บรรณาธิการ｜ตู้ เหว่ย
ในเดือนนี้ ด้านปัญญาประดิษฐ์เชิงกายภาพ (Embodied AI) มีความก้าวหน้าสำคัญ: บริษัทยูนิคอร์นในซิลิคอนวัลเลย์ Generalist AI ได้เปิดตัวโมเดลพื้นฐานรุ่นใหม่ GEN-1 โมเดลนี้สามารถเพิ่มอัตราความสำเร็จโดยเฉลี่ยให้สูงถึงระดับประวัติการณ์ที่ 99% ในการทำงานต่างๆ เช่น หุ่นยนต์ห่อหุ้มโทรศัพท์มือถือ พับกล่องกระดาษ เป็นต้น โดยความเร็วในการพับกล่องกระดาษเพิ่มขึ้นเป็นสามเท่าจากเดิม (จาก 34 วินาทีลดเหลือ 12.1 วินาที)
สิ่งที่สนับสนุนความก้าวหน้านี้ นอกจากเป็นการออกแบบโครงสร้างโมเดลใหม่แล้ว ยังมีฐานข้อมูลขนาดใหญ่ที่รองรับอยู่ด้วย นั่นคือข้อมูลการโต้ตอบทางกายภาพจริงที่รวบรวมผ่านอุปกรณ์สวมใส่ได้มากกว่า 500,000 ชั่วโมง
ความสำเร็จของ GEN-1 ยืนยันแนวโน้มหนึ่ง: ในช่วงหลายปีที่ผ่านมา กฎการขยายขนาด (Scaling Law) ของโมเดลภาษาขนาดใหญ่สร้างขึ้นบนข้อมูลอินเทอร์เน็ตที่แทบจะใช้ไม่หมด ในขณะที่ปัจจุบัน กฎการขยายขนาดของปัญญาประดิษฐ์เชิงกายภาพกำลังพึ่งพาการได้มา การสร้าง และการใช้ประโยชน์อย่างมีประสิทธิภาพจากข้อมูลการโต้ตอบในโลกแห่งความเป็นจริงมากขึ้นเรื่อยๆ
ต่างจากข้อมูลอินเทอร์เน็ต เช่น ข้อความ รูปภาพ วิดีโอ ที่สามารถคัดลอก ขยายขนาด และมีต้นทุนต่ำ ข้อมูลที่ปัญญาประดิษฐ์เชิงกายภาพต้องการมักต้องสร้างขึ้นจากอุปกรณ์จริงและสภาพแวดล้อมจริง ตัวอย่างเช่น การจับ การเคลื่อนย้าย การสัมผัส และความล้มเหลวแต่ละครั้งของหุ่นยนต์ ล้วนเป็นตัวอย่างการโต้ตอบทางกายภาพที่ไม่สามารถนำกลับมาใช้ซ้ำได้
ในบริบทนี้ อุตสาหกรรมค่อยๆ ก่อตัวเป็นฉันทามติที่ชัดเจนยิ่งขึ้น: การรวบรวมข้อมูลได้กลายเป็นคอขวดสำคัญที่จำกัดการพัฒนาปัญญาประดิษฐ์เชิงกายภาพ และยังเป็นส่วนที่ยากที่สุดที่จะขยายขนาดให้ก้าวข้ามได้ในปัจจุบัน เมื่อเผชิญกับความท้าทายหลัก เช่น “ขนาดและความหลากหลายของข้อมูลไม่เพียงพอ ต้นทุนการติดป้ายกำกับสูง ความสามารถในการปรับใช้ทั่วไปอ่อนแอ” อุตสาหกรรมจำเป็นต้องหาวิธีแก้ไขอย่างเร่งด่วน
เมื่อเร็วๆ นี้ บริษัทหุ่นยนต์ฮิวแมนนอยด์ระดับอุตสาหกรรมในประเทศจีนแห่งหนึ่งเลือกที่จะปรับโครงสร้างระบบการรวบรวมข้อมูลจากแหล่งกำเนิดใหม่ และเสนอแนวทางแก้ไขใหม่
บริษัท Kepler Robotics ได้เปิดตัวระบบ “Native Full-Sensory Force-Tactile Data Acquisition System” อย่างเป็นทางการ โซลูชันนี้เชื่อมโยงวงจรปิดทั้งหมดตั้งแต่การรวบรวมฮาร์ดแวร์รับรู้แรงและสัมผัสระดับพื้นฐาน การประมวลผลข้อมูลหลายรูปแบบ ไปจนถึงการปรับใช้โมเดลขนาดใหญ่ VTLA (Vision-Tactile-Language-Action) แบบเนทีฟและการตรวจสอบการใช้งานในทุกสถานการณ์ สร้างเป็นเครื่องยนต์ข้อมูลที่สามารถขยายได้อย่างยั่งยืน
ระบบรวบรวมข้อมูลนี้มีลักษณะ “เป็นแพลตฟอร์ม” ที่เด่นชัด โดยอาศัยฮาร์ดแวร์รวบรวมที่เป็นมาตรฐาน โครงสร้างข้อมูลที่เป็นเอกภาพ และการปรับใช้แบบเนทีฟกับโมเดล ทำให้สามารถนำข้อมูลกลับมาใช้ใหม่ข้ามงาน ข้ามสถานการณ์ และแม้กระทั่งข้ามตัวหุ่นยนต์เองได้ ซึ่งหมายความว่าข้อมูลไม่ใช่สินค้าที่ใช้แล้วหมดไปอีกต่อไป แต่เป็นปัจจัยการผลิตที่สามารถสะสมและนำกลับมาใช้ซ้ำได้อย่างต่อเนื่อง
ภายใต้กรอบนี้ แนวทางการวิจัยและพัฒนาปัญญาประดิษฐ์เชิงกายภาพก็กำลังเปลี่ยนแปลงเช่นกัน: จากเดิมที่การเรียนรู้โดยการเลียนแบบ (Imitation Learning) ซึ่งนำโดยการมองเห็นเป็นหลัก (เรียนรู้จากการดู) ค่อยๆ ก้าวไปสู่การโต้ตอบทางกายภาพแบบรับรู้ครบทุกด้านโดยมีแรงและสัมผัสเป็นแกนกลาง (เข้าใจโลกผ่านการสัมผัส) ในระยะยาว ระบบรวบรวมข้อมูลนี้มีแนวโน้มที่จะกลายเป็นโครงสร้างพื้นฐานสำคัญสำหรับหุ่นยนต์ฮิวแมนนอยด์ในอนาคตที่จะก้าวไปสู่เอเจนต์อัจฉริยะแบบรับรู้ครบทุกด้าน
นวัตกรรมในระบบรวบรวมข้อมูลและแนวทางโมเดลขนาดใหญ่เชิงกายภาพของ Kepler ยังช่วยให้บริษัทได้รับความเชื่อมั่นเพิ่มเติมจากตลาดทุนอีกด้วย เมื่อเร็วๆ นี้ Kepler ได้ระดมทุนรอบ Series A++ ระดับร้อยล้านหยวน และประกาศปรับกลยุทธ์บริษัทอย่างเต็มรูปแบบ โดยจะมุ่งเน้นที่สองเส้นทางหลัก ได้แก่ “การสร้างสมองอัจฉริยะเชิงกายภาพ” และ “การรวบรวมข้อมูลแรงและสัมผัส”
ดังที่ซ่ง หัว CEO ของ Kepler กล่าวว่า “บริษัทกำลังเร่งการอัปเกรดสู่สมองอัจฉริยะ เสริมสร้างความสามารถด้านข้อมูลและโมเดล และยกระดับประสิทธิภาพการใช้งานและความแม่นยำในการทำงานของหุ่นยนต์ในสถานการณ์อุตสาหกรรมที่ซับซ้อนอย่างต่อเนื่อง”
ข้อมูลเชิงกายภาพ “ไม่ทำลายก็สร้างใหม่ไม่ได้”
ขีดจำกัดความสามารถของปัญญาประดิษฐ์เชิงกายภาพ ในที่สุดแล้วขึ้นอยู่กับความเข้าใจในโลกทางกายภาพจริง ความเข้าใจนี้ไม่สามารถได้มาอย่างลอยๆ ต้องสร้างขึ้นบนข้อมูลมหาศาล ดังนั้นข้อมูลจึงกลายเป็นรากฐานของระบบทั้งหมดที่จะวิวัฒนาการอย่างต่อเนื่องได้หรือไม่ เมื่อรากฐานไม่สามารถรองรับการพัฒนาความสามารถที่ซับซ้อนยิ่งขึ้นได้ ก็จำเป็นต้องทบทวนหรือแม้กระทั่งปรับโครงสร้างใหม่
มาดูที่ตัวข้อมูลเองก่อน
ปัจจุบันที่ใช้กันอย่างแพร่หลายที่สุดยังคงเป็นข้อมูลภาพและข้อมูลจำลอง แต่ทั้งสองอย่างมีข้อด้อยที่ชัดเจน ข้อมูลภาพสามารถ “มองเห็น” ได้เพียงอย่างเดียว รับรู้ถึงสถานะการสัมผัสและแรงที่ได้รับไม่ได้ มีจุดบอดโดยธรรมชาติในการทำงานละเอียดอ่อน เช่น การจับ การประกอบ ส่วนข้อมูลจำลองนั้นอยู่ในอุดมคติเกินไป แตกต่างอย่างมีนัยสำคัญกับสภาพแวดล้อมที่ซับซ้อนของโรงงานจริง ส่งผลให้ประสิทธิภาพของโมเดลในสถานการณ์จริงมักลดลงอย่างมาก อัตราความสำเร็จในการปรับใช้ทั่วไปในสถานการณ์อุตสาหกรรมมีเพียง 25%-30%
ต่อมาดูเส้นทางการรวบรวมข้อมูล
ในช่วงเวลาที่ผ่านมา ทีมงานหลายทีมใช้แนวคิดการรวบรวมในแนวนอนแบบ “กระจายในหลายสถานการณ์” พยายามครอบคลุมหลายสถานการณ์ เช่น บ้าน บริการ อุตสาหกรรม ในครั้งเดียวเพื่อสร้างความสามารถทั่วไป อย่างไรก็ตาม ในสถานการณ์อุตสาหกรรม เส้นทางนี้มักเดินได้ยาก สาเหตุรวมถึง: ข้อมูลกระจัดกระจายเกินไป ไม่เจาะจง ขาดความเชื่อมโยงกับความต้องการของสายการผลิตจริง อัตราส่วนผลตอบแทนต่อการลงทุนต่ำ ROI ของการรวบรวมในแนวนอนในสถานการณ์อุตสาหกรรมอาจต่ำถึง 15%
สุดท้ายดูวิธีการรวบรวมข้อมูล
ปัจจุบันข้อมูลจำนวนมากยังคงพึ่งพาการรวบรวมทีละรายการผ่านการควบคุมจากระยะไกลด้วยมนุษย์ พนักงานรวบรวมหนึ่งคนสามารถรวบรวมข้อมูลที่มีประสิทธิภาพได้เพียงประมาณ 100 รายการต่อวัน มีประสิทธิภาพต่ำและต้นทุนสูง ในขณะเดียวกัน มาตรฐานระหว่างโครงการต่างๆ ไม่เป็นเอกภาพ ส่งผลให้ข้อมูลนำกลับมาใช้ใหม่ได้ยาก ดูเผินๆ แล้วแต่ละโครงการต่างสะสมข้อมูล แต่ไม่สามารถสร้างระบบข้อมูลที่ผลิตออกมาได้อย่างยั่งยืน การพัฒนาซ้ำของโมเดลจึงถูกขัดขวางด้วย
ปัญหาข้างต้นซ้อนทับกัน นำไปสู่สถานการณ์ปัจจุบัน: ข้อมูลทั้งไม่มากพอและไม่ดีพอ
ที่สำคัญกว่านั้นคือ ปัญหานี้ไม่สามารถแก้ไขได้ด้วย “การเพิ่มปริมาณข้อมูลแบบง่ายๆ” แต่ต้องค้นหาต้นตอจากกระบวนการผลิตข้อมูลเอง: มิติการรับรู้เดียว ประสิทธิภาพการรวบรวมต่ำ ขาดความเชื่อมโยงกับสถานการณ์จริง ส่งผลให้ระบบที่มีอยู่ไม่สามารถตอบสนองความต้องการการขยายขนาดใหญ่ได้
แค่ “มองเห็น” ไม่พอ ต้อง “สัมผัส” อย่างรอบด้าน
ในกระบวนการปรับโครงสร้างรากฐานข้อมูลใหม่ แต่ละขั้นตอนจำเป็นต้องคิดใหม่ โดยเฉพาะในมิติการรับรู้ ข้อมูลที่เน้นการมองเห็นเป็นหลักในอดีตทำให้ข้อมูลขาดหายไป ทำให้โมเดลเข้าใจรายละเอียดสำคัญของการโต้ตอบทางกายภาพที่ซับซ้อนได้ยาก
การมองเห็นสามารถบอกหุ่นยนต์ได้ว่า “วัตถุอยู่ที่ไหน มีลักษณะอย่างไร” แต่เมื่อเข้าสู่การทำงานจริง หลายปัญหาสำคัญที่มองไม่เห็น เช่น เกิดการสัมผัสหรือไม่ การสัมผัสมั่นคงหรือไม่ แรงที่ใช้เหมาะสมหรือไม่ โดยเฉพาะในสถานการณ์ที่มีสิ่งกีดขวาง การสะท้อนแสง เกี่ยวข้องกับวัตถุอ่อนหรือการประกอบที่ซับซ้อน การพึ่งพาการมองเห็นเพียงอย่างเดียวทำให้มั่นใจในความเสถียรของการเคลื่อนไหวได้ยาก
การนำข้อมูลสัมผัสและแรงหกมิติเข้ามา สามารถชดเชยข้อด้อยเหล่านี้ได้อย่างเหมาะสม แรงหกมิติ หมายถึงสถานะแรงที่สมบูรณ์ที่หุ่นยนต์รู้สึกได้ในระหว่างกระบวนการสัมผัส รวมถึงแรงตามแกนสามแกน (F_x, F_y, F_z) และโมเมนต์รอบสามแกน (M_x, M_y, M_z) อันแรกอธิบายว่า “ถูกดัน/ดึงไปเท่าไร” อันหลังอธิบายว่า “ถูกบิด/หมุนไปเท่าไร”
ต่างจากการมองเห็น การตอบสนองทางสัมผัสและแรงกระทำโดยตรงต่อกระบวนการสัมผัส ให้ข้อมูลอย่างต่อเนื่อง เช่น แรงกด แรงเสียดทาน และทิศทางของแรง ทำให้หุ่นยนต์สามารถ “ทำงานไปพร้อมๆ กับรู้สึกและปรับแก้ไปด้วย”
บนพื้นฐานนี้ การตอบรับแรงเปลี่ยนวิธีการควบคุมหุ่นยนต์ ในอดีต หุ่นยนต์ส่วนใหญ่ดำเนินการเคลื่อนไหวตามวิถีที่กำหนดไว้ล่วงหน้า การเปลี่ยนแปลงของสภาพแวดล้อมมักนำไปสู่ความล้มเหลว หลังจากนำข้อมูลแรงหกมิติเข้ามาแล้ว การเคลื่อนไหวสามารถปรับเปลี่ยนแบบไดนามิกตามสถานะการสัมผัสแบบเรียลไทม์ได้
การเปลี่ยนแปลงที่ลึกซึ้งยิ่งขึ้นแสดงให้เห็นในระดับการเรียนรู้ การเรียนรู้โดยการเลียนแบบที่นำโดยการมองเห็นมักบันทึกเฉพาะวิถีการเคลื่อนไหว ไม่สนใจการควบคุมแรง ส่งผลให้การเคลื่อนไหวสามารถทำซ้ำได้แต่ปรับตัวกับสภาพแวดล้อมได้ไม่ดี หลังจากเพิ่มข้อมูลสัมผัสและแรงเข้าไปแล้ว โมเดลไม่เพียงเรียนรู้วิถี แต่ยังเรียนรู้ว่าเมื่อไรควรสัมผัส ใช้แรงเท่าไร ควรปรับอย่างไร ประสบการณ์ที่เดิมแฝงอยู่ในขั้นตอนการทำงานเหล่านี้ ได้รับการสร้างแบบจำลองอย่างชัดเจน
ด้วยเหตุนี้ ในงานที่ต้องสัมผัสอย่างหนาแน่น เช่น การจับวัตถุหลายวัสดุ การประกอบที่ละเอียดอ่อน ความเสถียรและอัตราความสำเร็จของโมเดลมักจะได้รับการยกระดับอย่างมีนัยสำคัญ
ข้อมูลสัมผัสและแรงหกมิติไม่ได้นำมาซึ่งเพียงการยกระดับประสิทธิภาพ แต่ยังเปลี่ยนวิธีที่หุ่นยนต์มีส่วนร่วมกับโลกทางกายภาพอีกด้วย จาก “แค่ดูได้” เป็น “สามารถสัมผัสได้” ไปจนถึง “เข้าใจแรงและการตอบสนองในการโต้ตอบในระหว่างกระบวนการสัมผัส” การเปลี่ยนแปลงนี้เป็นกุญแจสำคัญที่ปัญญาประดิษฐ์เชิงกายภาพจะก้าวไปสู่การใช้งานจริง
รอบแกนกลางนี้ Kepler ได้สร้างระบบรวบรวมข้อมูลแบบรับรู้ครบทุกด้านขึ้นมา โดยวางข้อมูลหลายรูปแบบ เช่น การมองเห็น แรง สัมผัส ภาษา และการเคลื่อนไหว ไว้ในกระบวนการเดียวกันเพื่อรวบรวมและจัดแนวให้เป็นเอกภาพแบบซิงโครนัส
บนฐานข้อมูลดังกล่าว หุ่นยนต์สามารถเรียนรู้ขั้นตอนการทำงานที่สมบูรณ์ยิ่งขึ้น ไม่เพียงรู้วิธีเคลื่อนไหว แต่ยังเข้าใจ “เมื่อไรควรสัมผัส ใช้แรงเท่าไร และจะปรับแบบไดนามิกอย่างไร”
ต้องทั้งละเอียดและปริมาณ: “การรวบรวมข้อมูลสองเส้นทาง” คู่ขนาน
เมื่อเผชิญกับข้อจำกัดของปัญญาประดิษฐ์เชิงกายภาพในด้านข้อมูลเอง วิธีการรวบรวม ฯลฯ Kepler ได้เสนอ “ระบบรวบรวมข้อมูลแบบรับรู้ครบทุกด้านโดยมีแรงและสัมผัสเป็นแกนกลาง” เพื่อปรับปรุงจากแหล่งผลิตข้อมูล
โดยพื้นฐานแล้ว Kepler ไม่ได้จำกัดอยู่แค่เส้นทางการปรับปรุงเดียว แต่แยกการรวบรวมข้อมูลออกเป็นสองเส้นทางที่เสริมกันอย่างสร้างสรรค์: เส้นทางหนึ่งมุ่งสู่ความแม่นยำ โดยรวบรวมข้อมูลความเที่ยงตรงสูง (High-Fidelity) อีกเส้นทางหนึ่งมุ่งสู่ขนาด เพื่อให้ได้ข้อมูลในระดับใหญ่และครอบคลุมทุกสถานการณ์
สองเส้นทางนี้ดำเนินไปคู่ขนาน สร้างสมดุลระหว่างความแม่นยำและขนาด ให้พื้นฐานข้อมูลที่มั่นคงสำหรับความสามารถในการทำงานที่ซับซ้อนของหุ่นยนต์และความสามารถในการปรับใช้ทั่วไปของโมเดล
กุญแจสู่ความแม่นยำอยู่ที่ “เส้นทางการรวบรวมแบบวงจรปิดควบคุมจากระยะไกลสองทาง” เส้นทางนี้ประกอบด้วยฮาร์ดแวร์หลัก เช่น ชุดโครงกระดูกภายนอกตอบรับแรง (Force Feedback Exoskeleton) ถุงมือตอบรับสัมผัส (Tactile Feedback Glove) และเซ็นเซอร์สัมผัสความละเอียดสูงที่ปลายหุ่นยนต์ ข้อมูลหลายรูปแบบความเที่ยงตรงสูงที่รวบรวมได้ ก่อตัวเป็นแหล่งข้อมูลสำคัญที่สนับสนุนการทำงานที่มีความแม่นยำสูงในสถานการณ์อุตสาหกรรมที่ละเอียดอ่อน
ขั้นตอนการทำงานมีดังนี้: ผู้ปฏิบัติงานสวมชุดโครงกระดูกภายนอกตอบรับแรงและถุงมือสัมผัส การเคลื่อนไหวของมือถูกจับและแมปไปยังหุ่นยนต์ หุ่นยนต์ตรวจจับการเปลี่ยนแปลงของแรง การลื่นไถล และสถานะเมื่อสัมผัสแบบเรียลไทม์ผ่านเซ็นเซอร์สัมผัสความละเอียดสูงที่ติดตั้งบนมือ ข้อมูลสัมผัสเหล่านี้ถูกแปลงเป็นการตอบรับที่รับรู้ได้ เช่น การสั่นสะเทือน แรงต้าน ฯลฯ ส่งกลับไปยังผู้ปฏิบัติงาน ผู้ปฏิบัติงานปรับการทำงานแบบไดนามิกตามการตอบรับ
กระบวนการทั้งหมดก่อตัวเป็นวงจรปิดการตอบรับสองทางที่สมบูรณ์: มนุษย์ส่งการเคลื่อนไหว หุ่นยนต์ดำเนินการ ข้อมูลสัมผัสและแรงตอบรับแบบเรียลไทม์ มนุษย์ปรับแต่งตามข้อมูลนั้น ข้อมูลที่รวบรวมด้วยวิธีนี้ได้รับการแก้ไขอย่างต่อเนื่องในการสัมผัสจริง มีความแม่นยำสูง รายละเอียดครบถ้วน ความเที่ยงตรงของข้อมูลสามารถสูงถึง 99%
ในขณะเดียวกัน ปัญหา เช่น ความล่าช้า สัญญาณรบกวน ฯลฯ สามารถแก้ไขได้ด้วยวิธีการทางเทคนิค เช่น การติดตั้งในท้องถิ่น การสื่อสารความล่าช้าต่ำ และการชดเชยเซ็นเซอร์ เพื่อให้แน่ใจว่าระบบเชื่อมโยงทำงานอย่างเสถียร บังคับความล่าช้าในระดับมิลลิวินาที และลดข้อผิดพลาดจากสัญญาณรบกวนให้ต่ำกว่า 1%
กุญแจสู่การรวบรวมในระดับใหญ่อยู่ที่ “เส้นทางการรวบรวมการสาธิตโดยมนุษย์แบบคล้าย UMI” ฮาร์ดแวร์หลักคือถุงมือที่รวมเซ็นเซอร์สัมผัสความหน
⚠️ หมายเหตุ: เนื้อหาได้รับการแปลโดย AI และตรวจสอบโดยมนุษย์ หากมีข้อผิดพลาดโปรดแจ้ง
☕ สนับสนุนค่ากาแฟทีมงาน
หากคุณชอบบทความนี้ สามารถสนับสนุนเราได้ผ่าน PromptPay
本文来自网络搜集，不代表คลื่นสร้างอนาคต立场，如有侵权，联系删除。转载请注明出处：https://www.itsolotime.com/th/archives/29895