Why is AI development faster than robotics?
ทำไม AI พัฒนาเร็วกว่า วงการ robotics เยอะ?
-- ความคิดเห็นจาก Sara Hooker --
ความแตกต่างนี้ไม่ได้เกิดจากวงการ robotics ขาดคนเก่งหรือไม่มีความคืบหน้า แต่เกิดจาก AI และ robotics เข้าถึง "ตัวเร่ง" สำคัญได้ไม่เท่ากัน
ตัวเร่งแรกคือ civilizational knowledge หรือองค์ความรู้ที่มนุษย์สะสมไว้ตลอดประวัติศาสตร์ เมื่อ Transformers สามารถประมวลผล text ได้ดีพอ AI ก็เข้าถึงหนังสือ บทความ เว็บไซต์ เอกสาร และ code จำนวนมหาศาลได้ทันที
ประเด็นสำคัญจึงไม่ใช่เพียงว่า language มีคุณสมบัติพิเศษ แต่คือมนุษย์ใช้ language เป็นสื่อหลักในการบันทึกความรู้มาเป็นเวลานาน ข้อมูลสำหรับฝึก AI จึงมีอยู่ก่อนแล้วในปริมาณมหาศาล
แต่วงการ robotics ไม่มีคลังข้อมูลในลักษณะเดียวกัน งานทางกายภาพจำนวนมากเป็นสิ่งที่มนุษย์ทำได้โดยแทบไม่ต้องคิด เราจึงไม่ค่อยเขียนอธิบายอย่างละเอียดว่าควรหยิบเสื้อ แยกผ้า ใส่เครื่องซักผ้า หรือพับผ้าอย่างไร และไม่ได้ถ่ายวิดีโอกิจวัตรธรรมดาเหล่านี้ไว้อย่างเป็นระบบ
ตัวเร่งที่สองคือ verifiable rewards โดยเฉพาะในงาน code เพราะ code สามารถ compile, run tests และตรวจผลลัพธ์ได้แทบจะทันที ระบบจึงได้รับ feedback ที่ชัดเจนว่าสิ่งที่ทำสำเร็จหรือไม่สำเร็จ ทำให้วงจรการฝึกและปรับปรุงเกิดขึ้นได้รวดเร็วมาก
วงการ robotics ทำให้วงจรนี้ซับซ้อนขึ้น ต่อให้ code ถูกต้อง หุ่นยนต์ก็ยังล้มเหลวได้จาก hardware ที่ตอบสนองไม่ดี การสึกหรอ การ calibrate ที่คลาดเคลื่อน หรือสภาพแวดล้อมจริงที่ต่างจากตอนฝึก
งานในโลกจริงยังมักไม่มีคำตอบที่ถูกต้องเพียงคำตอบเดียว การเดินทางจากจุด A ไปจุด B อาจทำได้หลายวิธี และระหว่างทางก็ยากที่จะกำหนด intermediate rewards ว่าการเคลื่อนไหวแต่ละช่วง "ดี" แค่ไหน ปัญหาประเภท partial rewards และ non-verifiable outcomes จึงเป็นข้อจำกัดสำคัญของ AI ปัจจุบัน
อย่างไรก็ตาม การสร้าง synthetic data กำลังถูกลงและทำได้ง่ายขึ้น จึงอาจช่วยลดช่องว่างด้านข้อมูลของวงการ robotics ได้ นอกจากนี้ ปัญหา non-verifiable rewards ก็ไม่ได้จำกัดอยู่เฉพาะใน robotics หากแก้ปัญหานี้ได้ ความก้าวหน้าที่เกิดขึ้นก็น่าจะเป็นประโยชน์ต่อ AI ด้านอื่นด้วย
สิ่งที่ยังหลีกเลี่ยงไม่ได้คือการเก็บ real-world data ในปริมาณมาก นี่เป็นเหตุผลหนึ่งที่ frontier AI labs สนใจ wearables และมี startup บางแห่งเสนอบริการทำความสะอาดบ้านโดยไม่คิดค่าใช้จ่าย เพื่อแลกกับโอกาสเก็บข้อมูลการทำงานในสภาพแวดล้อมจริง
ข้อมูลเหล่านี้ต้องครอบคลุม distributions ที่หลากหลาย ทั้งรูปแบบบ้าน วัตถุ อุปกรณ์ พฤติกรรมมนุษย์ และเหตุการณ์ผิดปกติที่พบไม่บ่อย จึงต้องใช้ทั้งเงินลงทุน การใช้งานในวงกว้าง และเวลาในการสะสมข้อมูล
ข้อจำกัดพื้นฐานตามข้อเสนอของเธอคือ deep neural networks "ไม่รู้ว่าตัวเองไม่รู้อะไร" และต้องใช้ทรัพยากรสูงมากในการเรียนรู้ long-tail (กรณีหายากจำนวนมากซึ่งแต่ละกรณีแตกต่างกัน) ในโลกจริง กรณีเหล่านี้อาจทำให้หุ่นยนต์ทำงานผิดพลาดหรือไม่ปลอดภัยได้โดยตรง
-- ความเห็นส่วนตัว --
อีกส่วนที่ทำให้วงการ robotics ยากคือการมี hardware layer เพิ่มเข้ามา การทำ research ไม่ได้ต้องการเพียง model, data และ compute แต่ยังต้องมีหุ่นยนต์จริงที่เชื่อถือได้ ซ่อมบำรุงได้ และรองรับการทดลองซ้ำจำนวนมาก
เท่าที่เคยได้ยินมา robot platforms ที่นักวิจัยใน academic สามารถเข้าถึงได้จริงและเอื้อต่อการทำ research ยังมีตัวเลือกไม่มากนัก ข้อจำกัดนี้อาจทำให้การเริ่มทดลองและการเก็บข้อมูลทำได้ยากกว่างานบนโลก digital แต่ก็ไม่ได้หมายความว่าวงการ robotics ไม่มีความคืบหน้า
ตัวอย่างที่น่าสนใจคือ Physical Intelligence ซึ่งกำลังพัฒนา robotic foundation models ผ่าน VLA (Vision-Language-Action) models เพื่อเชื่อมสิ่งที่หุ่นยนต์มองเห็น คำสั่งที่ได้รับ และการกระทำทางกายภาพเข้าด้วยกัน
π0 รุ่นแรกเริ่มจาก pre-trained VLM แล้วเพิ่ม action expert ซึ่งสร้าง continuous actions ผ่าน flow matching วิธีนี้เหมาะกับการควบคุมที่ต้องการความละเอียดและความถี่สูง จึงยังไม่ใช่การสร้าง action token แบบเดียวกับ language token โดยตรง
ส่วนงาน FAST และ π0-FAST พยายาม represent action sequence ของหุ่นยนต์เป็น discrete action tokens แล้วฝึก autoregressive Transformer ด้วย next-token prediction คล้ายกับวิธีฝึก language model ขณะที่ π0.5 ใช้แนวทางแบบผสม โดยช่วง pre-training ให้ Transformer ทำนายทั้ง text, object locations และ FAST action tokens ก่อนใช้ action expert สร้าง continuous actions สำหรับการควบคุมจริง
แนวทางนี้น่าสนใจเพราะเป็นความพยายามนำตัวเร่งจากโลกของ foundation models มาใช้กับวงการ robotics โดยทำให้ action สามารถฝึกร่วมกับ vision และ language ภายใน Transformer-based model ได้ แม้ปัญหาเรื่อง real-world data, hardware และการตรวจสอบผลลัพธ์ในโลกจริงจะยังคงอยู่ก็ตาม
ดังนั้นความเร็วที่ต่างกันไม่ได้แปลว่าวงการ robotics หยุดนิ่ง แต่สะท้อนว่าการนำ AI ออกจากโลกของ text และ code ไปสู่โลกทางกายภาพ ต้องแก้ปัญหาเพิ่มขึ้นอีกหลายชั้น ทั้ง data, rewards, hardware และ long-tail ของสถานการณ์จริง
X thread ของ Sara Hooker: https://x.com/sarahookr/status/2091604930759205286
Physical Intelligence: https://www.pi.website/