เหตุผลที่ Physical AI กำลังได้รับความสนใจในตอนนี้ และสิ่งที่แตกต่างจากอดีต

• การลงทุนของ VC ในสาย Physical AI เพิ่มขึ้นอย่างมีนัยสำคัญ และอีเวนต์ต่อเนื่องอย่าง NVIDIA GTC, Bessemer Robotics Day, Unitree IPO, การเข้าซื้อ Fauna Robotics ของ Amazon และการปรากฏตัวของหุ่นยนต์มนุษย์ Figure ที่ทำเนียบขาว กำลังสร้างโมเมนตัมให้กับอุตสาหกรรม
• แม้ยังมีบาดแผลจากความล้มเหลวของการลงทุนด้านหุ่นยนต์ในอดีต แต่รอบนี้แตกต่างโดยพื้นฐาน เพราะตัวเร่งหลักหลายอย่างกำลัง ทำงานเสริมกันพร้อมกันแบบขนาน ไม่ใช่เกิดขึ้นทีละอย่างตามลำดับ
• การเกิดขึ้นของโมเดลพื้นฐานสำหรับโลกกายภาพโดยเฉพาะ เช่น Vision-Language-Action model, โมเดลขับขี่อัตโนมัติ และ world model กำลังเปิดทางสู่ความเป็นไปได้ของ "สมองหุ่นยนต์" แบบอเนกประสงค์
• คอขวดของการเก็บข้อมูลเพื่อฝึกหุ่นยนต์กำลังผ่อนคลายลงจากความก้าวหน้าของ simulation, teleoperation และ egocentric video ขณะที่สภาพแวดล้อมมหภาคอย่าง edge inference, ต้นทุนฮาร์ดแวร์ที่ลดลง และภาวะขาดแคลนแรงงานกำลังเข้ามาหนุน
• ในทั้งบริษัทยักษ์ใหญ่และสตาร์ตอัปกำลังเกิด การไหลเข้าของบุคลากรครั้งใหญ่ ชวนให้นึกถึงช่วงต้นของกระแส LLM และ "ChatGPT moment" ของ Physical AI อาจใกล้กว่าที่คิด

---

โมเมนตัมปัจจุบันของ Physical AI

• สัปดาห์ที่แล้ว หุ่นยนต์ Olaf ปรากฏตัวบนเวทีคีย์โน้ตของ NVIDIA GTC และยังมีข่าว Bessemer Robotics Day กับ Unitree IPO ตามมาติด ๆ
• ในสัปดาห์เดียวกัน ยังมีข่าวการ เข้าซื้อ Fauna Robotics ของ Amazon และเหตุการณ์ที่ หุ่นยนต์มนุษย์ Figure ไปปรากฏตัวที่ทำเนียบขาว จนกลายเป็นประเด็นพูดถึงเพิ่มเติม
• เงินทุน VC ที่ไหลเข้าสู่สาย Physical AI กำลังเพิ่มขึ้นอย่างมีนัยสำคัญในช่วงหลัง และสามารถยืนยันได้จากรายงานของ Morgan Stanley (ธันวาคม 2025)
• ในมุมมองคาดการณ์ปี 2026 การแข่งขันด้าน Embodied AI อาจให้ผลลัพธ์ที่ดุเดือดและสำคัญกว่าสงคราม LLM

เหตุผลที่ต่างจากอดีต: ตัวเร่งแบบขนานที่ทำงานเสริมกันพร้อมกัน

• หุ่นยนต์ไม่ใช่หมวดหมู่ที่ "ร้อนแรง" มาโดยตลอด และนักลงทุนจำนวนมากยังมี แผลเป็นจากประสบการณ์ความล้มเหลว (scar tissue) จากรอบก่อนหน้า
  • รายงานของ Bessemer Venture Partners (พฤศจิกายน 2025) ช่วยให้เห็นรอบขึ้นลงของการลงทุนด้านหุ่นยนต์ในอดีต
• จุดต่างสำคัญของรอบนี้คือ ตัวเร่งของ Physical AI กำลัง ทำงานเสริมกันแบบขนาน (compounding in parallel) ไม่ใช่เกิดทีละอย่างตามลำดับ
• ส่งผลให้เกิดปรากฏการณ์ การบรรจบกัน (convergence) ที่แตกต่างโดยพื้นฐานจากทุกช่วงที่ผ่านมา

ความก้าวหน้าอย่างรวดเร็วของ foundation model สำหรับ Physical AI

• กำลังมี AI โมเดลชนิดใหม่ที่ออกแบบมาเฉพาะสำหรับโลกกายภาพ
  • รวมถึง Vision-Language-Action (VLA) model, โมเดลขับขี่อัตโนมัติ และ world model
• "ชั้นของ foundation model" สำหรับหุ่นยนต์กำลังก่อตัวขึ้น เปิดทางสู่ความเป็นไปได้ของ "สมองหุ่นยนต์" ที่สามารถคิดและให้เหตุผลข้ามงาน สภาพแวดล้อม และฟอร์มแฟกเตอร์ที่หลากหลาย
• เมื่อเทียบกับแนวทางแบบอิงกฎที่เปราะบางในอดีต หรือ policy ที่ฝึกมาในขอบเขตแคบจนไม่สามารถ generalize ได้ นี่คือ การกระโดดแบบขั้นบันได (step-function improvement)

การผ่อนคลายของคอขวดด้านข้อมูล

• เป็นเวลาหลายปีที่ข้อจำกัดหลักของแนวหน้าหุ่นยนต์ไม่ใช่เรื่องสติปัญญา แต่คือ ข้อมูล
  • ข้อมูลที่จำเป็นต่อการฝึกโมเดลหุ่นยนต์ เช่น ทักษะการเคลื่อนไหว แรงกด และการหยิบจับ ไม่สามารถเก็บจากอินเทอร์เน็ตได้
  • ข้อมูลสำหรับ Physical AI มีลักษณะ ไม่มีโครงสร้างและหลายโมดัล อีกทั้งการเก็บในสภาพแวดล้อมจริงมีต้นทุนสูงและช้า
• ข้อจำกัดนี้กำลังถูกบรรเทาด้วยความก้าวหน้าทางเทคนิคต่อไปนี้:
  • teleoperation ที่ขยายสเกลได้, แนวทาง simulation-first, egocentric video, world model, haptics
• เทคนิคและเครื่องมือที่เกี่ยวข้องกำลังสุกงอมอย่างรวดเร็ว (ดูเอกสารของ Emily Yu จาก Boost VC)
• แม้ปัญหาข้อมูลยังไม่ได้รับการแก้หมดจด แต่ก็ ไม่ใช่อุปสรรคที่ข้ามไม่ได้ เหมือนในอดีตอีกต่อไป

โครงสร้างพื้นฐานด้าน inference ที่สุกงอมได้ตรงเวลา

• ความฉลาดของหุ่นยนต์จะมีประโยชน์ได้ก็ต่อเมื่อสามารถ ลงมือกระทำได้แบบเรียลไทม์
• กำลังเกิดความก้าวหน้าครั้งสำคัญในด้าน edge inference
  • เกิด การประมวลผลที่มีประสิทธิภาพยิ่งขึ้น จนสามารถรันโมเดลที่ซับซ้อนแบบโลคัลบนอุปกรณ์ได้แบบเรียลไทม์
• ในสภาพแวดล้อมที่ latency และ connectivity เป็นข้อจำกัดเชิงฮาร์ด เช่น โรงงานหรือไซต์ก่อสร้าง การตอบสนองทันทีเป็นสิ่งจำเป็น ดังนั้น inference ประเภทนี้จึงเป็นแกนสำคัญของระบบ Physical AI

ฮาร์ดแวร์พร้อมสำหรับการขยายสเกลและต้นทุนลดลง

• การปรับปรุงฮาร์ดแวร์, การกลายเป็นสินค้าโภคภัณฑ์ (commoditization) และเส้นโค้งต้นทุนที่ลดลง กำลังทำให้หุ่นยนต์ที่ขยายสเกลได้และใช้งานได้หลากหลาย คุ้มค่าทางเศรษฐกิจ
• นี่คือเงื่อนไขพื้นฐานสำคัญในการเปลี่ยนเดโมที่ดูมีอนาคตให้กลายเป็น ผลิตภัณฑ์ที่นำไปใช้งานจริงได้

ลมส่งจากเศรษฐกิจมหภาค

• การเปลี่ยนแปลงทางเทคโนโลยีกำลังบรรจบกับ สภาพแวดล้อมมหภาค ที่เอื้ออำนวย
  • ภาวะขาดแคลนแรงงาน, ความเปราะบางของซัพพลายเชน และแรงกดดันทางภูมิรัฐศาสตร์ที่เกี่ยวข้องกับ reshoring กำลังเปลี่ยนระบบอัตโนมัติจากการเดิมพันเพื่ออนาคตให้กลายเป็นสิ่งจำเป็นเชิงกลยุทธ์ในปัจจุบัน
• อัตโนมัติกำลังกลายเป็นสิ่ง กระแสหลัก มากขึ้นในมุมมองของสาธารณะ
  • ทั้งรถขับขี่อัตโนมัติบนท้องถนน และหุ่นยนต์มนุษย์ที่เสิร์ฟลูกค้าในร้านอาหาร

การไหลเข้าของบุคลากรครั้งใหญ่

• สัญญาณที่สำคัญที่สุดอย่างหนึ่งคือ การเคลื่อนย้ายของบุคลากร
• นักวิจัย นักพัฒนา และผู้ก่อตั้งจากทั้งบริษัทยักษ์ใหญ่และสตาร์ตอัปกำลังย้ายเข้าสู่สายหุ่นยนต์
• ขนาดของกระแสนี้อยู่ในระดับที่ ชวนให้นึกถึงช่วงต้นของกระแส LLM (ดูรายงาน Lazard เดือนกันยายน 2025)

"ChatGPT moment" จะมาถึงเมื่อไร

• แม้ความคืบหน้าช่วงหลังจะน่าจับตา แต่ข้อถกเถียงหลักได้ขยับมาที่ จังหวะเวลา: "ChatGPT moment" ของ Physical AI จะมาถึงเมื่อไร
• ขณะนี้ยังไปไม่ถึง true generalizability ในระดับใหญ่ภายใต้สภาพแวดล้อมจริง
• อย่างไรก็ตาม เมื่อมีตัวเร่งหลายอย่างกำลังทำงานเสริมกันแบบขนาน เส้นทางพัฒนาก็กำลังชี้ชัดขึ้นเรื่อย ๆ ว่า จุดเปลี่ยนอาจอยู่ใกล้กว่าที่คาด