ยุคเงินแห่งปัญญาประดิษฐ์เชิงกายภาพ: การเจาะลึก

บทความนี้สำรวจสถานะปัจจุบันของปัญญาประดิษฐ์เชิงกายภาพ โดยอธิบายว่าเป็น "ยุคเงิน" ซึ่งเป็นช่วงเวลาของการสำรวจอย่างเข้มข้นระหว่างการเกิดขึ้นครั้งแรกและความสมบูรณ์เต็มที่ของเทคโนโลยี การอภิปรายหมุนรอบการประชุมโต๊ะกลมที่งาน Volcano Engine FORCE ซึ่งผู้เชี่ยวชาญจากหลากหลายสาขาได้สำรวจศักยภาพของโมเดลขนาดใหญ่ในการเร่งการพัฒนาหุ่นยนต์

ความเป็นมา

ความก้าวหน้าอย่างรวดเร็วของโมเดล AI ขนาดใหญ่ได้กระตุ้นการลงทุนอย่างมีนัยสำคัญในอุตสาหกรรมหุ่นยนต์ อย่างไรก็ตาม การเพิ่มขึ้นของการระดมทุนนี้ยังนำมาซึ่งความเสี่ยงที่ตลาดจะร้อนแรงเกินไป ความท้าทายหลักคือการระบุความก้าวหน้าที่แท้จริงในเทคโนโลยีและการประยุกต์ใช้ คำถามสำคัญ ได้แก่:

ควรให้ความสำคัญกับการเรียนรู้แบบเสริมกำลังหรือการเรียนรู้แบบจำลอง?
การให้ความสำคัญกับการจำลองหรือการทดสอบในโลกแห่งความเป็นจริงมีความสำคัญมากกว่ากัน?
ควรเน้นที่วิสัยทัศน์หรือเครื่องยนต์ทางกายภาพ?

ผู้เข้าร่วมโต๊ะกลม

โต๊ะกลมประกอบด้วยผู้เชี่ยวชาญจากภูมิหลังต่างๆ:

เฉิน หยาง: รองประธาน Galaxy General Robotics
Shi Lingxiang: หัวหน้าฝ่ายบ่มเพาะนวัตกรรมที่ Volcano Engine (ผู้ดำเนินรายการ)
หวู่ ตี้: หัวหน้าฝ่ายอัลกอริทึมอัจฉริยะที่ Volcano Engine
Wan Haoji: หุ้นส่วนที่ Matrix Partners China
Wang Xiao: ผู้ก่อตั้ง Nine Chapters Capital
Yan Weixin: ผู้ร่วมก่อตั้ง Shanghai Zhiyuan Robotics และอาจารย์ที่ปรึกษาระดับปริญญาเอกที่ Shanghai Jiao Tong University

ประเด็นสำคัญในการอภิปราย

การเพิ่มขึ้นของการลงทุนด้านหุ่นยนต์

ทำไมถึงตื่นเต้น? แอปพลิเคชัน AI แบ่งออกเป็นสองประเภท: แอปพลิเคชันซอฟต์ (เช่น แชทบอทและการสร้างวิดีโอ) และแอปพลิเคชันฮาร์ด (เช่น หุ่นยนต์) หุ่นยนต์ถูกมองว่าเป็นแอปพลิเคชันฮาร์ดที่หลากหลายที่สุดของ AI

การเน้นการลงทุน: นักลงทุนกำลังมองหาบริษัทที่สามารถผสานรวมทั้งซอฟต์แวร์และฮาร์ดแวร์ และแสดงให้เห็นถึงการใช้งานจริงนอกเหนือจากเดโม
ความท้าทายด้านการค้า: การค้าหุ่นยนต์ช้ากว่าที่คาดไว้ โดยเฉพาะอย่างยิ่งในสภาพแวดล้อมที่ซับซ้อน เช่น บ้านและบริการ B2B
การประสานงานระหว่าง "สมอง" (AI) และ "สมองเล็ก" (ระบบควบคุม) จำเป็นต้องได้รับการปรับปรุง
การลดต้นทุนเป็นสิ่งสำคัญสำหรับการนำไปใช้อย่างแพร่หลาย

เส้นทางสู่การค้า

ฉันทามติ: มีข้อตกลงทั่วไปว่าหุ่นยนต์จะประสบความสำเร็จ แต่ไทม์ไลน์และบริษัทชั้นนำยังไม่แน่นอน
ผู้ชนะหลายราย: ตลาดไม่น่าจะถูกครอบงำโดยบริษัทเดียว เช่นเดียวกับอุตสาหกรรมยานยนต์ไฟฟ้า
การค้าเบื้องต้น: โมเดลขนาดใหญ่ได้มอบความสามารถในการโต้ตอบและการคิดที่ดีขึ้นให้กับหุ่นยนต์
อุปสรรคทางเทคนิค: แม้ว่าจะไม่มีอุปสรรคทางเทคนิคที่แก้ไขไม่ได้ แต่กระบวนการจะยาวนานและท้าทายกว่าที่คาดไว้
บทบาทของ VC: นักลงทุนร่วมทุนมีบทบาทสำคัญในการเร่งการพัฒนาโดยการจัดหาเงินทุน

ความสำคัญของปัญญาประดิษฐ์ทั่วไป

การเปลี่ยนจุดสนใจ: ควรเน้นที่หุ่นยนต์ที่ปรับตัวเข้ากับมนุษย์และสภาพแวดล้อม มากกว่าในทางกลับกัน
ข้อมูลการจำลอง: การใช้ข้อมูลการจำลองจำนวนมากเป็นกุญแจสำคัญในการทำให้หุ่นยนต์มีปัญญาประดิษฐ์ทั่วไป
ความท้าทายของ Startup: สตาร์ทอัพด้านหุ่นยนต์เผชิญกับความท้าทายที่สำคัญในด้านเทคโนโลยี การพัฒนาผลิตภัณฑ์ และรูปแบบธุรกิจ
ความร่วมมือในอุตสาหกรรม: อุตสาหกรรมต้องการความร่วมมือตลอดทั้งห่วงโซ่อุปทานและการสนับสนุนจากนักลงทุน

เส้นทางทางเทคนิคสำหรับปัญญาประดิษฐ์เชิงกายภาพ

การเลียนแบบและการเรียนรู้แบบเสริมกำลัง: การใช้การเรียนรู้แบบเลียนแบบเพื่อเสริมการเรียนรู้แบบเสริมกำลังเป็นแนวทางที่ใช้ได้สำหรับการควบคุมการเดิน
การจำลองสำหรับแขนขาล่าง: ข้อมูลการจำลองมีประสิทธิภาพสำหรับการควบคุมการเดินของแขนขาล่าง แต่การปรับพารามิเตอร์และความสอดคล้องของผลิตภัณฑ์ยังคงเป็นความท้าทาย
เน้นที่แขนขาส่วนบน: มีความจำเป็นต้องเปลี่ยนจุดสนใจจากการเคลื่อนไหวของแขนขาล่างไปสู่ความสามารถในการปฏิบัติงานโดยรวมของหุ่นยนต์ฮิวแมนนอยด์
การปฏิบัติงาน: ควรเน้นที่ความสามารถในการปฏิบัติงานมากกว่าแค่การเคลื่อนที่
ความท้าทายด้านข้อมูล: การรวบรวมและกำหนดมาตรฐานข้อมูล โดยเฉพาะอย่างยิ่งสำหรับงานที่ซับซ้อน ถือเป็นความท้าทายที่สำคัญ
ข้อมูลโลกแห่งความเป็นจริง: ข้อมูลโลกแห่งความเป็นจริงมีความสำคัญอย่างยิ่ง โดยเฉพาะอย่างยิ่งสำหรับการโต้ตอบทางกายภาพที่ซับซ้อนซึ่งยากต่อการจำลอง

การจำลองเทียบกับข้อมูลโลกแห่งความเป็นจริง

ข้อมูลการจำลอง: ข้อมูลการจำลองมีประสิทธิภาพด้านต้นทุนมากกว่า ปรับขนาดได้ และหลากหลายสำหรับการฝึกอบรมโมเดลเชิงกายภาพอเนกประสงค์
ข้อมูลโลกแห่งความเป็นจริง: ข้อมูลโลกแห่งความเป็นจริงมีความจำเป็นสำหรับการจับภาพความแตกต่างของการโต้ตอบทางกายภาพ เช่น แรงเสียดทานและความยืดหยุ่น
โมเดลโลก: เมื่อหุ่นยนต์มีโมเดลโลกที่เชื่อถือได้ การจำลองขนาดใหญ่สามารถใช้เพื่อทดสอบและปรับปรุงประสิทธิภาพในสถานการณ์ต่างๆ

แอปพลิเคชันในอนาคต

แอปพลิเคชันระยะใกล้ (2-3 ปี)

การผลิตทางอุตสาหกรรม: หุ่นยนต์สามารถทำงานที่ซับซ้อนซึ่งต้องใช้ความชำนาญในสภาพแวดล้อมที่ควบคุมได้
การดำเนินงานระยะไกล: หุ่นยนต์สามารถใช้ในสภาพแวดล้อมที่เป็นอันตราย เช่น การจัดการวัสดุอันตราย
สภาพแวดล้อมที่ควบคุมได้: หุ่นยนต์จะถูกนำไปใช้ในสภาพแวดล้อมที่ควบคุมได้ เช่น ร้านอาหาร โรงแรม และโรงงาน
งานเฉพาะ: หุ่นยนต์จะถูกใช้สำหรับงานต่างๆ เช่น การส่งอาหาร การทำกาแฟ และการบำรุงรักษาเบาๆ
โรงงาน สำนักงาน และความปลอดภัย: นี่เป็นพื้นที่ที่มีแนวโน้มมากที่สุดสำหรับการใช้งานเบื้องต้น

แอปพลิเคชันระยะยาว

สภาพแวดล้อมในบ้าน: แอปพลิเคชันที่ซับซ้อนที่สุดแต่เป็นที่คาดหวังอย่างมากคือสภาพแวดล้อมในบ้าน
งานบ้าน: ในที่สุดหุ่นยนต์จะสามารถทำงานต่างๆ ได้ เช่น การทำอาหาร การพับผ้า และการทำความสะอาด
การลดต้นทุน: เมื่อเทคโนโลยีก้าวหน้า ต้นทุนของหุ่นยนต์จะลดลง ทำให้ผู้บริโภคเข้าถึงได้มากขึ้น
หุ่นยนต์อเนกประสงค์: จุดสนใจจะเปลี่ยนไปสู่หุ่นยนต์อเนกประสงค์ที่สามารถตอบสนองความต้องการต่างๆ ได้
ข้อพิจารณาด้านตลาด: บริษัทต่างๆ จำเป็นต้องพิจารณาถึงฟังก์ชันการทำงาน ประสิทธิภาพ ความเปิดกว้าง และความเสี่ยงที่ยอมรับได้ของแอปพลิเคชันต่างๆ

Volcano Engine VeOmniverse

แพลตฟอร์มการจำลองเสมือน: veOmniverse เป็นแพลตฟอร์มบนคลาวด์สำหรับการจำลองและการฝึกอบรมหุ่นยนต์
สภาพแวดล้อมที่สมจริง: สร้างสภาพแวดล้อมดิจิทัลที่สมจริงอย่างมากสำหรับการฝึกอบรมและการทดสอบหุ่นยนต์
ประสิทธิภาพด้านต้นทุน: ช่วยลดความจำเป็นในการใช้อุปกรณ์ทางกายภาพและลดต้นทุนการพัฒนา
การฝึกอบรมที่ครอบคลุม: แพลตฟอร์มใช้เครื่องยนต์ภาพ เครื่องยนต์ทางกายภาพ การจำลองเซ็นเซอร์ และการสร้าง 3 มิติ เพื่อสร้างระบบการฝึกอบรมที่ครอบคลุม
การสนับสนุน AI: แพลตฟอร์มใช้ AI เพื่อสร้างข้อมูลการฝึกอบรมคุณภาพสูงและเร่งกระบวนการฝึกอบรม
การปรับแต่ง: แพลตฟอร์มเปิดและปรับแต่งได้ ช่วยให้บริษัทต่างๆ พัฒนาแอปพลิเคชันดิจิทัลทวินส่วนบุคคลได้
การพัฒนาที่รวดเร็ว: ช่วยให้บริษัทต่างๆ สร้าง ตรวจสอบ และปรับปรุงโมเดลหุ่นยนต์ได้อย่างรวดเร็ว
การเปลี่ยนแปลงอุตสาหกรรม: veOmniverse เป็นเครื่องมือสำคัญสำหรับการเปลี่ยนแปลงอัจฉริยะและดิจิทัลของอุตสาหกรรมหุ่นยนต์