ตัวแปรอิสระเปิดตัวโมเดลโลกอัตโนมัติแบบถัดไปขนาดใหญ่ WALL-SS ซึ่งมีเป้าหมายเพื่อแก้ไขปัญหาความไม่สอดคล้องกันระหว่างการกระทำและผลลัพธ์ในโมเดลโลกของหุ่นยนต์ โมเดลนี้ใช้กลไกการพยากรณ์แบบชั้นวางจากหยาบไปหาละเอียด เพื่อให้การกระทำแต่ละแบบสอดคล้องกับผลลัพธ์ที่แตกต่างกันอย่างแท้จริง และสามารถดำเนินการพยากรณ์ต่อเนื่องได้นานสูงสุด 60 วินาที การทดสอบแสดงให้เห็นว่าคะแนนการติดตามการกระทำของ WALL-SS อยู่ที่ 0.29 ซึ่งสูงกว่า Cosmos3-Nano ที่ 0.044 อย่างมาก ตัวแปรอิสระได้ดำเนินการทดลองแบบจับคู่เสมือน-จริงจำนวน 600 ชุด และสัมประสิทธิ์ความสัมพันธ์ของอัตราความสำเร็จของงานอยู่ที่ 0.926 ซึ่งแสดงให้เห็นว่าโมเดลโลกสามารถช่วยหุ่นยนต์ตรวจสอบกลยุทธ์ล่วงหน้าในสภาพแวดล้อมเสมือนจริง

ผู้เขียนบทความ แหล่งที่มา: GeekPark

การแข่งขันครั้งต่อไปของโมเดลโลกของหุ่นยนต์ อาจไม่ใช่เรื่องคุณภาพภาพ แต่เป็นเรื่องสถาปัตยกรรม

ผู้เขียน｜Li Yuan

แก้ไขโดย Zheng Xuan

กริปเปอร์ของหุ่นยนต์แขนกลไม่ได้จับถ้วยไว้ แต่ถ้วยกลับขึ้นมาพร้อมกับกริปเปอร์เหมือนถูกดูดด้วยแม่เหล็ก ปัญหาที่ดูเหมือนไร้เหตุผลนี้กำลังเป็นอุปสรรคต่อโมเดลหุ่นยนต์ และอุตสาหกรรมได้เรียกมันว่า “การจับแบบแม่เหล็ก”

โมเดลการสร้างวิดีโอแค่ต้องทำให้ภาพดูสมเหตุสมผลก็ถือว่าสำเร็จ; แต่โมเดลโลกไม่สามารถแค่เน้นที่ “ดูเหมือนจริง” เท่านั้น ข้อมูลการฝึกหุ่นยนต์ส่วนใหญ่มาจากตัวอย่างที่ประสบความสำเร็จ ทำให้โมเดลมักหาทางลัด: แทนที่จะเข้าใจความแตกต่างเล็กน้อยของพฤติกรรม มันจึงเลือกสร้างผลลัพธ์ที่น่าจะเป็นไปได้มากที่สุดตามภาพที่เห็น

ในโลกจริง การเบี่ยงเบนของตำแหน่งคีมเพียงไม่กี่มิลลิเมตร ก็อาจทำให้ผลลัพธ์เปลี่ยนจากจับได้ เป็นการชนถ้วยหรือแม้แต่จับไม่ได้เลย โมเดลของโลกจำเป็นต้องเข้าใจความสัมพันธ์เชิงเหตุและผลระหว่างการกระทำกับผลลัพธ์

วันที่ 27 สิงหาคม หุ่นยนต์อิสระได้เปิดตัวโมเดลโลกแบบอัตถิภาวนิยมขนาดถัดไปคือ WALL-SS โดยมุ่งหวังให้โมเดลโลกก้าวจาก “ใช้ได้” สู่ “ใช้งานง่าย” WALL-SS ไม่ได้สร้างภาพทั้งหมดในครั้งเดียว แต่ใช้วิธีการวาดอนาคตจากภาพรวมไปสู่รายละเอียด ทำให้การกระทำแต่ละอย่างสอดคล้องกับผลลัพธ์ที่แตกต่างกัน พร้อมทั้งผสานกลไกความจำระยะยาวเพื่อให้สามารถคาดการณ์ต่อเนื่องได้นานสูงสุด 60 วินาที

ผลการทดสอบแสดงว่าหลังจากจำลองต่อเนื่อง 60 วินาที WALL-SS ยังคงให้ภาพและเส้นทางการเคลื่อนไหวที่ใกล้เคียงกับวิดีโอจริงมากที่สุด โดยคะแนนการติดตามการเคลื่อนไหวอยู่ที่ 0.29 ในขณะที่ Cosmos3-Nano อยู่ที่ 0.044 และโมเดลทดสอบอื่นๆ ได้คะแนนเป็นศูนย์ สามารถกล่าวได้ว่า WALL-SS เป็นหนึ่งในไม่กี่โมเดลที่สามารถคาดการณ์ภาพให้ติดตามคำสั่งการเคลื่อนไหว

ตัวแปรอิสระยังประกาศเปิดตัว WALL-SS พร้อมกัน สำหรับโมเดลโลกของหุ่นยนต์ที่ยังไม่มีเส้นทางเทคโนโลยีที่เป็นเอกภาพ การเปิดตัวนี้ไม่ได้หมายถึงแค่การเปิดให้เข้าถึงโมเดลหนึ่ง แต่ยังเป็นการให้อุตสาหกรรมร่วมกันตรวจสอบว่า โมเดลโลกสามารถทำนายตามการกระทำได้จริงหรือไม่ และการจำลองเสมือนสามารถให้บริการหุ่นยนต์จริงได้อย่างแท้จริงหรือไม่

เมื่อรูปแบบทางเทคนิคยังไม่คงที่ การสำรวจอย่างต่อเนื่องก็คือข้อได้เปรียบเอง การสร้างปัญญาเชิงร่างกายต้องการไม่เพียงแต่อุปกรณ์ที่สามารถนำไปใช้งานได้อย่างรวดเร็ว แต่ยังต้องการบริษัทที่ท้าทายเส้นทางเดิมๆ และขยายขอบเขตของเทคโนโลยีหลัก

โลกโมเดล กลายเป็นเส้นทางหลักของปัญญาเชิงร่างกาย

ในปี 2026 โมเดลโลกกำลังกลายเป็นหนึ่งในทิศทางเทคโนโลยีที่ได้รับความสนใจมากที่สุดในด้านหุ่นยนต์

NVIDIA ยังคงพัฒนา Cosmos อย่างต่อเนื่อง และเริ่มใช้โมเดลวิดีโอโลกสำหรับการควบคุมและวางแผนหุ่นยนต์; Meta's V-JEPA 2 พยายามให้หุ่นยนต์สามารถจับสิ่งของในสภาพแวดล้อมที่ไม่คุ้นเคย โดยการคาดการณ์การเปลี่ยนแปลงของโลกทางกายภาพ ยิ่งมีการวิจัยเพิ่มขึ้นในการสำรวจการใช้โมเดลโลกแทนการทดสอบจริงบางส่วน เพื่อให้หุ่นยนต์สามารถคาดการณ์ผลลัพธ์ของกลยุทธ์ต่างๆ ในโลกเสมือนก่อนที่จะลงมือทำจริง

การเข้าใจความนิยมนี้ไม่ได้ซับซ้อนเลย แบบจำลองภาษาขนาดใหญ่เรียนรู้กฎของภาษาผ่านการคาดการณ์คำถัดไป ขณะที่แบบจำลองโลกคาดการณ์โลกในช่วงถัดไป: หุ่นยนต์เลื่อนไปทางซ้าย ถ้วยจะล้มหรือไม่; คีมบีบแน่นขึ้นอีกนิด วัตถุจะถูกจับได้หรือไม่; หากดำเนินการหนึ่งครั้งต่อเนื่องเป็นเวลาสิบวินาที ฉากสุดท้ายจะเป็นอย่างไร

สิ่งนี้มีความสำคัญเป็นพิเศษสำหรับปัญญาเชิงร่างกาย ในช่วงไม่กี่ปีที่ผ่านมา อุตสาหกรรมส่วนใหญ่ได้แก้ปัญหาเกี่ยวกับ “วิธีการ” ของหุ่นยนต์ โดย VLA สามารถส่งออกการกระทำโดยตรงจากคำสั่งทางภาพและภาษา แต่เมื่อความสามารถของหุ่นยนต์ดีขึ้น ปัญหาใหม่หนึ่งข้อจึงเริ่มเด่นชัดยิ่งขึ้น: วิธีการประเมินว่ากลยุทธ์ชุดหนึ่งดีหรือไม่

หากการวนซ้ำแบบจำลองแต่ละครั้งต้องพึ่งการทดสอบบนอุปกรณ์จริง ต้นทุนจะสูงและใช้เวลานาน ทำให้กลายเป็นข้อจำกัดในการฝึกอบรมและวนซ้ำ แม้การจำลองแบบดั้งเดิมจะสามารถรับผิดชอบการทดสอบบางส่วนได้ แต่ต้องมีการสร้างแบบจำลองวัสดุ แรงเสียดทาน การเปลี่ยนรูปร่าง และความสัมพันธ์การสัมผัสด้วยมือ ซึ่งยากที่จะครอบคลุมความซับซ้อนของโลกจริง ขณะที่แบบจำลองโลกพยายามเรียนรู้ว่าโลกเปลี่ยนแปลงอย่างไรจากวิดีโอจริงและข้อมูลการโต้ตอบของหุ่นยนต์ เพื่อให้หุ่นยนต์สามารถทำนายและตรวจสอบกลยุทธ์ซ้ำๆ ในสภาพแวดล้อมเสมือนจริง

มันยังสามารถมีส่วนร่วมในการตัดสินใจของหุ่นยนต์ได้อีก หลังจาก VLA เห็นถ้วยแล้วตัดสินใจ “หยิบมันขึ้นทันที” โมเดลโลกสามารถคาดการณ์ผลลัพธ์ของพฤติกรรมต่างๆ ก่อนช่วยให้หุ่นยนต์เลือกกลยุทธ์ที่เหมาะสมกว่า—จาก “กระทำทันที” สู่ “จินตนาการก่อนกระทำ”

แต่เพื่อให้เป็นโครงสร้างพื้นฐานของปัญญาเชิงร่างกายอย่างแท้จริง โมเดลโลกในปัจจุบันยังคงเผชิญกับอุปสรรคสำคัญสามประการ

ประการแรกคือความสอดคล้องเชิงเหตุและผลระหว่างการกระทำกับผลลัพธ์ โมเดลไม่สามารถสร้างภาพที่สอดคล้องกับสิ่งที่คาดหวังเพียงอย่างเดียว แต่ต้องสะท้อนผลลัพธ์ที่เกิดจากการกระทำอย่างแม่นยำ มิฉะนั้น กลยุทธ์ที่แท้จริงแล้วจับถ้วยไม่ได้ ก็อาจถูกประเมินว่าประสบความสำเร็จในโลกเสมือน

ประการที่สองคือความสามารถในการพยากรณ์ระยะยาว งานของหุ่นยนต์มักจะดำเนินต่อเนื่องเป็นเวลาหลายสิบวินาทีหรือนานกว่านั้น โมเดลจำเป็นต้องใช้การพยากรณ์ของตนเองเป็นข้อมูลป้อนสำหรับช่วงถัดไป ข้อผิดพลาดเล็กน้อยใดๆ ก็ตามอาจสะสมขึ้นในกระบวนการพยากรณ์อย่างต่อเนื่อง

ประการที่สามคือความสอดคล้องระหว่างการจำลองเสมือนกับการดำเนินการจริง แม้การสร้างแบบจำลองจะดูสมจริงเพียงใดหรือการจำลองจะยาวนานเพียงใด ก็ไม่ได้หมายความว่าแบบจำลองสามารถประเมินกลยุทธ์หุ่นยนต์ได้อย่างแท้จริง เฉพาะเมื่อผลลัพธ์ในโลกเสมือนสามารถสร้างความสัมพันธ์ที่มั่นคงกับผลลัพธ์จริง แบบจำลองโลกจึงจะมีคุณค่าในการแทนที่การทดลองและข้อผิดพลาดจริงบางส่วน

อุปสรรคทั้งสามข้อนี้กำลังกลายเป็นหัวใจของการแข่งขันในระยะถัดไปของโมเดลโลก

WALL-SS ปรับปรุงโมเดลโลกจากโครงสร้างพื้นฐาน

WALL-SS เป็นความพยายามใหม่เพื่อแก้ไขปัญหาเหล่านี้ ตามที่อธิบายในเอกสารวิจัย มันเป็นโมเดลโลกตัวแรกที่ใช้สถาปัตยกรรมการถดถอยแบบช่วงถัดไป

ก่อนหน้านี้ โมเดลโลกจำนวนมากใช้แนวคิดของ Video Diffusion: รับข้อมูลภาพและพฤติกรรมในอดีต แล้วสร้างวิดีโอในอนาคตผ่านกระบวนการลดสัญญาณรบกวนหลายรอบ แม้ว่าพฤติกรรมจะเป็นเงื่อนไขในการสร้าง แต่ไม่ได้ถูกเขียนอย่างชัดเจนในห่วงโซ่การสร้าง “พฤติกรรม → ผลลัพธ์” จึงทำให้โมเดลมักพึ่งพาความรู้เชิงภาพ โดยคาดการณ์อนาคตที่ “มีโอกาสสูงที่จะสำเร็จ” โดยตรง—แม้ว่ากริปเปอร์จะไม่ได้จับถ้วยจริงๆ ก็ยังอาจสร้างภาพถ้วยที่ถูกยกขึ้นอย่างสำเร็จ

WALL-SS จัดระเบียบการสังเกตและการกระทำเป็นลำดับเหตุและผลแบบ “การสังเกต—การกระทำ—การสังเกตใหม่” เพื่อให้การกระทำมีส่วนร่วมในการสร้างสถานะในอนาคต กล่าวอย่างง่ายคือ กำหนดก่อนว่าโลกจะเปลี่ยนแปลงอย่างไร แล้วจึงเติมรายละเอียดทีละระดับ: ระดับหยาบกำหนดสถานะโดยรวมของหุ่นยนต์และวัตถุ ระดับละเอียดจึงค่อยๆ สร้างภาพการเคลื่อนไหวและการสัมผัสให้สมบูรณ์ยิ่งขึ้น พร้อมกับใช้ข้อมูลความล้มเหลว การรับควบคุม และการแก้ไขเพื่อให้โมเดลเรียนรู้ว่า “การกระทำที่ต่างกัน จะให้ผลลัพธ์ที่ต่างกัน”

ความสามารถนี้ได้รับการยืนยันผ่านตัวชี้วัด คะแนนการติดตามการกระทำของ WALL-SS อยู่ที่ 0.29 และความแม่นยำของเส้นทางอยู่ที่ 0.539 ในขณะที่ Cosmos3-Nano มีคะแนนการติดตามการกระทำเพียง 0.044 โมเดลอื่นๆ ได้คะแนนเป็นศูนย์ทั้งหมด

ปัญหาสำคัญอีกประการหนึ่งคือ โมเดลโลกสามารถ “จดจำได้นานพอ” หรือไม่ WALL-SS ใช้หน่วยความจำระยะยาวแบบหลายระดับขนาดเพื่อรักษารายละเอียดในช่วงใกล้เคียง บีบอัดประวัติระยะไกล และให้โมเดลสามารถดำเนินการพยากรณ์ต่อจากผลลัพธ์ที่มันคาดการณ์เองระหว่างการฝึกฝน ซึ่งช่วยลดปัญหาข้อผิดพลาดที่สะสมอย่างต่อเนื่อง ทำให้โมเดลสามารถพยากรณ์ต่อเนื่องได้ถึง 60 วินาที ในขณะที่โมเดลอื่นๆ มักมีขีดจำกัดอยู่ที่ 20-30 วินาที

ที่สำคัญกว่านั้น ความสามารถเหล่านี้ได้รับการทดสอบบนอุปกรณ์จริงแล้ว ตัวแปรอิสระได้ให้กลยุทธ์เดียวกันดำเนินการบน WALL-SS และหุ่นยนต์จริง โดยดำเนินการทดลองจับคู่เสมือนกับจริงจำนวน 600 ชุด ผลลัพธ์แสดงว่า สัมประสิทธิ์สหสัมพันธ์ของอัตราความสำเร็จของงานทั้งสองอยู่ที่ 0.926 และความแม่นยำในการจัดอันดับความแข็งแกร่งของกลยุทธ์ต่างๆ อยู่ที่ 89%

นี่หมายความว่าโมเดลโลกเริ่มมีคุณค่าที่สำคัญยิ่งขึ้น: ไม่ใช่แค่สร้างอนาคตที่ “ดูเหมือนจริง” แต่ยังสามารถช่วยหุ่นยนต์ตัดสินใจว่าการกระทำต่างๆ จะนำไปสู่ผลลัพธ์ใด และทดสอบกลยุทธ์ล่วงหน้าในโลกเสมือน

แน่นอน ปัจจุบัน WALL-SS ยังมีข้อจำกัดอยู่ การป้อนข้อมูลการกระทำประกอบด้วยตำแหน่ง ทิศทาง และการเปิดปิดของก้ามจับที่ปลายแขนกล แต่ไม่รวมสถานะข้อต่อทั้งหมด แรง และโมเมนต์ ดังนั้น การรองรับการสัมผัสที่ละเอียดอ่อนและมืออัจฉริยะหลายนิ้วยังต้องได้รับการยืนยันเพิ่มเติม

เมื่อเส้นทางยังไม่คงที่ ให้ดำเนินการสร้างนวัตกรรมด้านสถาปัตยกรรมอย่างต่อเนื่อง

WALL-SS ไม่ใช่ผลลัพธ์ของการตามกระแสโมเดลโลกอย่างฉับพลันของ Zi Duan Xiang

WALL-OSS ผ่านการฝึกล่วงหน้าแบบหลายโมดัลในขนาดใหญ่ รวมภาพ ภาษา และการเคลื่อนไหวของหุ่นยนต์เข้าไว้ในโมเดลพื้นฐานแบบมีร่างกายเดียวกัน; WALL-OSS-0.5 ผลักดันความสามารถในการฝึกล่วงหน้าให้สามารถถ่ายโอนไปยังหุ่นยนต์จริงได้; จากนั้น WALL-WM เริ่มสร้างแบบจำลองร่วมกันระหว่างการเปลี่ยนแปลงของโลกกับการเคลื่อนไหวของหุ่นยนต์ ในขณะที่ X-Tokenizer สำรวจวิธีการนำหุ่นยนต์และพฤติกรรมต่างๆ ให้เข้าสู่โมเดลเดียวกัน เมื่อถึง WALL-SS เส้นทางนี้ชี้ไปยังคำถามหลักอีกข้อหนึ่ง: หลังจากดำเนินการเคลื่อนไหวหนึ่งครั้ง โลกจะเกิดการเปลี่ยนแปลงอะไรขึ้น

การสำรวจชุดนี้ได้รับแรงผลักดันจากการลงทุนระยะยาวในการสร้างแบบจำลองแบบรวมของ “โลก-การกระทำ” หุ่นยนต์ไม่เพียงแต่ต้องสามารถกระทำได้ แต่ยังต้องสามารถคาดการณ์ผลลัพธ์ของการกระทำ และปรับพฤติกรรมของตนเองตามผลลัพธ์ที่ได้รับ พร้อมกับการสะสมแบบจำลอง ข้อมูล ปรัชญา และประสบการณ์จริงอย่างต่อเนื่อง การสำรวจเหล่านี้จึงค่อยๆ ก่อตัวเป็นวงจรเทคโนโลยีที่มีการตอบสนองซึ่งกันและกัน

โครงสร้างพื้นฐานของปัญญาเชิงร่างกายยังไม่ได้รวมตัวกันอย่างแน่นอน ในขั้นตอนนี้ สิ่งที่สำคัญที่สุดไม่ใช่การเดิมพันให้ถูกต้องกับคำตอบสุดท้ายในแต่ละครั้ง แต่คือความสามารถในการเสนอสมมติฐานโครงสร้างใหม่อย่างต่อเนื่อง ตรวจสอบด้วยข้อมูลและเครื่องจริง แล้วปรับเส้นทางตามผลลัพธ์ที่ได้

การเปิดตัว WALL-SS ในครั้งนี้เป็นการต่อเนื่องจากแนวคิดดังกล่าว การเปิดตัวไม่ใช่เพียงแค่โมเดลหนึ่ง แต่เป็นเส้นทางเทคโนโลยีที่อุตสาหกรรมสามารถร่วมกันยืนยันได้: การถดถอยในขนาดถัดไปจะเหมาะสมกว่าสำหรับหุ่นยนต์หรือไม่ การกระทำและผลลัพธ์สามารถสอดคล้องกันได้จริงหรือไม่ การทดสอบในสภาพแวดล้อมเสมือนสามารถสะท้อนประสิทธิภาพของหุ่นยนต์จริงได้หรือไม่ นักวิจัยสามารถใช้สิ่งนี้เป็นพื้นฐานในการสำรวจต่อไป ขณะที่บริษัทหุ่นยนต์สามารถตรวจสอบได้โดยตรงว่ามันสามารถนำไปใช้ในระบบการฝึกอบรมและการประเมินผลของตนได้หรือไม่

นี่ยังมีความหมายสำคัญต่ออุตสาหกรรมปัญญาประดิษฐ์แบบมีร่างกายในระยะเริ่มต้น: ลดต้นทุนการสำรวจอุตสาหกรรม และทำให้เส้นทางต่างๆ ได้รับการทดสอบในแอปพลิเคชันจริง

ในช่วงไม่กี่ปีที่ผ่านมา การแข่งขันด้านปัญญาเชิงร่างกายในประเทศมุ่งเน้นไปที่ตัวร่างกาย ข้อมูล และการนำผลิตภัณฑ์ไปใช้งานจริง แต่สำหรับอุตสาหกรรมที่ยังไม่ได้รูปแบบชัดเจน ไม่สามารถรอให้โครงสร้างที่สุกงอมปรากฏขึ้นก่อนจึงจะเริ่มตามทันได้ จำเป็นต้องมีผู้เข้ามาลงลึกในระดับพื้นฐาน เช่น โมเดลโลก การแทนที่การกระทำ และรูปแบบการเรียนรู้ เพื่อค้นหาความเป็นไปได้ถัดไปอย่างต่อเนื่อง

WALL-SS แน่นอนไม่ใช่คำตอบสุดท้าย แต่มันแสดงถึงการเปลี่ยนแปลง: บริษัทในประเทศเริ่มไม่เพียงแต่ตามเส้นทางที่มีอยู่แล้ว แต่ยังเสนอสมมติฐานด้านสถาปัตยกรรมของตนเอง และเปิดให้ภาคอุตสาหกรรมตรวจสอบ

เมื่อเส้นทางเทคโนโลยีเปลี่ยนแปลงอย่างแท้จริง สิ่งที่ตัดสินบริษัทหนึ่งๆ ไม่ใช่แค่ว่ามันตามทันรุ่นก่อนหน้าหรือไม่ แต่คือมันยังคงรักษาความสามารถในการค้นหาเทคโนโลยีรุ่นถัดไปไว้ได้หรือไม่