Photon-1: โมเดลที่เรียนใช้คอมพิวเตอร์จากวิดีโอ 18 ปีโดยไม่มีป้ายบอกว่ากดอะไร — ใช้คอมพิวต์น้อยกว่า Gemini 3.1 Flash-Lite 27 เท่า แต่ชนะบน benchmark ของตัวเอง

คอขวดที่แท้จริงของการสอน AI ให้ “ใช้คอมพิวเตอร์เป็น” ไม่ใช่การหาวิดีโอ แต่คือการรู้ว่าแต่ละเฟรมเกิดจากการกระทำอะไร วิดีโอหน้าจอมีอยู่มหาศาลบนอินเทอร์เน็ต แต่แทบไม่มีอันไหนบอกว่าเมาส์ถูกคลิกที่พิกัดไหน คีย์ไหนถูกกด ผลคือวิธีเทรนแบบเดิม (behavior cloning) ต้องพึ่งข้อมูลที่มีป้ายกำกับ ซึ่งแพงและมีจำกัด

Induction Labs เผยแพร่ผลวิจัย (23 กรกฎาคม 2026 เผยแพร่บนเว็บของตัวเอง และถูกสื่อสายเทคนิคหยิบไปขยายในวันนี้) ที่เสนอทางออกอีกแบบ เรียกว่า imagination model — โมเดลที่ ไม่ต้องรู้เลยว่าเกิดอะไรระหว่างเฟรม แต่เรียนจากการทำนายว่าเฟรมถัดไปจะหน้าตาอย่างไร ระบบทดสอบของแนวคิดนี้ชื่อ Photon-1

ไม่สร้างพิกเซล แต่ทำนายใน latent space

หัวใจของสถาปัตยกรรมคือการไม่สร้างภาพออกมาเลยตอน pretraining Photon-1 ทำนายเฟรมถัดไปแบบ autoregressive ด้วยเป้าหมาย next-latent-token prediction — ทุกอย่างถูกโมเดลอยู่ใน representation space ที่เรียนรู้ขึ้นมาเอง ไม่ใช่ระดับพิกเซล

ความต่างนี้สำคัญกว่าที่ฟังดู โมเดลวิดีโอเจเนอเรทีฟทั่วไปต้องเผาคอมพิวต์มหาศาลไปกับการเรนเดอร์รายละเอียดที่ไม่มีผลต่อการตัดสินใจ (เงา ฟอนต์ ความไล่สีของ wallpaper) ขณะที่การทำนายใน latent space บังคับให้โมเดลเก็บเฉพาะโครงสร้างที่จำเป็นต่อการทำนายอนาคต — และข้อเสนอของงานนี้คือ โครงสร้างนั้นเองมีข้อมูลว่า “การกระทำอะไรทำให้หน้าจอเปลี่ยนไปแบบนี้” ฝังอยู่โดยปริยาย แม้ไม่เคยเห็น action label สักตัว

สเปกและข้อมูลเทรน ตามที่ Induction Labs รายงาน:

รายการ	ตัวเลข
สถาปัตยกรรม	sparse MoE transformer 106B รวม / active 5B
context	32K
ข้อมูล	วิดีโอบันทึกหน้าจอราว 2 ล้านคลิป คัดจากวิดีโอสาธารณะ 2 พันล้านชิ้น
ปริมาณเฟรม	575 ล้านเฟรม ที่ 1 เฟรม/วินาที = 552 พันล้านโทเคน หรือราว 18 ปีของวิดีโอ
คอมพิวต์	~30,000 ชั่วโมง H200 ที่ MFU 40% (เทรน 1 epoch)

ตัวเลขที่เคลมไว้ และวิธีที่ควรอ่าน

ข้อเปรียบเทียบหลักคือกับ Gemini 3.1 Flash-Lite:

• คอมพิวต์ pretraining: 0.044 × 10²⁴ FLOPs เทียบกับ 1.200 × 10²⁴ FLOPs — น้อยกว่าราว 27 เท่า
• ต้นทุนเสิร์ฟ: $0.11 เทียบกับ $0.36 ต่อล้านโทเคน — ถูกกว่าราว 3 เท่า
• และรายงานว่า ทำคะแนนเหนือกว่าบน benchmark computer use ภายในของบริษัท

จุดที่ต้องอ่านอย่างระวัง: benchmark นั้นเป็นของภายในบริษัทเอง ไม่ใช่ชุดทดสอบสาธารณะอย่าง OSWorld หรือ WebArena ที่เทียบข้ามงานวิจัยได้ นี่ไม่ได้แปลว่าผลไม่จริง แต่แปลว่ายังตรวจสอบซ้ำโดยบุคคลที่สามไม่ได้ และตัวเลข “ชนะโมเดลที่ใช้ FLOPs มากกว่า 30 เท่า” ควรถูกอ่านเป็นข้อเสนอเชิงสถาปัตยกรรม ไม่ใช่การจัดอันดับโมเดล

ส่วนการทดสอบที่วัดได้ตรงกว่าคือสองชุดนี้ ซึ่งออกแบบมาวัด “โมเดลเข้าใจกฎของโลกจริงไหม” แยกจากการ “ทำงานเก่ง”:

• หมากฮอส — ทดสอบบนเกมทัวร์นาเมนต์ 20,000 เกม จาก Open Checkers Archive 2.0 Photon-1 เหนือกว่าทั้ง baseline ที่ใช้ vision encoder และ baseline ที่เป็น LLM ทั้งด้านการจำลองสภาพกระดาน (world simulation) และคุณภาพการเดินหมาก (move quality)
• ฟิสิกส์ลูกบิลเลียด — ค่าความคลาดเคลื่อนเฉลี่ยสัมบูรณ์ 0.47 เทียบกับ baseline ที่ 1.44 และ 1.15

การแยกวัดสองแกน — “จำลองโลกได้แม่นแค่ไหน” กับ “เล่นเก่งแค่ไหน” — เป็นวิธีที่ตรงประเด็นสำหรับข้ออ้างนี้ เพราะถ้าโมเดลเรียนกฎของเกมได้จากการดูอย่างเดียวจริง มันต้องชนะบนแกนแรกก่อน ไม่ใช่แค่แกนที่สอง

ยังไม่มีน้ำหนัก ไม่มี API

ประเด็นที่ต้องพูดให้ชัดเพื่อไม่ให้เข้าใจผิด: นี่คือผลวิจัย ไม่ใช่โมเดลที่เอาไปใช้ได้ ในหน้าประกาศของ Induction Labs ไม่มีการระบุการปล่อยน้ำหนัก, API หรือสัญญาอนุญาตแต่อย่างใด และ MarkTechPost ที่รายงานต่อสรุปตรง ๆ ว่า “ไม่มีน้ำหนัก ไม่มี API ไม่มีสัญญาอนุญาต”

ดังนั้นถ้าคุณกำลังมองหาโมเดล computer use ที่รันได้วันนี้ นี่ยังไม่ใช่ตัวเลือก สิ่งที่มีค่าในระยะสั้นคือแนวคิดและตัวเลขคอมพิวต์ ไม่ใช่ checkpoint

มุมมอง AI Curator

สิ่งที่ทำให้งานนี้น่าสนใจไม่ใช่ตัวเลขชนะ Gemini แต่คือนิยามของทรัพยากรที่ขาดแคลน อุตสาหกรรม AI ใช้เวลาสองปีที่ผ่านมาเชื่อว่าของหายากคือ GPU และข้อมูลคุณภาพสูงที่มีป้ายกำกับ งานนี้เสนอว่าสำหรับโดเมน computer use ของหายากอาจไม่ใช่ทั้งสองอย่าง แต่คือป้ายกำกับ — และถ้าออกแบบเป้าหมายการเทรนให้ไม่ต้องใช้ป้ายเลย คลังวิดีโอที่มีอยู่แล้วบนอินเทอร์เน็ตก็กลายเป็นข้อมูลเทรนทันที

ตัวเลข 30,000 ชั่วโมง H200 คือจุดที่ผมคิดว่าคนไทยควรหยุดอ่านช้า ๆ นั่นคือระดับคอมพิวต์ที่มหาวิทยาลัยหรือบริษัทขนาดกลางเข้าถึงได้จริง ไม่ใช่ระดับ frontier lab ถ้าแนวทางนี้ทำซ้ำได้จริง มันเปิดช่องให้ทีมที่ไม่มีคลัสเตอร์ระดับหมื่นการ์ดกลับเข้ามาแข่งในงานที่เคยคิดว่าปิดไปแล้ว — และเป็นการแข่งบน “การออกแบบเป้าหมายการเรียนรู้” ไม่ใช่ “ใครมีการ์ดมากกว่า” ซึ่งเป็นสนามที่ยุติธรรมกับเรามากกว่ามาก

มีอีกมิติที่เกี่ยวกับไทยโดยตรง: วิดีโอหน้าจอเป็นข้อมูลที่แต่ละประเทศมีของตัวเอง ระบบราชการไทย ธนาคารไทย ERP ที่องค์กรไทยใช้ ล้วนมีหน้าจอและ workflow ที่ไม่เคยปรากฏในข้อมูลเทรนของโมเดลตะวันตก ถ้าการเทรนต้องใช้ป้ายกำกับ การสร้าง agent ที่ใช้ระบบเหล่านี้เป็นต้องจ้างคนนั่งบันทึกทีละคลิก ซึ่งแทบไม่มีใครทำไหว แต่ถ้าเรียนจากวิดีโอดิบได้ คลังวิดีโอเทรนพนักงานที่องค์กรมีอยู่แล้ว ก็เปลี่ยนสถานะจากไฟล์ที่ไม่มีใครเปิด กลายเป็นสินทรัพย์ตั้งต้น นี่คือทิศทางที่ทีมไทยควรจับตามากกว่าการรอว่าโมเดลตะวันตกจะเข้าใจหน้าจอภาษาไทยเมื่อไหร่

แต่ขอปิดด้วยข้อเตือนตามสูตรเดิมที่ยังใช้ได้เสมอ: ผลวิจัยที่วัดบน benchmark ของตัวเองและยังไม่ปล่อยน้ำหนัก ยังไม่ใช่ข้อเท็จจริงที่ตรวจสอบแล้ว เราเคยเห็นสถาปัตยกรรมที่เคลมประสิทธิภาพต่อคอมพิวต์สูงมากแล้วเงียบหายไปหลายครั้ง สิ่งที่ควรรอคือสองอย่าง — ผลบน benchmark สาธารณะที่คนอื่นรันซ้ำได้ และการปล่อยน้ำหนักหรือรายละเอียดพอที่จะทำซ้ำ ถ้าทั้งสองอย่างมาถึง งานนี้จะเป็นหนึ่งในรายงานที่สำคัญที่สุดของปีสำหรับสาย agent ถ้าไม่มา มันก็จะเป็นอีกกราฟที่สวยในสไลด์ระดมทุน

แหล่งข่าว

• Scaling Video Pretraining — Induction Labs (23 ก.ค. 2026)
• Induction Labs Photon-1 Simulates Desktops, Plays Checkers, and Models Billiard Physics From One Pretraining Run — MarkTechPost (26 ก.ค. 2026)
• Launch YC: Induction Labs — foundation models that learn from observation