IOSF: ปริทัศน์ต้นทุนของวิดีโอ AI – การสร้างถูกลงเรื่อยๆ แต่ทำไมวิดีโอสำเร็จรูปยังแพง?

PanewslabPanewslab

ระหว่างเกมที่ 3 ของรอบชิงชนะเลิศ NBA ในเดือนมิถุนายน 2025 Kalshi ได้ออกอากาศโฆษณาทางทีวีที่ภาพค่อนข้างยุ่งเหยิง: ชาวนาลอยอยู่ในสระที่เต็มไปด้วยไข่ มนุษย์ต่างดาวกำลังดื่มเบียร์ และชายคนหนึ่งห่มธงชาติอเมริกันตะโกนเรื่องรัฐอินเดียนา ผู้กำกับ PJ Accetturo ใช้ Veo 3 ของ Google สร้างโฆษณานี้ด้วยค่าใช้จ่ายประมาณ 2,000 ดอลลาร์สหรัฐ ตั้งแต่คิดคอนเซ็ปต์จนถึงออกอากาศใช้เวลาเพียงสามวัน ก่อนหน้านี้บริษัทผู้ผลิตเคยเสนอราคาให้ Kalshi ไว้ที่ "หกหลักถึงเจ็ดหลัก" เขาต้องสร้างภาพขึ้นมา 300 ถึง 400 ครั้ง จึงจะได้คลิปที่ใช้ได้ 15 คลิป

สิบเดือนต่อมา ในวันที่ 26 เมษายน OpenAI ได้ปิดแอป Sora ซึ่งเป็นฟีดวิดีโอที่สร้างโดย AI คล้าย TikTok TechCrunch อ้างอิงรายงานสืบสวนของ The Wall Street Journal ว่าแอปนี้มีค่าใช้จ่ายในการดำเนินงานประมาณ 1 ล้านดอลลาร์ต่อวัน และจำนวนผู้ใช้ลดลงจากจุดสูงสุดประมาณ 1 ล้านคนเหลือไม่ถึง 5 แสนคน API สำหรับนักพัฒนาของ Sora ก็ถูกปิดในเดือนกันยายนเช่นกัน ปัจจุบันไม่มีโมเดลวิดีโอใดเหลืออยู่ในรายการราคาสำหรับนักพัฒนาของ OpenAI

สองเหตุการณ์นี้สรุปสถานะของวิดีโอ AI ในปี 2026: การทำวิดีโอด้วย AI ถูกพอที่จะเปลี่ยนวิธีการผลิตโฆษณา แต่การดูวิดีโอ AI เพียงอย่างเดียวยังไม่กลายเป็นธุรกิจ

 

วิดีโอ AI เป็นธุรกิจจริงแล้ว: บริษัทที่เปิดเผยรายได้หลายแห่งมีรายได้รวมต่อปีประมาณ 2.3 พันล้านดอลลาร์สหรัฐ และลูกค้าที่พวกเขาระบุคือนักการตลาด ครีเอเตอร์ และองค์กร มันไม่ใช่ตลาดโมเดลภาษาขนาดใหญ่แบบย่อส่วน: ต้นทุนของวิดีโอหนึ่งนาทีสูงกว่าข้อความหนึ่งนาทีหลายพันเท่า และผู้ทำรายได้สูงสุดคือแอปพลิเคชัน ไม่ใช่ผู้ผลิตโมเดล อุตสาหกรรมแรกที่ได้รับผลกระทบคืออุตสาหกรรมที่ซื้อวิดีโอ "พอใช้ได้" เป็นจำนวนมาก: สต็อกฟุตเทจ โฆษณา การฝึกอบรม และละครสั้น เอฟเฟกต์ภาพสำหรับภาพยนตร์และโทรทัศน์ตามมา เกมและหุ่นยนต์อยู่ท้ายสุด เพราะต้องพึ่งพากฎฟิสิกส์ และโมเดลที่ดีที่สุดในปัจจุบันทำคะแนนในการทดสอบฟิสิกส์ได้ประมาณครึ่งหนึ่งของภาพจริง

อันดับรายได้: บริษัทที่เปิดเผยข้อมูลมีรายได้รวมต่อปีประมาณ 2.3 พันล้านดอลลาร์สหรัฐ

IOSF Research

ภาพ

มีบริษัทจำนวนไม่มากที่เปิดเผยรายได้ และเติบโตอย่างรวดเร็ว:

  • ARR ของ Higgsfield เพิ่มขึ้นจาก 200 ล้านดอลลาร์สหรัฐ ณ สิ้นปี 2025 เป็น 700 ล้านดอลลาร์สหรัฐในเดือนสิงหาคม 2026
  • โมเดลวิดีโอ Kling ของ Kuaishou มีรายได้ไตรมาสที่สองเกิน 118 ล้านดอลลาร์สหรัฐ เติบโตกว่า 2 เท่าเมื่อเทียบกับปีก่อน
  • fal เป็นเหมือน "ชั้นวางหนังสือ" สำหรับโมเดลวิดีโอและภาพ (แพลตฟอร์มรวมโมเดล) มี ARR ประมาณ 400 ล้านดอลลาร์สหรัฐในเดือนมีนาคม 2026 เพิ่มขึ้นสองเท่าจากเดือนตุลาคมปีก่อน
  • ARR ของ HeyGen ทะลุ 200 ล้านดอลลาร์สหรัฐในเดือนมิถุนายน
  • ARR ของ Runway ทะลุ 200 ล้านดอลลาร์สหรัฐในเดือนกันยายน

ตามการคำนวณของเรา รายได้ที่มองเห็นได้รวมกันประมาณ 2.3 พันล้านดอลลาร์สหรัฐต่อปี ส่วนหนึ่งเป็นรายได้จากภาพ และอีกส่วนหนึ่งถูกนับซ้ำ เนื่องจากแอปพลิเคชันก็ซื้อจาก fal ด้วย ตัวเลขนี้ยังไม่รวม Veo ของ Google, Seedance ของ ByteDance และห้องปฏิบัติการจีนอีกหลายแห่งที่ไม่ได้เปิดเผยรายได้จากวิดีโอแยกต่างหาก ความคลาดเคลื่อนมีทั้งสองทาง: รายได้จากภาพและการนับซ้ำทำให้ยอดรวมสูงเกินจริง ส่วนห้องปฏิบัติการที่ไม่นับรวมทำให้ยอดรวมต่ำเกินจริง ดังนั้น 2.3 พันล้านดอลลาร์สหรัฐจึงเป็นเพียงตัวเลขอ้างอิงขนาด ไม่ใช่ขนาดตลาดที่วัดได้

ต้นทุนการสร้างวิดีโอสูงกว่าหลายพันเท่า รายได้ส่วนใหญ่อยู่ที่ชั้นแอปพลิเคชัน

IOSF Research

ภาพ

วิดีโอ AI มักถูกอธิบายอย่างไม่เป็นทางการว่าเป็น "ตลาดโมเดลภาษาขนาดใหญ่ที่ตามหลังอยู่หลายปี" แต่ข้อมูลไม่สนับสนุนคำกล่าวนี้ เพราะความแตกต่างระหว่างการรันโมเดลภาษากับโมเดลภาพ/วิดีโอนั้นใหญ่มาก

พูดง่ายๆ คือ โมเดลภาษาเขียนเหมือนคนพิมพ์: ทีละคำ แต่ละคำเป็นการเดาเล็กๆ เกี่ยวกับคำถัดไป และคุณสามารถเริ่มอ่านได้ในขณะที่มันยังเขียนอยู่ โมเดลภาพหรือวิดีโอ更像สถาปนิก: มันเริ่มจากสัญญาณรบกวนแบบสุ่ม แล้วปรับแต่งภาพทั้งหมดซ้ำแล้วซ้ำเล่า โดยปกติ 20 ถึง 50 รอบ จนกว่าภาพที่ชัดเจนจะปรากฏ แต่ละรอบประมวลผลพิกเซลทั้งหมดพร้อมกัน และไม่มีอะไรใช้ได้จนกว่ารอบสุดท้ายจะเสร็จ วิดีโอทำให้ภาระงานเพิ่มขึ้นเป็นทวีคูณ: หนึ่งวินาทีมีประมาณ 24 เฟรม แต่ละเฟรมต้องสอดคล้องกับเฟรมก่อนหน้า ถ้วยต้องอยู่ที่เดิม ใบหน้าต้องเป็นใบหน้าเดิมตลอด ในขณะที่ข้อความหนึ่งชิ้นมีหน่วยย่อยเพียงไม่กี่ร้อยหน่วย นี่คือเหตุผลที่โมเดลโอเพนซอร์สที่ผ่านการทดสอบจริงต้องใช้เวลาประมวลผลชิปประมาณ 350 วินาทีต่อวิดีโอหนึ่งวินาที และเป็นเหตุผลที่ต้นทุนของวิดีโอหนึ่งนาทีสูงกว่าข้อความหนึ่งนาทีหลายพันเท่า

Anthropic บอกนักลงทุนว่ารายได้ต่อปีของบริษัทแตะ 65 พันล้านดอลลาร์สหรัฐ ณ สิ้นเดือนกรกฎาคม ส่วน OpenAI อยู่ที่ประมาณ 40 พันล้านดอลลาร์สหรัฐ รายได้ของห้องปฏิบัติการเพียงสองแห่งนี้คิดเป็นประมาณ 45 เท่าของรายได้รวมจากวิดีโอที่มองเห็นได้

**ในตลาดโมเดลภาษาขนาดใหญ่ รายได้ส่วนใหญ่ตกเป็นของห้องปฏิบัติการโมเดล แต่ในตลาดวิดีโอ ผู้ทำรายได้สูงสุดคือแอปพลิเคชัน** แอปพลิเคชันโมเดลภาษาที่ใหญ่ที่สุดคือเครื่องมือเขียนโปรแกรม Cursor ซึ่งมีรายงานรายได้ต่อปีประมาณ 4 พันล้านดอลลาร์สหรัฐในเดือนมิถุนายน คิดเป็นประมาณหนึ่งในสิบหกของ Anthropic ในตลาดวิดีโอ Higgsfield นำด้วยรายได้ 700 ล้านดอลลาร์สหรัฐ และแอปพลิเคชันที่ห่อหุ้มโมเดลของบริษัทอื่น (Higgsfield, HeyGen, Synthesia, Magnific) คิดเป็นมากกว่าครึ่งหนึ่งของรายได้รวมที่มองเห็นได้ ลูกค้าข้อความซื้อความฉลาดของโมเดลแล้วนำไปใช้โดยตรง ลูกค้าวิดีโอซื้อวิดีโอสำเร็จรูปสำหรับงานเฉพาะ ซึ่งต้องมีการตัดต่อ ความสม่ำเสมอ และเวิร์กโฟลว์ที่เกี่ยวข้อง แอปพลิเคชันถูกสร้างขึ้นมาเพื่อตอบสนองความต้องการเหล่านี้ จนกลายเป็นเวิร์กเบนช์วิดีโอ

ภาพหนึ่งภาพมีค่าเท่ากับคำพูดพันคำ

ภาพ

ณ วันที่ 22 ตุลาคม ราคาต่ำสุดที่บันทึกไว้ต่อนาทีของวิดีโออยู่ที่ประมาณ 3 ดอลลาร์สหรัฐ จากแพ็กเกจที่ถูกที่สุดของ Veo ซึ่งต่างจากแพ็กเกจสูงสุดประมาณ 7,600 เท่า

ยังมีความแตกต่างอีกหลายประการที่น่าสังเกต: โค้ดเป็นตลาดที่ใหญ่ที่สุดของโมเดลภาษาขนาดใหญ่และสามารถตรวจสอบได้โดยอัตโนมัติ ส่วนวิดีโอต้องใช้สายตามนุษย์ตัดสิน ซึ่งค่อนข้างเป็นอัตวิสัย ข้อความซื้อเป็นโทเค็น ส่วนวิดีโอซื้อเป็นคลิป ซึ่งสอดคล้องกับงบประมาณการผลิต

ใครเป็นคนจ่าย: หลักฐานสาธารณะทั้งหมดชี้ไปที่ลูกค้าองค์กร

IOSF Research

Higgsfield เรียกตัวเองว่าเป็นแพลตฟอร์ม "สำหรับครีเอเตอร์ นักการตลาด แบรนด์ เอเจนซี่ และบริษัทผู้ผลิต" และอ้างว่า "ให้การสนับสนุนการผลิตเนื้อหาภาพแก่บริษัท Fortune 500 จำนวน 390 แห่ง" (Higgsfield) HeyGen อ้างว่า 85% ของบริษัท Fortune 100 ใช้บริการ (HeyGen) ทั้งสองบริษัทไม่ได้แยกรายได้ตามการใช้งาน ดังนั้นจากข้อมูลสาธารณะเพียงอย่างเดียว จึงไม่สามารถทราบได้ว่ามีรายได้เท่าใดมาจากบุคคลที่ทำวิดีโอเพื่อความบันเทิง หลักฐานที่เปิดเผยทั้งหมดชี้ไปที่ผู้ซื้อที่เป็นองค์กร

เมื่อแบ่งผู้ซื้อละเอียดขึ้น โมเดลธุรกิจก็เริ่มแตกต่าง ผู้คนดูวิดีโอ AI จำนวนมาก แต่สิ่งที่พวกเขาจ่ายเงินซื้อแตกต่างกัน และความต้องการด้านคุณภาพก็ต่างกัน

  • แอปละครสั้น ขายเรื่องราวเป็นตอนๆ ดังนั้นคุณภาพจึงกำหนดว่าผู้ชมจะจ่ายต่อหรือไม่ ต้นทุนที่ใหญ่ที่สุดของพวกเขาคือการหาลูกค้า ไม่ใช่การผลิต: ตามการประมาณการของ Media Partners Asia แพลตฟอร์มละครสั้นที่ใหญ่ที่สุด ReelShort ใช้รายได้ 785 ล้านดอลลาร์สหรัฐในปี 2025 ไป 55% สำหรับการหาผู้ใช้และการตลาด (Indian Television) การตลาดกินรายได้ 55% ส่วนต้นทุนอื่นๆ ทั้งหมดรวมถึงการสร้างเนื้อหาต้องอยู่ใน 45% ที่เหลือ ดังนั้นโมเดลที่ถูกกว่าจึงบีบอัดได้เฉพาะส่วนที่เล็กกว่าของงบประมาณ โมเดลที่ดีกว่าส่งผลต่อส่วนที่ทำเงิน: ผู้ชมยินดีจ่ายต่อสำหรับตอนถัดไปหรือไม่ ReelShort ไม่ได้เปิดเผยค่าใช้จ่ายด้านการสร้างเนื้อหา ดังนั้นนี่คือการตีความโครงสร้างต้นทุนของเรา ไม่ใช่การแจกแจงที่วัดได้จริง
  • ผู้ชมค้นพบละครเหล่านี้ผ่านฟีดโซเชียล (การสำรวจของ Meta และ Ormax ระบุว่าสัดส่วนนี้คือ 89% ในกลุ่มผู้ชมชาวอินเดีย) และผู้ผลิตก็หันมาใช้ AI อย่างรวดเร็ว: ตามสถิติของ Owl & Co ประมาณสองในสามของละครสั้นแนวตั้งเรื่องใหม่นอกประเทศจีนในไตรมาสที่สามสร้างโดย AI เพิ่มขึ้นจากเพียง 3% ในไตรมาสแรก (The Hollywood Reporter)
  • แอปเพื่อน AI ขายความผูกพันทางอารมณ์ ไม่ใช่ภาพ ผู้ใช้กลับมาซ้ำเพราะความสัมพันธ์ ดังนั้นวิดีโอจึงต้อง "พอใช้ได้" เท่านั้น สิ่งสำคัญคือต้นทุนและความเร็ว เพราะผู้ใช้แต่ละคนต้องการวิดีโอจำนวนมาก

การผลิตถูกไม่ได้หมายความว่ามีคนดู: มูลค่าเปลี่ยนไปอยู่กับฝ่ายที่กำหนดการกระจายเนื้อหา

IOSF Research

อุตสาหกรรมเพลงมาถึงจุดนี้ก่อนแล้ว ตามข้อมูลของ Deezer ในวันพีคของเดือนมิถุนายน เพลงที่สร้างโดย AI ทั้งหมดมีสัดส่วนเกินครึ่งหนึ่งของการอัปโหลดใหม่ทั้งหมดบนแพลตฟอร์มสตรีมมิงนี้ และปัจจุบันมีเพลงใหม่เพิ่มขึ้นเกือบ 90,000 เพลงต่อวัน แต่เพลงเหล่านี้คิดเป็นเพียง 1% ถึง 3% ของยอดการเล่น

ภาพ

Deezer จะแยกเพลง AI ที่ตรวจพบออกจากคำแนะนำและเพลย์ลิสต์ ซึ่งทำให้ช่องว่างระหว่างยอดอัปโหลดและยอดการเล่นมองเห็นได้ชัดเจน รูปแบบนี้คือสิ่งที่นักเศรษฐศาสตร์ Herbert Simon อธิบายไว้ในปี 1971: เมื่อข้อมูลมีมากมาย ความสนใจจะกลายเป็นทรัพยากรที่หายาก เมื่อการผลิตแทบไม่มีค่าใช้จ่าย อุปทานจะล้นตลาด และมูลค่าจะย้ายไปอยู่กับฝ่ายที่กำหนดว่าเนื้อหาใดถูกมองเห็น นักวิจัยสองคนเรียกเกณฑ์คุณภาพที่ผู้ชมตั้งไว้สำหรับเนื้อหา AI ว่า "slop ceiling" (เพดานเนื้อหาคุณภาพต่ำ)

อุตสาหกรรมใดได้รับผลกระทบก่อน: สต็อกฟุตเทจและโฆษณามาก่อน เกมและหุ่นยนต์มาทีหลัง

IOSF Research

ภาพ

รายได้ 2.3 พันล้านดอลลาร์สหรัฐในปัจจุบันยังเล็กมากเมื่อเทียบกับค่าใช้จ่ายด้านวิดีโอที่มีอยู่ และเงินจะไม่ย้ายอย่างเท่าเทียมกัน จัดอันดับตามสัดส่วนของงานวิดีโอที่โมเดลปัจจุบันทำได้แล้ว:

  1. **สต็อกฟุตเทจและภาพ** คลิปที่สร้างขึ้นสามารถแทนที่เนื้อหาที่ได้รับอนุญาตได้โดยตรง Getty Images และ Shutterstock สองคลังภาพรายใหญ่มีรายได้รวมกันประมาณ 2 พันล้านดอลลาร์สหรัฐเมื่อปีที่แล้ว นี่คือแนวดิ่งที่ได้รับผลกระทบมากที่สุดในปัจจุบัน
  2. **โฆษณาและวิดีโอผลิตภัณฑ์** WPP Media คาดการณ์ว่ารายได้โฆษณาทั่วโลกปีนี้อยู่ที่ประมาณ 1.3 ล้านล้านดอลลาร์สหรัฐ มีเพียงส่วนน้อยเท่านั้นที่ใช้ในการผลิตโฆษณา แต่โฆษณาของ Kalshi แสดงให้เห็นว่าเมื่อต้นทุนการสร้างลดลง ค่าใช้จ่ายส่วนนี้จะบีบอัดได้มากเพียงใด ต้นทุนทางอ้อมจำนวนมากของการถ่ายทำจริงจะถูกตัดออก
  3. **วิดีโอฝึกอบรมและอธิบาย** ในปี 2025 สถาบันในสหรัฐฯ ใช้จ่ายด้านการฝึกอบรม 102.8 พันล้านดอลลาร์สหรัฐ (นิตยสาร Training) นี่คือตลาดของ HeyGen และ Synthesia วิดีโอที่ผู้บรรยายอ่านสคริปต์เป็นประเภทที่สร้างง่ายที่สุด
  4. **ละครสั้น** ในประเทศจีน รายได้จากละครสั้นขนาดเล็ก (ซีรีส์ที่ทำสำหรับมือถือ ตอนละหนึ่งถึงสองนาที) คาดว่าจะสูงถึง 9.4 พันล้านดอลลาร์สหรัฐในปี 2025 มากกว่ารายได้บ็อกซ์ออฟฟิศภาพยนตร์ทั่วประเทศ ผู้ผลิตเหล่านี้ยอมรับเนื้อหาคุณภาพระดับมือถือแล้ว และมีความต้องการสูงมาก
  5. **เอฟเฟกต์ภาพ** IMARC ประมาณการว่าตลาดนี้มีขนาดประมาณ 11 พันล้านดอลลาร์สหรัฐในปี 2025 (IMARC) แม้ว่าการประมาณการของแต่ละฝ่ายจะแตกต่างกันมาก ผู้ผลิตเริ่มใช้ช็อตที่สร้างขึ้นแล้ว (ดูด้านล่าง)
  6. **ภาพยนตร์และโทรทัศน์** Ampere Analysis ประมาณการว่าค่าใช้จ่ายด้านเนื้อหาทั่วโลกในปี 2026 อยู่ที่ 255 พันล้านดอลลาร์สหรัฐ AI เข้าสู่วงการนี้ทีละช็อต ไม่ใช่ทั้งเรื่อง
  7. **เกมและหุ่นยนต์** ตามการประมาณการของ Newzoo อุตสาหกรรมเกมมีรายได้ 201.6 พันล้านดอลลาร์สหรัฐในปี 2025 โมเดลวิดีโอจะมีบทบาทที่นี่ก็ต่อเมื่อเรียนรู้ที่จะจำลองโลก ซึ่งเป็นเนื้อหาในส่วนสุดท้ายของบทความนี้

AI เปลี่ยนต้นทุนการผลิตวิดีโออย่างไร: อัตราการได้คลิปที่ใช้ได้สำคัญพอๆ กับราคาต่อหน่วย

IOSF Research

ภาพ

ผลกระทบที่ชัดเจนที่สุดในปัจจุบันคือด้านต้นทุน นอกจากโฆษณาของ Kalshi แล้ว ภาพยนตร์แอนิเมชันเรื่องยาว Critterz ซึ่งได้รับการสนับสนุนจาก OpenAI มีงบประมาณไม่ถึง 30 ล้านดอลลาร์สหรัฐ และใช้เวลาผลิตเก้าเดือน ในขณะที่ภาพยนตร์แอนิเมชันขนาดใหญ่ทั่วไปต้องใช้ 100 ถึง 200 ล้านดอลลาร์สหรัฐและเวลาประมาณสามปี

ราคาป้ายลดลงตามแพ็กเกจ ไม่ใช่ลดลงทั้งหมด

ภาพ

**การลดต้นทุนรอบถัดไปปรากฏในงานวิจัยแล้ว** การศึกษาทดสอบจริงโดยนักวิจัยของ Hugging Face พบว่าโมเดลโอเพนซอร์สขนาดใหญ่ใช้เวลา 1,875 วินาทีในการสร้างคลิป 5.4 วินาทีบน GPU ระดับเรือธงหนึ่งตัว ซึ่งตามการคำนวณของเราเท่ากับเวลาประมวลผลประมาณ 350 วินาทีต่อวินาทีของวิดีโอ การกลั่น (distillation) มุ่งเป้าไปที่ปัญหานี้โดยตรง ทีมหนึ่งเพิ่มอัตราเฟรมต่อวินาทีของโมเดลโอเพนซอร์สขนาดเล็กได้ประมาณ 22 เท่า เร็วพอที่จะสตรีมแบบเรียลไทม์บนชิปตัวเดียว การลดต้นทุนครั้งใหญ่ที่แอปเพื่อนต้องการจะมาจากตรงนี้: สร้างที่ความละเอียดต่ำก่อน แล้วค่อยทำ super-resolution

**ราคาป้ายต่อวินาทีของวิดีโอเป็นเพียงส่วนหนึ่งของต้นทุน** ผู้กำกับโฆษณา Kalshi เก็บคลิปไว้เพียง 1 คลิปจากทุกๆ 20 ถึง 27 คลิปที่สร้าง ดังนั้นสำหรับเขา ต้นทุนของวิดีโอที่ใช้ได้หนึ่งวินาทีคือ 20 ถึง 27 เท่าของราคาป้าย นี่เป็นกรณีที่สูงกว่าปกติ บทสรุปของผู้ผลิตเครื่องมือวิดีโอรายหนึ่งจากผลงานอื่นๆ แสดงให้เห็นว่าซีรีส์แอนิเมชันความยาวสามนาทีเก็บคลิปไว้ 1 คลิปจากทุกๆ 4 คลิป (เก็บ 41 จาก 164 คลิป) ยังไม่มีใครเผยแพร่ข้อมูลอัตราการได้คลิปที่ใช้ได้ที่เก็บสถิติอย่างอิสระ **ความสม่ำเสมอส่งผลโดยตรงต่ออัตราการได้คลิปที่ใช้ได้** หากโมเดลทำให้ตัวละคร ผลิตภัณฑ์ หรือการเคลื่อนกล้องสม่ำเสมอในการสร้างหลายครั้ง จำนวนครั้งที่ต้องสร้างก็จะน้อยลง หากจำนวนครั้งลดลงครึ่งหนึ่ง ต้นทุนของวิดีโอที่ใช้ได้หนึ่งวินาทีก็ลดลงครึ่งหนึ่งเช่นกัน การลดราคาเพียงทำให้การสร้างแต่ละครั้งถูกลง

**การทดสอบของเรา: พรอมป์เดียวกัน สามโมเดล** เมื่อวันที่ 2 พฤศจิกายน เราส่งพรอมป์เดียวกันให้สามโมเดลผ่าน API ของ Runway: โทรศัพท์บนโต๊ะกระจกมีสายเข้า หน้าจอสว่างขึ้น สั่นและเคลื่อนไปทางขอบโต๊ะ ตกลงพื้นแล้วกระเด้งหนึ่งครั้งบนพื้นคอนกรีต แต่ละคลิปยาว 8 วินาที ความละเอียด 720p ไม่มีเสียง สร้างหนึ่งครั้งต่อโมเดล รวมค่าใช้จ่าย 4.80 ดอลลาร์สหรัฐ

ภาพ

▲ จากซ้ายไปขวา: Wan 3.0, Seedance 2.5, Veo 3.1

  • Wan 3.0 (0.80 ดอลลาร์สหรัฐ อันดับหนึ่งบนลีดเดอร์บอร์ด) ทำได้ดีที่สุด โทรศัพท์เคลื่อนไปข้างหน้า ตกลง และหยุดนิ่ง แม้ว่ากล้องจะเอียงลงตามมัน
  • Seedance 2.5 (2.40 ดอลลาร์สหรัฐ แพงที่สุดในสามตัว) เอฟเฟกต์การสั่นสมจริงที่สุด แต่ตัดไปที่ช็อตใหม่ก่อนตก และหน้าจอดับ
  • Veo 3.1 (เวอร์ชันไม่มีเสียง 1.60 ดอลลาร์สหรัฐ อันดับ 22 บนลีดเดอร์บอร์ด) ตอนเริ่มต้นโทรศัพท์ตั้งขึ้นแทนที่จะวางราบ และหลังจากตกพื้นก็กระเด้งหลายครั้งเหมือนยาง ข้อความบนหน้าจอชัดเจนที่สุดในสามตัว (เราติดตาม Veo อย่างต่อเนื่องเพราะ Google เปิดเผยประวัติราคาชัดเจนที่สุด ไม่ใช่เพราะมันนำหน้า ในด้านคุณภาพ ตอนนี้มันตามหลังโมเดลที่ถูกกว่า และการทดสอบของเราก็แสดงให้เห็นเช่นนั้น)

ไม่มีโมเดลใดทำตามพรอมป์ได้ครบถ้วน การสร้างแต่ละคลิปใช้เวลา 2 ถึง 4.5 นาที คิดเป็น 15 ถึง 34 เท่าของความยาวคลิป (การคำนวณของเรา) คลิปสามคลิปบอกอะไรได้ไม่มาก แต่ลำดับผลลัพธ์สอดคล้องกับลีดเดอร์บอร์ด ไม่ใช่ราคา

จุดเปลี่ยนถัดไป: ต้นทุนและความหน่วง

IOSF Research

โมเดลที่ถูกกว่าเป็นเส้นทางหนึ่ง อีกเส้นทางหนึ่งคือการเลียนแบบวิธีการผลิตที่มีอยู่แล้วในภาพยนตร์และแอนิเมชัน: หยาบก่อนแล้วค่อยละเอียด

ทำดราฟต์ต้นทุนต่ำก่อน แล้วเรนเดอร์ครั้งเดียวในตอนท้าย

นักแอนิเมเตอร์แก้ปัญหานี้เมื่อหลายสิบปีก่อน พวกเขาจะไม่เริ่มทำแอนิเมชันจนกว่าเรื่องราวจะลงตัว แต่จะวาดสตอรีบอร์ดก่อน แล้วทำเป็นตัวอย่างเคลื่อนไหวหยาบๆ ที่เรียกว่า animatic (สตอรีบอร์ดเคลื่อนไหว) วิดีโอ AI ก็ทำแบบนี้ได้ คลิปหยาบที่หนึ่งถึงสองเฟรมต่อวินาทีก็เพียงพอที่จะตัดสินเรื่องราวและช็อต คล้ายหนังสือการ์ตูน ช็อตที่ผ่านการคัดเลือกและเหมาะสมที่สุดจึงถูกส่งไปเรนเดอร์ด้วยโมเดลที่ดีที่สุด

นี่ก็แก้ปัญหาอัตราการได้คลิปที่ใช้ได้ที่กล่าวถึงข้างต้นด้วย หากผลลัพธ์ส่วนใหญ่ต้องทิ้ง ควรทิ้งตอนที่ยังถูกอยู่

ByteDance ได้ทำให้แนวทางนี้เป็นผลิตภัณฑ์แล้ว โหมด Draft (ดราฟต์) ของ Seedance 2.5 เปิดให้บริการบน fal ตั้งแต่วันที่ 30 ตุลาคม โดยสร้างพรีวิวความละเอียดต่ำอย่างรวดเร็วก่อน แล้วค่อยทำให้วิดีโอเดียวกันเสร็จเป็น Full HD เฉพาะคลิปที่เก็บไว้เท่านั้นที่จ่ายเต็มราคา ส่วนต่างสะสมอย่างรวดเร็ว (fal):

  • พรีวิว (480p): ประมาณ 0.22 ดอลลาร์สหรัฐต่อวินาที
  • Full HD (1080p): ประมาณ 1.16 ดอลลาร์สหรัฐต่อวินาที หรือประมาณ 5 เท่าของพรีวิว
  • การทำดราฟต์ให้เสร็จเป็นคลิปสมบูรณ์: fal ไม่ได้ระบุราคา ในการทดสอบของทีมเรา ต้นทุนต่ำกว่าการสร้างคลิป Full HD โดยตรง 6 ถึง 8 เท่า

ข้อแลกเปลี่ยนคือคุณภาพ คลิปที่เสร็จจากดราฟต์ดูนุ่มนวลกว่าเล็กน้อยเมื่อเทียบกับคลิป Full HD ที่สร้างโดยตรง แต่ก็แก้ไขเฟรมสุดท้ายที่แปลกประหลาดในพรีวิวได้ด้วย เมื่อขยายขนาด การประหยัดมีนัยสำคัญ หากเก็บคลิปไว้ 1 คลิปจากทุกๆ 25 คลิปที่สร้าง (อัตราการได้คลิปที่ใช้ได้ 4%) ต้นทุนของวิดีโอ Full HD หนึ่งชั่วโมงคือ:

  • สร้าง Full HD ทุกครั้ง: ประมาณ 105,000 ดอลลาร์สหรัฐ
  • ทำดราฟต์ก่อน แล้วค่อยทำคลิปที่เก็บไว้ให้เสร็จ: ประมาณ 20,000 ดอลลาร์สหรัฐ (การคำนวณของเรา)

เวิร์กโฟลว์แบบผสมผสานปรากฏขึ้นแล้ว

การทำดราฟต์ต้นทุนต่ำเป็นทางลัด อีกทางหนึ่งคือการผสมผสานเครื่องมือเก่าและใหม่ ครีเอเตอร์ในปัจจุบันจะสร้างฉากด้วยเรขาคณิตสีเทาในเครื่องมือออกแบบ 3 มิติ Blender ก่อน ใช้ GPT-6 Astra ของ OpenAI จัดวางวัตถุและมุมกล้อง แล้วแปลงเฟรมนิ่งหนึ่งเฟรมจากฉากให้เป็นเฟรมแรกที่สมจริง จากนั้นให้ Seedance 2.5 สร้างคลิปสมบูรณ์ (บทช่วยสอนของ Kapwing, Dreamina ของ ByteDance)

เครื่องมือทั้งสองชนิดชดเชยจุดอ่อนของกันและกัน การใช้ 3D เพียงอย่างเดียวทำให้สมจริงได้ช้าเกินไป การใช้วิดีโอ AI เพียงอย่างเดียวควบคุมได้ยาก เมื่อรวมกัน ดราฟต์ 3D กำหนดเลย์เอาต์และช็อต ส่วนโมเดลวิดีโอรับผิดชอบคุณภาพของภาพ

การสร้างแบบเรียลไทม์กำลังมาถึง

ขั้นตอนสุดท้ายคือความเร็ว วิดีโอที่เรนเดอร์ขณะรับชมไม่ใช่แค่การสาธิตในห้องปฏิบัติการอีกต่อไป:

  • Runway Characters (มีนาคม): โมเดลวิดีโอที่สนทนาแบบเรียลไทม์ได้ อิงจาก GWM-1 ของ Runway (Runway)
  • Runway Solaris (31 สิงหาคม): สิ่งที่ Runway เรียกว่า "Interface World Model" (โมเดลโลกอินเทอร์เฟซ) ตัวแรก (Crypto Briefing)
  • Decart (พฤษภาคม): แปลงสตรีมวิดีโอเรียลไทม์เป็นฉากที่สร้างขึ้นแบบเรียลไทม์ ระดมทุน 300 ล้านดอลลาร์สหรัฐที่มูลค่าประมาณ 4 พันล้านดอลลาร์สหรัฐ (bne IntelliNews)
  • อวตารของ Zoom: แทนที่ภาพจากกล้องด้วยอวตารที่สมจริง และเลียนแบบการแสดงออกของคุณขณะพูด ความพร้อมใช้งานขึ้นอยู่กับแพ็กเกจและภูมิภาค (Zoom)

เมื่อการสร้างวิดีโอเร็วพอสำหรับการโทรแบบเรียลไทม์ ปัญหาที่แอปเพื่อนต้องเผชิญก็เปลี่ยนไป: ไม่ใช่ต้นทุนต่อนาทีอีกต่อไป แต่เป็นว่าเฟรมถัดไปจะมาถึงเร็วแค่ไหน

นอกเหนือจากการตลาด: ในภาพยนตร์ โทรทัศน์ และเอฟเฟกต์ภาพ AI ทำช็อตเอฟเฟกต์ได้ แต่ยังทำโปรเจกต์ยาวไม่ได้

IOSF Research

ภาพ

ฮอลลีวูดกำลังทดสอบว่าวิดีโอ AI จะออกจากวงการโฆษณาได้หรือไม่

จนถึงตอนนี้ ผู้ผลิตใช้มันในสองวิธีหลัก: หนึ่งคือสร้างช็อตที่งบประมาณเดิมไม่ครอบคลุม สองคืออนุญาตให้ใช้ตัวละครของตนและรับรายได้เมื่อผู้อื่นใช้

หนึ่ง สร้างช็อตที่ไม่สามารถจ่ายได้แต่เดิม

ซีรีส์สองเรื่องล่าสุดใช้ AI ทำฉากที่เดิมจะถูกตัดออก:

  • The Eternaut ของ Netflix: ซีรีส์อาร์เจนตินาเรื่องนี้ใช้ generative video ทำฉากอาคารถล่ม Ted Sarandos ซีอีโอร่วมกล่าวว่าช็อตนี้เสร็จเร็วกว่าเอฟเฟกต์แบบดั้งเดิมสิบเท่า และการทำด้วยวิธีดั้งเดิม "เป็นไปไม่ได้เลย" ภายใต้งบประมาณของซีรีส์เรื่องนี้
  • House of David ของ Amazon: ซีรีส์แนวนิยายอิงพระคัมภีร์เรื่องนี้ใช้ภาพที่สร้างโดย AI 350 ถึง 400 ภาพในซีซันที่สอง เทียบกับประมาณ 70 ภาพในซีซันแรก (TheWrap) ผู้อำนวยการสร้าง (showrunner) กล่าวว่าหากไม่มี AI เขาไม่สามารถจ่ายฉากสงครามเหล่านั้นได้

ผู้ผลิตรายอื่นไปไกลกว่านั้นด้วยการร่วมมือกับผู้ผลิตโมเดลโดยตรง Lionsgate เข้าถือหุ้นใน Runway ในเดือนมิถุนายน (สัดส่วนไม่เปิดเผย) และวางแผนสร้างซีรีส์สั้นจากคลังภาพยนตร์ของตน (Runway) AMC Networks ก็เซ็นสัญญากับ Runway เช่นกัน (Hollywood Reporter)

สอง รับรายได้จากการอนุญาตใช้ตัวละคร

การแย่งชิงที่ใหญ่กว่าคือเรื่องความเป็นเจ้าของตัวละคร แนวทางของ Disney สะท้อนทั้งสองด้าน:

  • มิถุนายน 2025: Disney และ Universal ฟ้อง Midjourney ในข้อหาละเมิดลิขสิทธิ์
  • ธันวาคม 2025: Disney ตกลงลงทุน 1 พันล้านดอลลาร์สหรัฐใน OpenAI และอนุญาตให้ Sora ใช้ตัวละครมากกว่า 200 ตัว (Disney)
  • หลัง Sora ปิดตัว: ข้อตกลงสิ้นสุดลง Disney ระบุว่าจะหาพันธมิตร AI รายอื่น (Blooloop)

ข้อสรุปง่ายๆ คือ ผู้ผลิตต้องการได้รับค่าตอบแทนเมื่อตัวละครของตนถูกใช้ และจะฟ้องร้องผู้ที่ใช้โดยไม่จ่ายเงิน

ผู้ถือลิขสิทธิ์ในญี่ปุ่นไปไกลที่สุด โดยเปลี่ยนจากการต่อต้าน AI เป็นการอนุญาตให้ AI ใช้ เหตุผลคือเงิน อนิเมะญี่ปุ่นขายดีในต่างประเทศ แต่บริษัทผู้ผลิตหลายแห่งประสบปัญหาทางการเงิน:

  • ตามสถิติเบื้องต้นของสมาคมแอนิเมชันญี่ปุ่น รายได้จากต่างประเทศในปี 2024 อยู่ที่ 2.17 ล้านล้านเยน มากกว่ารายได้ในประเทศ (gamebiz)
  • ในปี 2025 บริษัทผู้ผลิตแอนิเมชัน 34.6% ขาดทุน (Teikoku Databank ผ่าน GameBusiness)

ในเดือนตุลาคม 2025 CODA องค์กรที่เป็นตัวแทนผู้ถือลิขสิทธิ์ญี่ปุ่น เรียกร้องให้ OpenAI หยุดใช้ผลงานของสมาชิกในการฝึก Sora 2 โดยไม่ได้รับอนุญาต (Automaton)

ไม่ถึงหนึ่งปี ท่าทีก็เปลี่ยนไป เมื่อวันที่ 11 กันยายน ห้องปฏิบัติการ AI จีน MiniMax และบริษัทญี่ปุ่น KAGAMIAI เปิดตัว H3 IP Edition ในโตเกียว ครีเอเตอร์สามารถใช้มันสร้างวิดีโอกับตัวละครญี่ปุ่นที่ได้รับอนุญาต โดยแต่ละตัวละครมาพร้อมเนื้อหาที่ผ่านการอนุมัติ กฎการใช้งาน เงื่อนไขเชิงพาณิชย์ และการรายงานการใช้งานกลับไปยังผู้ถือลิขสิทธิ์ MiniMax กล่าวว่ามีบริษัทมากกว่า 60 แห่งแสดงความสนใจ (MiniMax)

ก่อนหน้านี้ KAGAMIAI เคยทำโครงการนำร่องกับ Captain Tsubasa โดยใช้โมเดลวิดีโอจีนอีกตัวคือ PixVerse ผลลัพธ์แสดงให้เห็นว่าความต้องการอาจมีมากเพียงใด (แหล่งที่มาเดียวกับหน้า MiniMax ข้างต้น):

  • ครีเอเตอร์ประมาณ 126,000 คน
  • สร้างผลงานประมาณ 330,000 ชิ้นใน 45 วัน
  • กิจกรรมมากกว่า 99% มาจากนอกประเทศญี่ปุ่น

การอนุญาตให้แฟนสร้างสรรค์ผลงานอาจกลายเป็นตลาดผู้บริโภคขนาดใหญ่ตลาดแรกที่ผู้ถือลิขสิทธิ์ตัวละครได้รับรายได้จากวิดีโอ AI

กฎคือ: AI ทำเอฟเฟกต์ได้ แต่ทำโปรเจกต์ยาวไม่ได้

ในกรณีทั้งหมดข้างต้น AI จัดการช็อตที่ซีรีส์งบประมาณปานกลางไม่สามารถจ่ายได้แต่เดิม: ภาพมุมกว้าง ฝูงชน ฉากทำลายล้าง และสภาพแวดล้อมของฉาก การผลิตส่วนที่เหลือยังคงทำโดยมนุษย์ คอมพิวเตอร์กราฟิกเข้าสู่วงการภาพยนตร์ในลักษณะเดียวกัน คือแพร่หลายทีละเอฟเฟกต์ นานก่อนที่ Toy Story ในปี 1995 จะพิสูจน์ว่าภาพยนตร์ยาวทั้งเรื่องสามารถทำด้วยมันได้

ผลการทดสอบหนึ่งก็ชี้ไปในทิศทางเดียวกัน ในการทดสอบเกณฑ์มาตรฐานฟิสิกส์ที่จะแนะนำด้านล่าง คะแนนของโมเดล Odyssey-3 Pro ขึ้นอยู่กับจุดเริ่มต้น:

  • ต่อเนื่องจากภาพจริง: 63 คะแนน สร้างครั้งเดียว
  • เริ่มจากภาพนิ่งหนึ่งภาพ: 50 คะแนน

วิดีโอ AI ทำงานได้ดีกว่าเมื่อมีเนื้อหาจริงเป็นพื้นฐาน ซึ่งเป็นสถานการณ์ของงานเอฟเฟกต์: ช็อตที่สร้างขึ้นแต่ละช็อตฝังอยู่ในภาพจริง การทดสอบนี้ไม่ได้วัดความยาว ยังไม่มีใครเผยแพร่การทดสอบว่าโมเดลสามารถรักษาความสม่ำเสมอข้ามหลายช็อตได้หรือไม่ และการทดสอบนั้นเท่านั้นที่จะอธิบายได้ว่าทำไมโปรเจกต์ยาวยังทำไม่ได้

จะมีห้องปฏิบัติการเฉพาะทางเกิดขึ้นไหม? เกิดขึ้นแล้ว บริษัทวิดีโอกำลังแยกออกเป็นสามประเภท

IOSF Research

ห้องปฏิบัติการเฉพาะทางเกิดขึ้นแล้ว บริษัทวิดีโอสามประเภทกำลังแยกตัว:

**ยักษ์ใหญ่ทั่วไป** Google (Veo), ByteDance (Seedance) และ Kuaishou (Kling) มีพลังประมวลผลและข้อมูลมากที่สุด พวกเขาแข่งขันกันด้านคุณภาพและราคา แอปพลิเคชันส่วนใหญ่ขายต่อโมเดลของพวกเขา

**ห้องปฏิบัติการสไตล์สตูดิโอ** Runway ซึ่งปัจจุบันมี Lionsgate ถือหุ้น กำลังพัฒนาผลิตภัณฑ์สำหรับภาพยนตร์และโทรทัศน์ Moonvalley ฝึกโมเดล Marey ด้วยภาพที่ได้รับอนุญาตเท่านั้น ระดมทุนได้ 154 ล้านดอลลาร์สหรัฐ ณ เดือนกรกฎาคม 2025 และแผนกผลิต Asteria ใช้โมเดลนี้สร้างภาพยนตร์ ห้องปฏิบัติการประเภทนี้เสนอสามสิ่งที่ยักษ์ใหญ่ให้ได้ยากกว่า: ข้อมูลฝึกที่ยอมรับได้สำหรับวิธีการผลิต ควบคุมอย่างละเอียดทุกเฟรม และเครื่องมือที่เชื่อมต่อกับเวิร์กโฟลว์เอฟเฟกต์ที่มีอยู่

**ชั้นแอปพลิเคชัน** Higgsfield, HeyGen และ Magnific ห่อหุ้มโมเดลของห้องปฏิบัติการอื่นแล้วขายให้ลูกค้าเฉพาะกลุ่ม

**ห้องปฏิบัติการใหม่และทิศทางที่พวกเขาเดิมพัน** การลงทุนขนาดใหญ่ที่สุดที่เราพบในปี 2026 ล้วนไหลไปยังห้องปฏิบัติการที่พัฒนาโมเดลเชิงโต้ตอบหรือโมเดลโลก: เงินทุนรอบ seed 1.03 พันล้านดอลลาร์สหรัฐของ AMI Labs, การระดมทุน 315 ล้านดอลลาร์สหรัฐของ Runway (Runway กล่าวว่าจะใช้สำหรับโมเดลโลก) และการเข้าซื้อ World Labs ของ AMD ด้วยมูลค่า 8.2 พันล้านดอลลาร์สหรัฐ เราไม่ได้รวบรวมเงินทุนทั้งหมดในภาควิดีโอตลอดทั้งปี ตารางด้านล่างผสมรอบระดมทุน การเข้าซื้อหนึ่งรายการ และการอัปเดตผลิตภัณฑ์:

ความก้าวหน้าที่มีแนวโน้มมากที่สุดใน 12 เดือนข้างหน้าก็มาจากตารางนี้: การสร้างวิดีโอที่เรียลไทม์พอสำหรับการโทรและเกม โลกที่โต้ตอบได้แทนที่จะเป็นคลิปตายตัว และการสร้างตัวละครที่ได้รับอนุญาตในระดับขนาดใหญ่

**ในวงการภาพยนตร์และเอฟเฟกต์ ห้องปฏิบัติการสไตล์สตูดิโอมีแนวโน้มชนะมากที่สุด** ผู้ผลิตไม่สามารถรับความเสี่ยงด้านคดีความสำหรับช็อตสำคัญ (hero shot) ได้ ต้องถ่ายทอดเจตนาของผู้กำกับอย่างแม่นยำ และต้องทำงานร่วมกับทีมงานสหภาพแรงงาน ผู้ผลิตทั่วไปที่เสนอเพียงโมเดลดิบที่แข็งแกร่งที่สุดทำได้แค่แข่งขันด้านราคา

โอกาสที่ใหญ่กว่าคือโลก ไม่ใช่คลิป

IOSF Research

ในรอบของการพัฒนาความฉลาดนี้ ตลาดที่ใหญ่ที่สุดของโมเดลวิดีโอในที่สุดอาจไม่ใช่วิดีโอเลย โมเดลที่ทำนายเฟรมถัดไปของฉากได้อาจกำลังเรียนรู้ว่าโลกเคลื่อนไหวอย่างไร ซึ่งจะเป็นประโยชน์ต่อเกมและหุ่นยนต์

Runway เปิดตัว GWM-1 ในเดือนธันวาคม 2025 โดยเรียกว่าโมเดลโลกทั่วไป มีสามเวอร์ชัน: โลกที่สำรวจได้ อวตารที่สนทนาได้ และโมเดลหุ่นยนต์สำหรับทำนายว่ากล้องจะเห็นอะไรหลังจากการกระทำแต่ละครั้งของหุ่นยนต์ มันสร้างภาพแบบเรียลไทม์ที่ 720p นานสูงสุดสองนาที เมื่อ Runway ระดมทุน 315 ล้านดอลลาร์สหรัฐที่มูลค่า 5.3 พันล้านดอลลาร์สหรัฐในเดือนกุมภาพันธ์ บริษัทกล่าวว่าเงินนี้จะใช้พัฒนาโมเดลโลกที่ทรงพลังยิ่งขึ้น

เพลโตอธิบายการเดิมพันนี้เป็นครั้งแรกในอุปมานิทัศน์ถ้ำจาก The Republic

นักโทษมองเห็นเพียงเงาบนผนัง พวกเขามอบเกียรติให้แก่ผู้ที่ "สังเกตเงาที่ผ่านไปได้เฉียบคมที่สุด" และบอกได้ดีที่สุดว่าเงาใดจะปรากฏถัดไป โมเดลวิดีโอคือผู้ทำนายเงาที่ได้รับรางวัล แต่ไม่เคยเห็นวัตถุที่ทอดเงา มุมมองของเพลโตคือทักษะนี้ไม่ใช่ความรู้ สำหรับโมเดลวิดีโอ คำถามคือการทำนายเฟรมถัดไปหมายถึงการเข้าใจว่าโลกเคลื่อนไหวอย่างไรหรือไม่ Physics-IQ เป็นวิธีหนึ่งในการทดสอบสิ่งนี้

ภาพ

Physics-IQ เป็นเกณฑ์มาตรฐานที่ Google DeepMind ดูแล: ให้โมเดลดูจุดเริ่มต้นของเหตุการณ์ฟิสิกส์จริง แล้วประเมินว่าภาพต่อเนื่องที่โมเดลสร้างขึ้นใกล้เคียงกับความเป็นจริงเพียงใด คะแนน 100 หมายถึงใกล้เคียงพอๆ กับการถ่ายทำจริงอีกครั้ง ตามคะแนนดิบ โมเดล image-to-video เดี่ยวที่ดีที่สุดพัฒนาจาก 23 คะแนนในเดือนกุมภาพันธ์ 2025 เป็น 44 คะแนนในเดือนพฤษภาคมปีนี้ บนลีดเดอร์บอร์ดที่ให้คะแนนใหม่ โมเดล image-to-video เดี่ยวอันดับหนึ่งได้ 51 คะแนน ในขณะที่ Veo 3.1 Fast ของ Google (30 คะแนน) อยู่ในระดับเดียวกับโมเดลโอเพนซอร์สปี 2024 (32 คะแนน) ข้อค้นพบของบทความวิจัยคือ: ความเข้าใจฟิสิกส์ไม่เกี่ยวข้องกับว่าคลิปดูสมจริงหรือไม่

**การดูสมจริงแก้ได้เกือบหมดแล้ว แต่การแสดงออกอย่างสมจริงยังไม่** ในการทดสอบนี้ โมเดลที่ดีที่สุดยังอยู่ประมาณครึ่งทางระหว่าง 0 คะแนนกับการถ่ายทำจริงอีกครั้ง เนื่องจากความสมจริงของภาพและประสิทธิภาพทางฟิสิกส์พิสูจน์แล้วว่าไม่สัมพันธ์กัน ภาพที่สวยขึ้นจึงไม่ทำให้ช่องว่างนี้แคบลงโดยอัตโนมัติ

หากคะแนนนี้เข้าใกล้ 100 ห้องปฏิบัติการวิดีโอจะกลายเป็นบริษัทจำลองสถานการณ์ ขายผลิตภัณฑ์ให้สตูดิโอเกมและผู้ผลิตหุ่นยนต์ ในตลาดนี้ ความได้เปรียบจากการเป็นผู้บุกเบิกในภาควิดีโอจะสำคัญมาก

บทสรุป: ตัวเลขสามตัวกำหนดทิศทางของอุตสาหกรรมนี้

IOSF Research

คำถามส่วนใหญ่ที่บทความนี้ทิ้งไว้สามารถตอบได้ด้วยตัวเลขสามตัว:

**ผลลัพธ์ที่สร้างขึ้นถูกนำไปใช้กี่เปอร์เซ็นต์?** ข้อมูลเดียวที่เรามีในปัจจุบันคือ: โฆษณา Kalshi อยู่ที่ 4% ถึง 5% และซีรีส์แอนิเมชันหนึ่งเรื่องอยู่ที่ 25% โดยส่วนตัวแล้ว ฉันคิดว่าความสม่ำเสมอจะส่งผลต่อตัวเลขนี้มากกว่าคุณภาพของภาพดิบ และห้องปฏิบัติการก็จะพัฒนาไปในทิศทางนี้: สร้างสภาพแวดล้อมการสร้างที่จัดการความสม่ำเสมอและรองรับบริบทจำนวนมาก แทนที่จะมุ่งเน้นการสร้างครั้งเดียวที่ยอดเยี่ยม

**วิดีโอสำเร็จรูปหนึ่งชั่วโมงมีต้นทุนเท่าไรกันแน่?** หารราคาป้ายด้วยอัตราการเก็บคลิป ตามราคาปัจจุบัน ต้นทุนของวิดีโอหนึ่งชั่วโมงเดียวกันอาจเป็น:

  • Veo 3.1 Lite (ราคาเดิม): 720 ถึง 4,500 ดอลลาร์สหรัฐ
  • Seedance 2.5 Full HD: 16,800 ถึง 105,000 ดอลลาร์สหรัฐ
    ตามสูตรนี้ การเพิ่มอัตราการได้คลิปที่ใช้ได้เป็นสองเท่าและการลดราคาลงครึ่งหนึ่งมีผลลดต้นทุนเท่ากัน ข้อแตกต่างคือแต่ละอย่างเหลือช่องว่างอีกเท่าใด ด้วยอัตราการได้คลิปที่ใช้ได้ปัจจุบันที่ 4% ถึง 25% โมเดลที่ทำให้การสร้างทุกครั้งใช้ได้จะลดต้นทุนได้ 4 ถึง 25 เท่า ราคาลดลงมาแล้ว และการลดลงไม่เท่ากันในแต่ละแพ็กเกจ **เราตัดสินว่าอัตราการได้คลิปที่ใช้ได้จะเป็นคันโยกที่ใหญ่กว่าในสองปีข้างหน้า** หากข้อมูลอัตราการได้คลิปที่ใช้ได้ชุดถัดไปที่เปิดเผยยังอยู่ที่ประมาณ 4% และราคายังลดลงต่อเนื่อง การตัดสินนี้ก็ผิด
  1. **ประสิทธิภาพทางฟิสิกส์ยืนหยัดได้หรือไม่?** Physics-IQ เป็นการทดสอบสาธารณะเพียงรายการเดียวที่ตรวจสอบว่าการเคลื่อนไหวของโมเดลสอดคล้องกับโลกจริงหรือไม่ โมเดลที่ดีที่สุดได้คะแนนประมาณครึ่งหนึ่งของภาพจริง ในสถานการณ์ที่โมเดลมีภาพจริงเป็นพื้นฐาน ช่องว่างจะแคบลงก่อน

สองปีก่อน คำถามคือวิดีโอ AI จะดูดีพอหรือไม่ คำถามนี้มีคำตอบแล้วโดยพื้นฐาน: โฆษณา Kalshi ออกอากาศระหว่างรอบชิงชนะเลิศ NBA และ Netflix ก็ใช้ภาพที่สร้างขึ้นในซีรีส์ที่ออกอากาศจริง

สิ่งที่ยังค้างคาอยู่ตอนนี้คือเรื่องเงินและการควบคุม:

  • ใครได้เงิน? ผู้ผลิตต้องการส่วนแบ่งเมื่อตัวละครของตนปรากฏ หรือสร้างกลไกคล้ายค่าลิขสิทธิ์ การอนุญาตให้แฟนสร้างสรรค์ผลงานจากตัวละคร บุคคล หรือไอดอลอาจเติบโตอย่างมาก
  • ความเป็นไปได้ใหม่อะไรจะเกิดขึ้น? หากช่องว่างทางฟิสิกส์แคบลง โมเดลวิดีโอจะไม่ใช่เครื่องสร้างคลิปอีกต่อไป แต่จะกลายเป็นเครื่องจำลองสถานการณ์ การตัดสินของเรา: จุดตัดแรกที่เกิดความต้องการแบบชำระเงินคือการฝึกหุ่นยนต์ ซึ่งโมเดลต่อเนื่องจากภาพกล้องจริง นี่คือสถานการณ์ที่ได้คะแนนสูงสุดในปัจจุบัน (63 คะแนน เทียบกับ 50 คะแนน) และ GWM-1 ของ Runway ก็ขายผลิตภัณฑ์ประเภทนี้อยู่แล้ว เกมจะมาทีหลัง เพราะเกมต้องการให้โมเดลเริ่มจากศูนย์และรักษาความสม่ำเสมอเป็นเวลาหลายชั่วโมง ภายในปี 2027 เราคาดว่าตลาดเครื่องจำลองสถานการณ์จะยังเล็กกว่าตลาดโฆษณาและการผลิตที่มันพัฒนามาจาก หากก่อนหน้านั้นมีสตูดิโอเกมเปิดตัวผลงานที่อิงจาก generative world model การตัดสินนี้ก็ผิด

เนื้อหานี้จัดทำขึ้นโดยมีวัตถุประสงค์เพื่อแจ้งข้อมูลและให้ความรู้เท่านั้น และไม่ถือว่าเป็นคำแนะนำด้านการลงทุนที่เกี่ยวข้องกับ BTCC แต่อย่างใด BTCC ใช้ความพยายามอย่างเต็มที่ แต่ไม่สามารถรับประกันความจริงแท้ ความถูกต้อง หรือความเป็นต้นฉบับของเนื้อหาข้างต้นได้