สามส่วนของ MachEmbodied จากการมองเห็นสู่การลงมือทำ

ถ้าหุ่นยนต์จะหยิบของตามคำสั่งได้ มันต้องมองเห็นสถานการณ์ ตีความว่าควรทำอะไร แล้วแปลงความเข้าใจนั้นเป็นการเคลื่อนไหว Li Auto นำเสนอผลงานด้าน AI สำหรับหุ่นยนต์ 3 ชิ้นเมื่อวันที่ 22 กันยายน 2569 ได้แก่ ME-Brain-1.0, MachEmbodied-VLM (ME-VLM) และ MachEmbodied-U0 (ME-U0) ซึ่งวางบทบาทไว้คนละช่วงของกระบวนการนี้ อย่างไรก็ตาม การเปิดตัวพร้อมกันไม่ได้พิสูจน์ว่าทั้งสามส่วนทำงานร่วมกันเป็นหุ่นยนต์อัตโนมัติที่ผ่านการทดสอบอิสระแล้ว 35

สามชื่อ ต่างหน้าที่กันอย่างไร

ME-Brain-1.0 คือภาพรวมระดับระบบ Li Auto อธิบายระบบนี้ผ่านความจำ การรับรู้คิดวิเคราะห์ และการกระทำ มีรายงานว่าโมดูลด้านความจำสามารถทำงานบน M100 ซึ่งเป็นชิปแบบ system-on-chip (SoC) ของบริษัท เพื่อสร้างและเรียกใช้ความจำบนตัวอุปกรณ์ได้ แต่ข้ออ้างนี้ไม่ได้หมายความว่า ME-Brain ทุกส่วนทำงานบนชิปตัวเดียวกัน 35

ME-VLM เป็นส่วนที่ช่วยตีความภาพและภาษา รวมถึงประสานงานงานแบบเอเจนต์ รายงานทางเทคนิคระบุว่าฝึกโมเดลด้วยงานด้าน AI ที่โต้ตอบกับสภาพแวดล้อมและงานเอเจนต์หลายรูปแบบ โดยมีข้อมูลการสังเกตผลและข้อเสนอแนะเพื่อช่วยประเมินผลลัพธ์และปรับการตัดสินใจ รุ่นที่มีรายงาน ได้แก่ 35B-A3B แบบ mixture-of-experts และรุ่นเล็ก 4B สำหรับใช้งานบนอุปกรณ์ปลายทาง 15

ME-U0 เชื่อมการเข้าใจกับการสร้างการกระทำ โครงสร้าง Mixture-of-Transformers ที่รายงานไว้เชื่อมส่วนซึ่งตีความงานและฉากเข้ากับส่วนที่สร้างการกระทำ กล่าวอีกอย่างคือ การรู้ว่าควรทำอะไรยังไม่เท่ากับการทำให้หุ่นยนต์ขยับได้ผลตามต้องการ ทั้งสามชิ้นจึงเป็นส่วนที่ออกแบบมาเสริมกัน ไม่ใช่หลักฐานว่าถูกทดสอบร่วมกันในการใช้งานอัตโนมัติชุดเดียวแล้ว 25

อ่านคะแนนทดสอบอย่างไรไม่ให้เกินหลักฐาน

ตารางเปรียบเทียบของ Li Auto ที่มีรายงานให้คะแนนเฉลี่ย ME-VLM รุ่นใหญ่ราว 70.9 ในชุดทดสอบด้าน AI ที่โต้ตอบกับสภาพแวดล้อม และ 72.5 ในชุดทดสอบเอเจนต์ ส่วนรุ่น 4B อยู่ลำดับสองในการเปรียบเทียบของบริษัท คะแนนเหล่านี้บอกผลภายใต้การประเมินที่รายงาน ไม่ใช่มาตรวัดความน่าเชื่อถือของหุ่นยนต์ในสถานการณ์ทั่วไป โดยเฉพาะเมื่อยังไม่มีการทำซ้ำอย่างอิสระภายใต้เงื่อนไขการทดสอบที่ครบถ้วน 5

สำหรับ ME-U0 บริษัทระบุคะแนน 17.66 บน RoboDojo และอัตราทำงานสำเร็จเฉลี่ย 99.1% บน LIBERO กับ 81.8% บน LIBERO-Plus แต่ผลของ LIBERO เกิดหลังการปรับโมเดลด้วยข้อมูลกำกับที่แต่ละชุดทดสอบจัดให้ จึงไม่ควรตีความว่าเป็นอัตราความสำเร็จแบบไม่ต้องปรับโมเดลล่วงหน้าเมื่อเจองานจริงที่ไม่คุ้นเคย 3

Li Auto ยังระบุว่าเลือกข้อมูลฝึกเบื้องต้นของ ME-U0 ประมาณ 4,200 ชั่วโมง จากแหล่งข้อมูลดิบที่มีข้อมูลหุ่นยนต์ราว 5,700 ชั่วโมง และวิดีโอมุมมองบุคคลที่หนึ่งราว 3,920 ชั่วโมง การใช้ข้อมูลสองประเภทอาจช่วยให้โมเดลเห็นสถานการณ์หลากหลายกว่าคลิปสาธิตของหุ่นยนต์เพียงอย่างเดียว แต่จำนวนชั่วโมงยังตอบไม่ได้ว่าจะนำไปใช้กับหุ่นยนต์หรือสถานที่ใหม่ได้ดีเพียงใด 3

M100 เร็วขึ้นตรงไหน และยังไม่รู้อะไร

ผู้เขียนรายงาน ME-VLM ระบุว่าใช้การลดจำนวนโทเคนภาพ การควอนไทซ์แบบ W4A8 และการปรับฮาร์ดแวร์กับซอฟต์แวร์ร่วมกัน เพื่อให้ รุ่น 4B ประมวลผลบนชิป M100 ได้ โดยเวลา prefill ลดจาก 400 เหลือ 188 มิลลิวินาที prefill เป็นเพียงช่วงหนึ่งของการประมวลผลโมเดล ไม่ใช่เวลาทั้งหมดตั้งแต่หุ่นยนต์เห็นความเปลี่ยนแปลงจนตอบสนองทางกายภาพ เอกสารที่อ้างถึงยังไม่ยืนยันว่ารุ่น 35B-A3B หรือ ME-Brain และ ME-U0 ทั้งชุดทำงานร่วมกันบน M100 ตัวเดียว 15

รายงานข่าวการเปิดตัวกล่าวถึงการสาธิตหยิบจับสิ่งของต่อเนื่องหนึ่งชั่วโมง และการทำกาแฟราวสี่นาทีที่มี 15 ขั้นตอน การสาธิตแสดงให้เห็นงานที่ Li Auto เลือกนำเสนอ แต่ยังบอกไม่ได้ว่าระบบจะสำเร็จบ่อยเพียงใดเมื่อมีผู้ทดสอบอิสระเลือกวัตถุ แสง หรือสิ่งรบกวนเอง รวมถึงเมื่อใช้งานซ้ำในระยะยาว แหล่งข้อมูลที่มีไม่ได้รองรับข้อสรุปเฉพาะเจาะจงจากบุคคลภายนอกว่าการสาธิตเหล่านี้ล้มเหลวตรงจุดใด 3

โจทย์ถัดไปคือการทดสอบระบบที่ประกอบเข้าด้วยกันอย่างอิสระและทำซ้ำได้ ทั้งอัตราทำงานสำเร็จ การฟื้นตัวเมื่อผิดพลาดในสภาพแวดล้อมที่ไม่คุ้นเคย และเวลาตั้งแต่รับภาพจนเกิดการกระทำจริงบนฮาร์ดแวร์ที่ระบุ ก่อนถึงจุดนั้น คะแนนทดสอบกับตัวเลข prefill ของ M100 ยังเป็นหลักฐานคนละชิ้น ไม่ใช่คำตัดสินว่าหุ่นยนต์ทำงานทั่วไปได้แล้ว 135