่ใช่ผ่านการเขียนโค้ดตรงๆ แต่ผ่านการสังเกต การอนุมาน และจินตนาการ

เรายังอยู่ในช่วงเริ่มต้น ระบบในปัจจุบันคือการสาธิตที่น่าประทับใจ ยังไม่ใช่โซลูชันที่พร้อมสำหรับสภาพแวดล้อมจริง แต่นิศทางนั้นชัดเจนแล้ว

บริษัทที่ลงทุนอย่างหนักในพื้นที่นี้ ทั้ง NVIDIA, Google DeepMind, OpenAI และสตาร์ทอัพจำนวนมาก กำลังเดิมพันว่าสติปัญญาทางกายภาพ (Physical Intelligence) คือพรมแดนขั้นถัดไปต่อจากสติปัญญาทางดิจิทัล

เมื่อพิจารณาว่า LLM สร้างการเปลี่ยนแปลงครั้งใหญ่ให้กับการทำงานกับข้อความได้อย่างไร ลองจินตนาการถึงผลกระทบเมื่อ AI สามารถเข้าใจและมีปฏิสัมพันธ์กับโลกจริงได้อย่างคล่องแคล่วไม่แพ้กัน

นั่นคือคำสัญญาของ Video Language Model และนั่นคือเหตุผลว่าทำไมพรมแดนนี้จึงมีความสำคัญ

---

แหล่งอ้างอิง

• Morgan Stanley: จำนวนประชากรหุ่นยนต์ฮิวมานอยด์ทั่วโลกคาดว่าจะเข้าใกล้หนึ่งพันล้านตัวภายในปี 2050 (Morgan Stanley)