10 วิดีโอ AI ที่น่าจับตามองประจำเดือนนี้ 2027

การเปลี่ยนผ่านจากภาพนิ่งไปสู่ภาพเคลื่อนไหวแบบวิดีโอถือเป็นจุดเปลี่ยนสำคัญในการรับรู้หลักฐานดิจิทัล เรากำลังก้าวข้ามยุคที่การพิมพ์ prompt เพียงครั้งเดียวจะได้ภาพเพียงเฟรมเดียวไปแล้ว ปัจจุบันอุตสาหกรรมกำลังมุ่งเน้นไปที่ความต่อเนื่องทางเวลา (temporal consistency) และฟิสิกส์ของการเคลื่อนไหว คลิปทั้ง 10 รายการนี้ไม่ได้เป็นเพียงหมุดหมายทางเทคนิคเท่านั้น แต่ยังเป็นหน้าต่างสู่โลกอนาคตที่เส้นแบ่งระหว่างเหตุการณ์ที่ถูกบันทึกจริงกับสิ่งที่ถูกสังเคราะห์ขึ้นจะหายไปโดยสิ้นเชิง ผู้ชมหลายคนยังมองว่าวิดีโอเหล่านี้เป็นเพียงของเล่นแปลกใหม่ พวกเขาเห็นแขนขาที่บิดเบี้ยวหรือพื้นหลังที่สั่นไหวแล้วมองข้ามเทคโนโลยีนี้ไป ซึ่งนั่นเป็นความผิดพลาด เพราะสิ่งที่สำคัญในวิดีโอเหล่านี้ไม่ใช่ความสมบูรณ์แบบของภาพ แต่คือความเร็วในการพัฒนา เรากำลังเห็นผลลัพธ์ดิบจากโมเดลที่เรียนรู้กฎของโลกเราจากการเฝ้าสังเกตมัน ในเดือนนี้ คลิปที่สำคัญที่สุดไม่ใช่คลิปที่สวยที่สุด แต่เป็นคลิปที่พิสูจน์ว่าซอฟต์แวร์เข้าใจว่าแรงโน้มถ่วง แสง และกายวิภาคของมนุษย์มีปฏิสัมพันธ์กันอย่างไรเมื่อเวลาผ่านไป นี่คือรากฐานของภาษาภาพรูปแบบใหม่

สถานะปัจจุบันของการสร้างวิดีโออาศัย diffusion models ที่ถูกขยายไปสู่มิติที่สามของเวลา แทนที่จะทำนายแค่ว่าพิกเซลควรไปอยู่ตรงไหนบนระนาบแบนๆ ระบบเหล่านี้ทำนายว่าพิกเซลนั้นควรเปลี่ยนแปลงอย่างไรตลอด 60 เฟรม ซึ่งต้องใช้พลังประมวลผลมหาศาลและความเข้าใจอย่างลึกซึ้งเกี่ยวกับความต่อเนื่อง เมื่อคุณดูคลิปคนเดิน โมเดลต้องจำให้ได้ว่าคนนั้นมีลักษณะอย่างไรเมื่อ 3 วินาทีก่อน เพื่อให้แน่ใจว่าสีเสื้อของเขาจะไม่เปลี่ยนไป สิ่งนี้เรียกว่า temporal coherence ซึ่งเป็นปัญหาที่ยากที่สุดในสื่อสังเคราะห์ วิดีโอส่วนใหญ่ที่เราเห็นในปัจจุบันมักสั้นเพราะการรักษาความต่อเนื่องนี้ในระยะยาวต้องใช้พลังประมวลผลสูง โมเดลจึงมักใช้วิธีลัด เช่น การเบลอพื้นหลังหรือลดทอนความซับซ้อนของการเคลื่อนไหวเพื่อประหยัดพลังงาน อย่างไรก็ตาม ผลงานชุดล่าสุดแสดงให้เห็นถึงการก้าวกระโดดที่สำคัญในการรักษาความละเอียดตลอดทั้งคลิป ซึ่งบ่งชี้ว่าสถาปัตยกรรมพื้นฐานกำลังมีประสิทธิภาพมากขึ้นในการจัดการกับข้อมูลที่มีมิติสูง

ความเข้าใจผิดที่คนส่วนใหญ่มักมีต่อเรื่องนี้คือการคิดว่า AI กำลัง “ตัดต่อ” วิดีโอ แต่มันไม่ใช่ มันกำลังสร้างวิดีโอขึ้นมาจากความว่างเปล่าของสัญญาณรบกวน (noise) ไม่มีฟุตเทจต้นฉบับที่ถูกนำมาดัดแปลง มีเพียงความน่าจะเป็นทางคณิตศาสตร์ที่ว่าลำดับพิกเซลแบบใดที่แสดงถึงแมวกำลังกระโดดหรือรถกำลังวิ่ง ความแตกต่างนี้สำคัญมากเพราะมันเปลี่ยนวิธีที่เราคิดเกี่ยวกับลิขสิทธิ์และความคิดสร้างสรรค์ หากไม่มีวัสดุต้นฉบับ แนวคิดเรื่อง “remix” ก็จะล้าสมัยไป เรากำลังเผชิญกับกระบวนการสร้างสรรค์ที่สังเคราะห์ข้อมูลที่เคยเห็นในระหว่างการฝึกฝนเพื่อสร้างสิ่งใหม่ทั้งหมด กระบวนการนี้กำลังรวดเร็วขึ้นจนเราเข้าใกล้การสร้างแบบ real-time ในไม่ช้า ความล่าช้าระหว่างความคิดกับภาพเคลื่อนไหวจะวัดกันเป็นมิลลิวินาที ซึ่งจะเปลี่ยนวิธีการเล่าเรื่องและวิธีการบริโภคข้อมูลทั่วโลก

ผลกระทบระดับโลกของเทคโนโลยีนี้ไปไกลกว่าแค่ Hollywood หรือเอเจนซี่โฆษณา เรากำลังเข้าสู่ยุคที่ต้นทุนการสร้างโฆษณาชวนเชื่อทางภาพคุณภาพสูงกำลังลดลงจนเกือบเป็นศูนย์ ในภูมิภาคที่มีความรู้เท่าทันสื่อต่ำ วิดีโอที่ดูสมจริงเพียงคลิปเดียวสามารถจุดชนวนความไม่สงบหรือเปลี่ยนผลการเลือกตั้งได้ นี่ไม่ใช่ภัยคุกคามทางทฤษฎี เราได้เห็นคลิปสังเคราะห์ถูกนำไปใช้สวมรอยเป็นผู้นำทางการเมืองและเผยแพร่ข้อมูลเท็จเกี่ยวกับความขัดแย้งระดับโลกแล้ว ความเร็วในการผลิตวิดีโอเหล่านี้หมายความว่านักตรวจสอบข้อเท็จจริงต้องวิ่งไล่ตามอยู่ตลอดเวลา กว่าวิดีโอจะถูกตีแผ่ว่าปลอม มันก็ถูกรับชมไปหลายล้านครั้งแล้ว สิ่งนี้สร้างสภาวะความสงสัยถาวรที่ผู้คนเลิกเชื่อแม้กระทั่งฟุตเทจที่เป็นเหตุการณ์จริง “liar’s dividend” นี้เปิดโอกาสให้ผู้ไม่หวังดีปัดตกหลักฐานการกระทำผิดจริงว่าเป็นเพียงการสร้างจาก AI การกัดเซาะความเป็นจริงร่วมกันอาจเป็นผลกระทบที่สำคัญที่สุดของความก้าวหน้าที่เราเห็นในเดือนนี้

ในด้านเศรษฐกิจ ผลกระทบก็ลึกซึ้งไม่แพ้กัน ประเทศที่พึ่งพาบริการผลิตวิดีโอและแอนิเมชันราคาประหยัดกำลังเผชิญกับการเปลี่ยนแปลงของความต้องการอย่างกะทันหัน หากบริษัทใน New York สามารถสร้างวิดีโอสาธิตสินค้าคุณภาพสูงได้ในไม่กี่นาที พวกเขาก็ไม่จำเป็นต้องจ้างสตูดิโอในเขตเวลาอื่นอีกต่อไป สิ่งนี้อาจนำไปสู่การรวมศูนย์อำนาจสร้างสรรค์ไว้ในมือของผู้ที่ครอบครองโมเดลที่ทรงพลังที่สุด ในขณะเดียวกัน มันก็ทำให้ความสามารถในการสร้างสรรค์เป็นสิ่งที่เข้าถึงได้ง่ายขึ้น นักสร้างภาพยนตร์ในประเทศกำลังพัฒนาสามารถเข้าถึงเครื่องมือทางภาพแบบเดียวกับสตูดิโอใหญ่ ซึ่งอาจนำไปสู่การเล่าเรื่องที่หลากหลายที่เคยถูกปิดกั้นด้วยต้นทุนที่สูง ดุลอำนาจสร้างสรรค์ของโลกกำลังเปลี่ยนไป เรากำลังเห็นการย้ายออกจากโครงสร้างพื้นฐานทางกายภาพอย่างสตูดิโอถ่ายทำ ไปสู่โครงสร้างพื้นฐานดิจิทัลอย่าง GPU clusters การเปลี่ยนผ่านนี้จะนิยามใหม่ว่าการเป็นศูนย์กลาง “ความคิดสร้างสรรค์” ในศตวรรษที่ 21 หมายถึงอะไร

ก้าวข้ามเฟรมภาพนิ่ง

เพื่อทำความเข้าใจผลกระทบในโลกแห่งความเป็นจริง ลองพิจารณาชีวิตประจำวันของ creative director ในเอเจนซี่ขนาดกลาง ในอดีต คำขอจากลูกค้าสำหรับแคมเปญใหม่หมายถึงการใช้เวลาหลายสัปดาห์ในการทำ storyboarding, คัดเลือกนักแสดง และสำรวจสถานที่ วันนี้ director เริ่มต้นเช้าวันใหม่ด้วยการพิมพ์คำอธิบายลงใน generative engine ภายในมื้อเที่ยง พวกเขาก็มีตัวเลือกของสปอตโฆษณาความยาว 30 วินาทีถึง 10 รูปแบบ โดยไม่ต้องใช้กล้องหรือทีมงานแม้แต่คนเดียว พวกเขาสามารถทดสอบคลิปเหล่านี้กับกลุ่มเป้าหมายได้ทันที หากผลตอบรับไม่ดี พวกเขาก็สามารถปรับแก้และได้เวอร์ชันใหม่ภายในช่วงบ่าย เส้นเวลาที่ถูกบีบอัดนี้คือความจริงใหม่ของอุตสาหกรรม มันช่วยให้เกิดการทดลองในระดับที่ไม่เคยเป็นไปได้มาก่อน อย่างไรก็ตาม มันยังสร้างแรงกดดันมหาศาลให้กับพนักงาน ความคาดหวังไม่ได้อยู่ที่คุณภาพเพียงอย่างเดียว แต่อยู่ที่ปริมาณและความเร็วที่สูงมาก บทบาทของมนุษย์กำลังเปลี่ยนจากผู้สร้างภาพไปเป็นผู้คัดสรรความเป็นไปได้ พวกเขาต้องตัดสินใจว่าในบรรดาตัวเลือกที่สร้างขึ้นนับพันแบบ แบบไหนที่เข้ากับแบรนด์ได้จริง

ผลกระทบต่อตลาดแรงงานนั้นชัดเจน ตำแหน่งระดับเริ่มต้นในอุตสาหกรรมวิดีโอ เช่น junior editor หรือ motion graphics artist กำลังถูกระบบอัตโนมัติเข้ามาแทนที่ก่อนใคร บทบาทเหล่านี้มักเกี่ยวข้องกับงานซ้ำซากที่ AI ทำได้ดีที่สุด ตัวอย่างเช่น การลบพื้นหลังหรือการปรับแสงระหว่างสองช็อตสามารถทำได้ในไม่กี่วินาที แม้ว่าสิ่งนี้จะช่วยให้ creative ระดับอาวุโสมีเวลาโฟกัสกับภาพรวมมากขึ้น แต่มันก็ทำลาย “สนามฝึกฝน” สำหรับคนรุ่นใหม่ หากไม่มีตำแหน่งระดับเริ่มต้นเหล่านี้ ก็ไม่ชัดเจนว่าคนรุ่นใหม่จะพัฒนาทักษะที่จำเป็นในการเป็น director หรือ producer ได้อย่างไร เรากำลังเห็นการหายไปของชนชั้นกลางในสายงานสร้างสรรค์ ช่องว่างระหว่างนักสร้างสรรค์อิสระที่ใช้ AI กับ director ระดับสูงที่ใช้เครื่องมือผสมผสานกำลังกว้างขึ้น สิ่งนี้สร้างความท้าทายใหม่ให้กับบริษัทที่พยายามสร้างทีมสร้างสรรค์ที่ยั่งยืน

เดิมพันในทางปฏิบัติเห็นได้ชัดจากวิธีที่บริษัทต่างๆ ปรับโครงสร้างงบประมาณ เงินที่เคยใช้กับการเดินทางและอุปกรณ์กำลังถูกเปลี่ยนไปสู่ cloud compute credits และการฝึกอบรม prompt engineering ทีมเล็กๆ สามารถสร้างผลงานที่ดูเหมือนมีงบประมาณล้านดอลลาร์ได้ นี่เป็นข้อได้เปรียบมหาศาลสำหรับ startup และนักสร้างสรรค์อิสระ พวกเขาสามารถแข่งขันกับแบรนด์ใหญ่ในระดับภาพลักษณ์ได้เป็นครั้งแรก อย่างไรก็ตาม สิ่งนี้ก็นำไปสู่ตลาดที่แออัด เมื่อทุกคนสามารถผลิตวิดีโอคุณภาพสูงได้ มูลค่าของตัววิดีโอเองก็ลดลง คุณค่าที่แท้จริงจึงย้ายจากภาพไปสู่ไอเดีย ความสามารถในการเล่าเรื่องที่น่าสนใจกลายเป็นวิธีเดียวที่จะโดดเด่นในทะเลของคอนเทนต์ที่สร้างโดย AI ที่สมบูรณ์แบบ

• ต้นทุนการผลิตสำหรับคอนเทนต์การตลาดแบบสั้นคาดว่าจะลดลงกว่า 70 เปอร์เซ็นต์
• เวลาที่ใช้ในการทำ visual effects หลังการถ่ายทำกำลังลดลงจากระดับเดือนเหลือเพียงระดับวัน

เราต้องใช้ความสงสัยแบบ Socratic กับความก้าวหน้าอย่างรวดเร็วนี้ ต้นทุนแฝงของความคิดสร้างสรรค์ที่ “ฟรี” นี้คืออะไร? ต้นทุนแรกคือสิ่งแวดล้อม การฝึกฝนและรันโมเดลเหล่านี้ต้องใช้ไฟฟ้าและน้ำมหาศาลในการทำความเย็น data centers ยิ่งเราสร้างวิดีโอมากขึ้น รอยเท้าคาร์บอนของเราก็ยิ่งเพิ่มขึ้น การสร้างคลิปแมวในชุดอวกาศคุ้มค่ากับผลกระทบต่อสิ่งแวดล้อมหรือไม่? ต้นทุนที่สองคือการสูญเสีย “ความเป็นมนุษย์” มีคุณภาพที่จับต้องไม่ได้ในวิดีโอที่ถ่ายทำโดยมนุษย์ผู้ซึ่งตัดสินใจเลือกในสิ่งที่เฉพาะเจาะจงและมีข้อผิดพลาด วิดีโอจาก AI มักจะสมบูรณ์แบบเกินไป จนนำไปสู่เอฟเฟกต์ “uncanny valley” ที่ให้ความรู้สึกไร้วิญญาณ หากเราเปลี่ยนไปใช้สื่อสังเคราะห์ทั้งหมด เราจะสูญเสียความสามารถในการเชื่อมต่อกันในระดับจิตวิญญาณหรือไม่? เราต้องถามด้วยว่าใครเป็นเจ้าของ “สไตล์” ของวิดีโอเหล่านี้ หากโมเดลถูกฝึกฝนจากผลงานของศิลปินนับพันที่ไม่ได้รับค่าตอบแทน ผลลัพธ์ที่ได้ถือเป็นสิ่งใหม่จริงหรือ หรือเป็นเพียงรูปแบบหนึ่งของการลอกเลียนแบบด้วยเทคโนโลยีขั้นสูง?

ความเป็นส่วนตัวเป็นอีกหนึ่งข้อกังวลหลัก หากโมเดลเหล่านี้สามารถสร้างวิดีโอที่สมจริงของใครก็ได้ที่กำลังทำอะไรก็ได้ แนวคิดเรื่อง “ความยินยอม” ก็จะหายไป เรากำลังเห็นการเพิ่มขึ้นของ deepfake ลามกและภาพที่ไม่ได้รับความยินยอม นี่คือความล้มเหลวเชิงระบบของแพลตฟอร์มที่เป็นเจ้าของคอนเทนต์เหล่านี้ พวกเขาไม่สามารถหรือไม่เต็มใจที่จะควบคุมสื่อสังเคราะห์ที่ทะลักเข้ามา เราต้องถามว่าประโยชน์ของวิดีโอเชิงสร้างสรรค์นั้นคุ้มค่ากับศักยภาพในการสร้างความเสียหายต่อชีวิตของบุคคลหรือไม่ ยิ่งไปกว่านั้น จะเกิดอะไรขึ้นกับระบบกฎหมายของเรา? หากหลักฐานวิดีโอไม่สามารถเชื่อถือได้อีกต่อไป เราจะพิสูจน์ได้อย่างไรว่าอาชญากรรมเกิดขึ้นจริง? รากฐานของระบบยุติธรรมและระบบข้อมูลของเราถูกสร้างขึ้นบนแนวคิดที่ว่าการเห็นคือการเชื่อ หากเราทำลายความเชื่อมโยงนั้น เราอาจพบว่าตัวเองอยู่ในโลกที่ความจริงคือสิ่งที่อัลกอริทึมที่ทรงพลังที่สุดบอก นี่คือคำถามยากๆ ที่เราต้องเผชิญในขณะที่เทคโนโลยีพัฒนาต่อไป

สำหรับผู้ใช้งานระดับสูง (power users) รายละเอียดทางเทคนิคคือที่ที่ความก้าวหน้าจริงๆ ซ่อนอยู่ เรากำลังเห็นการเปลี่ยนไปสู่การจัดเก็บและการรันโมเดลเหล่านี้ในเครื่อง (local) แม้ว่า cloud-based API อย่าง OpenAI หรือ Runway จะได้รับความนิยม แต่ผู้สร้างจำนวนมากกำลังมองหาวิธีรันระบบเหล่านี้บนฮาร์ดแวร์ของตัวเอง ซึ่งช่วยให้ควบคุมผลลัพธ์ได้มากขึ้นและหลีกเลี่ยงตัวกรองที่เข้มงวดจากบริษัทใหญ่ อย่างไรก็ตาม ข้อกำหนดด้านฮาร์ดแวร์นั้นสูงมาก ในการสร้างวิดีโอความละเอียดสูงที่อัตราเฟรมที่เหมาะสม คุณต้องมี GPU ที่มี VRAM อย่างน้อย 24GB ซึ่งจำกัดการปฏิวัติแบบ “local” ไว้เฉพาะผู้ที่สามารถซื้อ workstation ระดับสูงได้ เรายังเห็นการเกิดขึ้นของ workflow integrations ที่เครื่องมือวิดีโอ AI ถูกเสียบเข้ากับซอฟต์แวร์อย่าง Adobe Premiere หรือ DaVinci Resolve โดยตรง สิ่งนี้ช่วยให้เกิดแนวทางแบบผสมผสานที่ AI สร้างองค์ประกอบเฉพาะที่ถูกปรับแต่งโดยมนุษย์อีกครั้ง

ข้อจำกัดของ API ยังคงเป็นคอขวดสำคัญสำหรับนักพัฒนา ผู้ให้บริการส่วนใหญ่คิดค่าบริการต่อวินาทีของวิดีโอที่สร้าง ซึ่งอาจกลายเป็นค่าใช้จ่ายสูงสำหรับโปรเจกต์ขนาดใหญ่ นอกจากนี้ยังมีข้อจำกัดเรื่องจำนวนคำขอพร้อมกัน ทำให้ยากต่อการสร้างแอปพลิเคชันแบบ real-time ปีหน้าเราน่าจะได้เห็นการผลักดันโมเดลที่มีประสิทธิภาพมากขึ้นซึ่งสามารถรันบนฮาร์ดแวร์ระดับผู้บริโภคทั่วไปได้ เรากำลังเห็นก้าวแรกในทิศทางนี้ด้วยโมเดลเวอร์ชัน “distilled” ของโมเดลยอดนิยม เวอร์ชันขนาดเล็กเหล่านี้ยอมสละรายละเอียดบางส่วนเพื่อแลกกับความเร็วที่เพิ่มขึ้นอย่างมหาศาล สำหรับชุมชน geek จุดเน้นอยู่ที่ fine-tuning โดยการฝึกเลเยอร์ขนาดเล็กบนโมเดลพื้นฐาน ผู้สร้างสามารถสอนให้ AI จดจำตัวละครหรือสไตล์ศิลปะเฉพาะได้ การปรับแต่งระดับนี้คือสิ่งที่เปลี่ยนวิดีโอ AI จากลูกเล่นให้กลายเป็นเครื่องมือระดับมืออาชีพ มันช่วยให้เกิดความสม่ำเสมอที่จำเป็นสำหรับการเล่าเรื่องระยะยาว

• ความหน่วง (latency) ของ API ปัจจุบันสำหรับการสร้างวิดีโอคุณภาพสูงอยู่ที่ 30 ถึง 60 วินาทีต่อคลิป
• พื้นที่จัดเก็บข้อมูลสำหรับ model weights อาจเกิน 100GB สำหรับเวอร์ชัน open-source ขั้นสูงที่สุด

หมายเหตุจากบรรณาธิการ: เราสร้างเว็บไซต์นี้ขึ้นมาเพื่อเป็นศูนย์กลางข่าวสารและคู่มือ AI หลายภาษาสำหรับผู้ที่ไม่ได้เป็นผู้เชี่ยวชาญคอมพิวเตอร์ แต่ยังคงต้องการทำความเข้าใจปัญญาประดิษฐ์ ใช้งานได้อย่างมั่นใจมากขึ้น และติดตามอนาคตที่กำลังจะมาถึงแล้ว

สรุปคือ วิดีโอที่เราเห็นในเดือนนี้เป็นหลักฐานของการเปลี่ยนแปลงพื้นฐานในธรรมชาติของสื่อ เรากำลังย้ายออกจากโลกของการบันทึกไปสู่โลกของการสังเคราะห์ นี่ไม่ใช่แค่การเปลี่ยนเครื่องมือ แต่เป็นการเปลี่ยนวิธีที่เราสัมพันธ์กับความจริง สัญญาณที่ต้องติดตามคือการบูรณาการเครื่องมือเหล่านี้เข้ากับชีวิตประจำวัน เมื่อคุณไม่สามารถบอกได้อีกต่อไปว่าวิดีโอถูกถ่ายด้วย iPhone หรือสร้างขึ้นใน cloud แสดงว่าเทคโนโลยีนั้นชนะแล้ว ความก้าวหน้าที่มีความหมายจะไม่ใช่คลิปมังกรที่สมจริงขึ้น แต่จะเป็นการพัฒนาเครื่องมือที่ช่วยให้ควบคุมได้แม่นยำระดับเฟรมต่อเฟรม จะเป็นการสร้างระบบลายน้ำที่แข็งแกร่งซึ่งสามารถทนต่อการบีบอัดและการตัดต่อ ที่สำคัญที่สุดคือการสร้างบรรทัดฐานทางสังคมและกฎหมายใหม่ที่จะปกป้องบุคคลจากการใช้พลังนี้ในทางที่ผิด วิดีโอเหล่านี้เป็นเพียงจุดเริ่มต้นของเรื่องราวสำหรับ .

พบข้อผิดพลาดหรือสิ่งใดที่ต้องแก้ไขหรือไม่? แจ้งให้เราทราบ