VLA ไม้เท้าถูกทิ้งแล้ว แบบจำลองโลกจะสนับสนุนการนำปัญญาประดิษฐ์แบบมีตัวตนไปใช้จริงได้อย่างไร?

ยุนจง ส่งมาจาก 凹非寺

Quantum Bit | บัญชี WeChat QbitAI

VLA กับ World Model: การเปลี่ยนกระบวนทัศน์ที่ถูกผลักดันโดยอุตสาหกรรม

เดือนเมษายนปีนี้ มีเหตุการณ์หนึ่งในสาขา Embodied AI ที่ดูเหมือนไม่ใหญ่โตแต่มีความหมายลึกซึ้ง

บริษัทดาวเด่นที่ก่อตั้งโดยผู้มีส่วนร่วมหลักของโมเดลอย่าง PaLM-E และ RT-2 ได้เปิดตัวโมเดลรุ่นใหม่ GEN-1 และประสบความสำเร็จในการยกระดับข้ามขั้นในสามมิติหลัก: อัตราความสำเร็จของงานเกิน 99% ความเร็วในการทำงานเพิ่มขึ้น 2-3 เท่า ปริมาณข้อมูลที่ต้องการและต้นทุน fine-tuning เพียง 1/10 ของรุ่นก่อนหน้า

เกือบในสัปดาห์เดียวกัน CEO ของบริษัท Pete Florence ได้เผยแพร่บล็อกโพสต์หนึ่ง โดยระบุชัดเจนว่า: พวกเขาไม่จัดประเภทโมเดลของตนเป็น VLA (Vision-Language-Action Model) อีกต่อไป

คำแถลงนี้มีความสำคัญเพราะ Florence เองเป็นหนึ่งในผู้ร่วมบุกเบิกแนวคิด VLA

ในบทความเขาให้เหตุผลตรงไปตรงมาว่า:

“World Model” กำลังเข้าสู่ช่วงเวลาสำคัญของมัน; ส่วนในช่วงปี 2023 ถึง 2025 ที่ได้รับความนิยมคือ VLA

การไล่ตามกระแสและเทรนด์เป็นเรื่องปกติในการวิจัยทางวิชาการ แต่หากเป้าหมายคือการบรรลุ Artificial General Intelligence (AGI) ในโลกกายภาพ เป้าหมายสุดท้ายสำคัญกว่าป้าย “เครื่องมือ” ในมือมากกว่า

ที่สำคัญกว่านั้น เขาชี้ให้เห็นถึงความจริงที่อุตสาหกรรมหลีกเลี่ยงมานาน: การนำการฝึก “Vision-Language” เข้าสู่สาขาหุ่นยนต์ ส่วนใหญ่เป็นเพราะ ข้อมูลการโต้ตอบทางกายภาพของหุ่นยนต์เองยังไม่เพียงพอ ดังนั้น VLA จึงคล้ายกับ “ไม้เท้า” ในช่วงเปลี่ยนผ่านมากกว่า

เมื่อขนาดและคุณภาพของข้อมูลการโต้ตอบทางกายภาพถึงจุดวิกฤต ไม้เท้านี้ก็ควรถูกนำออกไป แทนที่จะสร้างโครงสร้างระบบทั้งหมดรอบๆ มันต่อไป

เราจำเป็นต้องกลับไปสู่คำถามพื้นฐานมากขึ้นเพื่อคิดอย่างเป็นระบบ:

หลังจากก้าวข้าม VLA แล้ว รูปแบบของ Embodied Model รุ่นต่อไปควรเป็นอย่างไร จึงจะสามารถสนับสนุนการทำงานของหุ่นยนต์ในโลกแห่งความเป็นจริงได้อย่างต่อเนื่อง มีเสถียรภาพ และขยายขอบเขตได้อย่างแท้จริง?

นี่คือจุดแบ่งที่สำคัญ และเรียกร้องให้ผู้ปฏิบัติงานทั้งหมดทบทวนเส้นทางเทคโนโลยีด้วยวิธีคิดแบบ “กลับสู่พื้นฐาน”

ปัจจุบัน VLA และ World Model เป็นสองเส้นทางเทคโนโลยีหลักในสาขา Embodied AI

อย่างไรก็ตาม งานวิจัยหลายชิ้นที่ใช้ชื่อ “World Model” จริงๆ แล้วอยู่ในกระบวนทัศน์การสร้างวิดีโอ — พวกมันทำนายเฟรมในอนาคตในพื้นที่แฝงพิกเซล RGB หรือระดับต่ำ โดยพื้นฐานแล้วตอบคำถามว่า “เฟรมถัดไปสอดคล้องกับตรรกะภาพของวิดีโอจริงหรือไม่” ไม่ใช่ “โลกเข้าสู่สถานะใดที่มีความหมายต่อการกระทำของเอเจนต์”

โมเดลประเภทนี้อาจมีตัวชี้วัดที่โดดเด่นในชุดประเมินการสร้างวิดีโอ แต่เมื่อเชื่อมต่อกับงานหุ่นยนต์จริง จะเผยให้เห็นข้อจำกัดเชิงระบบสี่ประเภททันที:

• ข้อจำกัดด้านการแสดง (Representation Bottleneck): การสร้างแบบจำลองในพื้นที่พิกเซล บังคับให้โมเดลใช้ความจุจำนวนมากไปกับรายละเอียดภาพที่เกี่ยวข้องกับงานน้อย เช่น พื้นผิว แสง พื้นหลัง
• ข้อจำกัดด้านความจำ (Memory Bottleneck): การรวมกันของ Causal Autoregression และ KV Cache ทำให้ความซับซ้อนเชิงพื้นที่เพิ่มขึ้นตามความยาวของ trajectory งานระยะยาวมีภาระหนัก และติดตั้งอย่างมั่นคงได้ยาก
• ข้อจำกัดด้านการอนุมาน (Reasoning Bottleneck): กระบวนการแบบอนุกรมที่เข้มงวดของการรับรู้ → อนุมาน → การดำเนินการ ทำให้เกิดความล่าช้าสูงที่ฝั่งการติดตั้ง ความถี่ของการควบคุมแบบปิดวง (closed-loop control) ยากที่จะเพิ่มขึ้น ส่งผลให้การเคลื่อนไหวของหุ่นยนต์ล่าช้า “เดินๆ หยุดๆ”
• ข้อจำกัดด้านข้อมูล (Data Bottleneck): โมเดลพึ่งพาชุดข้อมูลออฟไลน์คงที่สำหรับการฝึก ขาดการไหลของข้อมูลออนไลน์ที่ต่อเนื่อง สดใหม่ และน่าเชื่อถือทางกายภาพ ทำให้ยากต่อการทำซ้ำและการวิวัฒนาการอย่างรวดเร็ว

หากข้อจำกัดทั้งสี่ประเภทนี้ไม่ได้รับการแก้ไขร่วมกัน การนำ “World Model” ไปใช้ในสาขาหุ่นยนต์จะประสบความยากลำบาก

การทบทวนมาตรฐานการประเมิน: หลายรายการ World Model Leaderboard ขาดความเชื่อมโยงกับงานหุ่นยนต์

หลังจากการเปลี่ยนกระบวนทัศน์ ปัญหาที่ซ่อนเร้นแต่สำคัญไม่แพ้กันคือ:

World Model ควรได้รับการประเมินอย่างไร?

สิ่งที่ถูกอ้างอิงอย่างกว้างขวางในปัจจุบัน ส่วนใหญ่เป็นรายการประเมินสำหรับโมเดลสร้างวิดีโอ — ตรวจสอบหลักๆ เกี่ยวกับคุณภาพภาพของเฟรมในอนาคต คะแนน FVD ความสม่ำเสมอของเวลา (temporal consistency) ระดับการจัดแนวข้อความ-วิดีโอ เป็นต้น

ตัวชี้วัดเหล่านี้สมเหตุสมผลสำหรับ “Generative Video Model” แต่ในบริบทของ Embodied AI วัตถุประเมินเริ่มเบี่ยงเบนจากเป้าหมายสุดท้าย

ข้อสรุปนี้ได้รับการสนับสนุนจากการวิจัยเชิงประจักษ์ ในเดือนกุมภาพันธ์ 2026 เกณฑ์มาตรฐาน WorldArena ที่เผยแพร่โดยสถาบันต่างๆ รวมถึงมหาวิทยาลัยชิงหวา ได้วัดความสัมพันธ์ระหว่างคุณภาพภาพและความสามารถในงาน Embodied อย่างเป็นระบบบน World Model ตัวแทน 14 รุ่น ข้อสรุปค่อนข้างตรงไปตรงมา:

คุณภาพภาพสูงไม่จำเป็นต้องแปลงเป็นความสามารถในงาน Embodied ที่แข็งแกร่ง

สิ่งที่สนับสนุนข้อสรุปนี้คือชุดข้อมูลที่หนักแน่น ตัวชี้วัดคุณภาพภาพแบบบูรณาการ EWMScore ที่สร้างขึ้นในบทความ มีสัมประสิทธิ์สหสัมพันธ์กับ การให้คะแนนอัตนัยของมนุษย์ สูงถึง Pearson r = 0.825 แต่สัมประสิทธิ์สหสัมพันธ์กับ อัตราความสำเร็จของงานในฐานะตัววางแผนการกระทำ (action planner) มีเพียง r = 0.360 — อยู่ในช่วงสหสัมพันธ์อ่อนแบบทั่วไป

ที่น่าสนใจยิ่งกว่านั้น การศึกษานี้ยังสังเกตเห็นว่าโมเดล Veo 3.1 ที่ได้คะแนนด้านภาพและสุนทรียภาพสูงสุด กลับมี “การปรับปรุงที่จำกัด” ในตัวชี้วัดงาน Embodied และมาพร้อมกับปรากฏการณ์การเลื่อนไหลของความหมาย (semantic drift) ที่ชัดเจน

โมเดลที่วาดภาพสมจริงที่สุด กลับเข้าใจการโต้ตอบทางกายภาพน้อยที่สุด

สาระสำคัญเบื้องหลังนี้คือการเบี่ยงเบนของเป้าหมายการประเมิน:

• Generative World Model ถามว่า: “ภาพในอนาคตดูเหมือนวิดีโอที่สมเหตุสมผลหรือไม่?”
• Embodied World Model ควรถามมากกว่า: “สถานะในอนาคตที่ทำนายนี้ หุ่นยนต์สามารถดำเนินการสำเร็จและบรรลุภารกิจในที่สุดได้หรือไม่?”

ช่องว่างระหว่างทั้งสองใหญ่กว่าที่เห็นจากภายนอกมาก

โมเดลหนึ่งสามารถสร้างวิดีโออนาคตที่สมจริงอย่างยิ่ง แต่ล้มเหลวบนหุ่นยนต์จริงเนื่องจากเรขาคณิตไม่แม่นยำ พลวัตไม่มั่นคง หรือการเลื่อนไหลของเวลา ในทางกลับกัน โมเดลที่ไม่ได้น่าตื่นตาตื่นใจด้านภาพ อาจได้อัตราความสำเร็จของงานที่สูงกว่าในหุ่นยนต์จริง

ดังนั้น ข้อสรุปที่ชัดเจนคือ:

ตัวชี้วัดการประเมินที่สมเหตุสมผลเพียงอย่างเดียวสำหรับ Embodied World Model ควรเป็นอัตราความสำเร็จของงานหุ่นยนต์ปลายทาง

ในแง่นี้ เกณฑ์มาตรฐานเช่น RoboTwin ที่ใช้ อัตราความสำเร็จของงานหุ่นยนต์เป็นมิติหลักในการประเมิน จึงเป็นเวทีที่ Embodied World Model ควรได้รับการทดสอบอย่างแท้จริง

มันไม่ได้ตรวจสอบว่า “สร้างออกมาสวยหรือไม่” แต่ตรวจสอบว่า “สามารถ ทำให้หุ่นยนต์ทำงานได้อย่างมั่นคงและเชื่อถือได้ในชุดงานที่หลากหลาย หรือไม่”

DexWorldModel ที่จะแนะนำต่อไปนี้ ตัวเลือกการออกแบบและวิธีการประเมินทั้งหมด ล้วนดำเนินการโดยมีเป้าหมายหลักนี้เป็นศูนย์กลาง

สแต็กเทคโนโลยีของ DexWorldModel: สี่ชั้นทำงานร่วมกัน ผลักดัน World Model สู่การปิดวงจรบนหุ่นยนต์จริง

งานของ DexWorldModel ในระดับระบบ สามารถลดทอนเป็นบัสประสานงานเดียว:

Causal Latent Space World Model + Dual-State Test-Time Memory + Speculative Asynchronous Inference + Embodied Data Chain and Online Data Stream

(ลิงก์เอกสารทางเทคนิคถูกลบแล้ว)

องค์ประกอบหลักทั้งสี่นี้ไม่ใช่โมดูลที่แยกจากกัน แต่เป็นการอัปเกรดเชิงระบบที่ทำงานร่วมกัน โดยมีเป้าหมายหลักคือ “การติดตั้งแบบปิดวงจรบนหุ่นยนต์จริง” เพื่อแก้ไขข้อจำกัดสี่ประเภทที่กล่าวถึงก่อนหน้า: การแสดง, ความจำ, การอนุมาน, ข้อมูล

01 ชั้นการแสดง: เหตุใด “Pixel Reconstruction” อาจกลายเป็นอุปสรรคแฝงต่อการสรุปความของ World Model

World Model หลายตัวเลือกทำนายอนาคตในพื้นที่พิกเซลหรือพื้นที่แฝงภาพระดับต่ำโดยตรง

เส้นทางนี้ใช้ได้ในการวิจัยทางวิชาการ แต่ในงานหุ่นยนต์จริง ความจุของโมเดลจะถูกครอบครองโดยรายละเอียดภาพที่ไม่เกี่ยวข้องกับงานจำนวนมาก เช่น พื้นผิว แสง และพื้นหลัง

สำหรับหุ่นยนต์ สิ่งสำคัญไม่ใช่ภาพเฟรมถัดไปสมจริงหรือไม่ แต่คือ โลกเข้าสู่สถานะที่สามารถดำเนินการ โต้ตอบ และดำเนินการกระทำต่อไปได้หรือไม่

Causal Latent Space World Model ที่ DexWorldModel ใช้ เปลี่ยนเป้าหมายการสร้างจากพิกเซลไปเป็นคุณลักษณะความหมายระดับสูง

ภายใต้กรอบ Flow Matching สองขั้นตอน มันแยก “การทำนายสถานะความหมายแฝงในอนาคต” และ “การสร้างการกระทำที่สอดคล้องกัน” ออกจากกันอย่างชัดเจน:

• ขั้นตอนที่หนึ่ง: ทำนายสถานะความหมายแฝงในอนาคต
• ขั้นตอนที่สอง: สร้างลำดับการกระทำตามสถานะที่ทำนาย

สาขาการทำนายวิดีโอและสาขาการสร้างการกระทำ แชร์โครงข่ายหลัก Transformer แบบ Mixture of Experts เดียวกัน มีเพียงการกำหนดพารามิเตอร์แยกกันในชั้นฉายภาพอินพุต/เอาต์พุตและการฝังขั้นตอนเวลา (time step embedding) ของ Flow Matching เท่านั้น สิ่งนี้ทำให้ “การอนุมานสถานะโลก” และ “การสร้างการกระทำ” สามารถจัดแนวกันได้ภายในแบบจำลองพลวัตเวลาเดียวกัน

ขั้นตอนนี้เปลี่ยนคำถามที่ World Model ตอบโดยพื้นฐาน: ไม่ใช่ “เฟรมถัดไปสวยไหม” อีกต่อไป แต่เป็น “โลกเข้าสู่สถานะที่มีความหมายต่อการกระทำขั้นต่อไปหรือไม่”

นี่ยังทำให้โมเดลเอาชนะการรบกวนจากพื้นหลัง วัสดุ และสัญญาณรบกวนภาพได้ง่ายขึ้น เป็นรากฐานสำหรับการสรุปความที่แข็งแกร่งและการย้ายจากสถานการณ์จำลองสู่ความเป็นจริงในภายหลัง

02 ชั้นความจำ: ปลดปล่อยงานระยะยาวจากภาระแคชประวัติที่ขยายตัวไม่หยุด

World Model แบบ Autoregressive แบบดั้งเดิมพึ่งพา KV Cache เพื่อบันทึก trajectory ในอดีต ความซับซ้อนเชิงพื้นที่คือ O(T) เมื่อ trajectory งานยาวขึ้น การใช้หน่วยความจำจะเพิ่มขึ้นแบบเส้นตรง กลายเป็นข้อจำกัดของระบบ

ปัญหานี้ไม่เด่นชัดในการประเมินรอบสั้น แต่เมื่อเผชิญกับงานปฏิบัติการจริงที่ต่อเนื่อง หลายขั้นตอน และยาวนาน มันจะจำกัดความสามารถในการติดตั้งโมเดลอย่างรวดเร็ว

DexWorldModel ใช้โมดูลความจำ Test-Time Fine-Tuning Memory เพื่อบีบอัดและเข้ารหัสการสังเกตในอดีตและการกระทำที่ดำเนินการแล้วลงในน้ำหนักของเครือข่ายความจำ และออกแบบกลไก Dual-State เพิ่มเติม:

• ความจำระยะยาว (Long-Term Memory): อัปเดตโดยใช้เฉพาะการสังเกตจริงและการกระทำที่ดำเนินการแล้ว เพื่อยึดโยงประวัติเชิงสาเหตุที่แท้จริง
• ความจำขณะทำงาน (Working Memory): ได้มาจากความจำระยะยาว ใช้เป็นบริบทชั่วคราวในขั้นตอนการทำนายปัจจุบัน
• ในกระบวนการลดสัญญาณรบกวนของ Flow Matching, Working Memory จะถูกแช่แข็ง (freeze) ไว้ และจะถูกอัปเดตเฉพาะหลังจากกระบวนการลดสัญญาณรบกวนเสร็จสิ้นเท่านั้น

คุณค่าหลักของกลไกนี้ไม่ใช่แค่ “การแทนที่การใช้งานแคช” อย่างง่าย แต่อยู่ที่ การแยกระหว่างประวัติจริงและประวัติที่คาดการณ์ (speculative history) อย่างเข้มงวด — สิ่งนี้ป้องกันไม่ให้อนาคตที่คาดการณ์ปนเปื้อนห่วงโซ่สาเหตุจริงในทางกลับกัน ขณะเดียวกันก็บีบอัดการใช้หน่วยความจำสำหรับลำดับเวลาที่ยาวให้อยู่ในระดับคงที่ O(1)

ความหมายต่อการติดตั้งชัดเจนมาก: ระบบจะไม่ต้องแบกรับภาระเพิ่มขึ้นจากการสะสมประวัติระหว่างการทำงานอย่างต่อเนื่องอีกต่อไป ดังนั้นงานระยะยาวจึงมีความเป็นไปได้ในการติดตั้งที่มั่นคงอย่างแท้จริง

03 ชั้นการอนุมาน: SAI นำการลดสัญญาณรบกวนล่วงหน้า (Pre-Denoising) มาใช้ ซ่อนเวลาการอนุมานครึ่งหนึ่งไว้ในการดำเนินการกระทำ

แม้ความสามารถของโมเดลจะเพิ่มขึ้นเอง แต่ตราบใดที่กระบวนการ “การรับรู้ → การอนุมาน → การดำเนินการ” ยังคงเป็นแบบอนุกรม ความถี่ของการปิดวงจรบนหุ่นยนต์จริงจะถูกจำกัดด้วยความล่าช้าแบบบล็อก (blocking delay) เสมอ

สิ่งที่มีค่าจริงๆ ของ World Model คือความสามารถในการทำนายอนาคต แต่หากการมองไปข้างหน้านี้ยังคงอยู่แค่ “โมเดลคิดถึงอนาคตภายใน” แต่ไม่สามารถเปลี่ยนจังหวะการทำงานของระบบหุ่นยนต์ได้ มันก็ยังห่างจากคุณค่าการติดตั้งจริงอีกก้าวหนึ่ง

SAI (Speculative Asynchronous Inference) เปลี่ยนความสามารถในการมองไปข้างหน้าของโมเดลให้เป็นผลประโยชน์ด้านเวลาของระบบ

⚠️ หมายเหตุ: เนื้อหาได้รับการแปลโดย AI และตรวจสอบโดยมนุษย์ หากมีข้อผิดพลาดโปรดแจ้ง

☕ สนับสนุนค่ากาแฟทีมงาน

หากคุณชอบบทความนี้ สามารถสนับสนุนเราได้ผ่าน PromptPay

SCAN TO PAY WITH ANY BANK