วิดีโอควบคุมทิศทาง เมืองสามมิติ และปฏิสัมพันธ์สี่มิติ ต่างกันอย่างไร

ชื่อว่าโลกเสมือนเหมือนกัน แต่งานคนละแบบ

โลกเสมือนจากปัญญาประดิษฐ์คือผลลัพธ์ดิจิทัลที่สร้างหรือกู้คืนสภาพแวดล้อมและเหตุการณ์ให้สำรวจหรือวิเคราะห์ได้ โดยแต่ละระบบต่างกันที่ข้อมูลตั้งต้น ระดับการควบคุม และความสัมพันธ์กับโลกจริง Hy-Nomas ซึ่ง Tencent Hunyuan เปิดตัวเมื่อวันที่ 23 ตุลาคม 2026 สร้างวิดีโอจากข้อความและเส้นทางกล้อง ส่วน ABot-Earth 0.7 จาก Amap เปิดตัวเมื่อวันที่ 9 กันยายน 2026 สร้างเมืองสามมิติที่อ้างอิงพิกัดภูมิศาสตร์ ความต่างนี้ไม่ใช่รายละเอียดปลีกย่อย แต่เป็นเหตุผลที่ไม่ควรเลือกจากป้ายคำว่า “เวิลด์โมเดล” เพียงอย่างเดียว

Hy-Nomas ให้ภาพเคลื่อนไหวที่นำไปตัดต่อ ทำต้นแบบ หรือใช้เป็นฟุตเทจสังเคราะห์ได้ โดยสร้างวิดีโอขนาด 720 × 1280 ที่ 24 เฟรมต่อวินาที ขณะที่ ABot-Earth 0.7 ให้ฉากสามมิติแบบ Gaussian Splatting ซึ่งอิงสถานที่จริงและบินสำรวจได้ ตัวแรกจึงเหมือนกล้องที่เล่าโลกสมมติ ส่วนตัวหลังเหมือนแผนที่ที่เข้าไปอยู่ข้างในได้ หากต้องการสร้างโลก 3 มิติที่ยึดกับภูมิศาสตร์จริง วิดีโอจาก Hy-Nomas ไม่ใช่สิ่งทดแทนเมืองสามมิติ และหากต้องการกำกับช็อตให้เปลี่ยนตามคำสั่ง ABot-Earth ก็ไม่ได้ออกแบบมาแทนเครื่องสร้างวิดีโอ

ควบคุมภาพ สร้างเมือง หรือกู้คืนการกระทำ

Hy-Nomas เด่นที่การกำกับต่อเนื่อง ผู้ใช้ส่งข้อความหลายรอบเพื่อเปลี่ยนวัตถุ แสง หรือรูปแบบฉาก และกำหนดเส้นทางกล้องได้ คำสั่งส่งผลต่อช่วงวิดีโอถัดไป จึงเหมาะกับงานที่ต้องลองหลายทางเลือกหรือปรับทิศทางระหว่างสร้าง อย่างไรก็ดี ผลลัพธ์คือพิกเซล ไม่ใช่เมชหรือฉากที่มีพิกัดโลก และความสมจริงของภาพไม่ได้รับประกันความถูกต้องตามข้อเท็จจริงหรือฟิสิกส์

ABot-Earth 0.7 รับภาพถ่ายดาวเทียมที่มีพิกัดหรือข้อความ แล้วสร้างฉากเมืองสามมิติที่มีถนน อาคาร และพื้นผิวสอดคล้องกัน ผู้พัฒนาระบุว่ารองรับพื้นที่มากกว่า 196 ประเทศและภูมิภาค และใช้เวลาราวสิบนาทีต่อหนึ่งตารางกิโลเมตรบนหน่วยประมวลผลกราฟิกระดับผู้ใช้ทั่วไปหนึ่งตัว ทั้งยังระบุว่าใช้กับ Unreal Engine และ Unity ได้ จุดแข็งคือการสร้างฉากสำหรับสำรวจ ไม่ใช่การสั่งแก้รายละเอียดแบบทันที และข้อจำกัดด้านการแก้ไขกับความสมจริงทางกายภาพยังทำให้ไม่ควรเข้าใจว่าเป็นเครื่องจำลองที่แม่นยำ

CARI4D เป็นคนละโจทย์กับทั้งคู่ ระบบจาก NVIDIA ร่วมกับ University of Tübingen และ MPI-INF รับคลิป RGB จากกล้องตัวเดียวที่บันทึกคนกำลังจัดการวัตถุ แล้วสร้างปฏิสัมพันธ์ระหว่างคนกับวัตถุขึ้นใหม่เป็นฉากสี่มิติแบบมีมาตราส่วนจริง ผลลัพธ์ติดตามท่าทางของมนุษย์และวัตถุตามเวลา จึงมีประโยชน์ต่อการวิเคราะห์การกระทำและงานหุ่นยนต์ มากกว่าการประดิษฐ์ภาพใหม่หรือสร้างเมือง

สามทางเลือกกับคำถามเรื่องหลักฐาน

ความต่างด้านทิศทางข้อมูลกำหนดเกณฑ์ความสำเร็จ Hy-Nomas เริ่มจากคำสั่งที่สั้นแล้วสร้างภาพที่เป็นไปได้ จึงควรตัดสินจากการควบคุมและความต่อเนื่องของวิดีโอ ส่วน CARI4D เริ่มจากภาพที่สังเกตได้แล้วประมาณสถานะจริง จึงวัดความคลาดเคลื่อนของท่าทางและตำแหน่งเป็นหน่วยจริง ผลการประเมินที่รายงานระบุว่าความคลาดเคลื่อนในการสร้างใหม่ลดลงประมาณ 38% ในข้อมูลหมวดที่ใช้ฝึก และประมาณ 36% ในหมวดวัตถุที่ไม่เคยเห็น ตัวเลขนี้ทำให้ CARI4D มีหลักฐานเชิงปริมาณชัดกว่าในงานกู้คืน แต่ไม่ได้แปลว่ามันสร้างวิดีโอหรือเมืองได้ดีกว่า

Hy-Nomas เองมีจุดที่ต้องระวังในการประเมิน: Tencent เผยแพร่ชุดทดสอบ Hy-Nomas-Bench จำนวน 280 กรณีในสี่หมวด แต่ยังไม่มีคะแนนให้ใช้เทียบอย่างเป็นระบบ ภาพที่ดูต่อเนื่องจึงไม่ควรถูกตีความว่าเป็นหลักฐานของความถูกต้องเชิงกายภาพ เช่นเดียวกับฉากเมืองที่สวยงามไม่ยืนยันว่ารายละเอียดทุกจุดตรงกับสถานที่จริง การใช้งานด้านความปลอดภัย การวางแผน หรือการฝึกระบบอัตโนมัติควรมีการตรวจสอบเพิ่มเติม ไม่ใช่พึ่งความน่าเชื่อของภาพเพียงอย่างเดียว

เลือกจากงานและการเข้าถึง ไม่ใช่จากชื่อเรียก

การเข้าถึงทำให้ความต่างยิ่งชัด Hy-Nomas เปิดเผยน้ำหนักโมเดลและโค้ดภายใต้สัญญาอนุญาต Apache 2.0 แต่การใช้งานยังมีต้นทุนด้านเวลาประมวลผลกราฟิกและการผสานระบบ ส่วน ABot-Earth 0.7 ยังไม่มีน้ำหนักโมเดล ไม่มีส่วนเชื่อมต่อโปรแกรมสาธารณะ ไม่มีราคาประกาศ และเปิดให้สร้างแบบจำกัดผู้ได้รับเชิญ ดังนั้น การเลือกจึงไม่ได้อยู่ที่ความสามารถบนกระดาษเท่านั้น แต่รวมถึงว่าทีมเข้าถึงระบบและนำไปใช้จริงได้หรือไม่

ข้อสรุปคือเลือก Hy-Nomas เมื่อสิ่งที่ต้องการคือวิดีโอควบคุมทิศทาง เลือก ABot-Earth 0.7 เมื่อเป้าหมายคือเมืองสามมิติที่อิงสถานที่จริง และเลือก CARI4D เมื่อมีคลิปการกระทำที่ต้องการสร้างฉากสี่มิติกลับขึ้นมา ไม่มีระบบใดชนะทุกด้าน และไม่มีตัวใดควรถูกใช้แทนเครื่องจำลองฟิสิกส์โดยไม่ตรวจสอบเพิ่มเติม สำหรับงานหุ่นยนต์ที่ต้องทั้งสร้างสถานการณ์และวัดการกระทำ การใช้เครื่องมือสร้างร่วมกับเครื่องมือสร้างใหม่อาจเหมาะกว่าการบังคับให้ระบบเดียวทำทุกอย่าง