คำตอบเผยแพร่แล้ว19 แหล่งที่มา
Being-M0.7 สอนหุ่นยนต์ฮิวแมนนอยด์ให้เดินและหยิบจับไปพร้อมกันได้อย่างไร
Being M0.7 รวมการเดินและการหยิบจับวัตถุไว้ในงานควบคุมร่างกายทั้งตัว แทนการฝึกสองทักษะนี้แยกจากกัน โมเดลเรียนรู้จากวิดีโอและข้อมูลการเคลื่อนไหวของมนุษย์กว่า 10,000 ชั่วโมง ก่อนปรับความรู้ให้เข้ากับมุมกล้องและร่างกายของหุ่นยนต์ ทำคะแนนรวม 71.1% บนการจำลอง SIMPLE แต่ผลทดสอบหุ่นยนต์จริงมีเพียง 3 งาน งานละ 5 ครั้ง จึงยัง...
เผยแพร่โดยแก้ไขด้วย GPT-6 Lunaรูปภาพสร้างด้วย GPT Image 2
คำตอบการวิจัย
ประเด็นสำคัญ
- Being M0.7 รวมการเดินและการหยิบจับวัตถุไว้ในงานควบคุมร่างกายทั้งตัว แทนการฝึกสองทักษะนี้แยกจากกัน
- โมเดลเรียนรู้จากวิดีโอและข้อมูลการเคลื่อนไหวของมนุษย์กว่า 10,000 ชั่วโมง ก่อนปรับความรู้ให้เข้ากับมุมกล้องและร่างกายของหุ่นยนต์
- ทำคะแนนรวม 71.1% บนการจำลอง SIMPLE แต่ผลทดสอบหุ่นยนต์จริงมีเพียง 3 งาน งานละ 5 ครั้ง จึงยังสรุปความน่าเชื่อถือในวงกว้างไม่ได้
AI พรอมต์
openai.comCreate a landscape editorial hero image for this Studio Global article: What is BeingBeyond’s Being M0.7, released by the embodied AI startup founded by Peking University tenured associate professor Lu Zongqing a. Article summary: Being M0.7 is BeingBeyond’s latent world action model for humanoid “loco manipulation”—coordinating walking and object manipulation—rather than treating them as separate skills.[1][6] Its central idea is to learn a predi. Topic tags: general web, ai, code, privacy, regulation. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts w
Being-M0.7 คือโมเดล world-action สำหรับหุ่นยนต์ฮิวแมนนอยด์จาก BeingBeyond ที่มุ่งให้หุ่นยนต์ เดินไปพร้อมกับหยิบจับหรือจัดการวัตถุ ซึ่งงานลักษณะนี้เรียกว่า loco-manipulation หรือการเคลื่อนที่ควบคู่กับการใช้ร่างกายทำงาน1
6
แนวคิดหลักคือให้โมเดลเรียนรู้ก่อนว่าโลกที่เห็นและร่างกายเคลื่อนไหวอย่างไร โดยใช้ข้อมูลมนุษย์มากกว่า 10,000 ชั่วโมง จากนั้นจึงอาศัยวิถีการเคลื่อนไหวของหุ่นยนต์เพื่อปรับความรู้นั้นให้กลายเป็นคำสั่งควบคุมที่หุ่นยนต์ทำได้จริง1
8
เรียนรู้จากมนุษย์ แล้วค่อยปรับให้เป็นหุ่นยนต์
การสาธิตการทำงานจากหุ่นยนต์จริงอาจมีจำนวนจำกัด ขณะที่ข้อมูลมนุษย์มีได้ทั้งวิดีโอและข้อมูลการเคลื่อนไหวจำนวนมาก แต่ก็มีข้อท้าทาย: บางชุดมีเฉพาะวิดีโอ บางชุดมีเฉพาะการเคลื่อนไหว และท่าทางของมนุษย์ก็ไม่สามารถนำไปสั่งหุ่นยนต์ตรง ๆ ได้5
7
Being-M0.7 จึงแบ่งการฝึกเป็น 3 ช่วงหลัก:
- ฝึกพื้นฐานจากข้อมูลมนุษย์: โมเดลเรียนรู้วิดีโอและการเคลื่อนไหวในพื้นที่ตัวแทนร่วมกัน พร้อมคาดการณ์ทั้งสถานะภาพในอนาคตและการเคลื่อนไหวของร่างกาย เพื่อสร้างพื้นฐานการคาดการณ์เกี่ยวกับภาพและการเคลื่อนไหว
1
8
- ปรับเข้ากับหุ่นยนต์: ใช้วิถีการเคลื่อนไหวของหุ่นยนต์เพื่อให้โมเดลคุ้นกับมุมมองจากกล้อง รูปร่าง และพลวัตของหุ่นยนต์นั้น
7
- ฝึกผู้เชี่ยวชาญด้านคำสั่ง: โมเดลส่วนแยกต่างหาก หรือ action expert นำบริบทภาพที่โมเดลพื้นฐานคาดการณ์ไว้มาแปลงเป็นคำสั่งควบคุมร่างกายทั้งตัว
ชุดข้อมูลฝึกประกอบด้วยตัวอย่างวิดีโอจากมุมมองบุคคลที่หนึ่งที่จับคู่กับข้อมูลการเคลื่อนไหว รวมถึงวิดีโออย่างเดียวและการเคลื่อนไหวอย่างเดียว ตัวอย่างที่จับคู่กันช่วยสอนความสัมพันธ์ระหว่างภาพกับท่าทาง ส่วนข้อมูลที่ไม่ได้จับคู่ช่วยเพิ่มความหลากหลายของข้อมูล5
14 แหล่งข้อมูลที่ระบุไว้มี Ego4D, Xperience, Nymeria, Bones-SEED, SnapMoGen, HumanML3D และ Lafan1 รวมถึงข้อมูลบางส่วนจากชุดข้อมูลของ BeingBeyond รุ่นก่อนและแหล่งข้อมูลเชิงพาณิชย์
1
ตัวแทนภาพและการเคลื่อนไหว
ข้อมูลที่เผยแพร่ระบุว่าโมเดลใช้คุณลักษณะภาพจาก DINO ที่ถูกตรึงไว้ แทนการสร้างภาพระดับพิกเซล และใช้ตัวแทนการเคลื่อนไหวร่วมขนาด 22 มิติที่อ้างอิงศีรษะและลำตัว เพื่อเชื่อมการเรียนรู้การเคลื่อนไหวของมนุษย์กับหุ่นยนต์4
12 อย่างไรก็ตาม รายละเอียดที่มีไม่ได้อธิบายชัดเจนว่าค่าทั้ง 22 มิตินิยามอย่างไร หรือระบบจัดการตัวแทนที่ขาดข้อมูลบางรูปแบบด้วย placeholder ที่เรียนรู้ได้ตามที่มีการตั้งคำถามไว้อย่างไร จึงยังไม่ควรลงรายละเอียดกลไกส่วนนั้นเกินกว่าหลักฐานที่ระบุ
ผลทดสอบ: คะแนนรวมดี แต่ไม่ได้ชนะทุกงาน
บนเกณฑ์ทดสอบจำลอง SIMPLE ซึ่งมีงานหุ่นยนต์ 6 งาน แบ่งเป็น 3 ระดับความยาก Being-M0.7 ทำสำเร็จ 128 จาก 180 ครั้ง หรือ 71.1% สูงที่สุดในบรรดาโมเดลที่นำมาเปรียบเทียบในภาพรวม6
8 ตัวเลขเปรียบเทียบที่รายงานคือ Ψ0 ทำได้ 64.4%, π0.5 ทำได้ 52.8% และ GR00T-N1.6 ทำได้ 33.9%
6 เมื่อตัดการฝึกจากข้อมูลมนุษย์ออก คะแนนของ Being-M0.7 ลดลงเหลือ 48.9% ในการทดลองที่รายงาน
6
คะแนนรวมที่นำไม่ได้หมายความว่าจะดีกว่าทุกโมเดลในทุกงาน แหล่งข้อมูลระบุว่าคู่แข่งบางรุ่นทำได้ดีกว่าในบางงานย่อย6 อีกทั้งเมื่อเทียบกับรุ่นที่ใช้บริบทภาษาอย่างเดียว โมเดลเต็มทำได้ดีขึ้นใน XMovePick และ BendPick แต่แย่ลงใน XMoveBendPick โดยคำอธิบายที่รายงานคืออาจเกิดการรบกวนระหว่างงานที่ฝึกร่วมกันและมีภาพสังเกตคล้ายกัน
7 คำอธิบายนี้เป็นการตีความของผู้วิจัย ไม่ใช่ข้อพิสูจน์สาเหตุจากผลทดลองโดยตรง
สำหรับหุ่นยนต์ Unitree G1 แหล่งข้อมูลยืนยันการทดสอบ loco-manipulation ในโลกจริง 3 งาน โดยทดลองงานละ 5 ครั้ง และระบุว่า Being-M0.7 ทำได้ใกล้เคียงกับโมเดลที่แข็งแกร่งที่สุด ไม่ได้เป็นผู้นำอย่างชัดเจน7 เนื่องจากแต่ละงานมีตัวอย่างทดลองน้อย ผลจึงยังไม่ใช่หลักฐานว่าหุ่นยนต์จะทำงานได้สม่ำเสมอในสภาพแวดล้อมหลากหลาย
ข้อจำกัดที่ควรคำนึงถึง
- การทดสอบหุ่นยนต์จริงมีเพียง 5 ครั้งต่องาน ทำให้ผลเพียงครั้งเดียวมีน้ำหนักต่อสัดส่วนความสำเร็จของงานนั้นมาก
- งานที่ทดสอบยังมีช่วงเวลาจำกัด จึงยังไม่ยืนยันว่าหุ่นยนต์จะทำงานต่อเนื่องหลายขั้นตอนหรือรับมือกับข้อผิดพลาดที่สะสมได้นานเพียงใด
5
- แหล่งข้อมูลยังชี้ว่าความแม่นยำในการติดตามการเคลื่อนไหวทั้งตัวของตัวควบคุม SONIC มีข้อจำกัดในการเก็บข้อมูลสาธิต ซึ่งอาจกระทบทั้งปริมาณและคุณภาพของข้อมูลหุ่นยนต์สำหรับการฝึกช่วงถัดไป ประเด็นนี้เป็นข้อจำกัดของตัวควบคุมที่ใช้เก็บข้อมูล ไม่ใช่ข้อบกพร่องที่ยืนยันแล้วของโมเดล world-action โดยตรง
ท้ายที่สุด วันที่ 12 ตุลาคม 2026 เป็นวันที่บทความข่าวหนึ่งกล่าวถึงโมเดล ไม่จำเป็นต้องเป็นวันเปิดตัวครั้งแรก เพราะแหล่งข้อมูลของ BeingBeyond ระบุ Being-M0.7 ไว้ตั้งแต่เดือนกรกฎาคม 20264
16 ส่วนข้อมูลที่ให้มาระบุผู้ก่อตั้งว่าเป็น Lu Zongqing รองศาสตราจารย์จากมหาวิทยาลัยปักกิ่ง แต่ไม่ได้ยืนยันคำว่า “ศาสตราจารย์ประจำ” อย่างเป็นอิสระ
6
Studio Global AI
ทำการวิจัยต่อ
หน้านี้รวมคำตอบที่ได้รับการสนับสนุนจากแหล่งที่มาซึ่งคุณสามารถดำเนินการต่อภายใน Studio Global
คนยังถาม
คำตอบสั้น ๆ สำหรับ "Being-M0.7 สอนหุ่นยนต์ฮิวแมนนอยด์ให้เดินและหยิบจับไปพร้อมกันได้อย่างไร" คืออะไร
Being M0.7 รวมการเดินและการหยิบจับวัตถุไว้ในงานควบคุมร่างกายทั้งตัว แทนการฝึกสองทักษะนี้แยกจากกัน
ประเด็นสำคัญที่ต้องตรวจสอบก่อนคืออะไร?
Being M0.7 รวมการเดินและการหยิบจับวัตถุไว้ในงานควบคุมร่างกายทั้งตัว แทนการฝึกสองทักษะนี้แยกจากกัน โมเดลเรียนรู้จากวิดีโอและข้อมูลการเคลื่อนไหวของมนุษย์กว่า 10,000 ชั่วโมง ก่อนปรับความรู้ให้เข้ากับมุมกล้องและร่างกายของหุ่นยนต์
ฉันควรทำอย่างไรต่อไปในทางปฏิบัติ?
ทำคะแนนรวม 71.1% บนการจำลอง SIMPLE แต่ผลทดสอบหุ่นยนต์จริงมีเพียง 3 งาน งานละ 5 ครั้ง จึงยังสรุปความน่าเชื่อถือในวงกว้างไม่ได้