ถ้าคุณเคยให้ AI ช่วยแก้โจทย์ที่ซับซ้อนจริง ๆ คงเจอสถานการณ์ที่มันคิดไปได้ครึ่งทางแล้วตอบห้วน ๆ หรือหยุดกลางคัน เพราะพื้นที่สำหรับคิดหมดก่อน วิดีโอ "Gemini 4 Argon is very Impressive" จากช่อง AI with Surya พาดูโมเดลใหม่ของ Google ที่พยายามแก้ปัญหานี้โดยตรง และโชว์ผลงานที่สร้างจากพรอมต์เดียวหลายชิ้น ตั้งแต่เกมแข่งเรือใบกลางพายุฝนฟ้าคะนองไปจนถึงหุ่นยนต์ที่โยนถุงถั่วลงหลุมได้จริง
บทความนี้ไล่ดูว่า Argon ต่างจากโมเดลรุ่นก่อนตรงไหน มีความสามารถหลักอะไรบ้าง และงานแบบไหนที่คุ้มกับการลองใช้
สรุปสั้น ๆ
- Gemini 4 Argon เป็นโมเดลระดับท็อปตัวแรกของตระกูล Gemini 4 ใช้ได้วันนี้ใน Gemini app, Google AI Studio และ Antigravity
- พื้นที่อ่านกับพื้นที่คิดใช้ร่วมกัน ทำให้คิดกับโจทย์ยากได้ยาวขึ้นราว 16 เท่า
- ทำงานต่อเนื่องได้หลายชั่วโมงโดยไม่ต้องคอยสั่งทีละขั้น
- ตรวจผลงานของตัวเองแล้วแก้ซ้ำได้ เช่น ให้ตัวช่วยอีกตัวทำหน้าที่เหมือนอาร์ตไดเรกเตอร์
- ราคาช่วงเปิดตัว 2 ดอลลาร์ต่อล้านโทเคนขาเข้า และ 10 ดอลลาร์ขาออก
ปัญหาเดิม: อ่านได้เยอะ แต่ที่คิดมีนิดเดียว
โมเดลภาษารุ่นก่อน ๆ ป้อนข้อมูลยาวเข้าไปได้มาก ไม่ว่าจะเป็นโค้ดทั้งโปรเจกต์หรือสัญญาเป็นพันหน้า แต่กระบวนการคิดระหว่างทางรวมกับคำตอบสุดท้ายต้องอยู่ในพื้นที่ที่เล็กกว่ามาก ลองนึกถึงผู้เชี่ยวชาญที่ได้คู่มือหนึ่งพันหน้า แต่ได้กระดาษโน้ตแผ่นเดียวไว้ทดเลข พอโจทย์ยากถึงจุดหนึ่ง กระดาษก็เต็มก่อนจะได้คำตอบ โมเดลจึงหยุดหรือตอบแบบรวบรัด ทั้งที่ยังมีทางไปต่อ
Argon ปรับตรงนี้ด้วยการให้ส่วนอ่านและส่วนเขียนแชร์พื้นที่ก้อนใหญ่ก้อนเดียวกัน Google ระบุว่าเป็นพื้นที่ใหญ่ที่สุดในบรรดาโมเดลที่มีอยู่ตอนนี้ ผลคือโมเดลวางแผน ลองไอเดีย ทิ้งแล้วลองใหม่ได้นานเท่าที่โจทย์ต้องการ ซึ่งมากกว่าเดิมประมาณ 16 เท่า
ข้อควรรู้คือ Google วางจุดเด่นนี้ไว้กับงานหนัก เช่น คณิตศาสตร์ วิทยาศาสตร์ งานวิจัย และโค้ดที่ยากที่สุด ถ้าใช้แค่คุยทั่วไปหรือถามคำถามสั้น ๆ คงไม่รู้สึกถึงความต่าง และไม่จำเป็นต้องใช้โหมดนี้ทุกครั้ง
ทำงานต่อเนื่องเองได้เป็นชั่วโมง
ความสามารถที่สองคือการทำงานต่อโดยไม่ต้องมีคนเฝ้า ทีม Agent Development Kit (ADK) ของ Google ให้ Argon อ่านโจทย์หนึ่งย่อหน้ากับกฎเกณฑ์ทั้งชุด แล้วปล่อยให้รันข้ามคืน พอเช้าก็พบว่าขั้นตอนที่ช้าที่สุดขั้นหนึ่งเร็วขึ้นราว 40% และการเปลี่ยนแปลงนั้นขึ้นระบบจริงแล้ว ส่วนทีม Chrome ให้โมเดลลุยโค้ดเก่าราวหกล้านบรรทัด งานที่ปกติกินเวลาเป็นเดือนเสร็จในหลักสัปดาห์
สำหรับคนทำธุรกิจ ตัวอย่างนี้บอกว่างานใหญ่ที่เคยต้องแบ่งเป็นหลายรอบ ตรวจทีละช่วง อาจมอบให้เอเจนต์ทำต่อเนื่องแล้วค่อยกลับมาตรวจผลตอนเช้า แต่ผลลัพธ์แบบนี้ยังต้องมีคนทบทวนก่อนใช้งานจริงเสมอ
ตรวจงานตัวเองแล้วแก้ซ้ำ
ความสามารถที่สามน่าสนใจที่สุดในมุมการสร้างงานที่เป็นภาพ คือโมเดลดูสิ่งที่ตัวเองสร้างแล้วแก้ได้ วิธีที่ Google ใช้คือตั้งตัวช่วยหลายตัว ตัวหนึ่งทำหน้าที่เหมือนอาร์ตไดเรกเตอร์ คอยจับภาพหน้าจอ ให้คะแนน แล้วส่งโน้ตกลับไปให้แก้จนหน้าตาออกมาถูกใจ ด้วยวิธีนี้ทีมสามารถเปลี่ยนภาพถ่ายโต๊ะทำงานจริงให้กลายเป็นเกมแข่งรถได้
ความต่างสำคัญไม่ได้อยู่ที่โมเดลเก่งขึ้นอย่างเดียว แต่อยู่ที่ว่ามันวนกลับมาดูงานตัวเอง ชี้จุดผิด แล้วแก้เอง ซึ่งเป็นวงจรเดียวกับที่คนทำงานสร้างสรรค์ใช้
งานตัวอย่างที่สร้างจากพรอมต์เดียว
ฝั่ง Google โชว์วัดที่สร้างทั้งหลังใน Blender ทั้งเจดีย์ สะพาน ต้นไม้ และรูปปั้นทองด้านใน มหาวิหารที่เริ่มจากภาพเพียงภาพเดียว เกมหมากรุก 3D ที่ตัวหมากชนและทำลายกันได้จริง (เล่นเองได้ใน Google AI Studio) และพื้นที่ Chaco Canyon ในนิวเม็กซิโก ที่ใช้ข้อมูลสแกนเลเซอร์ราว 50 GB ร่วมกับบันทึกเก่า สร้างเป็นสถานที่ที่เดินสำรวจได้
ฝั่งผู้ทดลองก็ลองหลายโลกจากพรอมต์ลักษณะเดียวกัน ได้แก่ เกมแข่งเรือใบกลางพายุที่มีคู่แข่งสามลำ ผ่านด่านแปดจุดไปยังประภาคาร มีฟ้าผ่าและคลื่นยักษ์ เกมพายเรือคายักลงแก่งในหุบเขาที่ปลายทางเป็นน้ำตกและรุ้ง เกมขับเรือเล็กท่ามกลางภูเขาน้ำแข็งใต้แสงเหนือเพื่อเก็บโคมไฟ และเกมบินเครื่องบินน้ำสีแดงผ่านเกาะภูเขาไฟแล้วลงจอดบนผิวน้ำ ทั้งโค้ด โมเดล 3 มิติ และเสียงล้วนมาจากโมเดล แม้ผู้ทดลองจะปรับแต่งเพิ่มเล็กน้อยเอง
ไปไกลกว่าเกม: หุ่นยนต์และงานการเงิน
Google ให้โมเดลดูวิดีโอคนเล่นคอร์นโฮล (เกมโยนถุงถั่วลงหลุม) โมเดลวิเคราะห์ท่าทาง เขียนซิมูเลเชัน แล้วหุ่นยนต์ฮิวมานอยด์ตัวจริงโยนลงหลุมได้ติดกันเจ็ดครั้ง ฝั่งธุรกิจ บริษัทการเงิน Kepler รายงานว่าผลของ Argon ตรงกับนักวิเคราะห์ของตนมากกว่า 90% ของตัวเลข
ด้านผลทดสอบ โมเดลอยู่อันดับหนึ่งในดัชนี Vals ซึ่งวัดงานจริงด้านการเงิน กฎหมาย โค้ด และภาษี เสมอกันที่อันดับหนึ่งเรื่องการแก้ช่องโหว่ความปลอดภัยในโค้ด และเมื่อมีคนซ่อนคำสั่งหลอกไว้ในหน้าเว็บหรืออีเมล โมเดลหลงเชื่อน้อยกว่าหนึ่งครั้งในร้อยครั้ง
ราคาและวิธีเริ่มลอง
ช่วงเปิดตัวคิดราคา 2 ดอลลาร์ต่อล้านโทเคนขาเข้าและ 10 ดอลลาร์ต่อล้านโทเคนขาออก ซึ่งเป็นครึ่งหนึ่งของราคาที่จะใช้ตั้งแต่เดือนธันวาคม ใครอยากทดสอบกับงานของตัวเองก็ควรลองช่วงนี้ เพราะต้นทุนต่ำกว่า ส่วนช่องทางเริ่มต้นง่ายที่สุดคือ Gemini app, Google AI Studio หรือ Antigravity
บทสรุป
จุดที่ Argon น่าจับตาคือการรวมสามอย่างไว้ด้วยกัน ได้แก่ พื้นที่คิดที่ใหญ่ขึ้น การทำงานต่อเนื่องหลายชั่วโมง และการตรวจแก้งานตัวเอง ซึ่งช่วยให้โมเดลรับงานที่ยาวและซับซ้อนได้ดีขึ้น ผลทดสอบและตัวอย่างข้างต้นส่วนใหญ่เป็นข้อมูลที่ Google และผู้ทดลองเปิดเผย จึงควรทดลองกับงานจริงของเราเองก่อนตัดสินใจ
สิ่งที่ลองทำได้ทันทีคือเลือกงานที่เคยทำให้ AI ตัวเดิมตัน เช่น โจทย์วิเคราะห์ที่ต้องคิดหลายขั้น หรืองานสร้างเว็บ เกม และสื่อ 3 มิติที่ต้องแก้หลายรอบ แล้วเทียบผลดูว่าพื้นที่คิดที่ใหญ่ขึ้นช่วยได้จริงแค่ไหน