เกิดอะไรขึ้น: NVIDIA จับมือ Hugging Face เปิดคลังหุ่นยนต์สู่สาธารณะ
NVIDIA และ Hugging Face ประกาศความร่วมมือรอบใหม่ในการนำโมเดลและเครื่องมือพัฒนาหุ่นยนต์ระดับแนวหน้าเข้าสู่ LeRobot ซึ่งเป็นไลบรารีโอเพนซอร์สสำหรับงานหุ่นยนต์ของ Hugging Face โดยรอบนี้เปิดให้นักพัฒนาเข้าถึงโมเดล Isaac GR00T 1.7 ซึ่งเป็นโมเดลพื้นฐานแบบ vision-language-action (VLA) สำหรับหุ่นยนต์ฮิวแมนนอยด์ที่เปิดให้ใช้เชิงพาณิชย์ได้ พร้อมเฟรมเวิร์ก Isaac Teleop สำหรับเก็บข้อมูลการสาธิตจากมนุษย์ในรูปแบบมาตรฐาน และมีแผนจะนำ Cosmos 3 ซึ่งเป็น world model สำหรับ physical AI เข้ามาเชื่อมต่อในลำดับถัดไป
ความเคลื่อนไหวนี้ต่อยอดจากความร่วมมือที่เริ่มมาตั้งแต่ปลายปี 2024 และขยายผลต่อเนื่อง โดยปัจจุบันระบบนิเวศ LeRobot ครอบคลุมตั้งแต่ชุดข้อมูล physical AI แบบเปิดที่มีข้อมูลการเคลื่อนไหวจริงและจำลองกว่า 350,000 เส้นทาง เครื่องมือจำลองสถานการณ์อย่าง Isaac Sim และ Isaac Lab ไปจนถึงฮาร์ดแวร์ราคาเข้าถึงได้อย่างแขนกล SO-101 ที่ใช้ฝึกหัดได้ในระดับบุคคล NVIDIA ระบุว่าความร่วมมือนี้เชื่อมนักพัฒนาหุ่นยนต์ราว 3 ล้านคนของตนเข้ากับชุมชนผู้สร้าง AI กว่า 16 ล้านคนของ Hugging Face
ทำไมเรื่องนี้จึงสำคัญ: กำแพงต้นทุนที่เคยกั้นกำลังพังลง
ที่ผ่านมาการพัฒนาหุ่นยนต์อุตสาหกรรมด้วย AI เป็นเกมของบริษัทขนาดใหญ่ เพราะแต่ละขั้นตอนล้วนมีต้นทุนสูง ชุดข้อมูลการเคลื่อนไหวของหุ่นยนต์ต้องใช้เงินมหาศาลในการเก็บ โมเดลพื้นฐานถูกเก็บอยู่ในห้องแล็บของบริษัทเอกชน และระบบจำลองสถานการณ์แต่ละค่ายก็ไม่เชื่อมต่อกัน สิ่งที่ LeRobot กับ NVIDIA กำลังทำคือการเปิดองค์ประกอบทั้งหมดนี้ให้เป็นสาธารณะ ตั้งแต่โมเดล ข้อมูล เครื่องมือจำลอง ไปจนถึงเวิร์กโฟลว์การนำไปใช้งานจริงบนชิป Jetson
โครงสร้างการทำงานคล้ายกับสิ่งที่เกิดขึ้นกับโมเดลภาษาในช่วงหลายปีที่ผ่านมา นั่นคือเมื่อโมเดลพื้นฐานเปิดให้ดาวน์โหลด นักพัฒนาไม่ต้องเริ่มจากศูนย์ แต่สามารถนำโมเดลที่ฝึกมาแล้วไปปรับจูนกับงานเฉพาะของตนเองด้วยข้อมูลจำนวนไม่มาก ในโลกหุ่นยนต์หมายความว่าโรงงานหรือผู้พัฒนาระบบสามารถฝึกหุ่นยนต์ให้ทำงานเฉพาะทาง เช่น หยิบจับชิ้นงาน ประกอบชิ้นส่วน หรือคัดแยกสินค้า โดยเริ่มจากโมเดลที่เข้าใจการเคลื่อนไหวพื้นฐานอยู่แล้ว แล้วสอนเพิ่มด้วยการสาธิตจากมนุษย์ผ่านระบบ teleoperation
อย่างไรก็ตาม งานหุ่นยนต์ยังมีความท้าทายที่โมเดลภาษาไม่เจอ คือช่องว่างระหว่างโลกจำลองกับโลกจริง (sim-to-real gap) นโยบายควบคุมที่ทำงานได้ดีในระบบจำลองอาจล้มเหลวเมื่อเจอสัญญาณรบกวนจากเซนเซอร์หรือฟิสิกส์ที่ระบบจำลองไม่ได้ครอบคลุม การทดสอบกับหุ่นยนต์จริงยังใช้เวลาและมีความเสี่ยงต่ออุปกรณ์ราคาแพง จุดนี้เองที่เครื่องมืออย่าง world model และแพลตฟอร์มประเมินผลในระบบจำลองถูกออกแบบมาช่วยลดช่องว่าง
มุมมองต่อไทย: โอกาสของ SME และ System Integrator
ประเทศไทยผลักดันอุตสาหกรรมหุ่นยนต์และระบบอัตโนมัติเป็นหนึ่งในอุตสาหกรรมเป้าหมาย S-curve มาต่อเนื่อง ข้อมูลจากรายงาน World Robotics ระบุว่าไทยติดตั้งหุ่นยนต์อุตสาหกรรมราว 3,300 ตัวในปี 2022 อยู่อันดับ 14 ของโลกและอันดับ 2 ของอาเซียนรองจากสิงคโปร์ โดยกระจุกตัวในอุตสาหกรรมยานยนต์ อิเล็กทรอนิกส์ และอาหาร ขณะเดียวกันโครงสร้างประชากรที่เข้าสู่สังคมสูงวัยเต็มรูปแบบทำให้แรงกดดันเรื่องแรงงานในภาคการผลิตเพิ่มขึ้นทุกปี
โอกาสที่เปิดขึ้น
สำหรับผู้ประกอบการไทย คลื่นโอเพนซอร์สรอบนี้เปลี่ยนสมการต้นทุนอย่างมีนัยสำคัญ บริษัท System Integrator ของไทยที่เดิมทำหน้าที่ติดตั้งและปรับแต่งหุ่นยนต์จากผู้ผลิตต่างชาติ สามารถขยับขึ้นมาพัฒนาความสามารถของหุ่นยนต์เองได้ เพราะโมเดลพื้นฐาน ชุดข้อมูล และเครื่องมือฝึกเปิดให้ใช้ฟรี ต้นทุนหลักที่เหลือคือฮาร์ดแวร์สำหรับประมวลผลและทีมวิศวกรที่เข้าใจทั้งงานหุ่นยนต์และ machine learning ส่วนสถาบันการศึกษาก็สามารถใช้ชุดฮาร์ดแวร์ราคาประหยัดอย่าง SO-101 ประกอบกับหลักสูตร robot learning แบบเปิด สร้างห้องปฏิบัติการที่นักศึกษาได้ลงมือจริงโดยไม่ต้องรองบประมาณหลักสิบล้าน
ความเสี่ยงที่ตามมา
ด้านกลับของโอกาสคือความเร็ว เมื่อเครื่องมือเปิดให้ทุกคนทั่วโลกพร้อมกัน ความได้เปรียบจะตกอยู่กับประเทศที่มีคนพร้อมใช้เครื่องมือเหล่านั้นก่อน คำถามสำคัญของไทยจึงไม่ใช่การเข้าถึงเทคโนโลยี แต่เป็นกำลังคน ทักษะที่ต้องการไม่ใช่แค่วิศวกรเมคคาทรอนิกส์แบบเดิม แต่เป็นคนที่ผสมความรู้ด้านหุ่นยนต์เข้ากับการฝึกโมเดล AI การจัดการชุดข้อมูล และการทำงานกับระบบจำลอง ซึ่งเป็นชุดทักษะที่หลักสูตรส่วนใหญ่ในระบบการศึกษาไทยยังผลิตได้จำกัด หากช่องว่างนี้ไม่ถูกปิดเร็วพอ ผลลัพธ์อาจกลายเป็นโรงงานไทยนำเข้าโซลูชันสำเร็จรูปจากต่างชาติเช่นเดิม เพียงแต่เปลี่ยนจากซื้อฮาร์ดแวร์เป็นซื้อบริการ AI แทน
จับตาอะไรต่อ
สิ่งที่ควรติดตามในระยะ 1-2 ปีข้างหน้ามีอย่างน้อยสามเรื่อง เรื่องแรกคือการมาถึงของ Cosmos 3 ใน LeRobot ซึ่งจะช่วยให้การสร้างข้อมูลฝึกด้วยระบบจำลองถูกลงและสมจริงขึ้น ลดอุปสรรคเรื่องข้อมูลที่เป็นคอขวดใหญ่ที่สุดของงานหุ่นยนต์ เรื่องที่สองคือท่าทีของหน่วยงานส่งเสริมของไทย ทั้งมาตรการ BOI สำหรับผู้ใช้และผู้ผลิตระบบอัตโนมัติ และการปรับหลักสูตรของสถาบันการศึกษาให้ทันชุดทักษะใหม่ เรื่องที่สามคือการทดลองจริงของภาคเอกชนไทย ว่าจะมีบริษัทกลุ่มแรกที่นำโมเดลเปิดเหล่านี้ไปสร้างโซลูชันเชิงพาณิชย์สำหรับโรงงานในประเทศได้เร็วแค่ไหน เพราะรอบนี้เส้นสตาร์ทของทุกประเทศอยู่ใกล้กันกว่าที่เคยเป็นมา
