การเพิ่มขึ้นของ Physical AI: ทำไมการเป็นพันธมิตรระหว่าง Boston Dynamics และ Google DeepMind จึงเปลี่ยนแปลงทุกอย่าง

Physical AI หมายถึง ระบบอัจฉริยะที่สามารถรับรู้ สั่งสม และกระทำในโลกแห่งความเป็นจริงได้ ระบบเหล่านี้ไม่ได้จำกัดอยู่เพียงจอแสดงผล เซิร์ฟเวอร์ หรือพื้นที่ดิจิทัลเท่านั้น แต่ทำงานในสภาพแวดล้อมที่มีแรงโน้มถ่วง แรงเสียดสี และสภาพที่ไม่มีโครงสร้าง ดังนั้น Physical AI จึงต้องตอบสนองความต้องการด้านเทคนิคและความปลอดภัยที่เข้มงวดกว่า Artificial Intelligence (AI) แบบดั้งเดิม ไม่เหมือนกับแบบจำลองซอฟต์แวร์เท่านั้น Physical AI เชื่อมต่อการรับรู้และการตัดสินใจโดยตรงไปยังอุปกรณ์executor การเชื่อมต่อนี้ทำให้หุ่นยนต์สามารถจัดการกับวัตถุจริง เดินผ่านพื้นที่จริง และทำงานร่วมกับผู้ดำเนินการมนุษย์ในเวลาเดียวกัน

เป็นเวลาหลายปีแล้วที่การวิจัยหุ่นยนต์และปัญญาประดิษฐ์ (AI) พัฒนาตามเส้นทางที่แยกจากกัน การวิจัยหุ่นยนต์มุ่งเน้นไปที่ระบบกลไก รวมถึงมอเตอร์ ข้อต่อ และอัลกอริธึมการควบคุม ในทางกลับกัน การวิจัย AI มุ่งเน้นไปที่การให้เหตุผลและการเรียนรู้ในสภาพแวดล้อมดิจิทัล รวมถึง แบบจำลองภาษาขนาดใหญ่ และแบบจำลองพื้นฐาน การแบ่งแยกนี้จำกัดความก้าวหน้าในการหุ่นยนต์แบบทั่วไป ในผลที่ตามมา หุ่นยนต์บรรลุความแม่นยำสูงแต่ขาดความสามารถในการปรับตัว ระบบ AI แสดงให้เห็นถึงความสามารถในการให้เหตุผลที่เข้มแข็ง แต่ขาดการมีอยู่ทางกายภาพในโรงงานหรือศูนย์โลจิสติกส์

Physical AI และช่วงเวลา GPT-3 สำหรับหุ่นยนต์

Physical AI ทำงานในโลกแห่งความเป็นจริง ไม่ใช่แค่บนจอหรือเซิร์ฟเวอร์ ไม่เหมือนกับ AI ที่สร้างข้อมูล ซึ่งสร้างข้อความ ภาพ หรือโค้ดด้วยข้อผิดพลาดที่มีความเสี่ยงต่ำ Physical AI ขยับหุ่นยนต์จริงๆ รอบๆ คน เครื่องจักร และอุปกรณ์ ข้อผิดพลาดในโลกนี้สามารถทำให้เกิดความเสียหาย หยุดการผลิต หรือแม้แต่สร้างอันตรายต่อความปลอดภัย ดังนั้น ความน่าเชื่อถือ การจัดเวลา และความปลอดภัยจึงถูกสร้างเข้าไปในแต่ละชั้นของการออกแบบระบบ ตั้งแต่การรับรู้จนถึงการเคลื่อนไหว

แบบจำลอง GPT-3 ช่วยอธิบายถึงความสำคัญของ Physical AI GPT-3 แสดงให้เห็นว่าแบบจำลองภาษาขนาดใหญ่แบบเดียวสามารถทำงานได้หลายอย่าง เช่น การแปล การสรุป และการเขียนโค้ด โดยไม่ต้องใช้ระบบแยกสำหรับแต่ละงาน ในทำนองเดียวกัน แบบจำลองหุ่นยนต์ Gemini ให้หุ่นยนต์มีชั้นการรู้คิดร่วมกันซึ่งจัดการงานหลายอย่างทั่วเครื่องจักรต่างๆ แทนที่วิศวกรจะเขียนคำสั่งโดยละเอียดสำหรับทุกสถานการณ์ หุ่นยนต์จะปรับปรุงผ่านข้อมูลและการอัปเดตแบบจำลอง ความฉลาดของพวกมันเติบโตและขยายไปทั่วทุกเครื่องจักรที่ควบคุม

การรวมฮาร์ดแวร์ที่ทันสมัยกับแบบจำลอง AI พื้นฐาน ทำให้การเป็นพันธมิตรระหว่าง Boston Dynamics และ Google DeepMind เป็นช่วงเวลา GPT-3 จริงๆ สำหรับหุ่นยนต์ มันแสดงให้เห็นว่าหุ่นยนต์สามารถทำงานได้อย่างปลอดภัย ปรับเปลี่ยนได้ และเรียนรู้อย่างต่อเนื่องในสภาพแวดล้อมจริงที่ซับซ้อน

แบบจำลอง Vision-Language-Action (VLA) และแนวทางใหม่ในการหุ่นยนต์

แบบจำลอง VLA แก้ปัญหาใหญ่ในหุ่นยนต์ หุ่นยนต์แบบดั้งเดิมปฏิบัติต่อการรับรู้ การวางแผน และการควบคุมเป็นระบบที่แยกจากกัน โมดูลแต่ละชิ้นถูกออกแบบ ตั้งค่า และทดสอบแยกจากกัน สิ่งนี้ทำให้หุ่นยนต์เปราะบาง แม้แต่การเปลี่ยนแปลงสภาพแวดล้อมเล็กๆ น้อยๆ เช่น วัตถุที่วางผิดที่หรือแสงแปลกๆ ก็สามารถทำให้เกิดข้อผิดพลาดได้

แบบจำลอง VLA รวมขั้นตอนเหล่านี้เข้าเป็นระบบเดียว มันเชื่อมโยงระหว่างสิ่งที่หุ่นยนต์เห็น สิ่งที่ถูกสั่งให้ทำ และวิธีการกระทำ การรวมนี้ทำให้หุ่นยนต์วางแผนและดำเนินการได้อย่างราบรื่นขึ้น ไม่ต้องมีการออกแบบแต่ละขั้นตอนแยกจากกัน

ตัวอย่างเช่น หุ่นยนต์ที่ใช้แบบจำลอง VLA สามารถรับภาพและข้อมูลความลึกในขณะรับคำสั่ง เช่น “ล้างพื้นที่ทำงานนี้และจัดเรียงชิ้นส่วนโลหะตามขนาด” แบบจำลองนี้แปลสิ่งนี้โดยตรงเป็นคำสั่งการกระทำ เนื่องจากระบบเรียนรู้จากชุดข้อมูลขนาดใหญ่และซิมูเลชัน มันจึงสามารถจัดการกับการเปลี่ยนแปลงของแสง ตำแหน่งวัตถุ และสภาพแวดล้อมที่ไม่มีโครงสร้างได้โดยไม่ต้องเขียนโปรแกรมใหม่

การออกแบบนี้ทำให้หุ่นยนต์มีความยืดหยุ่นและเชื่อถือได้มากขึ้น สามารถทำงานในสภาพแวดล้อมที่ซับซ้อน เช่น 창고ที่มีสินค้าผสมหรือสายการผลิตที่ใช้ร่วมกับมนุษย์ นอกจากนี้ แบบจำลอง VLA ยังลดเวลาและความพยายามที่จำเป็นในการติดตั้งหุ่นยนต์ในสภาพแวดล้อมใหม่ ดังนั้น Physical AI จึงสามารถทำงานที่ยากหรือเป็นไปไม่ได้สำหรับหุ่นยนต์แบบดั้งเดิม

การขยาย Physical AI ด้วย Atlas และ Gemini Robotics

หุ่นยนต์แบบดั้งเดิมทำงานได้ดีในสภาพแวดล้อมที่คาดการณ์ได้ โดยที่ชิ้นส่วนถูกติดตั้งและเคลื่อนไหวซ้ำๆ แต่พวกมันประสบปัญหาในสภาพแวดล้อมที่มีการเปลี่ยนแปลง เช่น 창โกที่มีสินค้าผสมหรือสายการผลิตที่มีงานเปลี่ยนแปลง ปัญหาหลักคือความเปราะบาง เนื่องจากการเปลี่ยนแปลงเล็กๆ น้อยๆ มักต้องการให้วิศวกรเขียนลอจิกการควบคุมใหม่ ดังนั้น ความสามารถในการขยายจึงถูกจำกัด และการทำให้ระบบอัตโนมัติเป็นเรื่องที่มีค่าใช้จ่ายสูงและไม่ยืดหยุ่น

การเป็นพันธมิตรระหว่าง Boston Dynamics และ Google DeepMind จัดการกับปัญหานี้โดยการรวมฮาร์ดแวร์ที่ทันสมัยกับแบบจำลอง AI พื้นฐาน Atlas ได้รับการออกแบบใหม่ให้เป็นหุ่นยนต์มนุษย์รูปที่ใช้พลังงานไฟฟ้าสำหรับการดำเนินการในอุตสาหกรรม การขับเคลื่อนแบบไฟฟ้าให้การควบคุมที่แม่นยำ ประสิทธิภาพการใช้พลังงาน และการบำรุงรักษาที่ลดลง ซึ่งเป็นสิ่งจำเป็นสำหรับการผลิตอย่างต่อเนื่อง นอกจากนี้ Atlas ไม่ได้จำลองร่างกายมนุษย์อย่างแน่นอน ข้อต่อของมันเคลื่อนไหวเกินขีดจำกัดของมนุษย์ โดยให้การเข้าถึงและความยืดหยุ่นที่เพิ่มขึ้น ระดับของเสรีภาพที่สูงช่วยให้สามารถจัดการกับงานที่ซับซ้อนและปรับตัวเข้ากับพื้นที่ที่แคบหรือการวางแนวชิ้นส่วนที่ไม่ปกติ ดังนั้น Atlas จึงสามารถทำงานได้หลากหลายโดยไม่ต้องใช้เครื่องมือพิเศษ

Gemini Robotics ทำหน้าที่เป็นระบบประสาทส่วนกลางสำหรับ Atlas โดยประมวลผลข้อมูลการรับภาพ การสัมผัส และข้อมูลข้อต่ออย่างต่อเนื่องเพื่อรักษาความเข้าใจที่อัปเดตเกี่ยวกับสภาพแวดล้อม สิ่งนี้ทำให้หุ่นยนต์สามารถปรับเปลี่ยนการเคลื่อนไหวในเวลาจริง แก้ไขข้อผิดพลาด และฟื้นตัวจากความวุ่นวาย นอกจากนี้ ทักษะที่ได้รับจากหน่วย Atlas หนึ่งๆ สามารถถูกแบ่งปันไปทั่วหุ่นยนต์อื่นๆ ทำให้ประสิทธิภาพของฝูงหุ่นยนต์ดีขึ้น ในผลที่ตามมา หุ่นยนต์หลายตัวสามารถทำงานได้อย่างมีประสิทธิภาพทั่วโรงงานและสถานที่ต่างๆ ในขณะเดียวกันก็เรียนรู้อย่างต่อเนื่องจากประสบการณ์

หุ่นยนต์มนุษย์รูปในยุคแรกๆ พึ่งพาการควบคุมระยะไกลอย่างมาก โดยที่มนุษย์ควบคุมการเคลื่อนไหวแต่ละครั้ง การเข้าใกล้นี้ทำให้เกิดความล่าช้า ค่าใช้จ่ายที่เพิ่มขึ้น และความสามารถในการขยายที่จำกัด ในทางกลับกัน Gemini Robotics สนับสนุนการดำเนินงานตามความตั้งใจ มนุษย์ให้เป้าหมาย เช่น “จัดระเบียบชิ้นส่วนเหล่านี้” และ Atlas วางแผนและดำเนินการตามที่จำเป็น ผู้ดูแลระบบตรวจสอบการดำเนินงาน แต่การควบคุมโดยตรงจะถูกย่อให้เล็กสุด ดังนั้น การดำเนินงานจึงมีประสิทธิภาพมากขึ้น และการติดตั้งหุ่นยนต์ทั่วสภาพแวดล้อมทางอุตสาหกรรมจึงเป็นไปได้ในระดับที่กว้างขึ้น

วิสัยทัศน์ Physical AI ของ Hyundai และความได้เปรียบทางอุตสาหกรรม

Hyundai Motor Group ได้ขยายการมุ่งเน้นไปไกลกว่าการผลิตรถยนต์ โดยเข้าสู่หุ่นยนต์และระบบอัจฉริยะ นอกจากนี้ วิสัยทัศน์เมต้าโมบิลิตี้ของพวกเขายังรวมถึงโรงงาน ห้องโหลจิสติกส์ และสภาพแวดล้อมบริการ ดังนั้น Physical AI จึงเข้ากันได้ดีกับกลยุทธ์นี้ เนื่องจากช่วยให้หุ่นยนต์สามารถทำงานที่อัตโนมัติแบบดั้งเดิมไม่สามารถทำได้ นอกจากนี้ หุ่นยนต์ยังรวบรวมข้อมูลการดำเนินงานระหว่างทำงาน ซึ่งปรับปรุงประสิทธิภาพของพวกมันเมื่อเวลาผ่านไป ดังนั้น พวกมันจึงกลายเป็นส่วนหนึ่งของโครงสร้างพื้นฐานหลักแทนที่จะเป็นเครื่องมือทดลอง

โรงงานเมต้าอเมริกาของ Hyundai Motor Group หรือที่เรียกว่า Hyundai Metaplant America เป็นสถานที่ทดสอบจริงครั้งแรกสำหรับ Physical AI ที่นี่ อัตโนมัติ ดิจิทัลทวิน และหุ่นยนต์ทำงานอย่างใกล้ชิดบนพื้นการผลิตจริง ทักษะที่เรียนรู้จากซิมูเลชันถูกนำไปใช้กับงานจริงโดยตรง นอกจากนี้ ข้อมูลรับกลับจากการดำเนินงานเหล่านี้จะอัปเดตแบบจำลองการฝึก วงจรการปรับปรุงนี้ทำให้ประสิทธิภาพของหุ่นยนต์ดีขึ้นและลดความเสี่ยงในการดำเนินงาน ดังนั้น การติดตั้งแบบมีมาตรฐานทั่วโรงงานหลายแห่งจึงเป็นไปได้ และแบบจำลองนี้สามารถขยายไปทั่วโลก

การทำให้ระบบอัตโนมัติแบบดั้งเดิมต้องดิ้นรนกับการเปลี่ยนแปลงและค่าใช้จ่ายในการเขียนโปรแกรมสูง ซึ่งทำให้หลายงานยังคงทำด้วยมือ ในทำนองเดียวกัน การขาดแคลนแรงงานและความหลากหลายของผลิตภัณฑ์จำกัดความสามารถของหุ่นยนต์แบบดั้งเดิม หุ่นยนต์มนุษย์รูปที่ติดตั้ง Physical AI สามารถเอาชนะข้อจำกัดเหล่านี้ได้โดยการปรับตัวเข้ากับสภาพแวดล้อมที่เปลี่ยนแปลงและทำงานที่ซับซ้อน นอกจากนี้ ความยืดหยุ่นนี้ยังช่วยปิดช่องว่างการทำให้ระบบอัตโนมัติและทำให้การดำเนินการที่เคยเป็นไปไม่ได้กลายเป็นจริง การคาดการณ์ตลาดชี้ให้เห็นว่าหุ่นยนต์มนุษย์รูปอาจมีมูลค่าหลายสิบพันล้านดอลลาร์ในทศวรรษหน้า ดังนั้น Hyundai จึงได้รับประโยชน์เชิงกลยุทธ์โดยการควบคุมทั้งสภาพแวดล้อมในการติดตั้งและความฉลาดที่ขับเคลื่อนหุ่นยนต์

แบบจำลอง Gemini ของ Google DeepMind ให้ความฉลาดสำหรับหุ่นยนต์เหล่านี้ ผู้ใช้สามารถให้คำสั่งภาษธรรมชาติ และหุ่นยนต์สามารถตีความสิ่งเหล่านั้นโดยใช้การรับภาพ การสัมผัส และความตระหนักรู้ด้านพื้นที่ ดังนั้น หุ่นยนต์จึงแปลความตั้งใจของมนุษย์เป็นคำสั่งการกระทำที่แม่นยำโดยไม่ต้องเขียนโค้ดด้วยมือ การรับข้อมูลหลายรูปแบบเพิ่มความสามารถในการจัดการวัสดุ ตัวอย่างเช่น หุ่นยนต์รวมข้อมูลการรับภาพและการสัมผัสเพื่อปรับแรงกด ขีดจำกัดของการเคลื่อนไหว และการเคลื่อนไหวในเวลาจริง ดังนั้น ชิ้นส่วนที่อ่อน脆หรือมีมูลค่าสูงจึงถูกจัดการอย่างปลอดภัย

ดิจิทัลทวินทำให้การติดตั้งขนาดใหญ่เป็นไปได้และเชื่อถือได้ ทักษะและนโยบายจะได้รับการทดสอบในซิมูเลชันก่อนที่จะนำไปใช้กับหุ่นยนต์จริง นอกจากนี้ เมื่อได้รับการตรวจสอบแล้ว การอัปเดตสามารถถูกแบ่งปันไปทั่วทั้งฝูงหุ่นยนต์ ดังนั้น Physical AI จึงขยายตัวในลักษณะคล้ายซอฟต์แวร์ การผสมผสานฮาร์ดแวร์ที่ทันสมัย ความฉลาดแบบจำลองพื้นฐาน และการติดตั้งที่เชื่อมต่อให้ Hyundai ทั้งประสิทธิภาพการดำเนินงานและความได้เปรียบเชิงกลยุทธ์ที่ชัดเจนในด้าน Physical AI ที่เกิดขึ้นใหม่

อนาคตของ Physical AI ในหุ่นยนต์มนุษย์รูป

โปรแกรม Optimus ของ Tesla (TSLA ) ใช้แนวทางแบบบูรณาการแนวตั้ง ฮาร์ดแวร์ AI และการนำไปใช้จะยังคงอยู่ภายใน และการเปิดตัวครั้งแรกจะเกิดขึ้นหลักๆ ในโรงงานของ Tesla ในทางกลับกัน โมเดล Boston Dynamics-Hyundai รวมฮาร์ดแวร์หุ่นยนต์เฉพาะด้าน ความฉลาดแบบจำลองพื้นฐาน และการนำไปใช้ในอุตสาหกรรมผ่านพันธมิตรที่ประสานกัน ดังนั้น หุ่นยนต์จึงสามารถทำงานในสภาพแวดล้อมที่หลากหลายและจัดการกับงานที่กว้างขึ้น การทำงานร่วมกันนี้ยังเป็นประโยชน์ต่อนักพัฒนา ซึ่งได้รับความยืดหยุ่นและเข้าถึงระบบนิเวศที่กว้างขึ้น

พื้นที่ทำงานร่วมกันของมนุษย์ที่เพิ่มขึ้น ทำให้ความปลอดภัยมีความสำคัญมากขึ้น ระบบ Physical AI ต้องคาดการณ์การเคลื่อนไหวของมนุษย์และปรับเปลี่ยนการกระทำโดยกระตือรือร้น ดังนั้น ชั้นการควบคุมที่ได้รับการรับรอง การซ้ำ และการตรวจสอบระดับฝูงจึงยังคงจำเป็นสำหรับการดำเนินการที่ปลอดภัย นอกจากนี้ หุ่นยนต์ที่เชื่อมต่อจะแนะนำความเสี่ยงทางไซเบอร์-กายภาพใหม่ การรับรองความถูกต้อง การเข้ารหัส และการตรวจสอบขณะทำงานจึงจำเป็นในการป้องกันการใช้ในทางที่ผิด ดังนั้น ความปลอดภัยทางไซเบอร์จึงเป็นเรื่องกายภาพมากเท่ากับเรื่องดิจิทัล และต้องรวมเข้าด้วยกันตั้งแต่ขั้นตอนการออกแบบ

การทำงานแบบซิมูเลชันก่อนลดความเสี่ยงในการดำเนินงานและค่าใช้จ่าย หุ่นยนต์ฝึกซ้อมอย่างเข้มข้นในสภาพแวดล้อมเสมือนก่อนที่จะถูกนำไปใช้ การเปิดตัวทีละขั้นตอนช่วยให้สามารถตรวจสอบและปรับปรุงในโลกแห่งความเป็นจริงได้ นอกจากนี้ ลูปข้อมูลย้อนกลับและลูปการอัปเดตจะปรับปรุงประสิทธิภาพและความมั่นใจในการนำไปใช้ ในทางนี้ Boston Dynamics และ Hyundai แสดงให้เห็นว่า Physical AI ในหุ่นยนต์มนุษย์รูปสามารถขยายตัวได้อย่างปลอดภัย มีประสิทธิภาพ และเชื่อถือได้ทั่วการดำเนินงานโรงงานและโลจิสติกส์ในอนาคต

สรุป

การเป็นพันธมิตรระหว่าง Boston Dynamics, Google DeepMind และ Hyundai แสดงถึงการเปลี่ยนแปลงที่สำคัญใน cáchที่หุ่นยนต์และ AI ทำงานร่วมกัน โดยการรวมฮาร์ดแวร์ที่ทันสมัยของ Atlas กับความฉลาดของ Gemini หุ่นยนต์สามารถทำงานได้อย่างปลอดภัยและปรับเปลี่ยนได้ในสภาพแวดล้อมจริง

นอกจากนี้ การเรียนรู้ร่วมกันผ่านแบบจำลองพื้นฐานและดิจิทัลทวินช่วยให้หุ่นยนต์ปรับปรุงอย่างต่อเนื่อง ทักษะที่ได้รับในหนึ่งสภาพแวดล้อมสามารถถูกถ่ายโอนไปยังสภาพแวดล้อมอื่นๆ ทำให้ประสิทธิภาพและความน่าเชื่อถือเพิ่มขึ้นทั่วฝูงหุ่นยนต์ ดังนั้น มนุษย์จึงสามารถมุ่งเน้นไปที่การดูแลและการตัดสินใจที่ซับซ้อน ในขณะที่หุ่นยนต์จัดการกับงานซ้ำๆ หรืออันตราย

นอกจากนี้ อุตสาหกรรมที่นำ Physical AI ไปใช้เร็วๆ นี้อาจได้รับประโยชน์ในการแข่งขันในด้านประสิทธิภาพการผลิตและความยืดหยุ่น ในทางกลับกัน ผู้ที่ชะลอการนำไปใช้เสี่ยงต่อการถูกทิ้งไว้ข้างหลังในด้านประสิทธิภาพการดำเนินงาน ในสรุป การเป็นพันธมิตรไม่เพียงแต่สร้างหุ่นยนต์ที่มนวัตกรรมใหม่ๆ แต่ยังแสดงให้เห็นถึงแบบจำลองใหม่สำหรับการจัดการและขยายงานในสภาพแวดล้อมทางกายภาพด้วย