คำตอบเผยแพร่แล้ว17 แหล่งที่มา
สามโมเดล Pelican ชี้ทิศทาง AI สำหรับหุ่นยนต์ของ X-Humanoid
รายงานของ X Humanoid นำเสนอแนวทางที่เสริมกัน ทั้งการเชื่อมการมองเห็นกับการกระทำ การจำลองสิ่งที่จะเกิดขึ้นหลังหุ่นยนต์ลงมือ และการรวมความเข้าใจเข้ากับการให้เหตุผลและการกระทำ รายงาน Pelican VLA 0.5 ระบุว่ารวมการเข้าใจภาพและภาษา การสร้างภาพเฟรมอนาคต และการทำนายการกระทำไว้ในสถาปัตยกรรมเดียว พร้อมรายงานผลสำเร็จ 91.4% บน...
เผยแพร่โดยแก้ไขด้วย GPT-6 Lunaรูปภาพสร้างด้วย GPT Image 2
คำตอบการวิจัย
ประเด็นสำคัญ
- รายงานของ X Humanoid นำเสนอแนวทางที่เสริมกัน ทั้งการเชื่อมการมองเห็นกับการกระทำ การจำลองสิ่งที่จะเกิดขึ้นหลังหุ่นยนต์ลงมือ และการรวมความเข้าใจเข้ากับการให้เหตุผลและการกระทำ
- รายงาน Pelican VLA 0.5 ระบุว่ารวมการเข้าใจภาพและภาษา การสร้างภาพเฟรมอนาคต และการทำนายการกระทำไว้ในสถาปัตยกรรมเดียว พร้อมรายงานผลสำเร็จ 91.4% บน RoboTwin Clean และ 91.0% บน RoboTwin Randomized หลังปรับแต่งโมเดล
AI พรอมต์
openai.comCreate a landscape editorial hero image for this Studio Global article: What roadmap did the Beijing Innovation Center of Humanoid Robotics (X-Humanoid) present through world model lead Zou Shilong’s “Exploring U. Article summary: The available evidence supports X-Humanoid’s broader direction: combining visual-language understanding, imagined future observations, and action generation in unified embodied models, with a world-model simulator suppor. Topic tags: general, general web, user generated, academic. 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, char
รายงานสาธารณะของ X-Humanoid สะท้อนทิศทางการพัฒนาโมเดลสำหรับหุ่นยนต์ที่เชื่อมการรับรู้ การคาดการณ์ และการกระทำเข้าด้วยกัน โดย Pelican ทั้งสามรุ่นมีบทบาทต่างกันแต่เกี่ยวเนื่องกัน: Pelican-VLA 0.5 ทำนายการกระทำควบคู่กับเฟรมภาพในอนาคต, Pelican-Sim 1.0 คาดการณ์สิ่งที่หุ่นยนต์จะสังเกตเห็นเมื่อทำตามคำสั่ง และ Pelican-Unify มุ่งรวมความเข้าใจ การให้เหตุผล จินตนาการ และการกระทำไว้ในโมเดลเดียว 17
18
44
อย่างไรก็ตาม หลักฐานที่มีอยู่ยังไม่ยืนยันว่าโรดแมปทั้งหมดนี้ หรือรายละเอียดเรื่องระดับการทำให้โมเดลใช้งานทั่วไปและวงจรนโยบายที่พัฒนาตัวเอง ถูกนำเสนอในปาฐกถาของ Zou Shilong ที่ ROSCon China เมื่อเดือนตุลาคม
รายงานที่เปิดเผยต่อสาธารณะบอกอะไรบ้าง
Pelican-VLA 0.5: เชื่อมสิ่งที่มองเห็นกับการกระทำ
Pelican-VLA 0.5 ถูกอธิบายว่าเป็นโมเดลวิชัน-ภาษา-การกระทำ (VLA) ที่รวมการเข้าใจภาพและภาษา การสร้างเฟรมภาพในอนาคต และการทำนายการกระทำไว้ในสถาปัตยกรรมเดียว 44 คลังโครงการระบุว่าใช้แกนโมเดล Qwen3-VL 4B ร่วมกัน และมีเช็กพอยต์ที่ฝึกไว้ให้รองรับหุ่นยนต์ต่างรูปแบบ โดยรายงานว่าฝึกจากข้อมูลการจัดการวัตถุหลากหลายประเภทประมาณ 2,400 ชั่วโมง
46
47
รายงานยังระบุว่า ก่อนปรับแต่งให้เหมาะกับงานเฉพาะ ทางเดินประมวลผลที่ใช้สร้างการกระทำของโมเดลหันความสนใจไปยังวัตถุและบริเวณสัมผัสที่เกี่ยวข้องกับคำสั่ง 44
46 หลังปรับแต่งด้วย RoboTwin รายงานผลสำเร็จ 91.4% ในชุด RoboTwin Clean และ 91.0% ในชุด RoboTwin Randomized
44
ผลเหล่านี้เป็นของ Pelican-VLA 0.5 ไม่ใช่หลักฐานยืนยันข้อกล่าวอ้างแยกต่างหากว่า การเพิ่มข้อมูลวิถีการเคลื่อนไหวที่สร้างขึ้น 500 ชุดต่อภารกิจ จากข้อมูลสาธิตต้นฉบับ 50 ชุด ทำให้ Pelican-Sim ได้ผลลัพธ์ตามที่กล่าวไว้
Pelican-Sim 1.0: คาดการณ์ผลที่จะเกิดขึ้นหลังหุ่นยนต์ลงมือ
Pelican-Sim 1.0 นำเสนอในฐานะตัวจำลองแบบจำลองโลก (world model) ที่คาดการณ์สิ่งที่หุ่นยนต์จะสังเกตเห็นในอนาคต โดยอาศัยบริบทภาพและการกระทำของหุ่นยนต์ เพื่อสนับสนุนการเรียนรู้และการตัดสินใจขั้นต่อไป รายงานทางเทคนิคอธิบายว่าระบบประสานการแทนค่าการกระทำทั้งแบบตัวเลขและแบบภาพเข้าด้วยกัน 17
จุดเน้นจึงต่างจาก Pelican-VLA 0.5: แทนที่จะเน้นอธิบายโมเดลที่แปลงการรับรู้เป็นการกระทำโดยตรง Pelican-Sim มุ่งคาดการณ์สิ่งที่จะเกิดขึ้นเมื่อหุ่นยนต์ทำตามการกระทำที่กำหนด รายงานรองรับบทบาทดังกล่าว แต่ข้อมูลที่มีไม่ได้ยืนยันยุทธศาสตร์ข้อมูลสี่ชั้นที่ถูกอ้างถึงในปาฐกถา หรือผลสำเร็จโดยละเอียดจากการทดลองที่ใช้ข้อมูล 50 ชุดบวกวิถีที่สร้างเพิ่ม 500 ชุด 17
Pelican-Unify: รวมความเข้าใจและการสร้างผลลัพธ์สำหรับหุ่นยนต์
รายงานทางเทคนิคของ Pelican-Unify 1.0 อธิบายโมเดลปัญญาประดิษฐ์สำหรับหุ่นยนต์ที่รวมความเข้าใจ การให้เหตุผล จินตนาการ และการกระทำไว้ด้วยกัน รายงานระบุว่าใช้โมเดลวิชัน-ภาษาเพียงตัวเดียวเป็นองค์ประกอบด้านความเข้าใจ โดยแปลงฉาก คำสั่ง บริบทภาพ และประวัติการกระทำให้อยู่ในพื้นที่ความหมายร่วมกัน 18
โมเดลนี้มีเอกสารเผยแพร่ก่อนงานเดือนตุลาคมแล้ว: รายงานมีรหัสระบุเดือนพฤษภาคม 2026 และมีข่าวเผยแพร่ในเดือนเดียวกัน 18
24 ดังนั้นหลักฐานจึงไม่รองรับการเรียก Pelican-Unify ว่าเพิ่งเปิดตัวต่อสาธารณะครั้งแรกในเดือนตุลาคม แต่ก็ไม่ได้ตัดความเป็นไปได้ที่โมเดลจะถูกนำมาแนะนำหรือพูดถึงต่อผู้ร่วมงานในเวทีนั้น
โมเดลทั้งสามเชื่อมโยงกันอย่างไร
เมื่อพิจารณาร่วมกัน รายงานเหล่านี้ชี้ให้เห็นเครื่องมือการเรียนรู้สำหรับหุ่นยนต์ที่ทำหน้าที่เสริมกัน: Pelican-VLA 0.5 เชื่อมข้อมูลภาพและภาษากับการคาดการณ์การกระทำและเฟรมภาพอนาคต; Pelican-Sim 1.0 จำลองสิ่งที่อาจเกิดขึ้นหลังหุ่นยนต์ลงมือ; ส่วน Pelican-Unify มุ่งรวมความเข้าใจ การให้เหตุผล จินตนาการ และการกระทำ 17
18
44
นี่เป็นการสังเคราะห์จากคำอธิบายโมเดลที่เผยแพร่แล้ว ไม่ใช่หลักฐานยืนยันว่าผู้บรรยายประกาศลำดับการพัฒนาหรือโรดแมปเช่นนี้บนเวที
ส่วนที่ยังยืนยันไม่ได้เกี่ยวกับปาฐกถา
เว็บไซต์ ROSCon China 2026 ระบุว่างานมีกำหนดจัดที่เซี่ยงไฮ้ระหว่างวันที่ 16–18 ตุลาคม แต่ข้อมูลกำหนดการที่มีอยู่ยังไม่ยืนยันชื่อปาฐกถา ผู้พูด เวลาในวันที่ 17 ตุลาคม หรือเนื้อหาที่นำเสนอ 3
แหล่งข้อมูลที่มีอยู่ยังไม่ยืนยันคำจำกัดความเฉพาะของระดับการทำให้โมเดลใช้งานทั่วไปทั้งสี่ระดับที่ถูกกล่าวถึง ได้แก่ ระดับพื้นหลัง (background), ระดับองค์ประกอบ (compositional), การข้ามรูปแบบ (cross) และนอกขอบเขตการฝึก (out-of-domain) รวมถึงลำดับยุทธศาสตร์ข้อมูลที่อ้างว่าครอบคลุมตั้งแต่วิดีโอมุมมองบุคคลที่หนึ่งซึ่งไม่ต้องผูกกับหุ่นยนต์ตัวใดตัวหนึ่ง และการบันทึกด้วยอุปกรณ์ UMI แบบถือด้วยมือ ไปจนถึงข้อมูลจำลองหรือข้อมูลสังเคราะห์ ข้อมูลการกู้คืนจากความล้มเหลว และการปรับนโยบายด้วยผลป้อนกลับ หากไม่มีวิดีโอบันทึก สไลด์ หรือสรุปอย่างเป็นทางการโดยละเอียด การระบุว่ารายละเอียดเหล่านี้มาจาก Zou Shilong อาจทำให้ข้อมูลที่ยังไม่ยืนยันถูกนำเสนอราวกับเป็นข้อเท็จจริง
เช่นเดียวกัน หลักฐานที่ให้มายังไม่ยืนยันวิธีวิเคราะห์ตัวแทนข้อมูล การแทรกแซงทางเดินความสนใจของโมเดล หรือการทดสอบพฤติกรรมที่ใช้แยกวัดการพึ่งพาสัญญาณภาพและภาษา อีกทั้งยังไม่มีหลักฐานรองรับรายละเอียดเรื่องการกู้คืนจากความล้มเหลวระยะยาว หรือวงจรเฉพาะที่เชื่อมการจำลองภายในโมเดล การปรับนโยบาย การทดสอบในโลกจริง และข้อมูลป้อนกลับเข้าด้วยกัน
ข้อสรุปที่มีหลักฐานรองรับจึงยังอยู่ในขอบเขตแคบกว่า: รายงานสาธารณะของ X-Humanoid สำรวจวิธีเชื่อมการรับรู้ ภาพอนาคตที่คาดการณ์ขึ้น และการกระทำ ควบคู่กับการจำลองด้วยแบบจำลองโลก ส่วนโรดแมปปาฐกถาที่ลงรายละเอียดมากกว่านั้นยังยืนยันไม่ได้จากข้อมูลที่มี
Studio Global AI
ทำการวิจัยต่อ
หน้านี้รวมคำตอบที่ได้รับการสนับสนุนจากแหล่งที่มาซึ่งคุณสามารถดำเนินการต่อภายใน Studio Global
คนยังถาม
คำตอบสั้น ๆ สำหรับ "สามโมเดล Pelican ชี้ทิศทาง AI สำหรับหุ่นยนต์ของ X-Humanoid" คืออะไร
รายงานของ X Humanoid นำเสนอแนวทางที่เสริมกัน ทั้งการเชื่อมการมองเห็นกับการกระทำ การจำลองสิ่งที่จะเกิดขึ้นหลังหุ่นยนต์ลงมือ และการรวมความเข้าใจเข้ากับการให้เหตุผลและการกระทำ
ประเด็นสำคัญที่ต้องตรวจสอบก่อนคืออะไร?
รายงานของ X Humanoid นำเสนอแนวทางที่เสริมกัน ทั้งการเชื่อมการมองเห็นกับการกระทำ การจำลองสิ่งที่จะเกิดขึ้นหลังหุ่นยนต์ลงมือ และการรวมความเข้าใจเข้ากับการให้เหตุผลและการกระทำ รายงาน Pelican VLA 0.5 ระบุว่ารวมการเข้าใจภาพและภาษา การสร้างภาพเฟรมอนาคต และการทำนายการกระทำไว้ในสถาปัตยกรรมเดียว พร้อมรายงานผลสำเร็จ 91.4% บน RoboTwin Clean และ 91.0% บน RoboTwin Randomized หลังปรับแต่งโมเดล
แหล่งที่มา
arxiv.orgPelican-Sim 1.0: A General World Model Simulator for Embodied ...
github.comreadme.md - Pelican-VLA 0.5
huggingface.coREADME.md · X-Humanoid/Pelican-VLA05 at 5623cf1629aae870b973025a675e4534adc44d83