เรื่อง World Models เป็นสิ่งที่ผมสนใจติดตามมาสักพักหนึ่ง (World Models, Spatial Intelligence, Physical AI, World Models ของ DeepMind) แต่ช่วงหลังพอมาทำงานการเมืองก็ไม่มีเวลาติดตามละเอียดนัก
ล่าสุด Ars Technica มี บทความสรุปความคืบหน้าของวงการ World Models ช่วงหยุดยาวมีเวลานั่งอ่าน เลยอยากมาเขียนสรุปความเข้าใจของตัวเองสักหน่อย
อธิบายแบบสั้นๆ World Models อาจเป็น “ก้าวต่อไป” ของวงการ AI ที่มีแขนงย่อยมากมาย ถ้าให้ลองสรุปแบบรวบรัด
- 1D – โมเดลภาษา (language model) ที่เราใช้กันในปัจจุบันนี้ คือการให้ AI สร้างผลลัพธ์ออกมาเป็นข้อความยาวๆ ที่ต่อกันไปเรื่อยๆ (1 มิติ) อัลกอริทึมสำคัญของวงการนี้คือ Transformer
- 2D – โมเดลสร้างภาพ เป็นการสร้างผลลัพธ์ออกมาเป็นพิกเซล 2 มิติ (กว้าง x ยาว) อัลกอริทึมสำคัญคือ Diffusion
- 2D เคลื่อนไหว – ถ้าเราเอาโมเดลภาพมาสร้างภาพหลายๆ เฟรมต่อกัน มันจะกลายเป็นโมเดลสร้างวิดีโอได้ แม้มีความซับซ้อนขึ้นมาก แต่พื้นฐานของมันยังเป็นโมเดลสร้างภาพอยู่ดี
- 3D – โมเดลสร้างโลก 3 มิติ ที่มีความกว้าง x ยาว x ลึก เหมือนกับโลกในเกม เราเดินเข้าไปสำรวจในโลกนั้นได้ อันนี้ล่ะ World Models
คำว่า World Models เริ่มดังขึ้นมาหลังจากตัวพ่อตัวแม่ในวงการ AI ออกมาชี้ให้เห็นข้อจำกัดของ language model ว่ามันคือเครื่องเดาคำจากแพทเทิร์นขนาดใหญ่ มันไม่ได้ถูกฝัง logic ใดๆ แบบสิ่งมีชีวิตอยู่ในนั้นด้วย
ล่าสุดปี 2026 นี้ ตัวพ่อตัวแม่เหล่านั้นออกมาเปิดบริษัททำ World Models กัน 2 ค่ายแล้วคือ World Labs ของ Fei-Fei Li และ Advanced Machine Intelligence (AMI) ของ Yann LeCun ถึงแม้รายละเอียดอาจต่างกัน แต่ไอเดียหลักๆ ก็เรื่องเดียวกัน นั่นคือ “การฝังข้อมูลกายภาพจากโลกจริงๆ ลงในโมเดลจำลอง”
ในวงการก็ยังไม่มีคำนิยามที่ชัดเจนของ World Models ว่ามันคืออะไรกันแน่ แต่ผมคิดว่านิยามของ Ben Mildenhall ผู้ร่วมก่อตั้ง World Labs ร่วมกับ Fei-Fei Li และเป็นตัวเทพในวงการ Computer Vision (เขาเป็นคนคิดอัลกอริทึม neural radiance fields หรือ NeRF ซึ่งเป็นสิ่งสำคัญมากของวงการนี้)
The key things that would distinguish it from an LLM are demonstrating degrees of spatial and continuous understanding
คำว่า spatial ในเชิงมิติเป็นสิ่งที่เข้าใจได้ง่าย แต่คำว่า continuous understanding ลึกซึ้งกว่า ตรงที่มันสะท้อนให้เห็นว่าโมเดลตอบโต้กับเราแบบเรียลไทม์ตลอดเวลา ต่างจากโมเดลภาษาแบบ LLM ที่เป็น turn-based คือเรากับ AI สลับกันโต้ตอบ
ส่วนพระแม่ Fei-Fei Li เคยให้นิยามเอาไว้ว่า World Models ต้องมีคุณลักษณะ 3 ประการ
- Generative โมเดลต้องสร้างโลกได้ตามคำสั่งที่มนุษย์ต้องการ โดยที่ยังคงความสม่ำเสมอ (consistency) ภายในโลกนั้นได้ตลอด (ไม่ใช่เดินเข้าห้องเสมือนไป เดินออกมาแล้วสภาพแวดล้อมกลายเป็นอย่างอื่น)
- Multimodal โมเดลต้องรับอินพุตได้หลากหลาย ภาพ วิดีโอ ข้อความ ท่าทาง แผนที่บอกระยะลึก ฯลฯ ได้ในตัว
- Interactive โมเดลจะต้องสร้างเอาต์พุตได้จากอินพุตที่ใส่เข้าไป เอาต์พุตที่ได้คือสถานะถัดไป (next state) ของโลกเสมือนนั้น
แนวทางการสร้าง World Models ของแต่ละบริษัทก็แตกต่างกันไป กรณีของ World Labs ที่เริ่มมาจากสาย Computer Vision จะพัฒนามาจากฐานของ “ภาพนิ่ง” ก่อน แล้วค่อยให้โมเดลอ่านภาพนิ่ง สร้างเป็นโลกเสมือนขึ้นมาอีกที (มีเดโมลองเล่นได้แล้วชื่อว่า Marble)
อีกแนวทางที่น่าสนใจมาจากโลกของ AI สร้างวิดีโอ โดยบริษัท Runway ผู้เชี่ยวชาญเรื่องการสร้างวิดีโอ ได้ออกโมเดลชื่อ GWM-1 (ย่อมาจาก General World Model) มาเมื่อปลายปี 2025 ซึ่งแนวทางของ Runway นั้นเป็นการต่อยอดจากโมเดลสร้างวิดีโอที่ต้อง “เข้าใจโลกกายภาพ” ก่อนถึงจะสร้างวิดีโอที่สมจริงได้ โดยใช้อัลกอริทึมชื่อ Autoregressive Diffusion Model ที่สามารถสร้างผลลัพธ์เป็นภาพ ต่อเนื่องจากอินพุตที่ใส่เข้าไปได้
อย่างไรก็ตาม ข้อจำกัดของการสร้าง World Models แบบสร้างภาพทุกพิกเซล คือ มันใช้พลังประมวลผลสูงมาก (compute-expensive) แล้วพอต้องสร้างภาพใหม่ๆ ทุกรอบเพื่อตอบสนองอินพุตของผู้ใช้แบบเรียลไทม์ มันยิ่งยากและแพง อันนี้เป็นปัญหาที่วงการวิจัย AI ต้องแก้กันต่อไป ว่าจะหาโซลูชันที่เหมาะสมได้อย่างไร
แนวทางอื่นที่เป็นไปได้คือ แนวทางของ Yann LeCun ที่เขาเรียกว่า Joint-Embedding Predictive Architecture (JEPA) เป็นการพยากรณ์เฉพาะสถานะแบบคร่าวๆ (abstract state) ของภาพที่จะสร้าง แทนการสร้างออกมาแบบทุกพิกเซล ซึ่งมันอาจเหมาะกับงานบางประเภทที่ไม่ต้องการความละเอียดของภาพผลลัพธ์มากนัก (เช่น เอาให้หุ่นยนต์ทำงานได้ ภาพไม่ต้องสวยก็ได้)
ค่าย World Labs พยายามแก้ปัญหาเรื่องประสิทธิภาพ ด้วยอัลกอริทึมตัวใหม่ชื่อ Real-Time Frame Model (RTFM) ใช้เทคนิคว่าแทนที่จะแปลงภาพ 2D เป็นโมเดล 3D (ซึ่งสิ้นเปลืองพลังประมวลผลมาก) จะใช้วิธีสร้างภาพ 2D ในมุมอื่นๆ ขึ้นมาอีกหลายๆ มุมแทน แล้วใช้เทคนิคการพยากรณ์ว่าเฟรมภาพต่อไปมันจะหน้าตาเป็นอย่างไร โดยอิงจากข้อมูลในเฟรมก่อนหน้า (มีเดโมอีกเช่นกัน)
อรรถประโยชน์ของ World Models ที่น่าจะจับต้องได้มากที่สุดคือการเทรนหุ่นยนต์ โดยเฉพาะหุ่นยนต์แบบมนุษย์ (humanoid robots) ซึ่งทำได้ยากกว่าการเทรนรถยนต์ไร้คนขับ เพราะรูปแบบสถานการณ์ของหุ่นยนต์มนุษย์นั้นกว้างกว่ารถยนต์มาก (หุ่นขับรถมีกฎจราจรชัดเจน พื้นที่จำกัดเฉพาะบนถนน รูปแบบการเคลื่อนไหวมีแค่เดินหน้า เบรก เลี้ยว)
เส้นทางของวงการ World Models คงต้องบอกว่าอีกยาวไกล ตอนนี้ในวงการยังไม่ค้นพบ transformer moment แบบเดียวกับวงการ LLM ในช่วงที่ผ่านมา แต่การที่ขาใหญ่ของวงการเริ่มลงมาลุยเรื่องนี้กันเต็มตัว นักลงทุนเทเงินลงมาใส่ และประสิทธิภาพของหน่วยประมวลผลที่ดีขึ้นเรื่อยๆ ก็น่าจะทำให้เราได้เห็นความคืบหน้าของ World Models กันในอีกไม่ช้านานนัก