หัวข้อต้นฉบับ: โอเพนซอร์สชนะ, AGI มาถึงแล้ว, และชุดเครื่องมือ AI ของสกอร์เซซี — ซีอีโอของ Cerebras และ Black Forest Labs
แหล่งที่มาต้นฉบับ: All-In Podcast
เรียบเรียงต้นฉบับ: Deep Tide TechFlow

สรุปประเด็นสำคัญ

ตอนนี้เชิญซีอีโอของบริษัทโครงสร้างพื้นฐาน AI สองแห่ง Andrew Feldman ผู้ก่อตั้ง Cerebras ซึ่งเชี่ยวชาญด้านชิปสำหรับการอนุมาน เพิ่งทำ IPO เสร็จ และมีคำสั่งซื้อค้างส่งมูลค่า 25,000 ล้านดอลลาร์ เขาย้ำเรื่องหนึ่งซ้ำๆ: ความต้องการพลังประมวลผล AI ถูกจองเต็มหมดแล้ว ไม่มีสถานการณ์ "สร้างเสร็จแล้วค่อยมีคนมา" ความต้องการของ OpenAI, Anthropic, SpaceX, Google นั้นเกินอุปทานอย่างมาก และการเกิดขึ้นของ reasoning (การให้เหตุผล) ทำให้ความหนาแน่นในการคำนวณพุ่งสูงขึ้นอีก ซึ่งเป็นสนามรบของเครื่องจักรที่เร็ว Robin Rombach ผู้ก่อตั้ง Black Forest Labs ซึ่งทำโมเดลสร้างภาพและวิดีโอ (ซีรีส์ Flux) เขาเป็นผู้คิดค้นอัลกอริทึม latent diffusion ซึ่งเป็นพื้นฐานของโมเดลสร้างภาพและวิดีโอทั้งหมดในปัจจุบัน เขาเพิ่งร่วมงานกับ Martin Scorsese เพื่อให้ผู้กำกับใช้ AI เห็นภาพในหัวของเขา แต่ทิศทางที่เขาตื่นเต้นกว่าคือ โมเดล multimodal ชุดเดียวกันนี้สามารถใช้สร้างภาพยนตร์และนำไปใช้เป็นสมองของหุ่นยนต์ได้ จุดหมายปลายทางของวิดีโอที่สร้างขึ้นไม่ได้อยู่ที่จอภาพ แต่อยู่ในโลกทางกายภาพ

สรุปประเด็นที่น่าสนใจ

การให้เหตุผลคือหลุมดำพลังประมวลผลถัดไป

· "ที่น่าสนใจคือ รอบนี้แตกต่างจากอดีต พวกเขาไม่ได้เดิมพันว่า 'สร้างเสร็จแล้วจะมีคนมา' ความต้องการจองกำลังการผลิตหมดแล้ว เรามีคำสั่งซื้อค้างส่งมูลค่า 25,000 ล้านดอลลาร์"

· "การให้เหตุผลคือ reasoning, reasoning ใช้ token จำนวนมหาศาล ซึ่งเป็นสนามรบของเครื่องจักรที่เร็วพอดี"

· "ถ้า Cerebras เร็วกว่า 15 เท่า คุณรัน 24 ชั่วโมง ก็เท่ากับการคิดหลายสัปดาห์หรือหลายเดือน"

โอเพนซอร์สกับอธิปไตย: สิ่งที่องค์กรต้องการคือการควบคุม

· "ไม่มีใครชอบถูกพึ่งพา ผู้ให้บริการขนาดใหญ่เรียนรู้บทเรียนจากยุค x86 ว่าการถูกผูกมัดกับ Intel นั้นเจ็บปวด"

·「คุณไม่จำเป็นต้องเป็นชิปที่เร็วที่สุด แค่ไม่ต้องพึ่งพาชิปของคนอื่นทั้งหมดก็พอ」

·「ถ้าตอนนี้อยากรันโมเดลโอเพนซอร์ส ก็ต้องเป็น OSS 12B ของ OpenAI หรือไม่ก็โมเดลจีน อเมริกาต้องการทางเลือกโอเพนซอร์สในประเทศมากขึ้น」

AGI ตามนิยามเมื่อ 20 ปีที่แล้วมาถึงแล้ว

·「นิยาม AGI ใดๆ ที่เราตั้งไว้เมื่อ 20 ปี, 30 ปี, หรือ 40 ปีที่แล้ว เราก็ผ่านพ้นมันไปไกลแล้ว」

·「การทดสอบทัวริง? ผ่านไปนานแล้ว」

·「ปัญหาไม่ใช่ว่าเราไม่รู้จะถามยังไงอีกแล้ว AI กลับมาบอกคุณได้ว่า 'เฮ้ พวกมนุษย์โง่ๆ คุณไม่ได้คิดถึงเรื่องนี้นะ'」

วิดีโอที่สร้างด้วย Generative AI ไม่ได้มาแทนที่การสร้างสรรค์ของมนุษย์

·「โมเดล AI เหล่านี้เป็นสื่อชนิดหนึ่ง เราไม่อยากกำหนดวิธีการใช้งาน โดยเฉพาะกับคนอย่าง Martin Scorsese」

·「ภาษาเป็นวิธีการสื่อสารที่สูญเสียข้อมูลบ้าง สัญญาณภาพนั้นอุดมสมบูรณ์เกินไป การเปลี่ยนภาพในหัวให้เป็นภาพที่มองเห็นได้ นี่คือจุดที่เทคโนโลยีมีพลังมากที่สุด」

·「ผลลัพธ์ที่น่าสนใจที่สุด เกือบทั้งหมดเกิดขึ้นเมื่อมีมนุษย์อยู่ในวงจรและทำซ้ำอย่างต่อเนื่อง」

จากภาพยนตร์สู่หุ่นยนต์: โมเดลชุดเดียวกัน

·「คุณสามารถใช้โมเดล multimodal ตัวเดียวกันสร้างภาพยนตร์ แล้วนำไปปรับใช้เป็นสมองของหุ่นยนต์ได้」

·「การฝึกฝนล่วงหน้าด้วยวิดีโอสอนกฎฟิสิกส์ของการโต้ตอบให้โมเดลโดยปริยาย จากนั้นคุณก็ได้การทำนายการเคลื่อนไหวจากโมเดลเดียวกัน ซึ่งก็คือการควบคุมหุ่นยนต์」

·「เป้าหมายคือคุณสามารถใช้ in-context prompt สั่งหุ่นยนต์ว่า 'เอาน้ำส้มแก้วนั้นมาให้หน่อย' ตอนนี้เรายังทำไม่ได้ แต่นี่คือทิศทาง」

คลื่นมหาศาลของโครงสร้างพื้นฐาน AI: ศูนย์ข้อมูลใหญ่กว่าเมือง

พิธีกร: เราไม่เคยเห็นขนาดการก่อสร้างแบบนี้มาก่อน ตั้งแต่กำแพงเมืองจีนและพีระมิด มนุษย์ไม่เคยทุ่มทุน เวลา และสมองมากมายขนาดนี้เพื่อสร้างสิ่งใดสิ่งหนึ่ง คุณกำลังทำสิ่งนี้อยู่จริงๆ ลูกค้าของคุณกำลังสร้างศูนย์ข้อมูล และคุณเป็นส่วนสำคัญ ในปี 2026 Cerebras กำลังทำอะไรอยู่? โครงการขนาดยักษ์ในเท็กซัสเป็นยังไงบ้าง?

ตอบ: ศูนย์ข้อมูลที่เรากำลังพูดถึงนี้ ในอีกไม่กี่ปีข้างหน้าจะใช้พลังงานไฟฟ้ามากกว่าที่โลกเคยใช้ในรอบ 50 ปีที่ผ่านมา อาคารเดี่ยวๆ มีขนาดใหญ่เท่าสนามฟุตบอล ใช้ไฟฟ้ามากกว่าเมืองขนาดกลาง กำลังก่อสร้างทั่วสหรัฐอเมริกา แคนาดา ยุโรปเหนือ ปารีสและทั่วฝรั่งเศส ตะวันออกกลาง แม้แต่คาซัคสถาน ทาจิกิสถาน และจอร์เจียก็กำลังสร้างศูนย์ข้อมูลขนาดใหญ่ ทุกประเทศ ทุกรัฐ ต่างอยากมีส่วนร่วม

ใครเป็นคนจ่าย? OpenAI, Anthropic, SpaceX AI, Google ความต้องการมหาศาลจนน่าตกใจ ที่น่าสนใจคือ คลื่นลูกนี้แตกต่างจากกระแสเทคโนโลยีในอดีตหลายครั้ง: พวกเขาไม่ได้เดิมพันว่า "สร้างแล้วจะมีคนมา" แต่ความต้องการได้จองกำลังการผลิตไว้ล่วงหน้าแล้ว เรามีคำสั่งซื้อค้างส่งมูลค่า 25,000 ล้านดอลลาร์ OpenAI ต้องการศูนย์ข้อมูลเพิ่ม Microsoft ต้องการเพิ่ม AWS ต้องการเพิ่ม ความต้องการไม่ได้รอให้ลูกค้ามาหา แต่ลูกค้าเข้าแถวรออยู่แล้ว

พิธีกร: สิ่งนี้ก็ทำให้เกิดคำว่า "token maxing" หรือการสร้างโทเค็นไม่จำกัด มีคนตั้งคำถามว่า ความต้องการมหาศาลนี้สร้างมูลค่าที่แท้จริงหรือไม่?

ตอบ: แน่นอนว่ามีมูลค่ามหาศาลเกิดขึ้น และแน่นอนว่ามีการลองผิดลองมากมาย ผมเปรียบเทียบกับตอนที่ AWS เพิ่งเปิดตัว การเลี่ยงแผนกไอทีของตัวเองมันสะดวกมาก วิศวกรทุกคนใช้บัตรเครดิตสมัครใช้ได้เลย บางอย่างมีประโยชน์จริง บางอย่างพอคิดย้อนกลับไปก็ "เฮ้ย ไม่น่าทำแบบนี้เลย" แต่โดยรวมแล้วก็คุ้มค่า แค่บางทิศทางไปไม่ถึงไหน

ผมยังจำได้ตอนที่ Costco เปิดสาขาใน Palo Alto เมื่อปี 1988 ทุกคนเดินดู Costco เหมือนเดิน Safeway เดินทุกชั้นวางสินค้า มันเป็นวิธีเดินช้อปปิ้งที่แย่มาก เพราะคุณซื้อของสี่อย่างที่ไม่จำเป็น ราคาชิ้นละ 22 ดอลลาร์ ต่อมาทุกคนเรียนรู้กลยุทธ์: ไปหยิบไก่ที่ด้านหลัง หยิบคัพเค้ก 18 ชิ้นสำหรับงานวันเกิดเด็ก ทำแบบรวดเร็วทันใจ การบริโภค AI token ก็เหมือนกัน ตอนแรกทุกคนใช้แบบเปิดกว้าง ตอนนี้ธุรกิจเริ่มมีกลยุทธ์: งานไหนใช้โมเดลโอเพนซอร์สก็พอ งานไหนต้องใช้โมเดล前沿 ตอนนี้เราเริ่มบริหาร AI เหมือนบริหารธุรกิจแล้ว

การอนุมานแทนที่การฝึกอบรม: ทำไมเครื่องที่เร็วถึงเป็นตัวเอกในคลื่นนี้?

พิธีกร: Sam Altman เคยพูดใน AllIn ว่าขั้นตอนต่อไปคือ reasoning การเข้าใจเจตนา การวางกลยุทธ์ การตรวจสอบข้ามกับ agent ในเธรดอื่น เราเดินทางมาไกลจาก "การเดาคำถัดไป" และตอนนี้ Cerebras กำลังอยู่ตรงกลางพอดี เพราะ reasoning ก็คือ inference ซึ่งต้องใช้การคำนวณมหาศาล

ตอบ: การอนุมานใช้โทเค็นจำนวนมหาศาล ซึ่งทำให้เครื่องที่เร็วมีพื้นที่ในการทำงาน ทุกขั้นตอนของ reasoning จะกินโทเค็นภายในตัวคุณเอง โดยปกติคุณต้องใช้เวลามากเพื่อแลกกับคำตอบที่ดี Cerebras ที่เร็วกว่า 15 เท่า หมายความว่าการรันการอนุมาน 24 ชั่วโมง เทียบเท่ากับปริมาณการคิดของคนอื่นหลายสัปดาห์หรือหลายเดือน

เช้านี้ฉันลองโมเดล GLM-52 ของ ZAI บน BitTensor โดยให้พลังการคำนวณไม่จำกัด และให้มันบอกฉันทุกชั่วโมงถึงเทรนด์ที่ยังไม่ถูกระบุทั่วโลก มันเริ่มโต้แย้งกับตัวเอง: ควรหาใน Hacker News และ Reddit หรือเทรนด์บน Instagram ปรากฏก่อน? ฉันเห็นโมเดลการอนุมานโต้แย้งกับตัวเองในเบื้องหลัง มันกำลังทำการอนุมาน โทเค็นไม่จำกัดเท่ากับการอนุมานไม่จำกัด เมื่อใช้ Cerebras ที่เร็วกว่า 15 เท่า 24 ชั่วโมงเทียบเท่ากับคนอื่นหลายสัปดาห์

พิธีกร: Cerebras มี Moore's Law ของตัวเองหรือไม่? การอภิปรายภายในว่าจะเพิ่มเป็นสองเท่าทุกกี่ครั้ง?

ตอบ: ชิปทั้งหมดก่อนหน้านี้เดินตาม Moore's Law เพิ่มเป็นสองเท่าทุก 18 เดือน เราทำลายเส้นนั้นด้วยชิปตัวนี้ และวิ่งไปบนเส้นทางใหม่ทั้งหมด การตัดสินของฉันคือ ในอีก 18 เดือนข้างหน้า จะมากกว่า 2 เท่าอย่างมาก สถาปัตยกรรมใหม่ยังมีพื้นที่ให้ปรับปรุงอีกมาก GPU เป็นสถาปัตยกรรมเก่า 20 ปีแล้ว ทำได้แค่ฝืนด้วยการลดขนาดโหนด แต่สถาปัตยกรรมใหม่ยังมีอะไรอีกมากให้เรียนรู้และปรับแต่ง

พิธีกร: มีคำสั่งซื้อค้างส่ง 25,000 ล้านดอลลาร์ในมือ คุณยังต้องตามจังหวะของ OpenAI ซึ่งอาจเป็นคู่แข่งในอนาคต คุณจะบริหารบริษัทอย่างไร?

ตอบ: ตอนนี้เวเฟอร์ซิลิคอนไม่ได้ว่าง ความต้องการมหาศาล แต่คุณพูดถูก OpenAI ก็กำลังทำชิปของตัวเอง Amazon ก็เช่นกัน ไม่มีใครชอบพึ่งพาคนอื่น ผู้ให้บริการขนาดใหญ่เรียนรู้บทเรียนจากยุค x86 ว่าถูกผูกมัดกับ Intel; ผู้ผลิต GPU เรียนรู้บทเรียนว่าถูกผูกมัดกับลูกค้ารายใหญ่ไม่กี่ราย ดังนั้นพวกเขาจึงสนับสนุนคลาวด์ใหม่ การทำชิปของตัวเอง จุดสำคัญไม่ใช่ความเร็วที่สุด แต่อยู่ที่การไม่พึ่งพาคนอื่นอย่างสมบูรณ์ อย่างน้อยก็ควบคุมส่วนสำคัญของชะตากรรมตัวเอง

โอเพนซอร์สกับอธิปไตย: สิ่งที่องค์กรต้องการคือการควบคุม

พิธีกร: โอเพนซอร์สกำลังมาถึงจุดเปลี่ยน ช่วงแรกฉันใช้ OpenClaude ต่อมาใช้ Kimmy พบว่าโทเค็นของ Claude กำลังระเบิด แต่ Kimmy ฉันแยกความแตกต่างไม่ออก โมเดลโอเพนซอร์สเริ่มทำ reasoning ช่องว่างปิดลงอย่างกะทันหันในปีนี้

ตอบ! : คุณไม่อยากขับ Ferrari ไปซื้อของที่ซูเปอร์มาร์เก็ต บางครั้งก็ขับรถสปอร์ต บางครั้งก็ขับมินิแวน ลูกทำ Cheerios หกก็ไม่ต้องเสียดาย องค์กรก็เหมือนกัน: งานยากส่งให้โมเดล前沿 (OpenAI, Anthropic, Gemini) แต่ปัญหาทั่วไปส่วนใหญ่ในเบื้องหลังใช้แค่ความสามารถโอเพนซอร์สที่มั่นคงก็พอ ลองคิดดูว่าบริษัทใช้เวลาไปเท่าไหร่กับการคัดลอกข้อมูลจาก Workday ไปวางใน Excel อีกเซลล์หนึ่ง? งานแบบนี้ไม่ต้องใช้คณิตศาสตร์ระดับทอง แค่โอเพนซอร์สที่เสถียรก็พอ

ไม่นานมานี้มีอีกไพ่หนึ่งถูกเปิด: อุตสาหกรรมที่มีการกำกับดูแล เช่น การเงิน การแพทย์ (HIPAA, FINRA) กลัวข้อมูลรั่วไหล กลัวอำนาจอธิปไตยทางปัญญาถูกคนอื่นควบคุม ต้องวางโมเดลไว้ในเครื่องตัวเอง ใช้เวอร์ชันโอเพนซอร์สเพื่อควบคุมมากขึ้น OpenAI ปล่อย OSS 12B เมื่อไม่กี่เดือนก่อน ก็ใช้ได้ แต่ตอนนี้อเมริกาจะใช้โอเพนซอร์ส ก็มีแค่ OSS 12B หรือโมเดลจีน ตัวเลือกโอเพนซอร์สในประเทศน้อยเกินไป NVIDIA ก็เห็นช่องนี้ กำลังผลักดันโมเดลโอเพนซอร์สของตัวเอง แต่ Jensen ก็ลังเล ลูกค้าของเขาคือ Sam, Dario, Elon, Sergey การผลักดันโอเพนซอร์สจะไปแย่งลูกค้าหรือเปล่า?

Cerebras อยู่ในตำแหน่งที่ค่อนข้างเป็นกลาง เรารัน GLM, รัน Kimmy, รันซีรีส์ Qwen, และรันโมเดลปิดของ OpenAI ด้วย รวมถึงรันโมเดลที่ GSK พัฒนาเอง, รันโมเดลของ UAE G42 และ MBZUAI เรื่องอำนาจอธิปไตยนี้เป็นเทรนด์

AGI มาแล้ว กระบวนทัศน์ไม่ตาย แต่คนตาย

พิธีกร: ตอนที่ Fable 5 และ o-56 ถูกปล่อย รัฐบาลบอกว่า "หยุดก่อนแล้วค่อยปล่อย" Anthropic กับฝ่ายบริหารมี tension ตอนนี้เริ่มคลี่คลายแล้ว คุณคิดว่าการปล่อยแบบเป็นขั้นตอนสมเหตุสมผลไหม? โมเดลมันอันตรายพอจริงหรือ?

ตอบ: ผมไม่เคยเห็นเรื่องแบบนี้มาก่อน แต่ลองคิดย้อนกลับไป: เมื่อโมเดลมีความสามารถด้านความคิดสร้างสรรค์ที่แรงพอ รัฐบาลบอกว่า "ขอให้คุณปล่อยแบบเป็นขั้นตอน" ผมว่ามันก็ไม่ผิดนะ เราก็จัดการกับยาที่แรงแบบนี้เหมือนกัน แน่นอนว่าไม่สนับสนุนเอกสารขยะเจ็ดปีของ FDA แต่การบอกว่า "อย่างน้อยให้รัฐบาลทำ Red Team Testing สักหน่อย เพื่อยืนยันว่าการป้องกันของเราใช้ได้" ให้เวลาสองสามสัปดาห์เพื่อแก้ไขช่องโหว่ที่ชัดเจน นี่ไม่ใช่ข้อเรียกร้องที่ไร้เหตุผล

แต่ตอนนี้เป็นช่วงที่ขั้วตรงข้ามรุนแรงที่สุด ถ้าเรื่องนี้ไม่ได้ทำโดย Trump แต่เป็นประธานาธิบดีคนอื่น ปฏิกิริยาอาจแตกต่างไปโดยสิ้นเชิง การแบ่งขั้วทำลายความคิดที่ชัดเจน ทั้งสองฝ่ายจะทำทั้งเรื่องโง่และเรื่องฉลาด คนระดับปฏิบัติการในรัฐบาลจริงจังกับการทำงานมาก เพียงแต่มันเร็วเกินไป

Nikesh จาก Palo Alto Networks เคยบอกผม: พวกเขานำโมเดลมาทดสอบกับซอฟต์แวร์ของตัวเอง พบช่องโหว่สำคัญหลายสิบจุดภายในหนึ่งชั่วโมง ต้องหยุดงานทุกอย่าง ใช้เวลาหกสัปดาห์ในการแพตช์ คุณตระหนักได้ว่านี่คือเครื่องมือที่ทรงพลัง บางทีควรให้คนกลุ่มเล็กดูก่อน บางทีควรทำ Red Team Testing ก่อน

พิธีกร: ตามนิยามเมื่อ 20 ปีที่แล้ว AGI มาถึงแล้ว คุณคิดว่าไหม?

คำตอบ: ใช่แล้ว การทดสอบทัวริง? ผ่านไปนานแล้ว นิยามที่ตั้งไว้เมื่อ 10, 15, 20, 30, 40, 50 ปีก่อน เราก็ผ่านไปไกลเกินแล้ว คำถามที่นักเขียนนิยายวิทยาศาสตร์เคยถาม เราก็ตอบหมดแล้ว พวกเขาจะพูดว่า "ฉันไม่มีคำถามแล้ว ขอโทษ" นี่คือเหตุผลที่คำพูดของคนที่ดูเหมือนอยู่ชายขอบน่าฟัง Ilya พูดถึงความปลอดภัยเมื่อแปดปีก่อน คุณพูดว่า "อะไรนะ?" สุดท้ายเขาก็พูดถูก Elon พูดถึงต้นทุนจรวดที่ลดลงจนเกือบเป็นศูนย์ คุณพูดว่า "อะไรนะ?" สุดท้ายเขาก็ทำได้

พิธีกร: Recursive learning คุณถามคำถามมัน เรียนรู้ผลลัพธ์ แล้วถามอีกครั้ง คำตอบดีขึ้น ครอบคลุมเนื้อหามากขึ้น ผลลัพธ์ที่วนซ้ำเหล่านี้ กระโดดจาก "ดีขึ้นนิดหน่อย" ไปเป็น "ดีขึ้นมาก" ความชันของเส้นโค้งเอ็กซ์โพเนนเชียลชันเกินไป

คำตอบ: การเพิ่มแบบวนซ้ำเป็นเอ็กซ์โพเนนเชียล คุณดีขึ้น ทำอีกครั้ง เพิ่มขึ้นเรื่อยๆ ความชันชันเกินไป เราเพิ่งเริ่มเห็นสิ่งนี้ ถ้าเพิ่มพลังคำนวณไม่หยุด คำตอบจะดีขึ้นเรื่อยๆ ไหม? มันหยุดเมื่อ token หรืองบประมาณหมด แต่เส้นโค้งเอ็กซ์โพเนนเชียลนี้จะสิ้นสุดเมื่อไหร่? หรือจะขึ้นขวาบนตลอดไป? คำถามนี้น่าสนใจมากตอนนี้

ความเร็วในการเรียนรู้ของมนุษย์ถูกจำกัดด้วยรุ่นต่อรุ่น ช้างและสัตว์เลี้ยงลูกด้วยนมขนาดใหญ่ใช้เวลา 15-20 ปีต่อรุ่น ถ้าอยากเร็ว ต้องเป็นเหมือนแมลงวันผลไม้ สองรุ่นต่อวัน AI กำลังได้รับความเร็วในการเรียนรู้ที่ข้ามหลายพันรุ่น ตอนฉันเรียนจิตวิทยา อาจารย์พูดว่า: กระบวนทัศน์ไม่ตาย คนต่างหากที่ตาย ลูกศิษย์ของ Freud, Skinner, Jung ครองตำแหน่งผู้นำ 20-40 ปี กว่ารุ่นต่อไปจะตั้งคำถาม AI ทำให้ระยะห่างระหว่างรุ่นกลายเป็นความเร็วของแมลงวันผลไม้

สิ่งที่ฉันพนันคือ: ลูกหลานของเราและทุกคนที่พวกเขารู้จักจะไม่ตายด้วยโรคมะเร็ง เศรษฐกิจจะมีความผันผวน รถยนต์มาแล้ว คนตีเกือกม้าให้ม้าลำบาก แต่ถ้าเอาสิ่งที่ได้และเสียมาเทียบกัน: พลังงานไม่จำกัด อาหารไม่จำกัด ความรู้ไม่จำกัด การศึกษาไม่จำกัด ที่อยู่อาศัยไม่จำกัด เรารู้มานับพันปีว่าการสอนตัวต่อตัวดีกว่าการสอนในห้องเรียน Aristotle สอน Alexander, Socrates สอนลูกศิษย์ของเขา แต่เราเลือกการสอนแบบโรงงานเลี้ยงสัตว์ ตอนนี้ AI สามารถให้ติวเตอร์ที่สอนตามวิธีของตัวเองแก่เด็กทุกคน

กล่องเครื่องมือ AI ของ Scorsese: เปลี่ยนภาพในหัวให้เป็นจริง

พิธีกร: Robin Rombach เป็นผู้ร่วมก่อตั้งและ CEO ของ Black Forest Labs สำนักงานใหญ่อยู่ที่ Freiburg ในเขตป่าดำและซานฟรานซิสโก คุณเคยทำ Stable Diffusion และคิดค้นอัลกอริทึม latent diffusion ธุรกิจของ Black Forest Labs คืออะไร? เป้าหมายคืออะไร?

ตอบ: ผมและหุ้นส่วนก่อตั้งบริษัทนี้เมื่อสองปีที่แล้ว ก่อนหน้านั้นเราทำ Stable Diffusion และก่อนหน้านั้นเราคิดค้น Latent Diffusion ซึ่งเป็นอัลกอริธึมพื้นฐานเบื้องหลังการสร้างภาพ การสร้างวิดีโอ และแม้แต่โมเดล AI ทางฟิสิกส์ในปัจจุบัน หลักการคือการบีบอัดข้อมูลธรรมชาติ (ภาพ วิดีโอ เสียง) ให้อยู่ในพื้นที่การแสดงผลที่มีประสิทธิภาพ จากนั้นจึงฝึก Transformer บนพื้นที่นั้น เหมือนกับหลักการของ JPEG และ MP3 แต่ใช้โครงข่ายประสาทเทียม เราทำสิ่งนี้ตอนเรียนปริญญาเอกที่มิวนิก

ตอนนี้เรากำลังบุกเบิกโมเดลวิทัศน์แบบหลายรูปแบบ โดยฝึกฝนล่วงหน้าพร้อมกันทั้งข้อมูลภาพและเสียง กำลังเข้าสู่กระบวนทัศน์ใหม่: การรวมการทำนายการกระทำ (Action Prediction) เพื่อให้โมเดลเดียวกันสามารถสร้างภาพ สร้างวิดีโอ สร้างเสียง และทำนายการกระทำได้ ในที่สุดก็สามารถนำไปใช้งานกับหุ่นยนต์ในโลกจริงได้

พิธีกร: จากภาพไปสู่วิดีโอ ไปจนถึงเสียงและหุ่นยนต์ ถ้าโมเดลสร้างวิดีโอได้ แสดงว่ามันเข้าใจโลก

ตอบ: ความฉลาดโดยสัญชาตญาณและการใช้เหตุผลเชิงลึกเป็นรูปแบบความฉลาดสองแบบที่เสริมกัน เรามุ่งเน้นที่ด้านสัญชาตญาณ ภาพเป็นจุดเริ่มต้นที่เป็นธรรมชาติที่สุด เพราะปริมาณการคำนวณไม่มากเท่าวิดีโอ แต่ตอนนี้กำลังรวมเข้าสู่โมเดลหลายรูปแบบ การฝึกฝนวิดีโอล่วงหน้าสอนกฎปฏิสัมพันธ์ทางฟิสิกส์ให้โมเดลโดยปริยาย และเราสามารถดึงการทำนายการกระทำ ซึ่งก็คือการควบคุมหุ่นยนต์ ออกจากโมเดลเดียวกันได้

พิธีกร: คุณร่วมงานกับ Martin Scorsese หรือเปล่า? คุณนั่งข้างเขาและให้เขาใช้เครื่องมือของคุณ?

ตอบ: ใช่ครับ ผมนั่งอยู่ในห้องเดียวกับเขา เขาสำรวจโมเดลของเรา โดยผมเป็นหนึ่งในนักวิจัยหลักที่นั่งอยู่ข้างๆ มันรู้สึกบ้ามาก ในขณะเดียวกันผมก็เป็นแฟนตัวยงของเขาด้วย

สิ่งที่เขาต้องการคือการทำให้ภาพในหัวของเขาเป็นจริง เช่น หมู่บ้านในยุโรปตะวันออก เขาบรรยาย เราดูผลลัพธ์ แล้วเขาก็ปรับปรุงซ้ำ สุดท้ายเขาบอกว่า: การเปลี่ยนภาพในสมองให้เป็นการแสดงออกทางภาพ ประสิทธิภาพในการสื่อสารนั้นสูงกว่าภาษามาก ภาษาเป็นวิธีการสื่อสารที่สูญเสียข้อมูลไปบ้าง สัญญาณข้อมูลภาพนั้นอุดมสมบูรณ์มาก ภาพเดียวหรือวิดีโอสั้นๆ มีข้อมูลมหาศาล นี่คือช่องทางการสื่อสารอีกแบบหนึ่ง

เราไม่อยากกำหนดวิธีการใช้โมเดลเหล่านี้ โดยเฉพาะอย่างยิ่งกับ Martin Scorsese ที่จะบอกว่า "คุณควรใช้แบบนี้" โมเดล AI เป็นสื่อกลาง สิ่งที่น่าสนใจที่สุดมักเกิดขึ้นเมื่อมนุษย์อยู่ในวงจรและปรับปรุงซ้ำแล้วซ้ำเล่า

จากภาพยนตร์สู่หุ่นยนต์: จุดสิ้นสุดของโมเดลเจนเนอเรทีฟไม่ได้อยู่ที่จอเงิน

พิธีกร: สตาร์ทอัพตอนนี้ใช้ Flux และโมเดลของคุณทำวิดีโอเปิดตัว เมื่อก่อนใช้เงิน 250,000 ดอลลาร์ทำวิดีโอเปิดตัว ตอนนี้ใช้เวลาหนึ่งถึงสองสัปดาห์ก็เสร็จ Gal Gadot เพิ่งทำภาพยนตร์ Bitcoin เรื่องหนึ่ง นักแสดงแสดงบน Sound Stage โดยไม่ใช้ Green Screen พื้นหลังทั้งหมดสร้างด้วย Generative AI งบประมาณ 30 ล้านดอลลาร์สร้างเอฟเฟกต์ที่เมื่อก่อนต้องใช้ 150 ล้านดอลลาร์ คุณเห็นการใช้งานในการผลิตจริงหรือไม่?

ตอบ: เห็นบ้างแล้ว การสร้างภาพยนตร์ระดับสูงเป็นหนึ่งในกรณีการใช้งานที่ท้าทายที่สุด ฉันดีใจที่มีคนกำลังสำรวจ แต่ก็อยากจะบอกให้ชัดเจนว่า เทคโนโลยียังอยู่ใน trajectory และกำลังพัฒนาอย่างรวดเร็ว เมื่อไม่กี่ปีก่อนตอนที่เราทำปริญญาเอก เราสร้างภาพขนาด 64×64 พิกเซลได้เท่านั้น แต่ตอนนี้ทำวิดีโอความละเอียดสูงแบบหลายอินพุตได้แล้ว และมันจะไม่หยุดแค่นี้

สิ่งที่ทำให้ฉันตื่นเต้นที่สุดคือ: คุณสามารถใช้โมเดล multimodal ตัวเดียวกันมาถ่ายทำภาพยนตร์ แล้วนำไปปรับใช้เป็นสมองของหุ่นยนต์ได้ มันน่าสนใจมาก computer use จะใช้งานได้จริงหรือไม่ยังไม่แน่ชัด แต่เทคโนโลยีกำลังเคลื่อนไปสู่โลกทางกายภาพ world models, action models พูดง่ายๆ ก็คือสิ่งเดียวกัน

พิธีกร: ข้อมูลฝึกอบรมมาจากไหน? ให้มนุษย์สวมแว่นตาและถุงมือบันทึกมุมมองบุคคลที่หนึ่ง? หรือแค่ดูวิดีโอคนเทเครื่องดื่มบน YouTube หนึ่งพันครั้งก็พอ?

ตอบ: เป้าหมายคือการใช้ in-context prompt สั่งหุ่นยนต์: "เอาน้ำส้มแก้วนั้นมา" ตอนนี้ยังทำไม่ได้ วิธีปัจจุบันคือ: โมเดลมีความเข้าใจทางภาพจำนวนมากแล้ว แค่ใช้ข้อมูล fine-tuning ไม่กี่ชั่วโมงเพื่อปรับให้เข้ากับฮาร์ดแวร์เฉพาะ ทิศทางคือพยายาม fine-tuning ให้น้อยที่สุด และพึ่งพา in-context instruction ให้มากที่สุด แต่นี่ยังเป็นปัญหาที่ต้องวิจัย

พิธีกร: โอเพนซอร์สกำลังอยู่ในช่วงเวลาสำคัญ องค์กรต้องการอธิปไตย Disney ซึ่งมีคลัง IP ขนาดใหญ่ ควรทำอย่างไร? ใช้โมเดลโอเพนซอร์สของคุณฝึกเอง หรือร่วมมือกับคุณพัฒนาโมเดลเฉพาะ?

ตอบ: กรณีการใช้งานที่น่าสนใจที่สุดคือการสร้างสิ่งที่ไม่มีมาก่อน นี่คือสิ่งที่เทคโนโลยีนี้มีเสน่ห์ที่สุดในเชิงพื้นฐาน เครื่องมือสาธารณะของเราไม่สามารถสร้าง IP เฉพาะได้ ซึ่งสมเหตุสมผล และเราก็ร่วมมือกับเจ้าของ IP บางรายในการพัฒนาโมเดล บางส่วนใช้โมเดลโอเพนซอร์สของเรา บางส่วนใช้โมเดล proprietary ที่แข็งแกร่งกว่า

มุมมองที่น่าสนใจที่สุดคือ: เทคโนโลยีเร็วขึ้นและโต้ตอบได้มากขึ้น คุณสามารถจินตนาการว่า Disney+ มีเครื่องมือสร้างเนื้อหาแบบโต้ตอบต่างๆ ติดตั้งอยู่

พิธีกร: ปรากฏการณ์ที่น่าสนใจที่สุดตอนนี้คือ fan films เมื่อก่อนมี fan fiction ที่เขียนเรื่อง Star Wars ของตัวเอง ต่อมามีคนใส่ชุด Jedi ถ่าย fan films George Lucas บอกว่าอนุญาตตราบใดที่ไม่ใช้เชิงพาณิชย์ ตอนนี้ผู้คนใช้ AI เพื่อเล่าเรื่อง Star Wars ที่ไม่เคยถูกเล่าขาน Star Wars Stories Untold แต่ละคลิปมีผู้ชมเป็นล้าน นี่คืออนาคต: ให้ผู้บริโภคจ่ายค่าลิขสิทธิ์ และให้พวกเขาใช้ตัวละครสร้างเรื่องราวของตัวเอง

ตอบ: ถ้าหาโมเดลธุรกิจที่เหมาะสมกับฝั่งเจ้าของ IP ได้ และเปิดโอกาสให้ปรับแต่งรูปแบบการเล่นที่สร้างสรรค์แบบนี้ได้ ก็คงจะดีมาก เวลาผมอ่านหนังสือหรือดูหนัง มักจะคิดว่า "ถ้ามันพัฒนาไปแบบนี้จะเกิดอะไรขึ้น" ตอนนี้ในที่สุดก็สามารถทำให้ความคิดเหล่านั้นกลายเป็นภาพที่มองเห็นได้แล้ว

เรามีคนเกิน 100 คนแล้ว และกำลังรับสมัครคนในเยอรมนีและซานฟรานซิสโก: นักวิจัยด้านการฝึกโมเดลขนาดใหญ่ ผู้มีประสบการณ์ในการฝึก diffusion และ flow matching วิศวกรที่พัฒนาวิธีแก้ปัญหาเฉพาะร่วมกับลูกค้า ผู้ดูแลโครงสร้างพื้นฐานการคำนวณขนาดใหญ่ และคนที่สนใจในการนำเทคโนโลยีไปถึงมือผู้คนมากขึ้น

ลิงก์ต้นฉบับ

ยินดีต้อนรับสู่ชุมชนทางการของ BlockBeats:

กลุ่ม Telegram สมัครสมาชิก: https://t.me/theblockbeats

กลุ่ม Telegram พูดคุย: https://t.me/BlockBeats_App

บัญชี Twitter ทางการ: https://twitter.com/BlockBeatsAsia