ปัญหาคอขวดของอุตสาหกรรมหุ่นยนต์ฮิวแมนนอยด์จีนอาจไม่ได้อยู่ที่การสร้างตัวหุ่นยนต์อีกต่อไป แต่อยู่ที่การขาดแคลนข้อมูลคุณภาพสูงจากการปฏิสัมพันธ์กับโลกจริง ซึ่งสามารถใช้งานได้อย่างถูกต้องตามกฎหมาย

หุ่นยนต์อาจเดิน เต้น หรือทำตามภารกิจที่เตรียมฉากไว้อย่างดีได้ แต่การทำงานอย่างเป็นอิสระและน่าเชื่อถือจำเป็นต้องอาศัยข้อมูลที่ละเอียดกว่านั้นมาก ทั้งสิ่งที่หุ่นยนต์มองเห็น การเคลื่อนไหว การสัมผัส แรงกด การลื่น การชน ความผิดพลาด และวิธีที่มันแก้ไขสถานการณ์ 514

งาน World Robot Conference 2026 หรือ WRC 2026 ทำให้การเปลี่ยนแปลงนี้เห็นได้ชัดขึ้น ภายในงานไม่ได้มีเพียงการสาธิตหุ่นยนต์ที่ดูน่าประทับใจ แต่ยังมีอุปกรณ์ควบคุมหุ่นยนต์จากระยะไกล ระบบสวมใส่สำหรับบันทึกการเคลื่อนไหว อุปกรณ์ตรวจจับแรงและการสัมผัส ตลอดจนโครงสร้างพื้นฐานสำหรับเก็บข้อมูลที่โมเดลการเรียนรู้ของหุ่นยนต์ต้องใช้ 4913

ช่องว่างข้อมูลของ Physical AI

ตัวเลขที่ถูกอ้างถึงซ้ำในแวดวงอุตสาหกรรมรอบงาน WRC ระบุว่า ข้อมูลการปฏิสัมพันธ์ทางกายภาพในโลกจริงที่สอดคล้องตามกฎหมายมีอยู่ราว 500,000 ชั่วโมง ขณะที่การพัฒนาโมเดล Embodied AI อเนกประสงค์ที่พร้อมใช้งานเชิงพาณิชย์มักถูกประเมินว่าต้องใช้ข้อมูลระดับ หลายสิบล้านชั่วโมง นั่นหมายถึงช่องว่างมากกว่า 99% 357

อย่างไรก็ตาม ตัวเลขดังกล่าวควรเข้าใจว่าเป็นการประเมินของอุตสาหกรรม ไม่ใช่เกณฑ์ทางวิทยาศาสตร์ที่ใช้ได้กับทุกกรณี ปริมาณข้อมูลที่ต้องใช้จริงย่อมแตกต่างกันตามภารกิจ แพลตฟอร์มหุ่นยนต์ สภาพแวดล้อม และมาตรฐานความปลอดภัย

เหตุผลที่ข้อมูลประเภทนี้มีความสำคัญ เพราะข้อมูลการปฏิสัมพันธ์ทางกายภาพไม่สามารถทดแทนด้วยข้อมูลจากอินเทอร์เน็ตทั่วไปได้ทั้งหมด วิดีโออาจแสดงให้เห็นว่ามนุษย์หยิบถ้วยขึ้นมาอย่างไร แต่โดยทั่วไปไม่ได้บันทึกมุมข้อต่อของหุ่นยนต์ แรงบีบ ระยะเวลาที่เกิดการสัมผัส แรงเสียดทาน การลื่น หรือการปรับท่าทางระหว่างทาง

รายละเอียดเหล่านี้เป็นตัวชี้ขาดว่า หุ่นยนต์จะหยิบถ้วยได้หรือไม่เมื่อถ้วยใบใหม่หนักกว่า พื้นผิวเปียก หรือวางอยู่คนละตำแหน่ง

การสาธิตที่ดีไม่ได้แปลว่าหุ่นยนต์ทำงานเองได้

การทำงานตามสคริปต์สามารถซ่อนส่วนที่ยากที่สุดของวิทยาการหุ่นยนต์ไว้ได้ ไม่ว่าจะเป็นวัตถุ แสง เส้นทาง หรือจังหวะเวลาที่ถูกควบคุมอย่างเคร่งครัด รวมถึงการที่มนุษย์คอยเข้ามาช่วยทันทีเมื่อหุ่นยนต์พบเงื่อนไขที่ไม่คาดคิด

ผลลัพธ์อาจดูเหมือนหุ่นยนต์ทำงานด้วยตัวเอง แต่ยังไม่ได้พิสูจน์ว่ามันเรียนรู้กฎการรับรู้และลงมือทำที่สามารถรับมือกับสถานการณ์หลากหลายได้จริง

การใช้งานเชิงพาณิชย์ต้องการมากกว่านั้น หุ่นยนต์ต้องรับมือกับรูปทรงวัตถุ จุดจับ พื้นผิว สิ่งกีดขวาง ผู้คนรอบข้าง และสภาพแวดล้อมที่เปลี่ยนไป นอกจากนี้ยังต้องตรวจจับความผิดพลาดและฟื้นกลับมาทำงานต่อได้

ในภารกิจที่มีการสัมผัสทางกายภาพ ข้อมูลที่มีประโยชน์ไม่ได้มีเพียงคำตอบว่างานสำเร็จหรือไม่ แต่ต้องบันทึกลำดับการสังเกต การกระทำ สถานะทางกายภาพ และการแก้ไขตลอดกระบวนการด้วย ชุดข้อมูลสำหรับ Physical AI จึงถูกออกแบบมาเพื่อเชื่อมโยงข้อมูลจากหลายประสาทสัมผัสเข้ากับการกระทำและผลลัพธ์ที่ตามมา 333440

ยิ่งงานซับซ้อน การเก็บข้อมูลก็ยิ่งยาก

ชุดข้อมูลยุคแรกของการเรียนรู้หุ่นยนต์อาจเน้นการสาธิตสั้น ๆ ที่ทำซ้ำได้ง่าย แต่ระยะต่อไปต้องครอบคลุมภารกิจหลายขั้นตอนและมีการสัมผัสบ่อยครั้ง เช่น การหยิบจับ การคัดแยก การประกอบ การบรรจุสินค้า และการทำความสะอาด ในบ้าน ร้านค้า โรงงาน และพื้นที่ให้บริการ

ภาระด้านข้อมูลเพิ่มขึ้นอย่างน้อยสามด้าน

• ความหลากหลายมากขึ้น: ภารกิจเดียวกันต้องบันทึกกับวัตถุ ผังพื้นที่ วัสดุ และสภาพแวดล้อมหลายรูปแบบ
• ต้องเก็บข้อมูลความล้มเหลว: การทำของหลุดมือ การชน การจับพลาด และความพยายามแก้ไข อาจให้บทเรียนสำคัญไม่แพ้การสาธิตที่สำเร็จ 33
• ต้องซิงโครไนซ์สัญญาณหลายประเภท: ภาพ กล้องวัดความลึก ท่าทางของหุ่นยนต์ การเคลื่อนที่ของข้อต่อ แรง และการสัมผัส ต้องถูกบันทึกให้ตรงจังหวะกัน เพื่อให้โมเดลเรียนรู้ความสัมพันธ์ระหว่างการมองเห็นกับการลงมือทำ

การขยายขนาดการเก็บข้อมูลทำได้ยาก เพราะการเดินเครื่องหุ่นยนต์มีต้นทุนสูง การทดลองทางกายภาพต้องมีระบบความปลอดภัย และข้อมูลคุณภาพสูงต้องผ่านการคัดกรองและจัดระเบียบ ไม่ใช่เพียงรวบรวมให้ได้จำนวนมาก วิดีโอจำนวนมหาศาลจึงไม่ได้หมายความว่าจะเป็นชุดข้อมูลที่ดีสำหรับฝึกหุ่นยนต์โดยอัตโนมัติ

ชั้นธุรกิจใหม่: ผู้ผลิตข้อมูลสำหรับ “สมอง” หุ่นยนต์

ผู้ให้บริการข้อมูลเฉพาะทางกำลังเข้ามาเติมช่องว่างระหว่างพฤติกรรมของมนุษย์กับข้อมูลที่เครื่องจักรนำไปเรียนรู้ได้ งานของบริษัทเหล่านี้อาจครอบคลุมการสรรหาและฝึกผู้ควบคุม การควบคุมหุ่นยนต์จากระยะไกล การเก็บการเคลื่อนไหวของมนุษย์ การติดตั้งเซนเซอร์ในภารกิจ การซิงโครไนซ์สัญญาณ การคัดกรองเส้นทางการเคลื่อนไหวที่ไม่มีคุณภาพ และการจัดรูปแบบข้อมูลให้พร้อมสำหรับนักพัฒนาโมเดล

การควบคุมระยะไกลมีคุณค่า เพราะบันทึกการกระทำบนหุ่นยนต์จริง ไม่ใช่เพียงวิดีโอของมนุษย์ที่ทำท่าทางคล้ายกัน อุปกรณ์ VR และตัวควบคุมทั่วไปสามารถแปลงคำสั่งของมนุษย์เป็นการเคลื่อนไหวของหุ่นยนต์ ขณะที่ระบบสวมใส่และอุปกรณ์บันทึกการเคลื่อนไหวสามารถเก็บเจตนาการเคลื่อนไหวของร่างกาย แขน และมือในรายละเอียดสูง ก่อนถ่ายโอนไปยังหุ่นยนต์ 1

สิ่งนี้กำลังสร้างห่วงโซ่อุปทานชั้นใหม่ของ Embodied AI บริษัทต่าง ๆ ไม่ได้แข่งขันกันเฉพาะการสร้างร่างกายหุ่นยนต์หรือโมเดล AI อีกต่อไป แต่ยังแข่งขันกันผลิตข้อมูลการสาธิตและสัญญาณจากเซนเซอร์ที่เชื่อม “ร่างกาย” กับ “สมอง” เข้าด้วยกัน ภายใน WRC มีการนำเสนอการเก็บข้อมูลในฐานะส่วนหนึ่งของโครงสร้าง Embodied Intelligence อย่างชัดเจน รวมถึงระบบที่บันทึกการเคลื่อนไหวศีรษะและมือระหว่างกิจวัตรประจำวัน 49

ทำไมจีนต้องสร้างสนามฝึกทั่วประเทศ

สนามฝึกช่วยสร้างสภาพแวดล้อมที่ควบคุมได้ แต่ยังใกล้เคียงโลกจริง เพื่อให้หุ่นยนต์ได้รับการฝึก ทดสอบ และเปรียบเทียบประสิทธิภาพในสถานการณ์ที่ทำซ้ำได้ โดยอาจจำลองโรงงาน คลังสินค้า บ้าน พื้นที่ค้าปลีก หรือสถานที่ให้บริการสาธารณะ

ตามรายงานปี 2026 ของสถาบัน China Academy of Information and Communications Technology ที่มีการรายงานต่อมา จีนมีสนามฝึก Embodied AI ที่สร้างเสร็จและเปิดใช้งานแล้วมากกว่า 70 แห่ง ทั่วประเทศ ณ สิ้นเดือนมิถุนายน ขณะที่อีก 46 แห่ง อยู่ระหว่างก่อสร้างหรือวางแผน พื้นที่เหล่านี้ครอบคลุมมากกว่าครึ่งหนึ่งของเขตการปกครองระดับมณฑลของจีน และภาคการผลิตอุตสาหกรรมเป็นการใช้งานที่พบมากที่สุด โดยปรากฏใน 86% ของสนามฝึกที่รายงาน 1822

แต่การสร้างสนามฝึกเป็นเพียงจุดเริ่มต้น สิ่งสำคัญกว่าคือการนำไปใช้งานจริงจนกลายเป็นแหล่งข้อมูลและแพลตฟอร์มทดสอบในสถานการณ์จริง ไม่ใช่เพียงสถานที่จัดแสดงหุ่นยนต์

วงจรที่จีนพยายามสร้างคือ การฝึกในโลกจริงก่อให้เกิดข้อมูล ข้อมูลช่วยปรับปรุงโมเดล โมเดลที่ดีขึ้นเปิดทางให้เกิดการใช้งานที่กว้างขึ้น และการใช้งานจริงก็สร้างข้อมูลปฏิบัติการกลับมาอีกครั้ง 1422

นโยบายกำลังผลักหุ่นยนต์ออกจากเวทีสาธิต

กระทรวงอุตสาหกรรมและเทคโนโลยีสารสนเทศของจีน (MIIT) และคณะกรรมการกำกับดูแลและบริหารทรัพย์สินของรัฐ (SASAC) เปิดตัวโครงการพิเศษปี 2026 สำหรับการฝึกหุ่นยนต์ฮิวแมนนอยด์และ Embodied AI ในสถานการณ์จริง

โครงการมุ่งเน้นภาคอุตสาหกรรม ภาคบริการ และภารกิจเฉพาะทาง ครอบคลุมการผลิต โลจิสติกส์ การดูแลสุขภาพ บริการสาธารณะ และงานฉุกเฉิน 2425

ประกาศของรัฐบาลระบุเป้าหมายผลักดันการนำหุ่นยนต์ฮิวแมนนอยด์ไปใช้งานเชิงพาณิชย์ 10,000 ตัว และสร้างกรณีใช้งานมูลค่าสูงมากกว่า 100 รูปแบบ ภายในสิ้นปี 2026 26 แนวทางนี้ทำให้การนำหุ่นยนต์ไปใช้งานกลายเป็นส่วนหนึ่งของโครงสร้างการฝึก โดยส่งเสริมให้รัฐบาลท้องถิ่นและรัฐวิสาหกิจจัดสภาพแวดล้อมสำหรับทดสอบ ตรวจสอบ และปรับปรุงระบบภายใต้เงื่อนไขการทำงานจริง 24

เป้าหมายดังกล่าวไม่ได้รับประกันว่าหุ่นยนต์จะทำงานได้อย่างเป็นอิสระในวงกว้าง หรือจะบรรลุตัวเลขที่ตั้งไว้ทั้งหมด แต่สะท้อนว่าจุดเน้นของนโยบายกำลังขยับจากการผลิตฮาร์ดแวร์ไปสู่ห่วงโซ่ข้อมูลและการใช้งานจริง ซึ่งจำเป็นต่อความน่าเชื่อถือเชิงพาณิชย์

เหตุใดวิดีโอ ข้อความ และข้อมูลรถยนต์ไร้คนขับจึงไม่เพียงพอ

วิดีโอและภาษายังคงมีประโยชน์ต่อการฝึกโมเดล เพราะช่วยให้ระบบเข้าใจว่าวัตถุคืออะไร คำสั่งหมายถึงอะไร และการกระทำของมนุษย์มีลักษณะอย่างไร ขณะที่การจำลองช่วยเพิ่มปริมาณข้อมูลและครอบคลุมสถานการณ์ที่มีต้นทุนสูงหรืออันตรายหากทดลองในโลกจริง

งานวิจัยด้านมาตรฐานข้อมูล Embodied AI จึงเสนอการผสานข้อมูลจากโลกจริง การจำลอง และข้อมูลจากประสาทสัมผัสหลายรูปแบบ แทนการพึ่งพาแหล่งข้อมูลเพียงชนิดเดียว 232

อย่างไรก็ดี แหล่งข้อมูลเหล่านี้ไม่ได้อธิบายปัญหาการควบคุมได้ครบถ้วน โดยเฉพาะในงานหยิบจับ หุ่นยนต์อาจต้องประเมินสิ่งต่อไปนี้

• ตำแหน่งและทิศทางของวัตถุในสามมิติ
• มุมข้อต่อ ความเร็ว และการตอบสนองทางกลของตัวหุ่นยนต์
• แรงที่ต้องใช้ในการจับ ดัน สอด หรือยก
• จังหวะเวลาที่เกิดการสัมผัส การลื่น หรือการชน
• วิธีปรับการเคลื่อนไหวเมื่อผลลัพธ์ไม่เป็นไปตามที่คาด

ดังนั้น วิธีเก็บข้อมูลแต่ละรูปแบบจึงทำหน้าที่เสริมกัน

• การควบคุมระยะไกลผ่าน VR: บันทึกคำสั่งและการสาธิตของมนุษย์ผ่านอินเทอร์เฟซที่สามารถแมปเข้ากับการเคลื่อนไหวของหุ่นยนต์ได้ 1
• ระบบสวมใส่และการบันทึกการเคลื่อนไหว: เก็บเจตนาการเคลื่อนไหวของร่างกาย แขน และมือของมนุษย์ ก่อนถ่ายโอนให้หุ่นยนต์ 1
• แรงป้อนกลับและเซนเซอร์สัมผัส: เปิดเผยแรงต้าน แรงกด การสัมผัส และการลื่นที่ภาพจากกล้องทั่วไปอาจมองไม่เห็น 733
• แรงบิดของมอเตอร์และข้อมูลการรับรู้สภาวะภายใน: แสดงมุมข้อต่อ ความเร็ว แรงบิด และการตอบสนองจริงของกลไกขณะทำงาน 3946
• เส้นทางการทำงานจากหุ่นยนต์จริง: เผยให้เห็นความคลาดเคลื่อนในการปรับเทียบ ความหน่วง สัญญาณรบกวน ข้อจำกัดทางกล และความยุ่งเหยิงของสภาพแวดล้อม ซึ่งวิดีโอมนุษย์หรือการจำลองทำได้เพียงประมาณการ 3234

ข้อมูลจากรถยนต์ไร้คนขับช่วยเรื่องการรับรู้และการนำทางได้ แต่การควบคุมรถเป็นปัญหาที่มีรถเป็นศูนย์กลางและส่วนใหญ่หลีกเลี่ยงการสัมผัสกับวัตถุ ขณะที่การหยิบจับ การสอดชิ้นส่วน และการประกอบเป็นงานที่มีการสัมผัสอย่างต่อเนื่อง จึงต้องอาศัยแรงสัมผัส ความยืดหยุ่นของกลไก และความสามารถในการแก้ไขข้อผิดพลาดคนละแบบกัน

การแข่งขันระยะต่อไปอาจตัดสินกันที่ข้อมูล

บทเรียนจาก WRC 2026 ไม่ได้หมายความว่าจีนเลิกให้ความสำคัญกับฮาร์ดแวร์หุ่นยนต์ แต่ชี้ให้เห็นว่า ฮาร์ดแวร์เพียงอย่างเดียวไม่สามารถปิดช่องว่างด้านความเป็นอิสระได้

ความได้เปรียบในการแข่งขันอาจตกอยู่กับองค์กรที่สามารถเก็บ จัดมาตรฐาน และใช้ข้อมูลการปฏิสัมพันธ์ทางกายภาพหลายรูปแบบได้ในปริมาณมากและถูกต้องตามกฎหมาย

เส้นทางจากการสาธิตบนเวทีหรือหุ่นยนต์ที่ต้องมีมนุษย์ควบคุม ไปสู่หุ่นยนต์ที่ทำงานในโลกจริงได้อย่างน่าเชื่อถือ ต้องอาศัยทั้งการใช้งานจริง ผู้ควบคุมที่ผ่านการฝึก สภาพแวดล้อมที่ติดตั้งเครื่องมือวัด มาตรฐานข้อมูลร่วม และการทดสอบซ้ำอย่างต่อเนื่อง

จีนกำลังสร้างระบบนิเวศดังกล่าวขึ้น แต่ช่องว่างระหว่างข้อมูลหลายแสนชั่วโมงกับระดับหลายสิบล้านชั่วโมงที่มักถูกพูดถึงสำหรับการใช้งานเชิงพาณิชย์ ยังคงเป็นข้อจำกัดสำคัญของอุตสาหกรรม 31314

ปัญหาคอขวดของอุตสาหกรรมหุ่นยนต์ฮิวแมนนอยด์จีนอาจไม่ได้อยู่ที่การสร้างตัวหุ่นยนต์อีกต่อไป แต่อยู่ที่การขาดแคลนข้อมูลคุณภาพสูงจากการปฏิสัมพันธ์กับโลกจริง ซึ่งสามารถใช้งานได้อย่างถูกต้องตามกฎหมาย

หุ่นยนต์อาจเดิน เต้น หรือทำตามภารกิจที่เตรียมฉากไว้อย่างดีได้ แต่การทำงานอย่างเป็นอิสระและน่าเชื่อถือจำเป็นต้องอาศัยข้อมูลที่ละเอียดกว่านั้นมาก ทั้งสิ่งที่หุ่นยนต์มองเห็น การเคลื่อนไหว การสัมผัส แรงกด การลื่น การชน ความผิดพลาด และวิธีที่มันแก้ไขสถานการณ์ 514

งาน World Robot Conference 2026 หรือ WRC 2026 ทำให้การเปลี่ยนแปลงนี้เห็นได้ชัดขึ้น ภายในงานไม่ได้มีเพียงการสาธิตหุ่นยนต์ที่ดูน่าประทับใจ แต่ยังมีอุปกรณ์ควบคุมหุ่นยนต์จากระยะไกล ระบบสวมใส่สำหรับบันทึกการเคลื่อนไหว อุปกรณ์ตรวจจับแรงและการสัมผัส ตลอดจนโครงสร้างพื้นฐานสำหรับเก็บข้อมูลที่โมเดลการเรียนรู้ของหุ่นยนต์ต้องใช้ 4913

ช่องว่างข้อมูลของ Physical AI

ตัวเลขที่ถูกอ้างถึงซ้ำในแวดวงอุตสาหกรรมรอบงาน WRC ระบุว่า ข้อมูลการปฏิสัมพันธ์ทางกายภาพในโลกจริงที่สอดคล้องตามกฎหมายมีอยู่ราว 500,000 ชั่วโมง ขณะที่การพัฒนาโมเดล Embodied AI อเนกประสงค์ที่พร้อมใช้งานเชิงพาณิชย์มักถูกประเมินว่าต้องใช้ข้อมูลระดับ หลายสิบล้านชั่วโมง นั่นหมายถึงช่องว่างมากกว่า 99% 357

อย่างไรก็ตาม ตัวเลขดังกล่าวควรเข้าใจว่าเป็นการประเมินของอุตสาหกรรม ไม่ใช่เกณฑ์ทางวิทยาศาสตร์ที่ใช้ได้กับทุกกรณี ปริมาณข้อมูลที่ต้องใช้จริงย่อมแตกต่างกันตามภารกิจ แพลตฟอร์มหุ่นยนต์ สภาพแวดล้อม และมาตรฐานความปลอดภัย

เหตุผลที่ข้อมูลประเภทนี้มีความสำคัญ เพราะข้อมูลการปฏิสัมพันธ์ทางกายภาพไม่สามารถทดแทนด้วยข้อมูลจากอินเทอร์เน็ตทั่วไปได้ทั้งหมด วิดีโออาจแสดงให้เห็นว่ามนุษย์หยิบถ้วยขึ้นมาอย่างไร แต่โดยทั่วไปไม่ได้บันทึกมุมข้อต่อของหุ่นยนต์ แรงบีบ ระยะเวลาที่เกิดการสัมผัส แรงเสียดทาน การลื่น หรือการปรับท่าทางระหว่างทาง

รายละเอียดเหล่านี้เป็นตัวชี้ขาดว่า หุ่นยนต์จะหยิบถ้วยได้หรือไม่เมื่อถ้วยใบใหม่หนักกว่า พื้นผิวเปียก หรือวางอยู่คนละตำแหน่ง

การสาธิตที่ดีไม่ได้แปลว่าหุ่นยนต์ทำงานเองได้

การทำงานตามสคริปต์สามารถซ่อนส่วนที่ยากที่สุดของวิทยาการหุ่นยนต์ไว้ได้ ไม่ว่าจะเป็นวัตถุ แสง เส้นทาง หรือจังหวะเวลาที่ถูกควบคุมอย่างเคร่งครัด รวมถึงการที่มนุษย์คอยเข้ามาช่วยทันทีเมื่อหุ่นยนต์พบเงื่อนไขที่ไม่คาดคิด

ผลลัพธ์อาจดูเหมือนหุ่นยนต์ทำงานด้วยตัวเอง แต่ยังไม่ได้พิสูจน์ว่ามันเรียนรู้กฎการรับรู้และลงมือทำที่สามารถรับมือกับสถานการณ์หลากหลายได้จริง

การใช้งานเชิงพาณิชย์ต้องการมากกว่านั้น หุ่นยนต์ต้องรับมือกับรูปทรงวัตถุ จุดจับ พื้นผิว สิ่งกีดขวาง ผู้คนรอบข้าง และสภาพแวดล้อมที่เปลี่ยนไป นอกจากนี้ยังต้องตรวจจับความผิดพลาดและฟื้นกลับมาทำงานต่อได้

ในภารกิจที่มีการสัมผัสทางกายภาพ ข้อมูลที่มีประโยชน์ไม่ได้มีเพียงคำตอบว่างานสำเร็จหรือไม่ แต่ต้องบันทึกลำดับการสังเกต การกระทำ สถานะทางกายภาพ และการแก้ไขตลอดกระบวนการด้วย ชุดข้อมูลสำหรับ Physical AI จึงถูกออกแบบมาเพื่อเชื่อมโยงข้อมูลจากหลายประสาทสัมผัสเข้ากับการกระทำและผลลัพธ์ที่ตามมา 333440

ยิ่งงานซับซ้อน การเก็บข้อมูลก็ยิ่งยาก

ชุดข้อมูลยุคแรกของการเรียนรู้หุ่นยนต์อาจเน้นการสาธิตสั้น ๆ ที่ทำซ้ำได้ง่าย แต่ระยะต่อไปต้องครอบคลุมภารกิจหลายขั้นตอนและมีการสัมผัสบ่อยครั้ง เช่น การหยิบจับ การคัดแยก การประกอบ การบรรจุสินค้า และการทำความสะอาด ในบ้าน ร้านค้า โรงงาน และพื้นที่ให้บริการ

ภาระด้านข้อมูลเพิ่มขึ้นอย่างน้อยสามด้าน

• ความหลากหลายมากขึ้น: ภารกิจเดียวกันต้องบันทึกกับวัตถุ ผังพื้นที่ วัสดุ และสภาพแวดล้อมหลายรูปแบบ
• ต้องเก็บข้อมูลความล้มเหลว: การทำของหลุดมือ การชน การจับพลาด และความพยายามแก้ไข อาจให้บทเรียนสำคัญไม่แพ้การสาธิตที่สำเร็จ 33
• ต้องซิงโครไนซ์สัญญาณหลายประเภท: ภาพ กล้องวัดความลึก ท่าทางของหุ่นยนต์ การเคลื่อนที่ของข้อต่อ แรง และการสัมผัส ต้องถูกบันทึกให้ตรงจังหวะกัน เพื่อให้โมเดลเรียนรู้ความสัมพันธ์ระหว่างการมองเห็นกับการลงมือทำ

การขยายขนาดการเก็บข้อมูลทำได้ยาก เพราะการเดินเครื่องหุ่นยนต์มีต้นทุนสูง การทดลองทางกายภาพต้องมีระบบความปลอดภัย และข้อมูลคุณภาพสูงต้องผ่านการคัดกรองและจัดระเบียบ ไม่ใช่เพียงรวบรวมให้ได้จำนวนมาก วิดีโอจำนวนมหาศาลจึงไม่ได้หมายความว่าจะเป็นชุดข้อมูลที่ดีสำหรับฝึกหุ่นยนต์โดยอัตโนมัติ

ชั้นธุรกิจใหม่: ผู้ผลิตข้อมูลสำหรับ “สมอง” หุ่นยนต์

ผู้ให้บริการข้อมูลเฉพาะทางกำลังเข้ามาเติมช่องว่างระหว่างพฤติกรรมของมนุษย์กับข้อมูลที่เครื่องจักรนำไปเรียนรู้ได้ งานของบริษัทเหล่านี้อาจครอบคลุมการสรรหาและฝึกผู้ควบคุม การควบคุมหุ่นยนต์จากระยะไกล การเก็บการเคลื่อนไหวของมนุษย์ การติดตั้งเซนเซอร์ในภารกิจ การซิงโครไนซ์สัญญาณ การคัดกรองเส้นทางการเคลื่อนไหวที่ไม่มีคุณภาพ และการจัดรูปแบบข้อมูลให้พร้อมสำหรับนักพัฒนาโมเดล

การควบคุมระยะไกลมีคุณค่า เพราะบันทึกการกระทำบนหุ่นยนต์จริง ไม่ใช่เพียงวิดีโอของมนุษย์ที่ทำท่าทางคล้ายกัน อุปกรณ์ VR และตัวควบคุมทั่วไปสามารถแปลงคำสั่งของมนุษย์เป็นการเคลื่อนไหวของหุ่นยนต์ ขณะที่ระบบสวมใส่และอุปกรณ์บันทึกการเคลื่อนไหวสามารถเก็บเจตนาการเคลื่อนไหวของร่างกาย แขน และมือในรายละเอียดสูง ก่อนถ่ายโอนไปยังหุ่นยนต์ 1

สิ่งนี้กำลังสร้างห่วงโซ่อุปทานชั้นใหม่ของ Embodied AI บริษัทต่าง ๆ ไม่ได้แข่งขันกันเฉพาะการสร้างร่างกายหุ่นยนต์หรือโมเดล AI อีกต่อไป แต่ยังแข่งขันกันผลิตข้อมูลการสาธิตและสัญญาณจากเซนเซอร์ที่เชื่อม “ร่างกาย” กับ “สมอง” เข้าด้วยกัน ภายใน WRC มีการนำเสนอการเก็บข้อมูลในฐานะส่วนหนึ่งของโครงสร้าง Embodied Intelligence อย่างชัดเจน รวมถึงระบบที่บันทึกการเคลื่อนไหวศีรษะและมือระหว่างกิจวัตรประจำวัน 49

ทำไมจีนต้องสร้างสนามฝึกทั่วประเทศ

สนามฝึกช่วยสร้างสภาพแวดล้อมที่ควบคุมได้ แต่ยังใกล้เคียงโลกจริง เพื่อให้หุ่นยนต์ได้รับการฝึก ทดสอบ และเปรียบเทียบประสิทธิภาพในสถานการณ์ที่ทำซ้ำได้ โดยอาจจำลองโรงงาน คลังสินค้า บ้าน พื้นที่ค้าปลีก หรือสถานที่ให้บริการสาธารณะ

ตามรายงานปี 2026 ของสถาบัน China Academy of Information and Communications Technology ที่มีการรายงานต่อมา จีนมีสนามฝึก Embodied AI ที่สร้างเสร็จและเปิดใช้งานแล้วมากกว่า 70 แห่ง ทั่วประเทศ ณ สิ้นเดือนมิถุนายน ขณะที่อีก 46 แห่ง อยู่ระหว่างก่อสร้างหรือวางแผน พื้นที่เหล่านี้ครอบคลุมมากกว่าครึ่งหนึ่งของเขตการปกครองระดับมณฑลของจีน และภาคการผลิตอุตสาหกรรมเป็นการใช้งานที่พบมากที่สุด โดยปรากฏใน 86% ของสนามฝึกที่รายงาน 1822

แต่การสร้างสนามฝึกเป็นเพียงจุดเริ่มต้น สิ่งสำคัญกว่าคือการนำไปใช้งานจริงจนกลายเป็นแหล่งข้อมูลและแพลตฟอร์มทดสอบในสถานการณ์จริง ไม่ใช่เพียงสถานที่จัดแสดงหุ่นยนต์

วงจรที่จีนพยายามสร้างคือ การฝึกในโลกจริงก่อให้เกิดข้อมูล ข้อมูลช่วยปรับปรุงโมเดล โมเดลที่ดีขึ้นเปิดทางให้เกิดการใช้งานที่กว้างขึ้น และการใช้งานจริงก็สร้างข้อมูลปฏิบัติการกลับมาอีกครั้ง 1422

นโยบายกำลังผลักหุ่นยนต์ออกจากเวทีสาธิต

กระทรวงอุตสาหกรรมและเทคโนโลยีสารสนเทศของจีน (MIIT) และคณะกรรมการกำกับดูแลและบริหารทรัพย์สินของรัฐ (SASAC) เปิดตัวโครงการพิเศษปี 2026 สำหรับการฝึกหุ่นยนต์ฮิวแมนนอยด์และ Embodied AI ในสถานการณ์จริง

โครงการมุ่งเน้นภาคอุตสาหกรรม ภาคบริการ และภารกิจเฉพาะทาง ครอบคลุมการผลิต โลจิสติกส์ การดูแลสุขภาพ บริการสาธารณะ และงานฉุกเฉิน 2425

ประกาศของรัฐบาลระบุเป้าหมายผลักดันการนำหุ่นยนต์ฮิวแมนนอยด์ไปใช้งานเชิงพาณิชย์ 10,000 ตัว และสร้างกรณีใช้งานมูลค่าสูงมากกว่า 100 รูปแบบ ภายในสิ้นปี 2026 26 แนวทางนี้ทำให้การนำหุ่นยนต์ไปใช้งานกลายเป็นส่วนหนึ่งของโครงสร้างการฝึก โดยส่งเสริมให้รัฐบาลท้องถิ่นและรัฐวิสาหกิจจัดสภาพแวดล้อมสำหรับทดสอบ ตรวจสอบ และปรับปรุงระบบภายใต้เงื่อนไขการทำงานจริง 24

เป้าหมายดังกล่าวไม่ได้รับประกันว่าหุ่นยนต์จะทำงานได้อย่างเป็นอิสระในวงกว้าง หรือจะบรรลุตัวเลขที่ตั้งไว้ทั้งหมด แต่สะท้อนว่าจุดเน้นของนโยบายกำลังขยับจากการผลิตฮาร์ดแวร์ไปสู่ห่วงโซ่ข้อมูลและการใช้งานจริง ซึ่งจำเป็นต่อความน่าเชื่อถือเชิงพาณิชย์

เหตุใดวิดีโอ ข้อความ และข้อมูลรถยนต์ไร้คนขับจึงไม่เพียงพอ

วิดีโอและภาษายังคงมีประโยชน์ต่อการฝึกโมเดล เพราะช่วยให้ระบบเข้าใจว่าวัตถุคืออะไร คำสั่งหมายถึงอะไร และการกระทำของมนุษย์มีลักษณะอย่างไร ขณะที่การจำลองช่วยเพิ่มปริมาณข้อมูลและครอบคลุมสถานการณ์ที่มีต้นทุนสูงหรืออันตรายหากทดลองในโลกจริง

งานวิจัยด้านมาตรฐานข้อมูล Embodied AI จึงเสนอการผสานข้อมูลจากโลกจริง การจำลอง และข้อมูลจากประสาทสัมผัสหลายรูปแบบ แทนการพึ่งพาแหล่งข้อมูลเพียงชนิดเดียว 232

อย่างไรก็ดี แหล่งข้อมูลเหล่านี้ไม่ได้อธิบายปัญหาการควบคุมได้ครบถ้วน โดยเฉพาะในงานหยิบจับ หุ่นยนต์อาจต้องประเมินสิ่งต่อไปนี้

• ตำแหน่งและทิศทางของวัตถุในสามมิติ
• มุมข้อต่อ ความเร็ว และการตอบสนองทางกลของตัวหุ่นยนต์
• แรงที่ต้องใช้ในการจับ ดัน สอด หรือยก
• จังหวะเวลาที่เกิดการสัมผัส การลื่น หรือการชน
• วิธีปรับการเคลื่อนไหวเมื่อผลลัพธ์ไม่เป็นไปตามที่คาด

ดังนั้น วิธีเก็บข้อมูลแต่ละรูปแบบจึงทำหน้าที่เสริมกัน

• การควบคุมระยะไกลผ่าน VR: บันทึกคำสั่งและการสาธิตของมนุษย์ผ่านอินเทอร์เฟซที่สามารถแมปเข้ากับการเคลื่อนไหวของหุ่นยนต์ได้ 1
• ระบบสวมใส่และการบันทึกการเคลื่อนไหว: เก็บเจตนาการเคลื่อนไหวของร่างกาย แขน และมือของมนุษย์ ก่อนถ่ายโอนให้หุ่นยนต์ 1
• แรงป้อนกลับและเซนเซอร์สัมผัส: เปิดเผยแรงต้าน แรงกด การสัมผัส และการลื่นที่ภาพจากกล้องทั่วไปอาจมองไม่เห็น 733
• แรงบิดของมอเตอร์และข้อมูลการรับรู้สภาวะภายใน: แสดงมุมข้อต่อ ความเร็ว แรงบิด และการตอบสนองจริงของกลไกขณะทำงาน 3946
• เส้นทางการทำงานจากหุ่นยนต์จริง: เผยให้เห็นความคลาดเคลื่อนในการปรับเทียบ ความหน่วง สัญญาณรบกวน ข้อจำกัดทางกล และความยุ่งเหยิงของสภาพแวดล้อม ซึ่งวิดีโอมนุษย์หรือการจำลองทำได้เพียงประมาณการ 3234

ข้อมูลจากรถยนต์ไร้คนขับช่วยเรื่องการรับรู้และการนำทางได้ แต่การควบคุมรถเป็นปัญหาที่มีรถเป็นศูนย์กลางและส่วนใหญ่หลีกเลี่ยงการสัมผัสกับวัตถุ ขณะที่การหยิบจับ การสอดชิ้นส่วน และการประกอบเป็นงานที่มีการสัมผัสอย่างต่อเนื่อง จึงต้องอาศัยแรงสัมผัส ความยืดหยุ่นของกลไก และความสามารถในการแก้ไขข้อผิดพลาดคนละแบบกัน

การแข่งขันระยะต่อไปอาจตัดสินกันที่ข้อมูล

บทเรียนจาก WRC 2026 ไม่ได้หมายความว่าจีนเลิกให้ความสำคัญกับฮาร์ดแวร์หุ่นยนต์ แต่ชี้ให้เห็นว่า ฮาร์ดแวร์เพียงอย่างเดียวไม่สามารถปิดช่องว่างด้านความเป็นอิสระได้

ความได้เปรียบในการแข่งขันอาจตกอยู่กับองค์กรที่สามารถเก็บ จัดมาตรฐาน และใช้ข้อมูลการปฏิสัมพันธ์ทางกายภาพหลายรูปแบบได้ในปริมาณมากและถูกต้องตามกฎหมาย

เส้นทางจากการสาธิตบนเวทีหรือหุ่นยนต์ที่ต้องมีมนุษย์ควบคุม ไปสู่หุ่นยนต์ที่ทำงานในโลกจริงได้อย่างน่าเชื่อถือ ต้องอาศัยทั้งการใช้งานจริง ผู้ควบคุมที่ผ่านการฝึก สภาพแวดล้อมที่ติดตั้งเครื่องมือวัด มาตรฐานข้อมูลร่วม และการทดสอบซ้ำอย่างต่อเนื่อง

จีนกำลังสร้างระบบนิเวศดังกล่าวขึ้น แต่ช่องว่างระหว่างข้อมูลหลายแสนชั่วโมงกับระดับหลายสิบล้านชั่วโมงที่มักถูกพูดถึงสำหรับการใช้งานเชิงพาณิชย์ ยังคงเป็นข้อจำกัดสำคัญของอุตสาหกรรม 31314