Meta กำลังยกระดับศักยภาพของปัญญาประดิษฐ์จาก “การเรียนรู้ข้อมูล” ไปสู่ “การเข้าใจโลกจริง” ล่าสุดได้เปิดตัวโมเดล V-JEPA 2 (Video Joint Embedding Predictive Architecture 2) ซึ่งเป็น AI ที่สามารถรับรู้และทำนายผลในโลกกายภาพ ผ่านวิดีโอ โดยไม่จำเป็นต้องผ่านการฝึกเฉพาะทางในแต่ละสถานการณ์
จากวิดีโอสู่การตัดสินใจที่ชาญฉลาด
V JEPA 2 ได้รับการฝึกด้วยวิดีโอความยาวกว่า 1 ล้านชั่วโมง โดยระบบจะรับอินพุตเป็นวิดีโอเหตุการณ์ทั่วไป จากนั้นพยายาม คาดการณ์เหตุการณ์ที่จะเกิดขึ้นต่อไป ซึ่งทำให้โมเดลสามารถเข้าใจบริบทในโลกจริง เช่น การเคลื่อนที่ของวัตถุ หรือปฏิกิริยาเชิงฟิสิกส์
แต่สิ่งที่น่าสนใจกว่านั้นคือ เมื่อเปลี่ยนมาฝึกเฉพาะด้าน การควบคุมหุ่นยนต์ ด้วยวิดีโอเพียง 62 ชั่วโมง V JEPA 2 ก็สามารถทำงานร่วมกับหุ่นยนต์ได้อย่างมีประสิทธิภาพ แม้ไม่เคย “เห็น” ตัวอย่างของงานนั้นมาก่อนเลย
ไม่ได้ควบคุมโดยตรง... แต่เลือกการกระทำได้อย่างแม่นยำ
- ใส่ภาพของสถานะเริ่มต้นของหุ่นยนต์
- ใส่ภาพหรือเงื่อนไขของเป้าหมาย
- ป้อนตัวเลือกของการกระทำต่างๆ ระหว่างทาง
จากนั้น V JEPA 2 จะประเมินและ “เลือก” การกระทำที่เหมาะสมที่สุดเพื่อให้หุ่นยนต์บรรลุเป้าหมาย โดยความแม่นยำของโมเดลอยู่ที่ 65–80%
ไม่มาแค่โมเดลเดียว แต่ Meta เปิดตัวชุดทดสอบ AI ในโลกจริงอีก 3 ชุด
เพื่อทดสอบและผลักดันการพัฒนา AI ที่เข้าใจโลกกายภาพได้จริง Meta ยังปล่อยชุดข้อมูลสำคัญอีก 3 ชุดพร้อมกัน ได้แก่
- IntPhys 2 – สำหรับการประเมินว่าเหตุการณ์ในวิดีโอ “เป็นไปได้” หรือ “เป็นไปไม่ได้” ตามหลักฟิสิกส์
- MVPBench – สำหรับทดสอบ AI ในการประมวลผลวิดีโอพร้อมกับคำสั่ง/คำถามที่เป็นข้อความ
- CausalVQA – ชุดคำถาม-คำตอบที่เน้นเรื่องเหตุและผลในวิดีโอ
V JEPA 2 ไม่ได้เป็นเพียงการพัฒนาโมเดลรับภาพ แต่เป็นอีกก้าวสำคัญของปัญญาประดิษฐ์ที่ เข้าใจเหตุผลเชิงฟิสิกส์ และสามารถลงมือเลือกทางออกในสถานการณ์ใหม่ ๆ ได้โดยไม่ต้องพึ่งข้อมูลฝึกแบบเดิม นี่คือจุดเริ่มต้นของ AI ที่สามารถ “คิดและตัดสินใจ” ในโลกจริงได้อย่างเป็นธรรมชาติ และอาจกลายเป็นรากฐานของหุ่นยนต์อัจฉริยะในอนาคตอันใกล้
tags : ai.meta
