นโยบายหุ่นยนต์อเนกประสงค์ตัวแรกของ Physical Intelligence: π0 สาธิตได้ถึงการพับผ้า

 (physicalintelligence.company)
1 คะแนน โดย GN⁺ 2024-11-12 | 1 ความคิดเห็น | แชร์ทาง WhatsApp
  • Physical Intelligence เปิดตัว π0(pi-zero) โมเดล foundation สำหรับหุ่นยนต์อเนกประสงค์ที่ให้หุ่นยนต์รับ คำสั่งแบบข้อความ แล้วทำงานเชิงกายภาพได้หลายประเภท
  • π0 ถูกฝึกด้วยการผสมผสาน pretraining ด้าน vision-language ระดับอินเทอร์เน็ต, Open X Embodiment Dataset และข้อมูล งานที่ต้องใช้ความคล่องแคล่วของมือซึ่งเก็บจาก หุ่นยนต์ 8 ชนิด
  • โมเดลประมวลผลภาพ·ข้อความ·การกระทำร่วมกัน และสร้างคำสั่งมอเตอร์ของหุ่นยนต์ได้สูงสุด 50 ครั้งต่อวินาทีด้วย เอาต์พุตการกระทำแบบต่อเนื่อง ที่อิง flow matching
  • หลังผ่าน post-training แล้ว โมเดลสามารถทำได้ถึง งานจัดการวัตถุที่ซับซ้อน ซึ่งสถานะเปลี่ยนไปทุกครั้ง เช่น การพับผ้า การเก็บโต๊ะ และการประกอบกล่อง
  • ในงานประเมิน 5 รายการ π0 แสดงประสิทธิภาพเฉลี่ยสูงกว่า OpenVLA, Octo และ π0-small แต่การอนุมาน·การวางแผนระยะยาว การปรับปรุงตนเอง ความทนทาน และความปลอดภัยยังคงเป็นโจทย์ถัดไป

นโยบายหุ่นยนต์อเนกประสงค์ที่ π0 มุ่งเป้า

  • Physical Intelligence พัฒนา π0(pi-zero) โมเดล foundation สำหรับหุ่นยนต์อเนกประสงค์ตลอดช่วง 8 เดือนที่ผ่านมา
  • เป้าหมายคือทำให้ผู้ใช้บอกงานที่ต้องการกับหุ่นยนต์ได้เหมือนเวลาขอให้ LLM หรือแชตบอตทำสิ่งต่าง ๆ แล้วหุ่นยนต์สามารถทำงานนั้นในโลกกายภาพได้
  • π0 ถูกฝึกด้วยข้อมูลกว้างและหลากหลายเหมือน LLM และทำตามคำสั่งแบบข้อความได้ แต่ต่างจาก LLM ตรงที่จัดการ ภาพ·ข้อความ·การกระทำ ร่วมกัน
  • โมเดลเรียนรู้ intelligence เชิงกายภาพจากประสบการณ์ที่ embodied ของหุ่นยนต์ และส่งออกคำสั่งมอเตอร์ระดับต่ำโดยตรงผ่านสถาปัตยกรรมใหม่
  • สามารถควบคุมหุ่นยนต์หลายแบบ และสั่งงานที่ต้องการด้วย prompt หรือ fine-tune ให้เหมาะกับสถานการณ์การใช้งานที่ยากได้

เหตุผลที่ต้องก้าวข้ามระบบอัตโนมัติแบบแคบ

  • หุ่นยนต์ปัจจุบันยังคงอยู่ในขอบเขตเฉพาะทางที่แคบ
    • หุ่นยนต์อุตสาหกรรมถูกโปรแกรมให้ทำการเคลื่อนไหวซ้ำ ๆ ในสายการประกอบ เช่น เชื่อมตำแหน่งเดิม หรือหยิบวัตถุเดิมใส่กล่องเดิม
    • แม้แต่การเคลื่อนไหวง่าย ๆ แบบนี้ก็ยังต้องใช้วิศวกรรมแบบลงมือจำนวนมาก
    • การทำพฤติกรรมที่ซับซ้อนกว่าในสภาพแวดล้อมจริงที่ยุ่งเหยิงอย่างบ้านนั้นยากกว่ามาก
  • การที่หุ่นยนต์จะเรียนรู้และทำตามคำสั่งผู้ใช้ได้ต้องอาศัยข้อมูลขนาดใหญ่
    • โมเดลภาษาและ foundation model อื่น ๆ ใช้ประโยชน์จากข้อมูลเอกสารจำนวนมากบนเว็บ
    • แต่ข้อมูลหุ่นยนต์ไม่มีคลังข้อมูลขนาดใหญ่ในลักษณะเดียวกัน
    • หากต้องสอนทักษะใหม่ จำเป็นต้องเก็บข้อมูลจำนวนมากที่เหมาะกับหุ่นยนต์เฉพาะตัวและแอปพลิเคชันเฉพาะงาน
  • หาก นโยบายหุ่นยนต์อเนกประสงค์ เพียงหนึ่งเดียวสามารถครอบคลุมหลายทักษะและหลายหุ่นยนต์ได้ ก็จะลดปริมาณข้อมูลที่ต้องใช้สำหรับหุ่นยนต์และแอปพลิเคชันแต่ละแบบ
  • เช่นเดียวกับที่โมเดลภาษาทดแทนระบบประมวลผลภาษาเฉพาะทางได้บนพื้นฐานของ pretraining ที่หลากหลาย นโยบายหุ่นยนต์อเนกประสงค์ก็จะทำหน้าที่เป็นโมเดล foundation ด้านหุ่นยนต์สำหรับ intelligence เชิงกายภาพ

ข้อมูลฝึกและองค์ประกอบหุ่นยนต์

  • π0 เป็นนโยบายหุ่นยนต์อเนกประสงค์ต้นแบบตัวแรกที่ฝึกด้วยชุดข้อมูลปฏิสัมพันธ์กับหุ่นยนต์ที่ใหญ่ที่สุดจนถึงปัจจุบัน
  • ส่วนผสมข้อมูลฝึกทั้งหมดประกอบด้วยข้อมูลโอเพนซอร์สและข้อมูล งานที่ต้องใช้ความคล่องแคล่วของมือจาก หุ่นยนต์ 8 ชนิด ที่ Physical Intelligence เก็บรวบรวม

  • องค์ประกอบของข้อมูลฝึก

    • Open X Embodiment Dataset
    • pretraining ระดับอินเทอร์เน็ต
    • π Dataset ที่ประกอบด้วยหุ่นยนต์ที่มีความคล่องแคล่วหลายแบบ
    • องค์ประกอบหุ่นยนต์รวมถึง UR5e, Bimanual UR5e, Franka, Bimanual Trossen, Bimanual Arx, Mobile Trossen, Mobile Fibocom เป็นต้น

  • ประเภทงานที่รวมอยู่

    • เก็บจาน
    • ใส่ของลงถุง
    • พับเสื้อผ้า
    • เดินสายเคเบิล
    • ประกอบกล่อง
    • เสียบปลั๊กไฟ
    • ใส่อาหารลงกล่อง takeout
    • หยิบขยะไปทิ้ง
    • เป้าหมายของการเลือกงานไม่ใช่การแก้แอปพลิเคชันเฉพาะอย่างใดอย่างหนึ่ง แต่เพื่อให้โมเดลมีความเข้าใจทั่วไปเกี่ยวกับปฏิสัมพันธ์ทางกายภาพ

ความเข้าใจความหมายระดับอินเทอร์เน็ตและเอาต์พุตการกระทำแบบต่อเนื่อง

  • π0 ถูกฝึกด้วยข้อมูลจากหุ่นยนต์หลายแบบ พร้อมกับรับทอดความรู้เชิงความหมายและความเข้าใจภาพจาก โมเดล vision-language (VLM) ที่ผ่านการ pretrain มาแล้ว
  • VLM ถูกฝึกให้โมเดลข้อความและภาพบนเว็บ โดยมี GPT-4V และ Gemini เป็นตัวอย่างที่ใช้งานกันกว้างขวาง
  • π0 ใช้ VLM ขนาด 3 พันล้านพารามิเตอร์ ที่เล็กกว่าเป็นจุดเริ่มต้น และปรับให้เหมาะกับการควบคุมหุ่นยนต์ที่ต้องใช้ความคล่องแคล่วแบบเรียลไทม์
  • VLM สามารถถ่ายทอดความรู้เชิงความหมายจากเว็บได้ แต่เดิมทีส่งออกได้เพียงโทเคนภาษาที่ไม่ต่อเนื่อง
  • การจัดการหุ่นยนต์ที่ต้องใช้ความคล่องแคล่วต้องส่งออกคำสั่งมอเตอร์ด้วยความถี่สูง
    • π0 ต้องส่งออกคำสั่งมอเตอร์ได้สูงสุด 50 ครั้ง ต่อวินาที
    • เพื่อทำสิ่งนี้ จึงเพิ่มเอาต์พุตการกระทำแบบต่อเนื่องให้กับ VLM ที่ pretrain แล้วด้วย flow matching ซึ่งเป็นการดัดแปลง diffusion model
  • โมเดลสุดท้ายเป็นโมเดล vision-language-action flow matching และหลังจากนั้นจึง post-train ด้วยข้อมูลหุ่นยนต์คุณภาพสูงเพื่อแก้งาน downstream หลายประเภท

งานที่ต้องใช้ความคล่องแคล่วซึ่งจัดการด้วย post-training

  • งานที่ซับซ้อนกว่าและต้องใช้ความคล่องแคล่วอาจต้อง fine-tune โมเดลให้เหมาะกับงาน downstream
  • กระบวนการ fine-tune ด้วยข้อมูลคุณภาพสูงให้เข้ากับงานยาก คล้ายกับ post-training ที่ใช้ในการออกแบบ LLM
  • pretraining สอนโมเดลเกี่ยวกับโลกกายภาพ ส่วน fine-tuning ทำให้โมเดลทำงานเฉพาะอย่างได้ดี

  • การพับผ้า

    • π0 ถูก fine-tune สำหรับงาน พับผ้า โดยใช้หุ่นยนต์เคลื่อนที่หรือหุ่นยนต์สองแขนแบบติดตั้งอยู่กับที่
    • เป้าหมายคือทำให้เสื้อผ้ากลายเป็นกองที่เรียบร้อย
    • เสื้อยืดหนึ่งตัวที่วางราบบนโต๊ะบางครั้งสามารถพับได้ด้วยการทำท่าที่กำหนดไว้ล่วงหน้าซ้ำ ๆ
    • กองผ้าที่พันกันจะยับแตกต่างกันไปทุกครั้ง การทำซ้ำการเคลื่อนไหวแขนแบบเดิมอย่างเดียวจึงไม่เพียงพอ
    • หลัง post-training หุ่นยนต์สามารถหยิบเสื้อผ้าออกจากเครื่องอบผ้า นำไปที่โต๊ะ และพับเป็นกองได้
    • วิดีโอเป็นฉากไม่ตัดต่อที่นโยบายเดียวทำงานแบบอัตโนมัติเต็มรูปแบบ
    • จากผลการฝึกด้วยข้อมูลหลากหลาย หุ่นยนต์สามารถฟื้นตัวได้แม้มนุษย์พยายามแทรกแซงหลายรูปแบบ
    • เท่าที่ Physical Intelligence ทราบ ก่อนหน้านี้ยังไม่มีระบบหุ่นยนต์ใดทำงานนี้ได้ด้วยระดับความซับซ้อนเช่นนี้

  • การเก็บโต๊ะ

    • π0 ยังถูก fine-tune สำหรับงานเก็บจานและขยะบนโต๊ะด้วย
    • จาน ช้อนส้อม และแก้วจะถูกใส่ใน bussing bin ส่วนขยะจะถูกใส่ลงถังขยะ
    • งานนี้ต้องจัดการวัตถุที่หลากหลายมาก
    • ผลจากการฝึกด้วยข้อมูลขนาดใหญ่และหลากหลายทำให้เกิดหลายกลยุทธ์
    • แทนที่จะหยิบวัตถุทีละชิ้น หุ่นยนต์สามารถซ้อนจานหลายใบแล้วใส่ลงไปพร้อมกันได้
    • ก่อนใส่จานลง bussing bin สามารถเขย่าขยะบนจานให้ตกลงถังขยะได้

  • การประกอบกล่อง

    • ต้องพับกล่องกระดาษลูกฟูกแบบแบนให้ตั้งขึ้น พับด้านข้าง แล้วสอดฝาปิดเข้าไป
    • แต่ละขั้นตอนการพับและการสอดอาจล้มเหลวแบบคาดไม่ถึงได้ หุ่นยนต์จึงต้องดูความคืบหน้าแล้วปรับการเคลื่อนไหว
    • ต้องใช้ทั้งสองแขนและโต๊ะค้ำกล่องไว้เพื่อไม่ให้กล่องที่พับบางส่วนคลายกลับออกมา

การเปรียบเทียบประเมินผลกับ OpenVLA และ Octo

  • π0 ถูกเปรียบเทียบกับ OpenVLA และ Octo ซึ่งเป็นโมเดล foundation สำหรับหุ่นยนต์ที่เสนอในแวดวงวิชาการ
  • OpenVLA เป็นโมเดล VLA ขนาด 7 พันล้านพารามิเตอร์ และใช้การกระทำแบบ discretized
  • Octo เป็นโมเดลขนาด 93 ล้านพารามิเตอร์ และใช้เอาต์พุตแบบ diffusion
  • งานประเมินถูกออกแบบให้ซับซ้อนกว่าการทดลองเชิงวิชาการทั่วไป
    • งานในการประเมิน OpenVLA มักเป็นการกระทำขั้นเดียว เช่น “ใส่มะเขือยาวลงหม้อ”
    • แม้งานเก็บโต๊ะที่ง่ายที่สุดในการประเมิน π0 ก็ยังต้องแยกวัตถุหลายชิ้นลงถังขยะหรือ bussing bin
    • งานที่ซับซ้อนกว่านั้นต้องอาศัยหลายขั้นตอน การจัดการวัตถุที่เปลี่ยนรูปได้ และการเลือกกลยุทธ์หลายแบบตามสถานะสภาพแวดล้อม
  • การประเมินใช้ rubric ที่ให้ 1.0 คะแนนสำหรับความสำเร็จสมบูรณ์ และให้คะแนนบางส่วนสำหรับการปฏิบัติที่ถูกต้องบางส่วน
    • เช่น หากเก็บวัตถุได้ครึ่งหนึ่งจะได้ 0.5 คะแนน

  • ผลงานประเมิน 5 รายการ

    • Bussing Easy(UR5e)
      • π0: 0.971
      • π0-small: 0.443
      • OpenVLA: 0
      • OpenVLA(UR5e only): 0.343
      • Octo: 0.043
    • Bussing Hard(UR5e)
      • π0: 0.875
      • π0-small: 0.333
      • OpenVLA: 0
      • OpenVLA(UR5e only): 0
      • Octo: 0
    • Shirt Folding(Bi-ARX)
      • π0: 1.000
      • π0-small: 0.500
      • OpenVLA: 0
      • OpenVLA(UR5e only): 0
      • Octo: 0
    • Grocery Bagging(UR5e)
      • π0: 0.786
      • π0-small: 0.271
      • OpenVLA: 0
      • OpenVLA(UR5e only): 0
      • Octo: 0
    • Toast out of Toaster(Bi-Trossen)
      • π0: 0.750
      • π0-small: 0
      • OpenVLA: 0
      • OpenVLA(UR5e only): 0
      • Octo: 0
    • π0-small เป็นโมเดล 470 ล้านพารามิเตอร์ ที่ไม่ใช้ VLM pretraining
    • OpenVLA และ Octo ทำคะแนนไม่เป็นศูนย์ได้เฉพาะงาน “Bussing Easy” ที่ง่ายที่สุด และโดยรวม π0 แสดงประสิทธิภาพสูงสุด
    • เมื่อใช้สถาปัตยกรรมขนาดเต็มและ VLM pretraining ประสิทธิภาพดีขึ้น มากกว่า 2 เท่า เมื่อเทียบกับ π0-small

โจทย์ที่เหลือและทิศทางความร่วมมือ

  • เป้าหมายของ Physical Intelligence คือการพัฒนา foundation model ที่สามารถควบคุมหุ่นยนต์ใด ๆ ให้ทำงานใด ๆ ได้
  • การทดลองปัจจุบันแสดงให้เห็นว่าสามารถควบคุมหุ่นยนต์หลายแบบ และทำงานที่ระบบเรียนรู้ของหุ่นยนต์ก่อนหน้านี้ยังทำไม่สำเร็จได้ เช่น พับเสื้อผ้าจากตะกร้าผ้า หรือประกอบกล่องกระดาษลูกฟูก
  • นโยบายหุ่นยนต์อเนกประสงค์ยังอยู่ในระยะเริ่มต้น และยังมีแนวหน้าการวิจัยถัดไปเหลืออยู่

    • การอนุมานและการวางแผนระยะยาว

      • การปรับปรุงตนเองอย่างอัตโนมัติ
      • ความทนทาน
      • ความปลอดภัย
      • Physical Intelligence กำลังร่วมมือกับบริษัทและแล็บวิจัยหุ่นยนต์หลายแห่ง
      • ปรับปรุงการออกแบบฮาร์ดแวร์สำหรับการควบคุมทางไกลและความเป็นอัตโนมัติ
      • ตั้งใจผสานข้อมูลของพาร์ตเนอร์เข้ากับโมเดล pretraining เพื่อให้เข้าถึงโมเดลที่ปรับให้เหมาะกับแพลตฟอร์มเฉพาะ
      • สนใจร่วมมือกับบริษัทที่กำลังขยายการเก็บข้อมูลจากหุ่นยนต์ที่ deployed ในแอปพลิเคชันจริง

บทความที่เกี่ยวข้อง

1 ความคิดเห็น

 
GN⁺ 2024-11-12
ความคิดเห็นบน Hacker News

  • เป้าหมายโดยนัยน่าจะเป็นการทำ งานบ้าน แทนมนุษย์ เช่น ซักและพับผ้า ในที่สุดความพึงพอใจของมนุษย์ก็อาจถูกปลดล็อกได้จากจุดนั้น
    เศรษฐกิจและตัวชี้วัดมูลค่าสุดท้ายแล้วก็เกี่ยวกับความสุข/ความพึงพอใจของมนุษย์ และเงินก็มีมูลค่าเพราะผู้คนต้องการมัน เมื่อผู้คนร่ำรวยพอ ก็จ้างแม่บ้านหรือพ่อครัว หรือซื้ออาหารสำเร็จรูป เพื่อ outsource งานบ้าน
    ตลอด 50 ปีที่ผ่านมา บริษัทตะวันตกได้ boost ฟรีจากการที่ผู้หญิงเข้าสู่ตลาดแรงงาน แต่เดิมเคยจ่ายค่าครองชีพของหนึ่งครัวเรือนให้คนคนเดียว ตอนนี้กลับแบ่งค่าครองชีพของครัวเรือนเดียวกันให้คนสองคน และได้แรงงานเพิ่มเป็นสองเท่า
    ดังนั้นครัวเรือนส่วนใหญ่จึงเสียเวลาไป 35 ชั่วโมงต่อสัปดาห์ แต่งานบ้านยังมีปริมาณเท่าเดิม เราอาจให้แม่บ้านกับทุกคนไม่ได้ แต่บางทีอาจให้ แม่บ้านหุ่นยนต์ ได้
    นวัตกรรมและเทคโนโลยีส่วนใหญ่ เช่น อิฐ ระบบทำความร้อน และไฟฟ้า สุดท้ายก็เข้ามาในบ้านและทำให้ชีวิตสะดวกขึ้น ผมเคยคิดว่าแม่บ้านหุ่นยนต์จริง ๆ จะมาจากการเปลี่ยนแปลงทางสังคม เช่น การออกแบบเครื่องซักผ้าที่เปลี่ยนไป การไปกินข้าวบ้านคนอื่นทุกวัน หรือพื้นผิวกันฝุ่น แต่หุ่นยนต์ตัวนี้ดูน่าสนใจมากทีเดียว
    ผมรู้ว่ามุมมองนี้มีศูนย์กลางอยู่ที่ชนชั้นกลางตะวันตก แต่ก็อดคิดไม่ได้ว่า ท้ายที่สุดแล้วคน 6 พันล้านคนจะตั้งเป้าหมายอย่างอื่นอะไรอีก

    • ไม่แน่ใจว่าเศรษฐกิจได้ boost จากตรงไหนตอนที่ผู้หญิงเข้าสู่ตลาดแรงงาน ปาฏิหาริย์เศรษฐกิจหลังสงครามของเยอรมนีเกิดขึ้นโดยแทบไม่มีผู้หญิงเกี่ยวข้อง
      ตอนต้นทศวรรษ 1970 เมื่อผู้หญิงเข้าสู่ตลาดแรงงานมากขึ้น เงื่อนไขเศรษฐกิจมหภาคก็แย่ลงเพราะวิกฤตน้ำมัน จึงแยกดูได้ยาก
      ถึงอย่างนั้น เมื่อจำนวนแรงงานเพิ่มขึ้น สิ่งที่เกิดขึ้นคือค่าจ้างลดลง และมีตำแหน่งงานไร้สาระมากขึ้น แน่นอนว่าผู้ชายก็สร้างและทำงานไร้สาระเช่นกัน
      ตอนนี้ถ้าจะรับภาระบ้านและครอบครัว ต้องมีเงินเดือนสองทาง ความก้าวหน้าที่ยอดเยี่ยมจริง ๆ
      ที่ซูเปอร์มาร์เก็ต ถึงคิวจะยาว ผมก็ boycott ตู้ชำระเงินด้วยตนเอง เพื่อให้พนักงานแคชเชียร์ที่เป็นมิตรยังมีงานทำต่อไป
    • เป้าหมายลึกสุดจริง ๆ อาจเป็นการมีเซ็กซ์กับหุ่นยนต์ก็ได้ เหมือนที่อินเทอร์เน็ตเคยถูกบอกว่าจะเป็นประตูสู่ความรู้ทั้งหมด แต่สุดท้ายก็กลายเป็นของสำหรับโป๊
    • ถ้าความต้องการแรงงานคงที่ เมื่ออุปทานแรงงานของชาย+หญิงในหนึ่งครัวเรือนเพิ่มเป็นสองเท่า โดยหลักแล้วค่าจ้างอาจลดลงได้ แต่ความต้องการไม่จำเป็นต้องคงที่
      ผมอยากเรียกสิ่งนี้ว่า ทฤษฎีเก้าอี้ดนตรีของการจ้างงาน หมายความว่าถ้าประชากรวัยทำงานในปี 2024 เพิ่มเป็นสองเท่าจากปี 1954 แต่ละคนจะมีรายได้น้อยลงหรือเปล่า? ถ้ามีผู้อพยพเข้ามา หมายความว่าผู้อพยพหนึ่งคนทำให้คนท้องถิ่นหนึ่งคนตกงานหรือเปล่า?
      หลักฐานบอกว่าไม่ใช่ และในเศรษฐกิจก็มีการเปลี่ยนแปลงอื่น ๆ ที่เพิ่มความต้องการแรงงานไปพร้อมกันด้วย หากดูวรรณกรรมเกี่ยวกับผลกระทบของการย้ายถิ่นฐานต่อการว่างงานและค่าจ้าง โดยเฉพาะช็อกขนาดใหญ่ระยะสั้น จะค่อนข้างชัดเจน
      ผมไม่ค่อยรู้จักงานวิจัยที่ว่าด้วยผลของการจ้างงานผู้หญิงที่เพิ่มขึ้น คิดว่าน่าศึกษายากกว่ามาก เพราะเป็นปรากฏการณ์ที่เกิดขึ้นอย่างค่อยเป็นค่อยไปตลอดหลายทศวรรษ และเรื่องนี้ไม่ได้เกิดแค่ในตะวันตก แต่เกิดขึ้นในหลายพื้นที่ทั่วโลก
    • ทีม Physical Intelligence เก่งมาก แต่ผมคิดว่าพวกเขาคงระดมเงินได้ไม่พอสำหรับบรรลุเป้าหมาย ปัญหาคือการพูดว่าการพัฒนาเทคโนโลยีแบบนี้ใช้เงิน 30 ล้านดอลลาร์ ทั้งที่จริง ๆ อย่างน้อยต้อง 1 พันล้านดอลลาร์ และอาจใกล้ 5 พันล้านดอลลาร์

  • ในโรงงานหรือสภาพแวดล้อมปิด เทคโนโลยีกำลังดีขึ้นอย่างรวดเร็ว แต่ใน โลกจริง ที่เหลือ ยังไม่มีหุ่นยนต์หรือ AI ที่ใช้งานได้จริงโดยไม่ต้องมีมนุษย์กำกับ ผมทำงานด้านการ automate สิ่งที่เป็นกายภาพ จึงมั่นใจแบบนั้น
    งานแรกที่หุ่นยนต์ตัวนั้นอาจทำคือเปิดเครื่องอบผ้าที่มีเด็กทารกอยู่ข้างใน เพราะมันขาดความเข้าใจต่อโลก
    ถ้าเป็นอย่างนั้น หุ่นยนต์อเนกประสงค์สำหรับบ้านก็คงจบเห่ หรือมันอาจทำเทียนล้ม หรือพังงานบางอย่างที่ดูเล็กน้อยแต่ตามบริบทแล้วอันตรายร้ายแรงอย่างน่ากลัว
    ผมเองก็ฝันถึงเครื่องจักรอเนกประสงค์ แต่คิดว่าอาจเป็นไปไม่ได้ หรือถึงเป็นไปได้ก็ยังอีกไกลมาก

    • ผมยังจำได้ว่าเคยเห็นคอมเมนต์มากมายใน HN ที่ทำนายอย่างมั่นใจว่า ทันทีที่รถยนต์ไร้คนขับเกิดอุบัติเหตุจนมีคนตาย รถยนต์ไร้คนขับ จะจบลง
      ในความเป็นจริงมีอุบัติเหตุเกิดขึ้นจริง และตามมาด้วยคดีความกับการสอบสวนของหน่วยงานกำกับดูแล แต่ก็ไม่ได้จบลง ผมคาดว่าในรัฐบาลสหรัฐฯ ชุดที่กำลังจะเข้ามา อุปสรรคทางกฎหมายและกฎระเบียบต่อการขยายหุ่นยนต์และ automation จะลดลงอย่างมาก
    • ต่อให้ต้องมีการกำกับดูแล การนั่งดูหุ่นยนต์ตากผ้าก็ยังดีกว่าทำเอง
      เหมือนคำพูดเก่าว่า “ผมรักงาน เพราะผมนั่งดูมันได้ทั้งวัน”
    • ตอนแรกลองติดกล้อง แล้วให้ใครสักคนจากต่างประเทศตรวจสภาพแวดล้อมก่อนเริ่มงานดีไหม? ทำให้ถูกกว่าและปลอดภัยขึ้นได้
    • เห็นด้วย จนถึงตอนนี้ผมยังไม่เห็นหุ่นยนต์ที่ทำ งานเกษตร ค่อนข้างเรียบง่ายอย่างเก็บมะเขือเทศและดูแลพืชในเรือนกระจกได้ในระดับ production
      ทั้งหมดนั้นยังทำโดยแรงงานต่างชาติราคาถูก ถ้าแม้แต่งานระดับนั้นยัง automate ได้ยาก ก็ยากที่จะคาดหวังมากกับหุ่นยนต์อเนกประสงค์สำหรับบ้านในตอนนี้
      อย่างไรก็ดี วิดีโอในบทความนี้ดูมีแววทีเดียว และผมอยากเห็นว่าเทคโนโลยีนี้จะทำงานในเรือนกระจกได้อย่างไร
    • ก็คงเหมือนกับรถไฟเหาะทุกประการ ที่พอเสียครั้งเดียวและมีคนตายไม่กี่คนก็ถูกสั่งห้ามทันที

  • ปัญหายากของหุ่นยนต์ซักผ้าไม่ใช่การพับเสื้อผ้า แต่คือ การเข้าไปในห้องซักผ้า
    ถ้าอยู่ในเมืองยุโรป พื้นที่คือข้อจำกัดที่ใหญ่ที่สุด ค่าเช่าในปารีสอยู่ที่ 30 ยูโรต่อ ตร.ม. ต่อเดือน
    ห้องซักผ้าเล็ก และหุ่นยนต์ตัวนี้กว้างเกินไปจนคงผ่านประตูห้องซักผ้าของผมไม่ได้ มีเหตุผลที่โต๊ะรีดผ้าเป็นแบบพับได้ เพราะต้องกางและเก็บทุกครั้ง หุ่นยนต์ตัวนี้ทำแบบนั้นไม่ได้ด้วยซ้ำ และคงจัดการขวดน้ำยาปรับผ้านุ่มสำหรับเครื่องซักผ้าไม่ได้ด้วย
    การมีโต๊ะว่างขนาด 1 ตร.ม. ไว้สำหรับพับผ้าโดยเฉพาะเป็นเรื่องเพ้อฝันสำหรับคนส่วนใหญ่ เหตุผลที่มีร้านซักผ้าหยอดเหรียญก็เพราะบางบ้านไม่มีแม้แต่พื้นที่จะวางเครื่องซักผ้า
    ห้องซักผ้าเป็นพื้นที่แยกต่างหากเพราะความชื้นและการระบายอากาศ และในแบบบ้านที่มักมีอายุเกิน 30 ปี ก็น่าจะถูกจัดวางให้เล็กที่สุดเท่าที่ใช้งานได้ ไม่ใช่เพื่อให้หุ่นยนต์เข้าถึงได้
    แม้แต่คนที่อยู่บ้านเดี่ยว ไม่ใช่อพาร์ตเมนต์ ก็มักมีห้องซักผ้าอยู่ชั้นใต้ดิน และเข้าถึงได้ผ่านบันไดหรือพื้นต่างระดับเท่านั้น
    ในสถานการณ์ที่หุ่นยนต์สองขากำลังจะมาถึงตรงหน้า ผมไม่คิดว่าสถาปนิกและมาตรฐานการเข้าถึงของงานก่อสร้างจะเปลี่ยนเร็วพอ พื้นที่ว่างที่จำเป็นต่อการเกิดหุ่นยนต์ในบ้านถูกใช้หมดไปหลายครั้งแล้ว เพราะต้นทุนพื้นที่สูง

    • ถ้าเลื่อนลงไปดู นี่คือ หุ่นยนต์อเนกประสงค์ มันสามารถเดินไปมา เก็บโต๊ะอาหาร หรือพับกล่องกระดาษลูกฟูกได้
      ยากจะมั่นใจว่ามันจัดการน้ำยาปรับผ้านุ่มไม่ได้ และ V2 ก็มีโอกาสจะกางโต๊ะรีดผ้าได้ด้วย
      ในแง่ขนาด ตอนนี้มันเล็กกว่าตู้เย็น เครื่องซักผ้า เครื่องล้างจาน และเครื่องใช้ไฟฟ้าประหยัดเวลาหลายอย่าง แน่นอนว่าอาจไม่พอดีกับเมืองประวัติศาสตร์ที่มีบ้านอายุหลายร้อยปีจำนวนมาก แต่ในบ้านส่วนใหญ่ ของพวกนี้เป็นเครื่องใช้ไฟฟ้าที่พบได้ทั่วไป
      ยังไม่ได้มีความพยายามลดขนาดจริงจังด้วยซ้ำ เมื่อพ้นระยะต้นแบบงานวิจัยแล้ว วิศวกรรมที่ชาญฉลาดอาจทำให้เล็กลงได้มาก
      คำถามอีกอย่างคือต้นทุน หุ่นยนต์แบบนี้มักอยู่ราว 100,000 ดอลลาร์ และก็มีเหตุผลของมัน จะลดลงได้ไหม? หวังว่าจะได้
    • ร้านซักผ้าหยอดเหรียญค่อนข้างน่ารำคาญ เพราะต้องอยู่แถวนั้นเกือบ 2 ชั่วโมง เพื่อทำงาน 5 นาทีที่เครื่องไม่ได้ทำแทน
      ในทางกลับกัน การใช้บริการซักและพับผ้าเป็นความหรูหราที่แพง หากร้านซักผ้าหยอดเหรียญทำให้กระบวนการทั้งหมดเป็นอัตโนมัติได้ ราคาซักและพับอาจลดลง และคนที่อยากมีเครื่องซึ่งใช้แค่ไม่กี่ชั่วโมงต่อสัปดาห์ไว้ในบ้านก็น่าจะลดลง
      หรือจะเอาร้านซักผ้าหยอดเหรียญไปผูกกับคาเฟ่หรือบาร์ เพื่อเปลี่ยนงานบ้านให้เป็นโอกาสพักผ่อนและเข้าสังคมก็ได้ เพียงแต่โลกส่วนใหญ่ยังไม่พร้อมสำหรับความศิวิไลซ์ระดับนั้น
    • ไม่รู้ว่าทำไมถึงคิดว่าคนที่ไม่มีเงินพอจะอยู่อพาร์ตเมนต์สบาย ๆ และมีเครื่องซักผ้าของตัวเอง จะได้ใช้หุ่นยนต์ซักผ้า
      ผมคิดว่าสุดท้ายมันจะถูกรวมเข้าไปในเครื่องซักผ้า กลายเป็นอุปกรณ์เดียวที่ใส่ผ้าสกปรกเข้าไป แล้วเอาผ้าสะอาดที่พับแล้วออกมาได้ ตัวเครื่องซักผ้าที่มีอยู่เดิมเองก็ไม่ใช่ชิ้นส่วนราคาแพงถึงขั้นต้องคงรูปแบบแยกอย่างในปัจจุบันไว้
    • ค่าเช่าในปารีส 30 ยูโรต่อ ตร.ม. ต่อเดือน ใช้ได้เฉพาะกับอพาร์ตเมนต์ที่ใหญ่พอสมควรเท่านั้น
      อพาร์ตเมนต์ 20 ตร.ม. ไม่มีทางต่ำกว่า 850 ยูโร คิดเป็นราว 42 ยูโรต่อ ตร.ม. แน่นอนว่าบ้านแบบนี้เล็กเกินกว่าจะเอาเครื่องซักผ้าเข้าไปด้วยซ้ำ ไม่ต้องพูดถึงหุ่นยนต์พับผ้า

  • ถ้าเพิ่มความแม่นยำขึ้นอีกนิด ก็จะกลายเป็น เครื่องมืออัตโนมัติสำหรับห้องแล็บ ที่ยอดเยี่ยม ห้องแล็บทั่วโลกน่าจะยอมจ่าย 1 ล้านดอลลาร์ให้หุ่นยนต์ที่จัดการงานทดลองด้วยมือได้
    งานในห้องแล็บก็ไม่ได้ยากขนาดนั้น งานจำนวนมากอิงกับโปรโตคอลที่เป็นมาตรฐานและมีขั้นตอนกำหนดชัดเจน ผมคิดว่าหุ่นยนต์ที่หยิบของและทำงานกับหลอดทดลองได้โดยไม่ต้องโปรแกรมแยก จะเป็นสินค้าดังแน่

    • เห็นด้วย แฟนผมมีปริญญาชีวเคมีและทำงานในห้องแล็บแบบนั้น งานรวมถึงการเก็บตัวอย่าง เตรียมตัวอย่าง ป้อนข้อมูล บำรุงรักษาอุปกรณ์พื้นฐาน วิเคราะห์บางส่วน และงานธุรการ/เลขานุการอย่างใส่ผลลัพธ์ลงระบบหรือโทรหาแพทย์
      ในสายตาผม ทุกอย่างทำให้เป็นอัตโนมัติได้
      แต่ขึ้นอยู่กับพื้นที่อย่างมาก ในสหรัฐฯ น่าจะสมเหตุสมผลค่อนข้างเร็ว แต่แฟนผมอยู่ในประเทศ EU ขนาดเล็กที่ค่าจ้างไม่สูง และงานนี้เป็น ตำแหน่งจูเนียร์ ที่นักศึกษานิยมกันมาก ตำแหน่งนั้นมีต้นทุนราว 25,000 ดอลลาร์ต่อปี
      ถ้าลงทุน 1 ล้านดอลลาร์เพื่อทดแทนกระแสเงินสดปีละ 25,000 ดอลลาร์ มูลค่าปัจจุบันสุทธิจะติดลบเมื่อใช้อัตราคิดลดทั่วไป มันจะสมเหตุสมผลเมื่อใช้หุ่นยนต์ 1 ล้านดอลลาร์ทดแทนค่าจ้าง 120,000 ดอลลาร์ได้
      ผมคิดว่างานกำกับดูแลหุ่นยนต์ก็ยังจะเหลืออยู่ ในแหล่งผลิตขนาดใหญ่แบบรวมศูนย์ คนคนเดียวอาจดูแลหุ่นยนต์หลายตัวได้ จึงคุ้มค่า แต่ในแหล่งผลิตขนาดเล็กที่กระจายตัวอยู่ อาจไม่เป็นแบบนั้น ห้องแล็บจำนวนมากต้องอยู่ใกล้ลูกค้าในหลายพื้นที่เพราะงานมีความอ่อนไหวต่อเวลา ผมมองว่าโครงสร้างเป็นแบบนั้น แน่นอนว่าอาจเปลี่ยนได้
    • อย่าคาดหวังมากเกินไปจะดีกว่า สำหรับหุ่นยนต์อเนกประสงค์ แค่ขันน็อตเข้ากับสกรูก็ยังเป็นปัญหาใหญ่
      สุดท้ายคงต้องมี ห้องแล็บที่เป็นมิตรกับหุ่นยนต์ ซึ่งมือหุ่นยนต์แบบดิบ ๆ ก็ทำงานทุกอย่างได้ ทางเลือกอื่นคือสร้างมือที่มีความสามารถมากขึ้น หรือสร้างห้องแล็บเฉพาะทางที่เป็นหุ่นยนต์เต็มรูปแบบ
      แบบแรกน่าสนใจที่สุดและเป็นเส้นทางที่ควรไป เมื่อทำได้แล้ว ความเป็นไปได้มากมายจะเปิดขึ้น เช่น ยานพาหนะที่ “ซ่อมตัวเองได้” หรือฐานบนดาวเคราะห์ แค่มีหุ่นยนต์ “ช่างเทคนิค” onboard ก็พอ
    • ผลิตภัณฑ์อัตโนมัติสำหรับห้องแล็บแบบนี้มีอยู่แล้ว และสตาร์ทอัพบางรายในสายนี้ก็เจอกระแสต้านแบบเดียวกับทุกคนที่ต้องขายฮาร์ดแวร์ ทั้งที่แก่นที่คนยอมจ่ายเงินจริง ๆ คือซอฟต์แวร์
      ห้องแล็บวิชาการจะไม่ซื้ออุปกรณ์ทดลองของสตาร์ทอัพราคา 1 ล้านดอลลาร์ ถ้าเป็นคอร์กลางที่ใช้ร่วมกันสำหรับกลุ่มวิจัย 30 กลุ่ม ก็อาจซื้ออะไรบางอย่าง แต่จะเป็นอุปกรณ์ที่นำไปสู่การตีพิมพ์บทความได้โดยตรง กล่าวคือเป็นอุปกรณ์ที่มีประวัติใช้งานแล้ว
      เพราะอย่างนั้น ต่อให้ผลิตภัณฑ์ที่พูดถึงมีอยู่แล้ว มันก็ยังเข้าไปในห้องแล็บไม่ได้
    • สารจำนวนมากในห้องแล็บเคมีมีพิษ และบางชนิดอาจถึงตายสำหรับมนุษย์ได้ หากหุ่นยนต์จัดการสิ่งเหล่านี้แทนได้ ก็จะเป็นประโยชน์อย่างมาก
    • เป็นไปได้แน่นอน ผมมีเพื่อนที่ทำงานในสายนี้ คือ AI สำหรับระบบอัตโนมัติในห้องแล็บ และเขาคาดว่าในอีกไม่กี่ปีการแข่งขันจะดุเดือด

  • เมื่อเทียบกับหุ่นยนต์ฮิวแมนนอยด์แล้ว หุ่นยนต์ตัวนี้ค่อนข้างเรียบง่าย เลยน่าจะทำให้ต้นทุนต่ำลงได้มาก แต่ไม่ค่อยเข้าใจว่าทำไมถึงโฟกัสที่การพับเสื้อผ้า มีคนซักผ้าบ่อยกว่าสัปดาห์ละครั้งกันเยอะขนาดนั้นหรือ?
    ถ้าทำ อาหาร ซึ่งเป็นสิ่งที่อย่างน้อยก็ทำวันละครั้งได้ จะมีประโยชน์กว่ามาก
    แต่ก็อยากให้มีนวัตกรรมใหม่ในเครื่องซักผ้าเหมือนกัน เทคโนโลยีตอนนี้ยังอยู่ในระดับพื้นฐานมาก คือทำให้น้ำร้อนแล้วก็หมุนไปเรื่อย ๆ ทำไมถึงไม่มีแบบคล้ายเครื่องพิมพ์กระดาษขนาดใหญ่ ที่ใส่เสื้อเชิ้ตเข้าไปหนึ่งตัว แล้วใช้ลูกกลิ้งม้วน ฉีดน้ำแรงดันสูงในปริมาณน้อยที่สุด ทำความร้อน จากนั้น 30 นาทีต่อมาก็คืนออกมาในสภาพรีดเรียบสมบูรณ์แบบได้เลย

    • การซักผ้าเป็นเดโมที่แทบจะสมบูรณ์แบบสำหรับแสดง ระบบวางแผนการเคลื่อนไหว ขั้นสูง ผ้าเป็นสิ่งที่แทบจัดการไม่ได้เลยในกรอบคิดการวางแผนการเคลื่อนไหวแบบดั้งเดิม
      มันไม่ใช่วัตถุแข็งอย่างสุดขั้ว จนการคาดการณ์พฤติกรรมเป็นเรื่องของซิมูเลเตอร์พลวัตเฉพาะทางราคาแพง และการถามย้อนกลับว่าต้องทำท่าใดเพื่อให้ได้ผลลัพธ์ที่ต้องการก็แทบเป็นไปไม่ได้ แม้จะคาดการณ์ได้ มันก็มีความต่อเนื่องสูงมากและต่อต้านการทำให้เป็นค่าดิสครีต
      สมมติฐานอย่าง “ความกว้างของรอยพับเป็นศูนย์” ที่มักใช้ในการให้เหตุผลเรื่องโอริกามิก็ใช้ไม่ได้
      เสื้อผ้าเป็นกรณีสุดขั้วในบรรดาผ้า ไม่เพียงไม่สม่ำเสมออย่างมาก แต่ยังเปราะบางด้วย เสื้อเชิ้ตแต่ละตัวเป็นโครงสร้างเชิงทอพอโลยีอ่อนย้วยที่ปกคลุมด้วยผิวสัมผัสแปลก ๆ และคุณลักษณะเฉพาะจุดที่ซับซ้อนและคาดเดาไม่ได้ ขยับพลาดนิดเดียวด้ายก็ปริ นี่ยังไม่รวมระบาย ซิป กระเป๋า เชือกผูก ที่มีไม่รู้จบ
      นอกจากนี้ การซักผ้าเป็นงานที่ทุกคนทำ จึงเข้าใจร่วมได้ง่าย เซ็ตอัปในห้องแล็บได้ง่าย และมนุษย์ประเมินประสิทธิภาพได้โดยสัญชาตญาณในพริบตา
      แม้มีงานวิจัยมาเกือบ 70 ปี ก็ยังไม่มีใครแสดงประสิทธิภาพที่น่าเชื่อถือได้ จึงเป็นโจทย์ที่ยากกว่าการตีลังกากลับหลัง การชู้ตบาส หรือการบรรทุกของขึ้นรถบรรทุก ดังนั้นเมื่อมีอัลกอริทึมใหม่ที่จัดการสิ่งที่ซับซ้อนกว่าบล็อกบนโต๊ะได้ ก็แทบจะต้องเอาไปลองกับงานซักผ้าเสมอ
    • การพับผ้าไม่ใช่เป้าหมายสุดท้าย ที่เลือกก็เพราะมันเป็นงานที่ยากมากสำหรับหุ่นยนต์ ต้องใช้ทั้งความคล่องแคล่ว การวางแผน และการตอบสนองต่ออินพุตจากประสาทสัมผัส
      กล่าวอีกอย่างคือ ถ้าหุ่นยนต์ ทำงานซักผ้าได้ ก็มีโอกาสสูงที่จะสอนงานอื่น ๆ แทบทุกอย่างในบ้านให้มันได้
    • ถ้ามีลูกแม้แต่คนเดียว งานซักผ้าจะไม่ใช่งานที่มีจุดเริ่มและจุดจบชัดเจน แต่กลายเป็น กระบวนการต่อเนื่อง
      การทำอาหารเป็นงานที่หลายคนรู้สึกว่ามีความหมายลึกซึ้งและเป็นมนุษย์มาก สำหรับผมไม่ใช่ แต่ผมรู้ว่าผมเป็นข้อยกเว้น ในทางกลับกัน คงยากที่จะหาใครที่คิดว่าการใช้เวลาจำกัดบนโลกนี้ไปกับการซักผ้าเป็นเรื่องคุ้มค่า
    • มีคนจำนวนมากที่ซักผ้าสัปดาห์ละ 3–4 ครั้ง และก็มีคนที่ไม่ทำอาหารที่บ้านเลยเช่นกัน โลกนี้มีคน 8 พันล้านคน
    • เพราะคนที่อยู่บน Axiom คงต้องการจัมป์สูทสะอาด ๆ ล่ะมั้ง?
      พูดจริงจังแล้ว การพับผ้าเป็นงานซับซ้อนที่ต้องใช้ความคล่องแคล่วและการจัดการวัตถุอย่างประณีตมากในมุมมองของหุ่นยนต์ แต่เมื่อเทียบกับการทำอาหารแล้วมีความเสี่ยงค่อนข้างต่ำ
      ต่อให้หุ่นยนต์ทำพลาด โอกาสที่จะเกิดอันตรายร้ายแรงกับตัวหุ่นยนต์ สภาพแวดล้อมรอบ ๆ หรือมนุษย์ใกล้เคียงก็น้อย จึงเป็นโจทย์วิจัยที่ค่อนข้างดี และถ้าแก้ได้ก็น่าจะดูน่าประทับใจในเดโมงานอีเวนต์ด้วย

  • การพับผ้าเป็นงานบ้านเล็ก ๆ น้อย ๆ แต่จอกศักดิ์สิทธิ์ตัวจริงคือ แขนหุ่นยนต์ ที่ทำอาหารได้ตลอด 24 ชั่วโมง
    ถ้ามีแขนหุ่นยนต์เข้าไปอยู่ในร้านฟาสต์ฟู้ด ร้านอาหาร โรงแรม โรงพยาบาล ฐานทัพ เรือสำราญ และทุกที่ที่เตรียมอาหาร ตลาดแรงงานคงฟื้นตัวไม่ได้
    ผู้ชนะรายใหญ่อาจเป็นร้านขายของชำที่ใช้ผลผลิตของตัวเองทำอาหารร้อน ๆ แล้วส่งโดรนไปยังบ้านใกล้เคียงก็ได้ แน่นอนว่านี่อาจเป็นความคิดที่มองโลกในแง่ดีเกินไป

    • แค่ส่งสูตรโปรดให้เชฟหุ่นยนต์ใกล้บ้าน ก็จะได้อาหารที่ต้องการอย่างแม่นยำทุกครั้ง
      ถึงตอนนั้น ร้านอาหารที่มีเมนูตายตัวจะยังมีความหมายอยู่ไหม?

  • เรื่องนี้ขึ้น HN ไปแล้วเมื่อ 9 วันก่อน
    https://news.ycombinator.com/item?id=42011770

  • เป็นงานที่น่าสนใจ
    ไม่เคยคิดมาก่อนเลยว่า ในงานที่ไม่อ่อนไหวต่อเวลา ถ้าเราไม่พยายามให้หุ่นยนต์ ประมวลผลแบบเรียลไทม์ แต่ยอมชะลอไปถึงระดับ latency ที่โมเดล Transformer ปัจจุบันรับไหวบนฮาร์ดแวร์จริง จะทำอะไรได้บ้าง

    • ใน Theory of self-reproducing automata (1966) ของ von Neumann หน้า 72 ส่วน “Role of High Complication” มีข้อความแบบนี้
      “ออโตมาตอนไม่อาจแยกออกจากสภาพแวดล้อมที่มันตอบสนองได้”
      “คุณลักษณะการอยู่รอดของมนุษย์บนพื้นผิวโลกในปัจจุบันนั้นนิยามได้ชัดเจน แต่สำหรับมนุษย์ส่วนใหญ่ ต้องทำให้สถานการณ์เฉพาะเจาะจงขึ้นอีกเล็กน้อย การถกว่ามนุษย์จะอยู่รอดใต้ทะเลหรือที่อุณหภูมิ 1000 องศาเซลเซียสได้อย่างไรนั้นไม่มีความหมาย ในทำนองเดียวกัน การถามว่าเครื่องคำนวณเร็วหรือช้าเพียงใดก็ไม่มีความหมาย หากไม่ระบุว่าจะมีปัญหาประเภทใดถูกป้อนให้มัน”

  • ผมแทบไม่รู้จักใครอายุต่ำกว่า 40 ที่พับและรีดเสื้อผ้า และไม่แน่ใจด้วยซ้ำว่ารู้จักใครอายุต่ำกว่า 30 ที่มี โต๊ะรีดผ้าและเตารีด หรือไม่ ต่อให้มีก็คงเสียแล้ว หรือถ้าไม่เสียก็คงทำหายไปแล้ว
    ผมคิดว่า “การซักผ้า” กำลังกลายเป็นเรื่องล้าสมัยเร็วกว่าการซักผ้าด้วยตัวเองเสียอีก คล้ายกับที่ผู้คนไม่ได้ให้หุ่นยนต์ช่วยซ่อมเสื้อผ้าที่ขาด แต่กลับทิ้งเสื้อผ้าเก่าแล้วเปลี่ยนไปใช้ fast fashion และเลิกเย็บผ้า
    ถ้าผลิตภัณฑ์นี้เล็งกลุ่มรายได้สูง ต่อให้ราคาลดจาก 100,000 ดอลลาร์เหลือ 1,000 ดอลลาร์ ก็ดูเหมือนไม่มีทางชนะด้วยเหตุผลนี้

    • เสื้อผ้า fast fashion มีแนวโน้มรีดไม่ได้มากขึ้นเรื่อย ๆ ขณะเดียวกัน การซื้อ เสื้อผ้าคุณภาพดี ก็ยากขึ้นเรื่อย ๆ
      เพราะผลกระทบของ fast fashion แม้แต่แบรนด์ดีไซเนอร์ที่แพงมากก็ยังออกสินค้าประเภทเสื้อโค้ตไม่มีซับในหรือสเวตเตอร์บาง ๆ
      อีกเหตุผลหนึ่งคือซัพพลายเชนของเสื้อผ้าคุณภาพดีหดตัวลงอย่างมาก แม้นักออกแบบอยากได้ผ้าดี ๆ ก็ต้องจ่ายแพงกว่าเดิม

  • ฝั่ง HN อาจมีคนรู้ก็ได้ แต่ทำไมหุ่นยนต์แบบนี้ถึงเคลื่อนไหวช้าขนาดนั้น? เพราะความปลอดภัย หรือพอเพิ่มความเร็วแล้วความยากจะสูงขึ้นมาก?

    • ความเร็วดูเหมือนไม่ใช่สิ่งที่พวกเขาให้ความสำคัญเป็นอันดับแรก
    • พวกเขากำลังใช้โมเดลภาพ-ภาษาเพื่อสร้างการเคลื่อนไหวของหุ่นยนต์ทีละโทเคน การอนุมานของ VLM จึงเป็นคอขวด