มีเดโมอันนึงที่ผมว่าน่าสนใจมาก เป็นแอปบน iPhone…
ในคลิปเป็นวิดีโอถนนตอนพระอาทิตย์ตก แล้วแอปขึ้นค่าให้ดูสดๆ ว่า Car 70 เปอร์เซ็นต์ Street 7 Outdoors 6 Bicycle 3 Person 1 มุมขวาบอกเวลาที่ใช้ต่อเฟรมคือ 191 มิลลิวินาที คนทำคือ Amos Gyamfi นักพัฒนา iOS เขียนด้วย SwiftUI ต่อกับ Core AI ของ Apple
โมเดลที่ใช้คือ CLIP ของ OpenAI ตัวนี้ออกมาตั้งแต่ปี 2021 ความสามารถของมันคือเข้าใจภาพกับข้อความไปพร้อมกัน แล้วบอกได้ว่าภาพนี้ใกล้เคียงกับคำไหนมากที่สุด
จุดที่ผมว่าคนมองข้ามคือช่องเล็กๆ ข้างล่างจอ ตรงที่เขียนว่าให้พิมพ์ label เอง ตัวอย่างที่มันขึ้นให้ดูคือ a red mug แล้วมีชิปคำที่ใส่ไว้แล้วอย่าง a person a laptop a smartphone
แปลว่าเราไม่ต้องไปเทรนโมเดลใหม่เลย อยากให้มันหาแก้วสีแดงในวิดีโอก็พิมพ์คำว่าแก้วสีแดงลงไป มันไปเทียบให้เอง ของแบบนี้เมื่อก่อนต้องเก็บภาพเป็นพันใบแล้วนั่งเทรนกันเป็นวัน
พอมันรันบนเครื่องได้ ความหมายที่ตามมาคือแอปที่ต้องดูภาพของคนอื่นไม่จำเป็นต้องส่งภาพขึ้นคลาวด์อีกต่อไป มีคนคอมเมนต์ในโพสต้นทางไว้ตรงประเด็นมากว่า การที่เฟรมไม่ออกจากเครื่องมันเปลี่ยนทั้งเรื่องความเร็วและเส้นแบ่งความเป็นส่วนตัวไปพร้อมกัน
แล้วเขายังถามต่อด้วยว่าถ้าคลิปยาวๆ หน่วยความจำจะเป็นยังไง อันนี้ยังไม่มีคำตอบครับ เดโมเป็นคลิปสั้น 13 วินาที
ในแอปยังมีแท็บอื่นอีกทั้ง Detect Segment กับ Ask ที่ยังไม่ได้โชว์ในคลิปนี้ ใครทำแอป iOS อยู่ ลองไปดู repo coreai-models ของ Apple ได้ครับ
อยากใช้ AI กับงานจริงเป็นระบบ?
เรียน Claude Method — วิธีคิดและลงมือใช้ Claude/AI กับงานจริง ตั้งแต่วันแรก
📍 โพสต้นฉบับบน Facebook: AI กับ Peesamac