ยุคฟิสิกส์ AI กับ “CUDA”: การจำลองกลายเป็นหัวใจสำคัญของข้อมูลและการประเมินผลหุ่นยนต์ได้อย่างไร?

ในช่วงทศวรรษที่ผ่านมา ข้อจำกัดของ AI อยู่ที่พลังการประมวลผล ในทศวรรษหน้า ข้อจำกัดของ Physical AI จะอยู่ที่ข้อมูล และรากฐานของข้อมูลคือการจำลองสถานการณ์ (Simulation)

หากไม่มีโลกจำลองที่สามารถขยายขนาดได้ ก็จะไม่สามารถรับข้อมูลหุ่นยนต์ที่สามารถขยายขนาดได้ หากไม่มีมาตรฐานการจำลองที่เป็นหนึ่งเดียวกัน ระบบนิเวศ Physical AI ที่แท้จริงก็ไม่อาจเกิดขึ้นได้

การจำลองสถานการณ์กำลังกลายเป็น “CUDA” แห่งยุค Physical AI

CUDA เคยเปลี่ยนการประมวลผล GPU ให้เป็นรากฐานที่เป็นหนึ่งเดียวของยุค AI ปัจจุบัน การจำลองสถานการณ์กำลังรับบทบาทเป็นชั้นมาตรฐานใหม่ของยุค Physical AI

ข้อจำกัดหลักของ Physical AI ได้เปลี่ยนแปลงไปแล้ว

ย้อนดูวิวัฒนาการของเทคโนโลยี แต่ละช่วงเวลามีข้อจำกัดสำคัญที่แตกต่างกัน

ในยุคของ Large Language Model ข้อจำกัดนี้คือพลังการประมวลผล ไม่ว่าจะเป็น GPT, Claude แบบปิด หรือ Llama, Qwen, DeepSeek แบบเปิด แก่นหลักของสาขานี้ยังคงเหมือนเดิมเสมอ: จะใช้พลังการประมวลผลมากขึ้นเพื่อตรวจสอบ Scaling Law บนชุดข้อมูลที่ใหญ่ขึ้นได้อย่างไร ขีดจำกัดของพลังการประมวลผลกำหนดขอบเขตความสามารถของโมเดล

โครงสร้างพื้นฐานที่รองรับคลื่นลูกนี้คือมาตรฐานการประมวลผลแบบครบวงจรที่นำโดย CUDA CUDA เปลี่ยน GPU จากเครื่องมือคำนวณกราฟิกให้เป็นฐานการประมวลผลอเนกประสงค์ของยุค AI ทำให้การฝึกโมเดลขนาดใหญ่มีทรัพยากรการประมวลผลที่สามารถเรียกใช้ได้ในวงกว้างเป็นครั้งแรก ใครที่ควบคุมทางเข้าของพลังการประมวลผล ผู้นั้นก็จะได้รับผลประโยชน์แห่งยุค

อย่างไรก็ตาม เมื่อเข้าสู่ยุค Physical AI ข้อจำกัดหลักกำลังเปลี่ยนจาก “พลังการประมวลผล” ไปเป็น “ข้อมูล”

โมเดลขนาดใหญ่ในอดีต เรียนรู้โลกมนุษย์โดยใช้ข้อมูลคลังข้อความจากอินเทอร์เน็ต ในขณะที่ Physical AI จำเป็นต้องเรียนรู้โลกทางกายภาพที่แท้จริง โมเดลภาษาเรียนรู้ความสัมพันธ์ระหว่างคำ ในขณะที่หุ่นยนต์เรียนรู้ว่าแรงถูกส่งผ่านอย่างไร การสัมผัสเกิดขึ้นอย่างไร การกระทำเกิดขึ้นได้อย่างไร และโลกตอบสนองอย่างไร

ซึ่งหมายความว่า ข้อมูลที่ Physical AI ต้องการ ไม่ใช่ทรัพยากรที่มีอยู่ตามธรรมชาติในอินเทอร์เน็ตอีกต่อไป แต่ต้องถูกสร้างขึ้นอย่างเป็นระบบในสภาพแวดล้อมทางกายภาพที่ “สามารถโต้ตอบได้ ดำเนินการได้ และตรวจสอบได้”

ปัญหาของข้อมูล เกิดจากความแตกต่างพื้นฐานในวิธีการเรียนรู้ของหุ่นยนต์ ศาสตราจารย์ Fei-Fei Li จากมหาวิทยาลัย Stanford เคยชี้ให้เห็นว่า: “การนำข้อมูลมาใช้ในการฝึกหุ่นยนต์นั้นยากกว่าการรวบรวมรูปภาพมาก” โมเดลหุ่นยนต์ต้องเชี่ยวชาญทักษะต่างๆ เช่น การจับ การขนย้าย การจัดการ และการเดิน สิ่งที่ต้องการไม่ใช่ภาพนิ่ง แต่เป็นข้อมูลการกระทำคุณภาพสูงจำนวนมากที่ครอบคลุมปฏิสัมพันธ์ทางกายภาพจริง

ข้อมูลประเภทนี้ไม่สามารถรวบรวมจากอินเทอร์เน็ตได้เหมือนข้อความบนเว็บ และไม่สามารถสร้างขึ้นจากความว่างเปล่าได้ด้วยการเพิ่มพลังการประมวลผลเพียงอย่างเดียว ในสาขาการขับขี่อัตโนมัติยังมี “Shadow Mode”: รถยนต์ที่ผลิตจำนวนมากหลายล้านคันวิ่งบนถนนจริงทุกวัน ทุกการกระทำของผู้ขับขี่สามารถเป็นสัญญาณ監督ตามธรรมชาติได้ แต่ในสาขาหุ่นยนต์ไม่มีโครงสร้างพื้นฐานเช่นนั้น

ด้วยเหตุนี้ Fei-Fei Li จึงเสนอเพิ่มเติมว่า สามารถใช้ข้อมูลจำลองจำนวนมากในการฝึก “สมอง” ของหุ่นยนต์ จากนั้นใช้ข้อมูลจริงจำนวนเล็กน้อยเพื่อลดช่องว่างกับโลกแห่งความจริง กล่าวอีกนัยหนึ่ง ข้อมูลหุ่นยนต์ไม่ใช่ข้อมูลคลังข้อความทางอินเทอร์เน็ตสำเร็จรูป แต่ต้องถูกผลิตขึ้นอย่างเป็นระบบในสภาพแวดล้อมที่สามารถโต้ตอบ ดำเนินการ และตรวจสอบได้ หากไม่มีระบบจำลองที่สมบูรณ์ ก็จะไม่มีข้อมูลการฝึกในวงกว้าง และจะไม่มีวิวัฒนาการอย่างต่อเนื่องของหุ่นยนต์ที่มีกายภาพ

นอกจากปริมาณข้อมูลแล้ว คุณภาพของข้อมูลก็มีความสำคัญอย่างยิ่งเช่นกัน ในอดีตเมื่อพูดถึงคุณภาพข้อมูล มักจะเน้นไปที่ตัวอย่างที่ทำงานสำเร็จ แต่ Physical AI จำเป็นต้องเข้าใจความล้มเหลวมากกว่า เช่น ทำไมวัตถุถึงหลุดมือ ทำไมการเคลื่อนไหวถึงไม่เสถียร ทำไมการสัมผัสถึงเบี่ยงเบนไปจากที่คาดไว้ มีเพียงการเปิดเผยปัญหาอย่างต่อเนื่อง การแก้ไขและรับข้อเสนอแนะ โมเดลจึงจะได้รับสัญญาณการเรียนรู้จากข้อมูลอย่างแท้จริง

ดังนั้น เบื้องหลังข้อมูลยังมีข้อจำกัดที่สำคัญพอๆ กันแต่ซ่อนเร้นมากกว่า นั่นคือ การประเมินผล (Evaluation)

การประเมินผลในยุค Large Language Model ค่อนข้างสมบูรณ์: การสูญเสียในการฝึกเป็นสัญญาณการปรับให้เหมาะสมที่เชื่อถือได้ เกณฑ์มาตรฐานที่เป็นมาตรฐาน (เช่น MMLU, HumanEval ฯลฯ) สามารถสะท้อนความก้าวหน้าของความสามารถโมเดลได้โดยตรง แต่ในสาขา Physical AI ตรรกะนี้ใช้ไม่ได้อีกต่อไป การลดลงของการสูญเสียในการฝึกและความสำเร็จของ Demo ในห้องปฏิบัติการ ไม่สามารถสะท้อนความสามารถโดยรวมของโมเดลในสภาพแวดล้อมจริงได้อย่างเต็มที่อีกต่อไป การกระทำที่ทำงานได้ในวันนี้ อาจล้มเหลวเมื่อเปลี่ยนแสงหรือพื้นผิวของวัตถุ

แก่นของปัญหาคือ: การฝึกและการประเมินผลของหุ่นยนต์ โดยพื้นฐานแล้วต้องดำเนินการซ้ำๆ ในสภาพแวดล้อมที่สอดคล้องกับกฎฟิสิกส์จริง แต่โลกแห่งความจริงไม่สามารถรีเซ็ตได้ไม่จำกัด ไม่สามารถทำงานแบบขนานในวงกว้าง และยากที่จะสร้างสถานการณ์ความล้มเหลวอย่างเป็นระบบ หากไม่มีระบบประเมินผลที่เป็นหนึ่งเดียว ทำซ้ำได้ ขนานกันได้ และวัดปริมาณได้ ข้อมูลก็จะยากที่จะชี้แนะการฝึกอย่างมีประสิทธิภาพ โมเดลก็ไม่สามารถรู้ว่าตนเองล้มเหลวที่ใด และไม่สามารถเสริมข้อมูลหรือเพิ่มความสามารถได้อย่างตรงจุด

ดังนั้น การจำลองสถานการณ์จึงไม่ใช่เครื่องมือเสริมอีกต่อไป แต่เป็นเงื่อนไขเบื้องต้นสำหรับการผลิตข้อมูลและการประเมินความสามารถของ Physical AI ใครก็ตามที่สามารถสร้างโลกจำลองที่ใหญ่ขึ้น เร็วขึ้น และสมจริงมากขึ้น ก็จะสามารถเปิดประตูทั้งสองบานของการผลิตข้อมูลและการประเมินความสามารถได้ และด้วยเหตุนี้จึงมีกุญแจสู่หุ่นยนต์ที่มีกายภาพอเนกประสงค์

การจำลองสถานการณ์: จุดยุทธศาสตร์สูงของ Physical AI ที่ยักษ์ใหญ่ระดับโลกแย่งชิง

หากข้อสรุปข้างต้นยังคงอยู่ในระดับทฤษฎี การดำเนินการหลายอย่างของยักษ์ใหญ่ระดับโลกในช่วงสิบกว่าปีที่ผ่านมา ก็ได้แสดงท่าทีด้วยเงินจริงและทองคำจริงแล้ว พวกเขาลงทุนอย่างไม่ลดละผ่านการซื้อกิจการ การเปิดซอร์ส การบ่มเพาะ และการพัฒนาเอง เพื่อฝังความสามารถในการจำลองเข้าไปในเทคโนโลยีหุ่นยนต์และมาตรฐานนิเวศของตนเอง

NVIDIA ซื้อกิจการ PhysX ซึ่งเป็นฟิสิกส์เอนจินหลักในขณะนั้นตั้งแต่ปี 2008 และผูกเข้ากับฮาร์ดแวร์ GPU ของตนเองอย่างแน่นหนา ค่อยๆ พัฒนาจากเครื่องมือฟิสิกส์เกมไปเป็นแกนจำลองความแม่นยำสูงใน Omniverse กลายเป็นโครงสร้างพื้นฐานทางฟิสิกส์หลักของแพลตฟอร์มหุ่นยนต์อย่าง Isaac Sim

Google DeepMind ซื้อ MuJoCo ในปี 2021 ซึ่งก่อนหน้านั้นเป็นเครื่องมือมาตรฐานในสาขาหุ่นยนต์และการเรียนรู้แบบเสริมกำลัง กลายเป็นตัวเลือกเริ่มต้นสำหรับบทความ การทดสอบเกณฑ์มาตรฐาน และโค้ดโอเพนซอร์ส ด้วยเหตุนี้ Google จึงเข้าควบคุมห่วงโซ่เครื่องมือของวงการวิชาการหุ่นยนต์ทั้งหมดได้อย่างราบรื่น

Drake ถูกบ่มเพาะจาก MIT CSAIL ต่อมาถูก Toyota Research Institute (TRI) เข้าดูแล กลายเป็นฐานที่ขยายได้สำหรับการจำลองพลศาสตร์ที่มีความน่าเชื่อถือสูง ส่วน Bullet ก็ผูกพันอย่างลึกซึ้งกับระบบนิเวศของ Google เมื่อผู้ก่อตั้งเข้าร่วมงาน

Disney Research เลือกเส้นทางการพัฒนาเอง: บ่มเพาะเอนจินจำลอง Kamino ที่เชี่ยวชาญด้านกลไกแบบปิดและการแก้ปัญหาการเคลื่อนที่ในสภาวะรุนแรง เพื่อแก้ปัญหาจุดเจ็บปวดที่พบบ่อยในการนำหุ่นยนต์เชิงพาณิชย์ไปใช้จริง

การดำเนินการเหล่านี้ไม่ใช่เรื่องบังเอิญ แต่เป็นการวางตำแหน่งเชิงกลยุทธ์ขององค์กรชั้นนำระดับโลกในเส้นทางการจำลองสถานการณ์ ในอดีตอุตสาหกรรมคิดว่าการจำลองเป็นเพียงเครื่องมือทางวิศวกรรม แต่วันนี้สิ่งที่ยักษ์ใหญ่ระดับโลกแย่งชิงกันจริงๆ ไม่ใช่ “เอนจินของใครเร็วกว่า” อีกต่อไป แต่เป็นใครที่จะกำหนดว่าโลกถูกสร้างแบบจำลองอย่างไร ฟิสิกส์ถูกแสดงออกอย่างไร ข้อมูลถูกสร้างขึ้นอย่างไร ความสามารถถูกประเมินอย่างไร และหุ่นยนต์ถูกฝึกอย่างไร

เพราะใครกำหนดการจำลอง ใครก็กำหนดว่าหุ่นยนต์เข้าใจโลกแห่งความจริงอย่างไร นี่ไม่ใช่การแข่งขันเรื่องเครื่องมืออีกต่อไป แต่เป็นการแข่งขันเรื่องสิทธิ์ในการกำหนดโลก

ปัญหาก็ตามมาด้วย: ตัวแก้ปัญหาเหล่านี้กระจัดกระจายอยู่ในระบบต่างๆ มาเป็นเวลานาน การแสดงออกทางฟิสิกส์ มาตรฐานสินทรัพย์ อินเทอร์เฟซการฝึก และกระบวนการประเมินผลต่างแยกจากกัน สิ่งที่ Physical AI ต้องการ ไม่ใช่เครื่องมือเฉพาะจุดอีกต่อไป แต่เป็นเอนจินศูนย์กลางที่สามารถรวมความสามารถเหล่านี้เข้าไว้ในสถาปัตยกรรมเดียวกัน

Newton: โครงสร้างพื้นฐาน Physical AI ระดับโลกเริ่มเป็นหนึ่งเดียวกันเป็นครั้งแรก

Newton ถือกำเนิดขึ้น

นี่ไม่ใช่การเปิดตัวโอเพนซอร์สธรรมดา แต่เป็นครั้งแรกที่โครงสร้างพื้นฐาน Physical AI ระดับโลกเริ่มเป็นหนึ่งเดียวกัน ในช่วงสิบกว่าปีที่ผ่านมา การประมวลผลแบบขนาน GPU, พลศาสตร์การสัมผัสความแม่นยำสูง, การแก้ปัญหากลไกที่ซับซ้อน, การจำลองการเรียนรู้แบบเสริมกำลัง, การตรวจสอบหุ่นยนต์ระดับอุตสาหกรรม ต่างกระจัดกระจายอยู่ในระบบต่างๆ Newton เป็นความพยายามครั้งแรกที่จะรวมความสามารถเหล่านี้เข้าไว้ในสถาปัตยกรรมเปิดเดียวกัน

สิ่งที่มันพยายามทำให้เป็นหนึ่งเดียวคือโมเดลโลกเบื้องล่างของ Physical AI

ในเดือนกันยายน 2025 NVIDIA, Google DeepMind และ Disney Research ร่วมกันเปิดซอร์สฟิสิกส์จำลองเอนจิน Newton เวอร์ชัน Beta นี่ไม่ใช่ความพยายามโอเพนซอร์สเฉพาะจุดของบริษัทใดบริษัทหนึ่ง แต่เป็นผลงานของวิศวกรและนักวิจัยหลายร้อยคนจากสามองค์กรชั้นนำระดับโลกที่ใช้เวลาเกือบสองปีในการพัฒนาอย่างต่อเนื่อง เพื่อรวมความสามารถในการจำลองที่แข็งแกร่งที่สุดของแต่ละฝ่ายเข้าไว้ในสถาปัตยกรรมเปิดเดียวกัน

NVIDIA นำเสนอการเร่งความเร็วแบบเนทีฟ GPU, กรอบงาน Warp และระบบนิเวศ Isaac ในช่วงสิบกว่าปีที่ผ่านมา NVIDIA ผลักดัน GPU จากการคำนวณกราฟิกไปสู่การคำนวณอเนกประสงค์ ไปสู่การฝึก AI และการจำลองทางฟิสิกส์อย่างต่อเนื่อง มาถึง Newton ความสามารถนี้ถูกขยายไปสู่สถานการณ์การเรียนรู้ของหุ่นยนต์: ขนานสูง ขยายได้ และสามารถผสานรวมกับโครงสร้างพื้นฐานการฝึก AI สมัยใหม่ได้อย่างลึกซึ้ง

Google DeepMind นำเสนอการสะสมระยะยาวของ MuJoCo ในด้านการเรียนรู้ของหุ่นยนต์และพลศาสตร์การสัมผัสความแม่นยำสูง MuJoCo เคยเป็นหนึ่งในเครื่องมือจำลองที่สำคัญที่สุดในการวิจัยการเรียนรู้แบบเสริมกำลังและการควบคุมหุ่นยนต์ และ Newton ได้ย้ายความสามารถด้านพลศาสตร์ความแม่นยำสูงนี้ไปยังกรอบงานเนทีฟ GPU ทำให้สามารถรองรับการฝึกและการประเมินแบบขนานในวงกว้างได้

Disney Research นำความสามารถในการจำลองเช่น Kamino เข้ามา แตกต่างจากรูปแบบหุ่นยนต์มาตรฐาน Disney เผชิญกับปัญหากลไกแบบปิด โครงสร้างที่ซับซ้อน รูปแบบที่ไม่ได้มาตรฐาน และการควบคุมการเคลื่อนที่ในสภาวะรุนแรงมาเป็นเวลานาน ซึ่งทำให้เกิดการสะสมที่เป็นเอกลักษณ์ในการแก้ปัญหาที่เสถียรของกลไกที่ซับซ้อน Newton ได้ดูดซับเส้นทางนี้เข้าไปในสถาปัตยกรรมที่เป็นหนึ่งเดียว ทำให้การจำลองหุ่นยนต์ไม่จำกัดอยู่แค่ระบบวัตถุแข็งแบบดั้งเดิมอีกต่อไป แต่ครอบคลุมถึงกลไกที่ซับซ้อน วัสดุยืดหยุ่น และปฏิสัมพันธ์ทางฟิสิกส์หลายรูปแบบ

กล่าวอีกนัยหนึ่ง Newton เป็นครั้งแรกที่รวมการประมวลผลแบบขนาน GPU, พลศาสตร์การสัมผัสความแม่นยำสูง, การแก้ปัญหากลไกที่ซับซ้อน และระบบนิเวศการเรียนรู้ของหุ่นยนต์เข้าไว้ในสถาปัตยกรรมโอเพนซอร์สเดียวอย่างเป็นระบบ

การออกแบบแบบโมดูลาร์ การเร่งความเร็ว GPU แบบเนทีฟ คุณสมบัติการหาอนุพันธ์อัตโนมัติ และกลไกการทำงานร่วมกันข้ามระบบนิเวศ ทำให้ Newton ก้าวข้ามขอบเขตของฟิสิกส์เอนจินแบบดั้งเดิม กลายเป็นฐานจำลองที่เป็นหนึ่งเดียวที่ออกแบบมาโดยเฉพาะสำหรับการฝึก ประเมิน และปรับใช้ Physical AI

คุณสมบัติเหล่านี้เองที่ทำให้ Newton ครอบครองจุดยุทธศาสตร์สูงในโครงสร้างพื้นฐาน Physical AI ตั้งแต่แรกเริ่ม

ที่น่าสนใจคือ ในแผนที่โครงสร้างพื้นฐานการจำลอง Physical AI ที่วาดร่วมกันโดยองค์กรชั้นนำระดับโลกนี้ มีบริษัทจีนปรากฏตัวเป็นครั้งแรก

บริษัทจีนเข้าสู่ชั้นกำหนดมาตรฐาน Physical AI ระดับโลกเป็นครั้งแรก

ในเดือนมีนาคมปีนี้ Lightwheel Intelligence ได้รับเชิญอย่างเป็นทางการให้เข้าร่วมโครงการฟิสิกส์จำลองเอนจินแบบโอเพนซอร์สที่เร่งด้วย GPU อย่าง Newton ในฐานะสมาชิกคณะกรรมการ指導หลัก โดยมีบทบาทนำในทิศทางเทคโนโลยีการจำลองหุ่นยนต์ที่มีกายภาพที่สำคัญ พร้อมกับองค์กรต่างๆ เช่น NVIDIA, Google DeepMind, Disney Research ในการนำการกำหนดมาตรฐานการจำลอง Physical AI แบบโอเพนซอร์สรุ่นต่อไป

ในเวลาเดียวกัน Toyota Research Institute (TRI) ก็ได้เข้าร่วม โดยนำฐานซอฟต์แวร์ที่ขยายได้สำหรับการจำลองพลศาสตร์ที่มีความน่าเชื่อถือสูงอย่าง Drake มาช่วยเสริมสร้างเทคโนโลยีของ Newton ให้สมบูรณ์ยิ่งขึ้น

นี่เป็นครั้งแรกที่บริษัทจีนเข้าร่วมในการกำหนดมาตรฐานโครงสร้างพื้นฐานการจำลอง Physical AI ระดับโลกในฐานะผู้ร่วมสร้างหลัก ย้อนกลับไป ระบบนิเวศระบบปฏิบัติการถูกกำหนดโดย Microsoft และ Apple ระบบนิเวศมือถือถูกกำหนดโดย Apple และ Google กรอบการฝึก AI และมาตรฐานการคำนวณถูกนำโดยยักษ์ใหญ่อย่าง NVIDIA และ Google ปัจจุบัน ในด้านมาตรฐานการจำลอง Physical AI ในที่สุดก็มีบริษัทจีนเข้าร่วมเป็นแกนกลาง

เหตุผลที่ Lightwheel Intelligence สามารถเข้าร่วม Newton TSC ได้นั้น อาศัยแพลตฟอร์มเทคโนโลยีสามเสาหลักที่พัฒนาด้วยตนเองแบบครบวงจร “การแก้ปัญหา-การวัด-การสร้าง”

• ประการแรก ด้วยตัวแก้ปัญหาและระบบการวัดทางฟิสิกส์ที่พัฒนาด้วยตนเอง Lightwheel นำวิวัฒนาการอย่างต่อเนื่องของความสามารถหลักของเอนจิน Newton ซึ่งรวมถึงการตรวจสอบทางฟิสิกส์และการสอบเทียบอย่างเป็นระบบของตัวแก้ปัญหา การเพิ่มประสิทธิภาพการสร้างแบบจำลองการสัมผัสและสนามฟิสิกส์หลายรูปแบบ และการปรับปรุงความสอดคล้องระหว่างผลการจำลองกับโลกแห่งความจริงอย่างต่อเนื่อง
• ประการที่สอง รอบๆ ระบบ SimReady Lightwheel มุ่งมั่นที่จะผลักดันให้เกิดความเป็นหนึ่งเดียวกันมากขึ้นในด้านข้อกำหนดคุณสมบัติทางฟิสิกส์ รูปแบบข้อมูล มาตรฐานอินเทอร์เฟซ กระบวนการตรวจสอบ และระบบการประเมินของสินทรัพย์จำลอง เพื่อปรับปรุงมาตรฐานโลกจำลองรุ่นต่อไป
• ประการที่สาม อาศัยโรงงานวัดทางฟิสิกส์และระบบการสร้างสินทรัพย์ Lightwheel เพิ่มขีดความสามารถในการจัดหาโลก SimReady ในวงกว้างอย่างต่อเนื่อง สร้างคลังสินทรัพย์จำลองและสถานการณ์จำลองที่มีความเที่ยงตรงสูงและนำกลับมาใช้ใหม่ได้ เพื่อจัดหาทรัพยากรจำลองที่สามารถใช้งานได้โดยตรงให้กับนักพัฒนาทั่วโลก

“การแก้ปัญหา การวัด การสร้าง” ทั้งสามส่วนประกอบเป็นวงจรปิดที่สมบูรณ์ตั้งแต่การสร้างแบบจำลองทางฟิสิกส์ การตรวจสอบเอนจิน ไปจนถึงการนำไปใช้ทางวิศวกรรม ซึ่งหมายความว่า Newton ไม่เพียงแต่สามารถคำนวณได้เท่านั้น แต่ยังมีความสามารถในการตรวจสอบได้ นำกลับมาใช้ใหม่ได้ และขยายขนาดเพื่อเข้าสู่กระบวนการทางอุตสาหกรรมจริง

ด้วยเหตุนี้ Lightwheel Intelligence จึงกลายเป็นบริษัทจีนเพียงแห่งเดียวในโครงสร้างการร่วมสร้างหลักของ Newton TSC ซึ่งเป็นเครื่องหมายว่าบริษัทได้รับการยอมรับอย่างเป็นทางการในระดับระบบนิเวศระหว่างประเทศสำหรับความสามารถและอิทธิพลในด้านเทคโนโลยีพื้นฐาน Physical AI

อันที่จริง การวางแผนของ Lightwheel Intelligence ในระบบนิเวศโอเพนซอร์สระหว่างประเทศนั้นไม่ได้จำกัดอยู่แค่ Newton เพียงจุดเดียว

ก่อนหน้านี้ Lightwheel Intelligence ร่วมกับ NVIDIA เปิดซอร์สกรอบการประเมินกลยุทธ์หุ่นยนต์ Isaac Lab-Arena เพื่อผลักดันการประเมินโมเดลขนาดใหญ่ที่มีกายภาพไปสู่เส้นทางที่ทำซ้ำได้ ขยายได้ และปรับขนาดได้ แพลตฟอร์มจำลอง LeIsaac ที่พัฒนาด้วยตนเองได้รับการบันทึกไว้ในเอกสารทางการของ Hugging Face กลายเป็นกรอบงานวิศวกรรมมาตรฐานสำหรับนักพัฒนาทั่วโลกในการเข้าสู่สาขาการจำลองหุ่นยนต์ที่มีกายภาพ นอกจากนี้ Lightwheel ยังร่วมมือกับ World Labs เพื่อแก้ปัญหาการประเมินโมเดลโลกผ่าน RoboFinals และร่วมมือกับ Tongyi Qianwen เพื่อสร้างวงจรปิดการประเมินระดับอุตสาหกรรมที่ทำซ้ำได้และวินิจฉัยได้ผ่าน RoboFinals ผลักดันการประเมินหุ่นยนต์อัจฉริยะที่มีกายภาพจากเกณฑ์มาตรฐานทางวิชาการไปสู่โครงสร้างพื้นฐานระดับอุตสาหกรรม

ตั้งแต่เอนจินฟิสิกส์เบื้องล่าง ไปจนถึงแพลตฟอร์มนักพัฒนา ไปจนถึงกรอบการประเมินและวงจรปิดระดับอุตสาหกรรม Lightwheel Intelligence ไม่ได้เข้าร่วมในโครงการที่โดดเดี่ยว แต่เป็นเส้นทางระบบนิเวศที่ชัดเจน: เอนจินฟิสิกส์เบื้องล่างกำหนด “โลกทำงานอย่างไร” แพลตฟอร์มจำลองกำหนด “นักพัฒนาใช้งานอย่างไร” กรอบการประเมินกำหนด “โมเดลถูกวัดอย่างไร” และวงจรปิดการประเมินระดับอุตสาหกรรมกำหนด “ความสามารถพัฒนาอย่างต่อเนื่องอย่างไร”

คุณค่าของเส้นทางระบบนิเวศนี้ได้รับการพิสูจน์แล้วในตลาด ปัจจุบัน Lightwheel Intelligence กลายเป็นผู้จัดหาสำคัญของโครงสร้างพื้นฐานการจำลองและข้อมูล Physical AI ระดับโลก ให้บริการแก่ทีมโมเดลโลก 5 อันดับแรกของโลกทั้งหมด ในทีมหุ่นยนต์อัจฉริยะที่มีกายภาพกระแสหลักระดับนานาชาติ สินทรัพย์จำลองและข้อมูลสังเคราะห์มากกว่า 80% มาจาก Lightwheel

บนเส้นทางนี้ บทบาทของ Lightwheel Intelligence ได้เปลี่ยนไปแล้ว: มันไม่ได้เป็นเพียงผู้จัดหาสินทรัพย์จำลองและข้อมูลสังเคราะห์ให้กับทีมโมเดลชั้นนำอีกต่อไป แต่กำลังนำการสร้างโครงสร้างพื้นฐานโอเพนซอร์ส แพลตฟอร์มนักพัฒนา และมาตรฐานการประเมินในยุค Physical AI

บริษัทจีนยืนอยู่ในตำแหน่งสำคัญของการก่อตัวของมาตรฐานโครงสร้างพื้นฐานการจำลอง Physical AI ระดับโลกเป็นครั้งแรกในฐานะผู้ร่วมสร้างเทคโนโลยีหลัก

ทีมผู้เชี่ยวชาญด้านการจำลอง Physical AI ระดับโลก 5 อันดับแรก

เมื่อพิจารณาองค์ประกอบบุคลากรของ Newton TSC ก็เรียกได้ว่าดาราดังส่องแสง

• Miles Macklin Ph.D. (NVIDIA): ผู้อำนวยการอาวุโสฝ่ายวิศวกรรมเทคโนโลยีจำลองของ NVIDIA ผู้ร่วมสร้างกรอบงาน Warp หากความเร็วของ Newton มีต้นกำเนิดทางเทคนิค นั่นก็คือการสะสมอย่างลึกซึ้งของ Macklin และทีมงานของเขาในด้านการจำลองฟิสิกส์แบบขนาน GPU กว่าสิบปี
• Yuval Tassa Ph.D. (Google DeepMind): หัวหน้าทีมจำลองหุ่นยนต์ ผู้ร่วมก่อตั้ง MuJoCo เขาแก้ปัญหาการรวม MuJoCo-Warp ทำให้ความแม่นยำทางฟิสิกส์ของ MuJoCo กลับมามีชีวิตอีกครั้งบน GPU Tassa เป็นตัวแทนของเส้นทางการจำลองความแม่นยำสูงที่เป็นแกนกลางที่สุดในวงการวิชาการหุ่นยนต์
• Chen Xie Ph.D. (Lightwheel Intelligence): ผู้ก่อตั้งและซีอีโอของ Lightwheel Intelligence อดีตหัวหน้าฝ่ายจำลองการขับขี่อัตโนมัติที่ NVIDIA และ Cruise ทุ่มเทให้กับการนำการจำลองและข้อมูลสังเคราะห์ไปใช้ในอุตสาหกรรมการขับขี่อัตโนมัติและ Physical AI มาเป็นเวลานาน เขาเป็นคนแรกในโลกที่นำ Generative AI มาใช้ในการจำลอง และเป็นผู้นำในการกำหนดเส้นทางเทคโนโลยีจำลองแบบครบวงจรที่พัฒนาด้วยตนเอง “การแก้ปัญหา-การวัด-การสร้าง” ของ Lightwheel
• Moritz Bächer Ph.D. (Disney Research): หัวหน้า Disney Research สวนสนุกของ Disney อาจเป็นสภาพแวดล้อมที่เข้มงวดที่สุดสำหรับหุ่นยนต์เพื่อความบันเทิงในโลก และตัวแก้ปัญหา Kamino ก็ถือกำเนิดขึ้นภายใต้การนำของเขา
• Michael Sherman Ph.D. (TRI): ผู้เชี่ยวชาญอาวุโสด้านโครงสร้างพื้นฐานการจำลองหุ่นยนต์ ในฐานะหนึ่งในผู้รับผิดชอบหลักด้านการจำลองหุ่นยนต์ของ TRI เส้นทางอาชีพของเขาครอบคลุมแพลตฟอร์มการจำลองสำคัญหลายรุ่น เช่น SD/FAST, Simbody, OpenSim, Drake

เมื่อเทียบกับผู้ก่อตั้งหลักด้านการจำลองระดับโลกทั้งสี่คนนี้ จุดเด่นของ Dr. Chen Xie คือ: เขาไม่ได้มาจากตัวแก้ปัญหาเดียว ระบบวิชาการเดียว หรือโมดูลวิศวกรรมเฉพาะจุด แต่ในคลื่นอุตสาหกรรมสองรุ่นของการขับขี่อัตโนมัติและ Physical AI เขาได้นำการนำโครงสร้างพื้นฐานการจำลองไปใช้ในทางวิศวกรรม การขยายขนาด และการนำไปใช้อย่างเป็นระบบอย่างต่อเนื่อง

เขาเคยนำการสร้างระบบจำลองการขับขี่อัตโนมัติที่ Cruise และ NVIDIA ตรวจสอบคุณค่าของการจำลองและข้อมูลสังเคราะห์ต่อวิวัฒนาการของอัลกอริทึมในการขับขี่อัตโนมัติระดับ L4 และมีบทบาทสำคัญในกระบวนการที่โครงสร้างพื้นฐานการจำลองระดับโลกเปลี่ยนผ่านจากยุคการขับขี่อัตโนมัติไปสู่ยุค Physical AI

ในกระบวนการนี้ Dr. Chen Xie ได้สร้างมุมมองเชิงระบบที่แตกต่างจากผู้เชี่ยวชาญด้านการจำลองแบบดั้งเดิมอย่างสิ้นเชิง: การจำลองไม่ใช่ตัวแก้ปัญหา ชุดเครื่องมือ หรือสภาพแวดล้อมเสมือนสำหรับการทดสอบ แต่เป็นระบบการศึกษาที่สมบูรณ์ซึ่งครอบคลุมการสร้างข้อมูล การฝึกโมเดล การประเมินความสามารถ และการปรับใช้จริง

ในยุคการขับขี่อัตโนมัติ การจำลองส่วนใหญ่ให้บริการด้านการรับรู้ทางภาพ การเล่นซ้ำสถานการณ์ และการทดสอบการถดถอย เมื่อเข้าสู่ขั้นตอนของหุ่นยนต์และ Physical AI การจำลองยังต้องแก้ปัญหาปฏิสัมพันธ์ทางกายภาพจริง เช่น การสัมผัส การส่งผ่านแรง การเปลี่ยนรูปของวัสดุ ความล้มเหลวของการกระทำ และสนับสนุนให้โมเดลเรียนรู้อย่างต่อเนื่องในสภาพแวดล้อมที่ทำซ้ำได้และขยายขนาดได้

ในปี 2023 การก่อตั้ง Lightwheel Intelligence มีเป้าหมายที่จะทำให้การตัดสินนี้เป็นระบบ เปลี่ยนเป็นโครงสร้างพื้นฐานการจำลองแบบครบวงจรที่สามารถนำไปใช้ ส่งมอบ และขยายขนาดได้ สิ่งที่ Lightwheel สร้างขึ้นไม่ใช่เครื่องมือจำลองเฉพาะจุด แต่เป็นวงจรปิดที่สมบูรณ์ซึ่งมีศูนย์กลางอยู่ที่การแก้ปัญหา การวัด การสร้าง การฝึก การประเมิน และการปรับใช้ นำการจำลองจาก “เครื่องมือตรวจสอบเสริม” ไปสู่ระบบการผลิตหลักของ Physical AI

ดังนั้น การเข้าร่วม Newton TSC ของเขาจึงไม่ใช่เพียงเกียรติส่วนบุคคล แต่เป็นเครื่องหมายว่าพลังของจีนได้เข้าสู่พิกัดหลักของโครงสร้างพื้นฐาน Physical AI ระดับโลกในฐานะผู้สร้างหลักเป็นครั้งแรก

การจำลองคือ CUDA แห่งยุค Physical AI

ทศวรรษที่ผ่านมาแข่งขันกันที่พลังการประมวลผล ทศวรรษหน้าจะแข่งขันกันที่ข้อมูล และเงื่อนไขเบื้องต้นของข้อมูลคือการจำลอง

ในปี 2006 NVIDIA เปิดตัว CUDA ก่อนหน้านั้น GPU ถูกมองว่าเป็นเครื่องมือคำนวณกราฟิกเป็นหลัก นักพัฒนาทั่วไปมีอุปสรรคสูงในการเรียกใช้ความสามารถในการประมวลผลแบบขนาน CUDA ทำให้ความสามารถในการประมวลผลของ GPU เป็นอินเทอร์เฟซมาตรฐานชุดหนึ่ง ทำให้นักพัฒนาสามารถเรียกใช้ได้ในวงกว้าง

สาเหตุที่ CUDA ประสบความสำเร็จอย่างเด็ดขาด อยู่ที่ว่ามันทำงานหลักสามอย่างพร้อมกันในช่วงเวลาสำคัญ: ประการแรก สร้างมาตรฐานเบื้องล่างที่เป็นหนึ่งเดียว ทำให้ทรัพยากรการประมวลผลที่กระจัดกระจายสามารถถูกจัดสรรได้อย่างมีประสิทธิภาพและเป็นหนึ่งเดียว ประการที่สอง สร้างชุดเครื่องมือที่สมบูรณ์ เช่น cuDNN เพื่อ “แปล” ความสามารถในการประมวลผลเบื้องล่างเป็นผลผลิตที่นักพัฒนาสามารถเรียกใช้ได้สะดวก และประการที่สาม ผ่านระบบนิเวศแบบเปิด ทำให้มาตรฐานนี้มีความเป็นสากลข้ามสถานการณ์ ข้ามนักพัฒนา และข้ามกระบวนการฝึกโมเดล

ปัจจุบัน Physical AI กำลังยืนอยู่ที่จุดเปลี่ยนทางประวัติศาสตร์ที่คล้ายคลึงกันอย่างยิ่ง ในยุค Large Language Model CUDA กำหนด “วิธีการเรียกใช้การคำนวณ” ในขณะที่ในยุค Physical AI การจำลองจำเป็นต้องกำหนด “วิธีการสร้างโลก” เนื่องจากสิ่งที่หุ่นยนต์ต้องการจริงๆ คือโลกทางกายภาพที่สามารถโต้ตอบ ดำเนินการ ประเมิน และถ่ายโอนได้มากขึ้น ดังนั้น การจำลองกำลังเปลี่ยนจากเครื่องมือเสริม กลายเป็นมาตรฐานพื้นฐานที่กำหนดอุตสาหกรรม: มันต้องกำหนดสถานการณ์การฝึกของหุ่นยนต์ ตรรกะการแสดงออกของโลก และวิธีการผลิตข้อมูลและการประเมินผลลัพธ์

ย้อนดูประวัติศาสตร์ ทุกครั้งที่หน้าต่างของมาตรฐานโครงสร้างพื้นฐานปิดลง คู่แข่งในภายหลังก็ยากที่จะได้รับสิทธิ์ในการกำหนดอีกต่อไป ในยุค PC ระบบนิเวศระบบปฏิบัติการถูกนำโดย Microsoft และ Apple ในยุคมือถือ ระบบนิเวศแอปพลิเคชันถูกกำหนดโดย Apple และ Google ในยุค Large Language Model กรอบการฝึกและมาตรฐานการคำนวณถูกกำหนดโดย CUDA

และตอนนี้ ชั้นการจำลองของ Physical AI อยู่ในช่วงหน้าต่างที่กฎเกณฑ์ยังไม่ถูกกำหนดตายตัว ใครก็ตามที่สามารถกำหนดว่าโลกถูกแสดงออกอย่างไร ข้อมูลถูกสร้างขึ้นอย่างไร ความสามารถถูกประเมินอย่างไร และหุ่นยนต์ถูกฝึกอย่างไร ก็มีโอกาสที่จะกำหนดอนาคตของ Physical AI

หน้าต่างนี้จะไม่เปิดอยู่ตลอดไป

และครั้งนี้ บริษัทจีนได้ยืนอยู่ในตำแหน่งที่เขียนกฎเกณฑ์เป็นครั้งแรก