เติมความทรงจำเรื่องราวในอดีตให้วิดีโอ AI

เมื่อเดือนมีนาคมที่ผ่านมา เราได้พิจารณาปัญหาที่วิดีโอ AI สร้างเนื้อหาขึ้นมาใหม่เผชิญในการจดจำสิ่งของและสถานที่ที่เคยเห็น เพื่อให้สามารถสร้างสิ่งเหล่านั้นขึ้นมาอีกครั้งและรักษาความสอดคล้องของภาพได้

ผลที่เกิดขึ้นคือ คุณอาจเดินผ่านประตูเข้าไปในโลกจำลองที่สร้างโดย AI แล้วหันกลับมาในอีกสิบวินาทีให้หลัง ก่อนจะพบว่าประตูที่คุณเพิ่งผ่านเข้ามาหายไปแล้ว

นี่ไม่ใช่ข้อผิดพลาดเล็กน้อยที่จะแก้ได้ง่าย ๆ เพราะวิดีโอ AI ที่สร้างเนื้อหาขึ้นมาใหม่ต้องคิดค้น “สิ่งถัดไป” ที่จะเผชิญอยู่ตลอด จึงแทบไม่อาจจดจำสิ่งใดที่เกิดขึ้นนานมาแล้ว หรือสิ่งใดที่หลุดพ้นจากหน้าต่างบริบทอันจำกัดไปแล้วได้

นั่นหมายความว่า หากคุณสำรวจแบบจำลองโลก AI ที่ผ่านการฝึกมา ก็ไม่เหมือนกับการสำรวจสภาพแวดล้อม CGI ที่สร้างแบบจำลองไว้ ซึ่งพื้นผิวและรูปทรงเรขาคณิตถูกกำหนดตายตัวและบันทึกเป็นข้อมูลเวกเตอร์และบิตแมป แต่กลับเหมือนการเดินอยู่ในความฝันที่เต็มไปด้วยความน่าจะเป็นโดยประมาณ คุณอาจพบสิ่งเดิมซ้ำสองครั้งได้ แต่ก็เป็นเพียงเพราะสิ่งนั้นถูกเรียกขึ้นมาจากพื้นที่แฝงอีกครั้งผ่านบริบท ไม่ใช่เพราะแบบจำลองจดจำได้จริงว่าเคยสร้างหรือเห็นสิ่งนั้น

ดังนั้น แบบจำลองโลกวิดีโอ genAI โดยทั่วไปจึงคล้ายกับคนที่มีภาวะความจำเสื่อมแบบแอนเทอโรเกรด ซึ่งยังจดจำทุกอย่างก่อนเกิดเหตุการณ์ทางสมอง เช่น โรคหลอดเลือดสมองหรือการบาดเจ็บ ได้อย่างแม่นยำ แต่ไม่สามารถสร้างความทรงจำใหม่ได้นับตั้งแต่เกิดเหตุการณ์นั้น (ภาวะนี้เป็นที่รู้จักในวงกว้างจากตัวละครที่ Guy Pearce รับบท ซึ่งมีอาการดังกล่าวในภาพยนตร์เรื่อง Memento [2000]ซึ่งปรากฏอยู่ในภาพหลักของบทความนี้)

ด้วยเหตุนี้ โมเดลวิดีโอจึงมีความเข้าใจอย่างลึกซึ้งและฝังแน่นในหลายขอบเขต แต่กลับไม่มีความสามารถในการจดจำสิ่งใหม่ใด ๆ

ร่องรอยที่ทิ้งไว้

แนวทางแก้ปัญหา HyDRAที่เราพูดถึงเมื่อเดือนมีนาคมอาศัย “คลังความทรงจำ” ของโทเค็นภาพที่บีบอัดไว้ เพื่อให้ตัวละครที่สร้างด้วย AI เคลื่อนออกนอกจอแล้วกลับเข้ามาได้ โดยยังมีรูปลักษณ์เหมือนตอนที่ปรากฏให้เห็นครั้งแรก

ยังมีวิธีอื่นอีกหลายวิธีที่ใช้แนวทาง “ทิ้งร่องรอย” นี้ อย่างไรก็ตาม การสร้างรูปทรงเรขาคณิตสามมิติที่ซับซ้อนแล้วทิ้งไว้ช่วยแก้ปัญหาได้ก็จริง แต่ต้องแลกกับขนาดไฟล์ ตลอดจนการตอบสนอง เวลาแฝง และคอขวดอื่น ๆ ที่อาจเกิดขึ้น

แบบจำลองโลกที่อิงกับข้อมูลสามมิติเหล่านี้รวมถึง Gen3C ซึ่งนำโดย NVIDIA โดยแนวทาง HyDRA ใช้วิธีที่พบได้ทั่วไปที่สุดในการแก้ปัญหาเฉพาะนี้ นั่นคือแปลงสิ่งที่ระบบ “มองเห็น” ให้เป็นกลุ่มจุด ซึ่งโดยพื้นฐานแล้วเป็นรูปทรงเรขาคณิตสามมิติแบบลดทอนรายละเอียด:

คลิกเพื่อเล่น แนวทาง HyDRA ใช้แคชกลุ่มจุดสามมิติแบบถาวรเพื่อชี้นำการสร้างวิดีโอ โดยรักษาความสอดคล้องของฉากขณะที่กล้องเคลื่อนที่และกลับมายังบริเวณที่เคยเห็นแล้ว ที่มา

ยังมีแนวทางอื่นที่คล้ายกัน เช่น VMEM ของ Oxford University ในปี 2025 และความร่วมมือSPMem ซึ่งนำโดย Stanford ในช่วงเวลาเดียวกัน:

คลิกเพื่อเล่นจากความร่วมมือ SPMem ซึ่งนำโดย Stanford โดยผสานแผนที่สามมิติแบบถาวรของฉากที่อยู่นิ่งเข้ากับเฟรมวิดีโอล่าสุดเพื่อแสดงการเคลื่อนไหว และเลือกใช้เฟรมเก่าบางส่วนเพื่อเก็บรายละเอียดภาพ ช่วยให้โมเดลจดจำสถานที่ได้เมื่อกลับไปยังสถานที่เดิม ที่มา 

แต่การสร้างรูปทรงเรขาคณิตสามมิติทั้งหมดต้องใช้ทรัพยากรมาก และเพิ่มภาระให้กับการอนุมาน การเดินไปรอบ ๆ สภาพแวดล้อมพร้อมกับ “สร้าง” ฉากนั้นขึ้นมาอย่างต่อเนื่องเหมือนที่ศิลปินคอมพิวเตอร์กราฟิกทำไม่ใช่เรื่องง่าย ยิ่งไปกว่านั้น คลิป มุมมอง หรือช็อตอื่น ๆ ก็ต้องอ้างอิงรูปทรงเรขาคณิตที่สร้างขึ้นในภายหลังได้ด้วย ซึ่งเป็นโจทย์ที่ท้าทาย

บันทึกที่ใช้ทรัพยากรน้อยลง

ผลงานล่าสุดที่เข้ามาร่วมพัฒนา “ความทรงจำของวิดีโอ AI” คือความร่วมมือครั้งใหม่ที่นำโดย Tsinghua University ในชื่อเรื่อง ความทรงจำระนาบถาวรสำหรับแบบจำลองโลกวิดีโอ:

คลิกเพื่อเล่น ตัวอย่างระบบขณะทำงานจากเว็บไซต์โครงการริเริ่ม PPMem ซึ่งนำโดย Tsinghua PPMem แทนที่หน่วยความจำสามมิติแบบปริมาตรที่โครงการ SPMem ก่อนหน้าใช้ ด้วยชุดพื้นผิวแบนที่กะทัดรัดกว่า โดยปรับปรุงและนำพื้นผิวเหล่านั้นกลับมาใช้ซ้ำเมื่อกล้องเคลื่อนที่ เพื่อรักษาความสอดคล้องของสภาพแวดล้อมที่เคยเห็นแล้ว ที่มา 

ดังที่แสดงในวิดีโอด้านบน* PPMem พัฒนาต่อยอดจากแนวทางก่อนหน้าด้วยการใช้ตัวแทนสภาพแวดล้อมสามมิติที่กะทัดรัดกว่า แทนที่จะจัดเก็บจุดจำนวนหลายล้านจุดเพื่อสร้างสภาพแวดล้อมที่เคยเห็นแล้วขึ้นใหม่ ระบบจะระบุพื้นผิวแบน เช่น ผนัง พื้น และเฟอร์นิเจอร์ แล้วจัดเก็บไว้เป็นระนาบเรขาคณิตที่นำกลับมาใช้ซ้ำได้ ซึ่งเรียกว่า องค์ประกอบพื้นฐานระนาบ และจะเพิ่มองค์ประกอบเหล่านี้ลงในหน่วยความจำเฉพาะที่แบบถาวรอย่างต่อเนื่อง เมื่อระบบสร้างส่วนใหม่ ๆ ของสภาพแวดล้อมขึ้นมา:

ตัวอย่าง 2 กรณีที่ PPMem สร้างวิดีโอพร้อมกับสร้างหน่วยความจำ 3 มิติแบบต่อเนื่อง แต่ละกรณีเริ่มด้วยภาพอินพุตทางด้านซ้าย โดยแสดงเส้นทางที่กล้องวางแผนจะเคลื่อนที่ไว้ด้านล่าง เมื่ออ่านเฟรมที่มีหมายเลขจากซ้ายไปขวาในแถวแรก แล้วต่อด้วยแถวที่สอง จะเห็นกล้องสำรวจร้านค้าหรือสวน ภาพแทรกขนาดเล็กที่มีสีสันแสดงให้เห็นว่าพื้นผิว 3 มิติที่จัดเก็บไว้เพิ่มพูนขึ้นอย่างไรเมื่อการเดินทางดำเนินไป พร้อมเก็บรักษาฉากที่สำรวจไปแล้ว ที่มา

เมื่อกล้องกลับมายังตำแหน่งเดิมที่เคยผ่าน ระนาบที่จัดเก็บไว้จะถูกฉายกลับเข้าไปในมุมมองของกล้อง เพื่อช่วยกำกับการสร้างเฟรมใหม่ และลดปริมาณข้อมูลเชิงพื้นที่ที่ต้องเก็บรักษาและประมวลผล วิธีนี้ยังช่วยป้องกันไม่ให้วัตถุและสภาพแวดล้อมที่คุ้นเคยเปลี่ยนแปลงหรือหายไปเมื่อกลับมาเยือนอีกครั้ง

ผู้เขียนระบุว่า การใช้องค์ประกอบพื้นฐานรูปทรงระนาบ หรือวัตถุแบบพาราเมตริกที่กำหนดด้วยเวกเตอร์ทางคณิตศาสตร์ ช่วยให้จัดการกับ ‘แนวทางทิ้งร่องรอย’ ได้คล่องตัวและมีประสิทธิภาพยิ่งขึ้น:

‘โมเดลที่สร้างโลกทั้งใบ ไม่ใช่แค่คลิปสั้น ๆ จำเป็นต้องมีหน่วยความจำที่กระชับและมีโครงสร้างในลักษณะเดียวกัน เพื่อบันทึกสิ่งที่สร้างขึ้น องค์ประกอบพื้นฐานรูปทรงระนาบเป็นตัวเลือกที่เหมาะสมสำหรับบทบาทนี้

‘องค์ประกอบพื้นฐานแต่ละชิ้นกำหนดด้วยตัวเลขเพียง 7 ค่า (ความลึกของจุดศูนย์กลาง ขอบเขตของสี่เหลี่ยมผืนผ้าสองด้าน และควอเทอร์เนียนการหมุน) ซึ่งแสดงโครงสร้างเรขาคณิต 3 มิติอย่างชัดเจน และมีขนาดกะทัดรัดกว่าการแทนข้อมูลแบบพิกเซลต่อพิกเซลหลายระดับขั้น’

คลิกเพื่อเล่นหากจำเป็น ชุดประกอบน้ำหนักเบาที่สร้างจากองค์ประกอบพื้นระนาบโดย PPMem สามารถบันทึกและคงรายละเอียดไว้ได้ รวมถึงเก็บรูปทรงโดยรวมไว้ได้ ขณะที่กล้องเคลื่อนผ่านแบบจำลองโลก ส่วนสีเขียวที่แสดงไว้ด้านบนจะถูกเก็บไว้ในหน่วยความจำเมื่อมีการแมปจากสีเข้ม>สีเขียว

ขอบเขตที่ระนาบเหล่านี้จะใช้แทนโลกที่สำรวจแล้วได้นั้นย่อมถูกจำกัดด้วยหน่วยความจำและคอขวดอื่น ๆ ที่คาดการณ์ได้ กล่าวคือ ไม่อาจเดินทางไปทั่วโลกเป็นเวลาหลายชั่วโมงแล้วกลับมาพบว่าทุกอย่างยังเหมือนเดิมได้ อย่างไรก็ตาม ข้อจำกัดในลักษณะ ‘แบ่งตามด่าน’ เช่นนี้คงคุ้นเคยสำหรับผู้ชื่นชอบวิดีโอเกม ซึ่งทรัพยากรในเครื่องที่มีประสิทธิภาพแต่จำกัดมักให้ผลลัพธ์ดีที่สุดภายใต้สภาพแวดล้อมที่มีขอบเขตจำกัดมากที่สุด:

คลิกเพื่อเล่น ใน PPMem เมื่อกล้องเคลื่อนผ่านสภาพแวดล้อม กล้องจะทิ้ง ‘ระนาบ’ น้ำหนักเบาไว้ (แสดงด้วยพื้นที่สีเขียว) เพื่อแทนสิ่งที่กล้องมองเห็น และระนาบเหล่านั้นจะยังคงอยู่หากกล้องย้อนกลับมาอีกครั้ง

ดังนั้น ในภาพด้านบนจึงเห็นการ ‘ทำแผนที่’ ด่านดังกล่าวทีละห้อง จนพื้นทั้งหมดเป็นสีเขียวและสามารถสำรวจได้อย่างอิสระ โดยไม่จำเป็นต้องสร้างระนาบเพิ่มเติมมากเท่าเดิม (แต่ก็ยังต้องสร้างอยู่บ้าง)

วิธีการ

PPMem พัฒนาต่อยอดจาก Wan2.2-TI2V-5B (แทนที่จะใช้ Wan2.1-T2V-1.3B ซึ่ง HyDRA ใช้) ซึ่งเป็นโมเดลแพร่กระจายวิดีโอขนาด 5 พันล้านพารามิเตอร์ โดยเพิ่มระบบคาดการณ์เรขาคณิตที่ดัดแปลงมาจาก Plana3R เข้ามา ทั้งนี้ยังคงใช้โครงข่ายหลักของวิดีโอเดิม พร้อมเพิ่มเส้นทางประมวลผลแยกต่างหากเพื่อดึงข้อมูลเรขาคณิตจากการแทนข้อมูลภายในของโมเดล:

แผนผังระบบสร้างวิดีโอและหน่วยความจำ 3 มิติของ PPMem เส้นทางด้านบนสร้างวิดีโอ ส่วนเส้นทางด้านล่างบันทึกรูปร่างและตำแหน่งของพื้นผิวที่มองเห็นได้ ข้อมูลเหล่านี้จะถูกเพิ่มลงในหน่วยความจำที่จัดเก็บไว้ทางด้านขวา จากนั้นนำไปใช้กำกับวิดีโอช่วงถัดไป ลูกศรด้านล่างแสดงวิธีป้อนข้อมูลนี้กลับเข้าสู่ระบบ

ในการฝึกขั้นแรกจากทั้งหมดสองขั้น Wan 2.2 ได้รับการปรับแต่งเพิ่มเติมสำหรับการสร้างวิดีโอที่ควบคุมด้วยกล้อง โดยใช้ภาพฉายจากภาพต้นฉบับและเฟรมก่อนหน้าเพื่อกำหนดการเคลื่อนกล้องตามที่ต้องการ จากนั้นจึงตรึงโครงข่ายหลักของวิดีโอไว้ และฝึกองค์ประกอบเรขาคณิตใหม่แยกต่างหาก

ในการฝึก ใช้คลิปมากกว่า 80,000 คลิปจาก DL3DV และ RealEstate10K ที่ความละเอียด 576×1024 ข้อมูลความลึกอ้างอิงได้มาจาก MoGe-2 โดยจัดแนวระยะทางที่ประมาณได้ให้สอดคล้องกับการสร้างภาพ 3 มิติขึ้นใหม่ที่ผลิตโดย VGGT

ระบบคาดการณ์ระนาบของ PPMem จึงได้รับการฝึกให้ประมาณความลึกและทิศทางของพื้นผิว โดยตรวจสอบผลลัพธ์เทียบกับเรขาคณิตอ้างอิง นอกจากนี้ ยังฝึกพื้นผิวที่เรนเดอร์เพิ่มเติมเพื่อให้สอดคล้องกับฉากที่สร้างขึ้นใหม่มากยิ่งขึ้น

ใช้ การปรับตัวอันดับต่ำ (LoRA) เพื่อเพิ่มการประมวลผลเฉพาะด้านเรขาคณิต โดยไม่แก้ไขโมเดลวิดีโอพื้นฐาน

ระหว่างการอนุมาน ระบบจะดำเนินกระบวนการสร้างวิดีโอตามปกติโดยปิดการปรับแต่งเหล่านี้ไว้ จากนั้นจึงประมวลผลอีกครั้งแยกต่างหากเพื่อดึงข้อมูลเรขาคณิต ทำให้การดำเนินการทั้งสองส่วนยังคงเป็นอิสระจากกันโดยแทบทั้งหมด

จากนั้นจะสร้างวิดีโอเป็นช่วง ๆ ช่วงละประมาณ 25 เฟรม โดยใช้การเคลื่อนกล้องตามที่กำหนดเพื่อเตรียมข้อมูลด้านภาพและมิติพื้นที่ที่จำเป็นสำหรับแต่ละลำดับภาพใหม่ ซึ่งรวมถึงภาพฉายของฉากที่สร้างไว้ก่อนหน้า มาสก์ที่ระบุพื้นที่ซึ่งมองเห็นได้ และข้อมูลความลึกที่ได้จากรูปทรงเรขาคณิตซึ่งสั่งสมมา

จากนั้นจะนำข้อมูลความลึกที่จัดเก็บไว้ไปรวมกับความเข้าใจฉากที่โมเดลมีอยู่เดิม โดยใช้ทรานส์ฟอร์เมอร์ด้านภาพที่พัฒนาบนพื้นฐานของ DINOv2-Base เพื่อปรับปรุงการคาดการณ์พื้นผิวใหม่

ระหว่างการฝึก จะปิดบังส่วนต่าง ๆ ของแผนที่ความลึกด้วยการทำมาสก์แบบเลือกส่วน ทำให้โมเดลต้องคาดการณ์รูปทรงเรขาคณิตของพื้นผิวจากข้อมูลเชิงพื้นที่ที่ไม่สมบูรณ์ และช่วยเพิ่มความสามารถในการขยายผลไปยังข้อมูลใหม่

เมื่อสร้างรูปทรงเรขาคณิตใหม่แล้ว ระบบจะปรับปรุงชุดระนาบด้วยการตรวจหาพื้นผิวที่ซ้อนทับหรือถูกบดบัง และนำค่าประมาณที่เชื่อถือได้น้อยกว่าออกเมื่อมีข้อมูลสังเกตที่ดีกว่า วิธีนี้ทำให้ตัวแทนข้อมูลที่จัดเก็บไว้ได้รับการปรับแก้ให้ถูกต้องขึ้นอย่างต่อเนื่องเมื่อกล้องเคลื่อนที่ แทนที่จะสะสมค่าคาดการณ์พื้นผิวทุกค่าไปเรื่อย ๆ

ผลลัพธ์

ในการทดสอบ วิธีนี้ถูกนำไปทดลองเปรียบเทียบกับ Gen3C, Voyager, VMEM และ SPMem โดยใช้โค้ดและพารามิเตอร์เริ่มต้นจากคลังโค้ดของแต่ละโมเดล

เมตริกที่ใช้ ได้แก่ อัตราส่วนสัญญาณต่อสัญญาณรบกวนสูงสุด (PSNR), เมตริกความคล้ายคลึงเชิงการรับรู้ที่เรียนรู้ได้ (LPIPS), ความคล้ายคลึงของ CLIP และความคล้ายคลึงของ DINOv2 (ดูข้อยกเว้นโดยละเอียดในบทความวิจัย)

ในการทดสอบแรก มีการเปรียบเทียบ PPMem กับวิธีอื่น ๆ โดยใช้ชุดข้อมูล DL3DV และ RealEstate10K และประเมินคุณภาพวิดีโอจากลำดับภาพที่มี 49 และ 121 เฟรม:

การเปรียบเทียบคุณภาพวิดีโอของ PPMem, Gen3C, Voyager, VMem และ SPMem บน DL3DV และ RealEstate10K ที่ความยาว 49 และ 121 เฟรม PPMem ได้คะแนนดีที่สุดหรือดีที่สุดร่วมในทั้งสี่เมตริก โดยความได้เปรียบมักเพิ่มขึ้นเมื่อใช้ลำดับภาพที่ยาวขึ้น

ผู้เขียนระบุถึงผลลัพธ์เหล่านี้ว่า:

‘PPMem ให้ผลลัพธ์ดีที่สุดในทุกเมตริก ทั้งในชุดข้อมูลทั้งสองชุดและภายใต้จำนวนเฟรมทั้งสองแบบ แม้จะใช้โมเดลพื้นฐานขนาดเล็กกว่า (Wan 2.2 5B) เมื่อเทียบกับ Gen3C (Cosmos 7B) และ Voyager (HunyuanVideo ∼13B) T’

นอกจากนี้ ยังมีการทดสอบความสามารถของ PPMem ในการประเมินระยะห่างระหว่างวัตถุและพื้นผิวกับกล้องด้วย ผู้เขียนระบุว่า จาก 121 เฟรมใน DL3DV โมเดลนี้ให้ค่าประมาณความลึกที่แม่นยำกว่า Voyager ซึ่งเป็นโมเดลคู่แข่งเพียงโมเดลเดียวที่สร้างวิดีโอและข้อมูลความลึกได้พร้อมกัน

การทดสอบเชิงคุณภาพครั้งที่สองประเมินความสามารถของวิธีต่าง ๆ ในการรักษาฉากให้มีความต่อเนื่อง ขณะที่กล้องเคลื่อนผ่านฉากใน DL3DV ตลอด 300–400 เฟรม โดยนำผลมาเปรียบเทียบกัน PPMem รักษารูปลักษณ์และโครงสร้างของสภาพแวดล้อมที่เห็นไปแล้วได้ดีกว่าโมเดลคู่แข่ง และความได้เปรียบยิ่งชัดเจนขึ้นเมื่อลำดับภาพดำเนินต่อไป:

คลิกเพื่อเล่น แม้เราจะทำซ้ำผลลัพธ์ได้ด้วยความละเอียดต่ำกว่าต้นฉบับเท่านั้น แต่เราคิดว่าวิดีโอช่วยอธิบายได้ดีกว่าผลลัพธ์ภาพนิ่งในบทความวิจัย จึงขอแนะนำให้ผู้อ่านดูเวอร์ชันคุณภาพสูงกว่าได้ที่เว็บไซต์โครงการ PPMem

ผู้เขียนระบุว่า:

‘PPMem รักษาความเที่ยงตรงในการรับรู้ได้สูงที่สุดตลอดการทดสอบ โดยช่องว่างยิ่งกว้างขึ้นเมื่อเวลาผ่านไป ซึ่งเห็นได้ชัดที่สุดเมื่อวัดด้วย DINOv2 โดย PPMem นำหน้าวิธีที่ได้อันดับรองลงมาอยู่ ∼0.27 ที่เฟรมที่ 300′

การเปรียบเทียบเฟรมวิดีโอที่สร้างโดย Gen3C, VMem, SPMem, Voyager และ PPMem ณ หกช่วงเวลาในลำดับภาพ 288 เฟรม พร้อมฟุตเทจต้นฉบับ (Ground Truth) PPMem รักษารูปลักษณ์ของแปลงดอกไม้และทิวทัศน์โดยรอบได้สม่ำเสมอกว่าเมื่อกล้องเคลื่อนที่ ขณะที่วิธีคู่แข่งบิดเบือนหรือทำรายละเอียดสูญหายมากขึ้นเรื่อย ๆ

บทความวิจัยระบุว่า หลังจากวิดีโอผ่านไปประมาณ 400 เฟรม ฉากที่สำรวจทั้งหมดสามารถแทนด้วยองค์ประกอบระนาบประมาณ 100,000 รายการใน PPMem โดยใช้หน่วยความจำเพียง 5MB

เนื่องจากวิธีนี้ใช้พื้นที่จัดเก็บน้อยกว่าการเก็บฉากเดียวกันเป็นจุดแต่ละจุดในกลุ่มจุดสามมิติแบบหนาแน่นประมาณหนึ่งพันเท่า บทความวิจัยที่อาจถูกมองว่าเป็นเพียงความก้าวหน้าเล็กน้อยในแนวทางที่มีอยู่แล้วในวงวิชาการ จึงดูเหมือนจะนำเสนอการปรับปรุงด้านการจัดการของสถาปัตยกรรมนี้อย่างมีนัยสำคัญ

บทสรุป

แม้งานวิจัยฉบับใหม่นี้จะเป็นพัฒนาการที่น่าตื่นเต้นภายใต้ขอบเขตและเงื่อนไขของโจทย์เป้าหมาย แต่เรายังคงทำงานอยู่ในกรอบแนวคิดที่การสำรวจพื้นที่แฝงของแบบจำลองโลกแบบสุ่มพ่นเรขาคณิตออกไปรอบด้านราวกับโฟมที่คงตัวอยู่ ซึ่งเรขาคณิตเหล่านั้นอาจต้องได้รับการกู้คืนในฉากถัดไปหรือในบริบทภายหลัง

การกู้คืนดังกล่าวยุ่งยากกว่าการนำเข้าเมช CGI แบบดั้งเดิมและพื้นผิวที่ห่อหุ้มเมชเหล่านั้นมาก อาจกล่าวได้ว่าแนวทางทั้งหมดนี้ “ค่อนข้างย้อนแย้ง” กล่าวคือ โดยอุดมคติแล้ว โมเดล AI ควรเรียกใช้และอ้างอิงแอสเซตที่กำหนดตายตัวผ่านระบบ RAG หรือระบบค้นหาแบบใดแบบหนึ่งได้ ขณะเดียวกันก็ยังคงความยืดหยุ่นและอิสระในการสร้างสรรค์จากการเคลื่อนผ่านพื้นที่แฝงไว้

เป็นเรื่องที่คาดหวังไว้มาก แต่สำหรับผม วิธี “ทิ้งร่องรอย” นี้ดูเหมือนจะเทียบได้กับวิธีแก้ปัญหาสุดพิสดารที่เกิดขึ้นก่อนพี่น้องตระกูลไรต์

โปรดดูเว็บไซต์โครงการเพื่อรับชมวิดีโอฉบับเต็ม

เผยแพร่ครั้งแรก วันอังคารที่ 20 ตุลาคม 2026