การแสวงหา Embodied AI: เป้าหมายอันยิ่งใหญ่
เป็นเวลาหลายปีที่อุตสาหกรรมหุ่นยนต์ได้ไล่ตามเป้าหมายที่เข้าใจยากของ “embodied AI” ซึ่งเป็นการสร้างปัญญาประดิษฐ์ที่สามารถควบคุมหุ่นยนต์ได้โดยอัตโนมัติผ่านสถานการณ์ใหม่ๆ ที่ไม่สามารถคาดเดาได้หลากหลาย ทั้งหมดนี้ยังคงรักษาความปลอดภัยและความแม่นยำไว้ ความทะเยอทะยานนี้ ซึ่งบริษัทต่างๆ เช่น Nvidia กำลังดำเนินการอย่างแข็งขัน ยังคงเป็น “จอกศักดิ์สิทธิ์” ที่มีศักยภาพในการเปลี่ยนหุ่นยนต์ให้เป็นแรงงานอเนกประสงค์ที่สามารถทำงานต่างๆ ได้มากมายในโลกแห่งความเป็นจริง
Gemini Robotics: สร้างขึ้นบนรากฐานของภาษาและวิสัยทัศน์
โมเดลใหม่ของ Google ใช้ประโยชน์จากพลังของ Gemini 2.0 large language model โดยขยายขีดความสามารถให้ครอบคลุมความต้องการเฉพาะของแอปพลิเคชันหุ่นยนต์ Gemini Robotics รวมสิ่งที่ Google เรียกว่าความสามารถ “vision-language-action” (VLA) ซึ่งช่วยให้โมเดลสามารถประมวลผลข้อมูลภาพ ตีความคำสั่งภาษาธรรมชาติ และแปลข้อมูลเหล่านี้เป็นการเคลื่อนไหวทางกายภาพที่แม่นยำ ในทางตรงกันข้าม Gemini Robotics-ER มุ่งเน้นไปที่ “embodied reasoning” ซึ่งมีความเข้าใจเชิงพื้นที่ที่ดีขึ้น ซึ่งช่วยให้สามารถผสานรวมกับระบบควบคุมหุ่นยนต์ที่มีอยู่ได้อย่างราบรื่น
จากความเข้าใจสู่การปฏิบัติ: ยุคใหม่ของความคล่องแคล่ว
ผลกระทบในทางปฏิบัติของความก้าวหน้าเหล่านี้มีความสำคัญอย่างยิ่ง ลองนึกภาพการสั่งให้หุ่นยนต์ที่ติดตั้ง Gemini Robotics “หยิบกล้วยแล้วใส่ในตะกร้า” หุ่นยนต์จะใช้การมองเห็นจากกล้องเพื่อระบุกล้วยและนำทางแขนกลอย่างชำนาญเพื่อทำงานให้สำเร็จ หรือพิจารณาคำสั่ง “พับนกกระเรียนโอริกามิ” หุ่นยนต์จะใช้ความรู้เกี่ยวกับโอริกามิและศิลปะการพับกระดาษที่ละเอียดอ่อน เพื่อทำงานที่ซับซ้อนอย่างพิถีพิถัน
ในปี 2023 โมเดล RT-2 ของ Google ถือเป็นก้าวสำคัญสู่ความสามารถของหุ่นยนต์ทั่วไป ด้วยการใช้ประโยชน์จากข้อมูลอินเทอร์เน็ต RT-2 ช่วยให้หุ่นยนต์เข้าใจคำสั่งภาษาและปรับตัวเข้ากับสถานการณ์ใหม่ๆ ได้ โดยเพิ่มประสิทธิภาพเป็นสองเท่าในงานที่ไม่เคยเห็นมาก่อนเมื่อเทียบกับรุ่นก่อน สองปีต่อมา Gemini Robotics ดูเหมือนจะก้าวกระโดดไปอีกขั้น โดยก้าวข้ามความเข้าใจเพียงอย่างเดียวไปสู่การดำเนินการจัดการทางกายภาพที่ซับซ้อน ซึ่งเกินขอบเขตของ RT-2 อย่างชัดเจน
ในขณะที่ RT-2 ถูกจำกัดอยู่กับการนำการเคลื่อนไหวทางกายภาพที่ฝึกฝนไว้ก่อนหน้านี้มาใช้ใหม่ Gemini Robotics มีรายงานว่าแสดงให้เห็นถึงการเพิ่มขึ้นอย่างน่าทึ่งในด้านความคล่องแคล่ว ความคล่องแคล่วที่ค้นพบใหม่นี้ปลดล็อกงานที่ไม่เคยทำได้มาก่อน เช่น ศิลปะการพับกระดาษโอริกามิที่ละเอียดอ่อน และการบรรจุขนมลงในถุง Zip-loc อย่างแม่นยำ การเปลี่ยนแปลงนี้ – จากหุ่นยนต์ที่เพียงแค่เข้าใจคำสั่งไปสู่หุ่นยนต์ที่สามารถทำงานทางกายภาพที่ละเอียดอ่อนได้ – แสดงให้เห็นว่า DeepMind อาจอยู่บนจุดสูงสุดของการแก้ไขปัญหาที่ท้าทายที่สุดอย่างหนึ่งในด้านหุ่นยนต์: การทำให้หุ่นยนต์สามารถแปล “ความรู้” ของพวกมันเป็นการเคลื่อนไหวที่ระมัดระวังและแม่นยำในโลกแห่งความเป็นจริง
Generalization: กุญแจสู่การปรับตัวในโลกแห่งความเป็นจริง
DeepMind เน้นย้ำว่าระบบ Gemini Robotics ใหม่แสดงให้เห็นถึงการ generalization ที่ดีขึ้นอย่างมีนัยสำคัญ ซึ่งเป็นความสามารถในการทำงานใหม่ๆ ที่ไม่ได้ฝึกฝนมาโดยเฉพาะ นี่คือความก้าวหน้าที่สำคัญ ตามประกาศของบริษัท Gemini Robotics “เพิ่มประสิทธิภาพมากกว่าสองเท่าในเกณฑ์มาตรฐานการ generalization ที่ครอบคลุมเมื่อเทียบกับโมเดล vision-language-action ที่ล้ำสมัยอื่นๆ”
Generalization มีความสำคัญสูงสุดเนื่องจากหุ่นยนต์ที่สามารถปรับตัวเข้ากับสถานการณ์ใหม่ๆ ได้โดยไม่ต้องมีการฝึกอบรมเฉพาะสำหรับแต่ละสถานการณ์ ถือกุญแจสำคัญในการทำงานอย่างมีประสิทธิภาพในสภาพแวดล้อมจริงที่ไม่สามารถคาดเดาได้ ความสามารถในการปรับตัวนี้คือสิ่งที่แยกหุ่นยนต์เฉพาะทางที่ทำงานเฉพาะออกจากเครื่องจักรที่ใช้งานได้หลากหลายและปรับเปลี่ยนได้
สมองหุ่นยนต์ Generalist: วิสัยทัศน์อันทะเยอทะยานของ Google
ความพยายามของ Google มุ่งเน้นไปที่การสร้าง “สมองหุ่นยนต์ generalist” อย่างชัดเจน ซึ่งเป็น AI อเนกประสงค์ที่สามารถควบคุมแพลตฟอร์มหุ่นยนต์ได้หลากหลาย เพื่อให้สอดคล้องกับวิสัยทัศน์นี้ บริษัทได้ประกาศความร่วมมือกับ Apptronik ซึ่งเป็นบริษัทหุ่นยนต์ชั้นนำ เพื่อ “สร้างหุ่นยนต์คล้ายมนุษย์รุ่นต่อไปด้วย Gemini 2.0”
แม้ว่าจะได้รับการฝึกฝนบนแพลตฟอร์มหุ่นยนต์ bimanual ที่รู้จักกันในชื่อ ALOHA 2 เป็นหลัก แต่ Google ระบุว่า Gemini Robotics มีความสามารถรอบด้านในการควบคุมหุ่นยนต์ประเภทต่างๆ ซึ่งรวมถึงแขนกล Franka ที่เน้นการวิจัย และระบบคล้ายมนุษย์ที่ซับซ้อนยิ่งขึ้น เช่น หุ่นยนต์ Apollo ของ Apptronik ความสามารถในการปรับตัวนี้เน้นย้ำถึงศักยภาพของ Gemini Robotics ในการเป็น “สมอง” สากลสำหรับแอปพลิเคชันหุ่นยนต์ที่หลากหลาย
ภูมิทัศน์หุ่นยนต์คล้ายมนุษย์: ฮาร์ดแวร์และซอฟต์แวร์มาบรรจบกัน
การแสวงหาหุ่นยนต์คล้ายมนุษย์เป็นความพยายามร่วมกัน โดยมีบริษัทจำนวนมากมีส่วนร่วมในด้านต่างๆ ของความท้าทาย บริษัทต่างๆ เช่น Figure AI และ Boston Dynamics (เดิมเป็นบริษัทในเครือ Alphabet) ได้พัฒนาฮาร์ดแวร์หุ่นยนต์คล้ายมนุษย์ขั้นสูงอย่างขยันขันแข็ง อย่างไรก็ตาม “ตัวขับเคลื่อน” AI ที่มีประสิทธิภาพอย่างแท้จริง ซึ่งเป็นองค์ประกอบซอฟต์แวร์ที่ทำให้หุ่นยนต์เหล่านี้มีความฉลาดและเป็นอิสระ ยังคงเป็นส่วนประกอบสำคัญที่ขาดหายไป
ความพยายามของ Google ในด้านนี้กำลังได้รับแรงผลักดัน บริษัทได้ให้สิทธิ์การเข้าถึง Gemini Robotics-ER อย่างจำกัดผ่านโปรแกรม “ผู้ทดสอบที่เชื่อถือได้” แก่บริษัทหุ่นยนต์ชั้นนำ ซึ่งรวมถึง Boston Dynamics, Agility Robotics และ Enchanted Tools แนวทางความร่วมมือนี้ชี้ให้เห็นถึงความพยายามร่วมกันเพื่อเร่งการพัฒนาและการปรับใช้หุ่นยนต์คล้ายมนุษย์ที่มีความสามารถอย่างแท้จริง
ความปลอดภัยต้องมาก่อน: แนวทางแบบแบ่งชั้นเพื่อหุ่นยนต์ที่มีความรับผิดชอบ
ด้วยตระหนักถึงความสำคัญสูงสุดของความปลอดภัยในด้านหุ่นยนต์ Google จึงเน้นย้ำถึง “แนวทางแบบองค์รวม” ที่รวมเอามาตรการความปลอดภัยของหุ่นยนต์แบบดั้งเดิม มาตรการเหล่านี้รวมถึงการหลีกเลี่ยงการชนและการจำกัดแรง เพื่อให้มั่นใจว่าหุ่นยนต์ทำงานภายในพารามิเตอร์ที่ปลอดภัย
นอกจากนี้ บริษัทยังอธิบายถึงการพัฒนากรอบ “Robot Constitution” กรอบงานนี้ได้รับแรงบันดาลใจจากกฎสามข้อของหุ่นยนต์ของ Isaac Asimov โดยให้ชุดหลักการชี้นำสำหรับการพัฒนาและการปรับใช้หุ่นยนต์อย่างมีจริยธรรมและปลอดภัย ร่วมกับกรอบงานนี้ Google ได้เปิดตัวชุดข้อมูลชื่อ “ASIMOV” ซึ่งออกแบบมาเพื่อช่วยนักวิจัยในการประเมินผลกระทบด้านความปลอดภัยของการกระทำของหุ่นยนต์
ชุดข้อมูล ASIMOV: การกำหนดมาตรฐานการประเมินความปลอดภัย
ชุดข้อมูล ASIMOV แสดงถึงความพยายามของ Google ในการสร้างวิธีการที่เป็นมาตรฐานสำหรับการประเมินความปลอดภัยของหุ่นยนต์ ซึ่งขยายไปไกลกว่าการป้องกันอันตรายทางกายภาพ ชุดข้อมูลนี้ได้รับการออกแบบมาเพื่อช่วยนักวิจัยประเมินว่าโมเดล AI เข้าใจผลกระทบที่อาจเกิดขึ้นจากการกระทำของหุ่นยนต์ในสถานการณ์ต่างๆ ได้ดีเพียงใด ตามประกาศของ Google ชุดข้อมูลจะ “ช่วยนักวิจัยในการวัดผลกระทบด้านความปลอดภัยของการกระทำของหุ่นยนต์ในสถานการณ์จริงอย่างเข้มงวด” ความคิดริเริ่มนี้เน้นย้ำถึงความมุ่งมั่นของ Google ในการสร้างสรรค์นวัตกรรมอย่างมีความรับผิดชอบในด้านหุ่นยนต์
อนาคตของหุ่นยนต์: มองเห็นความเป็นไปได้
แม้ว่า Google จะยังไม่ได้ประกาศไทม์ไลน์หรือแอปพลิเคชันเชิงพาณิชย์เฉพาะสำหรับโมเดล AI ใหม่ ซึ่งปัจจุบันยังอยู่ในขั้นตอนการวิจัย แต่ความก้าวหน้าที่แสดงให้เห็นนั้นมีความสำคัญอย่างปฏิเสธไม่ได้ วิดีโอสาธิตที่เผยแพร่โดย Google แสดงให้เห็นถึงความก้าวหน้าอย่างน่าทึ่งในความสามารถที่ขับเคลื่อนด้วย AI อย่างไรก็ตาม สิ่งสำคัญคือต้องรับทราบว่าการสาธิตเหล่านี้ดำเนินการในสภาพแวดล้อมการวิจัยที่มีการควบคุม การทดสอบที่แท้จริงของระบบเหล่านี้จะอยู่ที่ความสามารถในการทำงานได้อย่างน่าเชื่อถือและปลอดภัยในการตั้งค่าจริงที่ไม่สามารถคาดเดาได้และเปลี่ยนแปลงตลอดเวลา
การพัฒนา Gemini Robotics และ Gemini Robotics-ER แสดงถึงช่วงเวลาสำคัญในวิวัฒนาการของหุ่นยนต์ โมเดลเหล่านี้มีศักยภาพในการปลดล็อกยุคใหม่ของความคล่องแคล่ว ความสามารถในการปรับตัว และความเป็นอิสระ ซึ่งปูทางให้หุ่นยนต์ผสานรวมเข้ากับชีวิตของเราได้อย่างราบรื่นและมีส่วนร่วมในงานต่างๆ มากมาย ในขณะที่การวิจัยดำเนินไปและเทคโนโลยีเหล่านี้เติบโตเต็มที่ เราสามารถคาดการณ์อนาคตที่หุ่นยนต์จะมีบทบาทสำคัญมากขึ้นในบ้าน ที่ทำงาน และชุมชนของเรา การเดินทางสู่ embodied AI ที่แท้จริงยังคงดำเนินต่อไป แต่ความก้าวหน้าล่าสุดของ Google นำเสนอภาพรวมที่น่าสนใจเกี่ยวกับความเป็นไปได้ที่น่าตื่นเต้นที่รออยู่ข้างหน้า การผสมผสานระหว่างฮาร์ดแวร์ที่ซับซ้อนและซอฟต์แวร์ที่ชาญฉลาดมากขึ้นพร้อมที่จะเปลี่ยนแปลงภูมิทัศน์ของหุ่นยนต์ ทำให้เราเข้าใกล้
อนาคตที่หุ่นยนต์ไม่ได้เป็นเพียงเครื่องมือ แต่เป็นพันธมิตรที่หลากหลายในชีวิตประจำวันของเรา