เคยเจอไหม… AI ดูรูปแล้วตอบเร็วก็จริง แต่พอเป็น Detail เล็ก ๆ เช่น ป้ายไกล ๆ ตัวเลขเล็ก ๆ หรือจุดยิบย่อยในภาพ มันมักพลาด แล้วสุดท้ายก็เดา
27 มกราคม 2569 Google ปล่อยความสามารถใหม่ชื่อ Agentic Vision ใน Gemini 3 Flash ไอเดียมันง่ายมาก แต่โหดมากเปลี่ยนจากดูภาพครั้งเดียว แล้วตอบ → สืบจากภาพแบบเป็นขั้นตอน
Agentic Vision มันทำงานยังไง
- Think: อ่านโจทย์ + ดูภาพ แล้ววางแผนว่าจะต้องตรวจตรงไหน
- Act: เขียนและรัน Python เพื่อซูม / crop / rotate / annotate / คำนวณจากภาพ
- Observe: เอาภาพที่แก้/ซูมแล้วกลับมา “ดูใหม่” อีกรอบ ก่อนตอบจริง
จุดที่น่าสนใจสำหรับคนทำงานและนักธุรกิจ
- เพียงเปิด Code Execution แล้วคุณภาพงานด้านภาพดีขึ้น ประมาณ 5–10% (สม่ำเสมอในหลาย benchmark)
- โมเดลเริ่มทำสิ่งที่คนทำจริงเวลาตรวจงาน: ซูม → เช็ค → ขีดเส้น/ทำเครื่องหมาย → ค่อยสรุป
ข้อสรุป:
Agentic Vision ไม่ได้ทำให้ AI เก่งขึ้นแค่เรื่องดูรูป แต่มันทำให้ AI ทำงานแบบตรวจสอบได้ (verifiable) มากขึ้น จาก AI ที่ช่วยตอบ → AI ที่ช่วยตรวจ และมีหลักฐานให้ทีมเชื่อ
