G1 ซ้อมชกได้เอง: เดโมของ Unitree พิสูจน์อะไร และยังไม่พิสูจน์อะไร

เดโมที่หุ่นยนต์ฮิวแมนนอยด์ G1 ของ Unitree ซ้อมชกกับมนุษย์ น่าประทับใจเพราะแสดงพฤติกรรมที่ดูเหมือนเป็นการ ตอบสนองต่อสถานการณ์ ควบคุมทั้งร่างกาย และรักษาสมดุลภายใต้การสัมผัส ได้จริง ประเด็นสำคัญจึงควรตีความอย่างพอดี: วิดีโอนี้บ่งชี้ว่า UnifoLM-X2-1.0 อาจ เชื่อมการคาดการณ์อนาคตระยะใกล้เข้ากับการเลือกท่าทางได้ดีพอสำหรับการโต้ตอบแบบรวดเร็วช่วงสั้น ๆ แต่ยังไม่ได้ยืนยันว่าหุ่นยนต์มีความเป็นอิสระอเนกประสงค์ ทำอินเฟอเรนซ์แบบเรียลไทม์บนตัวหุ่นยนต์เอง หรือพร้อมนำไปใช้งานจำนวนมากได้อย่างเชื่อถือได้ 238

Unitree ระบุว่า UnifoLM-X2-1.0 ทำอะไรได้

Unitree นำเสนอ UnifoLM-X2-1.0 ว่าเป็นระบบ “world-action” แบบเรียลไทม์สำหรับปฏิสัมพันธ์ที่มีการเคลื่อนไหวรวดเร็วและแรง บริษัทอธิบายว่าระบบจะคาดการณ์อนาคตอันใกล้ของตัวหุ่นยนต์ คู่ต่อสู้ และปฏิสัมพันธ์ทางกายภาพ จากนั้นใช้การคาดการณ์นั้นเลือกการเคลื่อนไหว แล้วสั่งงานผ่านวงจรควบคุมการเคลื่อนที่และการทรงตัวแบบปิด (closed loop) 47

จุดที่สำคัญคือ Unitree ระบุว่า G1 ไม่ได้ถูกบังคับด้วยชุด VR เกมแพด หรือเล่นซ้ำท่าที่ออกแบบไว้ล่วงหน้า หากเป็นจริง ความแตกต่างนี้มีนัยสำคัญมาก เพราะหุ่นยนต์ที่เล่นลำดับท่าซ้อมมาแล้วไม่เหมือนหุ่นยนต์ที่เลือกการกระทำตามการเคลื่อนไหวของคู่ต่อสู้ อย่างไรก็ดี นี่ยังเป็นคำกล่าวอ้างของบริษัท ไม่ใช่ผลตรวจสอบอิสระ 478

สิ่งที่เห็นได้จากคลิปซ้อมชก

วิดีโอความยาวราว 39 วินาทีแสดง G1 อยู่บนเวทีกับเทรนเนอร์มนุษย์ที่สวมอุปกรณ์ป้องกัน หุ่นยนต์ดูเหมือนจะปรับท่ายืนและจังหวะเท้า หลบหรือป้องกันการโจมตี ฟื้นสมดุลหลังถูกสัมผัส และออกหมัด เตะ และสวนกลับ 58

พฤติกรรมที่เห็นสอดคล้องกับระบบควบคุมที่ติดตามคนซึ่งกำลังเคลื่อนไหว และทำให้ร่างกายสองขาทรงตัวได้ระหว่างปฏิสัมพันธ์ทางกายภาพ นี่มีความหมายในตัวเอง เพราะการทรงตัว การขยับลำตัวและแขน รวมถึงแรงรบกวนจากการสัมผัส ต้องถูกจัดการร่วมกัน ไม่ใช่เป็นงานแยกส่วน

แต่ภาพจากวิดีโอเพียงอย่างเดียวไม่อาจระบุได้ว่าองค์ประกอบใดเป็นผู้ตัดสินใจในแต่ละจังหวะ และยังแยกบทบาทของ world model ออกจากตัวควบคุมระดับล่าง ระบบความปลอดภัย การคัดเลือกช็อตสำหรับเผยแพร่ หรือซอฟต์แวร์หุ่นยนต์แบบดั้งเดิมอื่น ๆ ไม่ได้

เหตุใดการซ้อมชกจึงเป็นบททดสอบที่ยาก

การซ้อมชกอาจไม่ใช่เป้าหมายการใช้งานจริงโดยตรง แต่เป็นโจทย์ย่อส่วนที่อัดปัญหายากของ AI เชิงกายภาพ (embodied AI) หลายอย่างไว้พร้อมกัน ได้แก่

• การรับรู้และตัดสินใจที่รวดเร็ว: ระบบต้องรับรู้การเคลื่อนไหวที่กำลังเข้ามา แล้วเลือกการตอบสนองก่อนสถานการณ์เปลี่ยนไป
• การวางแผนทั้งร่างกาย: การออกแขนส่งผลต่อท่ายืน ขณะที่การลงเท้าและการขยับลำตัวเป็นตัวกำหนดว่าหุ่นยนต์จะยังทรงตัวอยู่หรือไม่
• การฟื้นตัวจากแรงรบกวน: การสัมผัสหรือแรงกระแทกอาจทำให้จุดศูนย์ถ่วงเปลี่ยน จึงต้องแก้ไขอย่างรวดเร็ว
• การปรับตัวต่อคู่ปฏิสัมพันธ์: ต่างจากฉากโรงงานที่คงที่ คู่ซ้อมเคลื่อนไหวและตอบสนองตลอดเวลา

ดังนั้น การโต้ตอบที่สำเร็จจึงเป็นเดโมเชิงคุณภาพที่มีประโยชน์ของการควบคุมแบบวงปิด ระบบที่หน่วงตั้งแต่ต้นทางถึงปลายทางมากเกินไป หรือจัดการสมดุลได้ไม่ดี ย่อมมีโอกาสตอบสนองจากข้อมูลที่ล้าสมัยหรือเสียการทรงตัวสูงกว่า อย่างไรก็ตาม เดโมสั้น ๆ ไม่สามารถบอกตัวเลขเรื่องระยะเผื่อเวลาตอบสนอง ความทนทานต่อสถานการณ์ต่าง ๆ หรือความปลอดภัยได้ 737

X2 เชื่อมโยงกับ UnifoLM-WMA-0 อย่างไร

X2 ดูจะอยู่ในแนวทาง world-model/action ที่กว้างกว่าของ UnifoLM โดย Unitree อธิบาย UnifoLM-WMA-0 ซึ่งเป็นเฟรมเวิร์กโอเพนซอร์ส ว่าเป็นสถาปัตยกรรม World-Model-Action สำหรับการเรียนรู้หุ่นยนต์ทั่วไปข้ามหุ่นยนต์หลายรูปแบบ แกนหลักคือ world model ที่มุ่งทำความเข้าใจปฏิสัมพันธ์ทางกายภาพระหว่างหุ่นยนต์กับสภาพแวดล้อม และการคาดการณ์อนาคตสามารถนำไปช่วยสร้างการกระทำได้ 1848

จึงมีความเชื่อมโยงเชิงแนวคิดที่สมเหตุสมผลกับวงจร “คาดการณ์แล้วควบคุม” ที่ X2 กล่าวอ้าง คือสร้างแบบจำลองสิ่งที่อาจเกิดขึ้นต่อไป แล้วเลือกการกระทำจากภาพคาดการณ์นั้น แต่ข้อมูลสาธารณะที่มีไม่ได้อธิบายความสัมพันธ์เชิงสถาปัตยกรรมระหว่าง WMA-0 กับ X2-1.0 อย่างละเอียด รวมถึงข้อมูลฝึก การเปลี่ยนแปลงโมเดล การออกแบบตัวควบคุม เซ็นเซอร์ หรือฮาร์ดแวร์ที่ใช้รันระบบ จึงไม่ควรมองว่า X2 เป็นรุ่นต่อยอดที่มีรายละเอียดครบถ้วนและนำมาเทียบประสิทธิภาพกับ WMA-0 ได้โดยตรง 3438

เหตุใดเดโมนี้น่าสนใจ แต่ยังไม่ใช่มาตรฐานวัดผล

ข้อสรุปที่มีหลักฐานรองรับมากที่สุดคือ Unitree แสดงให้เห็น G1 ที่ดูเหมือนทำการซ้อมชกแบบตอบสนองกับมนุษย์ได้ด้วยตัวเองอย่างน่าเชื่อถือในเชิงภาพ นี่เป็นสถานการณ์ที่ท้าทายกว่าเดโมหยิบจับวัตถุในฉากคงที่ และสนับสนุนความเป็นไปได้ว่าวิธี world model เชิงคาดการณ์อาจมีส่วนช่วยการควบคุมหุ่นยนต์ฮิวแมนนอยด์ 28

แต่ข้ออ้างที่ใหญ่กว่านั้น—โมเดล world-action เดียวที่นำกลับไปใช้ได้จะทดแทนนโยบายควบคุมเฉพาะงานได้ข้ามหุ่นยนต์และสภาพแวดล้อม—ยังเป็นเป้าหมายมากกว่าผลที่พิสูจน์แล้ว แม้ WMA-0 จะถูกอธิบายว่ารองรับหุ่นยนต์หลายรูปแบบ แต่คลิปซ้อมชกหนึ่งคลิปในสภาพควบคุมไม่ได้แสดงการถ่ายโอนความสามารถ ความเชื่อถือได้ต่างสภาพแวดล้อม หรือการทำงานระดับฝูงหุ่นยนต์ 1848

ช่องว่างของหลักฐานที่ยังสำคัญมาก

ข้อจำกัดหลายประการทำให้ยังประเมินระบบได้ไม่ไกลกว่านี้

• คู่ซ้อมและสภาพแวดล้อมที่ควบคุมได้: คู่ต่อสู้เป็นเทรนเนอร์ที่มีอุปกรณ์ป้องกัน อยู่ในเวทีจำกัด ไม่ใช่คู่แข่งที่แข่งขันอย่างเต็มรูปแบบหรือสถานการณ์ไร้ข้อจำกัด จึงทำให้การโต้ตอบปลอดภัยและคาดเดาได้มากกว่าการใช้งานจริง 537
• ไม่มีข้อมูลปฏิบัติการต่อสาธารณะ: ยังไม่มีอัตราความล้มเหลว โปรโตคอลทดสอบแรงรบกวน รายละเอียดเซ็นเซอร์ ความถี่ควบคุม ระยะเวลาที่ระบบวางแผนล่วงหน้า หรือบันทึกข้อมูลดิบ ให้ผู้ตรวจสอบภายนอกวัดความน่าเชื่อถือได้
• ยังไม่ยืนยันว่าอินเฟอเรนซ์อยู่บนตัวหุ่นยนต์: มีรายงานตั้งข้อสงสัยว่าการประมวลผลเชิงคาดการณ์ที่ใช้ทรัพยากรสูงอาจพึ่งโครงสร้างพื้นฐานระยะไกล หลักฐานสาธารณะยังไม่เพียงพอจะระบุสถาปัตยกรรมการใช้งานได้ 1011
• ไม่มีการเผยแพร่เชิงเทคนิคที่ทำซ้ำได้สำหรับ X2: ตามรายงาน Unitree ยังไม่ได้เผยแพร่บทความวิชาการ น้ำหนักโมเดล ตัวเลขความหน่วง ผลเบนช์มาร์กมาตรฐาน หรือการทำซ้ำโดยบุคคลที่สามสำหรับ UnifoLM-X2-1.0 และยังไม่ยืนยันว่าจะโอเพนซอร์ส X2 หรือไม่ 3438

สิ่งเหล่านี้ไม่ใช่รายละเอียดปลีกย่อย เพราะเป็นตัวกำหนดว่าระบบใช้งานนอกเดโมที่คัดสรรมาได้หรือไม่: ทำงานภายใต้ข้อจำกัดของเครือข่ายได้เพียงใด รับมือความผิดพลาดอย่างไร ปรับใช้กับสถานการณ์ใหม่ได้หรือไม่ และผลงานที่เห็นมาจากโมเดลใหม่มากน้อยแค่ไหนเมื่อเทียบกับส่วนอื่นของชุดควบคุม

บทสรุป

วิดีโอ G1 ของ Unitree เป็นหมุดหมายเชิงภาพที่น่าสนใจสำหรับหุ่นยนต์ฮิวแมนนอยด์ เพราะแสดงหุ่นยนต์ที่ดูเหมือนจัดการการคาดการณ์ การเคลื่อนไหว การสัมผัส และการทรงตัวได้ในการโต้ตอบรวดเร็ว แทนที่จะทำเพียงท่าลำดับตายตัว

แต่คำตัดสินที่เหมาะสมในตอนนี้คือ เดโมที่มีอนาคต ไม่ใช่ความก้าวหน้าที่ผ่านการยืนยันแล้ว

UnifoLM-X2-1.0 อาจเป็นก้าวสำคัญสู่การควบคุมฮิวแมนนอยด์แบบวงปิดที่ใช้การคาดการณ์ ทว่ายังต้องรอรายละเอียดทางเทคนิค การวัดความหน่วง การวิเคราะห์ความล้มเหลว และการประเมินที่ทำซ้ำได้จาก Unitree หรือนักวิจัยอิสระ ก่อนจะถือว่าคลิปนี้เป็นหลักฐานของความเป็นอิสระอเนกประสงค์และขยายการใช้งานได้จริงในวงกว้าง 238