Google DeepMind ส่งสัญญาณชัดว่าเกมหุ่นยนต์กำลังขยับจาก “หยิบของบนโต๊ะ” ไปสู่การควบคุมทั้งร่างกาย การใช้มือที่ละเอียดขึ้น และการทำงานร่วมกันของหุ่นยนต์หลายตัวพร้อมกัน ข่าวนี้ไม่ใช่แค่การเปิดตัวโมเดลใหม่ แต่เป็นการจัดสถาปัตยกรรมใหม่ให้หุ่นยนต์มีสมองหลายชั้น แยกงานวางแผน งานสั่งการ และงานรันบนตัวหุ่นยนต์ออกจากกันอย่างเป็นระบบ
3 โมเดลที่ไม่ได้ทำงานแบบเดียวกัน
ในชุดนี้ DeepMind แยกออกเป็น 3 โมเดล ซึ่งมีหน้าที่ต่างกันชัดเจน
ตัวแรกคือ Gemini Robotics 2 โมเดลแบบ vision-language-action หรือ VLA ที่แปลงภาพกับคำสั่งให้กลายเป็นการเคลื่อนไหวของหุ่นยนต์ มันถูกออกแบบให้คุมได้ตั้งแต่เท้าถึงปลายนิ้ว ไม่ได้จำกัดแค่แขนหยิบจับบนโต๊ะอีกต่อไป
ตัวที่สองคือ Gemini Robotics ER 2 ซึ่งเป็นโมเดลสาย reasoning หรือ “สมองชั้นสูง” ทำหน้าที่คุยกับมนุษย์ เข้าใจสภาพแวดล้อม และวางแผนงานหลายขั้นตอนต่อเนื่องนานหลาย分钟ในเชิงการใช้งานจริง
ตัวที่สามคือ Gemini Robotics On-Device 2 โมเดล VLA ที่เน้นรันบนตัวหุ่นยนต์โดยตรง เหมาะกับงานที่ไม่อยากพึ่งเครือข่ายตลอดเวลา
การแยกงานแบบนี้สำคัญ เพราะหุ่นยนต์ไม่ได้ต้องการโมเดลเดียวที่เก่งทุกอย่าง แต่ต้องการระบบที่รู้ว่าควรให้ใครคิด ใครตัดสินใจ และใครขยับแขนขา
ทั้งตัว แขน มือ และหลายตัวทำงานร่วมกัน
สิ่งที่เด่นที่สุดของ Gemini Robotics 2 คือการขยายขอบเขตจากการหยิบจับเฉพาะจุด ไปสู่ whole body control หรือการคุมทั้งร่างกายของหุ่นยนต์
ตัวอย่างที่ DeepMind ยกมาคือ Apptronik Apollo 2 หุ่นยนต์สามารถเดินไปที่โต๊ะ หยิบเหยือกน้ำ แล้วเดินต่อไปยังชั้นวางเพื่อวางของตามคำสั่งได้ นี่สะท้อนว่าระบบเริ่มเชื่อม “การรับรู้” เข้ากับ “การเคลื่อนที่” ไม่ใช่แค่การคีบของตรงหน้า
อีกจุดคือความละเอียดของมือ โมเดลตัวเดียวกันควบคุมมือ 22 degrees of freedom แบบ SharpaWave ได้ รวมถึงงานอย่างผูกปม ปิดซองซิปล็อก และใช้กริปเปอร์สองนิ้วในอีกแพลตฟอร์มหนึ่ง
ที่น่าสนใจต่อไปคือการทำงานร่วมกันของหุ่นยนต์หลายชนิด DeepMind ชี้ว่าไม่มีหุ่นยนต์แบบเดียวที่เหมาะกับทุกงาน จึงทดลองให้หุ่นยนต์คนละทรงช่วยกันทำงานผ่านความเข้าใจเชิงความหมายร่วมกัน
ER 2 คือชั้นวางแผนที่สำคัญกว่าที่คิด
แม้คนจะพูดถึงการเคลื่อนที่ของหุ่นยนต์ แต่แก่นที่อาจสำคัญกว่าอยู่ที่ Gemini Robotics ER 2
โมเดลนี้รับข้อมูลแบบหลายรูปแบบพร้อมกัน ทั้งข้อความ ภาพ วิดีโอ และเสียง โดยมี context window สูงสุด 128k token และสามารถสร้างข้อความตอบกลับได้ถึง 64K token ตาม model card ที่อ้างในต้นฉบับ
สิ่งที่ ER 2 ทำได้ดีคือการจับสถานะงานแบบต่อเนื่อง เช่น แยกได้ว่าเมื่อไรงาน “เกือบเสร็จ” หรือยังไม่ควรหยุด เทียบง่าย ๆ คือมันไม่ได้ดูแค่ว่ากาแฟยังไหลหรือไม่ แต่พยายามจับจังหวะว่าควรหยุดรินเมื่อไร
Google DeepMind รายงานว่า ER 2 ทำคะแนน 57.4% ในงานประเมิน progress level และทำ accuracy 91.3% ในการจับเฟรมสำคัญของเหตุการณ์ พร้อมค่า mean absolute distance 0.96 วินาที ตัวเลขเหล่านี้สะท้อนการประเมินเรื่อง “timing” ที่มักไม่ค่อยถูกพูดถึงในงานหุ่นยนต์ทั่วไป
โมเดลบนอุปกรณ์: จุดแข็งคือความหน่วงต่ำ
On-Device 2 ถูกวางไว้สำหรับสถานการณ์ที่รอ cloud ไม่ได้ เช่น งานที่ต้องตอบสนองเร็ว หรือจุดติดตั้งที่สัญญาณไม่เสถียร
DeepMind ระบุว่าโมเดลนี้รองรับการปรับกับ embodiment ใหม่ได้ภายในไม่กี่ชั่วโมง และใช้ตัวอย่างน้อยกว่า 200 ตัวอย่างในกรณีที่รายงานไว้ ซึ่งเป็นสัญญาณว่าการย้ายโมเดลไปยังหุ่นยนต์หลายแพลตฟอร์มอาจทำได้เร็วขึ้นกว่ารุ่นก่อน
แต่ model card ก็พูดข้อจำกัดตรง ๆ ว่าโมเดลยังมีปัญหาในการ generalize งานนอก distribution และยังจำกัดกับหุ่นยนต์ที่มี degree of freedom สูงมาก
ข้อควรระวัง: ยังไม่ใช่คำตอบสุดท้ายของโรงงานจริง
แม้ตัวเลขจะน่าดู แต่ยังมีข้อควรระวังสำคัญ
อย่างแรก ความเร็วการเคลื่อนที่ของหุ่นยนต์ยังถูก DeepMind เองยอมรับว่ายังต้องพัฒนาอีก
อย่างที่สอง ความสำเร็จในเดโมหรือ benchmark ยังไม่เท่ากับการใช้งานในพื้นที่จริงที่มีฝุ่น ความแปรปรวนของแสง ความเสียหายของอุปกรณ์ และคนเดินตัดหน้า
อย่างที่สาม ระบบแบบหลายโมเดลต้องการโครงสร้างซอฟต์แวร์และการเชื่อมต่อที่ดี ถ้าการประสานงานระหว่าง planner, VLA และ on-device layer ไม่แน่น พฤติกรรมของหุ่นยนต์อาจซับซ้อนเกินกว่าจะบำรุงรักษาได้ง่าย
ความหมายต่อผู้ประกอบการ/ผู้ใช้งานไทย
สำหรับผู้ประกอบการไทย ข่าวนี้ไม่ได้แปลว่าควรรีบซื้อหุ่นยนต์รุ่นใหม่ทันที แต่แปลว่าระบบหุ่นยนต์กำลังเข้าสู่ยุคที่ “ซอฟต์แวร์” สำคัญพอ ๆ กับตัวเครื่อง
ธุรกิจไทยที่ทำงานด้านคลังสินค้า อาหาร เครื่องดื่ม โลจิสติกส์ และไลน์ประกอบชิ้นส่วน น่าจะได้ประโยชน์ถ้าหุ่นยนต์เริ่มคุมทั้งตัวและปรับตัวกับงานที่เปลี่ยนรูปแบบได้เร็วขึ้น แต่สิ่งที่ต้องคิดจริงคือค่า integrate, ค่าปรับจูนหน้างาน และความพร้อมของทีมซัพพอร์ตในประเทศ ไม่ใช่แค่ราคาตัวฮาร์ดแวร์
ในมุมผู้ใช้งานไทย ระบบที่รัน on-device จะมีคุณค่ามากในไซต์งานที่อินเทอร์เน็ตไม่เสถียร เช่น คลังต่างจังหวัด ไซต์ก่อสร้าง หรือพื้นที่อุตสาหกรรมที่ไม่อยากส่งข้อมูลภาพออกนอกระบบตลอดเวลา
ในมุมหนึ่ง การมาของโมเดลแบบนี้ยังทำให้คู่แข่งในไทยต้องคิดเรื่องมาตรฐานความปลอดภัยและการรับผิดชอบ หากหุ่นยนต์ตัดสินใจพลาด การกำหนดว่าใครเป็นผู้รับผิดชอบระหว่างผู้พัฒนา ผู้ติดตั้ง และผู้ใช้งาน จะยิ่งสำคัญขึ้น