คลื่นสมองเป็นกุญแจปลดล็อกต่อไปสำหรับ Physical AI หรือไม่?

โรงเก็บสินค้าแห่งหนึ่งในซานลีอันโดร แคลิฟอร์เนีย กำลังเป็นเจ้าภาพของการทดลองที่แปลกที่สุดอย่างหนึ่งในด้านหุ่นยนต์ในขณะนี้: มนุษย์คนหนึ่งกำลังดึงบล็อกไม้ออกจากหอคอย Jenga อย่างระมัดระวังในขณะที่เซ็นเซอร์วัดคลื่นสมองของเขา ฟังดูเหมือนการตั้งค่าห้องปฏิบัติการประสาทวิทยา แต่จริงๆ แล้วเป็นการดำเนินการเก็บรวบรวมข้อมูล — และอาจแสดงถึงจุดเปลี่ยนแปลงที่แท้จริงในวิธีการฝึกอบรมระบบ Physical AI คลื่นสมองเป็นกุญแจปลดล็อกต่อไปสำหรับ Physical AI หรือไม่? คำถามนี้ฟังดูเหมือนนิยายวิทยาศาสตร์ แต่เหตุผลทางวิศวกรรมเบื้องหลังนั้นค่อนข้างยากที่จะโต้แย้ง

เกิดอะไรขึ้น

การทดลองนี้เป็นของ Encord บริษัทที่สร้างเครื่องมือข้อมูลสำหรับการฝึกอบรมโมเดล AI ตามรายงาน TechCrunch Encord ใช้สิ่งที่เรียกว่า "pilots" — ผู้ฝึกหุ่นยนต์มนุษย์ — ซึ่งทำงานทางกายภาพในขณะที่สวมหัวเฟนที่มีเครื่องมือวัด หัวเฟนเหล่านี้ไม่เพียงแต่ติดตามสิ่งที่ผู้ฝึกเห็นผ่านกล้อง แต่ยังจับข้อมูล electroencephalography (EEG) ซึ่งวัดกิจกรรมของสมองในเวลาจริง ฮาร์ดแวร์หัวเฟนมาจาก Zander Labs บริษัทสตาร์ทอัพด้านประสาทวิทยาของเยอรมนีที่มุ่งเน้นไปที่การถอดรหัสสถานะจิตใจจากสัญญาณสมอง

แนวคิดหลักนั้นตรงไปตรงมาเมื่อคุณได้ยิน: เมื่อมนุษย์ทำงานที่ต้องใช้ความชำนาญ ไม่ใช่ทุกช่วงเวลาที่มีน้ำหนักทางความรู้ความเข้าใจเท่ากัน การหยิบแก้วจากโต๊ะนั้นเรื่องเล็กน้อย การดึงบล็อกที่รับน้ำหนักออกจากหอคอย Jenga ที่ไม่เสถียรนั้นไม่ใช่ การบันทึกวิดีโอมาตรฐานถือว่าทั้งสองช่วงเวลาเป็นจุดข้อมูลที่เทียบเท่ากัน การอ่านคลื่นสมองนั้นไม่ใช่ — พวกมันบ่งชี้ว่าเมื่อใดที่ผู้ปฏิบัติการมนุษย์กำลังประสบการณ์ความสนใจที่เพิ่มขึ้น ความประหลาดใจ หรือการแก้ไขข้อผิดพลาด Lucas Gehrke นักประสาทวิทยา Zander ที่ดูแลงานนี้ อธิบายว่าปริมาณกิจกรรมของสมองในช่วงเวลาใดๆ ก็ตามให้เบาะแสสำหรับผู้สร้างโมเดลที่พยายามหาว่าเมื่อใดที่พวกเขาต้องใช้โมเดลที่มีความพยายามสูงสุด

Encord กำลังถือว่านี่เป็นการทดลองเบื้องต้น แผนคือการสร้างชุดข้อมูลที่มีแท็กคลื่นสมองเบื้องต้น เรียกใช้ผ่านโมเดลหุ่นยนต์ของลูกค้า และประเมินว่ามันจริงๆ ปรับปรุงประสิทธิภาพหรือไม่ก่อนตัดสินใจว่าจะขยายขนาดขึ้นหรือไม่ Vineeth Velmurugan หัวหน้าหุ่นยนต์ของ Encord อธิบายว่านี่คือ "ขอบเขตสุดท้าย" ของความพยายามในการแก้ไขปัญหาคอขวดข้อมูลหุ่นยนต์ ปัญหาคอขวดนั้น — ไม่ใช่สถาปัตยกรรมโมเดล ไม่ใช่การคำนวณ แต่เป็นการขาดแคลนข้อมูลการฝึกอบรมทางกายภาพในโลกแห่งความเป็นจริงที่มีคุณภาพสูง — เป็นข้อจำกัดที่ทีมหุ่นยนต์ที่จริงจังกำลังเผชิญ

บริบทที่กว้างขึ้น: โมเดล Physical AI ชั้นแนวหน้าไม่ได้เรียนรู้ได้ดีจากวิดีโอ YouTube พวกมันต้องการมุมกล้องหลายมุม คำอธิบายประกอบที่หนาแน่น และตอนนี้ เห็นได้ชัดว่าบริบททางประสาทวิทยา ปัญหาข้อมูลในหุ่นยนต์นั้นแตกต่างจากปัญหาข้อมูลในโมเดลภาษาโดยพื้นฐาน และ Encord กำลังเดิมพันว่าการแก้ไขปัญหานี้ต้องการการคิดใหม่ว่า "จุดข้อมูล" หมายถึงอะไรแม้แต่

ทำไมมันจึงสำคัญสำหรับเอเชีย

เอเชียไม่ใช่ผู้ชมในการแข่งขัน Physical AI จีน ญี่ปุ่น เกาหลีใต้ และศูนย์กลางการผลิตในเอเชียตะวันออกเฉียงใต้ที่เพิ่มขึ้นนั้นล้วนมีการลงทุนอย่างลึกซึ้งในหุ่นยนต์และระบบอัตโนมัติ จีนเพียงอย่างเดียวได้กำหนดหุ่นยนต์มนุษยรูปร่างเป็นลำดับความสำคัญเชิงกลยุทธ์ของชาติ โดยมีสตาร์ทอัพที่ได้รับทุนจำนวนมากสร้างหุ่นยนต์สองขาสำหรับพื้นโรงงาน ภาคการผลิตของญี่ปุ่นได้ปรับใช้หุ่นยนต์อุตสาหกรรมนานกว่าเกือบทุกคน ชาบอลของเกาหลีใต้กำลังเทเงินทุนจำนวนมากลงในระบบอัตโนมัติของคลังสินค้า คำถามว่าข้อมูลการฝึกอบรมมาจากไหน — และใครควบคุมมัน — มีผลกระทบโดยตรงต่อแต่ละระบบนิเวศเหล่านี้

การทดลอง Encord-Zander ชี้ไปที่สิ่งที่ผู้สร้างเทคโนโลยีเอเชียควรให้ความสนใจอย่างใกล้ชิด: คุณค่าแข่งขันในระบบ Physical AI กำลังเปลี่ยนจากน้ำหนักโมเดลไปยังไปป์ไลน์ข้อมูล หากข้อมูลการฝึกอบรมที่มีคำอธิบายประกอบคลื่นสมองจริงๆ ปรับปรุงความชำนาญและการตัดสินใจของหุ่นยนต์ ทีมที่สามารถผลิตข้อมูลนั้นในระดับขนาดใหญ่จะมีข้อได้เปรียบโครงสร้างที่ยากต่อการจำลองอย่างรวดเร็ว ไปป์ไลน์ข้อมูลเป็นโครงสร้างพื้นฐาน และข้อได้เปรียบด้านโครงสร้างพื้นฐานนั้นทำให้เกิดผลกระทบ

สำหรับบริษัทหุ่นยนต์เอเชีย สิ่งนี้สร้างทั้งภัยคุกคามและโอกาส ภัยคุกคาม: หากข้อมูลการฝึกอบรม Physical AI ที่ดีที่สุดกำลังถูกสร้างขึ้นในคลังสินค้าในแคลิฟอร์เนีย โดยใช้เครื่องมือที่สร้างโดยสตาร์ทอัพประสาทวิทยาของยุโรป ผู้ผลิตเอเชียเสี่ยงต่อการพึ่งพาโครงสร้างพื้นฐานข้อมูลของตะวันตกแม้ว่าพวกเขากำลังสร้างฮาร์ดแวร์ โอกาส: เอเชียมีพื้นโรงงาน การดำเนินการคลังสินค้า และความหนาแน่นของการผลิตเพื่อสร้างข้อมูลการฝึกอบรมทางกายภาพในระดับที่ยากต่อการจับคู่ที่อื่น ชิ้นส่วนที่ขาดหายไปคือเครื่องมือวัดและเครื่องมือข้อมูลเพื่อจับมันอย่างถูกต้อง

ผู้ก่อตั้งในเอเชียตะวันออกเฉียงใต้ที่สร้างบน AI — ไม่ว่าจะเป็นด้านโลจิสติกส์ การผลิต หรือหุ่นยนต์การส่งมอบไมล์สุดท้าย — ควรติดตามการพัฒนานี้อย่างใกล้ชิด บริษัทที่หาวิธีในการติดตั้งเครื่องมือวัดในสภาพแวดล้อมการดำเนินการของตนเองและสร้างข้อมูลการฝึกอบรมทางกายภาพที่เป็นกรรมสิทธิ์จะมีบางสิ่งที่ไม่สามารถดาวน์โหลดจาก Hugging Face ได้

นี่หมายถึงอะไรสำหรับนักพัฒนา

สำหรับนักพัฒนาที่ทำงานในพื้นที่ Physical AI — ไม่ว่าคุณกำลังสร้างซอฟต์แวร์หุ่นยนต์ ไปป์ไลน์การฝึกอบรม หรือแอปพลิเคชันที่นั่งอยู่บนโมเดลพื้นฐาน — เรื่องราวคลื่นสมองเผยให้เห็นผลกระทบทางวิศวกรรมที่เป็นรูปธรรมบางประการที่คุ้มค่าที่จะคิดถึง

สัญญาณคุณภาพข้อมูลมีความสำคัญมากกว่าปริมาณข้อมูล สมมติฐานทั้งหมดของการรวมเข้า Zander Labs คือไม่ใช่ทุกช่วงเวลาการฝึกอบรมที่มีความเท่าเทียมกัน คลิปวิดีโอ 30 วินาทีของมนุษย์ที่ทำงานให้เสร็จสิ้นมีช่วงเวลาที่มีสัญญาณสูงอย่างแท้จริงสองหรือสามช่วงเวลาที่โมเดลต้องเรียนรู้บางสิ่งที่ยาก ข้อมูล EEG เป็นวิธีหนึ่งในการระบุช่วงเวลาเหล่านั้นโดยอัตโนมัติ แต่หลักการพื้นฐาน — ว่าคุณต้องการสัญญาณคุณภาพเพื่อถ่วงน้ำหนักข้อมูลการฝึกอบรมของคุณอย่างถูกต้อง — ใช้ได้ไม่ว่าคุณจะใช้เซ็นเซอร์คลื่นสมองหรือไม่ หากคุณกำลังสร้างไปป์ไลน์การฝึกอบรมสำหรับแอปพลิเคชัน Physical AI ใดๆ คุณควรถามตัวเอง: ฉันจะรู้ได้อย่างไรว่าจุดข้อมูลใดที่สำคัญที่สุด?

คำอธิบายประกอบกำลังกลายเป็นแบบมัลติโมดัล คำอธิบายประกอบข้อมูลแบบดั้งเดิมสำหรับหุ่นยนต์เกี่ยวข้องกับการติดป้ายกำกับเฟรมวิดีโอด้วยตำแหน่งวัตถุ มุมข้อต่อ และสถานะงาน การเพิ่มข้อมูลทางประสาทวิทยาเป็นเวอร์ชันสุดขั้วของแนวโน้มที่กว้างขึ้น: คำอธิบายประกอบกำลังเพิ่มขึ้น มีชั้นมากขึ้น และมีราคาแพงขึ้น นักพัฒนาที่สร้างไปป์ไลน์ข้อมูลในวันนี้ควรออกแบบเพื่อความสามารถในการขยาย สคีมาคำอธิบายประกอบที่คุณออกแบบตอนนี้ต้องรองรับประเภทสัญญาณที่ยังไม่มีอยู่ในสแต็กของคุณ

ชั้นเซ็นเซอร์กำลังกลายเป็นข้อกังวลทางวิศวกรรมชั้นหนึ่ง ใน AI ซอฟต์แวร์ ข้อมูลของคุณมาจากบันทึก การโต้ตอบของผู้ใช้ และเนื้อหาเว็บที่ขูด ใน Physical AI ข้อมูลของคุณมาจากโลกกายภาพ — และคุณภาพของข้อมูลนั้นถูกจำกัดด้วยคุณภาพของการตั้งค่าเซ็นเซอร์ของคุณ นักบินของ Encord สวมหัวเฟนพร้อมกล้องติดตามตาและเซ็นเซอร์ EEG พร้อมกัน การทำให้เครื่องมือวัดนั้นถูกต้อง ปรับเทียบ และเชื่อถือได้ในระดับขนาดใหญ่เป็นปัญหาการรวมฮาร์ดแวร์-ซอฟต์แวร์ที่นักพัฒนาซอฟต์แวร์ส่วนใหญ่ยังไม่ได้คิดถึง หากคุณกำลังเข้าสู่ Physical AI นี่คือปัญหา "โครงสร้างพื้นฐานข้อมูล" ใหม่

ประสิทธิภาพของโมเดลกลายเป็นบริบทที่ขึ้นอยู่กับ จุดของ Gehrke เกี่ยวกับการใช้ "โมเดลที่มีความพยายามสูงสุด" เฉพาะเมื่อกิจกรรมของสมองบ่งชี้ช่วงเวลาที่ต้องการการคิดอย่างหนัก มีการแปลวิศวกรรมโดยตรง: ไม่ใช่ทุกการเรียกใช้การอนุมานที่ต้องมีค่าใช้จ่ายเท่ากัน หากคุณสามารถติดป้ายกำกับข้อมูลการฝึกอบรมของคุณด้วยสัญญาณความยาก — ทางประสาทวิทยาหรืออื่นๆ — คุณสามารถฝึกโมเดลที่รู้ว่าเมื่อใดที่จะคิดอย่างหนักขึ้น นี่เป็นสิ่งที่เกี่ยวข้องไกลเกินกว่าหุ่นยนต์ แอปพลิเคชันใดๆ ที่ต้นทุนการอนุมานมีความสำคัญและความยากของงานแตกต่างกันอาจได้รับประโยชน์จากการจัดสรรการคำนวณแบบปรับตัวประเภทนี้

สำหรับนักพัฒนาที่สร้างบน MonstarX