ภายในการแข่งขันหุ่นยนต์ใหม่: ข้อมูล, โมเดล, และการผลิต

นวัตกรรมมักจะไม่เกิดขึ้นในสถานที่ที่มีการแยกตัว มันเกิดขึ้นจากการสนทนาระหว่างวิศวกร ผู้ก่อตั้ง นักวิจัย และนักลงทุนที่พยายามเข้าใจทิศทางที่เทคโนโลยีกำลังจะไป

ในช่วงหนึ่งปีที่ผ่านมา ฉันเข้าร่วมการประชุมหลายสิบครั้งทั่วโลก การเดินทางเพื่อธุรกิจบางครั้งอาจใช้เวลาหลายเดือน และการประชุมกับคู่ค้าและลูกค้าจัดขึ้นตั้งแต่เอเชียถึงอเมริกาเหนือ แต่หนึ่งในการเดินทางล่าสุดของฉันไปที่สวิตเซอร์แลนด์กลับเป็นเรื่องที่น่าสนใจมาก – ส่วนใหญ่เนื่องจากผู้คนและบทสนทนาที่เกิดขึ้นที่นั่น

ซูริกเป็นหนึ่งในสถานที่ที่มีการพูดถึงอนาคตของหุ่นยนต์และ Physical AI อย่างแข็งขันในปัจจุบัน และเมื่อการสนทนาเหล่านี้ลึกซึ้งยิ่งขึ้น ก็จะเห็นได้ชัดเจนว่าการแข่งขันที่แท้จริงในด้านหุ่นยนต์กำลังเกิดขึ้นรอบข้อมูล

ยุโรป의ซิลิคอนแวลลีย์

ซูริกมักจะเกี่ยวข้องกับภาคการเงิน แต่ในช่วงไม่กี่ปีที่ผ่านมา มันได้รับการขนานนามว่าเป็นยุโรป의ซิลิคอนแวลลีย์ มากของชื่อเสียงนี้เกี่ยวข้องกับ ETH ซูริก หนึ่งในมหาวิทยาลัยวิศวกรรมที่ได้รับการยกย่องมากที่สุดในยุโรป มันดึงดูดนักวิจัย นักศึกษาระดับ박ซา วิศวกร และผู้ประกอบการจากทั่วโลก ทำให้เกิดระบบนิเวศทางเทคโนโลยีที่มีพลังรอบมหาวิทยาลัย ซึ่งการวิจัย สตาร์ทอัพ และโครงการอุตสาหกรรมพัฒนาเกือบพร้อมๆ กัน

หนึ่งในสาเหตุที่ฉันเดินทางไปซูริกคือการทำความเข้าใจว่า Introspector สามารถนำเสนออะไรให้กับตลาดหุ่นยนต์ได้บ้าง ซึ่งเติบโตอย่างมากตั้งแต่ต้นปี 2025 เป็นอุตสาหกรรมที่สตาร์ทอัพหลายแห่งพยายามเข้ามา และความก้าวหน้าทางเทคโนโลยีจากบริษัทเทคโนโลยีรายใหญ่กำลังเปลี่ยนแปลงมันอย่างแข็งขัน แต่ถึงแม้จะมีแรงผลักดันเหล่านี้ อุตสาหกรรมก็ยังคงมีคำถามมากกว่าคำตอบ

ซูริกยังเป็นที่ตั้งของพันธมิตรของเรา Lightly ซึ่งช่วยให้ฉันได้พบปะกับเพื่อนที่ทำงานที่จุดตัดระหว่างหุ่นยนต์ วิชั่นคอมพิวเตอร์ และ AI มีแง่มุมหนึ่งของระบบนิเวศทางเทคโนโลยีท้องถิ่นที่ฉันต้องการเน้นย้ำ: ผู้คนที่นี่เปิดกว้างและยินดีต้อนรับ พวกเขาไม่กลัวที่จะแบ่งปันความคิดและสมมติฐาน พูดถึงความท้าทายที่พวกเขาพยายามแก้ไข และการทดลองที่พวกเขากำลังดำเนินการ ทำให้คุณเข้าใจบริบทที่แท้จริงของตลาดและทิศทางที่อุตสาหกรรมกำลังจะไปได้เร็วขึ้น

เมื่อคนถามฉันว่า “ยุโรปซิลิคอนแวลลีย์” แตกต่างจากอเมริกันอย่างไร คำตอบมักจะทำให้พวกเขาประหลาดใจ ในซูริก ความสมดุลระหว่างงานและชีวิตรู้สึกแข็งแกร่งกว่า: กีฬาในตอนเช้า การทำงานที่มีจังหวะในระหว่างวัน และเย็นกับครอบครัวหรือการผ่อนคลายในภูเขา ในซานฟรานซิสโก มักจะมีความรู้สึกว่าคุณต้อง chứng minhว่าคุณทำงานหนักกว่าทุกคน ในซูริก จังหวะการทำงานแตกต่าง – มีความยั่งยืนมากกว่า แต่ระดับความทะเยอทะยานทางเทคโนโลยีไม่ต่ำกว่า

ข้อมูลที่ดีก่อนหุ่นยนต์ที่ดี

หนึ่งในข้อค้นพบหลักจากทริปนี้คือการสังเกตที่เรียบง่าย: มีหลายคนที่ต้องการทำงานในด้านหุ่นยนต์ แต่ถึงแม้จะมีความสนใจอย่างมากในอุตสาหกรรม แต่ทีมหลายทีมยังคงอยู่ในระยะการสำรวจ พยายามเข้าใจว่าพวกเขาสามารถมีบทบาทอะไรในคลื่นลูกใหม่ของหุ่นยนต์และ Physical AI และสามารถมีส่วนร่วมได้อย่างไร

การสนทนาหลายครั้งรวมกันที่หัวข้อเดียวกัน: ข้อมูล ปัจจุบันอุตสาหกรรม ขาดข้อมูลเกี่ยวกับงานที่ต้องใช้ความคล่องตัว หรือทักษะการเคลื่อนไหวที่ละเอียด ในพื้นที่นี้ ความสามารถของหุ่นยนต์ยังคงจำกัดอย่างมาก สิ่งที่มนุษย์ทำด้วยมือของตนเองได้อย่างอัตโนมัติ – จับวัตถุ, หมุน, วางไว้อย่างระมัดระวัง, หรือทำการยึดจับขนาดเล็ก – ยังคงเป็นหนึ่งในงานที่ท้าทายที่สุดสำหรับหุ่นยนต์

กุญแจสู่ความก้าวหน้าอยู่ที่ชุดข้อมูลขนาดใหญ่ที่รวบรวมและจัดทำอย่างเหมาะสม ปัจจุบันผู้คนมักพูดถึงชุดข้อมูลจากมุมมองของตัวหุ่นยนต์ ซึ่งระบบบันทึกการกระทำของมนุษย์เหมือนกับว่ามันทำเอง แต่ในทางปฏิบัติแล้ว แนวคิดเรื่อง “ชุดข้อมูลจากมุมมองของตัวหุ่นยนต์” สามารถหมายถึงสิ่งที่แตกต่างกันและทำให้เกิดคำถามทางเทคนิคหลายข้อ ที่ไหนควรวางกล้อง? บนหน้าผาก, ที่หน้าอก, หรืออาจที่ระดับดวงตา? 传感器อะไรที่ควร伴กับการบันทึกวิดีโอ? หากเรากำลังบันทึกการเคลื่อนไหวของมือ ควรมีถุงมือพิเศษหรือไม่? และถ้าใช่ ถุงมือเหล่านั้นควรจะมีเซ็นเซอร์สัมผัส ไซโรสโคป หรือระบบติดตามการเคลื่อนไหวอื่นๆ หรือไม่?

คำถามที่ซับซ้อนกว่านั้นคือ: วิธีการจับข้อมูลความลึกของการเคลื่อนไหวอย่างเหมาะสม เนื่องจากไม่เพียงแต่ตำแหน่งของมือในระนาบสองมิติเท่านั้น แต่ยังรวมถึงการเคลื่อนไหวผ่านพื้นที่สามมิติ – ไปข้างหน้า, ข้างหลัง, ขึ้น, หรือลงด้วย

จนถึงตอนนี้ อุตสาหกรรมยังไม่มีคำตอบที่เป็นเอกฉันท์ ดังนั้น ทีมหลายทีมจึงทดลองกับการตั้งค่าเซ็นเซอร์ที่แตกต่างกัน, วิธีการบันทึก, และรูปแบบชุดข้อมูล

ระบบหลายรูปแบบ

เมื่อการสนทนาเปลี่ยนไปที่การรวบรวมข้อมูลสำหรับหุ่นยนต์ อีกหัวข้อหนึ่งที่เกิดขึ้นอย่างรวดเร็วคือเซ็นเซอร์เสริมและความสามารถหลายรูปแบบ ซึ่งช่วยให้สามารถจับข้อมูลการเคลื่อนไหวของร่างกาย, การกระทำของมือ, และการโต้ตอบกับวัตถุได้อย่างแม่นยำยิ่งขึ้น นอกจากนี้ยังช่วยลดข้อผิดพลาดระหว่างการรวบรวมชุดข้อมูล

เมื่อบุคคลบันทึกการกระทำของตนเองผ่านกล้อง มักจะมีความเสี่ยงว่าส่วนหนึ่งของวัสดุจะไม่สามารถใช้งานได้ กล้องอาจเลื่อนไปเล็กน้อย มุมการถ่ายอาจไม่ถูกต้อง ผู้ดำเนินการอาจหันไปในทางที่ไม่ถูกต้อง หรือผู้ดำเนินการอาจทำการเคลื่อนไหวเร็วเกินไป ดังนั้น ส่วนสำคัญของวัสดุที่บันทึกจึงถูกทิ้งไป ตัวอย่างเช่น: เพื่อให้ได้หนึ่งชั่วโมงของวิดีโอที่ใช้ได้จริง ผู้ดำเนินการอาจต้องบันทึกวิดีโอประมาณสองชั่วโมง

เซ็นเซอร์เสริมช่วยชดเชยปัญหาเหล่านี้ได้บ้าง ถ้ากล้องเลื่อนไปเล็กน้อย ข้อมูลจากเซ็นเซอร์ก็ยังสามารถช่วยให้สร้างการเคลื่อนไหวของมือหรือตำแหน่งของร่างกายในพื้นที่ได้ ดังนั้น แทนที่จะใช้เวลาประมาณสองชั่วโมงในการบันทึก คุณอาจใช้เวลาประมาณหนึ่งชั่วโมงยี่สิบนาทีเพื่อให้ได้ปริมาณข้อมูลที่ใช้ได้เท่ากัน ซึ่งเพิ่มประสิทธิภาพในการรวบรวมชุดข้อมูลและลดต้นทุนในการสร้าง

ดังนั้นจึงไม่ใช่เรื่องบังเอิญที่ทีมหลายทีมสังเกตเห็นความสนใจที่เพิ่มขึ้นในเรื่องการทำเครื่องหมายข้อมูลหลายรูปแบบ ซึ่งกลายเป็นหนึ่งในแนวโน้มที่มองเห็นได้ชัดเจนซึ่งเชื่อมโยงกับการพัฒนาหุ่นยนต์และ AI ที่มีร่างกาย

จุดต่อไปคือการทำเครื่องหมายชุดข้อมูลเหล่านี้ เราได้พบกับคำถามที่คล้ายกันที่ Keymakr เมื่อทำงานกับชุดข้อมูลของลูกค้าสำหรับกรณีการใช้งานหุ่นยนต์: ชุดข้อมูลเหล่านี้ควรจะมีลักษณะอย่างไรในทางปฏิบัติ? ควรมีลักษณะกระดูกหรือไม่? สองมิติหรือสามมิติ? ควรมีส่วนประกอบของการเรียนรู้แบบเสริมในกระบวนการหรือไม่? มีคำถามเหล่านี้หลายสิบคำ วิศวกรยอมรับว่าไม่มีใครสามารถบอกได้อย่างแน่ใจว่าชุดข้อมูลแบบใดจะนำไปสู่ความก้าวหน้าทางเทคโนโลยีที่แท้จริง

ความกังวลเหล่านี้เป็นเรื่องที่เข้าใจได้ การสร้างชุดข้อมูลที่ซับซ้อนเป็นกระบวนการที่มีค่าใช้จ่ายสูง การผิดพลาดใดๆ ในโครงสร้างข้อมูลสามารถมีราคาหลายพันหรือแม้กระทั่งหลายล้านเหรียญสหรัฐฯ ได้ มันสามารถเก็บชุดข้อมูลที่ “ไม่ถูกต้อง” หรือบันทึกภายใต้เงื่อนไขที่ยากต่อการทำซ้ำในโลกแห่งความเป็นจริง ซึ่งอาจทำลายโครงการทั้งหมดได้ ดังนั้น วันนี้จึงมีการให้ความสนใจมากขึ้นในการพัฒนาโมเดลและคุณภาพโครงสร้างของข้อมูลที่โมเดลเหล่านั้นได้รับการฝึกอบรม

หุ่นยนต์แบบไหนที่ตลาดต้องการ?

หุ่นยนต์แบบอุตสาหกรรมที่ใช้ในสายการผลิตของรถยนต์มานานหลายทศวรรษต้องการการมองเห็นของคอมพิวเตอร์หรือโมเดล AI ที่ซับซ้อนเพียงเล็กน้อย งานของพวกมันคือการเคลื่อนไหวซ้ำๆ อย่างแม่นยำ – ซ้าย, ขวา, ขึ้น, ลง – ด้วยความแม่นยำและความสม่ำเสมอสูง ในด้านนี้ พวกมัน đãเอาชนะมนุษย์มาเป็นเวลานานแล้ว

ประเภทที่แตกต่างออกไปคือหุ่นยนต์แบบเหมือนมนุษย์ ระบบเหล่านี้ต้องการ “สมอง”: ความสามารถในการนำทางพื้นที่, รับรู้สิ่งแวดล้อม, เข้าใจบริบทของสถานการณ์, และควบคุมการยึดจับไม่ผ่านเส้นทางที่ถูกตั้งโปรแกรมไว้ล่วงหน้า แต่ด้วยการปรับตัวเข้ากับโลกแห่งความเป็นจริง

แม้จะมีการใช้ระบบอัตโนมัติในระดับสูงบนพื้นโรงงานสมัยใหม่ แต่ก็ยังมีงานหลายอย่างที่ยังคงทำโดยมนุษย์ การย้ายวัตถุ, จับกล่อง, คัดแยกชิ้นส่วน, ติดส่วนประกอบ, หรือจัดระเบียบวัสดุ – สิ่งเหล่านี้เป็นการกระทำเล็กๆ ที่ต้องการความยืดหยุ่นและความสอดคล้อง พื้นที่นี้ยังคงเป็นหนึ่งในส่วนที่ยากที่สุดในการทำให้กลายเป็นอัตโนมัติ และมันคือที่ที่ระบบเหมือนมนุษย์อาจพบว่ามีบทบาท

หลายทีมที่ฉันพูดด้วยใช้แบบจำลองธุรกิจที่คล้ายกัน พวกเขาเข้าไปในโรงงานและเสนอให้แก้ปัญหาการผลิตเฉพาะ ตัวอย่างเช่น คนงานอาจใช้เวลาทั้งวันในการย้ายกล่องระหว่างโซนของคลังสินค้า วิศวกรแนะนำการทดลองอย่างง่าย: อุปกรณ์คนงานด้วยกล้องและเซ็นเซอร์ set, บันทึกการกระทำของพวกเขาเป็นเวลาหลายพันชั่วโมง และใช้ข้อมูลนั้นในการฝึกโมเดลที่จะควบคุมหุ่นยนต์แบบเหมือนมนุษย์ ในทางนี้ หุ่นยนต์เรียนรู้ที่จะทำทุกอย่างที่คนงานทำ

ใน본질แล้ว บริษัทซื้อแพลตฟอร์มหุ่นยนต์แบบเหมือนมนุษย์ ในขณะที่ทีมพัฒนาสร้างโมเดลที่กำหนดเองซึ่งจำลองพฤติกรรมของคนงานเฉพาะเจาะจง นี่ไม่ใช่ความฉลาดที่เป็นสากลที่สามารถแก้ปัญหาใดๆ ได้ แต่เป็นชุดของทักษะที่ฝึกฝนสำหรับสถานการณ์หรือกลุ่มงานการผลิตเฉพาะ สำหรับวิศวกรหลายคนในวันนี้ วิธีการนี้ดูเป็นจริงมากกว่า แทนที่จะพยายามสร้างหุ่นยนต์ที่เป็นสากลทันที ทีมมุ่งเน้นไปที่สถานการณ์การทำให้เป็นอัตโนมัติที่แคบแต่มีศักยภาพทางเศรษฐกิจ

มิติทางธุรกิจ

หากอนาคตอยู่ที่โมเดลที่กำหนดเอง มันสำคัญที่จะเข้าใจว่าจากมุมมองทางเศรษฐกิจ นี่คือเส้นทางพัฒนาที่ค่อนข้างยาว

อุตสาหกรรมแต่ละอุตสาหกรรมแทบจะเป็นโลกของมันเอง ทุกๆ สภาพแวดล้อมการผลิตมีกระบวนการของมันเอง, วิธีการทำงานของมันเอง, และข้อยกเว้นของมันเอง หุ่นยนต์ที่ฝึกให้ทำงานในโรงงานรถยนต์ไม่สามารถถูกย้ายไปใช้ในโรงงานอาหารหรือการขนส่งสินค้าได้โดยตรง ในแต่ละกรณี ระบบจะต้องได้รับการฝึกอบรมใหม่จากศูนย์

สิ่งนี้นำไปสู่คำถามที่เป็นไปได้ต่อไป: ใครจะเป็นลูกค้าแรกของเทคโนโลยีนี้?

ในขั้นตอนนี้ ลูกค้าหลักมีแนวโน้มที่จะเป็นองค์กรขนาดใหญ่ – องค์กรที่มีงบประมาณและสำหรับองค์กรที่การทำให้เป็นอัตโนมัติสามารถสร้างผลกระทบทางเศรษฐกิจที่มีความหมายได้ วันนี้ หุ่นยนต์แบบเหมือนมนุษย์ราคาประมาณ 60,000 ถึง 90,000 ดอลลาร์สำหรับฮาร์ดแวร์เท่านั้น นี่เป็นเพียงการกำหนดค่าพื้นฐาน บวกกับค่าบำรุงรักษา, แบตเตอรี่, สถานีชาร์จ, อินฟราสตรัคเจอร์, และซอฟต์แวร์

ดังนั้น บริษัทที่สามารถทดลองกับระบบเหล่านี้ได้คือองค์กรขนาดใหญ่, ผู้ผลิตรถยนต์, บริษัทอาหาร, และองค์กรอุตสาหกรรมขนาดใหญ่

แน่นอนว่าภาคส่วนขนาดเล็กอาจเห็นลูกค้าแรกบางส่วนได้ บางบริษัทอาจซื้อหุ่นยนต์หนึ่งหรือสองเครื่องสำหรับงานเฉพาะ แต่ในกรณีส่วนใหญ่ธุรกิจเหล่านี้ไม่พร้อมที่จะลงทุนหลายแสนยูโรในการรวบรวมและทำเครื่องหมายชุดข้อมูลที่กำหนดเองที่จำเป็นในการฝึกระบบสำหรับสถานการณ์ปฏิบัติการที่เฉพาะเจาะจง สำหรับพวกเขา แรงงานของมนุษย์ยังคงเป็นตัวเลือกที่ถูกกว่า

เกมยาวของนวัตกรรมหุ่นยนต์

เรามาถึงคำถามทางเศรษฐกิจขั้นพื้นฐาน: สิ่งไหนที่มีประสิทธิภาพมากกว่า – มนุษย์หรือหุ่นยนต์? หากเรามองย้อนกลับไปที่เศรษฐกิจในปัจจุบัน คำตอบจะชัดเจน: แรงงานของมนุษย์มีราคาถูกกว่า, ปรับตัวเข้ากับสภาพแวดล้อมใหม่ๆ ได้เร็วขึ้น, และไม่ต้องการอินฟราสตรัคเจอร์ที่ซับซ้อน

แล้วทำไมอุตสาหกรรมจึงยังคงลงทุนในหุ่นยนต์ในปัจจุบัน? คำตอบส่วนใหญ่คือเชิงกลยุทธ์

หลายบริษัทเข้าใจว่ามีการแข่งขันเพื่อความเป็นผู้นำทางเทคโนโลยีกำลังเกิดขึ้น พวกเขากำลังพัฒนาวิธีแก้ปัญหา尽管มีค่าใช้จ่ายสูง เพื่อที่จะอยู่หน้าคนอื่นเมื่อเศรษฐกิจของหุ่นยนต์เปลี่ยนแปลงไป

เมื่ออิเล็กทรอนิกส์ปรับปรุง ค่าใช้จ่ายของส่วนประกอบลดลง และประสิทธิภาพการคำนวณดีขึ้น หุ่นยนต์จะกลายเป็นมิตรต่อสิ่งแวดล้อมมากขึ้น และเมื่อเกิดเหตุการณ์นั้นขึ้น ผู้ที่เตรียมตัวล่วงหน้า, ผู้ที่สร้างโมเดล, รวบรวมข้อมูล, และสร้างโครงสร้างพื้นฐานทางเทคโนโลยีแล้ว จะเป็นผู้ที่ได้รับประโยชน์มากที่สุด

ลองนึกภาพว่าข้อบังคับใหม่เกิดขึ้นและอนุญาตให้ใช้หุ่นยนต์แบบเหมือนมนุษย์ในระดับอุตสาหกรรมอย่างกว้างขวาง หรือรัฐบาลเริ่มให้เงินอุดหนุนการหุ่นยนต์ในอุตสาหกรรม ในสถานการณ์เช่นนี้ ตลาดอาจเติบโตอย่างมากภายในไม่กี่ปี และผู้ที่เตรียมตัวล่วงหน้า, ผู้ที่มีโมเดลที่มีอยู่, การวิจัย, ชุดข้อมูล, และสแต็คเทคโนโลยีที่พร้อมจะใช้งาน จะเป็นผู้ที่ได้รับประโยชน์มากที่สุด

ดังนั้นการพัฒนาจึงดำเนินต่อไป แม้ว่าเศรษฐกิจของธุรกิจอาจไม่ได้ดูเหมาะสมในขณะนี้ สำหรับหลายบริษัท นี่คือการลงทุนในอนาคต – ในช่วงเวลาที่เทคโนโลยีกลายเป็นมิตรต่อสิ่งแวดล้อมมากขึ้น และความต้องการเพิ่มขึ้นอย่างรวดเร็ว

และในเกมนี้ เช่นเดียวกับในหลายๆ การปฏิวัติทางเทคโนโลยี ปัจจัยหนึ่งมักจะพิสูจน์ว่าเป็นตัวตัดสิน: ใครเริ่มก่อน ในแง่นี้ หุ่นยนต์ในปัจจุบันคล้ายกับช่วงแรกของปัญญาประดิษฐ์ มีคำถามมากกว่าคำตอบในตอนนั้น แต่ในที่สุดก็เป็นทีมที่เริ่มทำงานกับข้อมูลและโครงสร้างพื้นฐานก่อนที่จะกำหนดทิศทางของอุตสาหกรรมทั้งหมด