Embodied AI

Embodied AI คือระบบ AI ที่มีร่างกายทางกายภาพ ซึ่งส่วนใหญ่หมายถึงหุ่นยนต์ โดยมีความสามารถด้านการรับรู้และการเคลื่อนไหวเพื่อโต้ตอบกับโลกจริง แนวคิดตั้งต้นของสายวิจัยนี้คือข้อเสนอว่าปัญญาประดิษฐ์ที่แท้จริงจะเกิดขึ้นได้เฉพาะกับเครื่องที่มีทักษะการรับรู้และการเคลื่อนไหว และเชื่อมกับโลกผ่านร่างกาย ความต่างจาก AI ที่ทำงานกับข้อความล้วนอยู่ที่ตัวงาน คือแทนที่จะจัดการกับสัญลักษณ์และตัวหนังสือ ระบบต้องรับข้อมูลจากเซ็นเซอร์จริงแล้วสั่งการเคลื่อนไหวจริง

สิ่งที่ทำให้การเรียนรู้ในโลกกายภาพยากกว่าในซอฟต์แวร์อย่างมากมีหลายชั้น เอกสารระบุว่าการมีร่างกายสร้างความยากเฉพาะตัว ทั้งมิติข้อมูลที่สูงมาก และข้อจำกัดด้านเวลาจริงในการเก็บข้อมูลและเรียนรู้ ต่างจากซอฟต์แวร์ที่วนทดลองซ้ำได้เร็วโดยไม่มีข้อจำกัดทางกายภาพ หุ่นยนต์ต้องรับมือกับข้อมูลเซ็นเซอร์แบบเรียลไทม์ ความหน่วงของกลไก และความจำเป็นที่จะต้องสำรวจอย่างปลอดภัยโดยไม่ทำตัวเองพัง ซึ่งเป็นข้อจำกัดที่ระบบซอฟต์แวร์ล้วนไม่มี วิธีที่ใช้กันคือการเรียนรู้แบบเลียนแบบและ reinforcement-learning

ปี 2026 สายนี้เริ่มมีของที่จับต้องได้มากขึ้น เดือนกรกฎาคมมีการปล่อยชุดรันโมเดลแบบพกพาสำหรับโมเดล embodied AI บนหุ่นยนต์ และมีการปล่อยโมเดลนำทางขนาด 8B ที่ใช้กล้องธรรมดาตัวเดียว ทิศทางที่เห็นคือการย่อโมเดลให้เล็กพอจะรันบนตัวหุ่นเองแทนที่จะพึ่งการเชื่อมต่อกลับไปยังเซิร์ฟเวอร์ ซึ่งเป็นเหตุผลเดียวกับ edge-ai คือหุ่นยนต์รอเน็ตไม่ได้ สำหรับองค์กรไทยโดยเฉพาะภาคการผลิตและโลจิสติกส์ สิ่งที่ควรรู้คือความก้าวหน้าฝั่งนี้ยังตามหลังฝั่งข้อความอยู่มาก ตัวเลขความสำเร็จของงานที่ต้องหยิบจับของจริงยังต่ำกว่างานที่ทำบนหน้าจอมาก การประเมินโครงการจึงควรตั้งอยู่บนการทดสอบในสภาพแวดล้อมจริงของตัวเอง ไม่ใช่วิดีโอสาธิตที่ถ่ายในห้องทดลอง

ตัวอย่างจากบทสนทนาจริง

ผู้จัดการคลังสินค้า: "เห็นคลิปหุ่นยนต์หยิบของแล้วดูเก่งมากครับ ถ้าเอามาใช้ในคลังเราจะแทนคนหยิบของได้เลยไหม"

ที่ปรึกษา: "ต้องทดสอบในคลังจริงก่อนครับ วิดีโอสาธิตส่วนใหญ่ถ่ายในสภาพแวดล้อมที่คุมไว้ ของวางเป็นระเบียบ แสงคงที่ ส่วนคลังจริงของกองซ้อนกัน กล่องบุบ ฉลากหันคนละทาง ซึ่งเป็นจุดที่ระบบพวกนี้ยังพลาดเยอะ ความยากของ AI ที่มีร่างกายอยู่ตรงที่โลกจริงไม่ให้โอกาสลองผิดฟรีเหมือนซอฟต์แวร์ ผมเสนอให้เริ่มจากงานที่ของเป็นมาตรฐานเดียวกันก่อน เช่น ลังขนาดเดียวบนสายพาน แล้วค่อยขยายครับ"

ระวังสับสนกับ

• computer-use : computer use คือการให้ AI ควบคุมหน้าจอคอมพิวเตอร์แทนคน ซึ่งยังเป็นโลกดิจิทัลทั้งหมด ส่วน embodied AI ลงมือในโลกกายภาพจริงที่มีแรงโน้มถ่วงและของที่พังได้
• computer-vision : computer vision คือความสามารถในการเข้าใจภาพ ซึ่งเป็นชิ้นส่วนที่ embodied AI ต้องมี แต่ยังไม่พอ เพราะต้องมีการวางแผนและการสั่งการเคลื่อนไหวประกอบด้วย
• agent : agent ในความหมายที่ใช้กันทุกวันนี้ทำงานบนซอฟต์แวร์ เช่น แก้ไฟล์และเรียกเครื่องมือ ส่วน embodied AI คือ agent ที่ลงมือในโลกจริง ซึ่งความผิดพลาดมีต้นทุนทางกายภาพที่ย้อนกลับไม่ได้