แบบจำลองโลกที่เปิดตัวใหม่ของ World Labs ของหลี่เฟยเฟย เป็นแบบจำลองโลกจริงหรือไม่?

หัวข้อต้นฉบับ: 《โมเดลโลกที่ World Labs ของหลี่เฟยเฟยเพิ่งเปิดตัว เป็นโมเดลโลกจริงหรือไม่?》
ผู้เขียนต้นฉบับ: ดงฉา Beating

เมื่อวันที่ 1 กันยายน World Labs ของหลี่เฟยเฟยได้เปิดตัว Atlas

บนหน้าเปิดตัวมีชุดภาพที่สวยงามจริงๆ โทรศัพท์หลายเครื่องถูกวางบนขาตั้งกล้องและอุปกรณ์ยึด โดยถ่ายจากมุมสามถึงห้ามุมไปยังสถานที่เดียวกัน จากนั้นเวลาก็หยุดนิ่ง กล้องเริ่มเคลื่อนที่ อ้อมผ่านตัวบุคคล ไปยังตำแหน่งที่กล้องจริงไม่เคยยืนอยู่

บูลเล็ตไทม์ เทคนิคนี้ในช่วงสองปีนี้ไม่ถือว่าแปลกใหม่ สิ่งที่แตกต่างคือสิ่งที่ Atlas ส่งออกมาพร้อมกันอีกสามอย่าง

อย่างแรกคือ depth การกำหนดให้ทุกพิกเซลในภาพมีค่าระยะห่างจากเลนส์ ภาพถ่ายธรรมดากลายเป็นแผนที่ภูมิประเทศที่ระบายสีตามระยะใกล้ไกล

อย่างที่สองคือ point cloud การโปรยจุดหลายล้านจุดในอวกาศ แต่ละจุดจดจำพิกัดสามมิติของตัวเอง เมื่อรวมกันแล้วก็คือรูปร่างของห้องนี้

อย่างที่สามคือ 3D Gaussian Splat มันไม่ได้สร้างโมเดลด้วยรูปสามเหลี่ยม แต่ใช้จุดแสงเล็กๆ จำนวนมากที่มีสี มีความโปร่งใส มีทิศทางและมีขนาด มาประกอบเป็นฉากทั้งหมด สามารถเรนเดอร์ใหม่ได้จากทุกมุมมอง

สิ่งที่สามอย่างนี้มีร่วมกันคือสามารถวัดค่าได้ เส้นผ่านศูนย์กลางของแก้ว ระยะจากโต๊ะถึงผนัง สามารถอ่านค่าได้โดยตรงจากมัน ผลลัพธ์ที่สร้างขึ้นไม่ใช่แค่ภาพสำหรับคนดู แต่สามารถส่งเข้าไปในเกมเอนจิน ซอฟต์แวร์ออกแบบ หรือโค้ดควบคุมแขนกล

World Labs เรียก Atlas ว่า "ตัวจำลองโลก" อย่างตรงไปตรงมา

คำว่า "ตัวจำลอง" พวกเขาไม่ได้ใช้อย่างไม่ตั้งใจ สามเดือนก่อน พวกเขาเคยเขียนบทความหนึ่ง ซึ่งกำหนดไว้โดยเฉพาะว่าระบบแบบไหนถึงจะสมควรได้รับชื่อนี้

สิ่งที่มองเห็นและสิ่งที่สัมผัสได้

บทความนั้นเผยแพร่เมื่อเดือนมิถุนายนปีนี้ กล่าวถึงว่าอะไรถึงจะเรียกว่าโมเดลโลก สรุปคือแบ่งระบบในตลาดออกเป็นสามระดับ ได้แก่ เรนเดอร์เรอร์ ตัวจำลอง และตัววางแผน

ต้นกำเนิดของวิธีการจำแนกแบบนี้เก่าแก่มาก ในปี 1943 นักจิตวิทยาชาวอังกฤษ Kenneth Craik กล่าวแนวคิดหนึ่งว่า มนุษย์สามารถคิดล่วงหน้าได้ว่าเหตุการณ์หนึ่งจะพัฒนาไปอย่างไร เพราะในสมองมีแบบจำลองโลกที่ย่อส่วนลงมา แนวคิดนี้ถูกส่งต่อโดยไซเบอร์เนติกส์ โครงข่ายประสาทเทียม และการเรียนรู้แบบเสริมกำลัง กลายเป็นสามคำ ได้แก่ state, observation, action

ใช้ห้องครัวมาอธิบายก็แล้วกัน

แก้วน้ำวางอยู่ตรงไหนของโต๊ะ ห่างจากขอบโต๊ะกี่เซนติเมตร โต๊ะห่างจากผนังเท่าไร ประตูเปิดหรือปิดอยู่ สิ่งเหล่านี้รวมกันคือ state ของห้องครัวในขณะนั้น

คนยืนอยู่ที่ประตู มองเห็นเพียงส่วนหนึ่งของ state พื้นที่ที่ตู้เย็นบังไว้เขาไม่เห็น น้ำในแก้วเหลือเท่าไรเขาก็ไม่รู้ ข้อมูลที่สายตารับเข้ามานี้เรียกว่า observation

เขาเดินไปผลักแก้วออก นี่คือ action

state, observation, action — ระบบหนึ่งจัดการได้กี่อย่าง ก็เป็นตัวกำหนดว่าระบบนั้นอยู่ในระดับใด

เรนเดอร์เรอร์จัดการภาพ คนเดินไปข้างหน้าหนึ่งก้าว มันคำนวณว่าขั้นนี้ควรเห็นอะไร วาดออกมาเหมือนจริง ต่อเนื่องกับเฟรมก่อนหน้าได้ ก็ถือว่าทำงานเสร็จ แก้วสูงเท่าไร โต๊ะห่างจากผนังเท่าไร มันไม่จำเป็นต้องรู้ เพราะสิ่งที่มันส่งออกมาเป็นเพียงภาพ

ซิมูเลเตอร์จัดการ state ตำแหน่งของแก้ว ขนาดของโต๊ะ ประตูเปิดกว้างแค่ไหนจะชนผนัง ตัวเลขเหล่านี้มันต้องเก็บไว้ตลอด พร้อมเรียกใช้ได้ทุกเมื่อ และเพราะเก็บตัวเลขเหล่านี้ไว้ โปรแกรมอื่นจึงเชื่อมต่อเข้ามาได้ แขนกลจึงยื่นมือเข้าไปในห้องครัวนี้ได้

พลานเนอร์จัดการ action มันไม่เพียงรู้ว่าแก้วอยู่บนโต๊ะ ถ้าชนแล้วจะเกิดอะไรขึ้น แต่ยังต้องตัดสินใจว่าตอนนี้ควรยื่นมือหรือไม่ หยิบอันไหนก่อน มุมไหนจับได้มั่นคงที่สุด

ตามมาตรฐานนี้ Genie 3 ของ Google DeepMind ถูกจัดอยู่ในระดับต่ำสุด เป็นเพียงเรนเดอร์เรอร์ และ World Labs เองที่ปล่อย RTFM ในเดือนตุลาคม 2025 ก็ถูกจัดอยู่ในระดับเดียวกัน

ก่อนหน้านี้ คำว่า "เวิลด์โมเดล" แทบจะใส่อะไรลงไปก็ได้ ป้อนประโยคหนึ่ง สร้างภาพที่เดินเข้าไปได้ เรียกว่าเวิลด์โมเดล เปลี่ยนสโลแกนเว็บไซต์เป็นการใช้ AI จำลองโลก ก็เรียกว่าเวิลด์โมเดล บทความนี้เป็นครั้งแรกที่ขีดเส้นแบ่งให้ชัด ภาพก็คือภาพ โลกก็คือโลก

การสาธิตในช่วงปีที่ผ่านมาส่วนใหญ่หยุดอยู่ที่ระดับแรก เมื่อเทียบกับการสร้างวิดีโอจากข้อความล้วน พวกมันก้าวหน้าไปมากจริงๆ กดปุ่มลูกศร ภาพจะเปลี่ยนตาม

แต่สิ่งที่เรนเดอร์เรอร์ส่งออกมา คนดูแล้วพอใช้ แต่เครื่องจักรใช้ไม่ได้

Atlas ต้องไปให้ถึงระดับซิมูเลเตอร์ ตามนิยามของพวกเขาเอง ซิมูเลเตอร์ต้องรักษา state ทั้งหมดของโลกนี้ รวมถึงฟิสิกส์ด้วย

การทดสอบที่เปิดเผยในตอนนี้เน้นไปที่การสร้างภาพแบบมีเงื่อนไขจากกล้องและการสร้างสามมิติใหม่ ปฏิสัมพันธ์ทางฟิสิกส์หลายมิติอย่างวัสดุซับซ้อน ของไหล ผ้า ยังไม่ได้รับการแก้ไข และทั้งอุตสาหกรรมก็ยังไม่มีใครแก้ได้

ชื่อทางเทคนิคของ Atlas คือ multimodal autoregressive diffusion transformer ซึ่งถ้าแยกสี่คำออกมาแต่ละคำก็ไม่ใช่เรื่องใหม่

Transformer และ autoregressive เป็นชุดเทคโนโลยีของโมเดลภาษาขนาดใหญ่ ดูเนื้อหาที่สร้างไว้แล้วต่อกันไปทีละตัว Diffusion เป็นชุดเทคโนโลยีของการสร้างภาพและวิดีโอ ภาพวาดออกมาโดยมัน Multimodal หมายถึงมันรับอินพุตหลายประเภทพร้อมกัน

จุดใหม่คือ multimodal ในที่นี้รวมถึงสี่ประเภท ได้แก่ ข้อความ รูปภาพ ท่าทางกล้อง และแผนที่ความลึก

ท่าทางกล้องหมายถึงตอนถ่ายภาพนี้ กล้องอยู่ในตำแหน่งใดในพื้นที่สามมิติ หันไปทางทิศใด ตัวเลขหกตัวก็เขียนได้ชัดเจน เมื่อจับคู่กับแผนที่ความลึก ทุกภาพจะไม่ใช่ภาพเดี่ยวๆ อีกต่อไป แต่เป็นภาพที่ระบุตำแหน่งการถ่ายไว้แล้ว

ภาพทั้งหมดถูกระบุบนพิกัดชุดเดียวกัน พิกัดชุดนี้คือ shared spatial context ของ Atlas หรือบริบทเชิงพื้นที่ร่วมกัน

ยกตัวอย่างเช่น ยืนที่หน้าประตูห้องนั่งเล่นถ่ายโซฟาหนึ่งรูป แล้วเดินไปที่ขอบหน้าต่างถ่ายอีกรูป โซฟาในสองภาพมีขนาดต่างกัน มุมต่างกัน และครึ่งหนึ่งถูกโต๊ะกาแฟบัง โมเดลทั่วไปเห็นภาพสองภาพที่แตกต่างกัน มนุษย์เห็นโซฟาตัวเดียวกัน เพราะมนุษย์รู้ว่าตัวเองเดินไปกี่ก้าว หมุนไปกี่องศา

สิ่งที่ Atlas ได้รับ คือข้อมูล "เดินไปกี่ก้าว หมุนไปกี่องศา" นี่เอง

ข้อมูลชุดนี้ยังมีประโยชน์อีกอย่างหนึ่ง ซึ่งผลิตภัณฑ์รุ่นก่อนของ World Labs อย่าง RTFM ได้ทดลองแล้ว เป้าหมายของมันคือการสร้างโลกที่สามารถเดินสำรวจได้ตลอดเวลาบน H100 ตัวเดียวแบบเรียลไทม์ เดินไปข้างหน้าก็สร้างไปข้างหน้า เลี้ยวมุมมุมมองก็เปลี่ยนตาม ปัญหาอยู่ที่ความจำ

สมมติว่ามีคนเดินสำรวจบ้านเสมือนนี้ครึ่งชั่วโมง ถ้าใส่ภาพทั้งหมดที่สร้างในครึ่งชั่วโมงนี้ลงในบริบททั้งหมด โมเดลจะไม่ลืมอะไรจริง แต่ยิ่งบริบทยาวขึ้น พลังประมวลผลจะรับไม่ไหวก่อน ถ้าเก็บเฉพาะไม่กี่สิบเฟรมล่าสุด พลังประมวลผลประหยัดได้ แต่เมื่อเดินอ้อมจากห้องนอนกลับมาที่ห้องครัว โมเดลจะจำไม่ได้แล้วว่าโต๊ะวางอยู่ตรงไหนเมื่อยี่สิบนาทีก่อน ห้องครัวเดียวกันจะถูกสร้างออกมาเป็นสองแบบ

วิธีที่ World Labs ให้ RTFM เรียกว่า posed frames as spatial memory แต่ละเฟรมนอกจากภาพแล้ว ยังเก็บตำแหน่งและทิศทางของกล้องในพื้นที่ตอนถ่ายไว้ด้วย เมื่อโมเดลเดินไปถึงตำแหน่งหนึ่ง ระบบไม่จำเป็นต้องค้นหาความจำทั้งหมด แต่ดึงเฉพาะไม่กี่เฟรมที่อยู่ใกล้ตามตำแหน่ง มาประกอบเป็นบริบทที่จำเป็นสำหรับการสร้างครั้งนี้

ตำแหน่งตรงนี้ทำหน้าที่เป็นดัชนี หากอยากรู้ว่าห้องครัวหน้าตาเป็นอย่างไร แค่หาฟramesที่ถ่ายใกล้ห้องครัวมาก็พอ ไม่สำคัญว่าถ่ายตอนไหน

ความทรงจำของมนุษย์ก็ใช้วิธีเดียวกัน ถ้าให้คุณนึกย้อนว่าบ่ายวันพุธที่แล้วทำอะไรอยู่ ส่วนใหญ่คงนึกไม่ออก แต่เมื่อเดินเข้าไปในห้องประชุมนั้น ใครนั่งอยู่ฝั่งตรงข้าม มีอะไรเขียนบนไวท์บอร์ด ก็จะเชื่อมโยงได้อย่างรวดเร็ว การค้นหาตามเวลาต้องนับตั้งแต่ต้น แต่การค้นหาตามสถานที่ทำได้ในขั้นตอนเดียว

การสร้างใหม่และการสร้างสรรค์

หน้าประกาศของ Atlas ยังมีการทดลองอีกอย่างหนึ่ง เริ่มจากให้ภาพถ่ายสวนเพียงภาพเดียว ให้โมเดลสร้างภาพมุมมองจากที่สูงลงมา ภาพถ่ายมีเพียงสวนเท่านั้น รอบข้างไม่ได้ถ่ายไว้ ดังนั้นส่วนของสวนจึงถูกสร้างตามจริง ส่วนอาคารข้างเคียงถูกเติมเต็มด้วยความรู้ทั่วไปที่โมเดลเคยเห็นในข้อมูลฝึก

ภาพที่สองถ่ายเห็นกระท่อมข้างๆ ตรงนี้ไม่ต้องเติมแล้ว ภาพที่สามตัวอาคารโผล่ออกมา พื้นที่ที่ต้องเติมก็ลดลงอีกหนึ่งจุด

World Labs สรุปว่า ยิ่งเห็นมากเท่าไหร่ ก็ยิ่งจินตนาการน้อยลงเท่านั้น ตามข้อมูลที่ให้ไว้ ภาพถ่ายสองสามภาพมักเพียงพอที่จะสร้างฉากให้ใช้งานได้ ครั้งหนึ่งสามารถใส่ได้มากถึงร้อยกว่าภาพ

การทดลองนี้รวมสองสิ่งที่เคยแยกจากกันอย่างชัดเจนเข้าไว้ในโมเดลเดียวกัน

หากต้องการได้ฉากสามมิติในคอมพิวเตอร์ ในอดีตมีสองเส้นทาง เส้นทางแรกเรียกว่าการสร้างใหม่ ใช้ภาพถ่ายที่ถ่ายจากสถานที่จริง เพื่อ还原สถานที่จริงตามต้นฉบับ มุมไหนที่ไม่ได้ถ่ายก็ปล่อยว่างไว้ ยอมทิ้งเป็นรู เส้นทางที่สองเรียกว่าการสร้างสรรค์ โมเดลใช้บ้านและสนามหญ้าที่เคยเห็นในข้อมูลฝึก สร้างสถานที่ที่ไม่เคยมีอยู่จริง

Atlas ครอบคลุมทั้งสองด้าน ส่วนที่ไม่ได้ถ่ายไว้จะเติมด้วยความรู้ทั่วไปก่อน เมื่อมีภาพใหม่เข้ามา ก็จะเปลี่ยนส่วนที่แต่งขึ้นเป็นของจริง ภาพน้อยก็แต่งมาก ภาพมากก็แต่งน้อย

ฉันชอบโปรเจกต์ที่ชื่อ Funes World มาโดยตลอด พวกเขาพกกล้องเดินทางไปทั่วโลกเพื่อถ่ายอาคาร ทั้งปอมเปอี ทรอย มหาวิหารโคโลญ หอฟ้าเทียนถาน และยังถ่ายบ้านที่ไม่ค่อยมีชื่อเสียง เช่น บ้านที่หลังปรับปรุงเสร็จก็ไม่มีใครจำได้ว่าหน้าตาเดิมเป็นอย่างไร พวกเขาจะเดินรอบอาคาร ถ่ายจากทุกทิศทาง เว้นระยะให้ภาพซ้อนทับกันพอสมควร จากนั้นใช้โฟโตแกรมเมทรี NeRF และ Gaussian Splatting ประกอบกลับเป็นโมเดลสามมิติ คลังข้อมูลสาธารณะตอนนี้มีโมเดลกว่า 2,100 รายการ ครอบคลุมกว่า 19 ประเทศ

พวกเขาบอกว่ากำลังทำสำรองข้อมูลให้โลกแห่งความจริง สร้าง GitHub ของโลกกายภาพ

Funes เดินตามเส้นทางแห่งการสร้างใหม่แบบบริสุทธิ์ พวกเขากดชัตเตอร์ก่อนที่รถปราบดินจะมาถึง ต้องการให้บ้านหลังนั้นมีลักษณะอย่างที่มันเป็นจริงๆ ต่อให้ขาดไปชิ้นหนึ่ง ก็ไม่ให้โมเดลมาช่วยเติมแทน

Atlas เผชิญกับผู้ใช้อีกประเภทหนึ่ง กำแพงในครัว ถ้าตำแหน่งและขนาดตรงกัน ผลลัพธ์ที่แขนกลเอื้อมไปชนก็เหมือนกัน ลวดลายบนกำแพงจะมาจากการถ่ายภาพหรือสร้างขึ้น แขนกลไม่สนใจ

ดังนั้นปัญหาจึงตกไปอยู่อีกที่หนึ่ง โลกที่ส่วนหนึ่งสร้างขึ้นจากการแต่งเติม จะใช้ฝึกเครื่องจักรที่ต้องทำงานในโลกจริงได้หรือไม่ ส่วนบ้านที่สร้างขึ้นจะเหมือนจริงหรือไม่ ตรงนี้ข้ามไปก่อนได้

ในเดือนกรกฎาคม World Labs ซื้อบริษัทหุ่นยนต์ SceniX ผลลัพธ์ชุดแรกที่ประกาศหลังการเข้าซื้อ ตอบคำถามนี้พอดี

หุ่นยนต์หลายกลุ่มฝึกในซิมูเลเตอร์ล้วนๆ โดยไม่ใช้ข้อมูลโลกจริงแม้แต่ชิ้นเดียว จากนั้นนำไปติดตั้งบนแขนกลจริงโดยตรง เพื่อทำงานบรรจุกล่อง พันสายไฟ และย้ายหลอดทดลอง ในจำนวนนี้หลายเครื่องทำงานอัตโนมัติต่อเนื่องเป็นเวลา 1 ชั่วโมง โดยไม่มีมนุษย์เข้าแทรกแซงระหว่างทาง

สิ่งที่ควรจับตามากกว่าคือวิธีที่พวกเขาตัดสินว่าซิมูเลเตอร์นี้ผ่านเกณฑ์หรือไม่

มีเกณฑ์หนึ่งที่ฟังดูเป็นธรรมชาติ อัตราความสำเร็จในซิมูเลเตอร์ 80% เครื่องจริงก็ควรได้ 80% เช่นกัน แต่พวกเขาไม่ใช้เกณฑ์นี้ เพราะแรงเสียดทานของกำแพงในซิมูเลเตอร์กับกำแพงจริงต่างกัน การกระจายน้ำหนักของชิ้นส่วนก็ไม่ตรงกัน อัตราความสำเร็จจึงต้องคลาดเคลื่อนไปแน่นอน

พวกเขาเปลี่ยนวิธีทำแทน โดยเริ่มจากรันแต่ละวิธีในซิมูเลเตอร์ 2000 ครั้ง จัดอันดับตามประสิทธิภาพ จากนั้นนำวิธีเหล่านั้นไปรันบนเครื่องจริงอย่างละ 100 ครั้ง แล้วเปรียบเทียบเพียงสองอย่าง วิธี A ดีกว่าวิธี B ในซิมูเลเตอร์ เครื่องจริงก็เป็นแบบนั้นหรือไม่ และซิมูเลเตอร์บอกว่าการกระทำใดมีแนวโน้มพลาดมากที่สุดในขั้นตอนไหน เครื่องจริงก็พลาดในขั้นตอนนั้นหรือไม่

ในภารกิจที่ประกาศออกมา ทั้งสองข้อตรงกัน ส่วนอัตราความสำเร็จทั้งสองฝั่งจะต่างกันเท่าไรไม่ต้องสนใจ ตามคำกล่าวของ World Labs เอง ซิมูเลเตอร์ที่มีประโยชน์ไม่จำเป็นต้องมีอัตราความสำเร็จตรงกับโลกจริง แค่ต้องสนับสนุนการตัดสินใจแบบเดียวกับโลกจริงก็พอ

วิธีนี้มีคนใช้เมื่อกว่าร้อยปีก่อน

ฤดูใบไม้ร่วงปี 1901 พี่น้องตระกูลไรต์สร้างเครื่องร่อนตามข้อมูลปีกที่ Lilienthal ตีพิมพ์ไว้ แต่แรงยกจริงมีเพียงหนึ่งในสามของค่าที่คาดการณ์ ข้อมูลของคนรุ่นก่อนมีปัญหา แต่การวัดใหม่ต้องส่งคนขึ้นฟ้าครั้งแล้วครั้งเล่า พวกเขาจึงสร้างอุโมงค์ลมไม้ยาวหกฟุต ในบ่ายวันเดียวทดสอบปีกได้หลายชุด ฤดูหนาวหนึ่งทดสอบไปกว่า 100 แบบ

ลมในอุโมงค์ลมกับลมทะเลที่นอร์ทแคโรไลนาไม่เหมือนกัน แต่ปีกไหนดีกว่ากันนั้นเทียบได้

โมเดลโลกไม่จำเป็นต้องจำลองทั้งจักรวาล มันแค่ต้องเก็บโครงสร้างส่วนที่เกี่ยวข้องกับการตัดสินใจไว้เท่านั้น

บทเรียนจากความล้มเหลว

มาถึงจุดนี้ โครงสร้างธุรกิจของ World Labs ก็ชัดเจนแล้ว ผลิตภัณฑ์ Marble ที่พวกเขาเปิดตัวในปี 2025 สามารถสร้างโลกสามมิติที่สำรวจได้จากข้อความ รูปภาพ และวิดีโอ เมื่อเปิด World API แล้วนักพัฒนาสามารถเรียกใช้ได้โดยตรง ส่วน Atlas คือโมเดลชั้นล่างที่อยู่ใต้ผลิตภัณฑ์เหล่านี้

รอบการระดมทุน 1 พันล้านดอลลาร์ในเดือนกุมภาพันธ์ปีนี้ บริษัทที่ร่วมลงทุนมีความหลากหลายมาก NVIDIA ต้องการ Physical AI, Autodesk ต้องการงานสถาปัตยกรรม การออกแบบอุตสาหกรรม และ Digital Twin นอกจากนี้ยังมี AMD, Fidelity และ Sea ในโลกสามมิติเดียวกัน ผู้กำกับสนใจตำแหน่งกล้องและแสง สถาปนิกสนใจโครงสร้างและสัดส่วน ส่วนหุ่นยนต์ต้องการสภาพแวดล้อมที่สามารถทดลองได้

โลกหนึ่งใบที่เพียงพอต่อความทั่วไป ก็สามารถข้ามอุตสาหกรรมซอฟต์แวร์หลายชุดที่ปัจจุบันแยกจากกันได้

ส่วนการยัดบริษัทที่อ้างว่าทำโมเดลโลกทั้งหมดลงในตาราง benchmark เดียวกันนั้น ไม่มีความหมายอีกต่อไปแล้ว

Genie 3 กำลังสร้างภาพ Meta 的 V-JEPA 2 ไม่วาดภาพเลย เรียนรู้กฎจากวิดีโอโดยตรง NVIDIA 的 Cosmos บรรจุการให้เหตุผลเชิงภาพ การสร้างโลก และการคาดการณ์การกระทำไว้ในโมเดลเดียว Runway เปลี่ยนจากการสร้างวิดีโอไปสู่การจำลอง ใช้คำเดียวกัน แต่ไม่ได้แก้โจทย์เดียวกัน

ความแตกต่างมีเพียงเส้นเดียว ฝ่ายหนึ่งเชื่อว่าถ้าคาดการณ์โลกได้ดีพอ โครงสร้างสามมิติจะงอกออกมาจากข้อมูลเอง เพราะกฎเหล่านี้ซ่อนอยู่ในวิดีโออยู่แล้ว อีกฝ่ายยัดตำแหน่งกล้อง เรขาคณิต และข้อจำกัดทางฟิสิกส์เข้าไปในโมเดลโดยตรง ให้โลกมีโครงสร้างตั้งแต่วันแรก Atlas ทำตำแหน่งกล้องและความลึกเป็นอินพุตดั้งเดิม ก็เป็นแบบนี้

บนเส้นทางนี้มีสิ่งหนึ่งที่เลี่ยงไม่ได้ นั่นคือข้อมูลฝึกมาจากไหน

โมเดลภาษาขนาดใหญ่ได้รับของขวัญชิ้นหนึ่ง ในหลายสิบปี มนุษย์เขียนเว็บเพจ เขียนโค้ด ทะเลาะกันในฟอรัม สะสมคลังข้อมูลขนาดใหญ่โดยไม่ตั้งใจ

โลกสามมิติไม่มีสิ่งนี้ ความสัมพันธ์เชิงพื้นที่ไม่ค่อยถูกบันทึกอย่างเป็นระบบ ค่าสัมประสิทธิ์แรงเสียดทานของพื้นไม่เขียนลงในเว็บเพจเอง ที่ยากกว่าคือการโต้ตอบ เมื่อหุ่นยนต์เสียบสายไม่ตรง ในความเป็นจริงสายนั้นเอียงจริงๆ ก่อนจะลองครั้งต่อไป ต้องมีคนเดินไปจัดให้ตรง ข้อความสามารถคัดลอกได้ไม่จำกัด แต่ประสบการณ์ในโลกจริงต้องเกิดขึ้นใหม่ทุกครั้ง

ดังนั้น สิ่งที่หุ่นยนต์ขาดแคลนมากที่สุดในอดีตก็คือความล้มเหลว ในโลกความเป็นจริง การทำผิดมีต้นทุนสูงเกินไป แต่เมื่อตัวจำลองมีประสิทธิภาพ หุ่นยนต์ก็สามารถวิ่งซ้ำได้หลายพันหรือหลายหมื่นครั้งภายในนั้น เพื่อสะสมประสบการณ์อย่างรวดเร็ว

เฟย์-เฟย์ หลี่ เผชิญหน้ากับปัญหานี้มาเกือบ 20 ปีแล้ว

ในปี 2009 เธอและทีมงานสร้าง ImageNet ขึ้นมา โดยจัดระเบียบรูปภาพที่กระจัดกระจายอยู่บนอินเทอร์เน็ตใหม่ตามระบบแนวคิดของ WordNet ดัชนีที่สมบูรณ์มีรูปภาพ 14.19 ล้านภาพและ 21,841 ซินเซ็ต แต่ ILSVRC ที่จุดชนวนการเรียนรู้เชิงลึกในเวลาต่อมาใช้เพียง 1,000 ประเภทเท่านั้น โจทย์ของคอมพิวเตอร์วิทัศน์ในยุคนั้นง่ายมาก คือให้รูปภาพหนึ่งใบแก่เครื่องจักร แล้วให้มันบอกว่ามีอะไรอยู่ในภาพ อยู่ในหมวดหมู่ใด และอยู่ตำแหน่งใดในภาพ

สิบเจ็ดปีผ่านไป โจทย์นี้ไม่ใช่ปัญหาอีกต่อไปแล้ว ถ้วยในห้องครัวด้านหน้าที่กล่าวถึง โมเดลในปัจจุบันไม่เพียงแต่จำมันได้ แต่ยังสามารถสร้างถ้วยที่ไม่เคยมีอยู่จริงขึ้นมาได้ 100 ใบจากความว่างเปล่า

สิ่งที่ยากขึ้นกลายเป็นว่าถ้วยใบนี้อยู่ตำแหน่งใดในห้อง เมื่อเดินอ้อมไปด้านหลังโต๊ะแล้วสังเกตมันอีกครั้ง มันยังเป็นใบเดียวกันหรือไม่ เมื่อมีคนผลักมันออกไป ครั้งหน้าที่มองดูมันควรอยู่ที่ไหนและอยู่ในสถานะใด การจำสิ่งของได้กับการรู้ว่าสิ่งของนั้นอยู่ในโลกอย่างไร เป็นสองสิ่งที่แตกต่างกัน

จาก ImageNet ถึง Atlas มีเส้นความต่อเนื่องที่คาดไม่ถึงเส้นหนึ่ง นั่นคือ มนุษย์ต้องยัดข้อมูลเกี่ยวกับโลกเข้าไปในเครื่องจักรมากแค่ไหน กว่าที่มันจะเติบโตเป็นโลกของตัวเอง

ในปี 1940 อดอลโฟ บิโอย กาซาเรส นักเขียนชาวอาร์เจนตินา เขียนนวนิยายเรื่องหนึ่งชื่อ "The Invention of Morel"

ตัวเอกหนีไปยังเกาะร้างแห่งหนึ่ง และพบกับกลุ่มคนแปลกประหลาด คนเหล่านี้เดินเล่น พูดคุย เต้นรำทุกวัน ทุกอย่างดูปกติ แต่ไม่มีใครมองเห็นเขา ยิ่งแปลกไปกว่านั้น บทสนทนาเดียวกันจะเกิดขึ้นซ้ำอีกครั้งในอีกไม่กี่วันต่อมาอย่างเหมือนเดิมทุกประการ แม้แต่ตำแหน่งการหยุดพูดก็ไม่คลาดเคลื่อน

ต่อมาเขาจึงรู้ว่า นักวิทยาศาสตร์บนเกาะชื่อโมเรล สร้างเครื่องจักรเครื่องหนึ่งขึ้นมา เพื่อบันทึกหนึ่งสัปดาห์ของกลุ่มคนบนเกาะไว้อย่างสมบูรณ์ เสียงถูกบันทึกไว้ ภาพลักษณ์ถูกบันทึกไว้ โมเรลเชื่อว่าแม้แต่การสัมผัส กลิ่น และอุณหภูมิก็ถูกเก็บรักษาไว้ด้วย เครื่องจักรขับเคลื่อนด้วยกระแสน้ำขึ้นน้ำลง และหนึ่งสัปดาห์นั้นถูกเล่นซ้ำบนเกาะอย่างไม่รู้จบ

โมเรลเชื่อว่า เมื่อประสาทสัมผัสทั้งหมดทำงานพร้อมกัน วิญญาณก็จะปรากฏขึ้น

เครื่องจักรที่ถูกเขียนขึ้นเมื่อแปดสิบกว่าปีก่อนนี้ คล้ายกับ multimodal model ที่เกินจริงจนไร้สาระมากแล้ว มันเก็บรักษาหลักฐานทางประสาทสัมผัสทั้งหมดของความเป็นจริง และสร้างสำเนาที่ผู้สังเกตการณ์คนใดก็ไม่สามารถแยกแยะได้ว่าจริงหรือเท็จ

ตัวเอกตกหลุมรักผู้หญิงชื่อ Faustine ในภาพฉาย เขายืนอยู่ตรงหน้าเธอทุกวันและพูดคุยกับเธอ หวังให้เธอมองเห็นเขา แต่เธอไม่เคยตอบสนองแม้แต่ครั้งเดียว เพราะสัปดาห์ที่เธออยู่ในนั้นถูกบันทึกไว้เสร็จสิ้นนานแล้ว เครื่องจักรสามารถเล่นสัปดาห์นั้นซ้ำได้หมื่นครั้ง แต่ไม่สามารถฉายเหตุการณ์ที่ไม่เคยเกิดขึ้นในเวลานั้นออกมาได้

ตามตารางของ World Labs เอง สิ่งที่ Morel สร้างขึ้นคือเครื่องเรนเดอร์ที่สมบูรณ์แบบ

โมเดลในปัจจุบันสามารถจำลองสถานที่หนึ่งๆ ได้อย่างไม่มีที่ติ สิ่งที่ยากคือเหตุการณ์ที่ไม่เคยถูกบันทึกโดยใครเลย มีคนเดินเข้าไป ยื่นมือ และทำให้แก้วบนโต๊ะล้ม

บนเกาะของ Morel มีทุกอย่างครบครัน แต่ขาดเพียงการกระทำนี้เท่านั้น

-****จบ-

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