Google DeepMind เปิดตัวโมเดล Gemini 2.5 Computer Use ให้ AI ควบคุมหน้าเว็บและแอปได้

เมื่อวันที่ 8 ตุลาคม 2025 Google DeepMind ประกาศบนบล็อกทางการเปิดตัวโมเดล “Gemini 2.5 Computer Use” ซึ่งเป็นโมเดลเฉพาะทางที่พัฒนาต่อยอดจาก Gemini 2.5 Pro โดยเน้นความสามารถด้าน “การเข้าใจภาพและการให้เหตุผล” เพื่อให้ AI ควบคุมหน้าจอได้เหมือนมนุษย์จริง เช่น คลิกปุ่ม กรอกแบบฟอร์ม เลื่อนหน้าเว็บหรือแอป โดยไม่ต้องพึ่งพา API แบบเดิม ทางการระบุว่าโมเดลนี้มีไว้สำหรับนักพัฒนาที่ต้องการสร้าง “AI เอเจนต์ที่ควบคุมซอฟต์แวร์ได้จริง” ปัจจุบันเปิดให้ทดลองแบบพรีวิวสาธารณะผ่าน Gemini API บน Google AI Studio และ Vertex AI แล้ว ผลทดสอบมาตรฐานที่เผยแพร่ระบุว่าโมเดลนี้ทำผลงานเหนือคู่แข่งในหลายรายการด้านการควบคุมเว็บและมือถือ พร้อมความหน่วงต่ำกว่า ซึ่งเป็นตัวชี้วัดสำคัญสำหรับ “AI เอเจนต์ควบคุมคอมพิวเตอร์” เพราะทุกขั้นตอนการทำงานต้องอาศัยโมเดล “มองจอ คิดคำสั่ง สั่งการ” แบบเรียลไทม์

ความหมายเชิงเทคนิค: จาก “เรียก API” สู่ “มองจอแล้วควบคุม”

ที่ผ่านมา AI ทำงานออนไลน์ส่วนใหญ่ต้องอาศัย API ที่เปิดให้ล่วงหน้า แต่ระบบภายในองค์กร เว็บเก่า หรือบริการไร้ API นั้น AI เข้าไม่ถึงเลย โมเดล “ควบคุมคอมพิวเตอร์” เปลี่ยนวิธีคิดเป็นอ่านหน้าจอโดยตรง วิเคราะห์องค์ประกอบที่โต้ตอบได้ แล้วจำลองคลิกเมาส์คีย์บอร์ดทำงานให้เสร็จ ในทางทฤษฎีจึงควบคุม “ซอฟต์แวร์ที่มีหน้าจอได้ทุกชนิด” ขยายขอบเขตงานที่ AI เอเจนต์เข้าถึงได้อย่างมาก

เทียบกับรุ่นก่อนและคู่แข่ง

ความสามารถแบบนี้ไม่ใช่สิ่งใหม่ที่ Google คิดค้นเป็นรายแรก ก่อนหน้านี้ OpenAI และ Anthropic ต่างก็เปิดตัวทิศทางคล้ายกัน จุดต่างของ Google คือแยกความสามารถนี้เป็น “โมเดลเฉพาะทางที่ต่อยอดจาก Gemini 2.5 Pro” ทดสอบพร้อมกันทั้งเว็บและแอปมือถือ สัญญาณ “เหนือคู่แข่ง หน่วงเวลาต่ำกว่า” แสดงว่า Google กำลังสร้างความได้เปรียบในสนาม “AI เอเจนต์” ไม่ใช่แค่ตามกระแส

ปฏิกิริยาในวงการ

เนื่องจากเปิดแบบพรีวิวสำหรับนักพัฒนาก่อน การพูดคุยเน้นความหมายเชิงโครงสร้างพื้นฐานต่อ “ระบบนิเวศ AI เอเจนต์” นักพัฒนาสามารถสร้างเครื่องมือทำงานเว็บอัตโนมัติ เช่น กรอกฟอร์ม เปรียบเทียบราคา ป้อนข้อมูลจำนวนมาก โดยไม่ต้องพัฒนาการเชื่อมต่อเฉพาะแต่ละเว็บไซต์ ขณะเดียวกันก็จุดประเด็นความเสี่ยงด้านความปลอดภัยและการทำงานผิดพลาด เมื่อ AI คลิก ส่ง หรือชำระเงินได้เอง จึงต้องระวังไม่ให้กดผิดจุดที่อ่อนไหวก่อนนำไปใช้งานจริง

ความหมายต่อผู้บริหาร

ความสามารถนี้ในระยะยาวหมายความว่างานที่พนักงานต้องคลิกซ้ำๆ กรอกฟอร์ม หรือโอนย้ายข้อมูลข้ามระบบ มีโอกาสถูก AI เอเจนต์เข้ามาจัดการแทนได้ในอนาคต โดยไม่ต้องรอฝ่าย IT พัฒนาการเชื่อมต่อเฉพาะ ผู้บริหารยังไม่จำเป็นต้องรีบนำมาใช้ แต่สามารถเริ่มสำรวจว่างานใดในทีมเป็นเพียง “คลิกเมาส์ คัดลอกวาง” ซ้ำๆ เพราะนั่นคืองานที่เทคโนโลยีนี้จะเข้ามาแทนที่ได้ก่อน