Aether ทดสอบงานปิ้งย่างกลางแจ้งในเซี่ยงไฮ้: สัญญาณสำคัญของหุ่นยนต์ร่วมงานกัน หรือยังเป็นเพียงเดโม?

การทดสอบเมื่อวันที่ 16 กันยายนในเขตหมิ่นหาง นครเซี่ยงไฮ้ เป็นการที่ Lexiang Technology ซึ่งใช้ชื่อภาษาอังกฤษว่า JoyIn Technology ถ่ายทอดสดการให้บริการร้านปิ้งย่างกลางแจ้งนานกว่าหนึ่งชั่วโมง บริษัทวางตำแหน่งเหตุการณ์นี้เป็นการทดสอบความอึดของโมเดลปัญญาประดิษฐ์เชิงกายภาพ (embodied AI) ชื่อ Aether ในสภาพใช้งานจริง แทนเดโมสั้น ๆ ที่จัดฉากไว้ล่วงหน้า หลักฐานที่มีสนับสนุนว่า Aether ควบคุมหุ่นยนต์ให้ทำงานบริการต่อเนื่องเป็นลำดับได้ แต่ยังไม่ยืนยันคำกล่าวอ้างที่กว้างกว่านั้นเรื่องประสิทธิภาพหรือความสามารถในการปรับใช้ทั่วไปของโมเดล 215

Aether คืออะไร

JoyIn ระบุว่า Aether เป็นโมเดลพื้นฐานสำหรับหุ่นยนต์เชิงกายภาพขนาดประมาณ 4 พันล้านพารามิเตอร์ ฝึกจากวิดีโอของมนุษย์ราว 200 ชั่วโมง โดยอ้างว่าใช้ข้อมูลฝึกจากหุ่นยนต์จริงเป็นศูนย์ แนวทางของบริษัทเน้นการรับรู้และการกระทำเพื่อปฏิสัมพันธ์กับโลกจริง มากกว่าการเริ่มต้นจากระบบที่เน้นข้อความเป็นหลัก ข้อมูลเหล่านี้เป็นคำกล่าวอ้างของบริษัท ไม่ใช่ผลตรวจสอบอิสระ 715

บริษัทเรียก Aether ว่าเป็นโมเดลทั่วไปแบบ ข้ามร่างหุ่นยนต์ (cross-embodiment) กล่าวคือ นโยบายหรือ “สมอง” เดียวควรใช้กับหุ่นยนต์ที่มีรูปร่างและฮาร์ดแวร์ต่างกันได้ แทนการฝึกโมเดลแยกสำหรับหุ่นยนต์แต่ละตัว ก่อนงานปิ้งย่าง บริษัทได้รับความสนใจจากวิดีโอความยาว 10 นาทีแบบเทคเดียวไม่ตัดต่อ ซึ่งบริษัทระบุว่าแสดงการทำงานประสานกันของหุ่นยนต์ต่างร่าง 1013

หุ่นยนต์สองตัวทำหน้าที่อย่างไร

รายงานระบุว่าหุ่นยนต์ตัวหนึ่งประจำเตาปิ้งย่าง ทำอาหารเสียบไม้ ขณะที่หุ่นยนต์บริการรับออร์เดอร์ ลำเลียงและเสิร์ฟอาหาร รวมถึงโต้ตอบกับลูกค้า จุดที่สะท้อนการประสานงานคือการส่งต่องาน: หุ่นยนต์หน้าเตาส่งอาหารที่ปรุงเสร็จให้หุ่นยนต์บริการ แล้วหุ่นยนต์บริการนำไปยังโต๊ะ 12

การตอบสนองของหุ่นยนต์บริการไม่ได้เหมือนกันทั้งหมด มีรายงานว่าหุ่นยนต์ตัวหนึ่งหยุดงานที่กำลังทำเพื่อไปนำน้ำมาให้เมื่อได้รับคำขอ ส่วนบางตัวตอบสนองแบบตรงไปตรงมาหรือยึดขั้นตอนเดิมมากกว่า ภาพนี้จึงแสดงทั้งศักยภาพด้านการแบ่งงาน และความแตกต่างของพฤติกรรมระหว่างหน่วยหุ่นยนต์ที่ร่วมระบบเดียวกัน 12

เหตุใดจึงหนักกว่าเดโมในสตูดิโอ

ต่างจากฉากสตูดิโอที่ควบคุมแสง วัตถุ และลำดับคำสั่งได้ งานนี้เกิดขึ้นกลางแจ้งและเปิดให้มีคำขอแบบเรียลไทม์ หุ่นยนต์ต้องรับมือผู้คนและวัตถุที่เปลี่ยนไป การขัดจังหวะ สภาพแวดล้อมที่ไม่สม่ำเสมอ และงานต่อเนื่องหลายขั้นตอน ตั้งแต่รับออร์เดอร์ ปิ้งอาหาร ส่งต่องาน เสิร์ฟ จนถึงพูดคุยกับลูกค้า 101213

Lexiang ระบุว่าไม่มีการซ้อม ไม่มีสคริปต์กำหนดล่วงหน้า และไม่มีการควบคุมระยะไกล (teleoperation) อย่างไรก็ดี เงื่อนไขเรื่องความเป็นอิสระเหล่านี้ควรถือเป็นคำกล่าวอ้าง จนกว่าจะมีการเปิดเผยข้อมูลเทเลเมทรี บันทึกการปฏิบัติงาน และรายละเอียดการแทรกแซงของมนุษย์อย่างตรวจสอบได้ 101213

งานนี้พิสูจน์อะไรได้ และยังพิสูจน์อะไรไม่ได้

การไลฟ์สดต่อเนื่องเป็นเวลานานในพื้นที่เปิด เป็นหลักฐานที่มีความหมายว่าระบบที่สาธิตสามารถคงการทำงานบริการอาหารแบบหลายหุ่นยนต์ได้ระดับหนึ่ง ในสภาพแวดล้อมที่ควบคุมน้อยกว่าคลิปสั้นในสตูดิโอ อีกทั้งการถ่ายทอดสดทำให้ความล่าช้า ความผิดพลาด และการฟื้นตัวจากปัญหามองเห็นได้มากกว่าวิดีโอที่ผ่านการตัดต่อ 1215

แต่เหตุการณ์เดียวนี้ยัง ไม่เพียงพอ จะสรุปว่า Aether มีความทนทานในวงกว้าง ทำงานแบบ zero-shot ได้จริงกับฮาร์ดแวร์หลากหลายรูปแบบ เป็นอิสระจากมนุษย์ได้อย่างน่าเชื่อถือ หรือเหนือกว่าโมเดล embodied AI ของคู่แข่ง

หากจะประเมินซ้ำได้อย่างจริงจัง จำเป็นต้องมีรายงานเทคนิคที่เปิดเผยสถาปัตยกรรมและอินเทอร์เฟซของโมเดล ที่มาของข้อมูล รายละเอียดฮาร์ดแวร์และชุดควบคุม บันทึกการแทรกแซง อัตราความล้มเหลว นิยามงาน ชุดทดสอบที่กันไว้ และผลเปรียบเทียบกับเกณฑ์มาตรฐานจากหน่วยงานอิสระ ซึ่งยังไม่ปรากฏในรายงานที่มีอยู่

กล่าวโดยสรุป การทดสอบร้านปิ้งย่างของ JoyIn เป็นเดโมสาธารณะที่น่าสนใจ เพราะย้ายหุ่นยนต์ออกจากฉากควบคุมไปสู่งานบริการที่มีการเปลี่ยนแปลงจริง แต่ระยะห่างระหว่าง “ทำได้ในไลฟ์ครั้งหนึ่ง” กับ “นำไปใช้งานทั่วไปได้อย่างเชื่อถือได้” ยังต้องอาศัยข้อมูลเปิดและการทดสอบอิสระมาปิดช่องว่างนั้น