เจาะประเด็น
AI / Gemini
Gemini เริ่ม "ดูวิดีโอเป็นเรื่องเป็นราว" แล้ว ไม่ใช่แค่เห็นภาพนิ่งอีกต่อไป
Google อัปเกรดโมเดลให้เข้าใจวิดีโอแบบ Agentic — ดูคลิปแล้วลงมือทำตามได้จริง นี่คือจุดเปลี่ยนที่คนใช้ AI ต้องจับตา
ทีมข่าว เอไอไทย.com
⏱ อ่าน 3 นาที
ถ้า AI ดูคลิปแล้วช่วยหาจังหวะเสิร์ฟวอลเลย์บอลให้เราได้จริง นั่นแปลว่า "ความเข้าใจบริบท" ของเครื่องจักรมันข้ามผ่านขีดจำกัดเดิมไปแล้ว
คนส่วนใหญ่คุ้นเคยกับ Gemini ในฐานะแชทบอทที่ตอบคำถามได้เก่ง เขียนโค้ดเก่ง หรือวิเคราะห์รูปภาพได้ แต่โจทย์ใหญ่ตลอดหลายปีที่ผ่านมาคือ "วิดีโอ" — เพราะมันไม่ใช่แค่ภาพนิ่งหลายๆ เฟรมมารวมกัน แต่มันคือ "เวลา" "การเคลื่อนไหว" และ "ลำดับเหตุการณ์" ที่ต้องเข้าใจพร้อมกัน
ล่าสุด Google DeepMind ประกาศฟีเจอร์ใหม่ที่เรียกว่า Agentic Video Understanding ใน Gemini ซึ่งเป็นความสามารถให้โมเดลดูวิดีโอแล้ว "เข้าใจ" จริงๆ ไม่ใช่แค่บรรยายว่ามีอะไรอยู่ในคลิป แต่สามารถตอบคำถามเชิงลึก วิเคราะห์เหตุการณ์ที่เกิดขึ้น และที่สำคัญที่สุดคือ วางแผนหรือแนะนำการกระทำถัดไปได้ — นี่คือคำว่า "Agentic" ที่หมายถึงความสามารถในการคิดและลงมือทำ ไม่ใช่แค่ประมวลผลแบบพาสซีฟ
ถ้าจำกันได้ โมเดล multimodal รุ่นก่อนๆ อย่าง GPT-4V หรือ Gemini รุ่นแรกๆ ดูวิดีโอได้เหมือนกัน แต่ความสามารถมันจำกัดอยู่ที่ "การสรุปภาพรวม" เช่น บอกว่า "มีคนกำลังเล่นบาสเกตบอลอยู่ในสนาม" — แต่ถามต่อว่า "ผู้เล่นคนไหนทำฟาวล์ตอนจบเกม?" หรือ "จังหวะที่ทีมส้มทำคะแนนได้ เกิดจากอะไร?" โมเดลเก่าจะเริ่มมึน เพราะมันไม่ได้ถูกเทรนมาให้ติดตามวัตถุหรือเหตุการณ์ย่อยๆ ในช่วงเวลาต่างๆ ของคลิปได้อย่างละเอียด
ของใหม่นี้ถูกออกแบบมาเพื่อแก้จุดอ่อนนั้นโดยเฉพาะ มันเข้าใจ "ลำดับเหตุการณ์" (temporal reasoning) ได้ดีขึ้นมาก จำได้ว่าอะไรเกิดก่อนหลัง เชื่อมโยงสาเหตุและผลลัพธ์ได้ และที่เด็ดสุดคือมันให้คำแนะนำเชิงปฏิบัติได้ เช่น ดูคลิปการเสิร์ฟวอลเลย์บอลของเราแล้วบอกว่าควรปรับมุมมือยังไง หรือดูฟุตเทจกล้องวงจรปิดแล้วชี้ได้ว่ามีคนต้องสงสัยเดินผ่านตอนนาทีที่เท่าไหร่
อันนี้คือประเด็นที่ผมคิดว่าสำคัญที่สุด — เพราะมันไม่ใช่แค่ "อัปเกรดความสามารถ" แต่คือการขยับไปอีกขั้นของการใช้งานจริง ตัวอย่างที่ Google โชว์ในบล็อกคือการถาม Gemini เกี่ยวกับคลิปวอลเลย์บอล แล้วมันบอกจุดที่ต้องปรับปรุง หรือการดูวิดีโอสาธิตการซ่อมเครื่องจักร แล้วให้ AI สรุปขั้นตอนและบอกจุดเสี่ยงที่ต้องระวัง
ลองคิดต่อดู วงการที่ได้ประโยชน์ทันทีคือ:
การศึกษาและเทรนนิ่ง
ดูคลิปสาธิตแล้ว AI ช่วยติวละเอียดได้ว่าผู้เรียนทำผิดขั้นตอนไหน — โค้ชส่วนตัวราคาถูกแบบไม่จำกัดจำนวนครั้ง
ความปลอดภัยและการเฝ้าระวัง
ดูฟุตเทจกล้องวงจรปิดยาวๆ แล้วให้ AI หา "สิ่งผิดปกติ" ที่มนุษย์อาจมองข้าม เพราะมันไม่เบื่อ ไม่เมื่อย ไม่หลับ
การแพทย์และสุขภาพ
วิเคราะห์คลิปการผ่าตัดหรือการเคลื่อนไหวร่างกายผู้ป่วยเพื่อวินิจฉัยโรค — ถึงตรงนี้จะยังต้องมีหมอตรวจสอบอีกชั้น แต่ความช่วยเหลือมันมหาศาล
กีฬาและการแข่งขัน
โค้ชใช้ AI วิเคราะห์ฟอร์มนักกีฬาแบบเรียลไทม์จากวิดีโอการซ้อม เพื่อปรับกลยุทธ์ให้ทันที ไม่ต้องรอแกะเทปทีหลัง
ต้องบอกก่อนว่า ตอนนี้ฟีเจอร์นี้ยังเปิดให้ใช้ในวงจำกัดผ่าน Gemini API สำหรับนักพัฒนาบางกลุ่ม และยังมีข้อจำกัดเรื่องความยาวของวิดีโอที่ประมวลผลได้ แต่ทิศทางมันชัดเจนมาก — นี่คืออนาคตที่ AI จะไม่ใช่แค่ "อ่าน" หรือ "ดู" แต่จะ "เข้าใจ" และ "ช่วยลงมือทำ" แทนเราได้จริง
ฟีเจอร์นี้คือหมุดหมายสำคัญที่บอกว่า AI กำลังก้าวจาก "ผู้ช่วยมองภาพ" มาเป็น "ผู้ช่วยที่มองเห็นและเข้าใจโลก" จริงๆ — ใครที่คิดว่า AI แค่คุยกับเราได้ก็คงต้องคิดใหม่ เพราะตอนนี้มันเริ่ม "มองเห็น" และ "แนะนำเรา" ได้แล้ว และนั่นคือจุดที่เกมเปลี่ยนจริงๆ
ที่มา: Google DeepMind Blog — อ่านต้นฉบับ
ความคิดเห็น 3
กำลังโหลดความคิดเห็น...