อัปเดต
AI / Tools
Gemini Omni 1.1 Flash มาแล้ว เก่งขึ้นแต่ยังเร็ว แถมคุมได้ละเอียดกว่าเดิม
DeepMind ปล่อยโมเดลตัวใหม่ที่ไม่ได้แค่อัปเกรดความฉลาด แต่เพิ่ม "ปุ่มควบคุม" ให้คนสร้างแอปได้ตรงโจทย์ขึ้น — ใครใช้อยู่ต้องอ่าน
ทีมข่าว เอไอไทย.com
⏱ อ่าน 4 นาที
คนส่วนใหญ่คิดว่าโมเดล AI "ใหม่" ต้องแปลว่า "ฉลาดขึ้น" แต่รอบนี้ของจริงมันอยู่ที่ "คุมได้" ต่างหาก — นั่นแหละที่นักพัฒนารอคอย
เอาล่ะ ใครที่ตามวงการ AI คงพอรู้ว่า Gemini Omni 1.1 Flash รอบก่อนหน้านี้มันเป็นยังไง — เร็ว แต่ก็มีจุดที่ต้องประคบประหงมเยอะ แถมเวลาสร้างแอปจริงๆ มันก็ดื้อๆ อยากตอบแบบที่เราอยากได้ยากหน่อย แต่รอบนี้ DeepMind ปล่อยอัปเดตมาใหม่ เรียกว่าเอาใจคนที่ไม่ได้เล่นๆ กันแล้วจริงๆ
พูดตรงๆ เลยว่า ชื่อ "Omni" ในที่นี้มันหมายถึงความสามารถรอบด้าน ไม่ใช่แค่คุยเป็นภาษาเดียว แต่มันประมวลได้ทั้งเสียง รูปภาพ และข้อความพร้อมกัน ซึ่งรอบนี้เขาปรับปรุงให้ "ควบคุม" ได้ลึกขึ้น — หมายความว่าคนเขียนโค้ดหรือสร้างแอปจะบังคับให้โมเดลทำตามสเปกเราได้ละเอียดกว่าเดิม ไม่ใช่ปล่อยให้มันมโนเองจนเพี้ยน
ประเด็นที่คนใช้จริงน่าจะดีใจที่สุดคือเรื่อง "ความเร็ว" ที่ยังคงเดิม ไม่ได้แลกมาด้วยความช้าลง แต่ที่เพิ่มขึ้นมาคือความแม่นยำในการทำตามคำสั่งที่ซับซ้อนขึ้น เช่น การกำหนดรูปแบบคำตอบ การบังคับให้มันทำงานเป็นขั้นตอน หรือแม้แต่การปรับโทนเสียงตอบให้เข้ากับแบรนด์ — อันนี้คือของที่นักพัฒนาร้องขอมาตลอด เพราะต่อให้โมเดลฉลาดแค่ไหน ถ้าควบคุมไม่ได้ มันก็เหมือนมีดผ่าตัดที่คมแต่จับถนัดมือไม่ดี
Google DeepMind ปล่อยเวอร์ชันนี้ออกมาโดยเน้นย้ำว่า "สร้างได้ด้วยการควบคุมที่มากขึ้น" ซึ่งมันสะท้อนทิศทางของวงการ AI ในตอนนี้ได้ดี — ยุคแรกๆ ทุกคนวิ่งแข่งกันแต่คะแนน benchmark แต่ตอนนี้โจทย์เปลี่ยนไปแล้ว มันคือ "ใครทำตามสั่งได้ตรงกว่า" เพราะสุดท้ายธุรกิจไม่ได้ต้องการแค่โมเดลฉลาด แต่ต้องการโมเดลที่ "ใช้ทำงานจริงได้" โดยไม่ต้องมาแก้ไขทีหลังเยอะ
จุดที่ต้องพูดถึงคือเรื่อง "การควบคุม" ที่เขาปรับปรุงมา มันไม่ได้แปลว่าโมเดลจะเชื่อฟังเราร้อยเปอร์เซ็นต์แบบหุ่นยนต์ แต่หมายถึงนักพัฒนาสามารถกำหนด "กติกา" หรือ "ขอบเขต" ให้มันทำงานได้ชัดเจนขึ้น เช่น การจำกัดหัวข้อที่จะตอบ การบังคับโครงสร้างผลลัพธ์ หรือการใส่ context เพิ่มเติมเพื่อให้มันเข้าใจบริบทของแอปเราได้ลึกขึ้น — ตรงนี้แหละที่ทำให้ Omni 1.1 Flash ไม่ใช่แค่โมเดลเร็วๆ ที่ตอบเก่ง แต่เป็น "เครื่องมือ" ที่ใช้สร้างของจริงได้
อีกอย่างที่หลายคนอาจมองข้ามคือเรื่องของ "การทำงานข้ามโมดัล" ที่มันทำได้ลื่นขึ้น — หมายถึงการประมวลผลข้อมูลที่ผสมกันทั้งเสียง ภาพ และข้อความในพรอมต์เดียว ซึ่งรอบนี้มันทำได้ดีขึ้นและเร็วขึ้นด้วย ซึ่งถ้าใครทำแอปที่ต้องรับ input หลากหลายรูปแบบ เช่น ถ่ายรูปแล้วให้วิเคราะห์พร้อมกับสั่งงานด้วยเสียง นี่คือตัวเลือกที่น่าสนใจมาก
จากที่ไล่ดูรายละเอียดแล้ว ผมว่า DeepMind รอบนี้ไม่ได้แค่อัปเกรดสเปกให้ตัวเลขสวยขึ้น แต่เขากำลังเล่นเกมที่ต่างออกไป — คือการ "แย่งนักพัฒนา" จากค่ายอื่นด้วยการทำให้ชีวิตง่ายขึ้น ไม่ใช่แค่โชว์ของว่าฉลาด แต่ทำให้ "ใช้งานได้จริง" โดยไม่ต้องง้อ prompt engineer มาเฝ้าดูแลตลอดเวลา
แต่อย่าลืมว่าคู่แข่งอย่าง GPT-4o หรือ Claude ก็ไม่ได้นิ่งเฉย โดยเฉพาะเรื่องความสามารถในการ "ทำตามคำสั่งหลายขั้นตอน" ที่แต่ละค่ายก็มีจุดแข็งคนละแบบ — ดังนั้นรอบนี้มันคือการยกระดับมาตรฐานของทั้งวงการ ไม่ใช่การชนะขาดทีเดียว แต่ใครที่กำลังเลือกโมเดลไว้ทำโปรดักต์จริงๆ รอบนี้มีอะไรให้คิดเยอะขึ้นแน่นอน
ควบคุมได้ละเอียดขึ้น
กำหนดรูปแบบคำตอบ ขั้นตอนการทำงาน หรือขอบเขตเนื้อหาได้ชัดเจนกว่าเดิม เหมาะกับงานที่ต้องการความแม่นยำสูง
ความเร็วเท่าเดิม
ไม่ได้แลกความเร็วกับความแม่นยำ — ยังเร็วเท่ารุ่นก่อน แต่ฉลาดขึ้นและคุมได้ดีขึ้น
ทำงานข้ามรูปแบบข้อมูล
ประมวลผลเสียง ภาพ และข้อความพร้อมกันได้ดีขึ้น เหมาะกับแอปที่รับ input หลากหลาย
สรุปสั้นๆ — ถ้าคุณเป็นนักพัฒนาที่เบื่อโมเดลฉลาดแต่ดื้อด้าน รอบนี้ DeepMind ฟังเสียงคุณแล้ว และนี่คือก้าวที่ถูกทิศของวงการ AI ที่จะไม่ใช่แค่ "ฉลาด" แต่ต้อง "ใช้ทำงานจริงได้" ด้วย
ที่มา: Google DeepMind Blog — อ่านต้นฉบับ
ความคิดเห็น 5
กำลังโหลดความคิดเห็น...