ในการแข่งขันหุ่นยนต์ใหม่: ข้อมูล โมเดล และการผลิต

การสร้างนวัตกรรมมักไม่เกิดขึ้นในความโดดเดี่ยว มักเกิดจากการสนทนาในหมู่วิศวกร ผู้ก่อตั้ง นักวิจัย และนักลงทุน ที่พยายามเข้าใจทิศทางของเทคโนโลยี

ตลอดระยะเวลาหนึ่งปี ผมได้เข้าร่วมการประชุมหลายสิบครั้งทั่วโลก การเดินทางเพื่อธุรกิจบางครั้งอาจใช้เวลาหลายเดือน และการประชุมกับคู่ค้าและลูกค้าเกิดขึ้นตั้งแต่เอเชียจนถึงอเมริกาเหนือ แต่หนึ่งในการเดินทางล่าสุดของฉันไปที่สวิตเซอร์แลนด์กลับเป็นเรื่องที่น่าสนใจเป็นพิเศษ – ส่วนใหญ่เนื่องจากผู้คนและบทสนทนาที่เกิดขึ้นที่นั่น

ซูริกเป็นหนึ่งในสถานที่ที่อนาคตของหุ่นยนต์และ Physical AI ถูกอภิปรายอย่างแข็งขันในวันนี้ และยิ่งการสนทนาเหล่านี้ลึกซึ้งมากขึ้น ก็ยิ่งเห็นได้ชัดเจนขึ้นว่าการแข่งขันที่แท้จริงในหุ่นยนต์กำลังพัฒนาไปรอบๆ ข้อมูล

ซิลิคอนวัลเลย์ของยุโรป

ซูริกมักถูกมองว่าเป็นศูนย์กลางทางการเงิน แต่ในช่วงไม่กี่ปีที่ผ่านมา มันเริ่มถูกเรียกว่าซิลิคอนวัลเลย์ของยุโรป ส่วนใหญ่เนื่องมาจาก ETH Zurich หนึ่งในมหาวิทยาลัยวิศวกรรมที่ได้รับการยอมรับมากที่สุดในยุโรป มันดึงดูดนักวิจัย นักศึกษาระดับ박ซา วิศวกร และผู้ประกอบการจากทั่วโลก ทำให้เกิดระบบนิเวศทางเทคโนโลยีที่ทรงพลังรอบมหาวิทยาลัย โดยที่การวิจัย สตาร์ทอัพ และโครงการอุตสาหกรรมพัฒนาเกือบพร้อมๆ กัน

หนึ่งในเหตุผลที่ผมเดินทางไปที่นั่นคือเพื่อทำความเข้าใจลึกๆ ว่า Introspector สามารถนำเสนออะไรให้กับตลาดหุ่นยนต์ได้บ้าง ซึ่งกำลังเติบโตอย่างรวดเร็วตั้งแต่ต้นปี 2025 เป็นอุตสาหกรรมที่สตาร์ทอัพมากมายพยายามเข้ามา และการผ่านพัฒนาการทางเทคโนโลยีจากบริษัทเทคโนโลยีรายใหญ่กำลังเปลี่ยนแปลงมันอย่างแข็งขัน แต่ถึงแม้จะมีโมเมนตัมนี้ อุตสาหกรรมก็ยังคงสร้างคำถามมากกว่าคำตอบ

ซูริกยังเป็นที่ตั้งของพันธมิตรของเรา Lightly ซึ่งช่วยให้ผมได้พบปะกับเพื่อนร่วมงานที่ทำงานที่จุดตัดของหุ่นยนต์ การมองเห็นด้วยคอมพิวเตอร์ และ AI มีแง่มุมหนึ่งของระบบนิเวศเทคโนโลยีท้องถิ่นที่ผมอยากจะเน้นย้ำ: ผู้คนนี่เปิดใจและยินดีต้อนรับมาก พวกเขาไม่กลัวที่จะแบ่งปันความคิดและสมมติฐาน พูดคุยเกี่ยวกับความท้าทายที่พวกเขาพยายามแก้ไข และการทดลองที่พวกเขากำลังดำเนินการ ทำให้คุณเริ่มเข้าใจบริบทที่แท้จริงของตลาดและทิศทางของอุตสาหกรรมได้เร็วขึ้น

โดยtheway เมื่อคนถามผมว่าซิลิคอนวัลเลย์ของยุโรปแตกต่างจากอเมริกันอย่างไร คำตอบมักจะทำให้พวกเขาประหลาดใจ ในซูริก ความสมดุลระหว่างงานและชีวิตรู้สึกแข็งแกร่งกว่า: กีฬาในตอนเช้า การทำงานที่มุ่งเน้นในช่วงกลางวันในจังหวะที่เงียบแต่มีประสิทธิภาพ และเย็นๆ ที่ใช้เวลากับครอบครัวหรือเพียงผ่อนคลายบนภูเขา ในซานฟรานซิสโก มักมีความรู้สึกว่าคุณต้อง chứng minhว่าคุณทำงานหนักกว่าทุกคน ในซูริก จังหวะเป็นแบบอื่น – มีความยั่งยืนมากกว่า แต่ระดับความทะเยอทะยานทางเทคโนโลยีไม่ต่ำกว่า

ข้อมูลที่ดีก่อนหุ่นยนต์ที่ดี

หนึ่งในข้อค้นพบหลักจากทริปนี้คือการสังเกตที่เรียบง่าย: มีคนจำนวนมากที่ต้องการทำงานในหุ่นยนต์ แต่ถึงแม้จะมีความสนใจอย่างมากในอุตสาหกรรม แต่ทีมหลายทีมยังคงอยู่ในขั้นสำรวจพยายามเข้าใจว่าพวกเขาสามารถมีบทบาทใดในคลื่นล่าสุดของหุ่นยนต์และ Physical AI และสามารถมีส่วนร่วมอะไรได้

หลายๆ การสนทนาในที่สุดก็มาบรรจบกันที่หัวข้อเดียวกัน: ข้อมูล วันนี้ อุตสาหกรรมขาดข้อมูลเกี่ยวกับงานที่ต้องใช้ความคล่องตัว i.e. ทักษะการเคลื่อนไหวอย่างละเอียด ทักษะของหุ่นยนต์ยังคงมีจำกัดอย่างมาก สิ่งที่มนุษย์ทำด้วยมือเกือบจะอัตโนมัติ – จับวัตถุ, หมุน, วางอย่างระมัดระวัง, หรือทำการดัดแปลงเล็กๆ น้อยๆ – ยังคงเป็นหนึ่งในงานที่ท้าทายที่สุดสำหรับหุ่นยนต์

กุญแจสู่ความก้าวหน้าอยู่ที่ชุดข้อมูลขนาดใหญ่ที่รวบรวมอย่างเหมาะสม วันนี้ ผู้คนมักพูดถึงชุดข้อมูลจากมุมมองของตัวบุคคลที่บันทึกจากมุมมองของบุคคลที่หนึ่ง โดยที่ระบบบันทึกการกระทำของมนุษย์เหมือนกับว่ามันกำลังทำมันเอง แต่ในทางปฏิบัติ มันกลับพบว่าแนวคิดของ “ชุดข้อมูลจากมุมมองของตัวบุคคล” สามารถมีความหมายที่แตกต่างกันและทำให้เกิดคำถามทางเทคนิคมากมาย ที่ไหนควรวางกล้อง? บนหน้าผาก, ที่หน้าอก, หรืออาจจะที่ระดับดวงตา? ระบบควรใช้เซ็นเซอร์อะไรร่วมกับการบันทึกวิดีโอ? หากเรากำลังบันทึกการเคลื่อนไหวของมือ ควรมีคนควบคุมใช้ถุงมือพิเศษหรือไม่? และถ้าใช่ ถุงมือควรจะมีเซ็นเซอร์สัมผัส ไซโรสโคป หรือระบบติดตามการเคลื่อนไหวอื่นๆ หรือไม่?

คำถามที่ซับซ้อนกว่านั้นเกิดขึ้น: วิธีการบันทึกความลึกของการเคลื่อนไหวอย่างเหมาะสม หลังจากทั้งหมด มันสำคัญที่จะเข้าใจไม่เพียงแค่ที่ตั้งของมือในระนาบสองมิติ แต่ยังรวมถึงว่ามันเคลื่อนไหวผ่านพื้นที่สามมิติ – ไปข้างหน้า, ถอยหลัง, ขึ้น, หรือลง

จนถึงตอนนี้ อุตสาหกรรมยังไม่ได้คำตอบที่เป็นเอกฉันท์ ดังนั้นหลายทีมจึงทดลองกับการกำหนดค่าเซ็นเซอร์ที่แตกต่างกัน, วิธีการบันทึก, และรูปแบบชุดข้อมูล

ระบบหลายโหมด

เมื่อการสนทนาเปลี่ยนไปสู่การรวบรวมข้อมูลสำหรับหุ่นยนต์ หัวข้ออื่นก็ปรากฏขึ้น – เซ็นเซอร์เสริมและหลายโหมด ซึ่งช่วยให้สามารถจับภาพการเคลื่อนไหวของร่างกาย, การกระทำของมือ, และการโต้ตอบกับวัตถุได้แม่นยำยิ่งขึ้น นอกจากนี้ยังช่วยลดข้อผิดพลาดระหว่างการรวบรวมชุดข้อมูล

เมื่อบุคคลบันทึกการกระทำของตนเองผ่านกล้อง มักมีความเสี่ยงเสมอ bahwaส่วนหนึ่งของวัสดุจะไม่สามารถใช้ได้ กล้องอาจเลื่อนเล็กน้อย, มุมการถ่ายภาพอาจไม่ถูกต้อง, ผู้ควบคุมอาจพลาดทิศทางหรือทำการเคลื่อนไหวเร็วเกินไป ดังนั้น ส่วนสำคัญของวัสดุที่บันทึกจึงถูกทิ้งไป ตัวอย่างง่ายๆ: เพื่อให้ได้หนึ่งชั่วโมงของวิดีโอที่ใช้ได้จริง ผู้ควบคุมอาจต้องบันทึกวิดีโอประมาณสองชั่วโมง

เซ็นเซอร์เสริมช่วยชดเชยปัญหาเหล่านี้ได้บ้าง ถ้ากล้องเลื่อนเล็กน้อย ข้อมูลจากเซ็นเซอร์ก็ยังสามารถช่วยสร้างการเคลื่อนไหวของมือหรือตำแหน่งของร่างกายในพื้นที่ได้ ดังนั้น แทนที่จะใช้เวลาประมาณสองชั่วโมงในการบันทึก คุณอาจต้องใช้เวลาประมาณหนึ่งชั่วโมงยี่สิบนาทีเพื่อให้ได้ข้อมูลที่ใช้ได้เท่าเดิม ซึ่งเพิ่มประสิทธิภาพในการรวบรวมชุดข้อมูลและลดต้นทุนในการสร้าง

ไม่ใช่เรื่องบังเอิญที่หลายทีมสังเกตเห็นความสนใจที่เพิ่มขึ้นในเรื่องการทำเครื่องหมายข้อมูลหลายโหมด ซึ่งกลายเป็นหนึ่งในแนวโน้มที่มองเห็นได้ชัดเจนซึ่งเชื่อมโยงกับการพัฒนาหุ่นยนต์และ AI ที่มีร่างกาย

จุดต่อไปคือการทำเครื่องหมายชุดข้อมูลเหล่านี้ เราได้พบกับคำถามที่คล้ายกันที่ Keymakr เมื่อทำงานกับชุดข้อมูลของลูกค้าสำหรับกรณีหุ่นยนต์: ชุดข้อมูลดังกล่าวควรจะมีลักษณะอย่างไรในทางปฏิบัติ? ควรเป็นแบบโครงกระดูกหรือไม่? สองมิติหรือสามมิติ? ควรมีส่วนของการเรียนรู้แบบเสริมในกระบวนการหรือไม่? มีคำถามหลายสิบแบบเหล่านี้ วิศวกรเองยอมรับว่าไม่มีใครสามารถบอกได้อย่างแน่ใจว่าข้อกำหนดข้อมูลเฉพาะใดจะนำไปสู่ความก้าวหน้าทางเทคโนโลยีที่แท้จริง

ความกังวลเหล่านี้เป็นเรื่องที่เข้าใจได้ การสร้างชุดข้อมูลที่ซับซ้อนเป็นกระบวนการที่มีค่าใช้จ่ายสูง ข้อผิดพลาดใดๆ ในโครงสร้างข้อมูลสามารถมีค่าใช้จ่ายเป็นพันหรือแม้กระทั่งล้านๆ ดอลลาร์ เป็นไปได้ที่จะรวบรวม “ชุดข้อมูลที่ไม่ถูกต้อง” หรือบันทึกภายใต้เงื่อนไขที่ยากจะทำซ้ำในโลกแห่งความเป็นจริง ซึ่งอาจทำลายโครงการทั้งหมดได้ นั่นคือเหตุผลที่ว่าในปัจจุบัน มีการให้ความสนใจกับทั้งโมเดลตัวเองและคุณภาพ serta โครงสร้างของข้อมูลที่โมเดลเหล่านั้นถูกฝึก

หุ่นยนต์แบบไหนที่ตลาดต้องการ?

หุ่นยนต์แบบอุตสาหกรรมคลาสสิก ซึ่งทำงานในสายการผลิตของอุตสาหกรรมรถยนต์มาหลายทศวรรษแล้ว จริงๆ แล้วต้องการการมองเห็นด้วยคอมพิวเตอร์หรือโมเดล AI ที่ซับซ้อนไม่มาก การทำงานของพวกมันคือการเคลื่อนไหวซ้ำๆ อย่างแม่นยำ – ซ้าย, ขวา, ขึ้น, ลง – ด้วยความแม่นยำและความสม่ำเสมอ พวกมันทำได้ดีกว่ามนุษย์แล้วในด้านนี้

ประเภทที่แตกต่างออกไปคือหุ่นยนต์แบบมนุษย์ ระบบเหล่านี้ต้องการ “สมอง”: ความสามารถในการนำทางพื้นที่, รับรู้สิ่งแวดล้อม, เข้าใจบริบทของสถานการณ์, และควบคุมเครื่องมือไม่ผ่านเส้นทางที่ถูกตั้งโปรแกรมไว้ล่วงหน้า แต่ด้วยการปรับตัวเข้ากับโลกแห่งความเป็นจริง

แม้จะมีการอัตโนมัติในระดับสูงบนพื้นโรงงานสมัยใหม่ แตงงานหลายอย่างยังคงทำโดยมนุษย์ การย้ายวัตถุ, จับกล่อง, คัดแยกชิ้นส่วน, ติดตั้งอุปกรณ์ หรือจัดระเบียบวัสดุ – เหล่านี้เป็นการกระทำเล็กๆ ที่ต้องการความยืดหยุ่นและประสานงาน นี่ยังคงเป็นพื้นที่ที่ยากที่จะอัตโนมัติ และเป็นที่ที่ระบบหุ่นยนต์แบบมนุษย์อาจพบว่ามีบทบาท

หลายทีมที่ผมพูดด้วยใช้แบบจำลองธุรกิจที่คล้ายกัน พวกเขาเข้าไปในโรงงานและเสนอการแก้ปัญหากรณีการผลิตเฉพาะ ตัวอย่างเช่น ผู้ปฏิบัติงานอาจใช้เวลาทั้งวันในการย้ายกล่องระหว่างโซนคลังสินค้า วิศวกรแนะนำการทดลองง่ายๆ: อุปกรณ์ผู้ปฏิบัติงานด้วยกล้องและเซ็นเซอร์ ชุด, บันทึกการกระทำของพวกเขาเป็นเวลาหลายพันชั่วโมง และใช้ข้อมูลนี้เพื่อฝึกโมเดลที่จะควบคุมหุ่นยนต์แบบมนุษย์ ด้วยวิธีนี้ หุ่นยนต์เรียนรู้ที่จะทำหน้าที่ที่ผู้ปฏิบัติงานทำ

โดยหลักการ บริษัทซื้อแพลตฟอร์มหุ่นยนต์แบบมนุษย์ ในขณะที่ทีมพัฒนาสร้างโมเดลที่กำหนดเองซึ่งจำลองการกระทำของผู้ปฏิบัติงานเฉพาะ นี่ไม่ใช่ความฉลาดที่เป็นสากลที่สามารถแก้ปัญหาใดๆ ได้ แต่เป็นชุดทักษะที่ฝึกฝนสำหรับสถานการณ์หรือกลุ่มงานการผลิตเฉพาะ สำหรับวิศวกรหลายคนในขณะนี้ วิธีการนี้ดูเป็นจริงมากกว่า แทนที่จะพยายามสร้างหุ่นยนต์ที่เป็นสากลทันที ทีมมุ่งเน้นไปที่สถานการณ์การอัตโนมัติที่แคบแต่มีศักยภาพทางเศรษฐกิจ

มิติทางธุรกิจ

หากอนาคตอยู่ที่โมเดลที่กำหนดเอง มันสำคัญที่จะเข้าใจว่าจากมุมมองทางเศรษฐกิจ นี่คือเส้นทางการพัฒนาที่ค่อนข้างยาว

อุตสาหกรรมแต่ละอุตสาหกรรมแทบจะเป็นโลกของมันเอง ทุกสภาพแวดล้อมการผลิตมีกระบวนการของมันเอง, การทำงานของมันเอง, และข้อยกเว้นของมันเอง หุ่นยนต์ที่ฝึกให้ทำงานในโรงงานอุตสาหกรรมรถยนต์ไม่สามารถถูกย้ายไปใช้ในอุตสาหกรรมอาหารหรือการขนส่งสินค้าได้โดยตรง ในแต่ละกรณี ระบบต้องถูกฝึกใหม่ตั้งแต่ต้น

สิ่งนี้นำไปสู่คำถามที่ตามมา: ใครจะเป็นลูกค้าแรกของเทคโนโลยีเหล่านี้?

ในขั้นตอนนี้ ผู้รับเลี้ยงชีพหลักมีแนวโน้มจะเป็นองค์กรขนาดใหญ่ – องค์กรที่มีงบประมาณและสำหรับซึ่งการอัตโนมัติสามารถสร้างผลกระทบทางเศรษฐกิจที่มีความหมาย วันนี้ หุ่นยนต์แบบมนุษย์ราคาประมาณ 60,000 ถึง 90,000 ดอลลาร์สำหรับฮาร์ดแวร์เท่านั้น นี่คือการกำหนดค่าพื้นฐานเท่านั้น มีค่าบำรุงรักษา, แบตเตอรี่, สถานีชาร์จ, โครงสร้างพื้นฐาน, และซอฟต์แวร์บนยอด

ดังนั้น บริษัทที่สามารถทดลองกับระบบเหล่านี้ได้คือองค์กรขนาดใหญ่, ผู้ผลิตรถยนต์, บริษัทอาหาร, และองค์กรอุตสาหกรรมขนาดใหญ่

แน่นอนว่าภาคส่วนขนาดเล็กอาจเห็นผู้รับเลี้ยงชีพในระยะแรกๆ ด้วย บางบริษัทอาจซื้อหุ่นยนต์หนึ่งหรือสองเครื่องสำหรับงานเฉพาะ แต่ในกรณีส่วนใหญ่ ธุรกิจเหล่านี้ไม่พร้อมที่จะลงทุนหลายแสนยูโรในการรวบรวมและทำเครื่องหมายชุดข้อมูลที่กำหนดเองที่จำเป็นในการฝึกระบบสำหรับสถานการณ์ปฏิบัติการที่เฉพาะเจาะจง สำหรับพวกเขา แรงงานมนุษย์ยังคงเป็นตัวเลือกที่ถูกกว่า

เกมยาวของนวัตกรรมหุ่นยนต์

สุดท้ายเรามาถึงคำถามทางเศรษฐกิจพื้นฐาน: สิ่งไหนที่มีประสิทธิภาพมากกว่า – มนุษย์หรือหุ่นยนต์? หากเรามองย้อนกลับไปที่เศรษฐกิจในปัจจุบัน คำตอบก็ชัดเจน: แรงงานมนุษย์ราคาถูกกว่า, ปรับตัวเข้ากับสภาพใหม่ๆ ได้เร็วขึ้น, และไม่ต้องการโครงสร้างพื้นฐานที่ซับซ้อน

ดังนั้น ทำไมอุตสาหกรรมจึงยังคงลงทุนในหุ่นยนต์ในปัจจุบัน? คำตอบส่วนใหญ่คือเชิงกลยุทธ์

หลายบริษัทเข้าใจว่าการแข่งขันเพื่อความเป็นผู้นำทางเทคโนโลยีกำลังเกิดขึ้น พวกเขากำลังพัฒนาวิธีแก้ปัญหาแล้ว แม้ว่าจะมีค่าใช้จ่ายสูงก็ตาม เพื่อที่จะอยู่ข้างหน้าเมื่อเศรษฐกิจของหุ่นยนต์เปลี่ยนแปลง

เมื่ออิเล็กทรอนิกส์ปรับปรุง, ต้นทุนของส่วนประกอบลดลง, และประสิทธิภาพการคำนวณดีขึ้น หุ่นยนต์จะกลายเป็นมิตรต่อกระเป๋าสตางค์มากขึ้น และเมื่อเกิดเหตุการณ์นี้ขึ้น คนที่เตรียมตัวล่วงหน้า คนที่สร้างโมเดล, รวบรวมข้อมูล, และสร้างโครงสร้างพื้นฐานทางเทคโนโลยีที่จำเป็น จะเป็นผู้ที่ได้รับประโยชน์สูงสุด

ลองนึกภาพว่าข้อบังคับใหม่เกิดขึ้นและอนุญาตให้ใช้หุ่นยนต์แบบมนุษย์ในระดับใหญ่ในอุตสาหกรรม หรือรัฐบาลเริ่มให้เงินอุดหนุนการหุ่นยนต์ในอุตสาหกรรมต่างๆ ในสถานการณ์ดังกล่าว ตลาดอาจเติบโตอย่างรวดเร็วภายในไม่กี่ปี และคนที่เตรียมตัวล่วงหน้า คนที่มีโมเดล, การวิจัย, ชุดข้อมูล, และสแต็คเทคโนโลยีที่พร้อมจะใช้งาน จะเป็นผู้ที่ได้รับประโยชน์มากที่สุด

ดังนั้น การพัฒนายังคงดำเนินต่อไป แม้ว่าเศรษฐกิจของธุรกิจอาจไม่ดีนักในขณะนี้ สำหรับหลายบริษัท มันเป็นการลงทุนในอนาคต – ในช่วงเวลาที่เทคโนโลยีกลายเป็นมิตรต่อกระเป๋าสตางค์มากขึ้น และความต้องการเพิ่มขึ้นอย่างรวดเร็ว

และในเกมนี้ เช่นเดียวกับหลายๆ การปฏิวัติทางเทคโนโลยี ปัจจัยหนึ่งมักจะพิสูจน์ให้เห็นว่าเป็นตัวตัดสิน: ใครเริ่มต้นก่อน ในแง่นี้ หุ่นยนต์ในปัจจุบันคล้ายกับขั้นตอนแรกๆ ของปัญญาประดิษฐ์ มีคำถามมากกว่าคำตอบ แต่ทีมที่เริ่มทำงานกับข้อมูลและโครงสร้างพื้นฐานก่อนคนอื่นในที่สุดก็เป็นผู้กำหนดทิศทางของอุตสาหกรรมทั้งหมด