LLM ตัวไหนเหมาะกับคณะสถาปัตยกรรม? Generative Design ถึง Digital Twin

📚 ตอนที่ 6/12 ของซีรีส์ เลือก LLM ให้ถูกคณะ โดย CYN Communication — คู่มือเลือกโมเดล AI open-source สำหรับติดตั้งบน NVIDIA GB10 (DGX Spark) ในสถาบันการศึกษา

🏛️ คณะสถาปัตยกรรมและออกแบบ — จาก Sketch สู่ Render ใน 30 วินาที

ทำไมคณะสถาปัตยกรรมต้องมี LLM (และโมเดลภาพ) ของตัวเอง

กระบวนการออกแบบสถาปัตยกรรมคือการวนซ้ำ: ร่างแบบ วิจารณ์ แก้ ร่างใหม่ — นักศึกษาที่ได้วนซ้ำมากกว่าย่อมพัฒนาเร็วกว่า แต่ในโลกจริง หนึ่งแบบทางเลือก (design alternative) ที่เรนเดอร์ให้เห็นบรรยากาศจริงอาจกินเวลาครึ่งวัน นักศึกษาส่วนใหญ่จึงส่งงานด้วยแบบทางเลือกเพียง 2-3 แบบ ทั้งที่ความคิดในหัวมีเป็นสิบ Generative AI เปลี่ยนข้อจำกัดนี้: จาก sketch หนึ่งใบสู่ภาพเรนเดอร์ photorealistic ในเวลาไม่ถึงนาที นั่นหมายถึงจำนวนรอบการวิจารณ์ที่เพิ่มขึ้นเป็นสิบเท่าภายในเวลาสตูดิโอเท่าเดิม

แล้วทำไมต้องรันในเครื่องของคณะเอง? เหตุผลแรกคือปริมาณงาน — วิชาสตูดิโอออกแบบใช้การสร้างภาพหลักพันภาพต่อเทอมต่อ section ค่าบริการคลาวด์แบบคิดต่อภาพจะกลายเป็นภาระที่ควบคุมไม่ได้ ขณะที่ NVIDIA GB10 (DGX Spark) ให้นักศึกษากดสร้างซ้ำได้ไม่จำกัดโดยต้นทุนไม่เพิ่มแม้แต่บาทเดียว เหตุผลที่สองคือความลับของแบบ — งานประกวดแบบ วิทยานิพนธ์ และโครงการที่ทำร่วมกับเจ้าของที่ดินหรือชุมชนจริง ล้วนเป็นแบบที่ยังไม่เผยแพร่ การอัปโหลดขึ้นบริการสาธารณะเสี่ยงทั้งเรื่องความลับทางการค้าและ PDPA (ภาพถ่ายไซต์มักติดบุคคลและทะเบียนบ้าน) เหตุผลที่สามคือการควบคุมเครื่องมือ — คณะสามารถเทรนและปรับโมเดลให้เข้ากับภาษาการออกแบบของสตูดิโอตัวเองได้ ซึ่งบริการสำเร็จรูปไม่เปิดให้ทำ

ชุดโมเดลแนะนำสำหรับคณะสถาปัตยกรรม/ออกแบบ

ชุดโมเดลของคณะนี้มี “โมเดลภาพ” เป็นตัวเอก และ LLM เป็นผู้ช่วยคิด-ผู้ช่วยวิจารณ์

รวมทั้งชุดประมาณ 63GB จาก unified memory 128GB — เหลือหน่วยความจำมากกว่า 60GB ซึ่งสำคัญมากสำหรับคณะนี้ เพราะงานสร้างภาพความละเอียดสูงและการรัน ControlNet หลาย condition พร้อมกันกินหน่วยความจำชั่วคราวสูงกว่างานข้อความมาก พื้นที่ที่เหลือยังรองรับคิวเรนเดอร์ของนักศึกษาทั้งสตูดิโอ และในปีที่สองยังเปิดทางสู่งาน point cloud processing และ digital twin ที่ใช้ CUDA เต็มรูปแบบบนเครื่องเดียวกันได้อีกด้วย

เหตุผลของการจับคู่ FLUX.1-dev กับ SDXL + ControlNet: FLUX ให้ภาพบรรยากาศคุณภาพสูงสุดสำหรับ presentation ส่วน SDXL + ControlNet คือหัวใจของงานสถาปัตย์โดยเฉพาะ เพราะ ControlNet อ่านเส้นร่าง (edge/depth) จาก sketch ของนักศึกษาแล้ว “บังคับ” ให้ภาพที่สร้างเคารพโครงสร้าง สัดส่วน และมุมมองเดิม — ผลลัพธ์คือเรนเดอร์ที่เป็นแบบของนักศึกษาจริงๆ ไม่ใช่ภาพสวยสุ่มที่ AI คิดเอง ด้าน Qwen3.5 27B รับงานเอกสารทั้งหมดของกระบวนการออกแบบ ตั้งแต่ตีความบรีฟไปจนถึงร่างคำอธิบายแนวคิด และ Qwen2.5-VL 7B ทำหน้าที่เป็นกรรมการวิจารณ์แบบรอบแรกที่พร้อมให้ความเห็นตลอด 24 ชั่วโมง ก่อนถึงคิววิจารณ์กับอาจารย์ตัวจริง

การเลือกเวอร์ชันโมเดล น้ำหนัก ControlNet ที่เหมาะกับงานสถาปัตย์ และการตั้งค่าคิวเรนเดอร์สำหรับสตูดิโอ — ติดต่อทีม CYN เพื่อออกแบบร่วมกับหลักสูตรของคณะ

Lab และการสอนจริง 4 ตัวอย่าง — เปิดสอนได้เทอมหน้า

Lab 1: Generative Design — 20 แบบทางเลือกใน 1 ชั่วโมง
ขั้นที่ 1 นักศึกษาเขียน design brief ของโจทย์ (เช่น พาวิลเลียนริมน้ำ) แล้วใช้ Qwen3.5 ช่วยแตกบรีฟเป็นชุด prompt ที่หลากหลายทั้งวัสดุ ฟอร์ม และอารมณ์ · ขั้นที่ 2 รัน FLUX สร้างแบบทางเลือก 20 แบบภายในหนึ่งชั่วโมง · ขั้นที่ 3 ติดผลงานทั้งหมดขึ้นผนัง (จริงหรือดิจิทัล) แล้วให้ทั้งสตูดิโอโหวตพร้อมให้เหตุผลเชิงออกแบบ · ขั้นที่ 4 นักศึกษาเลือก 2-3 ทิศทางไปพัฒนาต่อด้วยมือ — AI ขยาย “ปริมาณความคิด” ในเฟส ideation แต่การตัดสินใจเชิงออกแบบยังเป็นของมนุษย์เต็มตัว

Lab 2: Sketch มือ → Photorealistic Render ด้วย ControlNet
ขั้นที่ 1 นักศึกษาร่างแบบด้วยดินสอบนกระดาษตามทักษะพื้นฐานที่เรียนมา แล้วถ่ายภาพเข้าระบบ · ขั้นที่ 2 ระบบสกัดเส้นด้วย ControlNet (edge detection) เพื่อล็อกโครงสร้างและมุมมองของ sketch · ขั้นที่ 3 นักศึกษาเขียน prompt กำหนดวัสดุ เวลา และบรรยากาศ เช่น “ผนังอิฐ แสงเย็น ฝนเพิ่งหยุด” แล้วสร้างภาพเรนเดอร์หลายเวอร์ชันจากเส้นเดิม · ขั้นที่ 4 เปรียบเทียบเวอร์ชันต่างๆ แล้วอภิปรายว่าวัสดุและแสงเปลี่ยนความรู้สึกของพื้นที่อย่างไร — ทักษะ sketch มือไม่ได้ถูกแทนที่ แต่กลายเป็นตั๋วสำคัญที่ทำให้คุมผลลัพธ์ AI ได้แม่นกว่าคนที่วาดไม่เป็น

Lab 3: AI วิเคราะห์แสงและ Façade จากภาพถ่าย
ขั้นที่ 1 นักศึกษาลงพื้นที่ถ่ายภาพอาคารกรณีศึกษาในช่วงเวลาต่างกัน (เช้า เที่ยง เย็น) · ขั้นที่ 2 ป้อนภาพให้ Qwen2.5-VL วิเคราะห์: ทิศทางแสง เงาตกกระทบ จังหวะของ façade สัดส่วนช่องเปิด และวัสดุ · ขั้นที่ 3 นักศึกษาเขียนบทวิเคราะห์ของตัวเองเทียบกับของ AI — จุดไหนตรง จุดไหน AI อ่านผิดเพราะไม่รู้บริบทภูมิอากาศร้อนชื้น · ขั้นที่ 4 สังเคราะห์เป็นแนวทางออกแบบ façade สำหรับโปรเจกต์ของตัวเอง พร้อมอ้างอิงหลักฐานจากภาพ — ฝึกทั้งตาวิเคราะห์และการตรวจทาน AI ในคราวเดียว

Lab 4: Moodboard และ Concept Development
ขั้นที่ 1 นักศึกษาเก็บภาพอ้างอิงที่ชอบ 10-15 ภาพ แล้วให้ Qwen2.5-VL ช่วยถอดรหัสว่าจุดร่วมของภาพชุดนี้คืออะไร (โทนสี วัสดุ อารมณ์ ยุคสมัย) · ขั้นที่ 2 ใช้ Qwen3.5 แปลงข้อค้นพบเป็น concept statement สามเวอร์ชันที่ต่างมุมกัน · ขั้นที่ 3 สร้างภาพ moodboard เพิ่มด้วย FLUX ให้ครบทิศทางที่เลือก · ขั้นที่ 4 นำเสนอหน้าชั้นโดยต้องปกป้องแนวคิดด้วยเหตุผลของตัวเอง ไม่ใช่ของ AI — สำหรับชั้นปีที่สูงขึ้น คณะสามารถต่อยอดสู่วิชา point cloud และ digital twin ที่ประมวลผลด้วย CUDA บน GB10 เครื่องเดิมได้ทันที

นักศึกษาและอาจารย์ได้อะไร — และเริ่มเทอมแรกอย่างไร

นักศึกษาได้จำนวนรอบการวนซ้ำที่เพิ่มขึ้นมหาศาล — หัวใจของการพัฒนาฝีมือออกแบบ — พร้อม portfolio ที่มีทั้งภาพเรนเดอร์คุณภาพ presentation และหลักฐานว่าใช้ AI อย่างมีวิธีคิด ซึ่งสตูดิโอออกแบบและบริษัทอสังหาริมทรัพย์เริ่มระบุเป็นทักษะที่ต้องการแล้ว อาจารย์ได้เวลาวิจารณ์ที่คุ้มขึ้น เพราะแบบที่เข้าสู่โต๊ะวิจารณ์ผ่านการคัดกรองรอบแรกมาแล้ว และสามารถออกโจทย์ที่ทะเยอทะยานขึ้นได้โดยไม่ห่วงว่านักศึกษาจะเรนเดอร์ไม่ทัน

เทอมแรกแนะนำเริ่มที่วิชาสตูดิโอออกแบบชั้นปี 2-3 หนึ่ง section เลือก Lab 1 และ Lab 2 เป็นแกน เพราะเข้ากับ workflow สตูดิโอเดิมได้ทันทีโดยไม่ต้องแก้ มคอ. มาก ทีม CYN Communication ดูแลการติดตั้ง GB10 โหลดโมเดลภาพพร้อม ControlNet ที่ปรับมาสำหรับงานสถาปัตย์ วางระบบคิวเรนเดอร์สำหรับทั้งสตูดิโอ และจัด workshop ให้อาจารย์ก่อนเปิดเทอม — สนใจเริ่มวางแผนหรือขอชมตัวอย่างผลงานจริง ติดต่อทีม CYN ได้โดยตรง

อ่านต่อ: คู่มือฉบับเต็มครบ 12 คณะ · GB10 เข้าห้องเรียนคณะนี้ (ฉบับเจาะลึก)

CYN Communication — Your AI Education Infrastructure Partner · 🌐 www.cyn.co.th · 📞 02-437-1210 · LINE @cyngroup