หัวเว่ย โนอาห์ อาร์ค แล็บ ประกาศเปิดตัวระบบ RoboHarness ซึ่งใช้ Coding Agent ประสานงานกลยุทธ์ที่หลากหลาย เช่น VLA, WAM, RL, TAMP เพื่อให้สามารถดำเนินงานตามภารกิจระยะยาวแบบศูนย์ตัวอย่าง ระบบประกอบด้วยทักษะสามประเภท ได้แก่ การเข้าใจ การจดจำ และการพัฒนา โมดูล Memory Bridge แก้ไขปัญหาความไม่สอดคล้องของการแจกแจงสถานะระหว่างการสลับกลยุทธ์ โดยมีอัตราความสำเร็จ 86% ในการทดลอง งานนี้แสดงถึงการพัฒนาของปัญญาเชิงกายภาพจากโมเดลเดี่ยวสู่การจัดเรียงแบบเป็นระบบผู้เขียนบทความ แหล่งที่มา: LeFeng.com
จินตนาการถึงภารกิจเช่นนี้: เปิดประตูตู้ ค้นหาบล็อกไม้ที่ซ่อนอยู่ด้านใน แล้วเรียงมันให้เป็นสะพาน
สำหรับมนุษย์ นี่เป็นเรื่องง่ายมาก ท่าทางหลายท่าเชื่อมต่อกันอย่างเป็นธรรมชาติ แม้แต่เด็กอนุบาลก็สามารถทำได้สำเร็จ
แต่สำหรับหุ่นยนต์ งานนี้ครอบคลุมทักษะที่แตกต่างกันอย่างสิ้นเชิง: การหาบล็อก ต้องใช้การเข้าใจภาพและการปฏิบัติตามคำสั่งทางภาษา; การเปิดประตูตู้ ต้องมีการโต้ตอบที่ซับซ้อนกับสภาพแวดล้อม; การเรียงบล็อก ต้องใช้การวางแผนเรขาคณิตและการควบคุมอย่างแม่นยำ พร้อมการคาดการณ์การเปลี่ยนแปลงของสภาพแวดล้อม
ยิ่งไปกว่านั้น ความสามารถเหล่านี้แบ่งออกเป็นโมเดลหลาย “สำนัก” ต่างกัน—VLA (Vision-Language-Action Models), WAM (World-Action Models), RL Policies (Reinforcement Learning), และ TAMP (Task and Motion Planning) แต่ละแบบมีจุดแข็งของตัวเอง แต่กลับแยกจากกัน โดยมีวิธีการฝึกอบรม รูปแบบอินพุต และพื้นที่สถานะที่ต่างกัน
ในวันนี้ในโลกของหุ่นยนต์ ความสามารถไม่ขาด แต่การร่วมมือกลับขาดหาย
หัวเว่ย โนอาห์ อาร์ค เดอะลับฯ ได้เผยแพร่บทความวิจัยล่าสุดที่เสนอระบบชื่อ RoboHarness ซึ่งออกแบบมาเพื่อแก้ไขปัญหาการไม่สามารถร่วมมือกันระหว่างกลยุทธ์ต่างๆ โดยผู้เขียนบทความได้พูดคุยกับเรา (Leifeng.com) เกี่ยวกับงานนี้
เอกสารวิจัย: https://arxiv.org/abs/2607.18060
หน้าหลักโครงการ: https://www.robo-harness.com/
01 ช่องว่างระหว่างภาพลวงตาของโมเดลสากลกับความเป็นจริง
ในฤดูร้อนปีนี้ ได้มีงานวิจัยหลายชิ้นที่เน้นไปที่ Harness ปรากฏอย่างหนาแน่นในสาขาหุ่นยนต์ ซึ่งร่วมกันชี้ให้เห็นถึงความเข้าใจว่า การแก้ปัญหาทั้งหมดด้วยโมเดลที่ใหญ่ขึ้นนั้นยังไม่สามารถทำได้ในขณะนี้ หุ่นยนต์จำเป็นต้องมีระบบการจัดการการดำเนินการระดับหนึ่ง
ทีมของศาสตราจารย์ Yu จากรัฐบาลมหาวิทยาลัยชิงฮัวได้เปิดตัว Harness VLA ในเดือนกรกฎาคม โดยนำ Harness Layer ซึ่งใช้กันอย่างแพร่หลายในปัญญาดิจิทัล มาใช้ในปัญญาทางกายภาพ เพื่อให้ VLA ที่ถูกล็อกสามารถมุ่งเน้นไปที่การควบคุมที่ต้องใช้การสัมผัสอย่างหนัก พร้อมกับใช้ชั้น Harness เพื่อเรียนรู้ว่าควรเรียกใช้งานเมื่อใดและอย่างไร รวมถึงวิธีรีเซ็ตและลองใหม่เมื่อ VLA ล้มเหลว ในการทดสอบการรบกวน LIBERO-Pro ระบบดังกล่าวช่วยเพิ่มอัตราความสำเร็จจาก 50% เป็น 82.4%
ในเชิงแนวคิด Harness VLA แก้ปัญหาเกี่ยวกับวิธีที่โมเดลสามารถทำงานได้อย่างมั่นคงภายใต้การรบกวนนอกการแจกแจง ปัญหาของมันคือความมั่นคงของกลยุทธ์เดียว
RoboHarness จากห้องปฏิบัติการ Noah's Ark ของ Huawei ต้องเผชิญกับปัญหาอีกระดับหนึ่ง: เมื่อภารกิจเกินขอบเขตความสามารถของโมเดลใดๆ ควรทำอย่างไร?
ทั้งสองอย่างเรียกว่า Harness และใช้ Coding Agent เป็นชั้นการจัดการ แต่แก้ปัญหาที่มิติที่ต่างกัน อย่างแรกช่วยให้ผู้เชี่ยวชาญคนเดียวมีความมั่นคงมากขึ้น ขณะที่อย่างหลังช่วยให้กลุ่มผู้เชี่ยวชาญที่มีจุดแข็งต่างกันสามารถร่วมมือกันได้ ตามที่ภารกิจของหุ่นยนต์มีความซับซ้อนเพิ่มขึ้น ปัญหาหลังนี้จึงกลายเป็นสิ่งที่หลีกเลี่ยงไม่ได้มากขึ้นเรื่อยๆ
ที่มาของปัญหานี้ต้องเริ่มจากขีดจำกัดของความสามารถของโมเดลต่างๆ
ข้อได้เปรียบของโมเดล VLA คือการเข้าใจคำสั่งภาษาแบบเปิด การทั่วไปในสภาพแวดล้อมใหม่ แต่วิธีการสร้างการกระทำแบบ end-to-end ของมันนั้นยากที่จะรักษาความสอดคล้องในงานที่มีลำดับเวลายาว; กลยุทธ์การเรียนรู้แบบเสริมแรงสามารถสร้างพฤติกรรมปิดที่มั่นคงภายในบริบทการฝึกเฉพาะ แต่ความมั่นคงนี้ขึ้นอยู่กับการแจกแจงการฝึกอย่างมาก และอาจล้มเหลวเมื่อสภาพแวดล้อมมีการเปลี่ยนแปลงเล็กน้อย; TAMP เชี่ยวชาญในการให้เหตุผลเชิงสัญลักษณ์และข้อจำกัดทางเรขาคณิต แต่ต้องการนิยามล่วงหน้าของคำสั่งพื้นฐาน การวางแผนจะเผชิญกับความยากลำบากเมื่อเผชิญกับสถานการณ์เปิดและเป้าหมายที่คลุมเครือ; WAM สามารถช่วยในการตัดสินใจลำดับเวลาที่ยาวขึ้นโดยการทำนายสถานะในอนาคต แต่เสี่ยงต่อการสะสมข้อผิดพลาดเมื่อช่วงเวลาการทำนายเพิ่มขึ้น
งานจริงที่ซับซ้อนต้องการความสามารถในการเข้าใจความหมาย การวางแผนเชิงเรขาคณิต การควบคุมแบบปิด การให้เหตุผลตามลำดับเวลาที่ยาวนาน และการคาดการณ์การเปลี่ยนแปลงของสภาพแวดล้อม ซึ่งเป้าหมายการฝึกอบรมสำหรับความสามารถเหล่านี้แตกต่างกันและบางครั้งขัดแย้งกันเอง การบรรลุความก้าวหน้าในแต่ละความสามารถแยกจากกัน จนถึงการที่โมเดลเดียวสามารถรักษาความสามารถทั้งหมดอย่างมั่นคงในระยะยาวในสภาพแวดล้อมเปิด ยังมีช่องว่างที่ยังไม่เคยถูกข้ามอย่างแท้จริง
จุดเริ่มต้นของ RoboHarness คือ: แทนที่จะรอให้ช่องว่างนี้ถูกปิดลง ควรเริ่มต้นให้โมเดลที่มีอยู่แล้วและมีจุดแข็งต่างกันทำงานร่วมกันอย่างแท้จริง ผู้เขียนเชื่อว่าจนกว่าโมเดลหนึ่งจะสามารถกดดันโมเดลอื่นๆ ทั้งหมดได้อย่างสมบูรณ์และแสดงพลังอำนาจอย่างเด็ดขาด การจัดเรียงสถาปัตยกรรมเช่นนี้ยังคงมีความหมายอย่างมาก
งานนี้ไม่ได้เกิดขึ้นอย่างไร้พื้นฐาน ผู้เขียนบอกกับเรา (LeiFengNet) ว่า ต้นแบบของ RoboHarness เกิดขึ้นจากการเข้าร่วมการแข่งขันหุ่นยนต์ระดับโลก BEHAVIOR Challenge เมื่อปีที่แล้ว ภารกิจในการแข่งขันนั้นยาวและยากมาก ทีมงานพบว่าไม่ว่าจะใช้การฝึกแบบ end-to-end สำหรับ VLA หรือโมเดลเช่น behavioral cloning ก็ไม่สามารถครอบคลุมความยากของภารกิจได้ ความล้มเหลวครั้งนี้กลับช่วยให้ทีมมองเห็นปัญหาที่แท้จริง
02 สมองการจัดการตัดสินว่าใครควรลงสนาม
แนวคิดหลักของ RoboHarness คือการห่อหุ้มระบบควบคุมที่พัฒนาอย่างอิสระ เช่น VLA, WAM, กลยุทธ์ RL, TAMP ให้กลายเป็นทักษะ agentic ที่สามารถจัดการแบบรวมศูนย์ โดย Coding Agent จะรับผิดชอบการตัดสินใจระดับสูง
การออกแบบนี้มีสมมติฐานสำคัญ: ไม่เปลี่ยนแปลงหรือฝึกใหม่กลยุทธ์พื้นฐานใดๆ กลยุทธ์แต่ละตัวยังคงรักษาการดำเนินการดั้งเดิมของตนเอง ไม่จำเป็นต้องแชร์โครงสร้างโมเดล พื้นที่การกระทำ หรือข้อมูลการฝึกอบรม RoboHarness เพียงเพิ่มระดับความสามารถในการจัดการเหนือกลยุทธ์เหล่านี้เท่านั้น
การเลือกกลยุทธ์ที่ถูกต้องไม่ใช่เรื่องง่าย
สำหรับตัวแทนการเขียนโค้ด การพิจารณาจากภาพดิบเพียงอย่างเดียวจะยากที่จะตัดสินอย่างเชื่อถือได้ว่าควรส่งงานนี้ให้ใคร เพราะการตัดสินใจนี้ซ่อนคำถามเชิงปริมาณมากมายที่โมเดลภาษาไม่สามารถตอบได้ มันสามารถอ่านว่า “วางถ้วยลงบนจาน” แต่ไม่สามารถคำนวณความคล้ายคลึงระหว่างสถานการณ์ปัจจุบันกับการแจกแจงการฝึกฝนกลยุทธ์ใดๆ จากภาพ RGB ได้ ยิ่งไปกว่านั้น มันยังไม่สามารถประเมินความน่าเชื่อถือของข้อมูลเซนเซอร์ในขณะนี้ได้
เพื่อแก้ไขปัญหานี้ ระบบได้ออกแบบทักษะช่วยเหลือสามประเภท ซึ่งออกแบบมาโดยเฉพาะเพื่อช่วย Coding Agent ในการสกัดข้อมูลที่จำเป็นสำหรับการตัดสินใจ
ทักษะการเข้าใจ รับผิดชอบการแปลงข้อมูลต้นฉบับให้เป็นสัญญาณที่วัดได้ เช่น ความคล้ายคลึงของภาพฝังตัวกับข้อมูลการฝึกอบรมของกลยุทธ์แต่ละแบบ ความมั่นคงของท่าทางวัตถุภายในช่วงเวลา รวมถึงแสงและคุณภาพภาพในปัจจุบันว่าตรงตามเกณฑ์หรือไม่ ตัวชี้วัดเหล่านี้เป็นพื้นฐานที่แท้จริงในการกำหนดเส้นทางกลยุทธ์ ผู้เขียนเชื่อว่าแก่นแท้ของโมดูลนี้คือการวัดแต่ละกลยุทธ์จากมิติหลายด้านเพื่อประเมินว่ากลยุทธ์ใดเหมาะสมกับงานในขณะนี้มากที่สุด
Memory Skills ดึงประสบการณ์การดำเนินการในอดีตมาใช้เป็นข้อมูลอ้างอิงในการเลือกกลยุทธ์ และจัดการความไม่สอดคล้องกันของการกระจายสถานะระหว่างกลยุทธ์ผ่าน Memory Bridge — นี่คือการออกแบบที่สำคัญที่สุดของระบบ ซึ่งจะอธิบายเพิ่มเติมในหัวข้อถัดไป
Evolution Skills ใช้ข้อมูลย้อนกลับออนไลน์เพื่ออัปเดตเมตาดาต้าและตรรกะการจัดการอย่างต่อเนื่อง ทำให้ระบบเรียนรู้จากการดำเนินการแต่ละครั้ง แทนที่จะตัดสินใจใหม่ตั้งแต่เริ่มต้นทุกครั้งที่เผชิญกับสถานการณ์ใหม่
ข้อมูลจากทักษะสามประเภทมีปฏิสัมพันธ์กันเพื่อช่วยสนับสนุนการตัดสินใจของ Coding Agent ในทางปฏิบัติ กลไกนี้มีบทบาทหลักสองประการ: หนึ่งคือการแบ่งงาน ซึ่งแยกคำสั่งยาวออกเป็นงานย่อยที่เหมาะสมกับกลยุทธ์ต่างๆ; และสองคือการสลับแบบไดนามิก เมื่อกลยุทธ์ปัจจุบันเข้าใกล้ขอบเขตความสามารถของมัน ระบบจะสลับไปยังกลยุทธ์ที่เหมาะสมกว่าทันที เพื่อให้กลยุทธ์ต่างๆ สามารถเสริมความสามารถซึ่งกันและกัน
เอกสารวิจัยใช้การทดลองลบองค์ประกอบเพื่อแสดงถึงส่วนร่วมของแต่ละชั้น: การใช้เพียงโมเดลภาษาช่วยให้ pi0.5 แยกแยะงานแล้วส่งกลับไป ความสำเร็จเพิ่มขึ้นอย่างชัดเจน; เมื่อเชื่อมต่อกลยุทธ์ที่หลากหลายเข้าไปเพิ่มเติม ความสำเร็จยังเพิ่มขึ้นอีกมาก การแยกแยะให้ถูกต้องเป็นขั้นตอนแรก การส่งไปยังจุดหมายที่เหมาะสมเป็นขั้นตอนที่สอง ทั้งสองขั้นตอนล้วนจำเป็นและไม่สามารถขาดได้
แต่ยังมีปัญหาที่สาม ซึ่งเป็นปัญหาที่ยากที่สุด ซึ่งไม่สามารถแก้ไขได้ด้วยการเลือกกลยุทธ์เพียงอย่างเดียว
03 การตัดสินผู้ชนะในการวิ่งส่งไม้คือช่วงเวลาที่ส่งไม้
กลยุทธ์สองแบบที่ฝึกแยกกัน มักอาศัยอยู่ในโลกข้อมูลของตนเอง รูปแบบการป้อนข้อมูลของพวกมันต่างกัน และประสบการณ์การกระจายสถานะของหุ่นยนต์ก็ไม่เหมือนกัน ตำแหน่งที่ TAMP หยุดหลังจากดำเนินการเสร็จสิ้น อาจตกพอดีในพื้นที่สถานะที่ VLA ไม่เคยจัดการมาก่อน และไม่สามารถเริ่มต้นได้อย่างมั่นคง
นี่คือปัญหาที่มีเฉพาะในระบบการจัดการกลยุทธ์แบบไฮบริด
ดังนั้น Memory Bridge ซึ่งรับผิดชอบในการทำให้กลยุทธ์ทั้งสองเชื่อมต่ออย่างมั่นคง จึงถูกผู้เขียนจัดให้เป็นโมดูลที่สำคัญที่สุดใน RoboHarness เขาเปิดเผยว่า หากในอนาคตมีโมเดลทั่วไปใดๆ สามารถครอบคลุมพื้นที่สถานะทั้งหมดได้อย่างสมบูรณ์แบบ Memory Bridge อาจไม่จำเป็นอีกต่อไป แต่ในปัจจุบัน โมเดลใดๆ ก็ตามมักจะตกอยู่นอกช่วงความสามารถในช่วงเวลาการเปลี่ยนผ่าน
การทำงานของ Memory Bridge แบ่งเป็นสามขั้นตอน
ค้นหา: จากงานย่อยถัดไปและการสังเกตปัจจุบัน ค้นหา Top-K เส้นทางที่คล้ายกันซึ่งกลยุทธ์เป้าหมายเคยดำเนินการสำเร็จ โดยใช้ความคล้ายคลึงทางข้อความและภาพจากหน่วยความจำแบบมัลติมอดัล แล้วดึงข้อมูลสถานะหุ่นยนต์ เช่น ท่าทางของตัวขับเคลื่อนสุดท้ายและมุมข้อต่อ
การสร้างแบบจำลอง: กำหนดสัญญาณการควบคุมตามความคืบหน้าสัมพัทธ์ของแต่ละสถานะในเส้นทาง และใช้การถดถอยแบบออนไลน์เพื่อปรับเข้ากับช่วงสถานะของกลยุทธ์เป้าหมายที่ “รับช่วงต่อ” แบบเรียลไทม์
การเชื่อมต่อ: สุ่มตัวอย่างและให้คะแนนสถานะที่เป็นไปได้ โดยพิจารณาความมั่นใจในการเข้าสู่โซนสบายของกลยุทธ์เป้าหมายและค่าใช้จ่ายในการเคลื่อนไหว เพื่อเลือกเป้าหมายการเชื่อมต่อที่เหมาะสมที่สุด และสร้างเส้นทางการเปลี่ยนผ่าน; หลังจากหุ่นยนต์ไปถึงสถานะนี้ ระบบจะส่งการควบคุมให้กลยุทธ์ถัดไป
กลไกนี้อิงการเรียนรู้แบบออนไลน์จากข้อมูลการดำเนินการในอดีตอย่างสมบูรณ์ ใช้งานได้ทันทีกับกลยุทธ์ใดก็ได้ โดยไม่จำเป็นต้องแก้ไขการดำเนินการพื้นฐานหรือต้องใช้การฝึกอบรมร่วมกัน
ในการทดลองแบบ ablative การลบ Memory Bridge ทำให้ความคืบหน้าของงานลดลงไม่มากนัก ซึ่งบ่งชี้ว่าการเลือกกลยุทธ์ยังคงถูกต้องโดยพื้นฐาน แต่อัตราความสำเร็จโดยรวมลดลงอย่างฉับพลันจาก 86.0% เป็น 60.4% งานจำนวนมากไปถึงขั้นสุดท้ายแต่ล้มเหลวเนื่องจากสถานะการส่งต่อไม่เข้ากัน ซึ่งยืนยันถึงคุณค่าของ Memory Bridge
04 สองสายเทคโนโลยี การรวมตัวกันที่เกิดขึ้นอย่างเงียบๆ
เมื่อเราถอยห่างจากบทความนี้ พวกเราต้องการอธิบายภาพรวมที่กว้างขึ้นของเทคโนโลยีแบบมีร่างกาย
ผู้สร้าง RoboHarness สังเกตว่า ในบริบทของการเติบโตอย่างรวดเร็วของ VLA ตลอดสามปีที่ผ่านมา ระบบ TAMP แบบดั้งเดิมและการวางแผนแบบชั้นวางเคยลดความสนใจจากชุมชน เนื่องจากความสามารถในการทั่วไปในสภาพแวดล้อมเปิดนั้นอ่อนแออย่างชัดเจนเมื่อเทียบกับ VLA แบบ end-to-end อย่างไรก็ตาม ด้วยความก้าวหน้าอย่างรวดเร็วของระบบ agentic และ coding agents ในปีนี้ สถาปัตยกรรมแบบชั้นวางได้รับชีวิตใหม่: agent ระดับสูงสามารถใช้ทักษะที่สามารถรวมกันได้เพื่อแยกแยะงาน เรียกใช้เครื่องมือ และวางแผนแบบไดนามิก ซึ่งช่วยเพิ่มความสามารถในการทั่วไปและความยืดหยุ่นของวิธีการแบบชั้นวางแบบดั้งเดิมอย่างมีนัยสำคัญ ดังนั้น ชุมชนทางวิชาการจึงกลับมาให้ความสนใจอีกครั้ง และเริ่มสำรวจวิธีการผสานการให้เหตุผลระดับสูงที่มีความสามารถในการทั่วไปสูงเข้ากับกลยุทธ์พื้นฐานที่ไม่เหมือนกัน
ผู้เขียนบทความฉบับนี้มาจากสถาบันการศึกษาและองค์กรวิจัยหลายแห่งทางตะวันออกของแคนาดา ผู้เขียนสังเกตว่า การวิจัยหุ่นยนต์ในอเมริกาเหนือมีเส้นทางเทคนิคสองเส้นทางที่มีรากฐานทางวิชาการชัดเจน: ฝั่งตะวันตกของสหรัฐอเมริกา ซึ่งมี Stanford, Berkeley เป็นตัวแทน มุ่งเน้นที่การเรียนรู้และการขยายขนาด โดยให้ความสำคัญกับการเรียนรู้แบบ end-to-end ขนาดข้อมูล และการทั่วไปของโมเดล ในขณะที่ฝั่งตะวันออกเฉียงเหนือของสหรัฐอเมริกาและแคนาดา ซึ่งมี MIT, มหาวิทยาลัยโตรอนโต, MILA เป็นตัวแทน ได้ให้ความสำคัญอย่างต่อเนื่องกับสถาปัตยกรรมแบบชั้นวาง การให้เหตุผลแบบสัญลักษณ์ การวางแผนเชิงตรรกะ และการตัดสินใจแบบมีโครงสร้าง
ผู้สร้าง RoboHarness อยู่บนสายพันธุ์ด้านหลังนี้
การแยกแยะเส้นทางทางเทคนิคได้ทิ้งร่องรอยที่ชัดเจนในอุตสาหกรรมเอ็มบอดีอินเทลลิเจนซ์ ทีมที่เติบโตอย่างรวดเร็วในช่วงไม่กี่ปีที่ผ่านมาได้ก่อร่างสร้างลำดับทางเทคนิคจาก foundation model scaling ไปสู่ agentic hierarchy: กลุ่มหนึ่งเน้นที่โมเดลพื้นฐานของเอ็มบอดีทั่วไป รวมถึง VLA และ world model โดยขยายขอบเขตการทั่วไปผ่านการปรับปรุงโมเดลเดียว ขนาดข้อมูล และความสามารถของโมเดล ขณะที่อีกกลุ่มหนึ่งเน้นทักษะการดำเนินการที่สามารถนำกลับมาใช้ใหม่ได้และสถาปัตยกรรมแบบชั้นวาง โดยบรรลุภารกิจที่ซับซ้อนผ่านการวางแผนงาน การรวมทักษะ และการประสานงานการควบคุมระดับล่าง ทีมในประเทศจีนเช่น Zhiyuan ใกล้เคียงกับกลุ่มแรก ในขณะที่ Suduo Technology และ Magic Atom เน้นกลุ่มหลัง; ในต่างประเทศ Physical Intelligence ได้เป็นตัวแทนของเส้นทาง scaling มาอย่างยาวนานด้วยซีรีส์ pi ในขณะที่ Gemini Robotics ยังคงสืบทอดประเพณีแบบชั้นวางของ “การให้เหตุผลและการวางแผนระดับสูง + การดำเนินการทักษะระดับล่าง”
ที่น่าสนใจคือ การแยกแยะของลำดับชั้นเทคโนโลยีนี้ไม่ใช่ความขัดแย้งแบบคงที่ แต่กำลังพัฒนาเป็นความสามารถที่เสริมกัน ตลอดหลายเดือนที่ผ่านมา เส้นทางเทคโนโลยีทั้งสองเริ่มแสดงปรากฏการณ์การรวมตัวที่ชัดเจน ตัวอย่างเช่น Physical Intelligence ใน pi0.7 ได้ยกระดับความสามารถในการควบคุมและการรวมทักษะให้เป็นหัวใจหลักยิ่งขึ้น ในขณะเดียวกัน ทีมอย่าง NVIDIA ก็ยังคงเปิดตัวระบบ robot agentic ที่มีลักษณะเป็นชั้นๆ มากขึ้น โดยผสานความสามารถในการเข้าใจและให้เหตุผลของโมเดลพื้นฐานเข้ากับ VLA โดยรวมแล้ว การขยายขนาด foundation model และลำดับชั้นของ agentic กำลังค่อยๆ พัฒนาจากเส้นทางเทคโนโลยีที่ค่อนข้างแยกจากกัน ให้กลายเป็นความสามารถที่เสริมกันภายในระบบหุ่นยนต์เดียวกัน
05 ด้วยการจัดเรียงเป็นแนวทาง สู่ปัญญาทั่วไปมากขึ้น
RoboHarness มีข้อจำกัดที่ชัดเจน: มันสามารถจัดการเฉพาะกลยุทธ์ที่มีอยู่แล้ว แต่ไม่สามารถแก้ไขสิ่งที่กลยุทธ์ทั้งหมดทำไม่ได้ ความน่าเชื่อถือของ Memory Bridge ขึ้นอยู่กับข้อมูลการดำเนินการในอดีตที่เพียงพอ ดังนั้น การประเมินความสามารถของกลยุทธ์ใหม่ที่เพิ่งเชื่อมต่อในระยะเริ่มต้นจะมีความไม่แน่นอนสูง
จุดหลักของบทความไม่ได้ปฏิเสธความจำเป็นของการสร้างโมเดลขนาดใหญ่แบบรวม
ผู้เขียนเน้นย้ำว่า การจัดการงานระยะยาวไม่ใช่เพียงการรวมความสามารถที่มีอยู่เท่านั้น แต่ยังสร้างข้อมูลการดำเนินการข้ามความสามารถและข้ามสถานการณ์อย่างต่อเนื่อง ซึ่งแบบจำลองเดี่ยวไม่สามารถได้รับอย่างเป็นอิสระ ข้อมูลเหล่านี้บันทึกกระบวนการเปลี่ยนแปลงระหว่างกลยุทธ์ต่างๆ การเชื่อมต่อ การกู้คืนจากความล้มเหลว และกระบวนการร่วมมือ ซึ่งอาจกลายเป็นแหล่งข้อมูลสำคัญในการฝึกแบบจำลองหุ่นยนต์ทั่วไปรุ่นถัดไป บนพื้นฐานของแนวคิดนี้ ทีม RoboHarness กำลังสำรวจการนำข้อมูลที่เกิดขึ้นจากการจัดการกลยุทธ์แบบผสมผสานและการดำเนินการกลับมาใช้ใหม่ในการฝึกกลยุทธ์พื้นฐาน ประสบการณ์จากการจัดการแบบไม่เหมือนกันยิ่งช่วยเสริมความสามารถพื้นฐานของแบบจำลอง
จากการค้นหาโมเดลที่แข็งแกร่งที่สุดไปจนถึงการจัดระเบียบความสามารถที่เหมาะสมที่สุด การแข่งขันด้านปัญญาเชิงร่างกายกำลังขยายตัวอย่างเงียบๆ ไปสู่การออกแบบระดับระบบ การจัดการกลยุทธ์แบบไม่เหมือนกันและการรวมโมเดลขนาดใหญ่เป็นหนึ่งเดียว ดูเหมือนการเดินทางตามแนวเขาสองลูกที่แตกต่างกัน แต่ทั้งสองเส้นทางต่างมุ่งสู่เป้าหมายเดียวกัน: การมอบปัญญาที่กว้างขวางและเชื่อถือได้มากขึ้นให้กับหุ่นยนต์