TL;DR
· นักวิทยาการหุ่นยนต์ Animesh Garg ตั้งคำถามว่าอุตสาหกรรมใช้จำนวนชั่วโมงการควบคุมระยะไกลเป็นตัวชี้วัดความสามารถของโมเดลหรือไม่
· การเก็บข้อมูลหุ่นยนต์มีต้นทุนสูง ข้อมูลที่ใช้ในการปรับใช้มักมาจากสถานการณ์ที่แคบ และตัวอย่างที่ซ้ำกันจะทำให้ต้นทุนเพิ่มขึ้นอย่างรวดเร็ว
· สิ่งที่มีคุณค่ามากกว่าอาจเป็นความล้มเหลวในกรณีขอบ การครอบคลุมภารกิจ และตัวอย่างที่แปลกใหม่ มากกว่าเวลาทำงานทั้งหมด

Animesh Garg นักวิทยาการหุ่นยนต์ซึ่งเคยและยังคงดำรงตำแหน่งที่มหาวิทยาลัยโตรอนโต และปัจจุบันอยู่ที่ Georgia Tech ได้เปรียบเทียบการแข่งขันข้อมูลของ Physical AI กับช่วงเวลา "Moneyball" ในประวัติศาสตร์เบสบอล ในบทความชื่อ "Moneyball for Physical AI"

เขาต้องการท้าทายแนวทางการระดมทุนที่พบเห็นได้บ่อยขึ้นเรื่อยๆ: บริษัทหุ่นยนต์เพียงแค่เพิ่มการควบคุมระยะไกล การปรับใช้ในโลกจริง และชั่วโมงการทำงานมากขึ้น ก็จะสามารถสร้างวงล้อข้อมูลได้ สำหรับนักลงทุน นี่ไม่ใช่การโต้เถียงทางวิชาการ ต้นทุนโครงสร้าง ความเร็วในการ商业化 และอุปสรรคของโมเดลของบริษัท Physical AI มักถูกห่อหุ้มด้วยคำว่า "วงจรปิดข้อมูล" หากจำนวนชั่วโมงสะสมไม่เท่ากับความก้าวหน้าของโมเดลที่มีประสิทธิภาพ ตลาดก็จำเป็นต้องประเมินสินทรัพย์ข้อมูลของบริษัทเหล่านี้ใหม่

"ชั่วโมงข้อมูล" อาจเป็นความเชื่อโชคลางเรื่องอัตราการตีในอุตสาหกรรมหุ่นยนต์

Garg ใช้การเปรียบเทียบคลาสสิกจาก "Moneyball" ในปี 2002 ทีม Oakland Athletics ชนะ 103 เกมด้วยทีมที่มีเงินเดือนต่ำที่สุดในลีก กุญแจสำคัญไม่ใช่การซื้อผู้เล่นที่แพงกว่า แต่เป็นการค้นพบว่าตลาดประเมินมูลค่าผู้เล่นผิดพลาด แมวมองแบบดั้งเดิมให้ความสำคัญกับอัตราการตี การขโมยฐาน และท่าทาง แต่ตัวชี้วัดที่อธิบายความสามารถในการทำคะแนนของทีมได้ดีกว่าคืออัตราการขึ้นฐาน

ในมุมมองของเขา Physical AI อาจอยู่ในช่วงที่คล้ายกัน อุตสาหกรรมยอมรับว่าข้อมูลเป็นสิ่งจำเป็นสำหรับโมเดลหุ่นยนต์ทั่วไป แต่กลับมีแนวโน้มที่จะใช้ตัวชี้วัดที่แสดงผลได้ง่ายที่สุดเป็นตัวชี้วัดที่สำคัญที่สุด: ชั่วโมงการควบคุมระยะไกลสะสม จำนวนวิถีการสอน จำนวนหุ่นยนต์ที่ปรับใช้ และระยะเวลาการทำงานในสถานการณ์การผลิต

การจัดหาข้อมูลหุ่นยนต์และข้อมูลข้อความนั้นแตกต่างกัน โมเดลภาษาขนาดใหญ่สามารถรับข้อมูลต้นทุนต่ำจำนวนมหาศาลจากอินเทอร์เน็ต คลังโค้ด หนังสือ และเว็บเพจ โดยข้อจำกัดส่วนใหญ่มาจากพลังการประมวลผล การทำความสะอาด และประสิทธิภาพการฝึก โมเดลหุ่นยนต์ต้องการข้อมูลที่มีปฏิสัมพันธ์ทางกายภาพ การตอบสนองการเคลื่อนไหว และการเปลี่ยนแปลงสภาพแวดล้อม ทุกชั่วโมงของข้อมูลที่มีประสิทธิภาพต้องถูกสร้างขึ้นจริง ซึ่งเบื้องหลังต้องใช้อุปกรณ์ แรงงาน สถานที่ เซ็นเซอร์ ต้นทุนการจัดการความล้มเหลว และความปลอดภัย

นักวิทยาการหุ่นยนต์ Ken Goldberg เคยใช้คำว่า "100,000-year data gap" เพื่ออธิบายช่องว่างระหว่างข้อมูลหุ่นยนต์กับข้อมูล AI ระดับอินเทอร์เน็ต พูดให้ถูกต้องกว่านั้น ข้อมูลข้อความและภาพที่ใช้ในการฝึกโมเดลภาษาขนาดใหญ่สมัยใหม่ หากแปลงเป็นเวลาการอ่านหรือดูของมนุษย์ จะเทียบเท่ากับประมาณ 100,000 ปี ในขณะที่หุ่นยนต์ขาดข้อมูลปฏิสัมพันธ์จริงในปริมาณที่เทียบเท่า คำกล่าวนี้ไม่ได้ตั้งเกณฑ์ที่แน่นอนสำหรับโมเดลหุ่นยนต์ แต่เป็นการเตือนอุตสาหกรรมว่า: ข้อมูลปฏิสัมพันธ์ในโลกจริงไม่สามารถถูกดึงมาได้ด้วยต้นทุนต่ำเหมือนข้อความบนเว็บ

นี่คือเหตุผลที่ Garg คัดค้านแนวคิด "การควบคุมระยะไกลแบบโรงงานเหงื่อ" การควบคุมระยะไกลด้วยแรงงานคนจำนวนมากสามารถสร้างตัวอย่างการฝึกที่มีการเคลื่อนไหวหนาแน่นได้ แต่ถ้าบริษัทประเมินข้อมูลตามจำนวนชั่วโมงรวมเท่านั้น เงินทุนอาจไหลไปยังตัวอย่างที่ซ้ำซาก มีความยากต่ำ และมีความหนาแน่นของข้อมูลต่ำ แทนที่จะเป็นสถานการณ์ที่ช่วยลดอัตราความล้มเหลวได้มากที่สุด

ข้อมูลสามประเภทให้สิ่งที่แตกต่างกัน

ในการจำแนกของ Garg ข้อมูล Physical AI แบ่งออกเป็นสามประเภทหลัก ได้แก่ ข้อมูลการสังเกต ข้อมูลการแทรกแซง และข้อมูลการใช้งาน ทั้งหมดอาจมีประโยชน์ แต่ต้นทุน ข้อจำกัด และความหนาแน่นของข้อมูลแตกต่างกันอย่างมาก

ประเภทแรกคือข้อมูลการสังเกต เช่น วิดีโอมุมมองบุคคลที่หนึ่งหรือบุคคลที่สาม ข้อดีคือต้นทุนต่ำ ครอบคลุมกว้าง ช่วยให้โมเดลเข้าใจวัตถุ พื้นที่ ผลลัพธ์ของการกระทำ และการกระจายของสภาพแวดล้อม ข้อเสียก็ชัดเจนเช่นกัน: โมเดลอาจเห็นสิ่งที่เกิดขึ้นกับคนหรือวัตถุ แต่ไม่จำเป็นต้องรู้ว่าหุ่นยนต์ควรแสดงการกระทำใดในสถานะหนึ่ง

ประเภทที่สองคือข้อมูลการแทรกแซง เช่น การควบคุมระยะไกล การสอน และเส้นทางการกระทำจากสถานะที่สร้างขึ้นโดยการแทรกแซงของมนุษย์ ข้อมูลประเภทนี้ตรงไปตรงมามากกว่าสำหรับการฝึกหุ่นยนต์ เพราะมันมีห่วงโซ่ "เห็นอะไร เคลื่อนไหวอย่างไร เกิดอะไรขึ้นหลังเคลื่อนไหว" ราคาคือแต่ละเส้นทางคุณภาพสูงต้องใช้เงินซื้อ และต้นทุนแรงงานและอุปกรณ์ยากที่จะลดลงอย่างรวดเร็วเหมือนข้อมูลซอฟต์แวร์

ประเภทที่สามคือข้อมูลการใช้งาน ซึ่งเป็นข้อมูลเทเลเมทรีที่เกิดจากหุ่นยนต์ทำงานในสถานการณ์เชิงพาณิชย์จริง ฟังดูใกล้เคียงกับวงล้อเชิงพาณิชย์มากที่สุด: หุ่นยนต์ทำงานไปพร้อมกัน สร้างรายได้ และสร้างข้อมูลฝึก แต่ที่นี่มีกับดักทางสถิติ

สถานการณ์หุ่นยนต์ที่นำไปใช้จริงก่อนในปัจจุบัน มักจะเป็นสถานการณ์ที่มีการเปลี่ยนแปลงน้อยที่สุด กระบวนการคงที่ที่สุด และความเสี่ยงควบคุมได้มากที่สุด เช่น คลังสินค้าที่มีโครงสร้างสูง โรงงาน หรือสภาพแวดล้อมงานเดี่ยว ข้อมูลการผลิตประเภทนี้อาจมีปริมาณมาก แต่การกระจายแคบและมีความซ้ำซ้อนสูง เมื่อโมเดลเรียนรู้กฎเฉพาะพื้นที่แล้ว ทุกชั่วโมงที่ทำงานเพิ่มเติมจะทำให้ข้อมูลใหม่ลดลง

ข้อมูลการใช้งานไม่ได้ไร้ค่า สิ่งที่มีค่าจริงๆ มักไม่ใช่ส่วนปกติที่ "ทำงานสำเร็จ" จำนวนมาก แต่เป็นความล้มเหลว การติดขัด วัตถุผิดปกติ เงื่อนไขขอบเขต และการรบกวนที่หายาก ปัญหาคือ ตัวอย่างหางยาวเหล่านี้ไม่ปรากฏอย่างสม่ำเสมอตามจังหวะที่บริษัทต้องการ และต้นทุนในการค้นหา คัดกรอง และทบทวนก็สูงกว่า

ข้อมูลมากขึ้นมีประโยชน์ แต่ตัวอย่างซ้ำซากจะแพงขึ้นเร็ว

Garg ระมัดระวังในการนำ scaling law ของโมเดลภาษามาใช้: การเพิ่มข้อมูลมักจะทำให้ loss ของโมเดลลดลง แต่ผลตอบแทนลดลงเรื่อยๆ ถ้าตัวอย่างซ้ำซาก ใกล้เคียงกัน หรือมาจากการกระจายแคบเดียวกัน ประโยชน์ของข้อมูลใหม่จะลดลงเร็วขึ้น

เมื่อนำมาใช้ในสาขาหุ่นยนต์ ปัญหานี้ชัดเจนยิ่งขึ้น หุ่นยนต์ที่เรียนรู้การหยิบกล่องบรรจุภัณฑ์คงที่จากชั้นวางคงที่ การสอน ความล้มเหลว และการแก้ไขในหลายพันครั้งแรกอาจมีค่ามาก แต่เมื่อการเคลื่อนไหว วัตถุ แสง และเส้นทางถูกเก็บซ้ำแล้วซ้ำอีก ข้อมูลใหม่ก็เหมือนกับการคัดลอกประสบการณ์เฉพาะที่ที่เรียนรู้ไปแล้ว

ในการฝึกโมเดลภาษา มีประสบการณ์ที่คล้ายคลึงกันอยู่แล้ว: ข้อมูลที่ซ้ำซ้อนและใกล้เคียงกันจะสิ้นเปลืองงบประมาณในการฝึก และการซ้ำซ้อนมากเกินไปอาจส่งผลเสียต่อการสรุปทั่วไป Garg ไม่ได้นำข้อสรุปเหล่านี้มาใช้โดยตรงกับการฝึกหุ่นยนต์ แต่ใช้เพื่อชี้ให้เห็นทิศทาง: การวัดคุณค่าของข้อมูลไม่สามารถดูแค่ปริมาณเท่านั้น แต่ต้องดูด้วยว่าตัวอย่างแต่ละชิ้นมีความแตกต่างกันมากน้อยแค่ไหน

สำหรับ Physical AI ความหลากหลายมีความหมายอย่างน้อยสองระดับ ระดับแรกคือการให้โมเดลได้เห็นวัตถุ พื้นที่ วัสดุ แสงสว่าง การบดบัง และวิธีการจัดการที่หลากหลายมากขึ้น ระดับที่สองคือการหลีกเลี่ยงไม่ให้โมเดลทำงานได้ดีเฉพาะในชุดงานที่เรียบง่ายเกินไป แต่กลับล้มเหลวเมื่อเปลี่ยนไปใช้สถานการณ์ที่แตกต่างกันเล็กน้อย

กรณีความล้มเหลวแบบหางยาว (Long-tail) จึงกลายเป็นสิ่งสำคัญ โลกทางกายภาพจริงไม่ได้กระจายตัวอย่างสม่ำเสมอ ความผิดปกติที่เกิดขึ้นน้อยครั้งมักเป็นตัวกำหนดความสามารถในการใช้งานเชิงพาณิชย์ เช่น การวางวัตถุที่คลาดเคลื่อนเล็กน้อย บรรจุภัณฑ์ที่ผิดรูป พื้นผิวที่สะท้อนแสง มือจับที่ลื่น การแทรกแซงของมนุษย์อย่างกะทันหัน เซ็นเซอร์ที่มองไม่เห็น หรือการเปลี่ยนแปลงของแรงเสียดทานบนพื้น แม้ว่าโมเดลจะทำงานได้ดีกับตัวอย่างทั่วไป แต่หากไม่สามารถจัดการกับเหตุการณ์ส่วนหางเหล่านี้ได้ การนำไปใช้งานจริงก็ยังคงถูกขัดขวางโดยความล้มเหลวส่วนน้อย

วงล้อการปรับใช้จะทำงานได้ จำเป็นต้องมีสถานการณ์ช่วงแรกที่ "ใหม่" เพียงพอ

สิ่งที่บทความนี้ท้าทายอย่างแท้จริงคือเส้นทางการสร้างรายได้เชิงพาณิชย์ทั่วไปของบริษัทหุ่นยนต์ที่มีกายภาพ (Embodied AI) นั่นคือ การปรับใช้หุ่นยนต์ในสถานการณ์ที่แคบก่อน ใช้การควบคุมระยะไกลโดยมนุษย์เพื่อรับประกันความสามารถในการทำงาน พร้อมกับเก็บข้อมูลการผลิต จากนั้นใช้ข้อมูลเหล่านี้เพื่อฝึกโมเดลที่แข็งแกร่งขึ้น และเปิดสถานการณ์เพิ่มเติม

Garg เรียกเส้นทางประเภทนี้ว่าแนวคิด "neo-integrator" ซึ่งพยายามหลีกเลี่ยงต้นทุนการเก็บข้อมูลบริสุทธิ์ โดยนำหุ่นยนต์เข้าไปในกระบวนการผลิตเชิงพาณิชย์ เพื่อให้รายได้จากการดำเนินงานชดเชยต้นทุนข้อมูล เมื่อเทียบกับการสร้างโรงงานปฏิบัติการระยะไกลโดยเฉพาะ เส้นทางนี้ฟังดูมีประสิทธิภาพมากกว่า

แต่วงล้อนี้จะทำงานได้ก็ต่อเมื่อมีข้อแม้ประการหนึ่ง: ข้อมูลที่สร้างจากสถานการณ์เชิงพาณิชย์ช่วงแรกต้องใหม่พอและหลากหลายพอที่จะช่วยให้โมเดลปรับใช้กับงานอื่นๆ ได้ หากสถานการณ์ที่ปรับใช้เป็นเพียงงานแคบที่มีการเปลี่ยนแปลงต่ำ เอนโทรปีต่ำ และปรับแต่งทางวิศวกรรมอย่างหนัก ข้อมูลก็จะอิ่มตัวอย่างรวดเร็ว สิ่งที่บริษัทอาจได้รับไม่ใช่วงล้อความสามารถทั่วไป แต่เป็นชุดโครงการที่กำหนดเองซึ่งต้องมีการบูรณาการ การบำรุงรักษา และการจัดการความผิดปกติอย่างต่อเนื่อง

สิ่งนี้จะนำไปสู่ต้นทุนสองประเภท ประเภทแรก ทุกครั้งที่เข้าสู่สถานการณ์ใหม่ จะต้องลงทุนในการปรับเปลี่ยนสภาพแวดล้อม การปรับกระบวนการ การจัดการความล้มเหลว และกลไกความปลอดภัย ประเภทที่สอง หากการปรับใช้ยังไม่ถึงจุดคุ้มทุน การขยายขนาดอาจไม่ใช่การเก็บข้อมูลด้วยต้นทุนต่ำ แต่อาจเป็นการแลกเปลี่ยนผลขาดทุนเพื่อให้ได้ตัวอย่างที่มีความแปลกใหม่ต่ำจำนวนมาก

ดังนั้น การปรับใช้ในช่วงแรกไม่ได้ไร้ประโยชน์ แต่จำเป็นต้องพิจารณาอย่างละเอียดมากขึ้น: มันครอบคลุมงานใหม่ได้มากแค่ไหน สร้างตัวอย่างความล้มเหลวและความผิดปกติได้มากเพียงใด ตัวอย่างเหล่านี้สามารถถ่ายโอนไปยังสถานการณ์อื่นได้หรือไม่ และหลังจากหักต้นทุนฮาร์ดแวร์ แรงงาน การบำรุงรักษา และการบูรณาการแล้ว การปรับปรุงโมเดลที่ได้จากเงินแต่ละดอลลาร์นั้นมีมากน้อยแค่ไหน

การเล่าเรื่องมูลค่าไม่ควรถามแค่ว่าสะสมกี่ชั่วโมง

คำแนะนำของ Garg ไม่ใช่ให้หยุดเก็บข้อมูล แต่ให้เปลี่ยนเกณฑ์การประเมิน ชั่วโมงการทำงานสะสม ชั่วโมงการควบคุมระยะไกล และจำนวนเส้นทางสามารถใช้เป็นตัวชี้วัดการดำเนินงาน แต่ไม่ควรถูกมองว่าเทียบเท่ากับความก้าวหน้าของโมเดลโดยตรง

คำถามที่มีอำนาจอธิบายมากกว่า ได้แก่ ข้อมูลของงานเดี่ยวๆ อิ่มตัวเมื่อใด งานใหม่แต่ละงานต้องใช้ต้นทุนการบูรณาการทางวิศวกรรมเท่าใด ข้อมูลครอบคลุมสถานการณ์และกลุ่มการกระทำที่แตกต่างกันมากน้อยเพียงใด ในข้อมูลการผลิตมีตัวอย่างการกระจายตัวที่เบี่ยงเบนและผิดปกติจริงเท่าใด และในกระแสการปรับใช้มีส่วนสำเร็จปกติที่ควรกรองออกมากน้อยเพียงใด แทนที่จะป้อนให้โมเดลต่อไป

เมื่อเทียบกับข้อมูลสามประเภท การจัดสรรทุนก็จะแตกต่างกัน ข้อมูลการสังเกตควรให้ความสำคัญกับต้นทุนต่ำ ความหลากหลาย และการครอบคลุมกว้าง เพื่อขยายขอบเขตความสามารถพื้นฐาน ข้อมูลการควบคุมระยะไกลและการสาธิตที่มีต้นทุนสูง เมื่อถึงจุดอิ่มตัวของงานเดี่ยว ควรเปลี่ยนงบประมาณไปยังงานมากขึ้น แทนที่จะทำซ้ำการกระทำเดิม ข้อมูลการปรับใช้ควรเน้นการคัดกรองตัวอย่างที่ล้มเหลว เงื่อนไขขอบเขต และนอกการกระจาย และทิ้งบันทึกการทำงานปกติที่มีความหนาแน่นของข้อมูลต่ำ

มุมมองนี้มีผลกระทบต่อการเล่าเรื่องมูลค่าของ Physical AI ในโลกจริง การที่บริษัทมีหุ่นยนต์มากขึ้น เวลาทำงานนานขึ้น และทีมควบคุมระยะไกลใหญ่ขึ้น ไม่ได้หมายความโดยอัตโนมัติว่ามีกำแพงโมเดลที่แข็งแกร่งกว่า ความสามารถที่ยากต่อการลอกเลียนแบบอาจเป็นการค้นหาข้อมูลหางยาวที่มีมูลค่าสูงอย่างต่อเนื่อง การตัดสินว่าข้อมูลประเภทใดอิ่มตัวเมื่อใด และการครอบคลุมการกระจายงานมากขึ้นด้วยต้นทุนที่ต่ำกว่า

อย่างไรก็ตาม นี่ยังคงเป็นมุมมองการจัดสรรทุน ยังไม่ใช่ข้อสรุปของอุตสาหกรรม ไม่ว่าหุ่นยนต์โมเดลจะมีผลตอบแทนตามขนาดคล้ายกับโมเดลภาษา ข้อมูลการปรับใช้จะสามารถสร้างข้อมูลใหม่ในสถานการณ์มิติสูงบางอย่างได้อย่างต่อเนื่องหรือไม่ และประสิทธิภาพการถ่ายโอนระหว่างงานต่างๆ จะสูงแค่ไหน ล้วนต้องรอคำตอบจากผลการทดลองเพิ่มเติม

คำเตือนของ Garg ตกอยู่ที่ปัญหาที่เฉพาะเจาะจงมากขึ้น: "ตัวชี้วัดทองคำ" ของ Physical AI อาจไม่ใช่จำนวนชั่วโมงข้อมูล แต่เป็นตัวอย่างใหม่ที่ซื้อได้ด้วยเงินแต่ละดอลลาร์ สำหรับบริษัทหุ่นยนต์ที่ยังคงเล่าเรื่องด้วยวงล้อข้อมูล สิ่งที่ตลาดจะมองในที่สุดอาจไม่ใช่ระยะเวลาการทำงานสะสมที่ยาวนาน แต่เป็นว่าช่วงเวลานั้นสร้างข้อมูลใหม่ได้มากเพียงใด

ยินดีต้อนรับสู่ชุมชนทางการของ BlockBeats:

กลุ่ม Telegram สมัครสมาชิก: https://t.me/theblockbeats

กลุ่ม Telegram พูดคุย: https://t.me/BlockBeats_App

บัญชี Twitter ทางการ: https://twitter.com/BlockBeatsAsia