เจาะประเด็น
AI / Research
สอน AI วาดรูปด้วยภาษาโค้ด: ทางลัดที่อาจพาเราหลงทาง
วิธีเทรนใหม่ที่ทำให้โมเดลวาดรูป "เก่งขึ้น" แต่คำถามคือเรากำลังเข้าใจแก่นของปัญหาผิดหรือเปล่า
ทีมข่าว เอไอไทย.com
⏱ อ่าน 4 นาที
ถ้า AI วาดรูปเก่งขึ้นเพราะ "เขียนโค้ดเป็น" ไม่ใช่ "เห็นภาพเป็น" แบบนั้นเรากำลังสร้างเครื่องมือ หรือแค่สร้างนักเลียนแบบที่ฉลาดขึ้น?
เรื่องนี้มันน่าสนใจตรงที่มันท้าทายความเชื่อเดิมๆ ว่า AI สร้างภาพได้ยังไง ปกติเราก็รู้กันอยู่ว่าโมเดลพวก Diffusion หรือ GAN มันเรียนรู้จากภาพเป็นล้านๆ รูป แล้วจับแพทเทิร์นว่าภาพแบบไหนควรจะเป็นยังไง แต่วิธีที่ Surya (คนเขียนบล็อกนี้) ทดลองกับ Qwen มันคนละแนวเลย เขาไม่ได้สอนให้ AI "ดู" รูปแล้ววาดตาม แต่สอนให้มัน "เขียนโค้ด" เพื่อสร้างภาพขึ้นมาแทน
ฟังดูอาจจะเหมือนแค่การเปลี่ยนเครื่องมือ แต่จริงๆ มันคือการเปลี่ยนวิธีคิดของโมเดลทั้งหมดเลยนะ ลองนึกภาพตามนะ สมมติเราอยากได้รูปบ้านสักหลัง โมเดลแบบเดิมมันจะพ่นภาพบ้านออกมาจาก noise เต็มไปหมด แต่โมเดลแบบนี้มันจะเริ่มจากคิดว่า "บ้านควรมีสี่เหลี่ยมผืนผ้าเป็นตัวบ้าน สามเหลี่ยมเป็นหลังคา" แล้วค่อยๆ เขียนโค้ดเพื่อวาดทีละส่วน มันคือการเปลี่ยนจากการ "จินตนาการ" เป็น "คำนวณ" ต่างหาก
ในบล็อกเล่าว่าเขาใช้เทคนิค Reinforcement Learning (RL) เข้ามาช่วย เทรน Qwen ซึ่งปกติเป็นโมเดลภาษา ให้เรียนรู้การสร้างภาพผ่านการเขียนโค้ด Python โดยใช้ไลบรารีอย่าง Pillow หรือ matplotlib ข้อดีของวิธีนี้คือ โค้ดมันตรวจสอบได้ชัดเจนว่าถูกหรือผิด ภาพออกมาดีหรือไม่ดี ให้ feedback กับโมเดลได้ทันที ไม่เหมือนการเทรนแบบเดิมที่ต้องใช้ตัวตัดสิน (discriminator) หรือ human feedback ที่แพงและช้า
ประเด็นสำคัญที่เขาค้นพบคือ การให้รางวัล (reward) กับโมเดลแบบง่ายๆ เช่น "ภาพสวย" มันไม่ได้ผล แต่ถ้าให้รางวัลกับการที่โค้ด "รันได้" และ "สร้างภาพที่ตรงตามโจทย์" มากกว่า ผลลัพธ์ที่ได้คือโมเดลเริ่มเข้าใจเรขาคณิตและสัดส่วนของวัตถุดีขึ้นอย่างเห็นได้ชัด มันไม่ใช่แค่การสุ่มสีสุ่มเส้น แต่คือการ "วางแผน" ว่าจะวาดอะไรก่อนหลังยังไงให้ออกมาเป็นรูป
ตรงนี้แหละที่ผมว่ามันมีอะไรให้คิดเยอะ ฟังดูเป็นวิธีที่ "ฉลาด" ดี แต่ผมกลับรู้สึกว่ามันกำลังพาเราไปคนละทางกับที่หลายคนคาดหวังไว้ คนส่วนใหญ่อยากได้ AI ที่ "คิดเป็น" เข้าใจโลกเหมือนมนุษย์ แต่วิธีนี้มันคือการทำให้ AI เก่งในการ "เลียนแบบกฎ" ที่มนุษย์เขียนไว้แล้วต่างหาก มันเหมือนเราสอนเด็กให้วาดรูปโดยการท่องตำราวิชาเรขาคณิตแทนที่จะให้เขามองเห็นความงามของธรรมชาติ
ผลลัพธ์ที่ออกมาอาจจะดู "ถูกต้อง" แต่คำถามคือมันจะ "มีชีวิต" หรือเปล่า? ภาพที่ได้จากวิธีนี้มันจะดูแข็งๆ เหมือนงานเขียนแบบทางวิศวกรรมมากกว่างานศิลปะไหม? แล้วถ้าเรายิ่ง push ไปไกลกว่านี้ สุดท้ายเราจะได้ AI ที่วาดรูปเก่งเพราะมันเข้าใจ "สัดส่วน" แต่ไม่เข้าใจ "อารมณ์" ของภาพนั้นเลย นี่มันคือทางลัดที่แลกมาด้วยอะไรบางอย่างที่จับต้องไม่ได้
อีกมุมหนึ่งที่ต้องมองคือเรื่องของ "ขีดจำกัด" วิธีนี้มันใช้ได้ดีกับภาพที่สร้างจากรูปทรงเรขาคณิตพื้นฐาน แต่ถ้าเป็นภาพถ่ายคน ภาพวิวธรรมชาติ หรือภาพที่มีรายละเอียดซับซ้อนแบบอนันต์ โค้ดมันจะบรรยายความซับซ้อนนั้นยังไง? มันอาจจะไปต่อไม่ได้ไกลเท่า Diffusion model ที่จับ "texture" และ "lighting" ได้เป็นธรรมชาติมากกว่า วิธีนี้มันเหมือนการวาดรูปด้วยไม้บรรทัด มันแม่น แต่ไม่สวย
แต่ที่แน่ๆ งานชิ้นนี้เปิดประตูให้วงการได้คิดต่อว่า "การเข้าใจ" ของ AI มันควรเป็นแบบไหนกันแน่ เราจะยัดเยียดตรรกะแบบมนุษย์ให้มัน หรือปล่อยให้มันเรียนรู้โลกในแบบของมันเอง? ผมว่าคำตอบมันไม่ได้มีแค่คำตอบเดียว และการทดลองแบบนี้แหละที่จะช่วยให้เราหาคำตอบนั้นเจอ
ผมมองว่านี่คือก้าวที่ "ฉลาด" แต่ยัง "ไม่ใช่คำตอบสุดท้าย" มันคือการพิสูจน์ว่า AI สร้างสรรค์สิ่งต่างๆ ได้ด้วย "กฎ" ที่เรากำหนด แต่ศิลปะที่แท้จริงมันอยู่เหนือกฎเหล่านั้นเสมอ และถ้าเรายังอยากได้ AI ที่ "คิดเองเป็น" เราคงต้องหาวิธีที่ให้อิสระกับมันมากกว่านี้ ไม่ใช่แค่สอนให้มันทำตามสูตรสำเร็จ
ที่มา: Hacker News — อ่านต้นฉบับ
ความคิดเห็น 3
กำลังโหลดความคิดเห็น...