PaperBanana: มหาวิทยาลัยปักกิ่งร่วมมือกับ Google เปิดตัวเครื่องมือสร้างภาพประกอบ AI สำหรับงานวิจัย สร้างแผนภูมิระดับท็อปคอนเฟอเรนซ์ได้ในคลิกเดียว

คุณเขียนเมธอด AI วาด Figure นักวิจัยรุ่นใหม่ ถึงเวลาของ “วันปลดแอกการวาดรูป” แล้ว

ยังคงต้องนอนดึกวาด PPT ลากลูกศร จัดแนวฟอนต์เพื่อสร้างแผนผังวิธีวิทยาในบทความวิจัยอยู่หรือเปล่า?

แค่ Figure 2 หนึ่งรูป อาจใช้เวลาหลายชั่วโมง หรือหนักหนาสาหัสถึงขั้นกินเวลาหลายวัน “ดันเจี้ยนลับ” ของนักวิจัยไม่ใช่การทดลอง แต่คือการวาดรูป

ทั้งต้องซื่อสัตย์ต่อเนื้อหาต้นฉบับของบทความ และยังต้องสอดคล้องกับ “สุนทรียภาพทางวิชาการ” ที่เป็นที่เข้าใจกันในแวดดาวท็อปคอนเฟอเรนซ์โดยปริยาย: สีต้องไม่เชย เลย์เอาต์ต้องไม่รก และลูกศรต้องต่อไม่ผิด

ดูเผินๆ เหมือนเป็นแค่รูปเดียว แต่จริงๆ แล้วคือการทรมานสามชั้นของสุนทรียศาสตร์ ตรรกะ และความอดทน

แล้วคำถามก็คือ: ตอนนี้โมเดลใหญ่สามารถเขียนบทความ เรียกรันการทดลอง แก้โค้ดได้แล้ว ทำไมถึงจัดการกับภาพประกอบทางวิชาการพวกนี้ไม่ได้ล่ะ? บางคนอาจถาม: DALL·E, VLM พื้นฐาน ทำไม่ได้หรือ?

คำตอบคือ: ทำไม่ได้จริงๆ

รูปที่พวกมันวาดออกมาบ่อยครั้งคือ: โมดูลกับข้อความไม่ตรงกัน ฟอนต์กลายเป็นตัวประหลาด ลอจิกของลูกศรผิดพลาด รูป “สวย” แต่ใช้การไม่ได้

แล้วเจ้าแห่งการจัดการก็ปรากฏตัวขึ้น: PaperBanana 🍌

จากทีม Peking University + Google Cloud AI Research เป้าหมายเรียบง่ายและทะเยอทะยาน: คุณเขียนเมธอด AI วาด Figure ระดับคุณภาพล่ะ? ระดับส่งวารสารท็อปคอนเฟอเรนซ์ได้เลย

มาดูผลลัพธ์กัน

PaperBanana แสดงความสามารถในการแก้ปัญหาภาพประกอบทางวิชาการสองประเภท:

ประเภทแรก คือ แผนผังขั้นตอนวิธีและแผนผังโครงสร้างโมเดล ใช้เพื่ออธิบายการทำงานของอัลกอริทึม (ซ้าย); ประเภทที่สอง คือ กราฟสถิติ ใช้เพื่อแสดงผลการทดลองและการเปรียบเทียบข้อมูล (ขวา)

ด้านซ้ายคือแผนผังวิธีวิทยา (Methodology Diagrams) ด้านขวาคือกราฟสถิติ (Statistical Plots)

ต่างจากโมเดลสร้างภาพแบบเดิมที่ “แค่วาดรูปเป็น” PaperBanana เน้นสองจุด: ไม่ใช่แค่ “วาดให้สวย” แต่ต้อง “วาดให้ถูกต้อง”

มันต้องรับประกันว่า: ความสัมพันธ์เชิงตรรกะระหว่างโมดูลไม่ผิดพลาด การแสดงข้อมูลสอดคล้องกับมาตรฐานการวิจัย รูปสามารถใช้บริการการเล่าเรื่องของบทความได้โดยตรง ไม่ใช่แค่ตกแต่ง

งานวิจัยชี้ให้เห็นว่า PaperBanana สามารถครอบคลุมภาพประกอบทางวิชาการทั่วไปหลายประเภท รวมถึงแผนผังขั้นตอนวิธี แผนผังโครงสร้างโมเดล แผนผังกรอบแนวคิด และกราฟสถิติความแม่นยำสูงที่สร้างโดยขับเคลื่อนด้วยโค้ด

PaperBanana ไม่เพียงแต่สร้างจากศูนย์ได้ แต่ยังตกแต่งรูปภาพที่ยังไม่สวยของคุณที่มีอยู่แล้วได้อีกด้วย

ให้สเก็ตช์หรือแผนผังรุ่นแรกกับมัน มันจะรับผิดชอบการตกแต่งอัตโนมัติ จัดเรียงเลย์เอาต์ใหม่ ทำให้สไตล์เป็นหนึ่งเดียวกัน ทำให้มันดูเหมือนรูปมาตรฐานในบทความท็อปคอนเฟอเรนซ์มากขึ้น

เปรียบเทียบที่ชัดเจนกว่านี้ —

ด้านซ้ายคือภาพประกอบที่วาดด้วยมือ ด้านขวาคือเวอร์ชันที่ผ่านการปรับปรุงสไตล์ (Style Enhanced) โดย PaperBanana

ตัวอย่างเหล่านี้ครอบคลุมหลายสถานการณ์วิจัยทั่วไป รวมถึงแผนผังเปรียบเทียบ Transformer กับ LayerNorm รูปแบบต่างๆ กรอบระบบของกระบวนการทางวิศวกรรมและไปป์ไลน์การสร้างแบบจำลองสามมิติ และการแสดงความสัมพันธ์ทางเรขาคณิตเชิงนามธรรมในการเรียนรู้แบบเสริมกำลังและการเรียนรู้การแทนค่า ลักษณะร่วมของพวกมันคือมีความซับซ้อนทางตรรกะ องค์ประกอบหนาแน่น ซึ่งเรียกร้องการจัดวางด้วยมือในระดับสูง และนี่คือส่วนที่นักวิจัยมักใช้เวลาและพลังงานอย่างมากกับ “การวาดรูป”

โครงสร้างทางความหมายสอดคล้องกัน แต่การนำเสนอทางภาพ แตกต่างโดยสิ้นเชิง

รูปต้นฉบับข้อมูลครบถ้วน แต่ให้ความรู้สึก “เข้าใจได้ แต่ไม่สวย”: เลย์เอาต์ดูหลวมเล็กน้อย การเลือกสีโน้มเอียงไปทางเดียว ความสัมพันธ์ระดับชั้นระหว่างโมดูลต่างๆ ก็ไม่ชัดเจนพอ

หลังจาก PaperBanana ตกแต่งเพิ่มเติม ตรรกะในรูปถูกจัดเรียงใหม่ให้อยู่ในระบบภาพที่ได้มาตรฐานมากขึ้น

โมดูลหน้าที่ต่างกันถูกแบ่งแยกด้วยสี เส้นประและกรอบพาร์ติชันใช้เพื่อเสริมโครงสร้างลำดับชั้น ทิศทางของลูกศรชัดเจนขึ้น มุมมองโดยรวมใกล้เคียงกับรูปแบบมาตรฐานที่พบเห็นทั่วไปในบทความท็อปคอนเฟอเรนซ์มากขึ้นอย่างเห็นได้ชัด

ดูตัวอย่างรูปด้านล่าง รูปเดียวกันเปรียบเทียบ ระดับสูงต่ำเห็นชัด

รูปที่มนุษย์วาด ถูกต้อง แต่ไม่จำเป็นต้องสวย

โมเดลดั้งเดิมที่ไม่ได้ปรับสอนสร้างขึ้นมา (Nano-Banana-Pro) วาดออกมาแต่อ่านยาก

PaperBanana ทำได้จริงๆ ในการ “วาดให้ชัดเจน อธิบายให้เข้าใจ” และยังเป็นภาพประกอบระดับบทความที่สอดคล้องกับสุนทรียภาพของท็อปคอนเฟอเรนซ์มากขึ้น: การเลือกสีทันสมัยและเป็นหนึ่งเดียวกันมากขึ้น ข้อมูลกระชับขึ้น การแบ่งพาร์ติชันโมดูลชัดเจนขึ้น

แล้วมันทำได้อย่างไร?

PaperBanana ทำให้ “การวาดรูปบทความ” กลายเป็นไปป์ไลน์ที่ทำงานร่วมกันโดยเอเจนต์อัจฉริยะหลายตัว

ระบบค้นหาตัวอย่างอ้างอิงก่อน จากนั้นวางแผนคำอธิบายที่มีโครงสร้าง และสร้างร่างแรกภายใต้ข้อจำกัดของมาตรฐานสุนทรียภาพ

จากนั้นเอเจนต์ภาพจะแปลงคำอธิบายข้อความเป็นภาพหรือการวาดรูปด้วยโค้ด เอเจนต์วิจารณ์จะตรวจสอบและขัดเกลาตามเนื้อหาบทความต้นฉบับอย่างต่อเนื่อง

หลังจากวนซ้ำหลายรอบ ผลลัพธ์ที่ได้ไม่ใช่แผนผังทั่วไปอีกต่อไป แต่เป็นภาพประกอบระดับบทความที่ตอบสนองทั้งความถูกต้องทางความหมายและมาตรฐานสุนทรียภาพของท็อปคอนเฟอเรนซ์

นี่ไม่ใช่แค่การทำให้การวาดรูปเป็นอัตโนมัติธรรมดา แต่เป็นการทำให้ “วิธีการแสดงออกทางวิจัย” เป็นมาตรฐานโดยอัตโนมัติ

นักวิจัยยังเปรียบเทียบเส้นทางสองแบบโดยพลัน: ให้โมเดล “วาดรูป” โดยตรง VS ให้โมเดล “เขียนโค้ดวาดรูป”

ข้อสรุปเจ็บปวด: รูปที่ AI วาดออกมาโดยตรงแม้จะสวยงาม แต่บ่อยครั้งก็พูดมั่วในเรื่องตัวเลข

วิธีที่น่าเชื่อถือที่สุดในปัจจุบันยังคงเป็น: AI เขียนโค้ดวาดรูป (อิงตาม Gemini-3-Pro) แล้วจึงสร้างกราฟสถิติ

นี่เป็นเพียงจุดเริ่มต้น เครื่องมือที่คล้ายกันเริ่มปรากฏขึ้นแล้ว เช่น: Claude Scientific Writer ซึ่งรวมการเขียนบทความ + ภาพประกอบ + การสร้างแผนภูมิ

การวิจัยในอนาคตอาจเป็นแบบนี้: คุณไม่ต้องมาจัดแนวลูกศร ปรับสี ลากกล่องข้อความใน PPT จนถึงตีสามอีกต่อไป แต่มีเวลาให้กับสิ่งที่สำคัญจริงๆ มากขึ้น

ติดตาม “Whale Habitat” Mini Program เพื่ออัพเดทข่าวสาร AI ล่าสุด

⚠️ หมายเหตุ: เนื้อหาได้รับการแปลโดย AI และตรวจสอบโดยมนุษย์ หากมีข้อผิดพลาดโปรดแจ้ง