Skild AI S1: หุ่นยนต์เรียนงานใหม่จากวิดีโอเดียว อาจเปลี่ยนวิธีสอนหุ่นยนต์

Skild AI วางตำแหน่ง S1 เป็นโมเดลพื้นฐานสำหรับหุ่นยนต์ที่ใช้แนวคิด in-context learning หรือการเรียนรู้จากบริบท กล่าวง่าย ๆ คือ แทนที่จะต้องฝึกโมเดลใหม่ทุกครั้งที่มีงานใหม่ หุ่นยนต์จะดูวิดีโอสาธิตแล้วใช้วิดีโอนั้นเป็นคำสั่งสำหรับการทำงาน

บริษัทระบุว่า S1 สามารถทำงานที่ไม่เคยพบระหว่างการฝึกมาก่อนและมีขั้นตอนต่อเนื่องยาวนานถึง 10 นาทีได้ โดยไม่ต้องปรับน้ำหนักโมเดลหรือทำ fine-tuning เฉพาะงาน 15

นี่อาจเป็นก้าวสำคัญของ AI ที่ทำงานกับโลกจริง แต่ยังไม่ใช่หลักฐานว่าหุ่นยนต์อเนกประสงค์พร้อมทำงานในบ้านหรือโรงงานได้โดยไม่มีข้อจำกัด ผลลัพธ์ที่เผยแพร่ในเวลานี้ส่วนใหญ่เป็นการสาธิตและการทดสอบที่ Skild AI จัดทำเอง จึงยังต้องรอการตรวจสอบจากหน่วยงานอิสระ

S1 แตกต่างจากระบบหุ่นยนต์เดิมอย่างไร

ระบบเรียนรู้หุ่นยนต์จำนวนมากถูกฝึกให้ทำงานเฉพาะอย่าง บนหุ่นยนต์รุ่นใดรุ่นหนึ่ง หรือภายใต้สภาพแวดล้อมที่กำหนดไว้ล่วงหน้า แต่ S1 มองวิดีโอสาธิตเป็นเสมือนโปรแกรมที่นำไปใช้ปฏิบัติได้ โมเดลต้องอนุมานเป้าหมาย ลำดับการเคลื่อนไหว ความสัมพันธ์ระหว่างวัตถุ และการปรับแรงหรือท่าทางที่จำเป็นต่อการทำงานให้สำเร็จ 13

การบอกหุ่นยนต์ด้วยภาษาว่า “ชงกาแฟ” หรือ “ย้ายต้นไม้” อาจระบุเป้าหมายได้ แต่ไม่ได้บอกอย่างละเอียดว่าต้องทำอะไรก่อนหลัง จับวัตถุอย่างไร ใช้เครื่องมือแบบไหน หรือรับมือกับงานที่มีหลายขั้นตอนอย่างไร วิดีโอจึงให้ข้อมูลทั้งลำดับเวลา การจัดวางวัตถุ จังหวะ และวิธีลงมือทำมากกว่า Skild AI เชื่อว่าบริบทที่ละเอียดขึ้นนี้ช่วยให้ S1 นำไปใช้กับงานระยะยาวที่ไม่เคยอยู่ในข้อมูลฝึกได้ 15

บริษัทอธิบายแนวทางนี้ว่าเป็นสิ่งที่คล้ายกับการพรอมป์โมเดลภาษา ความสามารถพื้นฐานของโมเดลยังคงเดิม ขณะที่วิดีโอสาธิตทำหน้าที่เติมบริบทเฉพาะของงานลงไป

ตั้งแต่ชงกาแฟถึงกลับแพนเค้ก

Skild AI เผยการสาธิตการทำงานหลายประเภท เช่น

• ชงกาแฟแบบพัวร์โอเวอร์
• ย้ายต้นไม้ลงกระถาง
• ประกอบชุดอุปกรณ์
• กลับแพนเค้ก

บางการสาธิตใช้เวลาสูงสุด 10 นาทีและมีขั้นตอนต่อเนื่องหลายสิบขั้นตอน 135

บริษัทยังรายงานการทดสอบเชิงคุณภาพเพื่อแสดงว่า S1 ไม่ได้เพียงเปิดดูท่าทางที่จำไว้แล้วทำซ้ำแบบตรงตัว ในการทดสอบดังกล่าว มีรายงานว่าโมเดลรับมือกับการเปลี่ยนแปลงของฉาก ลองทำใหม่หลังเกิดข้อผิดพลาดบางอย่าง ใช้ถ้วยแทนบัวรดน้ำเมื่อไม่มีวัตถุเดิม และแก้ไขวิธีจับไข่ที่ไม่ถนัดของผู้สาธิต แทนที่จะเลียนแบบทุกท่วงท่าอย่างเคร่งครัด 5

สัญญาณเหล่านี้บ่งชี้ถึงความยืดหยุ่นด้านพฤติกรรม แต่การดูวิดีโอสาธิตเพียงอย่างเดียวยังไม่เพียงพอที่จะยืนยันความน่าเชื่อถือในสภาพแวดล้อมที่หลากหลาย

ผลทดสอบเทียบกับโมเดล VLA ที่รับคำสั่งด้วยภาษา

การเปรียบเทียบที่มีตัวเลขชัดเจนที่สุดมาจากการประเมินภายในของ Skild AI กับงานที่โมเดลไม่เคยเห็น บริษัทระบุว่า เมื่อใช้ข้อมูลฝึก 100,000 ชั่วโมง นโยบายที่รับวิดีโอเป็นบริบททำอัตราความสำเร็จเฉลี่ยต่อขั้นตอนได้ 66% เทียบกับ 9% ของระบบพื้นฐานแบบ vision-language-action หรือ VLA ที่รับคำสั่งด้วยภาษา 14

Skild AI ยังระบุว่า เมื่อสภาพแวดล้อมตอนนำไปใช้งานเปลี่ยนไปมาก เช่น วัตถุไม่เหมือนในวิดีโอสาธิต หรือแผนการทำงานต้องใช้แขนอีกข้าง ระบบ VLA ที่รับคำสั่งด้วยภาษามีประสิทธิภาพลดลงมากกว่า S1 สูงสุดประมาณสามเท่า 1

อีกการเปรียบเทียบหนึ่งของบริษัทประเมินว่า วิดีโอพรอมป์เพียงหนึ่งคลิปให้ผลใกล้เคียงกับการฝึกหลังการฝึกเฉพาะงานประมาณ 380 ตอน บนนโยบายที่ผ่านการฝึกไว้แล้ว 1

ตัวเลขเหล่านี้อธิบายได้ว่าทำไมการพรอมป์ด้วยวิดีโอจึงน่าสนใจ เพราะวิดีโอไม่ได้สื่อแค่ผลลัพธ์ที่ต้องการ แต่ยังบอกลำดับ ขั้นตอน เวลา การจัดวางวัตถุ การใช้เครื่องมือ และกลยุทธ์ทางกายภาพด้วย อย่างไรก็ตาม ควรอ่านตัวเลขดังกล่าวในฐานะ หลักฐานจากการทดสอบภายในของ Skild AI ไม่ใช่ผลการเปรียบเทียบที่ตรวจสอบซ้ำโดยอิสระ เนื้อหาที่มีอยู่ยังไม่รวมงานวิจัยสาธารณะ น้ำหนักโมเดล หรือการประเมินภายนอกที่ใช้มาตรฐานเดียวกัน 415

S1 เริ่มลงมือได้เร็วแค่ไหน

Skild AI อธิบายว่า S1 ทำงานแบบเรียลไทม์หลังดูวิดีโอสาธิต และรายงานช่วงเปิดตัวระบุว่าหุ่นยนต์สามารถเริ่มทำงานได้ทันทีหลังชมวิดีโอ 25

แต่ยังไม่มีหลักฐานเพียงพอที่จะยืนยันตัวเลขทั่วไป เช่น “ภายในไม่กี่วินาที” หรือ “ภายใน 11 นาที” สำหรับระบบทั้งหมด แหล่งข้อมูลที่มีไม่ได้ระบุเวลาที่ตรวจสอบได้ตั้งแต่จบวิดีโอจนเริ่มปฏิบัติงาน ความแตกต่างนี้มีความสำคัญในโรงงาน เพราะเวลาเตรียมระบบ ความหน่วงในการประมวลผล การตรวจสอบความปลอดภัย และความสามารถในการกู้คืนจากความผิดพลาด อาจสำคัญไม่แพ้อัตราความสำเร็จของงาน

กลยุทธ์ข้อมูลของ Skild AI

Skild AI ให้เครดิตกับกระบวนการรวบรวมข้อมูลหลายรูปแบบที่ช่วยพัฒนาโมเดลหุ่นยนต์อเนกประสงค์ บริษัทอธิบายว่าใช้ทั้งการจำลองขนาดใหญ่ วิดีโอการกระทำของมนุษย์บนอินเทอร์เน็ต ข้อมูลจากหุ่นยนต์ การควบคุมระยะไกล และข้อมูลจากการใช้งานจริง นอกจากนี้ เอกสารเกี่ยวกับ Series C ยังอธิบายวงจรข้อมูลที่การนำโมเดลไปใช้งานสร้างประสบการณ์ใหม่ ซึ่งสามารถนำกลับไปปรับปรุงโมเดลสำหรับหุ่นยนต์และสภาพแวดล้อมอื่น ๆ ได้ 37

ที่งาน SMARTCLOUD SHOW อบินาฟ กุปตา ผู้ร่วมก่อตั้งของบริษัท มีรายงานว่า Skild AI ใช้วิธีเก็บข้อมูลหุ่นยนต์ “ทุกชนิด” และมีข้อมูลมากกว่าคู่แข่ง 100–1,000 เท่า ตัวคูณนี้เป็นคำกล่าวอ้างของบริษัท ไม่ใช่การเปรียบเทียบอุตสาหกรรมที่ผ่านการตรวจสอบสาธารณะ 6

ในทางปฏิบัติ ข้อมูลแต่ละแหล่งมีบทบาทต่างกัน วิดีโอมนุษย์ช่วยสอนเรื่องวัตถุและการกระทำ การจำลองช่วยขยายจำนวนรูปแบบหุ่นยนต์และสภาพแวดล้อม ส่วนข้อมูลจากหุ่นยนต์จริงช่วยเชื่อมความเข้าใจเหล่านั้นเข้ากับการควบคุมทางกายภาพ

“สมองแบบ omni-bodied” หมายถึงอะไร

S1 เป็นส่วนหนึ่งของแนวคิดที่กว้างกว่าของ Skild AI ซึ่งเรียกว่า “สมองหุ่นยนต์แบบ omni-bodied” คำนี้ไม่ได้หมายความว่า หุ่นยนต์สองขา สี่ขา ล้อ หรือแขนกลจะเคลื่อนไหวเหมือนกันทั้งหมด เพราะข้อต่อ เซนเซอร์ แขนขา ล้อ และการเคลื่อนไหวที่เป็นไปได้ของแต่ละแบบแตกต่างกัน 45

แนวคิดคือให้สถาปัตยกรรมของโมเดลเรียนรู้กฎทางกายภาพที่ใช้ร่วมกันได้จากหลายแพลตฟอร์ม แล้วแปลงความเข้าใจนั้นให้เข้ากับความสามารถของหุ่นยนต์แต่ละตัว หุ่นยนต์แต่ละแบบจึงสามารถใช้ความรู้ร่วมกันได้ ขณะเดียวกันก็ยังส่งคำสั่งให้เหมาะกับแอ็กชูเอเตอร์และเซนเซอร์ที่มีอยู่ 45

แนวทางนี้มีเป้าหมายเพื่อลดความจำเป็นในการสร้างและดูแลโมเดลแยกสำหรับหุ่นยนต์ทุกการกำหนดค่า Skild AI ยังระบุว่าได้ฝึกโมเดลกับหุ่นยนต์จำลองจำนวนมาก เพื่อให้เรียนรู้พฤติกรรมทางกายภาพที่ทั่วไปขึ้น 4245

เริ่มนำไปใช้ในอุตสาหกรรมที่ไหนแล้ว

Skild AI ประกาศความร่วมมือกับ ABB Robotics และ Universal Robots เพื่อนำซอฟต์แวร์ไปผสานกับระบบอุตสาหกรรม ขณะที่ Reuters รายงานว่า Skild AI และ Nvidia กำลังนำ “สมองหุ่นยนต์” ไปใช้งานบนสายประกอบที่เกี่ยวข้องกับระบบ Nvidia Blackwell 3444

ประกาศเหล่านี้แสดงให้เห็นเส้นทางสู่การทดสอบเชิงพาณิชย์ แต่ยังไม่ได้ให้ภาพรวมผลการดำเนินงานที่เปิดเผยต่อสาธารณะ หลักฐานที่มีอยู่ยังไม่ยืนยันตัวเลขที่ผ่านการตรวจสอบอย่างเป็นอิสระในด้านปริมาณการผลิต เวลาทำงานต่อเนื่อง อัตราความผิดพลาด เหตุการณ์ด้านความปลอดภัย หรือผลตอบแทนจากการลงทุน การนำไปติดตั้งจึงเป็นหลักฐานว่ากำลังทดสอบหรือผสานระบบ ไม่ใช่ข้อพิสูจน์ว่าเทคโนโลยีเข้ามาแทนระบบอัตโนมัติแบบเดิมในวงกว้างแล้ว

มูลค่าบริษัทสะท้อนอะไร และไม่ได้ยืนยันอะไร

ความสนใจจากนักลงทุนต่อ Skild AI อยู่ในระดับสูง Bloomberg รายงานว่า บริษัทระดมทุน Series C ได้ 1.4 พันล้านดอลลาร์สหรัฐ นำโดย SoftBank และมีมูลค่ามากกว่า 14 พันล้านดอลลาร์สหรัฐ ซึ่งเพิ่มขึ้นมากกว่าสามเท่าในเวลาประมาณเจ็ดเดือน 17

รายงานอื่น ๆ ประเมินเงินทุนสะสมของบริษัทไว้มากกว่า 1.8 พันล้านดอลลาร์สหรัฐ แต่ตัวเลขแตกต่างกันตามแหล่งข้อมูล จึงไม่ควรถือเป็นยอดรวมที่ผ่านการตรวจสอบอย่างเป็นทางการ 182122

การเปรียบเทียบว่า S1 คือ “ช่วงเวลา ChatGPT ของหุ่นยนต์” จึงควรมองเป็นอุปมา ไม่ใช่ข้อสรุปที่ยืนยันแล้ว S1 ชี้ไปยังความเป็นไปได้ว่า หุ่นยนต์อาจเปลี่ยนจากการฝึกใหม่ทีละงาน มาเป็นการเรียนรู้จากการสาธิต นักลงทุน Ravi Mhatre เรียกการเปิดตัวนี้ว่าเป็น “ช่วงเวลา GPT-3” สำหรับงานที่ใช้เวลานานและเกี่ยวข้องกับแรงงานมนุษย์ แต่เป็นมุมมองของนักลงทุน ไม่ใช่การรับรองทางวิทยาศาสตร์จากหน่วยงานอิสระ 10

สรุป: ก้าวสำคัญ แต่ยังไม่ใช่คำตอบสุดท้าย

แนวคิดที่สำคัญที่สุดของ S1 ไม่ใช่เพียงการทำให้หุ่นยนต์เลียนแบบวิดีโอได้ แต่คือการให้โมเดลพื้นฐานใช้การสาธิตเพียงหนึ่งครั้งเพื่อประกอบทักษะ ปรับตัวเมื่อฉากเปลี่ยน และทำงานต่อเนื่องหลายขั้นตอนได้ โดยไม่ต้องอัปเดตน้ำหนักโมเดลสำหรับงานนั้นโดยเฉพาะ

ผลทดสอบที่ Skild AI รายงานว่า 66% เทียบกับ 9% รวมถึงการสาธิตงานระยะยาว ทำให้ข้ออ้างของ S1 มีความสำคัญในเชิงเทคนิค 14 แต่ข้อควรระวังก็สำคัญไม่แพ้กัน หลักฐานสาธารณะในปัจจุบันยังมาจากเอกสารของบริษัท การสาธิตที่คัดเลือกมา และประกาศการนำไปใช้งานระยะแรกเป็นหลัก

จนกว่านักวิจัยภายนอกจะทำซ้ำผลลัพธ์ภายใต้เงื่อนไขมาตรฐาน และลูกค้าอุตสาหกรรมจะเปิดเผยข้อมูลด้านความน่าเชื่อถือกับความปลอดภัย S1 ควรถูกมองว่าเป็นทิศทางที่น่าจับตาของ physical AI มากกว่าจะเป็นหลักฐานเด็ดขาดว่า “สมองหุ่นยนต์อเนกประสงค์” ได้มาถึงแล้ว