Genie 4 vs Agora 2: โลกใบเดียวที่มีผู้กำกับ หรือคนยี่สิบคนในห้องเดียวกัน

ผู้เข้าร่วมสูงสุด 20 คน คือจำนวนที่ Odyssey ใช้เปิดตัว Agora 2 เมื่อวันที่ 21 กันยายน 2026 และมันแยกย่อยออกเป็นสิ่งที่น่าสนใจกว่าที่ฟังดู: ผู้ควบคุมที่เป็นมนุษย์สี่คนและเอเจนต์อัตโนมัติสิบหกตัว ซึ่งทั้งหมดใช้โลกถาวรหนึ่งเดียวร่วมกัน Genie 4 ซึ่งประกาศโดย Google DeepMind ห้าสัปดาห์ต่อมาเมื่อวันที่ 27 ตุลาคม 2026 วางเดิมพันเกือบจะตรงกันข้าม มันมอบโลกที่น่าเชื่ออย่างยิ่งให้ผู้ใช้คนเดียว พร้อมเสียงแบบเนทีฟและการสั่งการด้วยภาษาธรรมชาติ และไม่ยอมให้บุคคลที่สองเดินเข้าไปในโลกนั้น นั่นไม่ใช่ผลิตภัณฑ์เดียวกันสองเวอร์ชันที่ต่างระดับคุณภาพ พวกมันคือสองโครงการวิจัยที่บังเอิญใช้คำนามเดียวกัน

คำถามสามข้อที่ทำให้ทั้งสองแตกต่างกันคือ ใครอื่นอยู่ในโลกนี้ โลกยังมีอยู่หรือไม่เมื่อไม่มีใครมองมัน และมันส่งเสียงหรือไม่ Genie 4 ตอบคำถามข้อที่สามได้ดีกว่าสิ่งใดก็ตามที่เคยวางจำหน่ายมาก่อน และไม่ตอบสองข้อแรกเลย ส่วน Agora 2 ตอบสองข้อแรก และแทบไม่มีอะไรจะพูดเกี่ยวกับข้อที่สาม

ยี่สิบคือสี่บวกสิบหกจริง ๆ

พาดหัวของ Odyssey เป็นคำกล่าวอ้างเรื่องมัลติเพลเยอร์ และคุ้มค่าที่จะระบุให้ชัดเจนว่าจริง ๆ แล้วมีอะไรเชื่อมต่อกันบ้าง มนุษย์สี่คนบังคับตัวละครแบบเรียลไทม์ อีกสิบหกเอนทิตีเป็นพอลิซีที่ฝึกด้วยการเรียนรู้แบบเสริมกำลัง — พฤติกรรมของมอนสเตอร์และเพื่อนร่วมทาง — ซึ่งกระทำการอยู่ภายในโลกเดียวกัน ดังนั้นคำอธิบายที่ตรงไปตรงมาคือเกมสี่ผู้เล่นที่มีเอเจนต์ซึ่งผ่านการเรียนรู้เป็นองค์ประกอบ ซึ่งเป็นห้าเท่าของจำนวนผู้เข้าร่วมใน Agora 1 และเป็นสถาปัตยกรรมที่แตกต่างอย่างมีนัยสำคัญจากเดโมเชิงสร้างสรรค์แบบผู้เล่นคนเดียว

สภาพแวดล้อมมีหลายแบบแทนที่จะเป็นแบบเดียว พฤติกรรมคงอยู่ตลอดช่วงเวลาที่ยาวนานขึ้น และข้อมูลฝึกคือภาพแคปเจอร์จาก Diablo II — เกม action RPG แบบไอโซเมตริกจากปี 2000 รายละเอียดสุดท้ายนั้นไม่ใช่เรื่องน่าฉงน มันบอกคุณว่าทีมเลือกเกมที่มีไวยากรณ์กล้องแบบตายตัวและปฏิสัมพันธ์ระหว่างเอนทิตีที่หนาแน่น แทนที่จะเป็นโลกเปิดแบบสมจริงอย่างตั้งใจ เพราะนั่นคือสภาพแวดล้อมที่สถานะร่วมกันสามารถทดสอบได้ และเป็นที่ที่มาตรฐานด้านภาพสามารถทำได้

ทำไมสถานะนอกจอถึงเป็นส่วนที่ยาก

โมเดลโลกส่วนใหญ่ รวมถึง Genie 4 ทำงานเหมือนเครื่องสร้างวิดีโอที่ซับซ้อนมาก ฉากมีอยู่ในรูปของเฟรม และสิ่งใดก็ตามที่กล้องไม่ได้ชี้อยู่ในขณะนั้นจะต้องถูกสร้างใหม่เมื่อกล้องกลับมาที่เดิม — นี่คือสาเหตุที่ความคงอยู่ของวัตถุลดลง และเป็นสาเหตุที่สื่อเปิดตัวของ Google เองเตือนว่ารายละเอียดและวัตถุจะคลาดเคลื่อนมากขึ้นเรื่อย ๆ ยิ่งการจำลองทำงานนานขึ้น และยิ่งการแก้ไขพรอมป์ต์มีความซับซ้อนมากขึ้น

Agora 2 แก้ปัญหานี้ด้วยการไม่เป็นตัวสร้างวิดีโอโดยแก่นของระบบ มันรันสถานะโลกฝั่งเซิร์ฟเวอร์ที่เป็นแหล่งอ้างอิงหลัก ซึ่งคงอยู่โดยอิสระจากมุมมองใด ๆ โดยมีโมเดลจำลองที่เรียนรู้ได้จัดการการเคลื่อนไหว และมีสแต็กการเรนเดอร์แยกต่างหากวาดสิ่งที่ไคลเอนต์แต่ละรายเห็น เอนทิตียังคงมีอยู่แม้ไม่มีใครมอง它们 นั่นคือเหตุผลที่ผู้เข้าร่วมยี่สิบคนสามารถสอดคล้องกันได้ในเวลาเดียวกัน พวกเขาไม่ได้ต่างขอให้ตัวสร้างจินตนาการถึงคนอื่น ๆ แต่พวกเขาอ่านจากความจริงร่วมกันเพียงชุดเดียว

งานวิศวกรรมถูกทำให้เล็กโดยตั้งใจในส่วนที่ต้องแชร์ร่วมกัน โมเดลจำลองถูกรายงานว่ามีประมาณ 4.46 ล้านพารามิเตอร์ สี่ชั้น ความกว้าง 256 มีแขนงการเคลื่อนที่ 14 แขนง และมีส่วนหัวสำหรับทำนายการหันหน้าแยกต่างหาก ตัวเรนเดอร์คือเครือข่ายขนาดใหญ่ — ทรานส์ฟอร์เมอร์แบบโฟลว์แมตชิงที่มีประมาณหนึ่งพันล้านพารามิเตอร์ 16 บล็อกที่ความกว้าง 2,048 โดยห้าบล็อกมี causal temporal attention พูดแบบหยาบ ๆ คือ: ทำให้กฎมีต้นทุนต่ำและเหมือนกันสำหรับทุกคน แล้วใช้การประมวลผลไปกับสิ่งที่ผู้เล่นแต่ละคนเห็น

จุดเด่นของ Genie 4 คือส่วนที่คุณได้ยิน

เมื่อวางเทียบกับสิ่งนั้น สิ่งที่ Genie 4 นำเสนออาจดูจำกัด แต่แท้จริงแล้วไม่ใช่ เสียงแบบเนทีฟ — ภูมิทัศน์เสียงรอบข้าง ดนตรี และบทสนทนาพูดกับตัวละครที่ตอบสนองภายในฉาก — เป็นสิ่งที่ไม่มีเวิลด์โมเดลอื่นใดในการเปรียบเทียบนี้มอบให้เลย รายงานทางเทคนิคของ Odyssey ไม่ได้กล่าวอ้างเรื่องเสียง และ ABot-Earth, WorldClaw หรือ HY-Nomas ก็ไม่กล่าวอ้างเช่นกัน

เรื่องนี้สำคัญต่อการจำลองมากกว่าความบันเทิง สภาพแวดล้อมการฝึกสำหรับเอเจนต์ที่มีร่างกายซึ่งไม่สามารถสร้างเสียงได้นั้นขาดรูปแบบอินพุตไปทั้งหนึ่งรูปแบบ ส่วนเครื่องมือพรีวิชัวไลเซชันที่ไม่มีเสียงก็ทำให้แผนกเสียงต้องเริ่มทำงานใหม่ทั้งหมดเพื่อให้เข้ากับจังหวะเวลาของคนอื่น นอกจากนี้ Genie 4 ยังสั่งการด้วยภาษาธรรมชาติระหว่างการจำลอง ซึ่ง Agora 2 ไม่ทำเช่นนั้น — โลกของ Odyssey ถูกกำหนดโดยกลไกเกมและอินพุตของผู้เล่น ไม่ใช่ด้วยพรอมต์ที่เปลี่ยนสภาพอากาศ

สิ่งที่ Genie 4 ทำไม่ได้คือการรับคอนโทรลเลอร์ตัวที่สอง ไม่มีสถานะที่แชร์กัน ไม่มีเซิร์ฟเวอร์ที่เป็นผู้กำหนดหลัก และไม่มีแนวคิดเรื่องผู้เข้าร่วมคนอื่น ถ้าขอให้มันรันผู้เล่นสี่คน คุณจะได้สี่โลกอิสระที่บังเอิญใช้พรอมต์เดียวกัน

640×480 เป็นการตัดสินใจด้านการออกแบบ ไม่ใช่รายงานบั๊ก

Agora 2 เรนเดอร์ที่ความละเอียด 640×480 และผู้รีวิวได้สังเกตเห็นการเบลอเป็นครั้งคราวบนวัตถุ จะเป็นเรื่องง่ายที่จะจัดสิ่งนั้นเป็นข้อบกพร่องเมื่อเทียบกับความสมจริงเหมือนภาพถ่ายที่ Genie 4 อ้างไว้ — เว้นแต่ว่า Genie 4 ไม่ได้เปิดเผยความละเอียดเลยแม้แต่ค่าเดียว

ความไม่สมมาตรนี้ควรค่าแก่การครุ่นคิด ทีมหนึ่งส่งมอบโลกความละเอียดต่ำและเผยแพร่ส่วนข้อจำกัด โดยยอมรับว่าอัตราเฟรมต่อเนื่อง ความหน่วงจากอินพุตถึงการแสดงผล คุณภาพภาพระยะยาว ความสอดคล้องระหว่างมุมมอง และความสอดคล้องกับการกระทำ ยังไม่ได้รับการประเมินเชิงปริมาณ อีกทีมส่งมอบคำกล่าวอ้างความสมจริงเสมือนภาพถ่าย หน้าต่างความต่อเนื่องสองนาที และไม่มีตัวเลขใด ๆ เมื่อฝ่ายหนึ่งวัดได้และอีกฝ่ายวัดไม่ได้ ฝ่ายที่วัดได้มักดูแย่กว่าและมักมีประโยชน์มากกว่า

สองการเดิมพันที่แตกต่างกันเกี่ยวกับว่าแบบจำลองโลกมีไว้เพื่ออะไร

Odyssey กำลังเดิมพันว่าปัญหาที่น่าสนใจคือปัญหาเชิงสังคมและแบบหลายเอเจนต์ กรอบแนวคิดของบริษัทชัดเจนว่า โลกจำลองที่ใช้ร่วมกันเป็นเวทีที่ปลอดภัยกว่าสำหรับการศึกษาว่าเอเจนต์จำนวนมากมีพฤติกรรมร่วมกันอย่างไร เมื่อเทียบกับการศึกษาในโลกจริง บริษัทได้อ้างถึงเหตุการณ์ที่ METR รายงาน ซึ่งเอเจนต์ราว 1,200 ตัวจัดระเบียบตนเองขึ้นมาเป็นแรงจูงใจ ภายใต้ข้อเสนอ那样 ความสมจริงเป็นเพียงเครื่องมือ และจำนวนผู้เข้าร่วมคือจุดหมาย เพราะปรากฏการณ์ที่ต้องการสังเกต เช่น การสมรู้ร่วมคิด การประสานงาน และการแบ่งบทบาทที่เกิดขึ้นเอง จะปรากฏเฉพาะในระดับขนาดใหญ่เท่านั้น

Google กำลังเดิมพันว่าปัญหาที่น่าสนใจคือปัญหาเกี่ยวกับการรับรู้และคำสั่งสอน ภายใต้สมมติฐานนั้น ผู้กำกับเพียงคนเดียวที่มีโลกที่สมจริงเหมือนภาพถ่าย มีเสียง และควบคุมทิศทางได้ คือผลลัพธ์ที่มีประโยชน์ ไม่ว่าผู้กำกับคนนั้นจะเป็นผู้สร้างภาพยนตร์ที่กำลังจัดฉากช็อต หรือทีมหุ่นยนต์ที่กำลังซ้อมงานก็ตาม เดโมที่สื่อความหมายชัดที่สุดของ Genie 4 ตรงกับแนวคิดนี้พอดี: Gemini 4 Argon แยกงานออกเป็นส่วนย่อย ซึ่ง Genie 4 จำลองแบบเรียลไทม์ให้กับหุ่นยนต์ฮิวแมนนอยด์ Apptronik Apollo ตัวแทนหนึ่ง โลกหนึ่ง ไม่ต้องมีคนหมู่มาก

เดิมพันทั้งสองทางอาจถูกต้องได้ แต่ไม่มีโมเดลเดียวที่รองรับทั้งคู่ได้ ซึ่งเป็นเหตุผลว่าทำไมกรอบคำถามแบบ "อันไหนดีกว่า" จึงใช้ไม่ได้

บิลค่าบริการที่ไม่มีใครใส่ไว้ในพาดหัวข่าว

มีรายงานว่า Agora 2 ใช้ GPU RTX PRO 4500 ประมาณสี่ตัวในการให้บริการเซสชันสำหรับผู้เล่นสี่คน โดยมีการฝึกโมเดลและการให้บริการบน AWS Trainium นั่นเป็นตัวเลขจริง และเป็นตัวเลขแบบที่ชี้ขาดว่าศึกษาเชิงทดลอง (research preview) จะกลายเป็นผลิตภัณฑ์ได้หรือไม่ การมีผู้เข้าร่วมยี่สิบคนในโลกหนึ่งนั้นต้นทุนฝั่งผู้เล่นถูก แต่ต้นทุนฝั่งซิลิคอนแพง เพราะสถานะที่ใช้ร่วมกันหมายความว่าเซิร์ฟเวอร์ต้องเป็นแหล่งอ้างอิงหลักสำหรับทุกคนพร้อมกัน

Genie 4 ยังไม่เปิดเผยค่าบริการ โดยเป็นพรีวิวเชิงวิจัยสำหรับผู้ทดสอบที่เชื่อถือได้ ซึ่งถัดไปจะเป็นผู้สมัครสมาชิก Google AI Ultra และพันธมิตร Gemini API ที่ได้รับการเข้าถึงก่อนใคร ไม่มีใครนอกกลุ่มผู้ทดสอบรู้ว่าการสร้างโลกหนึ่งนาทีมีต้นทุนการผลิตเท่าไร ซึ่งหมายความว่ายังไม่มีใครบอกได้ว่าตัวสาธิตที่น่าประทับใจนี้จะยังคงผ่านการทดสอบเมื่อเจอรายการราคาหรือไม่

แต่ละสิ่งเป็นหลักฐานสำหรับอะไรกันแน่

Agora 2 เป็นหลักฐานว่าแบบจำลองโลกสามารถเป็นฐานรองรับสำหรับการวิจัยแบบหลายเอเจนต์ได้ ไม่ใช่เพียงเทคนิคการเรนเดอร์ หากคำถามของคุณคือ “เกิดอะไรขึ้นเมื่อเอเจนต์จำนวนมากใช้สภาพแวดล้อมร่วมกัน” มันเป็นเพียงตัวเดียวในสองตัวที่มีสภาพแวดล้อมให้แชร์ และการที่มันเล่นได้ในเบราว์เซอร์ที่ agora.odyssey.ml ทำให้มันเข้าถึงได้ง่ายเป็นพิเศษสำหรับพรีวิวงานวิจัย

Genie 4 เป็นหลักฐานว่าเพดานการรับรู้ได้ขยับขึ้นแล้ว หากคำถามของคุณคือ “โลกที่สร้างขึ้นจะน่าเชื่อพอที่จะใช้วางแผนรับมือได้หรือไม่” คำตอบคือมันนำอยู่ และเสียงคือเหตุผล — เป็นครั้งแรกที่เวิลด์โมเดลสร้างฉากที่คุณยกให้ใครดูได้โดยไม่ต้องขอโทษเรื่องความเงียบ

สำหรับทีมที่สร้างโครงสร้างพื้นฐานสำหรับเอเจนต์มากกว่าที่จะสร้างโลก บทเรียนเชิงปฏิบัติจาก Agora 2 คือต้นทุนการประสานงานเป็นปัจจัยที่ครอบงำ เอเจนต์ 20 ตัวในโลกเดียวเป็นปัญหาการจัดเส้นทางก่อนที่จะเป็นปัญหาด้านกราฟิก: โมเดลใดรับผิดชอบนโยบายของเอเจนต์ตัวใด เกิดอะไรขึ้นเมื่อปลายทางหนึ่งหยุดชะงัก และทำอย่างไรให้การเรียกตรวจสอบที่มีต้นทุนต่ำยังคงมีต้นทุนต่ำ นั่นคือเลเยอร์ที่เราทำงานด้วย — API เดียวที่ครอบคลุมโมเดลกว่า 200 โมเดลพร้อมการสลับไปใช้ระบบสำรองอัตโนมัติ เพื่อให้การรันแบบหลายเอเจนต์ไม่ล้มเพราะผู้ให้บริการรายหนึ่งมีปัญหาชั่วคราว — และเป็นเลเยอร์ที่จะคงที่ ไม่ว่าคุณจะกำหนดโมเดลโลกใดเป็นมาตรฐานในที่สุด

คำถามที่ควรถามในเดือนตุลาคม 2026 ไม่ใช่ระหว่างสองสิ่งนี้ สิ่งไหนดีกว่า แต่คือเวิลด์โมเดลที่คุณต้องการนั้นเป็นสถานที่ที่เอเจนต์อื่นเข้าไปยืนได้ หรือเป็นช็อตที่คุณกำกับได้ Odyssey สร้างแบบแรก Google สร้างแบบที่สอง และทำให้มันเป็นสิ่งที่ดูดีที่สุดเท่าที่ใครเคยแสดงให้เห็น