xAI เปิดตัว Grok-1.5 Vision โมเดล Grok รุ่นแรกที่มีความสามารถด้านการมองเห็น

เมื่อวันที่ 12 เมษายน 2024 บริษัทปัญญาประดิษฐ์ xAI ของอีลอน มัสก์ ได้เปิดตัว Grok-1.5 Vision (Grok-1.5V) ซึ่งถือเป็นครั้งแรกที่โมเดลตระกูล Grok มีความสามารถในการรับข้อมูลภาพ ตามคำชี้แจงในบล็อกอย่างเป็นทางการของ xAI ระบุว่า Grok-1.5V สามารถประมวลผลข้อมูลภาพที่หลากหลาย ทั้งเอกสาร แผนภูมิ ภาพหน้าจอ และภาพถ่ายทั่วไป สามารถตอบคำถามเกี่ยวกับภาพเหตุการณ์จริง และยังสามารถแปลงแผนภูมิที่วาดด้วยมือหรือจากภาพหน้าจอให้กลายเป็นโค้ดโปรแกรมที่รันได้ อย่างไรก็ตาม ขณะนี้ Grok-1.5V เปิดให้ทดสอบเฉพาะผู้ใช้ที่ได้รับเชิญจำนวนจำกัด ยังไม่เปิดให้ใช้งานสาธารณะ ผู้ใช้ทั่วไปจึงยังไม่สามารถใช้ความสามารถด้านภาพนี้ผ่านฟีเจอร์ Grok บนแพลตฟอร์ม X (Twitter เดิม) ได้

นัยทางเทคนิค: Grok เติมเต็มปริศนาชิ้นสุดท้ายของความสามารถหลายรูปแบบ

ก่อนหน้านี้ ตระกูล Grok (รวมถึง Grok-1 ที่เปิดซอร์สเมื่อ 17 มีนาคม และ Grok-1.5 ที่เปิดตัว 29 มีนาคม ซึ่งชูจุดขายด้านบริบทยาว) รองรับเฉพาะข้อความเข้า-ออก ไม่มีความสามารถด้านการมองเห็น ทำให้ล้าหลังกว่า GPT-4V ของ OpenAI และตระกูล Gemini ของ Google อย่างชัดเจนในแง่ความครบถ้วนของฟังก์ชัน การเปิดตัว Grok-1.5V จึงถือเป็นการที่ xAI ก้าวเข้าสู่สนามแข่งขันด้านโมเดลหลายรูปแบบอย่างเป็นทางการ เติมเต็มความสามารถด้าน “การมองเห็น” ที่โมเดลข้อความล้วนยังขาดอยู่ ที่น่าสังเกตคือ ทาง xAI เน้นย้ำเป็นพิเศษถึงความสามารถในการวิเคราะห์เอกสาร แผนภูมิ และภาพหน้าจอ ไม่ใช่เพียงการจดจำเนื้อหาภาพถ่ายทั่วไป ซึ่งสะท้อนว่า xAI ตั้งใจเจาะกลุ่มการใช้งานด้านสำนักงานและการวิเคราะห์ข้อมูล มากกว่าการใช้งานเชิงความบันเทิงแบบถาม-ตอบภาพทั่วไป

เทียบกับคู่แข่ง: เริ่มช้ากว่าแต่เป้าหมายชัดเจน

เมื่อเทียบกับ GPT-4V (ที่ผนวกเข้ากับ ChatGPT ตั้งแต่ปี 2023) และความสามารถหลายรูปแบบของตระกูล Gemini การเปิดตัว Grok-1.5V ถือว่าช้ากว่าอย่างชัดเจน และปัจจุบันยังจำกัดเฉพาะการทดสอบแบบเชิญเท่านั้น ยังไม่มีผลิตภัณฑ์หรือ API สาธารณะให้ภายนอกตรวจสอบประสิทธิภาพจริง แต่จากตัวอย่างที่ xAI นำเสนอ Grok-1.5V ชูจุดเด่นด้าน “การแปลงแผนภูมิเป็นโค้ดที่รันได้” ซึ่งต่างจากโมเดลด้านภาพอื่นที่เน้นเพียงการบรรยายเนื้อหาภาพ สะท้อนว่า xAI พยายามสร้างความแตกต่างในจุดที่แคบแต่ใช้งานได้จริง คือการเข้าใจเอกสารสำนักงานและการแสดงผลข้อมูล มากกว่าการแข่งขันด้านความเข้าใจภาพแบบรอบด้านกับ GPT-4V และ Gemini โดยตรง

ปฏิกิริยาในวงการ: ยังอยู่ในขั้นทดสอบ ประสิทธิภาพยังต้องรอพิสูจน์

เนื่องจาก Grok-1.5V ยังจำกัดอยู่ในวงทดสอบแบบเชิญขนาดเล็ก บุคคลภายนอกจึงยังไม่สามารถตรวจสอบความสามารถที่แท้จริงผ่านการประเมินมาตรฐานใด ๆ ได้ วงการโดยรวมจึงยังคงจับตาดูอย่างระมัดระวัง การพูดคุยส่วนใหญ่มุ่งไปที่ความเร็วในการพัฒนาของ xAI ที่ใช้เวลาไม่ถึงหนึ่งเดือน (จาก Grok-1.5 แบบข้อความล้วน สู่ Grok-1.5V ที่มีความสามารถด้านภาพ) แต่ก็มีความเห็นชี้ว่า รูปแบบ “ทดสอบแบบเชิญ ยังไม่เปิดสาธารณะ” ทำให้การเปิดตัวครั้งนี้เอนไปทางการประกาศแผนงานเทคโนโลยี มากกว่าการเป็นผลิตภัณฑ์ที่ใช้งานได้จริงในทันที

ความหมายต่อผู้บริหาร

สำหรับผู้บริหาร ประเด็นสำคัญของข่าวนี้ไม่ได้อยู่ที่เครื่องมือที่พร้อมใช้งานทันที แต่อยู่ที่แนวโน้มเทคโนโลยีที่ชัดเจน คือ ความสามารถของ AI ในการ “อ่านภาพหน้าจอ รายงาน แผนภูมิ” กำลังกลายเป็นมาตรฐานของโมเดลแต่ละค่ายมากขึ้นเรื่อยๆ ในอนาคตการนำภาพถ่ายหน้างานจากมือถือ ภาพหน้าจอระบบ หรือรายงานที่เขียนด้วยมือ ไปให้ AI ถามคำถามหรือแปลงเป็นข้อมูลโดยตรง จะยิ่งเป็นเรื่องปกติและใช้งานได้ง่ายขึ้นโดยไม่ต้องพัฒนาเพิ่มเติมมากนัก สิ่งที่ควรติดตามในระยะนี้คือ เมื่อ Grok หรือโมเดลด้านภาพลักษณะเดียวกันเปิดให้ใช้งานสาธารณะจริง จะสามารถลดงานซ้ำซ้อนอย่างการ “คัดลอกข้อมูลจากแผนภูมิด้วยมือ” ได้จริงหรือไม่