Google เปิดตัว Gemini 4 Argon พร้อมวางตำแหน่งให้เป็นโมเดลที่ “เข้าใจโลกกายภาพ” ไม่ได้เก่งแค่เขียนโค้ดหรือตอบคำถาม แต่ใช้ได้กับงานหุ่นยนต์ตลอดทั้งสาย ตั้งแต่สั่งการหุ่นยนต์ สร้างแบบจำลองฟิสิกส์ ตรวจคุณภาพข้อมูล ไปจนถึงให้หุ่นยนต์ปรับปรุงตัวเองจากการลองผิดลองถูก บทความนี้สรุปสิ่งที่ Google นำเสนอ และชวนมองว่าเรื่องนี้มีความหมายอย่างไรกับคนทำหุ่นยนต์และโดรนในไทย
ตัวเลขที่ Google ชูเป็นหลัก
Google อ้างผลทดสอบ ERQA (Embodied Reasoning) ซึ่งวัดความสามารถในการแก้โจทย์เชิงพื้นที่และฟิสิกส์ในสภาพแวดล้อมสามมิติ โดยระบุว่า Argon ทำได้ 87% ด้วยการให้เหตุผลล้วนๆ และสูงกว่าโมเดลแนวหน้าตัวอื่นทั้งหมด ตัวเลขนี้เป็นผลที่ผู้พัฒนารายงานเอง ควรรอดูผลทดสอบจากฝ่ายอิสระประกอบด้วย
สี่ด้านที่ Argon ถูกนำไปใช้
| 方面 | ตัวอย่างที่ Google สาธิต |
|---|---|
| สั่งการหุ่นยนต์ | หุ่นสี่ขา Spot ซ้อมในแบบจำลองก่อนเหยียบถังขยะแบบแป้นเท้า, แขนกลจับแก้วโดยไม่ต้องฝึกมาก่อน, บังคับหุ่นในโลกจำลองแบบวิดีโอ |
| Real2Sim | สร้าง “ฝาแฝดดิจิทัล” ใน MuJoCo จากกล้องหุ่นยนต์ จากวิดีโอมุมมองคน หรือแม้แต่จากภาพร่างบนกระดาษ |
| เข้าใจงานกายภาพ | ติดป้ายกำกับวิดีโอย้อนหลังแบบละเอียด, ประเมินความคืบหน้าของงานเป็นช่วงๆ, แก้ปริศนาหาลูกบอลที่น้ำหนักผิดด้วยตาชั่ง |
| วิจัยและพัฒนาตัวเอง | สร้างข้อมูลฝึกในแบบจำลองเพื่อยกระดับโมเดล VLA, ให้แขนกลปรับปรุงตัวเองบนฮาร์ดแวร์จริง, ผลิตงานวิจัยซ้ำให้รันในเบราว์เซอร์ |
1. สั่งการหุ่นยนต์: ซ้อมในโลกจำลองก่อนลงมือจริง
ตัวอย่างที่เห็นภาพชัดที่สุดคือ Argon ควบคุม Boston Dynamics Spot ให้ทิ้งกระป๋องน้ำอัดลมลงถังขยะที่ต้องเหยียบแป้นเปิดฝา ความยากอยู่ที่หุ่นต้องยืนสามขาให้สมดุลขณะใช้ขาข้างหนึ่งเหยียบ Argon จึงสร้างแบบจำลองถังขยะใน MuJoCo ขึ้นมาซ้อมท่าก่อน แล้วค่อยทำกับถังจริง และให้ “เอเจนต์ตรวจสอบ” แยกกันเช็กตำแหน่งเท้ากับตำแหน่งมือก่อนปล่อยของ
อีกตัวอย่างคือแขนกลธรรมดาที่ต้องตั้งแก้วที่ล้มให้ตรงแล้วใส่กระดาษทิชชูลงไป โดย Argon อ่านภาพจากกล้องที่ข้อมือซึ่งมีพิกัดซ้อนไว้ แล้วสั่งท่าพื้นฐานทีละรอบ ดูผล แล้วแก้ ส่วนตัวอย่างที่สามเป็นการบังคับมือหุ่นในโลกจำลองแบบวิดีโอ (Gemini Omni) ให้เรียงตัวอักษรเป็นคำว่า ARGON โดยเขียนคำสั่งเป็นช่วงเวลา ดูภาพผลลัพธ์ แล้วปรับคำสั่งรอบถัดไป
2. Real2Sim: จากภาพจริงสู่แบบจำลองฟิสิกส์
งานที่กินเวลาที่สุดของทีมหุ่นยนต์มักเป็นการสร้างแบบจำลองให้ตรงกับของจริง Google แสดงว่า Argon ทำส่วนนี้ได้จากต้นทางสามแบบ:
- จากกล้องหุ่นยนต์: ดูวิดีโอการบังคับหุ่นจริง แล้วสร้างฉากจำลองที่ทั้งหน้าตาและจังหวะสัมผัสวัตถุตรงกับของจริง ปรับซ้ำจนตรง
- จากวิดีโอมุมมองคน: ดูวิดีโอคนทำงานด้วยมือ แล้วถ่ายทอดท่ามือนั้นไปให้หุ่นฮิวมานอยด์สองแขนที่มีนิ้วมือห้านิ้วในแบบจำลอง
- จากภาพร่าง: ถ่ายรูปภาพวาดมือของหุ่นฮิวมานอยด์ขว้างลูกบอลให้กล่องล้ม แล้วให้ Argon สร้างฉากใน
mujoco_warpคำนวณท่าขว้างทั้งตัว ตรวจว่ากล่องล้มครบ และเรนเดอร์ออกมาเป็นวิดีโอ
3. เข้าใจงานกายภาพ: ตรวจคุณภาพข้อมูลและวัดความคืบหน้า
ข้อมูลสำหรับฝึกหุ่นยนต์มักมีช่วงที่จับพลาด หยุดชะงัก หรือทำซ้ำ ซึ่งถ้าปล่อยไว้จะสอนให้โมเดลเลียนแบบความผิดพลาดนั้น Google สาธิตให้ Argon ดูวิดีโอหุ่นสองแขน ALOHA 2 พับกระดาษเป็นรูปสุนัขจิ้งจอกยาว 136 วินาที แล้วแบ่งกำกับเหตุการณ์เป็นสี่ระดับความละเอียด พร้อมชี้ช่วงที่ควรลดน้ำหนักตอนนำไปฝึก
อีกสองตัวอย่างคือ ให้ Argon สร้างโจทย์ปริศนา “ลูกบอล 12 ลูก มีลูกหนึ่งน้ำหนักผิด ชั่งได้ 3 ครั้ง” ในแบบจำลองแขนกล Franka สองแขน แล้วเขียนตัวแก้โจทย์ที่ใช้แค่ภาพจากกล้อง และให้ Argon ดูวิดีโอจากกล้องสามตัวของชุดข้อมูล UMI แล้ววาดกราฟความคืบหน้าของงาน แยกเป็น 28 ช่วงว่าช่วงไหนงานเดินหน้า ช่วงไหนถอยหลัง
4. วิจัยและพัฒนาตัวเอง: ตัวเลขที่จับต้องได้
- สร้างข้อมูลฝึกในแบบจำลอง: เริ่มจากภาพถ่ายโต๊ะจริงภาพเดียว Argon สร้างแบบจำลอง กำหนดงานใหม่ และผลิตข้อมูลฝึกกว่า 4,500 ตอน เมื่อนำไปฝึกโมเดล VLA อัตราสำเร็จบนหุ่นจริงขึ้นจาก 56% เป็น 75% และเวลาทำงานลดจาก 35 เหลือ 24 วินาที
- ปรับปรุงตัวเองบนฮาร์ดแวร์: บนแขนกลราคาประหยัด SO-101 งานหยิบตัวต่อ LEGO ใส่กล่องเร็วขึ้นจาก 58.9 เป็น 22.9 และ 17.4 วินาทีในสามรอบ โดย Argon ดูวิดีโอของตัวเอง หาสาเหตุที่พลาด แล้วแก้เอง
- ผลิตงานวิจัยซ้ำ: ให้ Argon อ่านเปเปอร์ด้านการควบคุมหุ่นยนต์ แล้วสร้างแบบจำลองที่รันในเบราว์เซอร์ด้วย MuJoCo WebAssembly ได้ด้วยคำสั่งเดียวต่อเปเปอร์ Google รายงานว่าทำไว้ 68 ชุด
ใช้งานได้ที่ไหน
Google ระบุช่องทางไว้สามทาง:
- Google AI Studio: สำหรับสมาชิก Google AI Ultra
- Gemini API: สำหรับ API แบบเสียเงิน ใช้ชื่อโมเดล
gemini-4-argonผ่าน Interactions API และ SDKgoogle-genai - Google Antigravity: สำหรับสมาชิก Google AI Ultra
มุมมองสำหรับคนทำหุ่นยนต์ในไทย
ต้นทุนของ “การทำแบบจำลอง” กำลังลดลง ทีมขนาดเล็กในไทยมักติดอยู่ที่ขั้นสร้าง digital twin ซึ่งต้องใช้คนที่เข้าใจทั้งฟิสิกส์และซอฟต์แวร์ ถ้าการสร้างฉากจำลองจากภาพถ่ายหรือภาพร่างใช้ได้จริงในงานทั่วไป ทีมมหาวิทยาลัยและสตาร์ทอัพจะทดลองได้เร็วขึ้นมากโดยไม่ต้องเสี่ยงกับฮาร์ดแวร์ราคาแพง
ฮาร์ดแวร์ราคาประหยัดได้ประโยชน์ชัดเจน ตัวอย่างบนแขนกล SO-101 แสดงว่าความสามารถส่วนใหญ่อยู่ที่ฝั่งโมเดล ไม่ใช่ตัวหุ่น ซึ่งเหมาะกับการเรียนการสอนและห้องแล็บที่งบจำกัด
แต่ยังต้องระวัง ทุกตัวอย่างเป็นการสาธิตที่ Google คัดเลือกมา โจทย์ส่วนใหญ่ใช้ prompt ยาวและละเอียดมาก และ Google ไม่ได้รายงานอัตราความล้มเหลว การนำไปใช้กับหุ่นยนต์ที่ทำงานใกล้คน เช่นในโรงพยาบาลหรือโรงงาน ยังต้องมีชั้นความปลอดภัยแยกจากโมเดล และต้องทดสอบในสภาพจริงของเราเองก่อนเสมอ
แหล่งที่มา: Kanishka Rao, “Gemini 4 Argon for Robotics,” Google Developers Blog, 13 ตุลาคม 2026 · บทความนี้เรียบเรียงและสรุปเป็นภาษาไทยโดยสมาคมโดรนไทย ไม่ใช่คำแปลอย่างเป็นทางการ ดูวิดีโอสาธิต ภาพประกอบ และ prompt ฉบับเต็มได้ที่บทความต้นฉบับ
