WorldClaw: เทนเซนต์ผสาน AI 4 ตัว สร้าง 'โลก 3D ทั้งใบ' จากคำอธิบายหนึ่งประโยค

ลองจินตนาการว่าคุณพิมพ์ประโยคเดียวว่า "หมู่บ้านยุคกลางที่มีภูเขาหิมะ แม่น้ำ ทุ่งหญ้า และทะเลทรายรายล้อม พร้อมสัตว์นานาชนิด" แล้วระบบจะสร้างโลกสามมิติทั้งใบให้คุณเดินสำรวจได้จริง — ภูเขามีความสูงที่สมเหตุสมผล ถนนไม่ขาดตอน ขนาดสิ่งปลูกสร้างได้สัดส่วน และทุกชิ้นส่วนยังแยกแก้ไขได้ทีละชิ้น นี่ไม่ใช่ฉากในนิยายวิทยาศาสตร์อีกต่อไป แต่คือสิ่งที่ WorldClaw กรอบงานใหม่จากทีม Tencent Hunyuan เพิ่งประกาศออกมา

WorldClaw ย่อมาจากแนวคิด "World + Claw" คือการ "ฉก" โลกทั้งใบมาจากคำอธิบายเพียงเล็กน้อย งานวิจัยฉบับนี้ใช้ชื่อเต็มว่า WorldClaw: Agentic 3D Open-World Generation at Scale ถูกอัปโหลดขึ้น arXiv เมื่อวันที่ 5 สิงหาคม 2026 และเป็นผลงานของทีม Hunyuan3D Research โดยมี Chunchao Guo และ Yang Li เป็นหัวหน้าโปรเจกต์

WorldClaw คืออะไร

WorldClaw เป็น กรอบงานสร้างโลก 3D แบบเปิดกว้าง (Open-World) ที่ขับเคลื่อนด้วย AI Agent ต่างจากเครื่องมือสร้างโมเดล 3D ทั่วไปที่เน้นแค่วัตถุชิ้นเดียว WorldClaw โฟกัสที่ ฉากหรือโลกทั้งใบ ที่ต้องรักษาความสอดคล้องระดับโลก (Global Coherence) เนื้อหาท้องถิ่นที่สมบูรณ์ และผลลัพธ์ที่นำไปแก้ไขต่อได้จริง

"แทนที่จะพยายามสร้างโลกทั้งใบด้วยโมเดลเดียวในรอบเดียว WorldClaw ใช้ AI Agent หลายตัวทำงานเป็นสายพาน: วางแผนฉาก → สร้างภูมิประเทศ → เติมวัตถุทีละโซน โดยมีวงรอบ Render-Inspect-Refine คอยจับผิดเรื่องขนาดและการวางตำแหน่ง"

ผลลัพธ์ที่ได้ไม่ใช่ภาพหรือวิดีโอ แต่เป็น ชุด Mesh ที่มีพื้นผิว แก้ไขได้ทีละชิ้น (editable instance-level assets) แบบเดียวกับที่ทีมเกมใช้ใน Unity หรือ Unreal Engine

ทำงานอย่างไร: สายพาน 3 ขั้นตอน

หัวใจของ WorldClaw คือกลยุทธ์ Coarse-to-Fine แบบ Global-to-Regional — สร้างโครงสร้างใหญ่ก่อน แล้วค่อยเติมรายละเอียดทีละโซน เพื่อเลี่ยงปัญหา "ถนนขาดกลางทาง" และ "ตึกยักษ์แทรกบนดอยแคระ" ที่มักเกิดกับวิธีสร้างแบบรวดเดียวจบ

ขั้นตอนที่ 1: วิเคราะห์ความตั้งใจและวางแผน (Intent Analysis & Planning)

LLM (ใช้ Claude Opus 4.8) รับคำอธิบายแบบเปิด แล้วแปลงเป็น โครงสร้าง Scene Specification ที่ประกอบด้วย โซนภูมิภาค (Regions) ข้อกำหนดภูมิประเทศ (Terrain Constraints) และข้อกำหนดวัตถุ (Object Constraints) พร้อมความสัมพันธ์เชิงพื้นที่

ขั้นตอนที่ 2: สร้างภูมิประเทศทั้งโลก (Global Terrain Generation)

ระบบสร้าง Semantic Height Field (ความสูงที่รู้ความหมายของแต่ละโซน) ผสมภูมิประเทศที่ต่างกันเข้าด้วยกันแบบต่อเนื่อง ไม่มีรอยต่อขาดวิ่น พร้อมกำหนดวัสดุพื้นผิวและกระจายหิน-ต้นไม้ตามภูมิภาคผ่านวงรอบเรนเดอร์และตรวจสอบ

ขั้นตอนที่ 3: สร้างและวางวัตถุรายโซน (Regional Object Generation & Placement)

Agent วางแผนเลือกเฉพาะโซนที่ภูมิประเทศรองรับได้ เรนเดอร์ภาพคอมโพสิชัน ใช้ SAM3/SAM3D แยก instance Hunyuan3D สร้าง Mesh พร้อมพื้นผิว แล้วคำนวณตำแหน่งวางให้แนบกับภูมิประเทศ โดยมี Vision Agent ตรวจสอบท่าทาง ขนาด และการสัมผัสพื้น — แก้อาการวัตถุลอยหรือทะลุกันโดยอัตโนมัติ

ภาพ: ระบบ AI Agent หลายตัวประสานงานวางแผนสร้างโลก 3D

ทีมโมเดลระดับโลกประสานงานกัน

จุดเด่นเชิงวิศวกรรมของ WorldClaw คือ ไม่ฝึกโมเดลใหม่ที่ทำทุกอย่างเอง แต่เป็นเลเยอร์ออร์เคสเตรชันที่เรียกใช้โมเดลชั้นนำที่มีอยู่แล้ว ทำงานตามหน้าที่ของตัวเอง:

ระบบทำงานภายใน Blender 5.1.1 ผ่านสคริปต์ Python และรองรับ MCP interface ให้เครื่องมือภายนอกสั่งงานได้ ส่วนฮาร์ดแวร์ที่ทีมใช้คือ GPU NVIDIA H20 จำนวน 4 ใบ

ฟีเจอร์เด่น

• จากประโยคเดียวสู่โลกทั้งใบ — วางแผนภูมิประเทศ โซน สิ่งปลูกสร้าง และความสัมพันธ์เชิงพื้นที่อัตโนมัติ ไม่ต้องปั้น asset ทีละชิ้น
• Asset แก้ไขได้อิสระทุกชิ้น — บ้าน ต้นไม้ รถ เป็น Mesh แยกชิ้น ย้าย-เปลี่ยน-แก้พื้นผิวได้โดยไม่ต้องสร้างโลกใหม่ทั้งใบ
• ระบบตรวจซ่อมอัจฉริยะ — Vision Agent เรนเดอร์หลายมุมมอง ตรวจสัดส่วน ท่าทาง และการสัมผัส แก้อาการลอย/ทะลุเอง
• ภูมิประเทศมีชีวิต — วัสดุพื้นผิวเป็น Blender Material Node Graph ที่ปรับพารามิเตอร์ได้ ไม่ใช่แค่พื้นผิวฝังตาย
• เลือกสร้างแบบเฉพาะโซน — เติมรายละเอียดเฉพาะโซนที่ต้องการ ยึดโครงสร้างโลกเดิมไว้ไม่พัง

11 โลกสาธิต: พิสูจน์ว่าทำได้จริง

ทีมงานสาธิต 11 โลกจำลอง ครอบคลุมทั้งหิมะ ทราย ภูเขาไฟ เกาะเขตร้อน หมู่บ้านหิมะ และหุบเขาสลับซับซ้อน แต่ละโลกเรนเดอร์ออกเป็น 4 ช่องให้เห็นโครงสร้างภายใน: สีจริง (RGB), instance mask, surface normal และ depth

ภาพ: โลก open-world ขนาดใหญ่ที่ได้จากคำอธิบายเพียงประโยคเดียว

ตัวอย่างโจทย์ที่ใช้ เช่น "หมู่บ้านยุคกลางที่มีภูมิประเทศหลากหลาย รวมถึงภูเขาหิมะ ที่ราบ แหล่งน้ำ และทะเลทราย พร้อมสัตว์" — ระบบสามารถแยกโซน biomes หลายแบบภายในฉากเดียวโดยยังรักษาความต่อเนื่องของโลก

ภาพ: จำนวนโลกสาธิตและช่องเรนเดอร์ในงานวิจัย

เทียบกับคู่แข่ง

ในจังหวะที่ทั่วโลกกำลังแข่งกันสร้าง "World Model" WorldClaw มาในแนวทาง Agentic ที่ต่างจากแนวทางสร้างจากวิดีโอ เช่น Lyra 2.0 ของ NVIDIA:

นำไปใช้ที่ไหนได้บ้าง

• พัฒนาเกมต้นแบบ — สร้าง Whitebox ฉาก open-world เร็วๆ เพื่อทดสอบ gameplay ก่อนลงทุนผลิตจริง
• Pre-visualization ในวงการภาพยนตร์ — วางฉากใหญ่เสมือนจริงให้ผู้กำกับลองจัดมุมกล้อง
• ออกแบบ VR/AR — สร้างพื้นที่ 3D ให้ผู้ใช้เดินสำรวจเพื่อเทรนนิ่งหรือจัดแสดง
• วางผังเมืองและสถาปัตยกรรม — เห็นภาพรวมภูมิประเทศ อาคาร และสาธารณูปโภคทั้งพื้นที่
• Concept Art เชิง 3D — ฐานฉากที่แก้ไขได้สำหรับนักออกแบบ ลดงานสร้างจากศูนย์

สถานะปัจจุบัน: ยังเป็นงานวิจัย ไม่ใช่เครื่องมือ

ต้องบอกตรงๆ ว่า WorldClaw ตอนนี้ยังเป็น กระดาษวิจัยและโปรเจกต์สาธิต — ยังไม่มีการปล่อยโค้ด น้ำหนักโมเดล API หรือราคาใช้งาน และการเปรียบเทียบใน paper ส่วนใหญ่ยังเป็นเชิงคุณภาพ ไม่ใช่ตัวเลข benchmark แบบทางการ บน GitHub ของทีมเองก็มี issue เปิดถามถึงโค้ดตัวจริงอยู่เช่นกัน ใครที่กำลังจินตนาการว่าเปิดเว็บแล้วพิมพ์ประโยคเดียวได้โลกเลย คงต้องรออีกระยะ แต่ทิศทางที่ WorldClaw ชี้ให้เห็นคือสิ่งที่สำคัญกว่า:

"การสร้างโลก 3D กำลังกลายเป็นโจทย์ของการวางแผน (Planning) มากกว่าการสังเคราะห์เรขาคณิต — โมเดลที่วางแผนได้ดีจะชนะเกมนี้"

ภาพ: แนวคิดหลักของ WorldClaw

ภาพ: ประเด็นสำคัญที่ต้องรู้

สรุป

WorldClaw คือสัญญาณว่าการสร้างโลก 3D กำลังก้าวข้ามยุค "ปั้นทีละชิ้น" เข้าสู่ยุค "อธิบายแล้วได้ทั้งโลก" การใช้ AI Agent หลายตัววางแผนแบบ Coarse-to-Fine และตรวจสอบคุณภาพด้วย Vision Agent เป็นแนวทางที่น่าจับตา และถ้าทีม Tencent ปล่อยโค้ดออกมาเมื่อไหร่ มันอาจเป็นจุดเปลี่ยนของทั้งวงการเกมและวงการสร้างคอนเทนต์ 3D

ลิงก์อ้างอิง

• หน้าโปรเจกต์อย่างเป็นทางการ
• บทความวิจัยบน arXiv
• GitHub Repository