Nano Banana คืออะไร และโมเดลของ Google ทำงานอย่างไร

อินฟอร์เมเทค ดิจิตอล » ปัญญาประดิษฐ์ » Nano Banana คืออะไร และโมเดลของ Google ทำงานอย่างไร

ในช่วงไม่กี่วันที่ผ่านมา ชื่อ"นาโนบานาน่า"ได้แพร่กระจายอย่างรวดเร็วในฟอรัมและเครือข่ายทางเทคนิค เนื่องจากประสิทธิภาพในการทดสอบการแก้ไขภาพด้วย AI สิ่งที่ดูเหมือนเป็นปริศนาในตอนนี้มีผู้คิดค้นแล้ว นั่นก็คือ Google และเครื่องมือประมวลผลภาพใหม่ของ Google ที่ผสานรวมเข้ากับ Gemini

บริษัทฯ ยืนยันว่า Nano Banana เป็นชื่อเรียกอีกชื่อหนึ่งของGemini 2.5 Flash Imageซึ่งเป็นระบบที่สามารถสร้างและปรับแต่งภาพถ่ายโดยใช้ภาษาธรรมชาติ รักษาลักษณะ สไตล์ ตัวละคร และวัตถุต่างๆ ได้อย่างสม่ำเสมอ ซึ่งเป็นสิ่งที่ทำได้ยากสำหรับโมเดลเหล่านี้ในอดีต

Nano Banana คืออะไร และใครอยู่เบื้องหลัง?

ในช่วงแรก ๆ นางแบบคนนี้เคยติดอันดับใน LM Arena ด้วยชื่อเล่นว่า "Nano Banana" ซึ่งก่อให้เกิดการคาดเดาและมุกตลกเกี่ยวกับ "กล้วย" จนกระทั่ง Google เปิดตัวอย่างเป็นทางการในฐานะส่วนหนึ่งของ Gemini แนวคิดหลักที่ชัดเจนคือการรวมการสร้างและแก้ไขภาพให้เป็นเวิร์กโฟลว์ที่เรียบง่าย ใช้งานง่าย และรวดเร็ว

Google เน้นย้ำว่าวิธีการของตนนั้นอาศัยความรู้เกี่ยวกับโลกและโมเดล AI ขั้นสูง ของ Gemini ซึ่งช่วยให้เข้าใจบริบทของคำสั่งและปรับเปลี่ยนได้อย่างแม่นยำกว่าเครื่องมือสร้างภาพแบบเดิม ๆ

การแก้ไขการสนทนา: จากการแจ้งเตือนไปจนถึงการปรับแต่ง

โมเดลนี้ทำงานด้วยคำสั่งในภาษาธรรมชาติและช่วยให้คุณโต้ตอบกับภาพได้ คุณสามารถขอว่า "ทำให้ท้องฟ้าดูน่าตื่นตาตื่นใจมากขึ้น" "ลบป้ายนั้นออก" หรือ "เปลี่ยนสีรถเป็นสีแดง" และปรับแต่งผลลัพธ์ในรอบต่อๆ ไปโดยไม่ต้องเริ่มต้นใหม่ทั้งหมด

การโต้ตอบแบบหลายขั้นตอนนี้ช่วยลดแรงเสียดทานที่มักพบในเครื่องมือแบบดั้งเดิม ตามข้อมูลของ Google สามารถเลือกพื้นที่เฉพาะเพื่อปรับสี แสง หรือพื้นผิว ลบองค์ประกอบที่ไม่ต้องการ เปลี่ยนพื้นหลัง และเพิ่มวัตถุที่ผสานรวมได้อย่างแนบเนียนโดยคำนึงถึงเงาและมุมมอง

นอกเหนือจากการปรับแต่งภาพขั้นพื้นฐานแล้ว แพลตฟอร์มนี้ยังเข้าใจคำสั่งต่างๆ เช่น "วางตัวละครเดียวกันในฉากอื่น" หรือ "แสดงผลิตภัณฑ์จากหลายมุม" โดยคงไว้ซึ่งตัวแบบและรูปลักษณ์ที่สอดคล้องกันระหว่างการแก้ไขแต่ละครั้ง

ความสม่ำเสมอ คุณภาพ และความเร็ว

หนึ่งในความก้าวหน้าที่โดดเด่นคือการปรับปรุงความสม่ำเสมอทางด้านภาพในรุ่นต่อๆ ไป: ลักษณะใบหน้า มือ สัตว์เลี้ยง หรือวัตถุต่างๆ ยังคงมีเสถียรภาพและมีการบิดเบือนน้อยลง ซึ่งเป็นสิ่งที่เคยเป็นอุปสรรคสำหรับโมเดลแบบสร้างภาพอัตโนมัติในอดีต

ภาพมีความสมจริงมากขึ้นด้วยแสงและพื้นผิวที่เป็นธรรมชาติยิ่งขึ้น และ Google อ้างว่า มีประสิทธิภาพการทำงาน ที่รวดเร็วเป็นพิเศษซึ่งช่วยเร่งรอบการสร้างสรรค์สำหรับงานต่างๆ เช่น การสร้างผลิตภัณฑ์ที่หลากหลาย หรือฉากที่มีธีมเฉพาะ

จากการทดสอบโดยชุมชน ระบบดังกล่าวได้ไต่ระดับขึ้นมาอยู่ในอันดับต้นๆ ของ LM Arena สำหรับการแก้ไขภาพ โดยได้รับการจัดอันดับให้อยู่ในกลุ่มโปรแกรมที่มีประสบการณ์การใช้งานดีที่สุดตามการให้คะแนนของผู้ใช้

เครื่องมือหลักและกรณีการใช้งาน

Gemini 2.5 Flash Image มีคุณสมบัติที่ออกแบบมาสำหรับทั้งผู้ใช้ทั่วไปและทีมงานสร้างสรรค์ คุณสมบัติที่โดดเด่นที่สุดอย่างหนึ่งคือการนำภาพจากหลายแหล่งมาประกอบกันและจัดวางให้อยู่ในสภาพแวดล้อมที่สอดคล้องกัน

• การปรับแต่งตามบริบท: การปรับแต่งสี แสง พื้นผิว หรือสไตล์ โดยไม่สูญเสียองค์ประกอบสำคัญของต้นฉบับ
• การถอดและเปลี่ยน: ลบวัตถุ เปลี่ยนพื้นหลัง หรือเพิ่มองค์ประกอบด้วยการผสานแสงและเงา
• ส่วนประกอบและส่วนผสม: รวมภาพสองภาพเข้าเป็นฉากเดียวแล้วถ่ายโอน รูปแบบหรือสไตล์ จากภาพหนึ่งไปสู่อีกภาพหนึ่ง
• รุ่นหลายกะ: การเปลี่ยนแปลงแบบโซ่ (การทาสีผนัง, การเพิ่มเฟอร์นิเจอร์, การปรับเปลี่ยนตู้เสื้อผ้า) โดยไม่ต้องเริ่มกระบวนการใหม่

ในด้านการตลาด การตกแต่ง แฟชั่น หรือการสร้างเนื้อหาบนโซเชียลมีเดีย เครื่องมือนี้ใช้ในการสร้างรูปแบบต่างๆ อย่างรวดเร็ว รักษาความสม่ำเสมอของแบรนด์และทดสอบแนวคิดด้านภาพโดยไม่ต้องใช้ซอฟต์แวร์แบบดั้งเดิม

ความปลอดภัยและข้อจำกัดการใช้งาน

เพื่อลดการละเมิด Google จึงใช้ตัวกรองที่บล็อกเนื้อหาที่รุนแรงหรือลามกอนาจารและจำกัดการแก้ไขภาพบุคคลจริงหรือบุคคลสาธารณะ เป้าหมายคือการลดความเสี่ยงจากข้อมูลเท็จและภาพปลอมแปลง (deepfake)

ภาพทั้งหมดที่สร้างหรือแก้ไขจะมีการใส่SynthIDซึ่งเป็นลายน้ำดิจิทัลที่มองไม่เห็นภายในไฟล์ เพื่อช่วยตรวจสอบแหล่งที่มา นอกจากนี้ บริษัทฯ ยังกล่าวถึงสัญญาณและมาตรการควบคุมเชิงรุกเพิ่มเติมเพื่อเสริมสร้างความสามารถในการตรวจสอบย้อนกลับ

นโยบายการใช้งานห้ามการสร้างเนื้อหาที่แสดงถึงเรื่องส่วนตัวโดยไม่ได้รับความยินยอม และห้ามเนื้อหาประเภทอื่นที่มีความอ่อนไหวอย่างชัดเจน ซึ่งเป็นการตอกย้ำถึงความสำคัญของAI ที่มีความรับผิดชอบในบริการของ Gemini

วิธีใช้ Nano Banana ในแอป Gemini

การใช้งานนั้นง่ายดาย: ไม่จำเป็นต้องติดตั้งอะไรเพิ่มเติมหรือเลือกโมเดลเฉพาะ เพียงแค่เปิด Gemini อัปโหลดรูปภาพ และอธิบายการเปลี่ยนแปลงหากคุณต้องการคงทุกอย่างไว้ ยกเว้นการปรับแต่งเพียงอย่างเดียว คุณสามารถเริ่มต้นด้วย "ในรูปภาพต้นฉบับ..." เพื่อให้ชัดเจนว่าส่วนที่เหลือควรคงไว้เช่นเดิม

ตัวอย่างที่เป็นประโยชน์บางส่วน ได้แก่ "แปลงเป็นขาวดำ" "เอาเสาตรงมุมออก" "เพิ่มสุนัขบนม้านั่ง" หรือ "เปลี่ยนชุดเป็นสีเขียว" ระบบพยายามรักษารูปทรงและสัดส่วน ของวัตถุไว้ ในขณะที่ทำการเปลี่ยนแปลง

นอกจากนี้ คุณยังสามารถอัปโหลดรูปภาพสองรูปและขอให้เนื้อหาของรูปหนึ่งปรากฏในอีกรูปหนึ่ง หรือขอให้ ถ่ายทอด รูปแบบของลวดลาย (เช่น ปีกผีเสื้อ) ไปยังเสื้อผ้าหรือวัตถุในรูปที่สองได้

ความพร้อมใช้งานและการเข้าถึงสำหรับนักพัฒนา

ฟังก์ชันการทำงานนี้มีให้ใช้งานในแอป Geminiสำหรับบุคคลทั่วไป สำหรับการผสานรวมในระดับมืออาชีพ สามารถเข้าถึงได้ผ่าน Gemini API, Google AI Studioและ Vertex AI ซึ่งจะเปิดประตูสู่เวิร์กโฟลว์ในองค์กรและแอปพลิเคชันของบุคคลที่สาม

การใช้งานภายในแอปนั้นฟรีโดยมีข้อจำกัดที่เหมาะสม สำหรับนักพัฒนา Google เสนอราคาแบบจ่ายตามการใช้งานจริงโดยมีการระบุต้นทุน 30 ดอลลาร์ต่อโทเค็นหนึ่งล้านโทเค็นเป็นข้อมูลอ้างอิงใน API และประมาณการคร่าวๆ ว่าแต่ละภาพมีราคาเพียงไม่กี่เซ็นต์ ขึ้นอยู่กับกรณีการใช้งาน

บริบทการแข่งขัน

การเคลื่อนไหวครั้งนี้มุ่งเป้าไปที่คู่แข่งโดยตรง เช่นMidjourney และ DALL·E (OpenAI) กลยุทธ์ของ Google เน้นไปที่การแก้ไขแบบสนทนาและผลลัพธ์ที่สม่ำเสมอ โดยได้รับการสนับสนุนจากความเข้าใจบริบทของ Gemini

ด้วยการผนวกรวมผลิตภัณฑ์ Nano Banana เข้ากับระบบนิเวศของบริษัท บริษัทจึงพยายามลดช่องว่างในด้านที่ความเร็ว คุณภาพ และการควบคุมมีความสำคัญอย่างยิ่งสำหรับผู้ใช้ปลายทาง

คำถามที่พบบ่อย

ด้วยการเน้นไปที่การตัดต่อภาพแบบสนทนาความสอดคล้องของตัวแบบในภาพแต่ละช็อต และมาตรการรักษาความปลอดภัยในตัว Nano Banana (Gemini 2.5 Flash Image) จึงเป็นตัวเลือกที่น่าสนใจสำหรับการสร้างและตกแต่งภาพทั้งในชีวิตประจำวันและในโครงการระดับมืออาชีพ ไม่ว่าจะใช้งานผ่านแอป Gemini หรือ API ก็ตาม

บทความที่เกี่ยวข้อง:

DreamStudio: มันคืออะไรและจะสร้างภาพด้วยปัญญาประดิษฐ์ได้อย่างไร