LAION ปล่อยชุดข้อมูลวิดีโอเปิด 10 ล้านชั่วโมง — BVD ที่กลั่นจาก URL 1.3 พันล้าน แต่ติดป้าย "วิจัยเท่านั้น" และภาระทางกฎหมายตกที่คนดาวน์โหลด

LAION องค์กรไม่แสวงกำไรที่เคยปล่อย LAION-5B จนกลายเป็นฐานของโมเดล text-to-image ยุคแรกทั้งแถบ กลับมาอีกครั้งด้วย LAION-BVD (Big Video Dataset) — ชุดข้อมูลวิดีโอเปิดที่มีความยาวรวม 10 ล้านชั่วโมง เปเปอร์ขึ้น arXiv เมื่อ 25 สิงหาคม 2026 (arXiv:2608.24845) และหน้าโครงการกับช่องทางดาวน์โหลดถูกเผยแพร่พร้อมกัน

ตัวเลขที่ทำให้ชุดนี้ต่างจากงานก่อนหน้าคือระยะห่างระหว่าง “ที่เจอ” กับ “ที่ได้จริง”: ทีมงานเก็บ URL วิดีโอ 1.3 พันล้านรายการ จาก CommonCrawl แล้วดาวน์โหลดสำเร็จ 80 ล้านไฟล์ จากนั้นใช้ scene detection ตัดเป็นคลิปและสร้างแคปชันด้วย VLM ได้ คลิปติดแคปชัน 55 ล้านคลิป กับ เฟรมภาพนิ่งจากจุดเปลี่ยนฉาก 300 ล้านภาพ

คณะผู้เขียนคือแกนหลักของ LAION และ ELLIS/Tübingen — Andreas Hochlehnert, Marianna Nezhurina, Mehdi Cherti, Christoph Schuhmann, Romain Beaumont, Jenia Jitsev, Wieland Brendel, Bernhard Schölkopf และ Matthias Bethge ในบรรดาผู้เขียน 12 คน

สิ่งที่ได้จริงเมื่อกดดาวน์โหลด

ตรงนี้เป็นจุดที่คนอ่านพาดหัวมักเข้าใจผิด LAION แจกของสองระดับ ซึ่งไม่เหมือนกันเลยในทางปฏิบัติและทางกฎหมาย:

ระดับที่หนึ่ง — URL และเมทาดาทาล้วน ๆ (โหลดได้ทันที) ได้แก่ BVD-URLs (1.3 พันล้านรายการ), BVD-V-55M-URLs, BVD-A-1.7M-URLs, BVD-A-10M-URLs และ BVD-I-300M-URLs ไม่มีไฟล์สื่อติดมาด้วยแม้แต่ไฟล์เดียว — เป็นรายการลิงก์บวกเมทาดาทา วิธีเดียวกับที่ LAION-5B เคยทำ

ระดับที่สอง — ชุดที่มีสื่อจริง ได้แก่ BVD-V-55M (คลิปวิดีโอ), BVD-A-1.7M และ BVD-A-10M (คลิปเสียง), BVD-I-300M (เฟรมภาพ) และ BVD-RAW ที่เป็นไฟล์วิดีโอต้นฉบับ 80 ล้านไฟล์เต็ม 10 ล้านชั่วโมง ทั้งหมดโฮสต์บน Hugging Face และ ต้องยื่นขอสิทธิ์เข้าถึงแบบ manual ก่อน (เราตรวจผ่าน API ของ Hugging Face แล้ว รีโปเหล่านี้ตั้ง gate ไว้จริง ส่วน BVD-RAW ตอบ 401 กับผู้ที่ไม่ได้รับอนุมัติ)

ความต่างนี้สำคัญ เพราะแบบแรกหมายความว่า คุณคือคนที่ไปดาวน์โหลดวิดีโอที่มีลิขสิทธิ์เอง ไม่ใช่ LAION — ซึ่งเป็นโครงสร้างเดียวกับที่ LAION ใช้มาตลอดเพื่อจำกัดความรับผิดของตัวเอง

นอกจากข้อมูล ทีมยังเปิด ไปป์ไลน์ทั้งสาย บน GitHub แบ่งเป็นสี่ขั้น: 0_download/ (ดึงวิดีโอจากรายการ URL), 1_curation/ (scene detection, ตัดคลิป, สกัดเฟรม), 2_captioning/ (สร้างแคปชันเสียง/เฟรม/วิดีโอด้วย VLM) และ 3_training/ (เทรน ViCLIP, CLAP, CLIP)

ผลลัพธ์: ดีขึ้นแบบพอประมาณ แต่ “เปิด” คือประเด็นหลัก

ตัวเลขที่รายงานไม่ได้หวือหวา และเปเปอร์ก็ไม่ได้ขายว่าหวือหวา:

• Video-Language (ViCLIP) — โมเดลที่เทรนบน BVD เท่ากับหรือดีกว่าโมเดลที่เทรนบน InternVid สูงสุด 2.1 จุด บนเบนช์ video-text มาตรฐาน และดีขึ้นต่อเนื่องเมื่อสเกลจาก 10M เป็น 50M คลิป
• Audio-Language (CLAP) — แข่งได้กับชุดข้อมูลเสียงขนาดใหญ่แบบไม่คัดกรองตัวอื่น โดยใช้เสียงที่สกัดตรงจากวิดีโอ
• Image-Text (CLIP) — เฟรมจากจุดเปลี่ยนฉากให้ การกระจายเชิงภาพที่ต่างจากคลังภาพเว็บทั่วไป ซึ่งเป็นข้อค้นพบที่น่าสนใจกว่าตัวเลข: มันเสริมชุดภาพเดิมได้ ไม่ใช่แค่ทำซ้ำ

ข้อความในหัวข้อ Ethics & Release ของ LAION ระบุเจตนาไว้ตรง ๆ ว่าชุดข้อมูลวิดีโอขนาดใหญ่และโมเดลที่เทรนจากมัน “กำลังกระจุกตัวอยู่ในบริษัทเทคโนโลยีเอกชนจำนวนน้อย ซึ่งจำกัดการตรวจสอบทางวิทยาศาสตร์อย่างอิสระและการทำซ้ำผลงาน”

ข้อจำกัดที่ LAION เขียนเอง และที่ควรอ่านเพิ่ม

การ์ดระบุชัดว่า LAION-BVD “released exclusively for research purposes and not for commercial use” — ไม่ใช่ Apache หรือ CC ที่เอาไปทำผลิตภัณฑ์ได้ และเตือนว่าเช่นเดียวกับคลังข้อมูลเว็บขนาดใหญ่ทุกชุด มันมีอคติ ภาพเหมารวม และการกระจายที่ไม่สม่ำเสมอทั้งด้านภาษา ภูมิภาค และหัวข้อ

เรื่องลิขสิทธิ์คือประเด็นที่หลีกเลี่ยงไม่ได้ The Decoder รายงาน ว่าเนื้อหาส่วนใหญ่มาจาก YouTube และเป็นภาษาอังกฤษเป็นหลัก และ LAION อ้างอิงคำพิพากษาของศาลแขวงฮัมบูร์กเมื่อปี 2024 ที่วินิจฉัยว่าการเก็บรวบรวมเนื้อหามีลิขสิทธิ์เพื่อการวิจัยโดยองค์กรไม่แสวงกำไรทำได้ — ต้องย้ำว่านั่นคือ กฎหมายเยอรมันภายใต้กรอบข้อยกเว้น TDM ของสหภาพยุโรป ไม่ใช่บรรทัดฐานที่ใช้กับผู้ดาวน์โหลดในเขตอำนาจศาลอื่นโดยอัตโนมัติ

มุมมอง AI Curator

ทุกครั้งที่ LAION ปล่อยของ ปฏิกิริยาแรกของวงการมักเป็นความตื่นเต้นกับตัวเลข แล้วอีกหกเดือนถัดมาจึงค่อยมีคนอ่านใบอนุญาต รอบนี้ขอเริ่มจากใบอนุญาตก่อน: “research only, not for commercial use” แปลว่าสตาร์ตอัปไทยที่คิดจะเอา BVD ไปเทรนโมเดลวิดีโอเชิงพาณิชย์ ทำไม่ได้ และการที่ตัวชุดแจกเป็น URL เป็นหลักยิ่งทำให้ความเสี่ยงย้ายมาอยู่ฝั่งคนดาวน์โหลดเต็ม ๆ ไม่ใช่ฝั่ง LAION

แต่ถ้ามองข้ามข้อจำกัดนั้น สิ่งที่มีค่าที่สุดในการปล่อยครั้งนี้สำหรับทีมไทย ไม่ใช่ตัวข้อมูล แต่คือไปป์ไลน์ สี่โฟลเดอร์บน GitHub นั้นคือสูตรที่ผ่านการรันจริงในสเกล 1.3 พันล้าน URL แล้วว่าจะแปลง CommonCrawl ให้กลายเป็นคลังคลิปติดแคปชันได้อย่างไร — scene detection ตัดที่ไหน สกัดเฟรมจุดไหน ป้อน VLM อย่างไร ใครที่อยากสร้างคลังวิดีโอภาษาไทยติดแคปชัน (สำหรับงานถอดเสียง งาน video retrieval หรือเทรน VLM ที่เข้าใจบริบทไทย) ไม่ต้องออกแบบสถาปัตยกรรมนี้ใหม่ ชี้ขั้นตอน 0_download/ ไปที่แหล่งที่ได้รับอนุญาตในไทยแล้วเดินตามที่เหลือได้เลย

เพราะข้อเท็จจริงที่ต้องพูดให้ตรงคือ ความยาว 10 ล้านชั่วโมงนี้ แทบไม่มีภาษาไทยอยู่ในนั้น — LAION บอกเองว่าเนื้อหาส่วนใหญ่เป็นภาษาอังกฤษและการกระจายด้านภาษาไม่สม่ำเสมอ การมีคลังวิดีโอเปิดที่ใหญ่ที่สุดในโลกจึงไม่ได้แปลว่าโมเดลที่เข้าใจวิดีโอภาษาไทยจะเกิดขึ้นเอง มันแค่ทำให้ ฐานความสามารถทั่วไป ของโมเดลวิดีโอโอเพนซอร์สขยับขึ้น แล้วส่วนที่เป็นไทยยังต้องมีคนไทยลงมือทำอยู่ดี นี่เป็นรูปแบบเดียวกับที่เราเห็นใน Open ASR Leaderboard ที่เพิ่งรับภาษาฮินดีเป็นภาษาอินดิกแรกเมื่อวานนี้ — ~17 ชั่วโมงที่ออกแบบมาอย่างดีมีค่ามากกว่าล้านชั่วโมงที่ไม่มีภาษาเราอยู่เลย

สุดท้าย มีความย้อนแย้งที่ควรบันทึกไว้ วันเดียวกับที่เราเขียนถึงเอเจนต์ AI ที่ยิง DMCA ใส่โปรเจกต์โอเพนซอร์สจนหลุดจาก Google Play โดยไม่มีหลักฐาน เราก็ได้เห็นองค์กรไม่แสวงกำไรปล่อยดัชนีของวิดีโอมีลิขสิทธิ์ 80 ล้านไฟล์ออกมาเพื่อการวิจัย ทั้งสองเรื่องคือด้านตรงข้ามของคำถามเดียวกันว่าใครได้ใช้เนื้อหาของใคร ภายใต้เงื่อนไขอะไร และในปี 2026 ทั้งสองด้านต่างก็มีเครื่องจักรอัตโนมัติทำงานให้ในสเกลที่มนุษย์ตรวจสอบตามไม่ทัน

แหล่งข่าว

• LAION-BVD — หน้าโครงการอย่างเป็นทางการ
• LAION-BVD: A 10-Million-Hour Open Video Dataset for Multimodal Pre-training — arXiv:2608.24845 (25 ส.ค. 2026)
• LAION-AI/bvd — ไปป์ไลน์และโค้ดบน GitHub
• LAION drops massive open video dataset with 10 million hours of footage for AI research — The Decoder, 29 ส.ค. 2026