ByteDance เตรียมส่ง AI วิดีโอเชิงพื้นที่แบบเรียลไทม์ลงสนามโลกเสมือน

ByteDance มีรายงานว่ากำลังพัฒนาระบบ AI สำหรับสร้าง วิดีโอเชิงพื้นที่แบบเรียลไทม์ ซึ่งเป็นเทคโนโลยีประเภท “เวิลด์โมเดล” (world model) ที่มุ่งสร้างสภาพแวดล้อมดิจิทัลให้ผู้ใช้โต้ตอบและเคลื่อนสำรวจได้ แทนการสร้างคลิปวิดีโอแบบเส้นตรงที่เล่นจบไปตามลำดับ Bloomberg รายงานว่า จาง อี้หมิง ผู้ก่อตั้งบริษัท กำกับงานนี้ด้วยตัวเอง และผลิตภัณฑ์อาจเปิดตัวได้เร็วที่สุดในเดือนหน้า แต่ตารางเวลาดังกล่าวยังเปลี่ยนแปลงได้ และ ByteDance ยังไม่ได้ยืนยันโครงการต่อสาธารณะ 1

จาก Seedance สู่โลกเสมือนที่ผู้ใช้มีส่วนร่วมได้

รายงานระบุว่าโมเดลใหม่นี้สร้างบนฐานของ Seedance เทคโนโลยีสร้างวิดีโอของ ByteDance โดย Seedance 2.0 เป็นโมเดลเสียง-วิดีโอแบบมัลติโหมดที่รับข้อมูลได้ทั้งข้อความ ภาพ เสียง และวิดีโอ ตามเอกสารเปิดตัวของ ByteDance

หัวใจสำคัญคือระบบที่รายงานว่าจะไม่เพียงผลิตวิดีโอหนึ่งคลิป แต่สามารถสร้างโลกเสมือนแบบโต้ตอบได้สำหรับไลฟ์สด ซีรีส์สั้น และเกม 7 กล่าวอย่างเข้าใจง่าย เป้าหมายคือฉากดิจิทัลที่เปลี่ยนแปลงตามการเคลื่อนไหวหรือการกระทำของผู้ใช้ ไม่ใช่ภาพที่เรนเดอร์เสร็จล่วงหน้าแล้วเล่นจากต้นจนจบ

นี่คือเหตุผลที่โครงการถูกจัดอยู่ในกลุ่มเวิลด์โมเดล Google DeepMind อธิบายว่า เวิลด์โมเดลคือระบบที่จำลองการเปลี่ยนแปลงของสภาพแวดล้อม และผลของการกระทำต่อสภาพแวดล้อมนั้น ตัวอย่างอย่าง Genie 3 ถูกออกแบบมาให้สร้างสภาพแวดล้อมแบบโต้ตอบจากข้อความได้แบบเรียลไทม์

การลงมากำกับของจาง อี้หมิงคือสัญญาณเชิงกลยุทธ์

Bloomberg รายงานว่า จางกำลังประสานงานข้ามหน่วยธุรกิจของ ByteDance และจัดสรรทรัพยากร AI กับกำลังประมวลผลไปยังโมเดลนี้ 1 ข้อมูลนี้ไม่ได้หมายความว่าผลิตภัณฑ์เสร็จสมบูรณ์แล้ว หรือเป็นคำยืนยันว่าจะเปิดตัวแน่นอน แต่หากรายงานถูกต้อง การมีผู้ก่อตั้งเข้ามาดูแลโดยตรงสะท้อนว่า ByteDance อาจมองโครงการนี้เป็นเทคโนโลยีระดับแพลตฟอร์ม ไม่ใช่เพียงฟีเจอร์เพิ่มในเครื่องมือสร้างวิดีโอ AI

Bloomberg วางโครงการนี้ไว้ในบริบทการแข่งขันกับ Meta และ Alphabet โดยมองว่าการประยุกต์ใช้อาจไปไกลกว่าสื่อบันเทิง สู่หุ่นยนต์และระบบอัตโนมัติ 1 สื่อเชิงโต้ตอบอาจเป็นกรณีใช้งานเชิงพาณิชย์ที่เข้าถึงได้ก่อน ขณะที่เป้าหมายด้านเทคนิคที่ใหญ่กว่าคือการทำให้โมเดลรักษาสภาพแวดล้อมที่ใช้งานได้ แม้โลกนั้นเปลี่ยนไปตามการกระทำ

รายงานระบุอะไรเกี่ยวกับประสิทธิภาพและ Pico

รายงานหนึ่งซึ่งอ้างแหล่งข่าวที่รู้เรื่องโครงการ ระบุว่าโมเดลอาจสร้างสตรีมวิดีโอได้ราว 20 เฟรมต่อวินาที ที่ความหน่วงประมาณ 0.05 วินาที และอาจตอบสนองต่อคำสั่งเสียงหรือการเคลื่อนไหวของผู้ใช้เฮดเซ็ต Pico ได้ 7

อย่างไรก็ดี ตัวเลขเหล่านี้ควรถูกมองอย่างระมัดระวัง เพราะเป็นข้อมูลจากรายงาน ไม่ใช่ผลทดสอบมาตรฐานที่เปิดเผยต่อสาธารณะ และ ByteDance ยังไม่ได้เผยแพร่เอกสารเทคนิคที่ใช้ตรวจสอบได้อย่างอิสระ นอกจากนี้ ประสบการณ์ XR ที่ใช้งานจริงยังขึ้นกับมากกว่าอัตราการสร้างภาพ เช่น ความนิ่งของภาพ ความสอดคล้องของพื้นที่ ความเสถียรของเครือข่าย ความหน่วงตั้งแต่การเคลื่อนไหวจนถึงภาพที่แสดง และต้นทุนการประมวลผล

การเรนเดอร์ผ่านคลาวด์อาจช่วยย้ายภาระการประมวลผลออกจากเฮดเซ็ต จึงมีความเป็นไปได้ในทางทฤษฎีว่าจะลดความต้องการฮาร์ดแวร์ในตัวอุปกรณ์ได้ แต่ยังเร็วเกินไปที่จะสรุปว่าโมเดลนี้จะทำให้ Pico ราคาถูกลง หรือสร้างความได้เปรียบชัดเจนเหนือ Meta หรือ Apple สิ่งเหล่านี้เป็นนัยเชิงกลยุทธ์ที่เป็นไปได้ ไม่ใช่ผลลัพธ์ผลิตภัณฑ์ที่ยืนยันแล้ว

“เร็วที่สุดเดือนหน้า” ยังไม่ใช่วันนัดเปิดตัว

กรอบเวลาที่ว่า “เร็วที่สุดในเดือนหน้า” มาจากแหล่งข่าวนิรนาม Bloomberg ระบุเพียงว่าผลิตภัณฑ์กำลังถูกเตรียมไว้เพื่อการเปิดตัวที่เป็นไปได้ ไม่ได้ประกาศวันเปิดตัวตายตัว 1 รายงานอื่นที่กล่าวถึงประเด็นเดียวกันก็ย้ำว่ากำหนดเวลาอาจเปลี่ยนได้ 8

จนกว่า ByteDance จะประกาศอย่างเป็นทางการ ผู้พัฒนาและผู้ที่กำลังพิจารณาอุปกรณ์ควรแยกประเด็นต่อไปนี้ออกจากกันให้ชัด:

• ทิศทางที่มีรายงาน: โมเดลวิดีโอเชิงพื้นที่แบบเรียลไทม์บนฐาน Seedance
• กรณีใช้งานที่มีรายงาน: โลกเสมือนแบบโต้ตอบสำหรับคอนเทนต์สด ซีรีส์สั้น และเกม
• รายละเอียดที่ยังไม่ยืนยัน: วันเปิดตัว รูปแบบการเข้าถึง การทำงานร่วมกับฮาร์ดแวร์ ความหน่วง เฟรมเรต และการวางจำหน่ายเชิงพาณิชย์

เงินทุนและโครงสร้างพื้นฐาน AI ที่อยู่เบื้องหลัง

ByteDance มีทรัพยากรจำนวนมากสำหรับโครงสร้างพื้นฐาน AI แม้จะไม่ใช่งบเฉพาะของโมเดลนี้ Reuters รายงานว่าบริษัทได้รับเงินกู้ 29.6 พันล้านดอลลาร์สหรัฐ จากธนาคารเกือบ 30 แห่ง โดยแหล่งข่าวระบุว่าจะนำไปสนับสนุนการขยายธุรกิจ AI ในต่างประเทศ และวงเงินเพิ่มขึ้นจากเป้าหมายเดิม 20 พันล้านดอลลาร์

แยกกันนั้น Bloomberg รายงานว่า ByteDance กำลังพิจารณารายจ่ายลงทุนสูงสุดถึง 70 พันล้านดอลลาร์สหรัฐ ในปี 2026 เพื่อสร้างดาต้าเซ็นเตอร์และโครงสร้างพื้นฐาน AI อื่น ๆ ตัวเลขดังกล่าวเป็นแผนที่มีรายงาน ไม่ใช่ยอดใช้จ่ายที่ยืนยันแล้ว และไม่ได้จัดสรรเฉพาะให้กับโมเดลนี้

รายงานที่อ้างอิงการรายงานของ 36Kr ยังระบุว่า ByteDance ตั้งเป้าจะปล่อยเวิลด์โมเดลอย่างน้อยหนึ่งรุ่นภายในสิ้นปี 2026 และใช้ Genie 3 ของ Google เป็นเกณฑ์เปรียบเทียบ ทั้งหมดนี้เป็นลำดับความสำคัญภายในที่มีรายงาน ไม่ใช่คำมั่นสาธารณะของ ByteDance

เหตุใดโมเดลนี้จึงน่าจับตา

โมเดลวิดีโอ AI สามารถสร้างคลิปที่ดูน่าเชื่อได้ แต่สภาพแวดล้อมแบบโต้ตอบต้องผ่านโจทย์ที่ยากกว่า ระบบต้องคงฉากให้ต่อเนื่องเป็นเหตุเป็นผลเมื่อเวลาผ่านไป และตอบสนองต่อข้อมูลจากผู้ใช้ได้อย่างสมจริง นั่นคือทั้งเสน่ห์และความท้าทายทางเทคนิคของเวิลด์โมเดล

หากทำได้สำเร็จ ByteDance อาจเชื่อมงานวิดีโอ AI เข้ากับความบันเทิงเชิงโต้ตอบและเทคโนโลยีความจริงขยาย (XR) ได้ สำหรับอุตสาหกรรมโดยรวม โครงการนี้จะเพิ่มคู่แข่งรายใหญ่ในสนามที่บริษัทอย่าง Google และ Meta แสดงความคืบหน้าต่อสาธารณะแล้ว แต่ข้อสรุปที่ยืนยันได้ในตอนนี้ยังควรจำกัดอยู่เพียงว่า ByteDance ดูเหมือนกำลังเดินหน้าอย่างจริงจังกับเวิลด์โมเดลวิดีโอเชิงพื้นที่บนฐาน Seedance และมีจาง อี้หมิงให้ความสนใจโดยตรง ส่วนคุณภาพการใช้งานจริง วันเปิดตัว และผลกระทบต่อ Pico ยังพิสูจน์ไม่ได้จนกว่าบริษัทจะเปิดตัวผลิตภัณฑ์พร้อมผลวัดทางเทคนิค 17