เคยโพสต์เรื่อง world model ไปแล้วหลายครั้ง (รอบก่อนหน้านี้คือ World Labs ของ Fei-Fei Li ซึ่งล่าสุด เพิ่งถูก AMD ซื้อกิจการไปในราคาถึง 8.2 พันล้านดอลลาร์)
คราวนี้ฝั่ง Google DeepMind เพิ่งออกโมเดลตัวใหม่ชื่อ Genie 4 เลยต้องเขียนถึงบ้าง (ตอนนี้น่าจะเหลือแค่ 2 เจ้าใหญ่นี้แล้วล่ะ)
ปกติ DeepMind ออกโมเดล Genie ใหม่ปีละครั้ง ของใหม่ในปีนี้มีด้วยกัน 4 อย่าง
- มันมีเสียงแล้ว! ทั้งเสียงประกอบ (ambient sound) และเสียงพูด
- มีความสมจริงด้านฟิสิกส์สูงมาก การเคลื่อนไหวหรือปฏิกิริยาของมนุษย์ก็สมจริง
- สามารถปรับแก้ไขโลกเสมือนแบบเรียลไทม์ได้ อยากให้มีระเบิด มนุษย์ต่างดาวบุกเข้ามาในซีนใช่ไหม ก็แค่พิมพ์ prompt เพิ่มเข้าไปสดๆ ตอนนั้นได้เลย
- สร้างเหตุการณ์ที่ซับซ้อนในโลกเสมือนได้ ถึงขั้นสร้างโลกเสมือนให้โมเดลหุ่นยนต์เข้าไปทดสอบเป็น simulation ได้
อธิบายเป็นข้อความล้วนๆ มันเข้าใจยากนิดนึง แนะนำให้ดูคลิป และเข้าไปดูคลิปย่อยๆ ใน เว็บของ DeepMind จะเห็นภาพชัดเจนขึ้นมาก
ตัวอย่างที่น่าเร้าใจที่สุดคือการใช้ภาพ Starry Night เป็นอินพุตแล้วสร้างเป็นเมืองเสมือนขึ้นมา ที่เราสามารถกด WASD เข้าไปเดินได้ มีสะพาน มีแม่น้ำ มีเสียงหมาเห่า 555 จากอินพุตเพียงภาพเดียว
ประเด็นที่ผมอยากเน้นเพิ่มเติมมีดังนี้
1. Genie 4 แสดงให้เห็นแสนยานุภาพของลูกพี่ Google ตรงที่เป็นบริษัทใหญ่ มีโมเดลครบถ้วนทุกประเภท ถึงแม้โมเดลตัวหลักที่เป็น LLM/Transformer-based อาจด้อยกว่าคู่แข่งไปบ้างในช่วงหลัง (กำลังจะกลับมาด้วย Gemini 4) แต่พี่แกยังมีโมเดลภาพ โมเดลวิดีโอ โมเดลเสียง โมเดลหุ่นยนต์ ฯลฯ อีกเต็มไปหมด ในระดับที่ไม่มีใครครบถ้วนเท่า
กรณีของ Genie 4 จึงดึงเอาโมเดลเหล่านี้มาช่วยทำงานได้ เช่น Gemini Omni ใช้สร้างวิดีโอ (ที่มีเสียง) หรือ Gemini ใช้แปลง prompt ที่เราสั่งแบบเรียลไทม์ให้ตรงกับซีนของโลกเสมือนในตอนนั้นอีกชั้นหนึ่ง
2. การใช้โมเดล LLM/Transformer-based ในการคุม loop ซึ่งเขียนถึงไปในโพสต์ที่แล้ว ว่าเป็นการแยกส่วนกันคือใช้โมเดล Gemini ที่มี multi-step reasoning สูงเป็นตัวคุม loop สังเกตการเปลี่ยนแปลงของโมเดลอื่น แตกงานเป็นงานย่อยๆ แล้วสั่งให้โมเดลอื่นทำต่อ ส่วนในงานย่อยๆ นั้นคือใช้ Genie 4 คอยสร้างโลกเสมือนให้ตามที่ Gemini สั่งงานให้แทนผู้ใช้
หากอ้างอิงจากคำของ Google เอง เขาใช้คำว่า
A promising path for future progress lies in hybrid world models, which combine the logical, structured reasoning of code and language models with the rich, sensory representation of pixel-level simulation.
3. ระบบ loop ลักษณะนี้จะเอาไปต่อยอดเป็นวัฏจักร AI คุยกันเอง พัฒนาตัวเองต่อเนื่อง (เดี๋ยวจะกลายเป็น Skynet) ซึ่งมันเริ่มต้นขึ้นแล้ว เพราะ Google บอกว่ากำลังทดสอบการใช้ Gemini + Genie สร้างโลกเสมือนที่ตอบสนองได้เหมือนโลกจริงๆ เป็น simulation แล้วอีกข้างจะเอา Gemini Robotics โมเดลควบคุมหุ่นยนต์ไปลองทำงานอยู่ในนั้น เพื่อพัฒนาโมเดลหุ่นยนต์ให้ตอบสนองต่อสิ่งแวดล้อมรูปแบบต่างๆ ให้มั่นใจก่อนไปควบคุมหุ่นในโลกจริง
แนวทางการเทรนหุ่นยนต์ด้วยวิธี simulation ไม่ใช่เรื่องใหม่ รถยนต์ไร้คนขับใช้วิธีนี้ แต่เดิมทีการสร้างโลกและปรับจูนโลกต้องทำด้วยมือมนุษย์ คราวนี้กระบวนการฝั่งสร้างโลกเสมือนมันเริ่มเกิดขึ้นอัตโนมัติแล้ว
น่าเสียดายว่าตอนนี้ Gemini 4 ยังเปิดทดสอบในวงจำกัดเท่านั้น เลยยังไม่มีโอกาสได้ลองไปเล่นของจริงๆ ว่ามันเจ๋งแค่ไหนครับ