Article

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

คอขวดที่แท้จริงของการฝึกหุ่นยนต์ไม่ใช่พลังประมวลผล แต่คือข้อมูลที่ติดป้ายกำกับการเคลื่อนไหว ซึ่งต้องให้คนบังคับหุ่นยนต์ทำงานทีละครั้งเพื่อเก็บข้อมูล เป็นงานที่ช้าและแพงมาก Dyna Robotics จึงตั้งคำถามว่า ถ้าใช้วิดีโอธรรมดาที่คนถ่ายจากมุมมองตัวเองแทนได้ล่ะ? และเปิดตัวโมเดล Dyna-2 ที่ฝึกด้วยวิดีโอลักษณะนี้กว่า 1 ล้านชั่วโมง ซึ่งเทียบเท่าเวลาที่มนุษย์ตื่นอยู่ต่อเนื่องราว 170 ปี ผลลัพธ์สำคัญ: ยิ่งดูมาก ยิ่งทำได้ดี และวัดได้เป็นเส้นตรง ทีมวิจัยตัดชุดข้อมูลออกเป็น 4 ระดับ คือ 1,000 / 10,000 / 100,000 / 1,000,000 ชั่วโมง โดยคงสัดส่วนแหล่งข้อมูลให้เหมือนกันทุกระดับ เพื่อให้มั่นใจว่าผลที่ต่างกันมาจากปริมาณข้อมูลจริง ไม่ใช่เพราะชนิดข้อมูลเปลี่ยน จากนั้นนำแต่ละระดับไปฝึกต่อกับงานหุ่นยนต์ 14 งาน ใช้ข้อมูลหุ่นยนต์ไม่เกินงานละ 10

Microduck ทั้ง 4 สี — Cream, Graphite, Lavender และ Sky · ภาพจากโครงการ microduck ของ Pollen Robotics (Apache-2.0) หุ่นยนต์เป็ด Microduck คือหุ่นยนต์เดินสองขา สูง 25 เซนติเมตร จาก Pollen Robotics ทีมหุ่นยนต์ในเครือ Hugging Face ราคาตั้งต้น 399 ดอลลาร์ คนไทยเรียกกันหลายชื่อ ทั้ง หุ่นเป็ด หุ่นเป็ดจิ๋ว หุ่นยนต์เป็ดจิ๋ว เป็ดหุ่นยนต์ หรือทับศัพท์ว่า หุ่นไมโครดัก