World Models: พรมแดนถัดไปของการสร้างวิดีโอด้วย AI

จากเฟรมสู่โลก

โมเดลสร้างวิดีโอแบบดั้งเดิมทำงานคล้ายศิลปินผู้สร้างภาพพลิกที่ซับซ้อน พวกมันคาดการณ์ว่าเฟรมถัดไปควรมีลักษณะอย่างไรจากเฟรมก่อนหน้า โดยอิงตามข้อความพรอมต์ของคุณ มันใช้งานได้ แต่มีข้อจำกัดพื้นฐาน

World models ใช้แนวทางที่แตกต่างออกไป แทนที่จะถามว่า "เฟรมถัดไปควรมีลักษณะอย่างไร?" พวกมันถามว่า "สภาพแวดล้อมนี้ทำงานอย่างไร?" ความแตกต่างอาจฟังดูเล็กน้อย แต่มันเปลี่ยนทุกอย่าง

เมื่อคุณบอกตัวคาดการณ์เฟรมให้สร้างลูกบอลกลิ้งลงเนิน มันจะประมาณภาพที่น่าจะเป็นจากข้อมูลฝึก แต่เมื่อคุณบอก world model ในสิ่งเดียวกัน มันจะจำลองฟิสิกส์: แรงโน้มถ่วงเร่งลูกบอล แรงเสียดทานกับหญ้าทำให้มันช้าลง และโมเมนตัมพามันขึ้นไปบนทางลาดฝั่งตรงข้าม

สิ่งที่ GWM-1 ของ Runway ทำจริง ๆ

Runway เปิดตัว GWM-1 (General World Model 1) ในเดือนธันวาคม 2025 และนี่คือก้าวสาธารณะครั้งแรกของบริษัทสู่การจำลองโลก โมเดลนี้สร้างสิ่งที่พวกเขาเรียกว่า "สภาพแวดล้อมการจำลองแบบไดนามิก" ซึ่งเป็นระบบที่เข้าใจไม่เพียงว่าสิ่งต่าง ๆ ปรากฏอย่างไร แต่ยังเข้าใจว่ามันเปลี่ยนแปลงไปตามเวลาอย่างไร

จังหวะเวลามีความสำคัญ การเปิดตัวนี้เกิดขึ้นพร้อมกับ Gen-4.5 ขึ้นอันดับ 1 บน Video Arena ซึ่งผลัก OpenAI Sora 2 ลงไปอยู่อันดับ 4 ความสำเร็จเหล่านี้ไม่ใช่เรื่องที่ไม่เกี่ยวข้องกัน การพัฒนาของ Gen-4.5 ด้านความแม่นยำทางกายภาพ ซึ่งวัตถุเคลื่อนไหวด้วยน้ำหนัก โมเมนตัม และแรงที่สมจริง น่าจะมาจากงานวิจัย world model ที่ส่งผลต่อสถาปัตยกรรมของมัน

เหตุใดสิ่งนี้จึงเปลี่ยนทุกอย่าง

1. ฟิสิกส์ที่ทำงานได้จริง

โมเดลวิดีโอปัจจุบันมีปัญหากับฟิสิกส์ เพราะพวกมันเพียงเคยเห็นฟิสิกส์ แต่ไม่เคยสัมผัสมัน พวกมันรู้ว่าวัตถุที่ถูกปล่อยจะตก แต่จะประมาณวิถีแทนการคำนวณ World models พลิกความสัมพันธ์นี้

นี่คือเหตุผลที่ การจำลองฟิสิกส์ของ Sora 2 สร้างความประทับใจให้ผู้คน: OpenAI ลงทุนอย่างมากกับความเข้าใจทางกายภาพ World models ทำให้แนวทางนี้เป็นระบบชัดเจนขึ้น

2. ความต่อเนื่องตามเวลาโดยไม่ต้องใช้กลเม็ด

จุดเจ็บปวดที่ใหญ่ที่สุดของวิดีโอ AI คือความสม่ำเสมอตามเวลา ตัวละครเปลี่ยนรูปลักษณ์ วัตถุเคลื่อนย้ายทันที สภาพแวดล้อมเปลี่ยนแบบสุ่ม เราได้สำรวจ วิธีที่โมเดลกำลังเรียนรู้การจดจำใบหน้า ผ่านนวัตกรรมเชิงสถาปัตยกรรม เช่น cross-frame attention

World models เสนอทางออกที่สง่างามกว่า: หากการจำลองติดตามเอนทิตีในฐานะวัตถุถาวรในพื้นที่เสมือน พวกมันก็ไม่อาจเปลี่ยนหรือหายไปแบบสุ่มได้ ลูกบอลมีอยู่ในโลกที่จำลอง มันมีคุณสมบัติ (ขนาด สี ตำแหน่ง ความเร็ว) ที่คงอยู่จนกว่าจะมีบางสิ่งในการจำลองเปลี่ยนแปลงมัน

3. วิดีโอที่ยาวขึ้นกลายเป็นไปได้

โมเดลปัจจุบันเสื่อมคุณภาพไปตามเวลา diffusion แบบสองทิศทางของ CraftStory ผลักดันไปสู่วิดีโอ 5 นาทีด้วยการให้เฟรมหลังมีอิทธิพลต่อเฟรมก่อน World models เข้าหาปัญหาเดียวกันด้วยวิธีต่างออกไป: หากการจำลองมีเสถียรภาพ คุณก็สามารถรันมันได้นานเท่าที่ต้องการ

ข้อควรระวัง (ย่อมมีข้อควรระวังเสมอ)

World models ฟังดูเหมือนเป็นคำตอบของทุกปัญหาในการสร้างวิดีโอ แต่ยังไม่ใช่ อย่างน้อยก็ในตอนนี้

ต้นทุนการประมวลผล

การจำลองโลกมีค่าใช้จ่ายสูง การคาดการณ์เฟรมสามารถทำงานบน GPU สำหรับผู้บริโภคได้ด้วยผลงานจากโครงการอย่าง LTX-2 การจำลองโลกต้องรักษาสถานะ ติดตามวัตถุ และรันการคำนวณฟิสิกส์ สิ่งนี้เพิ่มความต้องการด้านฮาร์ดแวร์อย่างมาก

การเรียนรู้กฎของโลกเป็นเรื่องยาก

การสอนโมเดลว่าสิ่งต่าง ๆ มีลักษณะอย่างไร นั้นตรงไปตรงมา: แสดงตัวอย่างหลายล้านรายการให้มันดู แต่การสอนโมเดลว่าโลก ทำงานอย่างไร นั้นคลุมเครือกว่า ฟิสิกส์เรียนรู้ได้จากข้อมูลวิดีโอ แต่มีขีดจำกัด โมเดลเห็นว่าวัตถุที่ถูกปล่อยตกลงมา แต่ไม่สามารถอนุมานค่าคงที่แรงโน้มถ่วงจากการดูภาพวิดีโอได้

คำถามเรื่องการควบคุมเชิงสร้างสรรค์

หากโมเดลกำลังจำลองฟิสิกส์ ใครเป็นผู้กำหนดฟิสิกส์นั้น? บางครั้งคุณต้องการแรงโน้มถ่วงที่สมจริง บางครั้งคุณต้องการให้ตัวละครลอยได้ World models ต้องมีกลไกสำหรับแทนที่การจำลองของตน เมื่อผู้สร้างต้องการผลลัพธ์ที่ไม่สมจริง

อุตสาหกรรมกำลังมุ่งหน้าไปทางไหน

Runway ไม่ได้เดินไปในทิศทางนี้เพียงลำพัง เอกสารด้านสถาปัตยกรรมเบื้องหลัง diffusion transformers ส่งสัญญาณถึงการเปลี่ยนแปลงนี้มาหลายเดือนแล้ว คำถามมีมาโดยตลอดว่า เมื่อไร ไม่ใช่ หรือไม่

ความสนใจจากองค์กรบอกอะไรได้มาก Runway ให้ Ubisoft เข้าถึงก่อนกำหนด ขณะที่ Disney ลงทุนหนึ่งพันล้านดอลลาร์กับ OpenAI เพื่อการผสาน Sora บริษัทเหล่านี้ไม่ได้สนใจสร้างคลิปโซเชียลมีเดียแบบรวดเร็ว พวกเขาต้องการ AI ที่สามารถจำลองสภาพแวดล้อมของเกม สร้างตัวละครแอนิเมชันที่สม่ำเสมอ และผลิตคอนเทนต์ที่ผ่านการตรวจสอบในระดับมืออาชีพได้

สิ่งนี้หมายความว่าอย่างไรสำหรับครีเอเตอร์

• ✓ความสม่ำเสมอของวิดีโอจะดีขึ้นอย่างมาก
• ✓คอนเทนต์ที่เน้นฟิสิกส์จะใช้งานได้จริง
• ✓สร้างวิดีโอได้นานขึ้นโดยคุณภาพไม่พังลง
• ✓ต้นทุนในช่วงแรกจะสูงกว่าการคาดการณ์เฟรม
• ✓กลไกการควบคุมเชิงสร้างสรรค์ยังอยู่ระหว่างการพัฒนา

หากคุณกำลังผลิตวิดีโอ AI ในวันนี้ World models ยังไม่ใช่สิ่งที่คุณต้องนำมาใช้ทันที แต่เป็นสิ่งที่ควรจับตาดู การเปรียบเทียบระหว่าง Sora 2, Runway และ Veo 3 ที่เราเผยแพร่เมื่อต้นปีนี้จะต้องได้รับการอัปเดต เมื่อความสามารถของ world model เริ่มเปิดใช้ในแพลตฟอร์มเหล่านี้

สำหรับการใช้งานจริงในตอนนี้ ความแตกต่างมีผลต่อกรณีใช้งานเฉพาะ:

• การสร้างภาพผลิตภัณฑ์: World models จะโดดเด่นในด้านนี้ ฟิสิกส์ที่แม่นยำสำหรับวัตถุที่โต้ตอบกัน
• ศิลปะนามธรรม: การคาดการณ์เฟรมอาจเหมาะกว่า คุณต้องการผลลัพธ์ภาพที่คาดไม่ถึง ไม่ใช่ความเป็นจริงที่จำลองขึ้น
• แอนิเมชันตัวละคร: World models ร่วมกับเทคนิคการรักษาอัตลักษณ์ อาจแก้ปัญหาความสม่ำเสมอได้ในที่สุด

ภาพใหญ่

World models คือการเติบโตของวิดีโอ AI การคาดการณ์เฟรมเพียงพอสำหรับการสร้างคลิปสั้น ความแปลกใหม่ทางภาพ และการสาธิต proof-of-concept แต่การจำลองโลกคือสิ่งที่คุณต้องการสำหรับงานผลิตจริง ซึ่งคอนเทนต์ต้องมีความสม่ำเสมอ น่าเชื่อถือทางกายภาพ และขยายต่อได้

การที่ Runway เอาชนะ Google และ OpenAI ในการทดสอบวัดประสิทธิภาพด้วยทีม 100 คน บอกเราถึงสิ่งสำคัญ: แนวทางสถาปัตยกรรมที่ถูกต้องสำคัญกว่าทรัพยากร World models อาจเป็นแนวทางนั้น หากเดิมพันของ Runway ประสบความสำเร็จ พวกเขาจะเป็นผู้กำหนด AI วิดีโอรุ่นถัดไป

และหากการจำลองฟิสิกส์ดีพอ? เราจะไม่ได้แค่สร้างวิดีโออีกต่อไป เรากำลังสร้างโลกเสมือน ทีละการจำลอง

---

แหล่งข้อมูล

• Runway: Runway รายงานว่า Gen-4.5 ทำคะแนนได้ 1,247 Elo และครองอันดับหนึ่งใน Artificial Analysis… (Runway)
• CNBC: Cristóbal Valenzuela ซีอีโอของ Runway กล่าวว่า บริษัทบรรลุผลการทดสอบวัดประสิทธิภาพนี้ด้วยทีมขนาด… (CNBC)