ทำไมการขยายขนาดเอเจนต์ AI จึงทำลายความสามารถในการปรับใช้กับโลกใหม่

สรุปสั้น: งานวิจัยจากทีม miHoYo และมหาวิทยาลัยชิงหัว พบว่าโมเดล Qwen3.5 ขนาด 27 พันพารามิเตอร์ แม้เก่งในเกมที่คุ้นเคย แต่กลับปรับตัวกับโลกใหม่ได้แย่ลงเมื่อฝึกด้วยข้อมูลจำเพาะมากเกินไป ดังนั้น การสร้างเอเจนต์ AI ที่ใช้งานได้จริงจึงต้องเน้นความหลากหลายของข้อมูลมากกว่าปริมาณเพียงอย่างเดียว

ข้อเท็จจริงสำคัญ

• งานวิจัยจาก miHoYo, มหาวิทยาลัยชิงหัว และสถาบันอื่น ๆ เผยว่า การเพิ่มขนาดข้อมูลและโมเดลช่วยประสิทธิภาพในเกมที่คุ้นเคย แต่ทำลายความสามารถในการปรับตัวสู่โลกใหม่ เนื่องจากโลกเสมือนมีความหลากหลายสูงโลกจริงที่มีกฎฟิสิกส์เดียวกัน
• ทีมวิจัยใช้การฝึกฝนล่วงหน้าอย่างต่อเนื่อง (CPT) บนโมเดลภาษา-วิสัยทัศน์ Qwen3.5 โดยทดสอบขนาดโมเดลตั้งแต่ 0.8 พันล้านถึง 27 พันพารามิเตอร์ เพื่อตรวจสอบกฎเกณฑ์การปรับขนาดในสภาพแวดล้อมวิดีโอเกม
• การศึกษาพบความสัมพันธ์ซับซ้อนระหว่างข้อมูล: การเพิ่มปริมาณข้อมูลช่วยปรับปรุงประสิทธิภาพในเกมที่เคยเห็น (in-corpus performance) แต่ความหลากหลายของข้อมูลสำคัญกว่าสำหรับทักษะการถ่ายโอนไปยังโลกที่ไม่เคยเห็น
• กลยุทธ์ผสมข้อมูลที่ทำงานดีที่สุดคือชุด S3 ซึ่งประกอบด้วยข้อมูล Minecraft 27% และเกมอื่น ๆ อีก 73% ช่วยให้เอเจนต์เรียนรู้ทักษะส่วนติดต่อผู้ใช้ทั่วไป เช่น การเคลื่อนที่และการโต้ตอบกับเมนู ได้ดีกว่าการฝึกจากเกมเดียว
• โมเดลขนาดใหญ่ (สูงสุด 27 พันพารามิเตอร์) เรียนรู้ได้เร็วกว่าแต่สรุปผลสู่โลกที่ห่างไกลได้แย่กว่าโมเดลขนาดเล็ก เนื่องจากเข้าสู่ ‘ระยะของโลก’ ที่มุ่งเน้นกลไกเฉพาะของเกมมากเกินไป ขัดขวางความยืดหยุ่นในการปรับตัว

ปริศนาแห่งการปรับขนาดในโลกเสมือนจริง

การศึกษาจากชุดค่าผสมของการฝึกฝนจำนวน 120 แบบ เผยให้เห็นข้อจำกัดสำคัญในวิธีการที่เอเจนต์ AI เรียนรู้ที่จะนำทางในโลกเสมือน: ในขณะที่การเพิ่มปริมาณข้อมูลและขนาดของโมเดลช่วยปรับปรุงประสิทธิภาพในเกมที่คุ้นเคย แต่มักจะขัดขวางความสามารถในการปรับตัวเข้ากับโลกใหม่ทั้งหมด [1] ผลลัพธ์นี้ท้าทายสมมติฐานที่ว่าเพียงการเพิ่มวิดีโอเกมเพลย์ที่มีความหลากหลายมากขึ้นจะช่วยสร้างเอเจนต์ AI แบบอเนกประสงค์ที่สามารถพิชิตสภาพแวดล้อม 3 มิติใด ๆ ได้โดยอัตโนมัติ

งานวิจัยที่ดำเนินการโดยทีมจาก miHoYo, มหาวิทยาลัยชิงหัว และสถาบันชั้นนำอื่น ๆ หลายแห่ง ได้ตรวจสอบว่ากฎเกณฑ์การปรับขนาด (scaling laws) ที่สังเกตได้ในหุ่นยนต์ทางกายภาพ—ซึ่งข้อมูลมากขึ้นนำไปสู่ประสิทธิภาพที่ดีขึ้น—สามารถนำมาใช้กับวิดีโอเกมได้หรือไม่ [1] ต่างจากโลกทางกายภาพที่วัตถุทั้งหมดปฏิบัติตามกฎฟิสิกส์เดียวกัน โลกเสมือนจริงมีความหลากหลายอย่างมากในด้านสไตล์ภาพ ระบบควบคุม และวัตถุประสงค์ [7] ทีมวิจัยได้ใช้การฝึกฝนล่วงหน้าอย่างต่อเนื่อง (CPT) บนโมเดลภาษา-วิสัยทัศน์ Qwen3.5 เพื่อทดสอบสมมติฐานนี้ผ่านขนาดโมเดลตั้งแต่ 0.8 พันล้านถึง 27 พันพารามิเตอร์ [4]

ปริมาณข้อมูลเทียบกับความหลากหลาย

การศึกษาพบความสัมพันธ์ที่ซับซ้อนระหว่างประเภทของข้อมูลและความสามารถที่เกิดขึ้นกับเอเจนต์ [1] การเพิ่มปริมาณข้อมูลการฝึกฝนช่วยปรับปรุงประสิทธิภาพในเกมที่เอเจนต์เคยเห็นมาก่อนอย่างสม่ำเสมอ ซึ่งเรียกว่า “ประสิทธิภาพในชุดข้อมูล” (in-corpus performance) [5] อย่างไรก็ตาม เมื่อกล่าวถึงการถ่ายโอนทักษะไปยังโลกที่เกี่ยวข้องแต่ยังไม่เคยเห็น ความหลากหลายมีความสำคัญมากกว่าปริมาณล้วน ๆ [6]

ที่น่าสนใจคือ นักวิจัยได้ระบุกลยุทธ์การผสมข้อมูลที่ทำงานได้ดีที่สุด ในขณะที่ชุดค่าผสมหนึ่ง (S1) ฝึกฝนด้วยเกมเพลย์ Minecraft เพียงอย่างเดียว อีกชุดหนึ่ง (S3) ใช้ส่วนผสมที่สมดุลของข้อมูล Minecraft จำนวน 27% และที่เหลือมาจากเกมอื่น ๆ [4] แนวทางที่หลากหลายนี้ช่วยให้เอเจนต์เรียนรู้ทักษะส่วนติดต่อผู้ใช้ในวงกว้างมากขึ้น—เช่น วิธีการเคลื่อนที่ กระโดด หรือโต้ตอบกับเมนู—ซึ่งเป็นสิ่งทั่วไปในเกมหลายประเภท [1]

การแลกเปลี่ยนเรื่องขนาดโมเดล

อาจจะเป็นการค้นพบที่ขัดกับสัญชาตญาณมากที่สุดคือเรื่องของขนาดโมเดล โมเดลขนาดใหญ่ (สูงสุด 27 พันพารามิเตอร์) มีประสิทธิภาพในการใช้ข้อมูลมากกว่า นั่นหมายความว่าพวกมันเรียนรู้ได้เร็วกว่าจากข้อมูลที่น้อยลง [5] อย่างไรก็ตาม เมื่อฝึกฝนด้วยข้อมูลจากโลกเดียว โมเดลขนาดใหญ่เหล่านี้สามารถสรุปผลไปยังโลกที่ห่างไกลได้แย่กว่าโมเดลขนาดเล็ก counterparts [6]

ผู้เขียนอธิบายปรากฏการณ์นี้ว่าเป็นกระบวนการเรียนรู้สองระยะ ในระยะแรก “ระยะส่วนติดต่อ” (interface phase) เอเจนต์จะเรียนรู้การควบคุมสากลที่ช่วยปรับปรุงประสิทธิภาพข้ามโลก [1] ในระยะต่อมา “ระยะของโลก” (world phase) เอเจนต์จะมุ่งเน้นหนักไปที่กลไกเฉพาะของเกมที่ใช้ฝึกฝน ซึ่งจำกัดความสามารถในการปรับตัวในที่อื่น ๆ [7] สิ่งนี้ชี้ให้เห็นว่าวิธีการเรียนรู้แบบเลียนแบบในปัจจุบันอาจมุ่งเน้นเกินไปกับการจำลองพฤติกรรมเฉพาะ แทนที่จะทำความเข้าใจหลักการพื้นฐาน

การทำนายการกระทำแบบเรียลไทม์

โมเดลถูกทดสอบความสามารถในการทำนายการกระทำของคีย์บอร์ดและเมาส์ในช่วง 200 มิลลิวินาทีถัดไป โดยแบ่งออกเป็นหกขั้นตอน ขั้นละ 33 มิลลิวินาที รวมกับการเคลื่อนไหวของเมาส์ [4] ในบริบทเรียลไทม์นี้ เอเจนต์มีผลงานแข่งขันได้กับบอท Minecraft เฉพาะทางและโมเดล AI ชั้นนำ [5] พวกมันโดดเด่นในสภาพแวดล้อมที่ต้องการการตอบสนองที่รวดเร็ว แสดงให้เห็นว่า CPT สามารถสร้างผู้เชี่ยวชาญที่มีความสามารถสูงได้

ผลกระทบต่อเอเจนต์อเนกประสงค์

แม้จะประสบความสำเร็จเหล่านี้ แต่การศึกษาสรุปว่ายังคงมีช่องว่างสำคัญเมื่อเอเจนต์ต้องเผชิญกับ “โลกที่อยู่ห่างไกล” — เกมที่มีภาพหรือรูปแบบการควบคุมแตกต่างกันอย่างมาก [1] ผู้เขียนแย้งว่าการฝึกต่อเนื่องเพียงอย่างเดียวไม่เพียงพอสำหรับการสร้างเอเจนต์ทางกายภาพที่แท้จริงแบบอเนกประสงค์ [7] พวกเขาแนะนำว่าจำเป็นต้องมีขั้นตอนการฝึกอบรมที่ซับซ้อนกว่าการเลียนแบบอย่างง่ายเพื่อปิดช่องว่างนี้ แม้ว่าจะไม่ได้ระบุชัดเจนว่าขั้นตอนเหล่านั้นควรเป็นอะไร [3]

การเผยแพร่แบบโอเพนซอร์สประกอบด้วยโค้ดสำหรับการอนุมานและน้ำหนักโมเดลในรูปแบบ bfloat16 บน Hugging Face แต่ไม่รวมโค้ดการฝึกอบรม [4] ความโปร่งใสนี้ช่วยให้ผู้วิจัยคนอื่นสามารถทดสอบเอเจนต์เหล่านี้ในสภาพแวดล้อมใหม่ ๆ ซึ่งอาจช่วยเปิดเผยข้อมูลเพิ่มเติมเกี่ยวกับสาเหตุที่กลยุทธ์การขยายขนาดในปัจจุบันถึงจุดติดขัดเมื่อเปลี่ยนจากโลกเสมือนที่คุ้นเคยไปสู่โลกที่ไม่รู้จัก

การเข้าถึงงานวิจัย

บทความฉบับเต็มและน้ำหนักโมเดลมีให้ผ่าน repository GameScaling บน GitHub และ Hugging Face [4] การศึกษานี้เสนอกฎการขยายขนาดเชิงประจักษ์โดยละเอียดซึ่งสัมพันธ์ระหว่างค่าความสูญเสียในการตรวจสอบ (validation loss) กับปริมาณข้อมูล ความหลากหลาย และขนาดโมเดล ซึ่งมอบแนวทางสำหรับงานทดลองในอนาคตเกี่ยวกับการสร้างข้อมูลสังเคราะห์ [1] เมื่อนักพัฒนา AI พิจารณาใช้เกมเป็นสนามฝึกฝนสำหรับหุ่นยนต์ในโลกจริง ผลการค้นพบเหล่านี้เน้นย้ำถึงความจำเป็นในการปรับสมดุลระหว่างความเชี่ยวชาญเฉพาะทางและความสามารถในการทำงานทั่วไป

แหล่งข้อมูล

1. Scaling in Games: Continued Pre-Training For Embodied Agents In Diverse Virtual Worlds (arxiv.org) — 2026-10-20
2. Scaling in Games: Continued Pre-Training For Embodied Agents In Diverse Virtual Worlds (arxiv.org) — 2026-07-31
3. GitHub - THUSI-Lab/GameScaling: Scaling in Games: Continued Pre-Training for Embodied Agents in Diverse Virtual Worlds. Weights on Hugging Face. (github.com) — 2026-10-10
4. Paper page - Scaling in Games: Continued Pre-Training For Embodied Agents In Diverse Virtual Worlds (huggingface.co) — 2026-10-22
5. Scaling in Games: Continued Pre-Training for Embodied Agents in Diverse Virtual Worlds (www.alphaxiv.org) — 2026-10-20
6. Scaling in Games: Continued Pre-Training for Embodied Agents in Diverse Virtual Worlds (gamescaling.github.io) — 2026-10-20