แนวคิดของ Code-as-World น่าสนใจเพราะมันไม่พยายามทำนายวิดีโอให้เหมือนภาพจริงอย่างเดียว แต่พยายามสร้าง “โลกที่รันได้” จากวิดีโอจริงแทน ถ้าทำได้จริง นี่คือการเปลี่ยนข้อมูลภาพจากหลักฐานเฉย ๆ ให้กลายเป็นโปรแกรมที่จำลองฟิสิกส์ ตรวจสอบ และแก้ไขต่อได้
แก่นของแนวคิดคือ pixels ไม่ใช่ตัวตนของโลก
ทีม MirroS วางข้อเสนอว่า pixel เป็นแค่หลักฐานของฉาก ไม่ใช่ ontology ของมัน
ดังนั้นแทนที่จะเก็บโลกไว้เป็นภาพหรือคำบรรยาย ระบบนี้แทนฉากเป็น executable code หรือ scene.json ที่รันใน MuJoCo ได้
จุดนี้ทำให้โลกจำลองไม่ได้เป็นแค่ภาพสวย แต่กลายเป็นสิ่งที่ agent ตรวจสอบต่อได้ ว่าแรง มวล การชน และแรงโน้มถ่วงทำงานสอดคล้องกับวิดีโอต้นทางหรือไม่
ลูปแบบ agentic discovery
Code-as-World ไม่ได้แปลงวิดีโอเป็นโลกทีเดียวจบ แต่ใช้วงจร propose -> instantiate -> execute -> render -> verify
ลูปนี้วนได้สูงสุด 5 รอบ เพื่อปรับโปรแกรมโลกทีละขั้น จนกว่าจะผ่านการตรวจสอบ
ในแต่ละรอบ ระบบใช้เครื่องมืออย่าง SAM 3, VGGT-Omega 以及 SAM 3D เพื่อช่วยหา instance, track, depth และ mesh ของวัตถุ ก่อนจะ render กลับมาเทียบกับวิดีโอต้นฉบับ
ผลลัพธ์เชิงตัวเลข
รายงานระบุว่า Code-as-World-VL-9B ได้คะแนน 55.4 MRA บน QuantiPhy-validation
ตัวเลขนี้สูงกว่า Gemini-3.1 Flash ที่ 54.8 และสูงกว่าฐาน open-weight ที่ดีที่สุดราว 15 คะแนน
ใน ablation ยังพบว่าโมเดลที่ใช้เฉพาะ image-space ได้ 44.2 ในรุ่น 4B 以及 50.9 ในรุ่น 9B แต่เมื่อเพิ่ม world-space sources คะแนนขยับขึ้นเป็น 50.6 以及 55.4
ทำไมเรื่องนี้สำคัญกับหุ่นยนต์
ถ้าโลกจริงถูกแปลงเป็นโปรแกรมที่ตรวจสอบได้ ข้อมูลที่ได้จะไม่ใช่แค่วิดีโออีกต่อไป แต่เป็นโลกจำลองที่มี label เชิงฟิสิกส์ชัดเจน
นี่ช่วยให้โมเดลหุ่นยนต์เรียนรู้จากข้อมูลที่มีความหมายด้านแรง การชน และการเคลื่อนที่มากกว่าการเดาจาก pixel sequence อย่างเดียว
ในเชิงวิศวกรรม มันคือทางหนึ่งที่จะทำให้ data pipeline ของ robotics ไม่ต้องพึ่ง annotation แบบแรงงานคนอย่างเดียว
ข้อควรระวัง: ยังเป็นงานวิจัยและ internal prototype
แม้ตัวเลขจะน่าสนใจ แต่ต้องอ่านอย่างระวัง
อย่างแรก ระบบนี้ยังอยู่ในระดับ research และ internal prototype ไม่ใช่เครื่องมือพร้อมใช้งานทั่วไป
อย่างที่สอง การ recover โลกจากวิดีโอเป็นปัญหา inverse problem ที่ยากมาก โดยเฉพาะเมื่อวิดีโอมีการบังกัน แสงเปลี่ยน หรือวัตถุเคลื่อนไหวเร็ว
อย่างที่สาม การทำให้ world representation ถูกต้องเชิงฟิสิกส์ไม่ได้รับประกันว่าใช้ได้กับทุกโดเมนหรือทุกหุ่นยนต์
มุมมองเชิงปฏิบัติสำหรับไทย
Code-as-World น่าสนใจสำหรับไทยเพราะมันเปลี่ยนวิดีโอจาก “หลักฐานที่ดูย้อนหลังได้” ให้เป็น “ทรัพยากรวิศวกรรม” ที่เอาไปสร้างโลกจำลองต่อได้ ถ้าแนวทางนี้ mature ขึ้นจริง บริษัทไทยจะได้ประโยชน์กับงานที่มีวิดีโอหน้างานจำนวนมากอยู่แล้ว เช่น ไลน์ผลิต คลังสินค้า หรือระบบตรวจสอบความปลอดภัยที่เก็บกล้องไว้หลายจุด
ในทางธุรกิจ การได้ world representation ที่ตรวจสอบได้ช่วยให้ทีมอธิบายเหตุผลต่อผู้บริหาร ลูกค้า หรือทีม compliance ง่ายขึ้น เพราะสามารถชี้ให้เห็นผลของแรง การชน และลำดับเหตุการณ์จากโปรแกรมแทนการอธิบายจากคลิปอย่างเดียว นี่มีค่ามากในโปรเจกต์ที่ต้องอธิบาย ROI หรือความเสี่ยงด้านความปลอดภัย
แต่การใช้งานจริงยังต้องอาศัยทีมที่เข้าใจทั้ง vision, simulation, และ physics engine ไม่ใช่แค่เอาวิดีโอมาป้อนแล้วคาดหวังให้ระบบสรุปโลกครบถ้วนโดยอัตโนมัติ สำหรับไทยจึงควรใช้แนวคิดนี้เป็นเครื่องมือยกระดับการทดลอง ไม่ใช่เป็นข้ออ้างว่าจะลดความจำเป็นของวิศวกรคนจริง
ความหมายต่อผู้ประกอบการ/ผู้ใช้งานไทย
สำหรับไทย แนวคิดนี้มีคุณค่ากับทีมที่ทำหุ่นยนต์ ซิมูเลชัน และ digital twin โดยตรง
ถ้าองค์กรไทยสามารถแปลงวิดีโอหน้างานเป็นโลกจำลองที่รันได้จริง ก็จะช่วยลดเวลาเก็บข้อมูล ลดค่า annotation และเพิ่มความเร็วในการทดลองนโยบายควบคุมหุ่นยนต์ในโรงงาน คลังสินค้า หรือพื้นที่ทดสอบ
ในอีกด้านหนึ่ง ธุรกิจที่รับทำระบบตรวจสอบภาพหรือ automation อาจใช้แนวคิดนี้เพื่อยกระดับจากการมองภาพไปสู่การวิเคราะห์เชิงฟิสิกส์ ซึ่งมีมูลค่าสูงกว่า
แต่ต้องย้ำว่าโอกาสนี้จะเกิดจริงก็ต่อเมื่อมีทีมที่เข้าใจ MuJoCo, การจำลองฟิสิกส์ และโครงสร้างข้อมูลวิดีโอ ไม่ใช่แค่มีไฟล์วิดีโอแล้วหวังให้ระบบแปลงได้ทันที