จีนไม่ได้แข่งแค่สร้างหุ่นยนต์ แต่กำลังสร้างโครงสร้างข้อมูลเพื่อฝึก “สมอง” หุ่นยนต์

งาน World Robot Conference 2026 ที่กรุงปักกิ่งเผยให้เห็นทิศทางใหม่ของอุตสาหกรรมหุ่นยนต์ฮิวแมนนอยด์ในจีนอย่างชัดเจน นั่นคือการแข่งขันกำลังขยับจากการประกอบ “ร่างกาย” ที่เก่งขึ้น ไปสู่การสร้างโครงสร้างพื้นฐานข้อมูลเพื่อฝึก “สมอง” ของหุ่นยนต์

มีรายงานว่าจีนมีศูนย์เก็บและฝึกข้อมูลสำหรับหุ่นยนต์ฮิวแมนนอยด์อย่างน้อย 90 แห่งที่เปิดดำเนินการแล้วหรืออยู่ระหว่างก่อสร้าง ตัวเลขนี้สะท้อนว่าข้อมูลกำลังกลายเป็นสินทรัพย์เชิงยุทธศาสตร์ของอุตสาหกรรมหุ่นยนต์ อย่างไรก็ตาม การผลิตข้อมูลในระดับอุตสาหกรรมยังไม่ใช่หลักฐานว่าข้อมูลเหล่านั้นจะสร้างความฉลาดที่ถ่ายโอนข้ามเครื่องจักร งาน และสถานที่ทำงานได้จริง 13

ข้อมูลกายภาพคือวัตถุดิบใหม่ของหุ่นยนต์

หุ่นยนต์ต้องการข้อมูลมากกว่าภาพหรือข้อความ การฝึกให้หุ่นยนต์เข้าใจและลงมือทำในโลกจริงจำเป็นต้องมีข้อมูลว่า มนุษย์มองเห็นอะไร เคลื่อนไหวอย่างไร วัตถุตอบสนองต่อการกระทำแบบใด และเหตุการณ์ต่าง ๆ เกิดขึ้นต่อเนื่องกันอย่างไร

ข้อมูลมุมมองบุคคลที่หนึ่ง ตำแหน่งท่าทาง ความลึก สัญญาณสัมผัส และสถานะของตัวหุ่นยนต์ จึงเป็นองค์ประกอบสำคัญของโมเดลปัญญาประดิษฐ์เชิงกายภาพ หรือ Embodied AI ซึ่งหมายถึง AI ที่ต้องรับรู้และโต้ตอบกับโลกผ่านร่างกายจริง

Lightwheel AI ทำให้แนวคิดนี้เป็นรูปธรรมด้วย EgoSuite-Open100K ชุดข้อมูลกิจกรรมมนุษย์มุมมองบุคคลที่หนึ่งที่มีเป้าหมายรวม 100,000 ชั่วโมง ครอบคลุมงานมากกว่า 15,000 ประเภทและสถานการณ์เก็บข้อมูลในโลกจริงกว่า 15,000 แห่ง ใช้ภาพจากกล้องบริเวณศีรษะและข้อมือ พร้อมข้อมูลท่าทางมือและทั้งร่างกาย คำอธิบายเชิงความหมาย และข้อมูลความลึก โดยข้อมูลชุดแรก 10,000 ชั่วโมงเปิดให้ใช้งานผ่าน Hugging Face และโครงการยังมุ่งเผยแพร่ผ่าน AtomGit ด้วย 1 12

ข้อดีของข้อมูลมนุษย์คือช่วยครอบคลุมกิจกรรมในชีวิตประจำวันได้กว้าง โดยไม่ต้องใช้หุ่นยนต์จริงราคาแพงบันทึกทุกตัวอย่าง แต่ข้อมูลการเคลื่อนไหวของมนุษย์ไม่ได้เท่ากับประสบการณ์ของหุ่นยนต์โดยอัตโนมัติ มนุษย์ปรับสมดุล แรงเสียดทาน และแรงสัมผัสได้อย่างเป็นธรรมชาติ ขณะที่หุ่นยนต์ต้องรับรู้และควบคุมปัจจัยเหล่านี้ผ่านโครงสร้างร่างกายและเซนเซอร์ของตนเอง

หกแนวทางเก็บข้อมูล และทางเลือกที่ต้องแลก

เทียนเฟิงจากสถาบันวิจัย Intelligent Industries Research Institute ของ SenseTime ระบุว่ามีแนวทางเก็บข้อมูล 6 รูปแบบที่ดำเนินควบคู่กัน ทั้งการควบคุมหุ่นยนต์จากระยะไกล การจับการเคลื่อนไหว ข้อมูลสังเคราะห์ และการเก็บข้อมูลบนสายการผลิตจริง 13

แต่ละวิธีตอบโจทย์คนละด้าน

• การควบคุมจากระยะไกล รักษาการเคลื่อนไหวและข้อมูลป้อนกลับที่เกี่ยวข้องกับหุ่นยนต์จริงได้ดี แต่ต้องใช้ฮาร์ดแวร์ ผู้ควบคุม และโครงสร้างพื้นฐานเฉพาะ
• การจับการเคลื่อนไหว บันทึกท่าทางมนุษย์ได้ในวงกว้าง แต่ไม่ได้แสดงแรงและข้อจำกัดทางกายภาพที่หุ่นยนต์จะพบเสมอไป
• ข้อมูลสังเคราะห์ สร้างสถานการณ์ที่พบได้ยากได้อย่างมีประสิทธิภาพ แต่พฤติกรรมในระบบจำลองยังต้องพิสูจน์ว่าส่งต่อสู่โลกจริงได้
• ข้อมูลจากสายการผลิต ใกล้เคียงการใช้งานเชิงพาณิชย์มากที่สุด เพราะสะท้อนงานเฉพาะ ความผิดพลาด และข้อจำกัดของสภาพแวดล้อมจริง
• ข้อมูลมนุษย์มุมมองบุคคลที่หนึ่ง ให้ความหลากหลายสูงและมีต้นทุนต่ำกว่า แต่อาจไม่มีข้อมูลพลวัตของหุ่นยนต์ เช่น แรงบิดข้อต่อและแรงสัมผัส

มีการประเมินว่าการบันทึกข้อมูลจากมนุษย์โดยไม่ใช้ตัวหุ่นยนต์อาจมีต้นทุนเพียงประมาณหนึ่งในห้าของการเก็บข้อมูลด้วยหุ่นยนต์จริง ข้อแลกเปลี่ยนคือข้อมูลอาจสะท้อนวิธีทำงานของผู้รับจ้างเก็บข้อมูล มากกว่าวิธีทำงานของแรงงานที่มีประสบการณ์ในสถานการณ์จริง 13

นี่ไม่ใช่เหตุผลที่จะตัดข้อมูลมนุษย์ออก แต่เป็นเหตุผลว่าข้อมูลประเภทนี้ควรเป็นเพียงหนึ่งชั้นของระบบฝึกที่ใหญ่กว่า ซึ่งรวมถึงข้อมูลจากการควบคุมระยะไกล ข้อมูลสถานะหุ่นยนต์ การจำลอง และข้อมูลป้อนกลับจากการใช้งานจริง

ซัพพลายเชนหุ่นยนต์กำลังกลายเป็นซัพพลายเชนการบันทึกข้อมูล

สาระสำคัญอีกประการจากงานประชุมคือ โครงสร้างพื้นฐานหุ่นยนต์ไม่ได้มีแค่มอเตอร์ แบตเตอรี่ และโครงหุ่นยนต์อีกต่อไป อุปกรณ์สำหรับบันทึกการสาธิตและพฤติกรรมระหว่างการรับรู้กับการเคลื่อนไหวก็กลายเป็นส่วนหนึ่งของซัพพลายเชนด้วย

ระบบบันทึกภาพมุมมองบุคคลที่หนึ่งและแบบถือด้วยมือ ถุงมือเก็บข้อมูล อุปกรณ์สัมผัส กล้อง ไมโครคอนโทรลเลอร์ หน่วยความจำ และชิ้นส่วนแอนะล็อก ล้วนมีบทบาทในสายการผลิตข้อมูล 13

โครงสร้างนี้อาจช่วยให้การเก็บข้อมูลปริมาณมากมีต้นทุนต่ำลง แต่ก็นำไปสู่ปัญหามาตรฐาน ข้อมูลที่เก็บด้วยเซนเซอร์ วิธีสอบเทียบ พื้นที่คำสั่ง มิดเดิลแวร์ และรูปแบบการติดป้ายกำกับที่แตกต่างกัน อาจไม่สามารถนำมารวมกันได้อย่างราบรื่น

ผลที่ตามมาคือสิ่งที่คนในอุตสาหกรรมเรียกว่า “ข้อมูลเกาะ” (island data) หรือข้อมูลที่มีประโยชน์แต่ติดอยู่กับฮาร์ดแวร์และซอฟต์แวร์ชุดที่ใช้สร้างข้อมูลนั้น การเปิดชุดข้อมูลสู่สาธารณะช่วยลดปัญหาได้ระดับหนึ่ง แต่ความเปิดกว้างเพียงอย่างเดียวไม่ได้รับประกันว่าจะนำข้อมูลกลับมาใช้ซ้ำได้ จำเป็นต้องมีสคีมาร่วม ข้อมูลการสอบเทียบ มาตรฐานเวลา อินเทอร์เฟซ และวิธีประเมินผลที่สอดคล้องกันเสียก่อน 13

หุ่นยนต์มี “กฎการขยายขนาด” แบบ AI หรือไม่

คำถามที่ยังไม่มีข้อสรุปคือ รูปแบบที่พบในโมเดลขนาดใหญ่ด้านภาษาและภาพ—ยิ่งมีข้อมูลและโมเดลใหญ่ขึ้น ระบบยิ่งเก่งขึ้น—จะใช้ได้กับหุ่นยนต์หรือไม่

รายงาน GEN-0 ของ Generalist AI เมื่อเดือนพฤศจิกายน 2025 ให้คำตอบที่น่าสนใจแต่ยังจำกัดอยู่ ในการทดลองของบริษัท โมเดลขนาดเล็กมีปัญหาในการรับข้อมูลการรับรู้และการเคลื่อนไหวที่หลากหลายขึ้นเรื่อย ๆ บริษัทเรียกภาวะนี้ว่า “ossification” หรือภาวะที่โมเดลไม่สามารถดูดซับข้อมูลใหม่ได้ ขณะที่ประสิทธิภาพยังพัฒนาต่อเมื่อขนาดโมเดลเพิ่มขึ้น โดยพบจุดเปลี่ยนที่ดูเหมือนจะอยู่ราว 7,000 ล้านพารามิเตอร์ 36

ผลดังกล่าวเป็นหลักฐานที่มีความหมาย แต่ยังไม่ใช่กฎสากลของวงการหุ่นยนต์ เพราะมาจากโมเดล ข้อมูล และวิธีประเมินของบริษัทเดียว อีกทั้งหุ่นยนต์มีโจทย์เฉพาะที่โมเดลภาษาไม่ต้องเผชิญในลักษณะเดียวกัน นั่นคือ นโยบายการทำงานต้องลงมือผ่านร่างกายหนึ่ง ๆ ในสภาพแวดล้อมหนึ่ง ๆ และอยู่ภายใต้ข้อจำกัดทางกายภาพจริง

ดังนั้น คำถามไม่ได้มีเพียงว่าโมเดลใหญ่พอหรือไม่ แต่ยังต้องถามว่าข้อมูลฝึกมีสัญญาณทางกายภาพที่จำเป็นหรือไม่ และนโยบายที่ได้สามารถถ่ายโอนไปยังหุ่นยนต์รูปร่างต่างกันและงานจริงได้หรือไม่

จำนวนหุ่นยนต์ที่ส่งมอบไม่ได้แปลว่าตลาดต้องการ

ขนาดการผลิตของจีนทำให้ประเทศมีข้อได้เปรียบอย่างมากในการนำหุ่นยนต์ไปใช้ทดลองและเก็บข้อมูล แต่จำนวนการติดตั้งอาจทำให้ภาพตลาดดูคึกคักเกินจริง หากหุ่นยนต์ส่วนใหญ่ยังใช้เพื่อสาธิตความสามารถ วิจัย หรือเก็บข้อมูล มากกว่าจะสร้างมูลค่าทางเศรษฐกิจอย่างต่อเนื่อง

Interact Analysis รายงานว่า การผลิตหุ่นยนต์ฮิวแมนนอยด์ทั่วโลกเกิน 20,000 เครื่องในปี 2025 แต่มีเพียงราว 10% ที่ถูกนำไปใช้ในแอปพลิเคชันโลกจริง ส่วนใหญ่ใช้ในงานวิจัย การเก็บข้อมูล หรือความบันเทิง โดยจีนเป็นแรงขับเคลื่อนทั้งด้านอุปทานและการใช้งานระยะแรก 21

บริบทนี้สำคัญต่อการขยายตัวของศูนย์ข้อมูล เงินสนับสนุนจากภาครัฐ การจัดซื้อจำนวนมาก และโครงการรับซื้อข้อมูลคืน สามารถเพิ่มจำนวนหุ่นยนต์ อาคาร และชั่วโมงการบันทึกได้อย่างรวดเร็ว สิ่งเหล่านี้อาจช่วยสร้างระบบนิเวศการเรียนรู้ แต่ยังไม่ได้พิสูจน์ว่าลูกค้าจะยอมจ่ายให้หุ่นยนต์ที่ลดต้นทุน เพิ่มผลผลิต หรือทำงานที่มนุษย์ทำได้ยากอย่างสม่ำเสมอ

คอขวดที่แท้จริงคือการทำให้ทุกส่วนมาบรรจบกัน

งานประชุมที่ปักกิ่งไม่ได้แสดงว่าจีนแก้ปัญหาปัญญาประดิษฐ์เชิงกายภาพได้แล้ว แต่แสดงให้เห็นว่าอุตสาหกรรมกำลังประกอบชิ้นส่วนของคำตอบที่เป็นไปได้ในระดับใหญ่เป็นพิเศษ ได้แก่

1. ข้อมูลที่หลากหลาย จากการสาธิตของมนุษย์และสภาพแวดล้อมหลายรูปแบบ
2. ข้อมูลที่ยึดโยงกับกายภาพจริง จากการควบคุมระยะไกล เซนเซอร์หุ่นยนต์ และงานในสายการผลิต
3. โครงสร้างพื้นฐานที่ทำงานร่วมกันได้ เพื่อให้ข้อมูลเคลื่อนย้ายข้ามตัวหุ่นยนต์และระบบซอฟต์แวร์
4. โมเดลที่ขยายขนาดและถ่ายโอนได้ ไม่ใช่เพียงจดจำการสาธิต
5. ข้อมูลป้อนกลับจากการใช้งานจริง ซึ่งบันทึกความผิดพลาด การกู้คืนสถานการณ์ และการแทรกแซงของผู้ควบคุม
6. รายได้เชิงพาณิชย์ ที่ช่วยสนับสนุนการเก็บข้อมูลต่อไปโดยไม่ต้องพึ่งเงินอุดหนุนตลอดเวลา

ระบบนิเวศที่ Lightwheel เสนอไว้ก็ชี้ไปสู่กลไกแบบนี้ ทั้งมาตรฐานข้อมูลเปิด การเก็บข้อมูลที่ขับเคลื่อนด้วยการประเมินผล และการออกแบบข้อมูลกับโมเดลให้ทำงานสอดประสานกัน 1

ข้อสรุปที่แม่นยำกว่าคำกล่าวว่า “จีนสร้างสมองหุ่นยนต์สำเร็จแล้ว” คือ จีนกำลังสร้างโรงงาน เครื่องมือ และชุดข้อมูลที่มีเป้าหมายเพื่อทำให้สมองดังกล่าวเป็นไปได้จริง ส่วนโครงสร้างพื้นฐานนี้จะนำไปสู่หุ่นยนต์ฮิวแมนนอยด์ที่ใช้งานได้กว้างขวางหรือไม่ ยังขึ้นอยู่กับคุณภาพข้อมูล ความสมจริงทางกายภาพ ความเข้ากันได้ระหว่างฮาร์ดแวร์ และหลักฐานว่าหุ่นยนต์สามารถสร้างมูลค่าที่ยั่งยืนนอกเวทีสาธิตและห้องทดลองได้