ที่ผ่านมาการสอนงานใหม่ให้หุ่นยนต์หนึ่งอย่างต้องใช้ตัวอย่างหลายร้อยครั้งและการฝึกซ้ำนับหมื่นรอบ แต่ Generalist AI เพิ่งเปิดตัวโมเดล GEN-1.5 ที่เรียนงานใหม่ได้จากการดูสาธิตเพียงครั้งเดียว ยาว 3–12 วินาที โดยไม่ต้องฝึกเพิ่มแม้แต่รอบเดียว
สิ่งที่ทำให้เรื่องนี้น่าสนใจกว่าตัวเลข คือทีมผู้พัฒนาบอกเองว่า พวกเขาไม่ได้ตั้งใจสร้างความสามารถนี้
ทำงานอย่างไร
GEN-1.5 เป็นโมเดลหลายรูปแบบขนาดใหญ่ที่รับข้อมูลเข้าได้ทั้งวิดีโอ สัญญาณเซนเซอร์ ภาษา และข้อมูลตำแหน่งข้อต่อของตัวเอง มีหน่วยความจำย้อนหลัง 30 วินาที และส่งคำสั่งการเคลื่อนไหวออกมาที่ความถี่ 100 ครั้งต่อวินาที
วิธีสอนงานใหม่เรียกว่า physical prompting — ผู้ใช้ลากไฟล์ตัวอย่างการทำงานหนึ่งชิ้น ซึ่งประกอบด้วยข้อมูลเซนเซอร์และเส้นทางการเคลื่อนไหว ใส่เข้าไปในหน่วยความจำ 30 วินาทีนั้น พื้นที่ที่เหลือใช้เก็บภาพสิ่งที่หุ่นยนต์กำลังเห็นอยู่ จากนั้นหุ่นยนต์ก็ทำงานนั้นได้ทันที
แนวคิดนี้เหมือนกับการที่เราพิมพ์ตัวอย่างให้ ChatGPT ดูหนึ่งตัวอย่างแล้วมันทำตามได้ ต่างกันตรงที่ GEN-1.5 ทำแบบเดียวกันกับการเคลื่อนไหวทางกายภาพ
ตัวเลขที่ได้จริง
- ดูครั้งเดียว ไม่ฝึกเลย — สำเร็จเฉลี่ย 59% (ส่วนเบี่ยงเบน ±10%) จากงานหยิบจับ 10 แบบที่แตกต่างกัน
- ฝึกเพิ่ม 10 รอบ ด้วยข้อมูล 5 นาทีต่องาน (ราว 50 ตัวอย่าง) — ขึ้นเป็น 83% (±9%)
- กรณีสุดขั้ว ฝึกเพียง 1 รอบด้วยข้อมูล 1 นาที บนงานที่ไม่เคยเห็น — ได้ 66.5% โดยไม่ต้องปรับค่าพารามิเตอร์ใด ๆ
จุดที่น่าสนใจที่สุดอยู่ที่ต้นทุนการประมวลผล การปรับหุ่นยนต์ให้ทำงานใหม่แบบเดิมต้องใช้การฝึกหลายหมื่นรอบ แต่ที่นี่ใช้แค่ 10 รอบ และเมื่อวัดดูพบว่าค่าน้ำหนักในโมเดลเปลี่ยนไปไม่ถึง 0.15%
ตัวเลขนี้บอกอะไรบางอย่าง — การฝึกเพิ่มไม่ได้สร้างความรู้ใหม่ แต่เป็นการจัดเรียงความรู้ที่โมเดลมีอยู่แล้วให้ตรงกับงานตรงหน้า
ความสามารถที่โผล่มาเอง
ทีมงานระบุชัดว่าไม่ได้ปรับโครงสร้างโมเดลเพื่อให้เกิดการเรียนรู้แบบนี้ ไม่ได้ใส่กระบวนการ meta-learning และไม่ได้ตั้งเป้าหมายเสริมใด ๆ ความสามารถนี้โผล่ขึ้นมาเองจากการฝึกต่อเนื่องกว่า 8 เดือนด้วยข้อมูลการเคลื่อนไหวจริงที่เก็บจากบ้าน คลังสินค้า และโรงงาน
รูปแบบนี้เคยเกิดขึ้นมาแล้วในโลกของโมเดลภาษา ตอน GPT-3 ออกมา ความสามารถทำตามตัวอย่างเพียงหนึ่งชิ้นก็ไม่ได้ถูกออกแบบไว้ แต่โผล่มาเมื่อขนาดการฝึกมากพอ
ตัวอย่างที่ชัดที่สุดคือหลังฝึกด้วยข้อมูล 5 นาทีของการปัดก้อนวัตถุลงชาม โมเดลกลับหยิบกล้วยมาใช้แทนแปรง และใช้ที่โกยผงตักก้อนวัตถุขึ้นมาเทลงชามแทนการปัด ซึ่งเป็นลำดับการสัมผัสที่ต่างไปโดยสิ้นเชิง นอกจากนี้ยังเปิดกระดาษที่ปิดปากชามออกเอง และสลับใช้มือได้ทั้งสองข้างทั้งที่ตัวอย่างสาธิตใช้มือเดียว
ยังใช้จริงไม่ได้ — และนี่คือประเด็นสำคัญ
ต้องพูดให้ชัดว่า GEN-1.5 ยังไม่ใช่สินค้า ไม่มีการเปิดให้ดาวน์โหลดโมเดล ไม่มี API ไม่มีหน้าราคา และไม่มีช่องทางสมัครใช้เอง บริษัทรันโมเดลนี้บนกองหุ่นยนต์ของตัวเองเท่านั้น ใครที่ต้องการใช้ต้องเข้าไปเป็นพาร์ตเนอร์โดยตรง
ทีมงานเองก็ยอมรับตรง ๆ ว่างานที่ทดสอบเป็นงานง่ายและสั้น ไม่ใช่งานที่ต้องวางแผนหลายขั้นตอน
สำหรับทีมที่อยากทดลองแนวทางนี้บนฮาร์ดแวร์จริงโดยไม่ลงทุนสูง มีหุ่นเดินสองขาขนาดเล็กที่เปิดสูตรการฝึกทั้งหมดให้ใช้ได้ฟรี เช่น หุ่นยนต์เป็ด Microduck ซึ่งฝึกนโยบายการเดินใหม่เองได้ภายในเวลาไม่กี่ชั่วโมง เหมาะกับการสร้างความเข้าใจก่อนขยับไปทำงานกับหุ่นขนาดใหญ่
ความหมายต่อผู้ประกอบการไทย
สำหรับธุรกิจในไทยที่กำลังพิจารณานำหุ่นยนต์มาใช้ ข่าวนี้ยังไม่ใช่สิ่งที่ซื้อได้ แต่มีสองประเด็นที่ควรจับตา
ประเด็นแรก — ต้นทุนการปรับใช้กำลังจะเปลี่ยน อุปสรรคใหญ่ที่สุดของการใช้หุ่นยนต์ในโรงงานหรือคลังสินค้าไทยไม่ใช่ราคาตัวหุ่นยนต์ แต่คือค่าจ้างวิศวกรมาตั้งโปรแกรมใหม่ทุกครั้งที่สายการผลิตเปลี่ยน ถ้าการสอนงานใหม่เหลือแค่การสาธิตให้ดูครั้งเดียว โครงสร้างต้นทุนทั้งหมดจะต่างไป โดยเฉพาะกับธุรกิจที่ผลิตหลายรุ่นปริมาณน้อย ซึ่งเป็นลักษณะของผู้ผลิตไทยจำนวนมาก
ประเด็นที่สอง — ข้อมูลคือสิ่งที่มีค่า ความสามารถนี้เกิดจากข้อมูลการเคลื่อนไหวจริง 8 เดือน ไม่ใช่จากอัลกอริทึมที่ฉลาดกว่าเดิม ใครที่มีหน้างานจริงและเริ่มเก็บข้อมูลไว้ตั้งแต่วันนี้ จะอยู่ในตำแหน่งที่ดีกว่าเมื่อเทคโนโลยีนี้เปิดให้ใช้ทั่วไป
ในระหว่างนี้ ผู้ที่ต้องการใช้หุ่นยนต์ในงานจริงยังต้องพึ่งรุ่นที่วางขายแล้วอย่าง Unitree G1 ซึ่งควบคุมด้วยการเขียนโปรแกรมตามปกติ (อ่านเพิ่ม: Dyna-2 ฝึกหุ่นยนต์ด้วยวิดีโอมนุษย์ 1 ล้านชั่วโมง) หรือใช้วิธีเช่าตามรอบงานสำหรับการจัดแสดงและงานอีเวนต์