เจาะลึก Pelican Demo ของ Gemini 4 Carbon: สองเอเจนต์ ไปป์ไลน์ Blender และลูปตรวจทานที่ปิดวงได้จริง

สิ่งที่มีประโยชน์ที่สุดที่ Google เปิดตัวเมื่อวันที่ 10 พฤศจิกายน 2026 ไม่ใช่ตาราง benchmark แต่เป็นนกบนจักรยาน ในโพสต์เดียวกันกับการเปิดให้ใช้ Gemini 4 Carbon โดยทั่วไป Google ได้อธิบายการรันหนึ่งซึ่งเอเจนต์ Carbon สร้างเกม 3D โลกเปิด — คุณสำรวจแคมปัส Mountain View ของ Google ในบทบาทนกกระทุงที่ขี่ GBike — โดยการสร้างโมเดลแอสเซ็ตใน Blender จากนั้นสร้างเกมบนเบราว์เซอร์ใน Three.js ด้วย WebGL shaders พร้อมเอฟเฟกต์ Web Audio แบบ procedural ที่จับคู่กับดนตรีจาก Lyria คลิปที่เผยแพร่ไปพร้อมกันมีความยาวประมาณ 77 วินาที ส่วนที่น่าจับตาคือไม่ใช่ตัวนกกระทุง แต่คือการที่วงจรปิดลง: มีบางสิ่งในไปป์ไลน์นั้นมองสิ่งที่มันเรนเดอร์ออกมา แล้วตัดสินว่าดีพอหรือไม่

นั่นเป็นข้อกล่าวอ้างที่แตกต่างจาก “โมเดลนี้ฉลาด” เดโมถูกคัดเลือก และอันนี้ถูกเลือกโดยผู้ขาย แต่เดโมที่มีผู้ตรวจสอบอยู่ด้วยนั้นทดสอบได้ในแบบที่คะแนนเบนช์มาร์กทำไม่ได้ — คุณอ่านโครงสร้างได้ นับบทบาทได้ และถามได้ว่ารูปแบบเดียวกันนี้จะคงอยู่ได้ไหมเมื่อนำไปใช้กับงานของคุณเอง ดังนั้นนี่จึงเป็นการถอดชิ้นส่วนมากกว่าบทความเปิดตัว: อะไรถูกสร้างขึ้น เอเจนต์ถูกแบ่งอย่างไร การรันนี้แสดงและไม่แสดงอะไรบ้าง และต้องแลกด้วยอะไรบ้างในการนำรูปแบบเดียวกันไปใช้กับสิ่งที่คุณใส่ใจจริง ๆ

สิ่งที่ถูกสร้างขึ้นจริงมีอะไรบ้าง เรียงตามลำดับที่สร้างขึ้น

คำอธิบายของ Google เจาะจงเกี่ยวกับชุดเครื่องมืออย่างผิดปกติ ซึ่งเป็นสิ่งที่ทำให้คำอธิบายนี้น่าอ่านในฐานะบันทึกเชิงวิศวกรรม การรันครั้งนี้มีส่วนสื่อสามส่วน และส่วนเหล่านี้ใช้แทนกันไม่ได้:

• แอสเซ็ต — ซับเอเจนต์สร้างโมเดลวัตถุ 3D ใน Blender โดยอ้างอิงจากเรฟเฟอเรนซ์ที่สร้างโดย Omni และ Nano Banana นั่นเป็นขั้นตอนการสร้างโมเดล ไม่ใช่ขั้นตอนการเขียนโค้ด: เรขาคณิต วัสดุ และสเกลล้วนได้มาจากขั้นตอนนี้ และทุกสิ่งในลำดับถัดไปจะสืบทอดข้อผิดพลาดใด ๆ ที่มีอยู่ในนั้นไปด้วย

• เกม — สร้างขึ้นด้วย Three.js พร้อมเชดเดอร์ WebGL ดังนั้นสิ่งที่ส่งมอบจึงเป็นฉากที่เรนเดอร์ได้ในเบราว์เซอร์ ไม่ใช่วิดีโอที่เรนเดอร์เสร็จแล้ว เชดเดอร์ที่คอมไพล์ผ่านคือสัญญาณที่ตรวจสอบได้ด้วยเครื่องอย่างเข้มงวด ในแบบที่คำว่า "ดูสวยดี" ไม่ใช่

• เสียง — เอฟเฟกต์ Web Audio แบบ procedural ที่ใช้ร่วมกับเพลง Lyria ส่วนนี้เป็นส่วนที่เชื่อมโยงกับวงจรตรวจทานน้อยที่สุด และเป็นส่วนที่มีแนวโน้มมากที่สุดที่จะถูกปรับแต่งด้วยมือโดยมนุษย์ในภายหลัง

โพสต์เดียวกันยังวางงานสร้าง 3D อีกสี่ชิ้นไว้เคียงข้าง และรูปแบบก็ซ้ำเดิม: นิทรรศการ Three.js แบบโต้ตอบของการก่อสร้างหอไอเฟลช่วงปี 1887–1889 จากภาพถ่ายทางประวัติศาสตร์และแผ่นภาพวิศวกรรม; การสร้างใหม่ด้วย Three.js ของออฟฟิศ Platform 37 ของ Google ที่มี 906,000 สามเหลี่ยม ซึ่งสร้างขึ้นจากการวนทำงานข้ามคืนสิบรอบโดยอิงจากไฟล์ PDF แผนผังของสภาเมืองเจ็ดไฟล์; ตัวแสดงภาพสิ่งทอพร้อมระบบติดตามเชิงขั้ว 110 เส้นใย; และฟอร์เตเปียโนที่เล่นได้พร้อมฟิสิกส์ของกลไก escapement 61 คีย์ ไม่ว่าจะจริงอะไรอีก นี่ไม่ใช่พรอมป์ที่โชคดีเพียงครั้งเดียว มันคือชุดการรันที่มีรูปร่างแบบเดียวกัน

สองเอเจนต์ หรือเอเจนต์เดียวที่ทำงานสามอย่าง?

รายงานจากผู้สังเกตการณ์และบทความของ Google เองอธิบายการรันเดียวกันจากมุมมองที่ต่างกัน และความแตกต่างนั้นให้ข้อคิดที่เป็นประโยชน์ สรุปภาษาจีนที่ถูกแชร์มากที่สุดจาก @dotey เมื่อวันที่ 10 พฤศจิกายน แบ่งมันออกเป็นเอเจนต์ผู้สร้างและเอเจนต์ผู้ตรวจสอบที่ตรวจสอบผลเรนเดอร์ของตัวเอง ผู้โพสต์ต้นฉบับ Vamsi Batchu จาก Google AI Studio มองสิ่งเดียวกันว่าเป็นนกกระทุงที่เก็บชิป TPU ทั่ววิทยาเขต — และให้เครดิต /swarmของ Google Antigravity ซึ่ง Google อธิบายว่าทำให้พรอมต์เดียวกลายเป็น "ทีมเอเจนต์ที่ประสานงานกันซึ่งคุณติดตามได้แบบเรียลไทม์"

โพสต์ของ Google กำหนดให้ Carbon มีบทบาท แทนที่จะเป็นสื่อ: "การออกแบบสถาปัตยกรรม การประสานงาน และการตรวจสอบ" เมื่ออ่านคู่กับคำอธิบายของ observer รูปแบบก็คือ builder ที่สร้าง geometry และโค้ด และ auditor ที่ดูที่ผลลัพธ์แทนที่จะดูที่ซอร์ส ความแตกต่างนี้สำคัญกว่าจำนวน agent agent ที่ตรวจสอบ diff ของตัวเองมีสัญญาณอ่อน ส่วน agent ที่ตรวจสอบเฟรมที่เรนเดอร์แล้ว shader ที่กำลังคอมไพล์ หรือภาพหน้าจอของเกมที่กำลังรัน มีสัญญาณที่แข็งแรง เพราะความล้มเหลวมองเห็นได้ในอาร์ติแฟกต์ แทนที่จะเป็นสิ่งที่โต้แย้งได้ในถ้อยความ

ข้อควรระวังตามจริงสองข้อเกี่ยวกับแหล่งที่มา การแยกบทบาทผู้สร้าง/ผู้ตรวจสอบมาจากคำบอกเล่าของผู้คนที่อธิบายการรันนั้น ไม่ได้มาจากแผนภาพสถาปัตยกรรมที่เผยแพร่ — ควรถือว่าเป็นบทสรุปที่ตรงตามจริงมากกว่าข้อกำหนดจำเพาะ และ /swarm อยู่ในสถานะพรีวิวใน Antigravity ดังนั้นเลเยอร์การประสานงานที่คุณจะจำลองขึ้นมาจึงยังไม่พร้อมใช้งานทั่วไป

ยังมีจุดยุ่งยากในทางปฏิบัติที่ไม่มีใครพูดถึงอีกด้วย: แอป AI Studio ที่ลิงก์ไว้นั้นอยู่หลังการลงชื่อเข้าใช้ของ Google ฉันไม่สามารถเปิดเกมแบบไม่ระบุตัวตนได้ — URL จะเปลี่ยนเส้นทางตรงไปที่ accounts.google.comดังนั้น “เล่นได้ในเบราว์เซอร์ของคุณ” จึงหมายความว่า “เล่นได้หากคุณมีบัญชี Google และสำหรับตัวแอปเองก็ต้องมีเซสชัน AI Studio” นั่นเป็นรายละเอียดเล็ก ๆ ที่การแชร์วิดีโอนี้ซ้ำนับร้อยครั้งได้ข้ามไปเงียบ ๆ

ทำไมเกมจึงเป็นการทดสอบที่ยากกว่าภาพ SVG ที่มันเข้ามาแทนที่

พรอมป์ต์นกกระทุงขี่จักรยานเป็นของ Simon Willison ซึ่งเขาได้นำไปทดสอบกับโมเดล frontier แทบทุกตัวที่เปิดตัวตั้งแต่ปี 2024 — เริ่มแรกเป็นการขอ SVG เพียงชิ้นเดียว จากนั้นเมื่อโมเดลต่าง ๆ ไม่ได้แยกความแตกต่างกันด้วย SVG แบบแบนอีกต่อไป จึงเปลี่ยนเป็นพรอมป์ต์แบบ 3D ได้แก่หน้า WebGL, เรนเดอร์ด้วย Blender และสเก็ตช์ p5.js คุณค่าของการทดสอบนี้ไม่เคยอยู่ที่ว่านกกระทุงเป็นสิ่งที่ยาก แต่คือผลลัพธ์นั้นเป็นภาพ เป็นเอกเทศในตัวเอง และมนุษย์สามารถตัดสินได้ในทันทีภายในเวลาไม่ถึงหนึ่งวินาที

สิ่งที่การรันของ Carbon ทำคือดันคุณสมบัติเดียวกันนั้นขึ้นไปอีกระดับของความยาก SVG เป็นชิ้นงานหนึ่งชิ้นในภาษาเดียว แต่ที่นี่คือเรขาคณิตจากเครื่องมือหนึ่ง โค้ดในอีกภาษา รันไทม์ในภาษาที่สาม และขั้นตอนตรวจทานที่ต้องประสานทั้งสามอย่างเข้าด้วยกัน ซึ่งเป็นงานประเภทที่งานของเอเจนต์แบบระยะยาวมักล้มเหลวพอดี ไม่ใช่ที่ขั้นแรก แต่ที่ขั้นที่สิบสี่ เมื่อโมเดลลืมไปแล้วว่าตนยึดระบบพิกัดใดไว้

บทสรุปของ Google เกี่ยวกับความสามารถนี้นั้นแม่นยำ และระบุกลไกไว้อย่างชัดเจน: สำหรับการพัฒนาเว็บแอป โมเดลจะ "วนสร้างและตรวจสอบ (build-and-verify loops) กู้คืนจากข้อผิดพลาด และตรวจทั้งโค้ดของตนและ UI ที่เรนเดอร์ออกมา" นั่นคือกลเม็ดทั้งหมดที่กล่าวไว้อย่างตรงไปตรงมา ตัวแปรที่น่าสนใจไม่ใช่ว่าความพยายามครั้งแรกจะดีแค่ไหน แต่เป็นว่าลูปสามารถหมุนได้กี่รอบก่อนที่เอเจนต์จะหยุดพัฒนาและเริ่มทำงานซ้ำ ๆ อย่างไร้ประสิทธิผล

สิ่งที่เดโมไม่ได้บอกคุณ

เดโมจากผู้ขายคือตัวอย่างที่ถูกคัดเลือก และการคัดเลือกนั่นแหละคือจุดสำคัญของกิจกรรมนี้ สามสิ่งที่มันตอบไม่ได้:

• มันล้มเหลวบ่อยแค่ไหน เราเห็นเฉพาะรันที่เสร็จสิ้น ไม่มีใครเผยแพร่สิบเอ็ดรันที่หยุดชะงัก และในโพสต์ก็ไม่มีตัวส่วนอยู่เลย

• สิ่งที่มันต้องแลกมา การวนซ้ำข้ามคืนสิบรอบบนบิลด์ Platform 37 ย่อมหมายถึงโทเค็นจำนวนมากและเวลาตามนาฬิกาจำนวนมาก ที่อัตราของ Carbon นั่นคือตัวเลขจริง และ Google ไม่ได้ให้ตัวเลขนั้นมา

• โมเดลที่ถูกกว่าจะทำได้หรือไม่ นี่คือคำถามที่ผู้อ่านควรถามจริง ๆ และเดโมไม่สามารถตอบคำถามนี้ได้ในเชิงโครงสร้าง

สำหรับส่วนที่สามารถวัดได้ Artificial Analysis คือตัวถ่วงดุล และตัวเลขของมันก็ไม่ได้สวยหรูเท่าวิดีโอ Gemini 4 Carbon ที่โหมด high effort ได้ 60 คะแนนบน Intelligence Index v5.0.1 เป็นอันดับสี่จาก 74 โมเดล ตามหลังสามคอนฟิกูเรชันของ Claude Fable 5.2 ที่ 65, 62 และ 62 ต้นทุนต่อหนึ่งงานในดัชนีอยู่ที่ $7.76 อยู่อันดับ 61 จาก 73 ในมาตรวัดนั้น และมันใช้เอาต์พุตโทเคน 205 ล้านโทเคนตลอดทั้งดัชนี เทียบกับค่ามัธยฐานที่ราว 73 ล้าน มันเป็นโมเดลที่พูดมาก และราคาต่อโทเคนสะท้อนต้นทุนของงานที่ใช้ Carbon ต่ำเกินจริง ความเร็วเอาต์พุตอยู่ที่ราว 82 โทเคนต่อวินาที โดยใช้เวลาราว 67.5 วินาทีกว่าจะได้โทเคนคำตอบแรก เร็วพอในระดับต่อโทเคน แต่ช้าพอสำหรับโทเคนแรกจนดูเป็นโปรไฟล์แบบ batch-and-wait มากกว่าแบบช่องแชท ใน Coding Agent Index ผู้ประเมินรายเดียวกันจัดให้ Carbon อยู่ที่ 59 เมื่อใช้กับ Antigravity CLI เทียบกับ 62 ของ Claude Code กับ Opus 5.5

ไม่มีสิ่งใดในนั้นขัดกับเดโม โมเดลหนึ่งอาจอยู่อันดับสี่บนดัชนีทั่วไป แพงต่องาน และยังเป็นตัวที่ประคองให้การ build ที่ใช้เวลาสี่ชั่วโมงสำเร็จได้ — สิ่งเหล่านี้เป็นการวัดที่ต่างกัน และเดโมเป็นหลักฐานสำหรับข้อที่สาม ไม่ใช่ข้อแรก สิ่งที่มันไม่ใช่คือข้อพิสูจน์ และชิ้นส่วนที่ขาดหายซึ่งมีต้นทุนต่ำที่สุดคือชิ้นที่สายตระกูลนี้มักมอบให้ Willison รัน pelican prompt กับเกือบทุกการเปิดตัวและเผยแพร่ผลลัพธ์ ในเดือนพฤศจิกายน 2026 โพสต์ pelican ของเขาครอบคลุม Claude Fable 5.2 ที่ห้าระดับการให้เหตุผล และ Muse Ember ที่หกระดับ และไม่มีชุด Carbon อยู่ในนั้น จนกว่าจะมีสักชุดปรากฏขึ้น เดโม pelican ก็เป็นผลงานของ Google และของคนอื่นไม่ได้ — เป็นบิลด์ที่ผู้ขายเลือกเองพร้อมคำอธิบายที่ผู้ขายเขียนเอง และไม่มีการรันจากภายนอกมาเทียบอัตราความล้มเหลว

ค่าใช้จ่ายในการรันลูปเดียวกันด้วยตัวเอง

Carbon มีเฉพาะในแพ็กเกจแบบชำระเงินของ Google เท่านั้น ไม่มีช่องทางฟรี: แอป AI Studio ต้องใช้บัญชี Google, API ต้องมีการเรียกเก็บเงิน และทุกโทเคนที่ประมวลผลจะถูกคิดค่าบริการ รวมถึงโทเคนสำหรับการคิด (thinking tokens) ด้วย อัตราค่าบริการนี้เป็นราคาแนะนำและมีเวลาจำกัด:

จนถึงวันที่ 30 พฤศจิกายน 2026 — $2.00 ต่อหนึ่งล้านโทเค็นอินพุต, $10.00 ต่อหนึ่งล้านโทเค็นเอาต์พุต

• ตั้งแต่ 1 ธันวาคม 2026 — $4.00 และ $20.00 โดยเป็นโมเดลที่ไม่มีการเปลี่ยนแปลง

• บริบท — 1M โทเค็น โดยไม่มีระดับราคาตามความยาว ดังนั้นโค้ดเบส 900,000 โทเค็นจึงมีต้นทุนต่อโทเค็นเท่ากับพรอมต์ 2,000 โทเค็น

พอเอาความเยิ่นเย้อไปวางไว้ข้างหน้าผา ตัวเลขก็เริ่มทำให้ไม่สบายใจ วงจรการสร้างและตรวจสอบนั้นหนักไปทางเอาต์พุตโดยธรรมชาติ: ผู้ตรวจเขียน ผู้สร้างเขียนใหม่ และบทสนทนาบันทึกก็ยาวขึ้นทุกเทิร์น ปริมาณงาน 100 ล้านโทเคนอินพุตและ 20 ล้านโทเคนเอาต์พุต จะถูกคิดเงิน $400 ในเดือนนี้ — ขาเข้า $200 ขาออก $200 — และ $800 ตั้งแต่ 1 ธันวาคมสำหรับทราฟฟิกเดียวกัน หากคุณกำลังทดลองนำร่องในเดือนพฤศจิกายน ให้คิดราคาโครงการนำร่องด้วยอัตราของเดือนธันวาคม ไม่เช่นนั้นคุณจะอนุมัติงบประมาณที่ผิดไปสองเท่า

ขอยืนยันให้ชัดเจนว่าเรายืนอยู่ตรงไหน: Gemini 4 Carbon ไม่ได้อยู่ในแคตตาล็อกของ OrcaRouter และไม่มีสิ่งใดในข้อความนี้ที่ควรถูกตีความว่าเราอ้างว่าเป็นเช่นนั้น สิ่งที่มีอยู่คือ google/gemini-4-argon ในราคาของ Google เองที่ $2 รับเข้า / $10 ส่งออก — การ์ดเดียวกับที่ Carbon ใช้อยู่ในเดือนนี้ — พร้อมกับ DeepSeek V4 Pro ที่ $0.66/$1.98 และ Grok 4.7 ที่ $2/$6 ทั้งหมดบนคีย์เดียวที่เข้ากันได้กับ OpenAI ครอบคลุม 216 โมเดล โดยมี ราคาตามรายการของผู้ให้บริการส่งผ่านโดยไม่บวกเพิ่ม 0% ดังนั้นการเปลี่ยนแปลงอัตราค่าบริการของผู้ขายจึงมีผลในวันที่เกิดขึ้นจริง ไม่ใช่หลังจากผ่านรอบการปรับราคาไปแล้ว สำหรับรูปแบบเฉพาะนี้มันสำคัญด้วยเหตุผลที่แสนจะธรรมดา: ลูปการสร้างแบบหลายเอเจนต์เป็นงานที่เสี่ยงที่สุดที่จะชนเพดานอัตราการใช้งานหรือเจอวันที่แย่ ๆ ที่ผู้ให้บริการรายใดรายหนึ่ง และการสลับไปใช้เส้นทางที่สองย่อมถูกกว่าการไปค้นพบเพดานกลางคันระหว่างการรันสิบลูป

ถ้าคุณต้องการคัดลอกโครงสร้าง ให้คัดลอกขั้นตอนการตรวจสอบ

ส่วนที่นำไปใช้ได้ของเดโมนี้ไม่ใช่ Blender และไม่ใช่ Three.js แต่คือการที่ผู้รีวิวได้รับสิ่งที่สามารถมองดูได้ สามขั้นตอน เรียงตามลำดับว่าสิ่งเหล่านั้นเปลี่ยนผลลัพธ์ได้มากน้อยเพียงใด:

• ทำให้อาร์ติแฟกต์เป็นอินพุตสำหรับการรีวิว จับภาพหน้าจอแอปที่กำลังรัน เรนเดอร์เฟรม คอมไพล์เชเดอร์ รันเทสต์ — แล้วส่งสิ่งนั้นกลับมา ไม่ใช่ diff เอเจนต์ที่ถูกถามว่า “โค้ดนี้ถูกต้องหรือไม่” จะเห็นด้วยกับตัวเอง เอเจนต์ที่ถูกถามว่า “ภาพหน้าจอนี้ตรงตามบรีฟหรือไม่” มีจุดให้ผิดพลาดได้

• จำกัดลูปและตรวจสอบการลู่เข้า Google อ้างอิงว่าลูปรอบข้ามคืนสิบรอบคือจำนวนสำหรับหนึ่งบิลด์ เลือกเพดานของคุณเอง และบันทึกว่าแต่ละรอบปรับปรุงอาร์ติแฟกต์จริงหรือไม่ — เอเจนต์ที่หยุดปรับปรุงมักเป็นเอเจนต์ที่เริ่มจัดบ้านใหม่

• ทำให้ชุดเครื่องมือเรียบง่ายและตรวจสอบได้ การ export จาก Blender, Three.js, WebGL และเบราว์เซอร์ ล้วนให้ผลลัพธ์ที่แน่นอนและตรวจสอบได้ ไม่มีสิ่งใดในการรันครั้งนี้ที่ต้องพึ่งพาความสามารถซึ่งมีเพียงผู้จำหน่ายรายเดียวเท่านั้น แต่พึ่งพาโมเดลที่จะดำเนินต่อไปได้หลังจากความล้มเหลวครั้งแรก

สิ่งที่ต้องจับตาต่อไปนั้นแคบและเจาะจง คำถามคือ/swarmจะออกจากพรีวิวหรือไม่ เพราะการประสานงานคือส่วนที่คุณยังทำซ้ำไม่ได้ในตอนนี้ และไม่ว่าจะมีใครนอก Google เผยแพร่ Carbon pelican หรือไม่ — เวอร์ชันของ Willison คือสิ่งที่ใกล้เคียงที่สุดที่สายงานนี้มีต่อผลลัพธ์ที่เป็นอิสระ และมันยังไม่ปรากฏ และไม่ว่าระยะห่างสิบสองวันระหว่างการประกาศแบบจำกัดสิทธิ์เมื่อวันที่ 28 ตุลาคม กับการเปิดตัวทั่วไปเมื่อวันที่ 10 พฤศจิกายน จะกลายเป็นรูปแบบปกติหรือเป็นข้อยกเว้น เดโมนี้จะถูกอ้างถึงไปอีกหลายเดือน ลูปที่อยู่เบื้องหลังคือสิ่งที่จะนำไปใช้ได้ทั่วไปหรือไม่