เมื่อการสอนหุ่นยนต์ไม่ต้องเริ่มฝึกใหม่ แค่ดูมนุษย์ทำให้ดูครั้งเดียว

แนวคิดสำคัญของทั้งสองงานวิจัยคือการย้ายการเรียนรู้หุ่นยนต์จากการฝึกใหม่เฉพาะงาน ไปสู่การเลียนแบบ ณ เวลาที่ใช้งานจริง หรือ inference-time imitation

แทนที่จะเก็บข้อมูลหุ่นยนต์เพิ่มหลายร้อยตัวอย่างแล้วปรับน้ำหนักโมเดล ผู้ใช้เพียงแสดงวิดีโอสั้น ๆ ให้ระบบดู โมเดลที่ผ่านการฝึกล่วงหน้าจะใช้คลิปนั้นเป็นบริบท และสั่งให้หุ่นยนต์ลงมือทำทันที

HOST มีหลักฐานเชิงวิชาการที่เป็นระบบกว่า ขณะที่ GEN-1.5 เป็นผลลัพธ์ที่น่าสนใจจากบริษัท แต่ยังไม่มีการยืนยันโดยหน่วยงานอิสระในระดับใกล้เคียงกัน

เปรียบเทียบ HOST กับ GEN-1.5

ประเด็น	HOST	GEN-1.5
กลไกหลัก	นโยบายเลียนแบบด้วยภาพแบบ one-shot เชื่อมเป้าหมายการกระทำของหุ่นยนต์เข้ากับวิดีโอมนุษย์ และใช้การคาดการณ์ที่ยึดกับมุมมองของหุ่นยนต์เพื่อจับคู่การลงมือทำกับช่วงของงานที่สาธิต	โมเดลพื้นฐานด้านหุ่นยนต์แบบมัลติโมดัลขนาดใหญ่ ใช้การสาธิตด้านการรับรู้และการเคลื่อนไหวเป็น “พรอมป์ทางกายภาพ” ในบริบท ก่อนสร้างคำสั่งการกระทำ
อินพุตและเอาต์พุต	วิดีโอมนุษย์ คำสั่งภาษา ภาพสังเกตล่าสุดจากหุ่นยนต์ และข้อมูลสถานะร่างกายของหุ่นยนต์ หรือ proprioception จากนั้นส่งออกคำสั่งการเคลื่อนไหวโดยไม่อัปเดตพารามิเตอร์	หน่วยความจำวิดีโอได้นานสูงสุดราว 30 วินาที รวมข้อมูลเซนเซอร์ ภาษา และ proprioception ก่อนสร้างวิถีการเคลื่อนไหวที่ความถี่ 100 เฮิรตซ์
ฐานการฝึก	ฝึกสองขั้นตอน: ขั้นแรกใช้วิถีการทำงานของหุ่นยนต์ 193,462 รายการจาก 229 งาน จากนั้นปรับให้เข้ากับวิดีโอมนุษย์ด้วยคู่ข้อมูลวิดีโอมนุษย์–วิถีหุ่นยนต์ที่เก็บเอง 5,847 คู่	บริษัทระบุว่าฝึกต่อเนื่องนานกว่า 8 เดือนด้วยข้อมูลปฏิสัมพันธ์ทางกายภาพจริง และไม่มีข้อมูลจำลองในขั้นตอน pretraining
เวลาจากวิดีโอเดียว	เฉลี่ยประมาณ 29 วินาทีในการได้มาซึ่งทักษะใหม่	บริษัทระบุว่าใช้การสาธิตเพียง 3–12 วินาที
ต้องฝึกใหม่แบบเดิมหรือไม่	ไม่ต้องอัปเดตพารามิเตอร์เฉพาะงาน การได้มาซึ่งทักษะเกิดขึ้นระหว่าง inference	การใช้พรอมป์แบบ one-shot ไม่ต้องทำ gradient update หรือ fine-tuning ตามที่บริษัทระบุ
ขอบเขตงาน	ทดสอบกับงานหยิบจับใหม่ 50 งาน ครอบคลุมวัตถุ เครื่องมือ และรูปแบบการจัดการหลายชนิด โดยทำซ้ำงานละ 20 ครั้ง	บริษัทนำเสนอตัวอย่าง เช่น เปิดฝาขวดโหล รูดซิปกระเป๋า กวาดวัตถุลงชาม ใส่ปากกาลงแก้ว เทน็อต และการใช้เครื่องมือหรือด้นสด แต่ยังไม่มีชุดทดสอบสาธารณะที่ระบุรายละเอียดเทียบเท่า HOST
อัตราความสำเร็จ	เฉลี่ย 62% ในงานใหม่	ยังไม่มีหลักฐานอิสระที่เพียงพอสำหรับสรุปอัตราความสำเร็จ one-shot รวมเป็นตัวเลขเดียว
การเปรียบเทียบกับวิธีอื่น	รายงานว่าสูงกว่าวิธี zero-shot imitation ที่แข็งแกร่งที่สุด 45% และทำได้ดีกว่าการ supervised fine-tuning ที่ใช้ข้อมูลหุ่นยนต์ 50 ตัวอย่างต่องาน	หากการใช้พรอมป์อย่างเดียวไม่พอ บริษัทระบุว่าสามารถปรับแบบ few-shot ด้วย gradient 1–10 ขั้น จากข้อมูล 1–5 นาที หรือประมาณ 10–50 ตัวอย่าง
ประสิทธิภาพที่อ้าง	ได้ทักษะเร็วกว่าวิธี supervised fine-tuning ที่ใช้ข้อมูลหุ่นยนต์ 50 ตัวอย่างต่องานราว 507 เท่า	แทนการฝึกงานเฉพาะกิจที่อาจต้องใช้ gradient หลายหมื่นขั้นด้วยพรอมป์ 3–12 วินาที หรือการปรับ 1–10 ขั้นเมื่อจำเป็น ทั้งหมดนี้ยังเป็นคำกล่าวอ้างของบริษัท ไม่ใช่การเปรียบเทียบจากการทดสอบอิสระ

HOST แสดงให้เห็นอะไร

HOST เป็นตัวอย่างที่ชัดเจนของการเรียนรู้จากการสังเกตระหว่างมนุษย์กับหุ่นยนต์ หุ่นยนต์ไม่ได้พยายามถอดท่าทางมือของมนุษย์แล้วเล่นซ้ำแบบตรง ๆ แต่ใช้วิดีโอเป็นแผนที่อ้างอิงตามความคืบหน้าของงาน ขณะเดียวกันก็ประเมินภาพจากมุมมองของตัวเองและสถานะร่างกายของตัวเองเพื่อเลือกการเคลื่อนไหวที่เหมาะสม

จุดนี้สำคัญ เพราะวิดีโอมนุษย์กับหุ่นยนต์อาจมีรูปร่าง แขนกล และมุมมองไม่เหมือนกัน การเลียนแบบพิกัดการเคลื่อนไหวแบบหนึ่งต่อหนึ่งจึงอาจใช้ไม่ได้ HOST พยายามตอบคำถามว่า “ตอนนี้หุ่นยนต์อยู่ในขั้นตอนไหนของงาน และควรทำอะไรต่อเพื่อไปถึงผลลัพธ์เดียวกัน”

การทดสอบกับงานใหม่ 50 งาน งานละ 20 ครั้ง ให้หลักฐานว่าระบบถ่ายโอนทักษะไปยังวัตถุ เครื่องมือ และรูปแบบการหยิบจับที่หลากหลายได้ อย่างไรก็ตาม อัตราความสำเร็จเฉลี่ย 62% ก็แปลว่ายังมีโอกาสล้มเหลวเกือบ 4 ครั้งจากทุก 10 ครั้ง และยังไม่ใช่ความน่าเชื่อถือระดับพร้อมใช้กับทุกสถานการณ์

ในการทดสอบความทนทาน HOST ยังคงรักษาผลลัพธ์ส่วนใหญ่ของค่าเฉลี่ย 62% เมื่อเปลี่ยนแสง วัตถุ ฉาก หรือมีมนุษย์รบกวน โดยรายงานว่าผลลดลง 1%, 4%, 6% และ 9% ตามลำดับ

GEN-1.5 ใช้แนวคิด “พรอมป์ทางกายภาพ”

GEN-1.5 อธิบายแนวคิดเดียวกันในกรอบของการเรียนรู้ในบริบท หรือ in-context learning ที่เกิดขึ้นในโมเดลหุ่นยนต์ขนาดใหญ่ วิดีโอสาธิตไม่ได้ถูกนำไปฝึกนโยบายใหม่ แต่ถูกใส่ไว้ในหน้าต่างบริบทให้โมเดลใช้เป็นคำสั่งระหว่างการลงมือทำ

บริษัท Generalist AI ระบุว่า GEN-1.5 สามารถรับการสาธิตเพียง 3–12 วินาที แล้วพยายามทำงานทันทีโดยไม่ปรับน้ำหนักโมเดล ตัวอย่างที่บริษัทนำเสนอมีทั้งการเปิดขวดโหล รูดซิปกระเป๋า กวาดบล็อกลงชาม และการถ่ายโอนทักษะจากมือมนุษย์ไปยังหุ่นยนต์ นอกจากนี้ยังกล่าวถึงการต่อพฤติกรรมสองอย่างเข้าด้วยกัน การฟื้นตัวเมื่อทำพลาด การใช้เครื่องมือรูปแบบใหม่ และการนำวิดีโอจากการจำลองไปสู่การทำงานจริง

แต่คำว่า “ไม่ต้องฝึกใหม่” ของ GEN-1.5 ต้องตีความให้แม่นยำ การใช้การสาธิตเดียวเป็นพรอมป์ไม่ต้องอัปเดตพารามิเตอร์ก็จริง แต่สำหรับงานที่ยากขึ้น บริษัทมีเส้นทางแบบ few-shot ซึ่งใช้ gradient 1–10 ขั้นจากข้อมูลไม่กี่นาที ดังนั้นระบบไม่ได้ปลอดจากการปรับโมเดลในทุกกรณี

ไม่ได้เรียนรู้จากศูนย์

ความเร็วของทั้งสองระบบไม่ได้หมายความว่าหุ่นยนต์ไม่เคยได้รับการฝึกมาก่อน ตรงกันข้าม โมเดลต้องอาศัยการฝึกล่วงหน้าขนาดใหญ่เพื่อสะสมความรู้เกี่ยวกับการมองเห็น วัตถุ การสัมผัส การควบคุม และความสัมพันธ์ระหว่างการกระทำกับผลลัพธ์

สิ่งที่ลดลงคือค่าใช้จ่ายในการสอน “งานใหม่” ให้กับผู้ใช้ปลายทาง การฝึกขนาดใหญ่ถูกทำไว้ล่วงหน้าแล้ว ส่วนวิดีโอสั้นทำหน้าที่กำหนดเป้าหมาย ขั้นตอน และปฏิสัมพันธ์ที่ต้องการในครั้งนั้น

HOST ทำให้การแลกเปลี่ยนนี้เห็นเป็นตัวเลขชัดเจน: ใช้เวลารับทักษะเฉลี่ย 29 วินาที และอ้างว่าเร็วกว่า supervised fine-tuning ราว 507 เท่า นี่จึงไม่ใช่การแทนที่การฝึกทั้งหมด แต่เป็นการนำต้นทุนการฝึกพื้นฐานมาหารเฉลี่ย เพื่อให้การสอนงานเฉพาะกิจทำได้เร็วขึ้นมาก

ทำไมแนวทางนี้จึงน่าสนใจ

หากเทคโนโลยีพัฒนาไปถึงจุดที่น่าเชื่อถือ วิธีสอนหุ่นยนต์อาจใกล้เคียงกับวิธีที่มนุษย์สอนกันมากขึ้น นั่นคือ “ทำให้ดู” แทนการเขียนโปรแกรมทีละบรรทัด ออกแบบรางวัล เก็บข้อมูลการบังคับหุ่นยนต์จำนวนมาก หรือรอการฝึกโมเดลรอบใหม่

แนวทางนี้ยังอาจช่วยลดปัญหาการลืมทักษะเดิม เพราะการเรียนรู้เกิดขึ้นในบริบทของการใช้งาน โดยไม่เปลี่ยนน้ำหนักโมเดลหลัก HOST ระบุว่าสามารถเก็บทักษะเดิมไว้ได้ ขณะที่การ fine-tuning แบบเดิมมีความเสี่ยงทำให้ความสามารถก่อนหน้าลดลง

ข้อจำกัดที่ต้องจับตา

• HOST ยังเป็นหลักฐานจากการทดลองในห้องแล็บ ผลลัพธ์ 62% มาจากงานใหม่ 50 งานที่คัดเลือกและทดสอบภายใต้เงื่อนไขควบคุม จึงยังไม่ยืนยันความน่าเชื่อถือในบ้าน โรงงาน งานที่มีหลายขั้นตอนยาวนาน งานที่เกี่ยวข้องกับความปลอดภัย หรือสภาพแวดล้อมที่ควบคุมไม่ได้

• GEN-1.5 ตรวจสอบได้ยากกว่า ข้อมูลเกี่ยวกับตัวโมเดล ขอบเขตงาน ระยะเวลาฝึก การไม่มีข้อมูลจำลองใน pretraining ระยะเวลาของพรอมป์ และความสามารถด้านการปรับตัว ล้วนมาจาก Generalist AI หรือการประกาศของบริษัทเป็นหลัก

• ยังไม่มีเกณฑ์เปรียบเทียบสาธารณะที่เทียบกันได้ สำหรับ GEN-1.5 ยังขาดข้อมูลอิสระเกี่ยวกับจำนวนงานที่เป็นมาตรฐาน วิธีสุ่มทดลอง จำนวนครั้งที่ทดสอบ อัตราความสำเร็จ one-shot รวม การเปรียบเทียบกับ baseline การเปิดเผยโมเดลหรือข้อมูล และการทำซ้ำโดยบุคคลที่สาม ดังนั้นการสาธิตในปัจจุบันจึงเป็นหลักฐานถึงศักยภาพ มากกว่าจะเป็นการยืนยันว่า GEN-1.5 ทำลายสถิติด้านประสิทธิภาพแล้ว

บทสรุป

เมื่อพิจารณาร่วมกัน HOST เป็นหลักฐานว่าการให้หุ่นยนต์เรียนทักษะใหม่จากวิดีโอมนุษย์เพียงคลิปเดียว โดยไม่อัปเดตพารามิเตอร์ สามารถทำงานได้ในชุดทดสอบการหยิบจับที่กำหนดไว้ ส่วน GEN-1.5 ชี้ให้เห็นว่าการฝึกล่วงหน้าด้านกายภาพในวงกว้างอาจทำให้ความสามารถลักษณะเดียวกันเกิดขึ้นเป็นพฤติกรรมในบริบทของโมเดลหุ่นยนต์อเนกประสงค์

ทิศทางนี้มีศักยภาพอย่างมาก แต่ข้อสรุปที่รอบคอบกว่าคือ การเรียนรู้จากการสังเกตกำลังเริ่มเป็นรูปธรรม ยังไม่ใช่สิ่งที่พิสูจน์แล้วว่าสามารถแทนที่การตรวจสอบงานอย่างเข้มงวด วิศวกรรมความปลอดภัย และการปรับระบบให้เข้ากับสภาพแวดล้อมจริงที่คาดเดาไม่ได้