Zeva: ความจำเชิงเหตุและผลที่ช่วยให้หุ่นยนต์ปรับตัวหน้างานโดยไม่ต้องรีเทรน

Zeva คือกรอบการปรับตัวของหุ่นยนต์สำหรับงานหยิบจับและจัดการวัตถุ (embodied manipulation) ที่ทำงานในช่วงนำไปใช้งานจริง โดย ไม่อัปเดตน้ำหนัก ของนโยบายที่อิง Cosmos3 แทนที่จะวนรอบแบบเก็บข้อมูล–ติดป้ายกำกับ–ไฟน์จูน Zeva ให้หุ่นยนต์จดจำว่า “ทำอะไรแล้วโลกจริงเปลี่ยนอย่างไร” และดึงความรู้นั้นมาเป็นบริบทในการตัดสินใจครั้งถัดไป 15

กล่าวให้เห็นภาพง่าย ๆ หุ่นยนต์ไม่ได้เพียงจำว่าภาพก่อนหน้านี้หน้าตาแบบไหน แต่พยายามจำผลทางกายภาพของการกระทำ เช่น จับหลวมไปแล้วหลอดทดลองไม่ยกขึ้น หรือเอียงภาชนะในมุมหนึ่งแล้วน้ำไหลไม่ตรงเป้า จากนั้นจึงนำบทเรียนดังกล่าวไปช่วยเลือกการกระทำใหม่ โดยไม่ต้องหยุดระบบเพื่อฝึกโมเดลรอบใหม่

กลไกหลักของ Zeva ทำงานอย่างไร

1) Causal Transition Encoder: แยก “สิ่งที่ทำ” ออกจาก “ผลที่เกิด”

หลังหุ่นยนต์ลงมือทำแต่ละขั้น Zeva ใช้ Causal Transition Encoder (CTE) เข้ารหัสสถานะจากภาพ การกระทำที่สั่ง และความเปลี่ยนแปลงที่สังเกตได้ ให้เป็นตัวแทนปฏิสัมพันธ์เชิงสาเหตุในพื้นที่แฝง (latent representation) ระบบแยกข้อมูลออกเป็นโทเค็นบอกช่วง/ความคืบหน้าของงาน และสัญญาณปฏิสัมพันธ์ที่มุ่งสื่อถึงพลวัตซึ่งเกิดจากการกระทำจริง มากกว่าความสัมพันธ์ผิวเผินอย่างฉากหลังหรือสภาพแสง 14

เป้าหมายจึงไม่ใช่แค่บันทึกว่า “กริปเปอร์ขยับไปทางขวา” แต่เป็นการจับคู่ระหว่างการกระทำกับผลลัพธ์ว่า วัตถุตอบสนองอย่างไร และผลนั้นพางานเข้าใกล้หรือไกลจากเป้าหมายเพียงใด

2) ความจำสองช่วงเวลา: จำสิ่งที่เพิ่งเกิด และสะสมบทเรียนข้ามรอบ

Zeva แบ่งความจำเป็นสองชั้น เพื่อไม่ให้ประสบการณ์เฉพาะหน้าและบทเรียนที่สะสมระยะยาวปะปนกัน

• Brief Interaction Trace (BIT): เก็บหลักฐานล่าสุดภายในการลองทำครั้งปัจจุบัน เหมาะกับการแก้ความผิดพลาดที่เพิ่งเกิดหรือปรับตัวต่อสภาพเฉพาะหน้า 1
• Persistent Interaction Memory (PIM): เก็บและกลั่นหลักฐานที่เกี่ยวข้องข้ามการลองหลายรอบภายใน episode เดียวกัน เพื่อให้ทั้งความล้มเหลวและความสำเร็จส่งผลต่อการลองใหม่ครั้งต่อไป 1

กล่าวอีกแบบ BIT คล้ายความจำใช้งานระยะสั้น ส่วน PIM เป็นคลังประสบการณ์ที่คัดเลือกแล้ว หุ่นยนต์จึงไม่ต้องเริ่มจากศูนย์ทุกครั้งที่ลองใหม่ แต่ก็ไม่ควรนำสัญญาณรบกวนจากความผิดพลาดครั้งเดียวไปตัดสินใจแบบถาวร

3) In-context policy injection: ป้อนบทเรียนกลับเข้าโมเดลที่น้ำหนักถูกตรึง

เมื่อจะสร้างการกระทำขั้นถัดไป Zeva ค้นหาหลักฐานเชิงสาเหตุจาก BIT และ PIM ที่ตรงกับช่วงของงาน แล้วจัดเป็น causal prompt ป้อนเข้าสู่เส้นทางสร้างคำสั่งการกระทำของนโยบายพื้นฐานที่ถูกตรึงน้ำหนักไว้ ดังนั้นโมเดลจึงเปลี่ยนพฤติกรรมผ่าน “บริบท” ได้ โดยไม่ต้องใช้ gradient หรือปรับพารามิเตอร์ 15

ข้อดีเชิงปฏิบัติการคือ เมื่อพบการวางวัตถุหรือพฤติกรรมทางกายภาพที่ไม่คุ้นเคย ระบบไม่จำเป็นต้องมีป้ายกำกับใหม่ ไม่ต้องรันงานรีเทรน ไม่ต้องออกเวอร์ชันโมเดลใหม่ และอาจลดเวลาหยุดให้บริการได้ อย่างไรก็ดี นี่คือการเรียนรู้แบบอาศัยความจำในบริบท (in-context adaptation) ไม่ใช่การเรียนรู้ถาวรที่ถูกบันทึกลงในน้ำหนักโมเดล 16

ผลทดสอบที่ทีมรายงาน

• บนชุดจำลอง RoboCasa365-Atomic5 ซึ่งมี 5 งาน Zeva ทำสำเร็จเฉลี่ย 76.8% เทียบกับ 72.4% ของ Fast-WAM และ 64.8% ของ Cosmos3-Nano 1
• กราฟความสำเร็จสะสมที่รายงานเพิ่มจากราว 26% ในการลองพัฒนาครั้งแรก เป็น 73% ในครั้งที่ 4 แต่หลักฐานปฐมภูมิที่ให้มาระบุกราฟนี้ว่าเป็น RoboCasa365 ไม่ใช่ ChemLab-Evo ดังนั้นการระบุว่าเส้น 26% → 73% เป็นผลของ ChemLab-Evo ยังไม่มีหลักฐานปฐมภูมิรองรับ 1
• ในงาน ChemLab-Evo Level 1 บนหุ่นยนต์ ARX จริง ผลที่รายงานตลอดการลองซ้ำคือ:
  • หยิบหลอดทดลอง: 65% → 100%
  • วางบีกเกอร์: 25% → 70%
  • เทน้ำ: 30% → 80% 1
• ตารางผลสุดท้ายของ ChemLab-Evo Level 1 ให้ Zeva ที่ 100% / 70% / 80% สำหรับสามงานข้างต้น หรือเฉลี่ย 83.3% เทียบกับ Cosmos3-Nano ที่ 80% / 70% / 60% และ Fast-WAM ที่ 85% / 70% / 75% 1

การสาธิตโดยมนุษย์เพียงครั้งเดียวช่วยได้อย่างไร

Zeva รองรับการบันทึกการสาธิตแบบมนุษย์นำมือหุ่นยนต์ทำจริงหนึ่งรอบ (physically guided rollout) เข้าไปในกลไกความจำปฏิสัมพันธ์เดียวกัน เพื่อใช้เป็นการวอร์มสตาร์ต นโยบายยังคงถูกตรึงน้ำหนัก แต่ภายหลังสามารถใช้บริบทเชิงสาเหตุจากการสาธิตนั้นเพื่อทำลำดับงานซ้ำได้ 6

หลักฐานที่ให้มายืนยันกลไกวอร์มอัปจากตัวอย่างเดียวในเชิงคุณภาพ แต่ ไม่ได้ให้ตัวเลขก่อน–หลังที่ตรวจสอบได้ โดยเฉพาะสำหรับงานวางบีกเกอร์หรือเทน้ำ ดังนั้นข้อสรุปที่ระมัดระวังคือ การสาธิตดังกล่าวถูกระบุว่าช่วยวอร์มสตาร์ตหรือปรับปรุงงานเหล่านี้ได้ ไม่ควรอ้างเป็นค่าการเพิ่มขึ้นเชิงตัวเลขที่แน่นอน 6

เหตุใดโมเดลพื้นฐานที่อ่อนกว่าจึงอาจได้ประโยชน์มากกว่า

คำอธิบายที่สมเหตุผลคือเรื่องของ “พื้นที่ให้ดีขึ้น” (headroom) นโยบายที่ฝึกมาก่อนแต่ทำงานได้อ่อนกว่ามักผิดพลาดอย่างเป็นระบบมากกว่าเมื่อเจอสภาพทางกายภาพที่เปลี่ยนไป จึงมีโอกาสให้หลักฐานแก้ไขจากความจำเชิงสาเหตุช่วยได้มากกว่า ขณะที่โมเดลฐานที่แข็งแรงอยู่แล้วทำสำเร็จบ่อยกว่า และมีข้อผิดพลาดที่แก้คืนได้เหลือน้อยกว่า

อย่างไรก็ตาม นี่เป็นการตีความที่เป็นไปได้ ไม่ใช่กฎสากลที่พิสูจน์แล้วว่าโมเดลฐานที่อ่อนกว่าจะได้ผลตอบแทนจาก Zeva สูงกว่าเสมอ หลักฐานหลักแสดงผลเปรียบเทียบในงานที่ทดสอบและการดีขึ้นระหว่างใช้งานเท่านั้น 1

ทำไมจึงเลือกงานเคมี

ChemLab-Evo ถูกเลือกเพราะงานในห้องปฏิบัติการมีความแปรผันทางกายภาพที่มีความหมายและตรวจสังเกตได้ชัด ทั้งรูปทรงสำหรับการจับ ภาชนะขนาดเล็ก ความแม่นยำในการวาง การเอียงและเทของเหลว ตลอดจนขั้นตอนต่อเนื่องหลายช่วง ความล้มเหลวหลายประเภทก็วิเคราะห์ได้จากผลทางกายภาพที่เกิดขึ้น

ชุดทดสอบนี้มี 7 งานบนแขนกล ARX ตั้งแต่งานพื้นฐาน เช่น หยิบหลอดทดลอง วางบีกเกอร์ และเทน้ำ ไปจนถึงลำดับงานสั้นและกระบวนการที่ยาวขึ้น เช่น การไทเทรต การเตรียมสารละลายเกลือ การชั่งด้วยตาชั่ง และการสกัด 1 จึงเหมาะสำหรับทดสอบว่า “ความสัมพันธ์ระหว่างการกระทำกับผล” ที่จำไว้จะถ่ายโอนไปยังการลองซ้ำและทักษะที่เกี่ยวข้องได้จริงหรือไม่ แทนที่จะเป็นเพียงการเลียนแบบภาพ

ข้อแลกเปลี่ยน ข้อจำกัด และคำถามที่ยังเปิดอยู่

• ต้นทุนบริบทและการอนุมาน: การค้นคืนความจำและป้อน causal prompt เพิ่มภาระคำนวณและการประมวลผลบริบท ประวัติที่ยาวขึ้นอาจช่วยได้เพียงจนถึงจุดที่คุณภาพการค้นคืน ความหน่วง หรือขีดจำกัดของบริบทเริ่มเป็นคอขวด ผลที่มีอยู่ยังไม่ยืนยันการขยายสเกลสู่การใช้งานต่อเนื่องยาวนานมาก 1
• คุณภาพและการปนเปื้อนของความจำ: หากการเข้ารหัสเชิงสาเหตุผิด จับคู่ช่วงงานผิด หรือเก็บการลองที่ล้มเหลวซึ่งชวนให้เข้าใจผิด ระบบอาจดึงหลักฐานที่เป็นโทษมาใช้ได้ การแยก BIT กับ PIM ช่วยลดความเสี่ยงนี้ แต่ไม่ได้รับประกันว่าการสะสมความจำจะปลอดภัยเสมอ 1
• ขอบเขตของงานกายภาพที่ยังจำกัด: การทดสอบในโลกจริงเน้นวัตถุแข็งและการถ่ายเทของเหลวเป็นหลัก การทั่วไปไปสู่วัสดุที่เปลี่ยนรูปง่าย เช่น ผ้า สายเคเบิล อาหาร หรือบรรจุภัณฑ์นิ่ม รวมถึงงานสัมผัสที่ต้องพึ่งแรงและข้อมูลสัมผัส ยังไม่ได้รับการพิสูจน์ 1
• ความเสถียรของสถานที่ใช้งาน: โปรโตคอลประเมินผลรีเซ็ตสภาพแวดล้อมระหว่างการลอง และเก็บ PIM ภายใน episode ซึ่งเป็นสภาวะควบคุม ยังไม่ได้แสดงการทำงานระยะยาวในสถานที่ที่เปลี่ยนตลอดเวลา เช่น กล้องคลาดเคลื่อน อุปกรณ์สึกหรอ มีคนหรือสิ่งของเกะกะเพิ่มขึ้น หรือมีนโยบายกำกับความจำระยะยาว 1
• การย้ายข้ามแพลตฟอร์มและฮาร์ดแวร์: งานจริงใช้แขนกล ARX ในพื้นที่ทำงาน 80 × 60 ซม. จึงยังไม่ชัดว่า encoder และวิธีป้อนบริบทจะย้ายไปใช้กับแขนกล กริปเปอร์ หุ่นยนต์เคลื่อนที่ ระบบสองแขน ชุดเซ็นเซอร์ อัตราควบคุม และเงื่อนไขความปลอดภัยแบบอื่นได้ราบรื่นเพียงใด 1
• ขอบเขตประเภทงาน: วิธีนี้ทดสอบกับงานครัวและงานเคมีที่คัดเลือกมา การถ่ายโอนข้ามงานที่มีผลเชิงหน้าที่คล้ายกัน เช่น การหนีบ การยก หรือการเอียงภาชนะ ดูมีแนวโน้มที่ดี แต่การถ่ายโอนไปสู่งานที่ไม่เกี่ยวข้องกันมาก หรือคำสั่งภาษาที่หลากหลาย ยังเป็นคำถามเชิงประจักษ์ 1
• ความพร้อมของหลักฐาน: ผลลัพธ์เป็นรายงานจากงานวิจัยและโครงการ ไม่ใช่การทำซ้ำโดยหน่วยงานอิสระ แม้คำอธิบายวิธีการมีหลักฐานรองรับ แต่ความทนทานในระยะยาว การใช้กับฮาร์ดแวร์หลากชนิด วัสดุนิ่ม และหน้างานที่ควบคุมไม่ได้ ยังต้องมีหลักฐานที่แข็งแรงกว่านี้ 1

โดยสรุป Zeva เสนอแนวคิดที่น่าสนใจสำหรับหุ่นยนต์หน้างาน: ไม่ต้องเปลี่ยนน้ำหนักโมเดลทุกครั้งที่เจอสถานการณ์ใหม่ แต่ให้ใช้ความทรงจำเชิงเหตุและผลของการกระทำที่ผ่านมาเป็น “คำแนะนำเฉพาะหน้า” ความได้เปรียบคือความคล่องตัวในการปรับตัว ส่วนโจทย์สำคัญต่อจากนี้คือทำให้ความจำดังกล่าวแม่นยำ ปลอดภัย ค้นคืนได้ทันเวลา และใช้ได้จริงนอกเหนือจากสภาพทดลองที่ควบคุมไว้