Cog-WM 1.0 ของ EBKernel: โมเดลโลกเชิงการรับรู้สำหรับหุ่นยนต์ทำอะไรได้บ้าง

EBKernel เปิดตัว Cog-WM 1.0 ในงาน 2026 Pujiang Innovation Forum ที่นครเซี่ยงไฮ้ โดยอธิบายว่าเป็น “โมเดลโลกเชิงการรับรู้” สำหรับหุ่นยนต์ ซึ่งได้แรงบันดาลใจจากกลไกการรับรู้ของสมอง เป้าหมายคือให้หุ่นยนต์นำทางและจัดการวัตถุได้ในพื้นที่ไม่คุ้นเคย โดยไม่จำเป็นต้องมีแผนที่ของสถานที่ติดตั้งไว้ล่วงหน้า 39

Cog-WM 1.0 พยายามแก้ปัญหาอะไร

แนวคิดของ world model คือการสร้างแบบจำลองภายในของสภาพแวดล้อม เพื่อคาดการณ์ว่าเมื่อหุ่นยนต์ทำการกระทำหนึ่งแล้ว อะไรน่าจะเกิดขึ้นต่อไป สำหรับ Cog-WM นั้น EBKernel ระบุว่าใช้การคาดการณ์ใน latent space หรือพื้นที่แทนข้อมูลเชิงนามธรรม กล่าวคือ ระบบไม่ได้มุ่งสร้างภาพทุกพิกเซลกลับขึ้นมาใหม่ แต่พยายามเข้ารหัสเฉพาะข้อมูลที่มีความหมายต่อเป้าหมายที่หุ่นยนต์กำลังทำอยู่ 3

คำอธิบายของบริษัทเชื่อมโยงสถาปัตยกรรมนี้กับหลักการของ “แผนที่เชิงการรับรู้” เช่น การอัปเดตความจำอย่างเลือกสรร การแยกความรู้เชิงพื้นที่ที่นำกลับมาใช้ซ้ำได้ออกจากประสบการณ์เฉพาะเหตุการณ์ และการคาดการณ์ในหลายช่วงเวลา แนวคิดเหล่านี้เป็นการหยิบแรงบันดาลใจจากประสาทวิทยามาใช้เชิงคำนวณ ไม่ได้หมายความว่าระบบจำลองสมองชีวภาพได้โดยตรง

ในด้านการนำทาง จุดขายสำคัญคือหน่วยความจำเชิงพื้นที่แบบชัดเจน ซึ่งช่วยให้หุ่นยนต์เลือกจุดสำรวจถัดไปและวางเส้นทางโดยอิงเป้าหมายปลายทาง แนวทางนี้มีความใกล้เคียงกับงานวิจัย BSC-Nav ที่สร้างแผนที่เชิงการรับรู้แบบอิงพิกัดโลกจากเส้นทางที่ตัวเอเจนต์มองเห็นและข้อมูลบริบท เพื่อสนับสนุนการนำทางในพื้นที่

ผลนำทางที่บริษัทรายงาน

การเปรียบเทียบที่ระบุตัวเลขชัดเจนที่สุดอยู่บนชุดย่อยของการทดสอบ HM3D-ObjectNav ซึ่งเป็นงานให้หุ่นยนต์หาเป้าหมายเป็นวัตถุในสภาพแวดล้อมจำลอง ตามรายงานของบริษัท Cog-WM 1.0 ทำได้ดังนี้

• อัตราความสำเร็จ หรือ Success Rate (SR) ที่ 86.89% เทียบกับ 78.50% ของ BSC-Nav เพิ่มขึ้น 8.39 จุดเปอร์เซ็นต์ หรือเพิ่มขึ้นเชิงสัมพัทธ์ 10.69%
• ค่า SPL ที่ 48.35 เทียบกับ 47.70 ของ BSC-Nav

SPL เป็นตัวชี้วัดที่รวมทั้งความสำเร็จและประสิทธิภาพของเส้นทาง ดังนั้น ตัวเลขที่มีอยู่ชี้ว่าความแตกต่างเด่นชัดที่อัตราไปถึงเป้าหมาย มากกว่าความสั้นหรือความคุ้มค่าของเส้นทางที่ใช้ นั่นหมายความว่า Cog-WM อาจไปถึงเป้าหมายได้บ่อยขึ้นในการทดสอบนี้ แต่ข้อมูลยังไม่ได้แสดงการก้าวกระโดดในระดับเดียวกันด้านประสิทธิภาพเส้นทาง

แล้วการหยิบจับวัตถุล่ะ

EBKernel ระบุว่าส่วนการจัดการวัตถุของ Cog-WM ทำผลงานเหนือกว่า baseline ลักษณะเดียวกับ π0.5 ซึ่งผ่านการฝึกด้วยข้อมูลจำนวนมาก ได้สูงสุดราว 16% ในชุดประเมิน 3 ชุด รวมถึง RoboTwin 2.0 3

บริษัทอธิบายว่าระบบเรียนรู้ผลลัพธ์ของการกระทำทั้งในระยะสั้นและระยะยาว พร้อมให้น้ำหนักมากขึ้นกับประสบการณ์ที่ทำให้ภารกิจคืบหน้า อย่างไรก็ตาม แหล่งข้อมูลที่เผยแพร่ยังไม่มีตารางผลลัพธ์ราย benchmark แบบครบถ้วน รายละเอียดเซ็นเซอร์ ข้อมูลฝึก หรือระเบียบวิธีประเมิน จึงยังตรวจสอบความเทียบเท่าของการเปรียบเทียบกับ baseline แบบ π0.5 ได้อย่างอิสระไม่ได้

ข้อควรระวังเดียวกันใช้กับผลการทดสอบแบบแยกองค์ประกอบ หรือ ablation บน LIBERO-Plus ที่รายงานว่าคะแนนเพิ่มจากราว 80% สำหรับ policy เพียงอย่างเดียว ไปสู่ 84.6% สำหรับระบบเต็มรูปแบบ เมื่อยังไม่มีรายงานทางเทคนิคฉบับละเอียดหรือชุดผลลัพธ์เต็มเผยแพร่ ตัวเลขเหล่านี้จึงควรอ่านเป็น ผลวัดภายในที่บริษัทรายงาน ไม่ใช่อันดับประสิทธิภาพที่ได้รับการยืนยันโดยอิสระ

จากเบนช์มาร์กสู่หุ่นยนต์จริง

EBKernel ระบุว่าได้สาธิตความสามารถต่าง ๆ บนหุ่นยนต์หลายรูปแบบ ทั้งฮิวแมนนอยด์มีล้อและหุ่นยนต์สี่ขา ได้แก่ การนำทางโดยไม่ใช้แผนที่เดิม การวางแผนเส้นทาง การเรียกคืนความจำเชิงเวลาและพื้นที่ การตอบคำถามเรื่องความสัมพันธ์เชิงพื้นที่ และการค้นหาวัตถุ นอกจากนี้ยังระบุว่าได้ยืนยันความสามารถด้านการจัดการวัตถุบนฮิวแมนนอยด์มีล้อแล้ว 3

บริษัทมีสำนักงานใหญ่ในเซี่ยงไฮ้และก่อตั้งในปี 2025 แนวคิดใหญ่ของบริษัทคือสถาปัตยกรรมที่ให้ความสำคัญกับการรับรู้และความจำอาจช่วยลดการพึ่งพาข้อมูลมหาศาลและกำลังประมวลผลสูงของ embodied AI หรือ AI ที่ควบคุมร่างกายหุ่นยนต์ในโลกจริง 11

ควรอ่านคำกล่าวอ้างเหล่านี้อย่างไร

Cog-WM 1.0 เสนอทิศทางวิจัยที่ค่อนข้างสอดคล้องกัน ทั้งความจำเชิงพื้นที่ การคาดการณ์สถานะเชิงนามธรรม และการวางแผนโดยมีเป้าหมายเป็นตัวนำ การเปรียบเทียบกับ BSC-Nav น่าสนใจ เพราะ BSC-Nav เองก็ให้ความสำคัญกับความรู้เชิงพื้นที่ที่มีโครงสร้าง ไม่ใช่เพียงการตอบสนองต่อภาพที่เห็นในขณะนั้น

แต่ผลลัพธ์ที่น่าตื่นตาที่สุดยังมาจากการเปิดเผยของบริษัทเป็นหลัก การประเมินที่หนักแน่นกว่านี้จะต้องมีโค้ดสาธารณะหรือรายงานเทคนิคละเอียด การจับคู่ข้อมูลฝึกและเซ็นเซอร์ที่ใช้ งบประมาณการประมวลผลที่ชัดเจน และการทดสอบอิสระในสภาพแวดล้อมหลากหลาย

สรุป: Cog-WM 1.0 เป็นข้อเสนอระยะแรกที่น่าจับตาสำหรับ embodied AI โดยผสานการคาดการณ์ใน latent space เข้ากับความจำเชิงพื้นที่แบบการรับรู้ ตัวเลข benchmark ที่รายงานมีความน่าสนใจ แต่ยังไม่เพียงพอจะพิสูจน์ว่าระบบมีความเป็นอิสระอเนกประสงค์และเชื่อถือได้ในโลกเปิด