Meta เปิดตัว Llama 3.2 โมเดลโอเพนซอร์สรุ่นแรกที่มองเห็นภาพได้

วันที่ 25 กันยายน 2024 Meta ได้เปิดตัวโมเดลโอเพนซอร์สรุ่นล่าสุด Llama 3.2 ในงานประชุมนักพัฒนาประจำปี Meta Connect 2024 โดย Mark Zuckerberg ซีอีโอเป็นผู้ประกาศด้วยตนเอง จุดที่ได้รับความสนใจมากที่สุดในการเปิดตัวครั้งนี้ คือการที่ตระกูล Llama มีโมเดลที่ “มองเห็นภาพได้” เป็นครั้งแรก ได้แก่โมเดลวิชัน-ภาษาขนาดกลางถึงใหญ่ 11B และ 90B ซึ่งสามารถเข้าใจและตอบคำถามเกี่ยวกับเนื้อหาในภาพได้ ในเวลาเดียวกัน Meta ยังเปิดตัวโมเดลข้อความล้วนขนาดเล็ก 1B และ 3B ที่ออกแบบมาสำหรับใช้งานบนมือถือและอุปกรณ์ edge โดยเฉพาะ

ความหมายเชิงเทคนิค: ไม่ใช่การฝึกใหม่ทั้งหมด แต่คือการ “ติดตั้งเพิ่ม” ความสามารถด้านภาพ

ประเด็นที่น่าสนใจคือ Meta ไม่ได้สร้างสถาปัตยกรรมโมเดลใหม่ทั้งหมดเพื่อเพิ่มความสามารถด้านภาพ โมเดล 11B และ 90B ถูกพัฒนาต่อยอดจากโมเดลข้อความล้วน Llama 3.1 เดิม โดยฝึกและเพิ่ม “เลเยอร์ปรับภาพ” (adapter weights) เพื่อเชื่อมผลลัพธ์จากตัวเข้ารหัสภาพเข้ากับกระบวนการประมวลผลของโมเดลภาษา วิธีนี้ทำให้ Meta สามารถรักษาความสามารถด้านภาษาของโมเดลข้อความล้วนเดิมไว้ได้ พร้อมเพิ่มความสามารถด้านภาพด้วยต้นทุนการฝึกที่ต่ำกว่าการฝึกโมเดลมัลติโมดัลขนาดใหญ่ตั้งแต่ต้น สำหรับนักพัฒนา นี่หมายความว่าความสามารถด้านภาพในอนาคตอาจพัฒนาต่อแบบ “โมดูลเสริม” ได้อย่างต่อเนื่อง โดยไม่ต้องรอการอัปเดตทั้งรุ่นโมเดล

เปรียบเทียบกับรุ่นก่อนและตลาด

ก่อนหน้านี้ Llama 3 และ 3.1 รองรับเฉพาะข้อความล้วนทั้งขาเข้าและขาออก หากต้องการประมวลผลภาพ นักพัฒนาต้องเชื่อมต่อโมเดลวิชันของบุคคลที่สามหรือ API บนคลาวด์เอง การเปิดตัว Llama 3.2 หมายความว่า Meta เติมเต็มส่วนที่ขาดหายไปในฝั่งโอเพนซอร์สเป็นครั้งแรก คือความสามารถ “เข้าใจภาพ” ทำให้ขึ้นมาอยู่ในสนามแข่งขันระดับเดียวกับโมเดลมัลติโมดัลของ OpenAI, Google และค่ายอื่น ๆ ในอีกด้านหนึ่ง โมเดลขนาดเล็ก 1B และ 3B ที่มุ่งเน้นการประมวลผลแบบออฟไลน์บนมือถือและอุปกรณ์ edge สะท้อนให้เห็นว่า Meta ยังคงลงทุนต่อเนื่องในแนวทาง “AI ไม่จำเป็นต้องพึ่งคลาวด์เสมอไป” ซึ่งสอดคล้องกับทิศทางโมเดลขนาดเล็กประสิทธิภาพสูงที่วงการเปิดตัวในช่วงเดียวกัน (เช่น Gemma 2, GPT-4o mini) ที่ต่างแย่งชิงสนามใหม่อย่าง “AI บนอุปกรณ์”

ประเด็นที่วงการให้ความสนใจ

การพูดคุยในกลุ่มนักพัฒนาเกี่ยวกับการเปิดตัวครั้งนี้ ส่วนใหญ่มุ่งไปที่เงื่อนไขการอนุญาตใช้งานและข้อจำกัดเชิงพาณิชย์ว่าจะเข้มงวดขึ้นตามความสามารถของโมเดลหรือไม่ รวมถึงความแม่นยำในการรู้จำของรุ่นวิชันว่าจะถึงระดับที่ใช้งานเชิงพาณิชย์ได้จริงหรือไม่ เนื่องจากตระกูล Llama เป็นหนึ่งในตัวเลือกโอเพนซอร์สที่องค์กรนิยมใช้สร้างระบบ AI ของตนเองมาอย่างยาวนาน การที่ยังคงความเปิดกว้างและสามารถติดตั้งเองได้หรือไม่ในครั้งนี้ จะส่งผลโดยตรงต่อทีมเทคนิคขนาดกลางและเล็กที่สร้างเครื่องมือรอบระบบนิเวศ Llama ไว้แล้ว

ความหมายสำหรับผู้บริหาร

สำหรับผู้บริหาร ประเด็นสำคัญของข่าวนี้ไม่ได้อยู่ที่รายละเอียดทางเทคนิค แต่อยู่ที่ความสามารถ “เข้าใจภาพ” กำลังเปลี่ยนจากฟีเจอร์เฉพาะของผู้ให้บริการคลาวด์รายใหญ่ ไปสู่ตัวเลือกโอเพนซอร์สที่ติดตั้งเองได้และควบคุมต้นทุนได้ ซึ่งหมายความว่างานอย่างการตรวจสอบภาพถ่ายหน้าร้าน การตรวจสอบการจัดวางสินค้า หรือการจัดหมวดหมู่ภาพที่ลูกค้าอัปโหลดผ่านฝ่ายบริการลูกค้า อาจสามารถใช้ระบบที่พัฒนาเองภายในองค์กรได้ในอนาคต โดยไม่ต้องพึ่งพาบริการ AI ภายนอกที่คิดค่าใช้จ่ายตามการเรียกใช้งานทั้งหมด