Binance เปิดตัว Agent OS: ให้ AI เทรดคริปโต แต่ผู้ใช้ยังคงเป็นผู้ควบคุมหลัก

Binance เวทีซื้อขายคริปโตเคอร์เรนซีที่ใหญ่ที่สุดในโลก พร้อมผู้ใช้งานกว่า 300 ล้านคน ได้เปิดตัวแพลตฟอร์มใหม่ล่าสุด "Agent OS" ที่จะเปิดประตูสู่การเทรดสินทรัพย์ดิจิทัลด้วยปัญญาประดิษฐ์ (AI) โดยตรง โดย AI Agent จะสามารถวิเคราะห์ตลาดและดำเนินการซื้อขายแทนผู้ใช้ได้จริง

Agent OS คืออะไร?

Agent OS เป็นแพลตฟอร์มที่ช่วยให้นักพัฒนาสามารถเชื่อมต่อแอปพลิเคชันและ AI Agent เข้ากับโครงสร้างพื้นฐานทางการเงินของ Binance ได้อย่างราบรื่น แพลตฟอร์มนี้ได้รวมเอาเครื่องมือและบริการที่มีอยู่เดิมของ Binance เข้าไว้ด้วยกัน เช่น Binance APIs, Binance Wallet Agentic Hub, Binance x402 (ระบบยืนยันธุรกรรมและอำนวยความสะดวกในการชำระเงิน) และ Binance Skill Hub นอกจากนี้ยังรองรับ Model Context Protocol (MCP) ที่เพิ่งเปิดตัวใหม่

ที่สำคัญ Agent OS สามารถทำงานร่วมกับเครื่องมือ AI ยอดนิยมอย่าง ChatGPT และ Codex จาก OpenAI, Claude Code จาก Anthropic และ Cursor ได้ ทำให้ผู้ใช้สามารถอนุญาตให้ AI Agent เข้าถึงข้อมูลตลาด, ดูข้อมูลบัญชี และดำเนินการซื้อขายได้

ความรับผิดชอบของผู้ใช้: หัวใจสำคัญของการเทรดด้วย AI Agent

ในขณะที่การแข่งขันด้าน AI กำลังก้าวข้ามขีดจำกัดของแชทบอทที่ตอบคำถาม ไปสู่ Agent ที่สามารถดำเนินการต่างๆ ได้ Binance ได้เน้นย้ำว่า ความรับผิดชอบส่วนใหญ่ในการควบคุม AI Agent ให้อยู่ในกรอบที่ปลอดภัยนั้น ขึ้นอยู่กับผู้ใช้เอง ซึ่งผู้ใช้จะต้องเป็นผู้ตัดสินใจว่า AI Agent จะสามารถเข้าถึงและซื้อขายอะไรได้บ้าง รวมถึงการตั้งค่าขีดจำกัดการทำงานต่างๆ

Jeff Li รองประธานฝ่ายผลิตภัณฑ์ของ Binance กล่าวว่า แทนที่จะให้อิสระอย่างเต็มที่ Binance เลือกที่จะมอบอำนาจให้ผู้ใช้เป็นผู้ควบคุมการเข้าถึงในระดับละเอียด (granular access control) ว่า Agent สามารถทำอะไรได้บ้าง โดยการควบคุมนี้จะอยู่ที่ระดับบัญชี เพื่อปกป้องเงินทุนของผู้ใช้

กลไกการควบคุมความปลอดภัยใน Agent OS

Binance ใช้กลไกหลักคือ "บัญชีย่อย" (Sub-accounts) ที่ผู้ใช้สามารถกำหนดให้กับ AI Agent แต่ละตัวได้ พร้อมตั้งค่ากิจกรรมที่เฉพาะเจาะจง เช่น การเทรดแบบ Spot หรือ Futures การถอนเงินจากบัญชีย่อยเหล่านี้จะถูกบล็อกโดยค่าเริ่มต้น เพื่อสร้างสภาพแวดล้อมที่ปลอดภัย (sandbox) สำหรับการทำงานของ Agent

นอกจากนี้ ผู้ใช้ยังสามารถเลือกว่าต้องการให้ AI Agent ขออนุมัติทุกคำสั่งซื้อขาย หรือสามารถดำเนินการซื้อขายได้โดยอัตโนมัติหลังจากตั้งค่าสิทธิ์การเข้าถึงแล้ว Binance ไม่ได้กำหนดเพดานแยกต่างหากสำหรับปริมาณการซื้อขายหรือการขาดทุนที่ AI Agent สามารถทำได้ ดังนั้น จำนวนเงินที่ผู้ใช้โอนเข้าบัญชีย่อยจึงทำหน้าที่เป็นขีดจำกัดโดยปริยาย

ข้อจำกัดในการตรวจสอบการตัดสินใจของ AI

เมื่อถูกถามว่า Binance สามารถเห็นเหตุผลเบื้องหลังการตัดสินใจซื้อขายของ Agent ได้หรือไม่ Jeff Li ชี้แจงว่า กระบวนการคิดหรือการตัดสินใจเกิดขึ้นภายนอกระบบของ Binance อาจจะอยู่บนคอมพิวเตอร์ของผู้ใช้ หรือภายในแอปพลิเคชัน AI ที่ผู้ใช้เลือกใช้ ดังนั้น Binance จึงไม่สามารถมองเห็นเหตุผลในการกระทำของผู้ใช้ได้

นั่นหมายความว่า Binance สามารถติดตามกิจกรรมการซื้อขายที่เกิดจาก Agent ได้ แต่มีข้อจำกัดในการมองเห็นว่าการตัดสินใจนั้นได้รับอิทธิพลจากข้อมูลที่ผิดพลาด หรือการถูกควบคุม/ปั่นป่วน (manipulation) หรือไม่

มาตรการป้องกันเมื่อ Agent ถูกโจมตี

ในกรณีที่ AI Agent ถูกโจมตีผ่าน Prompt Injection หรือถูกควบคุมในรูปแบบอื่น Jeff Li ยังคงชี้ไปที่บัญชีย่อยว่าเป็นแนวป้องกันหลัก นอกจากนี้ Binance ยังยืนยันว่านโยบายด้านความปลอดภัย, การควบคุมความเสี่ยง และการป้องกันการฟอกเงินที่มีอยู่สำหรับ Binance APIs ของบัญชีย่อย จะถูกนำมาใช้กับ Agent OS ด้วยเช่นกัน

กรณีการใช้งานที่หลากหลายนอกเหนือจากการเทรด

นอกเหนือจากการเทรดซึ่งเป็นหนึ่งในกรณีการใช้งานแรกๆ ที่ Binance มุ่งเน้น Jeff Li กล่าวว่า Agent ยังสามารถใช้เพื่อติดตามสภาวะตลาด, ทำการวิจัยและวิเคราะห์ความเสี่ยง, ตอบสนองต่อสัญญาณต่างๆ และดำเนินการวางคำสั่งซื้อขายโดยอัตโนมัติ หรือใช้กลยุทธ์เช่น Arbitrage ได้

Agent OS ยังได้รับการออกแบบมาเพื่อเชื่อมต่อ Agent เข้ากับระบบการชำระเงินและกิจกรรมบนบล็อกเชน (on-chain activity) ผ่านการผสานรวม x402 ของ Binance Agent สามารถส่งและชำระเงินได้ ในขณะที่ Agentic Wallet ช่วยให้ Agent สามารถโต้ตอบกับโทเค็นและโปรโตคอล DeFi ได้

แตกต่างจากการเทรดบน Exchange ที่ Binance ไม่ได้กำหนดเพดานการซื้อขายหรือขาดทุนของ Agent ในบัญชีย่อย แต่ธุรกรรมผ่าน Agentic Wallet จะมี ขีดจำกัดรายวัน ที่ Binance กำหนดไว้ เช่น การแลกเปลี่ยนปกติ (regular swaps) มีเพดานที่ 50,000 ดอลลาร์สหรัฐต่อวัน, ธุรกรรม DeFi มีขีดจำกัดเริ่มต้นที่ 100,000 ดอลลาร์สหรัฐต่อวัน และการชำระเงิน x402 จำกัดไว้ที่ 20 ดอลลาร์สหรัฐต่อวัน

ก้าวต่อไปของ Binance และภาพรวมตลาด

Jeff Li กล่าวว่า Agent OS เป็น "ก้าวแรก" ของ Binance ในการมอบแพลตฟอร์มให้นักพัฒนาสร้างแอปพลิเคชันที่ขับเคลื่อนด้วย AI ซึ่งสามารถดำเนินการได้ทั้งในตลาดคริปโตและตลาดดั้งเดิม

Binance ไม่ใช่ผู้เล่นรายเดียวที่เปิดโครงสร้างพื้นฐานให้กับ AI Agent คู่แข่งในตลาดคริปโตอื่นๆ ก็กำลังเคลื่อนไหวในทิศทางเดียวกัน โดยใช้ MCP และเครื่องมือสำหรับนักพัฒนาอื่นๆ เพื่อให้แอปพลิเคชัน AI สามารถเข้าถึงข้อมูลตลาดและระบบการซื้อขายได้โดยตรง

• Kraken ได้เปิดตัวเครื่องมือ Command-line แบบ Open-source พร้อมเซิร์ฟเวอร์ MCP ในตัวที่ช่วยให้ AI Agent สามารถดำเนินการต่างๆ รวมถึงการเทรด Spot และ Futures ได้
• Coinbase ตามมาในเดือนมิถุนายนด้วย "Coinbase for Agents" ที่เชื่อมต่อ AI Agent เข้ากับบัญชีผู้ใช้โดยตรง และอนุญาตให้ทำการซื้อขาย, ชำระเงิน และดำเนินการเวิร์กโฟลว์ทางการเงินอื่นๆ ภายใต้ขีดจำกัดที่ผู้ใช้กำหนด
• OKX ก็ได้เปิดใช้งานการเทรดแบบ Agentic บนแพลตฟอร์มของตนด้วยการนำเสนอชุดเครื่องมือ MCP แบบ Open-source ในช่วงต้นปีที่ผ่านมา

การเปิดตัว Agent OS ของ Binance แสดงให้เห็นถึงแนวโน้มที่ชัดเจนของการนำ AI มาใช้ในอุตสาหกรรมคริปโตเคอร์เรนซี ซึ่งอาจนำมาซึ่งประสิทธิภาพและความสะดวกสบายที่มากขึ้น แต่ขณะเดียวกันก็เน้นย้ำถึงความสำคัญของการบริหารจัดการความเสี่ยงและการควบคุมโดยผู้ใช้เป็นหลัก

#AI #Binance #คริปโต

ขอบคุณ แหล่งข้อมูล
https://techcrunch.com/2026/08/20/binance-now-lets-ai-agents-trade-but-keeping-them-in-check-is-largely-up-to-users/

พัฒนาหุ่นยนต์ให้ทำงานได้อย่างอิสระบนอุปกรณ์ด้วย NVIDIA Cosmos 3 Edge

หุ่นยนต์สมัยใหม่ต้องการความสามารถในการปรับตัวให้เข้ากับเซ็นเซอร์ สภาพแวดล้อม และภารกิจที่หลากหลาย โดยเฉพาะอย่างยิ่งเมื่อต้องทำงานบนฮาร์ดแวร์คอมพิวเตอร์ที่ติดตั้งบนตัวหุ่นยนต์เอง โมเดลโลก (World Models) เป็นพื้นฐานสำคัญในการเรียนรู้ปฏิสัมพันธ์ทางกายภาพ แต่ขนาดที่ใหญ่อาจเป็นอุปสรรคต่อการนำไปใช้งานบนอุปกรณ์โดยตรง วันนี้ NVIDIA Cosmos 3 Edge ได้เข้ามาเปลี่ยนแปลงข้อจำกัดนี้

Cosmos 3 Edge คือ Omni-model ขนาด 4 พันล้านพารามิเตอร์ (พร้อมด้วย Reasoner ขนาด 2 พันล้านพารามิเตอร์ที่ใช้สถาปัตยกรรม NVIDIA Nemotron) ในตระกูล Cosmos 3 ถูกฝึกฝนล่วงหน้า (Pre-trained) ด้วยข้อมูลโลกทางกายภาพเช่นเดียวกับ NVIDIA Cosmos 3 Nano และ NVIDIA Cosmos 3 Super ทำให้มีความเข้าใจพื้นฐานเกี่ยวกับวิธีการเคลื่อนที่และปฏิสัมพันธ์ของวัตถุต่างๆ ได้เป็นอย่างดี นอกจากนี้ โมเดลยังมีขนาดเล็กพอที่จะทำงานได้บนอุปกรณ์ NVIDIA Jetson Thor

บทความนี้จะแนะนำวิธีการ Post-train Cosmos 3 Edge เพื่อสร้างนโยบายการควบคุมหุ่นยนต์ (Manipulation Policy) ที่สามารถทำงานบน Jetson Thor และประเมินผลได้ในสภาพแวดล้อมจำลองแบบวนรอบปิด (Closed-loop simulation)

สิ่งที่คุณจะได้เรียนรู้

• วิธีการ Post-train Cosmos 3 Edge เพื่อทำนายการกระทำของหุ่นยนต์
• การให้บริการนโยบายที่ได้บน Jetson Thor
• การรัน Inference ภายในวงจรควบคุมแบบ Receding-Horizon
• การประเมินพฤติกรรมของนโยบายในสภาพแวดล้อมจำลองแบบ Closed-loop

ขั้นตอนทั้งหมดสามารถทำซ้ำได้จากคลังโค้ด cosmos-framework แบบโอเพนซอร์ส และสามารถดาวน์โหลด Checkpoint ที่ปล่อยออกมาได้จาก HuggingFace

ทำไมต้อง Post-train Cosmos 3 Edge สำหรับการควบคุมหุ่นยนต์บนอุปกรณ์?

โมเดลพื้นฐาน (Foundation Models) ประเภท World Models ถูกฝึกฝนล่วงหน้าด้วยชุดข้อมูลหลายรูปแบบขนาดใหญ่ ซึ่งรวบรวมรูปแบบการเคลื่อนที่และปฏิสัมพันธ์ทางกายภาพของวัตถุ เช่น วิธีที่วัตถุตก การไถล หรือการตอบสนองเมื่อสัมผัส Cosmos สามารถสร้างการกระทำ (Actions) โดยอิงจากการทำความเข้าใจและการคาดการณ์ทางกายภาพได้โดยธรรมชาติ ความรู้พื้นฐานนี้จึงเป็นจุดเริ่มต้นที่มีประโยชน์อย่างยิ่งสำหรับการฝึกนโยบายหุ่นยนต์ แทนที่จะต้องเรียนรู้ความสัมพันธ์ทางกายภาพทั้งหมดจากตัวอย่างการสาธิตเฉพาะงาน

อย่างไรก็ตาม การนำโมเดลเหล่านี้ไปใช้งานบนหุ่นยนต์จริงนั้นมีข้อจำกัดในทางปฏิบัติ 2 ประการ:

1. หน่วยความจำอุปกรณ์ (Device Memory): โมเดลและสถานะการทำงาน (Runtime State) ต้องมีขนาดพอดีกับหน่วยความจำที่มีอยู่บนหุ่นยนต์
2. ความหน่วงของการควบคุม (Control Latency): กระบวนการ Inference ทั้งหมดต้องรวดเร็วพอที่จะรองรับความถี่ในการควบคุมที่หุ่นยนต์ต้องการ

การ Post-train Cosmos 3 Edge เป็นการแก้ไขข้อจำกัดเหล่านี้ โดยนโยบายโมเดลที่ได้จะมีขนาดพอดีกับหน่วยความจำของ Jetson Thor ทำให้การ Inference ทำงานได้โดยตรงบนหุ่นยนต์ โดยไม่ต้องพึ่งพา GPU ในศูนย์ข้อมูล

ปัจจัยที่เหลือคือความหน่วงของการควบคุม นโยบายการกระทำ DROID ทำงานได้แบบเรียลไทม์บนตัวหุ่นยนต์ โดยบน NVIDIA Jetson AGX Thor T5000 สามารถสร้าง Action Chunk แต่ละอันได้ในเวลาประมาณ 1.53 วินาที (ทำงานที่ความละเอียด 640×540 และ 15 Hz) โดย Action Chunk หนึ่งอันครอบคลุมการเคลื่อนที่ของหุ่นยนต์ประมาณ 2.13 วินาที เนื่องจาก Action Chunk ถัดไปพร้อมใช้งานก่อนที่อันปัจจุบันจะเสร็จสิ้น แขนหุ่นยนต์จึงเคลื่อนที่ได้อย่างต่อเนื่อง โดยไม่มี GPU ในศูนย์ข้อมูลเข้ามาเกี่ยวข้อง นโยบายนี้รองรับการสตรีมอย่างต่อเนื่องบนอุปกรณ์โดยการสร้าง Action Chunks และวางแผนใหม่ (Replanning) หลังจากการ Inference แต่ละรอบ โดยไม่วางแผนใหม่ทุกครั้งที่ได้รับข้อมูล (Observation)

ในการทดสอบ RoboLab แบบ Closed-loop นโยบายที่ Post-train สามารถทำสำเร็จได้ถึง 22.9% ผลลัพธ์เหล่านี้แสดงให้เห็นว่าโมเดลพื้นฐาน World Foundation Model ขนาด 4 พันล้านพารามิเตอร์ สามารถเป็นแกนหลักของนโยบายบนอุปกรณ์แบบเรียลไทม์ที่ใช้งานได้จริง โมเดลนี้มีขนาดพอดีกับ Jetson AGX Thor และทำงานทั้งหมดบนตัวหุ่นยนต์

ข้อมูลที่ใช้อบรม Policy

นโยบายที่ปล่อยออกมาในบทความนี้ฝึกฝนด้วยชุดข้อมูล nvidia/Cosmos3-DROID ซึ่งประกอบด้วยเส้นทางการเคลื่อนที่ที่สำเร็จจากการควบคุมจากระยะไกลกว่า 76,000 เส้นทาง คิดเป็นประมาณ 350 ชั่วโมง ครอบคลุม 86 งาน และ 564 ฉาก ที่รวบรวมด้วยแขนหุ่นยนต์ Franka Panda และกริปเปอร์ Robotiq

ชุดข้อมูลถูกจัดรูปแบบด้วย LeRobotDataset v3.0 ที่ความละเอียด 640 × 360 พิกเซล โดยมีขั้นตอนการเตรียม 3 ขั้นตอน:

1. กรองเฟรมที่ไม่มีการเคลื่อนไหวและไม่ใช่เฟรมของงาน
2. เลือกตัวอย่างการสาธิตที่สำเร็จสำหรับการฝึก
3. ใช้การสุ่มตัดภาพ (Random Cropping), การปรับขนาด (Rescaling) และการปรับสี (Color Jitter) ระหว่างการฝึก

นำข้อมูลหุ่นยนต์ของคุณมาใช้

คุณสามารถแปลงข้อมูลของคุณให้อยู่ในรูปแบบ LeRobot Dataset v3 (วิดีโอต่อเฟรม, สถานะข้อต่อ, สถานะกริปเปอร์, การกระทำ, คำแนะนำงาน) สำหรับการตั้งค่า Franka ที่คล้ายกับ DROID การเปลี่ยนแปลงหลักคือพาธของชุดข้อมูล หุ่นยนต์ที่มีลักษณะแตกต่างกัน (Embodiment) จะต้องมีการกำหนดค่าการทดลอง (Experiment Configuration) ของตนเอง ซึ่งจะกำหนดพื้นที่การกระทำ (Action Space), มิติ, เลย์เอาต์ของกล้อง และการตั้งค่าการทำให้เป็นมาตรฐาน (Normalization Settings)

Cosmos 3 รองรับหุ่นยนต์หลายประเภท รวมถึง Franka แบบแขนคู่, UR, WidowX 250, LeRobot SO101 ดูรายละเอียดได้ที่ Model Card ของ Cosmos 3 Edge

สิ่งที่ต้องมีก่อนเริ่มต้น

• Cosmos framework เวอร์ชันล่าสุด
• ฮาร์ดแวร์ที่ผ่านการตรวจสอบสำหรับการฝึก: NVIDIA DGX Station ที่ติดตั้ง NVIDIA GB200 Grace Blackwell Superchip หรือ NVIDIA GB300 Grace Blackwell Ultra Desktop Superchip
• เวอร์ชัน NVIDIA CUDA และ Container ที่รองรับ: CUDA 13.0 (cu130), NGC 26.06-py3
• การเข้าถึง Cosmos 3 Edge Base Checkpoint
• การเข้าถึงชุดข้อมูล Cosmos3-DROID
• Hugging Face Access Token

โปรดทราบว่านี่คือการ Post-training โมเดลพื้นฐาน ไม่ใช่การ Fine-tune บน GPU เดี่ยว การรันที่ตรวจสอบแล้วใช้ 64 โหนด (Node) ของ 4× GB200 เป็นเวลา 60,000 Iterations หรือประมาณ 68 ชั่วโมง (ประมาณ 17.4K GB200-hours) โปรดวางแผนทรัพยากรคอมพิวเตอร์ตามความเหมาะสม

วิธีการ Post-train

โดยรวมแล้ว การ Post-train แบ่งออกเป็น 4 ขั้นตอนหลัก:

1. ดาวน์โหลดชุดข้อมูล
2. แปลง Base Checkpoint เป็นรูปแบบ Distributed Checkpoint (DCP)
3. ใช้ Curation Filter
4. แก้ไขและเปิดใช้งานสคริปต์ Post-training

คุณจะพบไฟล์สคริปต์ในคลังโค้ด: examples/launchsftactionpolicydroid_nano.sh

สคริปต์นี้จะลงทะเบียนสูตร (Recipe) สำหรับ Cosmos 3 Nano หากต้องการฝึก Cosmos 3 Edge ให้ทำการแก้ไข 3 จุดก่อนเปิดใช้งาน:

• แทนที่การนำเข้า NANOMODELCONFIG ด้วย EDGEMODELCONFIG (จาก configs/base/experiment/sft/models/edgemodelconfig.py)
• ตั้งค่า BASECHECKPOINTPATH ให้เป็น Cosmos 3 Edge DCP Checkpoint จากขั้นตอนการแปลง
• เปลี่ยนชื่อ examples/launchsftactionpolicydroidnano.sh เป็น examples/launchsftactionpolicydroidedge.sh

ส่วนอื่นๆ ทั้งหมด รวมถึงชุดข้อมูล, Action Space, Curation Filter และตารางการฝึก จะยังคงเหมือนเดิม

สำหรับคำแนะนำแบบ End-to-End ล่าสุด รวมถึงการแปลง Checkpoint, การกำหนดค่าสภาพแวดล้อม และการตั้งค่า Curation Filter โปรดดูที่ DROID Post-training Reproduction Guide และ Model Card ซึ่งจะมีการอัปเดตพร้อมกับคลังโค้ด

วิธีการ Deploy และรัน Policy บน Jetson Thor

นโยบายจะถูกให้บริการโดย WebSocket Policy Server ที่ใช้โปรโตคอล OpenPI ซึ่งเป็นโปรโตคอลเดียวกันที่ใช้ทั่วทั้งระบบ DROID Policy Client จะส่ง Dictionary ของ Observation เข้าไป และ Server จะส่ง Action Chunk กลับมา สำหรับ Edge Server จะทำงานโดยตรงบน Jetson Thor ด้วยขนาดประมาณ 9 GB (ใน BF16) น้ำหนักโมเดล (Weights) จะพอดีกับหน่วยความจำบนบอร์ดของ Thor ทำให้ทั้ง Policy Server และ Control Client ทำงานบนหุ่นยนต์ได้ โดยไม่ต้องใช้ GPU ในศูนย์ข้อมูล

เริ่มต้น Policy Server บนหุ่นยนต์

เนื่องจาก Server ทำงานบน Thor, host="localhost" การร้องขอจึงไม่จำเป็นต้องออกจากหุ่นยนต์ บนอุปกรณ์ Policy จะทำงานแบบเรียลไทม์ นี่คือการ Inference บนอุปกรณ์ที่ Cosmos Edge เปิดใช้งาน

Smoke Test (ไม่จำเป็นต้องใช้หุ่นยนต์)

DROID Policy เป็นแบบ State-Conditioned ซึ่งหมายความว่า jointposition และ gripperposition เป็น Input ที่แท้จริงของโมเดล ไม่ใช่เพียงส่วนประกอบที่เติมเข้ามา เมื่อไม่มีแขนหุ่นยนต์ ค่าศูนย์ (Zeros) จะถูกใช้เป็นค่า Placeholder ซึ่งการเรียกนี้เพียงแค่พิสูจน์ว่า Server สามารถส่งคืน Action Chunk ที่มีรูปแบบถูกต้องได้

การทำงานบนหุ่นยนต์

การเรียกเดียวกันนี้จะอยู่ในวงจร Replanning ในแต่ละรอบ ระบบจะอ่านข้อมูลจากกล้องล่าสุด และตำแหน่งข้อต่อกับกริปเปอร์ที่วัดได้จากแขนหุ่นยนต์ (แทนที่ค่าศูนย์ข้างต้น) จากนั้นดำเนินการส่วนหน้า (Prefix) ของ Action Chunk แล้วจึงส่งคำขออีกครั้ง:

การดำเนินการเพียงส่วนหน้า (Prefix) และการวางแผนใหม่ (Replanning) เป็นแนวทางปฏิบัติมาตรฐาน: นโยบายจะแก้ไขตัวเองทุกๆ ไม่กี่วินาที และเนื่องจากเป็นแบบ State-Conditioned การวางแผนใหม่แต่ละครั้งจะเริ่มต้นจากตำแหน่งที่แขนหุ่นยนต์อยู่จริง แทนที่จะเป็นตำแหน่งที่คาดการณ์ไว้ใน Action Chunk ก่อนหน้า การเริ่มต้น Server พร้อมเปิดใช้งาน Video Decoding จะส่งคืนการคาดการณ์ (Rollout) ของนโยบายควบคู่ไปกับการกระทำ ทำให้คุณสามารถตรวจสอบสิ่งที่ World Model คาดการณ์สำหรับ Action Chunk ที่ปล่อยออกมาได้

การประเมิน Policy ใน Closed-loop Simulation

คุณไม่จำเป็นต้องมีหุ่นยนต์จริงเพื่อตรวจสอบ Policy อันที่จริง การประเมิน Policy ใน Simulation เป็นสิ่งที่แนะนำก่อนที่จะประเมินบนหุ่นยนต์จริง เพื่อหลีกเลี่ยงพฤติกรรมที่ไม่คาดคิดก่อนที่จะส่งผลกระทบต่อผู้พัฒนาหรือหุ่นยนต์ RoboLab ซึ่งเป็น Benchmark ของ Isaac Lab-Arena ที่อยู่เบื้องหลัง RoboLab Leaderboard นั้นเป็นแบบโอเพนซอร์ส และ Client จะเชื่อมต่อกับ Policy Server เดียวกัน ระบบจะดำเนินการ Action Chunk แต่ละอันใน Physics Engine และสตรีมข้อมูล Observation ที่เรนเดอร์กลับมาเพื่อสร้าง Closed-loop ที่แท้จริงสำหรับงาน Manipulation ที่ควบคุมด้วยภาษา (Language-conditioned) กว่า 120 งาน

คุณสามารถสลับ --task เป็นงานใดก็ได้ใน 120 งาน เพื่อสร้างภาพรวมพฤติกรรมของ Policy ที่กว้างขึ้น การรันแต่ละครั้งจะสร้างวิดีโอจากมุมมอง (Viewport) และกล้องของหุ่นยนต์ รวมถึงบันทึกความสำเร็จ (Success Log) เพื่อให้คุณสามารถตรวจสอบทั้งผลลัพธ์และเส้นทางการเคลื่อนที่ที่ก่อให้เกิดผลลัพธ์นั้นได้

ในการประเมิน RoboLab แบบ Closed-loop นโยบาย Edge ที่ Post-train สามารถทำสำเร็จได้ 22.9% ทั่วทั้งชุดงาน ซึ่งเป็นผลลัพธ์ที่ได้โดยใช้พลังงาน Inference เพียงเศษเสี้ยวเมื่อเทียบกับ Cosmos 3 Variants ที่ใหญ่กว่า (Nano ทำสำเร็จได้ 36.8%) ซึ่งนี่คือการแลกเปลี่ยนที่ Edge ถูกออกแบบมาเพื่อให้: ระบบอัตโนมัติแบบเรียลไทม์ที่ทำงานทั้งหมดบนหุ่นยนต์ ด้วยอัตราความสำเร็จที่แข่งขันได้

หมายเหตุ: NVIDIA Isaac Sim 5.x ต้องการ NVIDIA RTX Server Driver Release 580 หรือใหม่กว่า โปรดยืนยันเวอร์ชันไดรเวอร์ที่รองรับในเอกสาร RoboLab และ Isaac Sim ก่อนทำการ Build

การ Post-train นอกเหนือจากการควบคุมหุ่นยนต์

เทคนิค Post-training ที่ช่วยปรับปรุงการควบคุมหุ่นยนต์ ยังสามารถขยายไปสู่ความสามารถอื่นๆ ได้ เช่น การสร้างข้อมูลสังเคราะห์ (Synthetic Data Generation) สำหรับการฝึกหุ่นยนต์ นักพัฒนาสามารถสร้าง World Models ที่เชี่ยวชาญเพื่อสร้างข้อมูลสังเคราะห์คุณภาพ

ขอบคุณ แหล่งข้อมูล
https://developer.nvidia.com/blog/post-train-nvidia-cosmos-3-edge-for-on-device-robot-control/

อย่าส่งต่อคำตอบ AI ตรงๆ: เพราะคำตอบของคุณมีค่ามากกว่านั้น

เคยไหมที่ได้รับคำถาม แล้วรีบไปหาคำตอบจาก AI มาแปะให้ทันที? มันดูเหมือนจะรวดเร็วและช่วยแก้ปัญหาได้ดี แต่ในความเป็นจริงแล้ว การทำเช่นนั้นอาจทำให้คุณค่าของคุณลดลงโดยไม่รู้ตัว

ผู้ที่ถามคำถามคุณ มักจะต้องการมุมมอง ความคิดเห็น หรือประสบการณ์เฉพาะตัวของคุณ ไม่ใช่แค่คำตอบสำเร็จรูปที่ใครๆ ก็หาได้จาก AI ถ้าพวกเขาต้องการคำตอบทั่วไป พวกเขาก็สามารถค้นหาได้ด้วยตัวเองในเวลาไม่กี่วินาที การที่คุณถูกถามหมายความว่าพวกเขาเชื่อใจและต้องการ "ความเป็นคุณ" ในคำตอบนั้น

โลกนี้มีคนมากมายที่ไม่อยากคิดหรืออ่านอะไรที่ซับซ้อน อย่าเป็นหนึ่งในคนเหล่านั้นเลย

ใช้ AI ให้เป็นประโยชน์ ไม่ใช่แค่เครื่องมือส่งต่อ

AI เป็นเครื่องมือที่ยอดเยี่ยมสำหรับการร่างคำตอบ หรือช่วยหาข้อมูลเบื้องต้น แต่หน้าที่ของคุณคือการนำข้อมูลนั้นมากลั่นกรอง วิเคราะห์ และเรียบเรียงใหม่ให้เป็นสไตล์ของคุณเอง อย่าเป็นเพียงแค่ "คนกลาง" ที่ส่งต่อคำตอบจาก AI โดยตรง

ลองดึงเอาส่วนที่ตอบคำถามได้ตรงประเด็นที่สุดออกมา อาจจะแค่ 2-3 ประโยคจากคุณ ก็เพียงพอแล้ว หากมีส่วนใดของคำตอบ AI ที่มีประโยชน์จริง ๆ คุณสามารถอ้างอิงพร้อมอธิบายเพิ่มเติมได้ เช่น "ผมลองตรวจสอบกับ AI แล้ว พบว่าข้อมูลส่วนนี้ถูกต้องและมีประโยชน์มากครับ..."

ถ้าไม่มีอะไรจะเพิ่ม ก็บอกได้

บางครั้งคุณอาจไม่มีความคิดเห็นเพิ่มเติม หรือไม่สามารถให้คำตอบที่เจาะจงได้มากกว่าที่ AI ให้มา การยอมรับตามตรงว่า "ตอนนี้ยังไม่มีความเห็นที่ชัดเจนในเรื่องนี้ครับ" ก็เป็นคำตอบที่มีคุณค่าและจริงใจเช่นกัน

ส่งต่อเรื่องนี้ให้คนอื่น

หากคุณได้รับคำตอบที่เต็มไปด้วยข้อความยาวเหยียดจาก AI ในแชท หรืออีเมล คุณสามารถแชร์ลิงก์นี้ให้กับผู้ส่งได้ โดยไม่ต้องอธิบายอะไรมากนัก การได้รับลิงก์นี้ก็เพียงพอที่จะทำให้เขาเข้าใจได้

หรือต้องการเวอร์ชันที่ "จัดเต็ม" กว่านี้?

สำหรับใครที่อยากได้ข้อความที่สื่ออารมณ์มากขึ้น หรือต้องการเน้นย้ำประเด็นอย่างชัดเจน ก็สามารถเลือกใช้เวอร์ชันอื่นได้

หมายเหตุ: ข้อความนี้มีลักษณะประชดประชันเล็กน้อย อาจไม่เหมาะกับการส่งให้หัวหน้างานโดยตรง

หากคุณได้รับลิงก์นี้จากใครสักคน จงรู้ไว้ว่าเขาใส่ใจคุณ ลองอ่าน ทำความเข้าใจ แล้วเขียนคำตอบของคุณเอง

เรื่องนี้ส่วนใหญ่เป็นเรื่องขบขัน สามารถแชร์ แก้ไข หรือแปลได้ตามสะดวก

ขอบคุณ แหล่งข้อมูล
https://dontpastetheai.com/

Replit: แพลตฟอร์มพัฒนาโค้ดออนไลน์ที่ปฏิวัติวงการเขียนโปรแกรม 🚀

ในยุคดิจิทัลที่เทคโนโลยีพัฒนาไปอย่างรวดเร็ว การเขียนโปรแกรมกลายเป็นทักษะสำคัญที่เปิดประตูสู่โอกาสมากมาย แต่การเริ่มต้นเขียนโค้ดอาจไม่ใช่เรื่องง่ายเสมอไป ด้วยข้อจำกัดด้านเครื่องมือ ความซับซ้อนในการตั้งค่า หรือแม้กระทั่งค่าใช้จ่ายในการซื้อฮาร์ดแวร์

วันนี้เราจะพาคุณไปรู้จักกับ Replit แพลตฟอร์มพัฒนาโปรแกรมบนคลาวด์ที่เข้ามาช่วยแก้ปัญหาเหล่านี้ และเปลี่ยนวิธีการเขียนโค้ดไปตลอดกาล

Replit คืออะไร? 🤔

Replit คือ Integrated Development Environment (IDE) หรือสภาพแวดล้อมสำหรับการพัฒนาโปรแกรมที่ทำงานอยู่บนเว็บเบราว์เซอร์โดยตรง คุณสามารถเขียนโค้ด ทดสอบ และรันโปรแกรมได้ทันที โดยไม่ต้องติดตั้งโปรแกรมใดๆ ลงบนคอมพิวเตอร์ของคุณเลย

เปรียบเสมือนคุณมี "สตูดิโอเขียนโค้ด" ส่วนตัวที่สามารถเข้าถึงได้จากทุกที่ ทุกเวลา เพียงแค่มีอินเทอร์เน็ตและเว็บเบราว์เซอร์

ทำไม Replit ถึงน่าสนใจ? ✨

Replit ไม่ได้เป็นเพียงแค่โปรแกรมแก้ไขโค้ดธรรมดา แต่เป็นแพลตฟอร์มที่ครบวงจรและมีฟีเจอร์ที่น่าทึ่งมากมาย:

• รองรับภาษาโปรแกรมหลากหลาย: ไม่ว่าคุณจะเขียน Python, JavaScript, Java, C++, HTML/CSS หรือภาษาอื่นๆ อีกกว่า 50 ภาษา Replit ก็พร้อมรองรับ
• ทำงานร่วมกันแบบเรียลไทม์: ฟีเจอร์ที่โดดเด่นที่สุดอย่างหนึ่งคือการทำงานร่วมกัน (Collaboration) คุณสามารถเชิญเพื่อนร่วมทีมมาเขียนโค้ดในโปรเจกต์เดียวกันได้แบบเรียลไทม์ เสมือนกับการทำงานบน Google Docs แต่สำหรับโค้ด
• ไม่ต้องตั้งค่าซับซ้อน: ลืมเรื่องการติดตั้ง Compiler, Interpreter หรือการตั้งค่า Environment ที่ยุ่งยากไปได้เลย Replit จัดการให้ทั้งหมด คุณแค่เลือกภาษาและเริ่มเขียนโค้ดได้ทันที
• เข้าถึงได้ทุกอุปกรณ์: ไม่ว่าคุณจะใช้คอมพิวเตอร์, แท็บเล็ต หรือแม้กระทั่งสมาร์ทโฟน คุณก็สามารถเข้าถึงโปรเจกต์ของคุณและเขียนโค้ดได้
• ฟรี! (สำหรับผู้เริ่มต้น): Replit มีแผนบริการฟรีที่เพียงพอสำหรับการเรียนรู้และสร้างโปรเจกต์ส่วนตัว ทำให้ทุกคนสามารถเข้าถึงการพัฒนาโปรแกรมได้ง่ายขึ้น
• ชุมชนขนาดใหญ่: Replit มีชุมชนนักพัฒนาที่แข็งแกร่ง คุณสามารถแบ่งปันโปรเจกต์ของคุณ ดูผลงานของผู้อื่น หรือขอความช่วยเหลือได้

Replit เหมาะกับใครบ้าง? 🧑‍💻

Replit ตอบโจทย์ผู้ใช้งานหลากหลายกลุ่ม ตั้งแต่นักพัฒนาหน้าใหม่ไปจนถึงมืออาชีพ:

• นักเรียน นักศึกษา: เป็นเครื่องมือชั้นยอดสำหรับการเรียนการสอนเขียนโปรแกรม ช่วยให้นักเรียนเข้าถึงการเขียนโค้ดได้ง่ายโดยไม่ต้องกังวลเรื่องการตั้งค่า
• นักพัฒนาที่ต้องการความรวดเร็ว: สำหรับโปรเจกต์เล็กๆ หรือการทดลองไอเดียใหม่ๆ Replit ช่วยให้คุณเริ่มได้ทันทีโดยไม่ต้องเสียเวลาตั้งค่า
• ทีมพัฒนาที่ต้องการทำงานร่วมกัน: ฟีเจอร์ Collaboration ช่วยให้การทำงานเป็นทีมมีประสิทธิภาพมากขึ้น
• ผู้ที่ต้องการเขียนโค้ดนอกสถานที่: ด้วยความที่เข้าถึงได้ผ่านเว็บเบราว์เซอร์ ทำให้คุณสามารถเขียนโค้ดได้ทุกที่ทุกเวลา
• ผู้ที่ต้องการทดลองภาษาโปรแกรมใหม่ๆ: Replit เป็นสนามเด็กเล่นที่สมบูรณ์แบบสำหรับการลองผิดลองถูกกับภาษาหรือเฟรมเวิร์กใหม่ๆ

เริ่มต้นใช้งาน Replit ง่ายๆ 🛠️

1. สมัครสมาชิก: เข้าไปที่เว็บไซต์ [replit.com](ขอบคุณ แหล่งข้อมูล
   https://replit.com/) แล้วสมัครสมาชิก (สามารถใช้บัญชี Google, GitHub หรือ Facebook ได้)
2. สร้างโปรเจกต์ใหม่: คลิกที่ปุ่ม "Create Repl"
3. เลือกภาษา: เลือกภาษาโปรแกรมที่คุณต้องการ
4. เริ่มเขียนโค้ด: คุณจะเห็นหน้าจอที่แบ่งเป็นส่วนต่างๆ พร้อมเขียนโค้ดได้ทันที!

สรุป

Replit คือเครื่องมือที่ทรงพลังและเข้าถึงง่าย ซึ่งช่วยลดอุปสรรคในการเริ่มต้นเขียนโปรแกรม และส่งเสริมการทำงานร่วมกันอย่างมีประสิทธิภาพ ไม่ว่าคุณจะเป็นนักเรียน นักศึกษา หรือนักพัฒนาที่มีประสบการณ์ Replit จะเป็นแพลตฟอร์มที่ช่วยให้การเขียนโค้ดของคุณง่ายขึ้น สนุกขึ้น และไร้ขีดจำกัด

ลองเข้าไปสัมผัสประสบการณ์การเขียนโค้ดบนคลาวด์กับ Replit แล้วคุณจะพบว่าการสร้างสรรค์สิ่งใหม่ๆ ด้วยโค้ดนั้นง่ายกว่าที่คิด!

#Replit #เขียนโค้ด #พัฒนาโปรแกรม #Coding #OnlineIDE #Collaboration

ขอบคุณ แหล่งข้อมูล
https://openai.com/index/replit

อนาคตระบบนิเวศ AI แบบ Open Source ทั่วโลก: จาก DeepSeek สู่ยุค "AI+"

การพัฒนาปัญญาประดิษฐ์ (AI) กำลังก้าวไปอย่างรวดเร็ว โดยเฉพาะอย่างยิ่งในระบบนิเวศแบบ Open Source ที่เปิดโอกาสให้นักวิจัย นักพัฒนา และองค์กรต่างๆ สามารถร่วมมือกันสร้างสรรค์นวัตกรรมใหม่ๆ ได้อย่างมีประสิทธิภาพ บทความนี้จะพาไปสำรวจเส้นทางและแนวโน้มขององค์กร AI ชั้นนำในประเทศจีน ตั้งแต่ DeepSeek ไปจนถึงการก้าวเข้าสู่ยุค "AI+" ซึ่งกำลังขับเคลื่อนอนาคตของ AI แบบเปิด

การเติบโตของระบบนิเวศ AI แบบ Open Source ในจีน

ในช่วงไม่กี่ปีที่ผ่านมา ประเทศจีนได้แสดงให้เห็นถึงศักยภาพอันแข็งแกร่งในการพัฒนา AI โดยเฉพาะอย่างยิ่งผ่านแนวทาง Open Source องค์กร AI ชั้นนำหลายแห่งได้เปิดเผยโมเดล ผลงานวิจัย และโครงสร้างพื้นฐานต่างๆ สู่สาธารณะ ซึ่งไม่เพียงแต่ช่วยส่งเสริมการพัฒนาภายในประเทศ แต่ยังสร้างผลกระทบเชิงบวกต่อชุมชน AI ทั่วโลกอีกด้วย

DeepSeek กลายเป็นชื่อที่ได้รับการยอมรับในระดับสากล โดยเป็นองค์กรที่ได้รับการติดตามมากที่สุดบน Hugging Face แพลตฟอร์มชั้นนำสำหรับโมเดล AI แบบ Open Source นอกจากนี้ Qwen ของ Alibaba ก็เป็นอีกหนึ่งตัวอย่างที่น่าสนใจ โดยมีผู้ใช้งานนำโมเดล Qwen ไปต่อยอดสร้างโมเดลอื่นๆ เป็นจำนวนมาก สะท้อนให้เห็นถึงบทบาทสำคัญในการเป็นรากฐาน AI ทั่วไป (General AI Foundation)

กลยุทธ์และนวัตกรรมขององค์กร AI ชั้นนำ

องค์กร AI ชั้นนำในจีนได้นำกลยุทธ์ที่หลากหลายมาใช้ในการขับเคลื่อนการพัฒนาและเผยแพร่นวัตกรรม:

• Alibaba (Qwen): วางตำแหน่ง Open Source เป็นกลยุทธ์ด้านระบบนิเวศและโครงสร้างพื้นฐาน Qwen ไม่ได้ถูกสร้างขึ้นเป็นเพียงโมเดลเดี่ยว แต่พัฒนาเป็นตระกูลโมเดลที่มีหลากหลายขนาด รองรับงานและรูปแบบที่แตกต่างกัน มีการอัปเดตอย่างสม่ำเสมอทั้งบน Hugging Face และแพลตฟอร์ม ModelScope ของตนเอง ทำให้ Qwen กลายเป็นส่วนประกอบสำคัญที่ถูกนำไปใช้ซ้ำในหลากหลายสถานการณ์
• Tencent (Hunyuan / HY): มีการปรับตัวจากการนำเทคโนโลยีมาใช้ ไปสู่การสร้างสรรค์ด้วยตนเอง Tencent ได้นำ DeepSeek มาผนวกเข้ากับผลิตภัณฑ์หลัก และเมื่อโมเดลมีความเสถียรและผ่านการทดสอบภายในแล้ว จึงเริ่มเปิดเผยความสามารถของตนเอง โดยเฉพาะในด้าน Vision, Video และ 3D ภายใต้แบรนด์ Tencent Hunyuan (ปัจจุบันคือ Tencent HY) ซึ่งได้รับความนิยมอย่างรวดเร็ว
• ByteDance: ใช้แนวทาง "AI Application Factory" โดยเลือกเปิดเผยเฉพาะส่วนประกอบที่มีมูลค่าสูง ขณะที่ยังคงมุ่งเน้นการแข่งขันที่จุดเข้าใช้งานผลิตภัณฑ์และการใช้งานในวงกว้าง ทีม Seed ของ ByteDance ได้ส่งมอบผลงาน Open Source ที่สำคัญ เช่น UI-TARS-1.5 สำหรับการเข้าใจ UI แบบ Multimodal, Seed-Coder สำหรับการสร้างแบบจำลองโค้ดที่เน้นข้อมูล และชุดข้อมูล SuperGPQA สำหรับการประเมินการให้เหตุผลอย่างเป็นระบบ แม้จะมีบทบาทใน Open Source ที่ไม่โดดเด่นมากนัก แต่แอปพลิเคชัน AI อย่าง Doubao ก็มีผู้ใช้งานรายวัน (DAU) มากกว่า 100 ล้านคน
• Baidu: แม้ CEO จะเคยแสดงความเห็นที่ต่างไป แต่ Baidu ก็เริ่มปรับทิศทางสู่ Open Source โดยการเปิดให้เข้าถึงและปล่อยโมเดล Ernie 4.5 Series พร้อมๆ กับการลงทุนในเฟรมเวิร์ก Open Source อย่าง PaddlePaddle และชิป AI ของตนเองอย่าง Kunlunxin การเชื่อมโยงโมเดล ชิป และ PaddlePaddle เข้าด้วยกันในระบบที่เปิดกว้างขึ้น ช่วยลดต้นทุน ดึงดูดนักพัฒนา และมีอิทธิพลต่อมาตรฐานต่างๆ
• สตาร์ทอัพ: Moonshot, Z.ai และ MiniMax ได้ปรับตัวอย่างรวดเร็วและนำโมเดลใหม่ๆ มาสู่ชุมชน Open Source อย่าง Kimi K2, GLM-4.5 และ MiniMax M2 ซึ่งได้รับคำชมเชยอย่างมาก โดยเฉพาะ Kimi K2 ที่ถูกเปรียบเทียบว่าเป็น "ช่วงเวลา DeepSeek อีกครั้ง"

การเปลี่ยนแปลงจาก "การไล่ตามประสิทธิภาพ" สู่ "ระบบนิเวศที่ใช้งานได้จริง"

สิ่งที่น่าสังเกตคือ ทิศทางการพัฒนา AI ของจีนในปี 2025 ไม่ได้เน้นที่การไล่ตามประสิทธิภาพสูงสุดเพียงอย่างเดียว แต่เป็นการสร้างเส้นทางที่ใช้งานได้จริง โดยมีรากฐานมาจากการทำงานร่วมกันแบบ Open Source, ประสิทธิภาพทางวิศวกรรม และการส่งมอบที่ขยายขนาดได้

การเปิดตัวโมเดล DeepSeek R1 ทำหน้าที่เป็นตัวเร่งปฏิกิริยา (Catalyst) ที่กระตุ้นให้เกิดการตอบสนองในอุตสาหกรรมภายในประเทศ และเร่งกระบวนการสร้างระบบนิเวศที่มีโครงสร้างแบบออร์แกนิกมากขึ้น

• การฝัง AI ในกระบวนการอุตสาหกรรม: AI ถูกผนวกเข้ากับกระบวนการทำงานต่างๆ อย่างลึกซึ้ง จากเดิมที่เป็นเพียง Chatbots ไปสู่ Agents และ Workflows
• ระบบ AI ที่ควบคุมได้เอง: เน้นการพัฒนา AI ที่มีความยืดหยุ่นในการฝึกฝนและกลยุทธ์การติดตั้งใช้งานในระดับท้องถิ่นที่เพิ่มมากขึ้น

การเปลี่ยนแปลงที่แท้จริงไม่ใช่เพียงแค่จำนวนโมเดลที่เพิ่มขึ้น แต่เป็นการเปลี่ยนแปลงพื้นฐานวิธีการใช้งานโมเดล Open Source จาก "ทางเลือก" กลายเป็น "ข้อสมมติฐานเริ่มต้น" ในการออกแบบระบบ โมเดลต่างๆ ได้กลายเป็นส่วนประกอบที่สามารถนำกลับมาใช้ใหม่และประกอบกันเป็นระบบวิศวกรรมที่ใหญ่ขึ้น

รากฐานสำหรับอนาคต

ระบบนิเวศ AI ใหม่นี้ไม่ได้เกิดขึ้นชั่วข้ามคืน แต่เป็นการต่อยอดจากโครงสร้างพื้นฐานที่สะสมมาหลายปี ประเทศจีนได้ลงทุนอย่างต่อเนื่องในศูนย์ข้อมูลและศูนย์ประมวลผล ซึ่งก่อให้เกิดโครงข่ายการประมวลผลทั่วประเทศ โดยมีแผน "East Data, West Compute" เป็นศูนย์กลาง

การลงทุนใน "AI+" Action Plan ในเดือนสิงหาคม 2025 เป็นการเปลี่ยนจุดเน้นไปสู่การติดตั้งใช้งานขนาดใหญ่และการบูรณาการอย่างลึกซึ้ง ซึ่งแตกต่างจากแนวทางการพัฒนา AGI (Artificial General Intelligence) ที่เน้นไปที่ความฉลาดทั่วไป

อนาคตของระบบนิเวศ AI แบบ Open Source ทั่วโลกกำลังน่าจับตามอง โดยเฉพาะอย่างยิ่งผลกระทบระยะยาวจากระบบนิเวศ AI ที่มีความยั่งยืนในประเทศจีน และรูปแบบการมีส่วนร่วมของชุมชน AI ทั่วโลกกับระบบนิเวศนี้.

#AI #OpenSource #DeepSeek #AI+ #เทคโนโลยี

ขอบคุณ แหล่งข้อมูล
https://huggingface.co/blog/huggingface/one-year-since-the-deepseek-moment-blog-3

นักพัฒนาโค้ดเผยวิธีลบลายน้ำ AI จาก Claude ได้แล้ว ชี้เทคโนโลยีนี้อาจไม่ยั่งยืน

การที่ Anthropic ผู้พัฒนา AI ชื่อดังอย่าง Claude ประกาศว่าจะใช้ "ลายน้ำที่มองไม่เห็น" (Invisible Watermarks) ฝังลงในเนื้อหาที่สร้างโดย AI เพื่อให้เป็นไปตามกฎหมายของสหภาพยุโรป (EU) นั้น ได้รับการตอบสนองอย่างรวดเร็วจากชุมชนนักพัฒนาโค้ด เพียงไม่กี่ชั่วโมงหลังจากการประกาศ ก็มีผู้คิดค้นวิธีบายพาสลายน้ำนี้ออกมาให้เห็นกันแล้ว

ลายน้ำ AI คืออะไร และทำไมต้องมี?

กฎหมาย AI Act ของสหภาพยุโรปที่เริ่มมีผลบังคับใช้เมื่อไม่นานมานี้ กำหนดให้ผู้ให้บริการ AI อย่าง Anthropic และ OpenAI ต้องติดป้ายกำกับเนื้อหาที่สร้างขึ้นโดย AI ไม่ว่าจะเป็นเสียง ภาพ วิดีโอ หรือข้อความ เพื่อให้เครื่องจักรสามารถตรวจจับได้ว่าเป็นเนื้อหาที่สร้างโดย AI หากไม่ปฏิบัติตาม อาจถูกปรับเป็นจำนวนมหาศาลถึง 3% ของรายได้ต่อปี

Anthropic ได้เลือกใช้วิธีการฝังลายน้ำที่มองไม่เห็นลงในข้อความที่ Claude สร้างขึ้น โดยใช้วิธีการที่เรียกว่า "SynthID" ซึ่งพัฒนาโดย Google ลายน้ำนี้จะถูกแทรกเข้าไปในรูปแบบการเลือกใช้คำและวลีของ Claude ทำให้ผู้อ่านทั่วไปไม่สามารถสังเกตเห็นได้ แต่เครื่องจักรที่ถูกฝึกมาจะสามารถตรวจจับได้

ชุมชนนักพัฒนาพร้อมรับมือ: โค้ดลบลายน้ำแพร่สะพัด

ทันทีที่ Anthropic ประกาศเรื่องลายน้ำ นักพัฒนาหลายคนก็เริ่มลงมือศึกษาและหาวิธีการ และผลลัพธ์ก็คือโค้ดสำหรับลบลายน้ำจากข้อความของ Claude ได้ถูกเผยแพร่ออกไปอย่างรวดเร็วบน GitHub ได้รับความสนใจอย่างล้นหลาม มีการบุ๊กมาร์กมากกว่า 20,000 ครั้งบน X (Twitter เดิม) และมีผู้ร่วมพัฒนาอีกนับร้อยคน

นักพัฒนาบางส่วน เช่น Meyer ผู้ที่โค้ดดังกล่าวได้กลายเป็นไวรัล ได้ออกมาแสดงความคิดเห็นว่า พวกเขาไม่ได้ต่อต้านเรื่องความโปร่งใสหรือการระบุแหล่งที่มาของเนื้อหา แต่ไม่เห็นด้วยกับแนวคิดที่ว่าเนื้อหาที่สร้างโดย AI ทั้งหมดจะต้องถูกระบุว่าเป็น AI โดยลายน้ำในลักษณะนี้

ข้อกังวลและความเสี่ยงของลายน้ำ AI

แม้ว่าจุดประสงค์ของการติดลายน้ำคือเพื่อเพิ่มความโปร่งใส แต่ก็มีข้อกังวลและความเสี่ยงหลายประการที่ตามมา:

• ความเสี่ยงจากผลบวกลวง (False Positives): ลายน้ำอาจทำให้เกิดการเข้าใจผิดได้ โดยเฉพาะอย่างยิ่งเมื่อการใช้งาน AI มีลักษณะที่ซับซ้อน หรือเป็นการแก้ไขเพียงเล็กน้อย ผู้ใช้งานที่ใช้ AI ช่วยในการแก้ไขงานเขียน เช่น การตรวจแกรมม่า หรือการปรับสำนวน อาจถูกกล่าวหาว่าใช้ AI โดยไม่เป็นธรรม
• คุณภาพของเนื้อหา: มีผู้ใช้งานบางส่วนแสดงความกังวลว่า การฝังลายน้ำอาจส่งผลกระทบต่อคุณภาพของข้อความที่ Claude สร้างขึ้น แม้ว่า Anthropic จะยืนยันว่าไม่เป็นเช่นนั้นก็ตาม
• ข้อจำกัดทางกฎหมาย: แม้กฎหมายจะห้ามการตลาดเครื่องมือที่ใช้ในการหลบเลี่ยงลายน้ำ แต่ก็ไม่ได้มีข้อจำกัดทางกฎหมายสำหรับเครื่องมือที่พัฒนาโดยบุคคลอิสระ

วิธีการลบลายน้ำที่หลากหลาย

นักพัฒนาได้คิดค้นวิธีการที่หลากหลายในการลบลายน้ำ เช่น:

• การใช้โมเดลภาษาขนาดใหญ่อื่นๆ: การใช้โมเดล AI อื่นที่ไม่ฝังลายน้ำ มาช่วยในการเขียนข้อความใหม่ โดยการสลับคำศัพท์ หรือจัดเรียงประโยคใหม่
• การปรับเปลี่ยนรูปแบบ: การย่อความ, การแปลเป็นภาษาถิ่นที่มีโครงสร้างภาษาต่างออกไป แล้วแปลกลับ, หรือการสลับคำและเรียงประโยคใหม่
• การใช้เครื่องมือเฉพาะ: นักพัฒนาบางรายใช้เวลาเพียงไม่กี่นาทีในการสร้างเครื่องมือที่สามารถลบลายน้ำได้ โดยการลบอักขระที่มองไม่เห็น หรือการจัดเรียงประโยคใหม่

อนาคตของลายน้ำ AI

Anthropic ระบุว่ากำลังพัฒนากลไก API สำหรับการตรวจจับลายน้ำข้อความ เพื่อให้ผู้ใช้งานสามารถตรวจสอบได้ด้วยตนเอง และจะเปิดตัวในเร็วๆ นี้ ซึ่งจะเป็นเครื่องพิสูจน์ว่าวิธีการลบลายน้ำต่างๆ นั้นได้ผลจริงหรือไม่

อย่างไรก็ตาม ผู้เชี่ยวชาญบางส่วนมองว่า การมีลายน้ำที่ "ทนทาน" ต่อทุกวิธีการหลบเลี่ยงนั้นเป็นเรื่องที่ทำได้ยาก และการพัฒนาระบบลายน้ำ AI ก็ยังคงต้องดำเนินต่อไปควบคู่ไปกับการพัฒนากลไกการตรวจจับที่ซับซ้อนยิ่งขึ้น

#AI #ลายน้ำAI #Claude #Anthropic #EUAIAct #เทคโนโลยี

ขอบคุณ แหล่งข้อมูล
https://www.wired.com/story/coders-say-they-already-found-workarounds-to-claudes-invisible-watermarks/

Stripe ซื้อ OpenRouter ด้วยมูลค่ากว่า 7 พันล้านดอลลาร์: มากกว่าแค่เรื่อง "Singularity" 🤖💸

Stripe บริษัทผู้ให้บริการระบบชำระเงินออนไลน์ระดับโลก ได้ยืนยันการเข้าซื้อกิจการ OpenRouter สตาร์ทอัพที่ให้บริการจัดการ Prompt สำหรับโมเดล AI ต่างๆ ด้วยมูลค่ามหาศาลกว่า 7.5 พันล้านดอลลาร์สหรัฐฯ ซึ่งเป็นก้าวกระโดดจากมูลค่า 1.3 พันล้านดอลลาร์เมื่อเดือนพฤษภาคมที่ผ่านมา การซื้อขายครั้งนี้สร้างความสงสัยให้กับหลายคนว่า ทำไม Stripe ถึงสนใจสตาร์ทอัพที่ทำหน้าที่แค่ "ส่งต่อ" Prompt ระหว่างโมเดล AI?

ทำความเข้าใจ OpenRouter และ "Singularity" 🧐

OpenRouter เป็นที่รู้จักในฐานะแพลตฟอร์มที่ช่วยให้นักพัฒนาสามารถจัดการการใช้งานโมเดล AI ที่หลากหลายได้อย่างมีประสิทธิภาพ เปรียบเสมือน "ประตู" ที่เชื่อมโยงนักพัฒนาเข้ากับโมเดล AI ชั้นนำต่างๆ โดยไม่ต้องยุ่งยากกับการจัดการ API ของแต่ละผู้ให้บริการ

ส่วนคำว่า "Singularity" ที่ Stripe อ้างถึงในการซื้อขายครั้งนี้ เป็นศัพท์ที่ใช้อธิบายถึงจุดที่เทคโนโลยีและมนุษย์หลอมรวมกันจนเกิดการเปลี่ยนแปลงครั้งใหญ่ ซึ่งในบริบทนี้ Stripe ใช้เป็นคำเปรียบเปรยถึงการเติบโตทางเศรษฐกิจที่ขับเคลื่อนด้วย AI อย่างก้าวกระโดด

เหตุผลที่แท้จริงเบื้องหลังการเข้าซื้อกิจการ 💡

แม้ว่าการอ้างอิงถึง "Singularity" จะฟังดูน่าสนใจ แต่เหตุผลที่แท้จริงเบื้องหลังการตัดสินใจครั้งสำคัญของ Stripe นั้นลึกซึ้งกว่านั้นมาก:

• การขยายฐานลูกค้าและแพลตฟอร์มสำหรับนักพัฒนา: Stripe เป็นแพลตฟอร์มชั้นนำสำหรับนักพัฒนาอยู่แล้ว การเข้าซื้อ OpenRouter ที่มีฐานผู้ใช้งานเป็นนักพัฒนา AI จำนวนมาก จะช่วยเสริมความแข็งแกร่งให้กับระบบนิเวศของ Stripe และอำนวยความสะดวกในการพัฒนาผลิตภัณฑ์ AI ใหม่ๆ ที่ไม่ต้องผูกติดกับโมเดลใดโมเดลหนึ่ง
• การเข้าสู่ตลาดการจัดการค่าใช้จ่าย AI: การเติบโตของ AI นำมาซึ่งค่าใช้จ่ายในการประมวลผลและใช้งานโมเดลต่างๆ ที่สูงขึ้น Stripe มองเห็นโอกาสในการเข้ามามีบทบาทในการจัดการค่าใช้จ่ายด้าน AI เหล่านี้ โดยการซื้อ OpenRouter จะทำให้ Stripe เข้าใจพฤติกรรมการใช้งาน AI ของนักพัฒนา และสามารถสร้างผลิตภัณฑ์เพื่อบริหารจัดการค่าใช้จ่ายได้อย่างมีประสิทธิภาพ
• การสร้างอำนาจต่อรองในระบบนิเวศ AI: การมี OpenRouter อยู่ในมือ ทำให้ Stripe มี "คานงัด" หรืออำนาจต่อรองกับผู้ให้บริการโมเดล AI รายใหญ่ รวมถึงผู้ให้บริการโครงสร้างพื้นฐานคลาวด์ต่างๆ ซึ่งเป็นส่วนสำคัญในการขับเคลื่อนเศรษฐกิจยุค AI
• การมองการณ์ไกลสู่ยุค Agentic Offerings: การรวม OpenRouter เข้ามา จะช่วยให้ Stripe สามารถพัฒนาและนำเสนอโซลูชัน AI แบบ "Agentic" (ระบบที่สามารถทำงานอัตโนมัติและตัดสินใจได้เอง) ได้อย่างราบรื่นยิ่งขึ้นในอนาคต

OpenRouter จะยังคงเป็นอิสระหลังการซื้อขายหรือไม่? 🤝

ตามที่ OpenRouter ได้ประกาศไว้ในบล็อกโพสต์ของตนเอง ผลิตภัณฑ์ พันธกิจ และข้อผูกพันปัจจุบันจะยังคงเหมือนเดิมหลังจากการซื้อขายเสร็จสิ้น ซึ่งหมายความว่า OpenRouter จะยังคงดำเนินงานต่อไปในฐานะแพลตฟอร์มที่ให้บริการแก่นักพัฒนา AI โดยอิสระ

สรุป: ก้าวสำคัญของ Stripe สู่ยุค AI 🚀

การเข้าซื้อกิจการ OpenRouter ของ Stripe ไม่ใช่เพียงแค่การซื้อสตาร์ทอัพด้าน AI แต่เป็นการลงทุนเชิงกลยุทธ์ที่สำคัญ เพื่อตอกย้ำบทบาทของตนเองในฐานะผู้เล่นหลักในระบบเศรษฐกิจยุค AI โดยมุ่งเน้นไปที่การสนับสนุนนักพัฒนา การจัดการค่าใช้จ่ายที่เกี่ยวข้อง และการสร้างอำนาจต่อรองในอุตสาหกรรมที่กำลังเติบโตอย่างรวดเร็วนี้ การผสมผสานระหว่างบริการชำระเงิน การจัดการค่าใช้จ่าย และการเชื่อมต่อโมเดล AI จะทำให้ Stripe มีบทบาทที่แข็งแกร่งยิ่งขึ้นในอนาคต

#Stripe #OpenRouter #AI #เทคโนโลยี #การเงิน

ขอบคุณ แหล่งข้อมูล
https://techcrunch.com/2026/08/19/stripe-didnt-really-buy-openrouter-because-of-the-singularity/

พัฒนาแอปพลิเคชัน NVIDIA Holoscan ด้วย CLI, Skills และ AI Coding Agents 🚀

NVIDIA Holoscan คือแพลตฟอร์มที่ออกแบบมาเพื่อสร้างแอปพลิเคชัน AI แบบเรียลไทม์บน Edge ได้อย่างมีประสิทธิภาพ ตั้งแต่การประมวลผลภาพทางการแพทย์ไปจนถึงระบบหุ่นยนต์ และ HoloHub ก็เป็นคลังเก็บแอปพลิเคชันอ้างอิงที่เติบโตขึ้นเรื่อยๆ เพื่อแสดงให้เห็นถึงศักยภาพของแพลตฟอร์มนี้

บทความนี้จะพาไปเจาะลึกกระบวนการพัฒนาแอปพลิเคชันเพื่อการแบ่งส่วนเครื่องมือในการส่องกล้องแบบเรียลไทม์ โดยใช้ NVIDIA Holoscan และ HoloHub พร้อมผู้ช่วยอย่าง AI Coding Agent ซึ่งอาศัยการพัฒนาแบบวนซ้ำ (Iterative Development) ที่มีเป้าหมายและข้อจำกัดชัดเจนจากวิศวกร

การทำงานร่วมกันระหว่างวิศวกรและ AI Coding Agents 🤝

กระบวนการพัฒนาแต่ละรอบจะประกอบด้วย:

• การกำหนดเป้าหมาย: วิศวกรเป็นผู้กำหนดวัตถุประสงค์และข้อจำกัด
• การนำไปปฏิบัติ: AI Coding Agent จะทำการเขียนโค้ด ทดสอบ และใช้เครื่องมือ CLI ของ Holoscan รวมถึงเอกสารและตัวอย่างจาก HoloHub
• การประเมินผล: วิศวกรตรวจสอบโค้ด ผลลัพธ์ และการทดสอบ จากนั้นจึงกำหนดเป้าหมายสำหรับรอบถัดไป

กระบวนการนี้สามารถใช้กับ AI Coding Agent ได้หลากหลาย โดยในตัวอย่างนี้ใช้ Codex ร่วมกับ GPT-5.6 sol max mode

การตั้งค่าและเป้าหมายการพัฒนา 🛠️

เป้าหมายหลักคือการสร้างแอปพลิเคชัน End-to-End สำหรับการแบ่งส่วนเครื่องมือในการส่องกล้องแบบเรียลไทม์ พร้อมแสดงผลการแบ่งส่วน (Segmentation Masks) และการวิเคราะห์ทางสถิติ

ทีมได้นำโมเดล MONAI endoscopic tool segmentation และวิดีโอตัวอย่างของ Holoscan มาใช้ และยืนยันว่าแอปพลิเคชัน monai\endoscopic\tool\_seg สามารถทำงานได้ในเครื่องก่อน โดยเน้นการสร้างแอปพลิเคชันใหม่ที่ใช้ Pipeline การแบ่งส่วนด้วย Deep Learning พร้อมเพิ่มการแสดงผลที่ครอบคลุม การวัดประสิทธิภาพขณะทำงาน (Runtime Telemetry) และการวัดประสิทธิภาพที่ทำซ้ำได้ (Repeatable Benchmarking)

นอกจากนี้ AI Coding Agent ยังได้รับทรัพยากรเพิ่มเติมดังนี้:

• Holoscan CLI พร้อมสิทธิ์การรัน Bash
• HoloHub Repository พร้อมเอกสารในรูปแบบ Progressive Disclosure ผ่าน agents.md
• HoloHub Development Skills เช่น holohub-app-lifecycle และ holohub-debug-build-run

การแบ่งเป้าหมายเป็นรอบเล็กๆ (Iteration 0) 🎯

แทนที่จะพยายามสร้างแอปพลิเคชันทั้งหมดด้วย Prompt เดียว การแบ่งเป้าหมายใหญ่ออกเป็นรอบการพัฒนาเล็กๆ ที่สามารถตรวจสอบผลได้ จะช่วยให้การตัดสินใจในการออกแบบมีความทันท่วงที

เป้าหมายรวมสามารถจัดโครงสร้างเป็นหัวข้อที่ตรวจสอบได้ดังนี้:

• สภาพแวดล้อมการพัฒนาพร้อมสำหรับรันแอปพลิเคชันที่คล้ายคลึงกันในเครื่องหรือไม่?
• โมเดลและวิดีโอที่มีอยู่สามารถรันในแอปพลิเคชัน End-to-End แบบแยกได้หรือไม่?
• การแสดงผลให้ข้อมูลที่มีความหมายหรือไม่?
• สามารถวัด Latency ซ้ำๆ ได้หรือไม่?
• สามารถปรับปรุง Throughput การเรนเดอร์โดยไม่กระทบคุณสมบัติอื่นได้หรือไม่?

แต่ละรอบการพัฒนาจะสร้างโค้ด ผลลัพธ์ และการทดสอบที่สามารถตรวจสอบได้ ซึ่งจะนำไปสู่การปรับปรุง Prompt และการออกแบบในรอบถัดไป

สร้างแอปพลิเคชันที่ทำงานได้ขั้นต่ำ (Iteration 1) ✅

Prompt แรกกำหนดผลลัพธ์ที่ต้องการ โดยจำกัดการใช้โมเดลและข้อมูลที่มีอยู่ ทำให้ AI Agent สามารถเลือกวิธีการนำไปปฏิบัติได้เอง

AI Agent ได้รวบรวมข้อมูลจากแหล่งที่กำหนด เช่น อ่าน Skill ของ App Lifecycle, ตัวอย่างจาก HoloHub, Metadata ของโปรเจกต์ และเอกสาร CLI

การดำเนินการต่างๆ ที่คาดหวัง:

• ตรวจสอบรูปแบบการใช้งาน endoscopy, segmentation, HoloViz, recording และ testing ที่เกี่ยวข้อง โดยเฉพาะ monai\endoscopic\tool\seg, endoscopy\tool\tracking, surgical\scene\_recon
• รันคำสั่ง ./holohub create เพื่อสร้างและลงทะเบียนโครงสร้างพื้นฐานมาตรฐาน
• สร้าง Application Graph, Execution Modes, Tests และ Documentation โดยใช้ Holoscan Operators และ Assets ที่มีอยู่
• สร้างและรันแอปพลิเคชันผ่าน ./holohub run โดยใช้ Metadata ที่กำหนดโดย CLI

ผลลัพธ์คือแอปพลิเคชันที่เชื่อมต่อการเล่นวิดีโอ, Preprocessing, TensorRT Inference, SDK Segmentation Postprocessor, Telemetry และ HoloViz การ Inference และ Mask Postprocessing ทำงานทุกเฟรมที่เล่น และ Overlay รายงานการวัดค่าจากเฟรม

เวลาประมวลผลของ Agent อยู่ที่ 40 นาที วิศวกรสามารถตรวจสอบแอปพลิเคชันสดผ่าน CLI เดียวกันที่ Agent ใช้

ทำให้การตรวจสอบในอนาคตทำซ้ำได้ด้วยการวัดประสิทธิภาพ (Iteration 2) 📊

Prompt ที่สองเปลี่ยนจากการสาธิตด้วยภาพให้กลายเป็นการวัดผลที่ทำซ้ำได้

AI Agent ได้ปรับปรุงการวัดค่าแบบไดนามิกและความชัดเจนของภาพ Screenshot จากนั้นทำให้ Visual Review และ Benchmarking เป็น Application Mode ที่ชัดเจน แอปพลิเคชันถูกสร้างให้มี 3 โหมด:

• Dev Mode: สำหรับการพัฒนาและแก้ไขข้อผิดพลาด
• HoloViz Mode: สำหรับการดูผลลัพธ์แบบเรียลไทม์
• Benchmark Mode: สำหรับการวัดประสิทธิภาพ

ด้วย Holoscan CLI และการจัดการ Application Lifecycle โหมดต่างๆ และการทดสอบสามารถค้นหาและรันได้โดยไม่ต้องจำรายละเอียดของ Container หรือ Script

Benchmark Mode ใช้ Holoscan Data Flow Tracking สำหรับเส้นทางที่กำหนดไว้ ตั้งแต่ Video Replayer ผ่าน Preprocessing, Inference, Telemetry, Offscreen HoloViz และ Rendered-Frame Sink ซึ่งเป็นการนำแนวคิดจาก Holoscan Flow Benchmarking Module มาใช้ได้อย่างมีประสิทธิภาพ เวลาประมวลผลของ Agent อยู่ที่ 20 นาที

การวัดผลที่ปรับปรุงแล้วทำให้การวัดค่ามีความแม่นยำและทำซ้ำได้มากขึ้น เมื่อมี Baseline นี้แล้ว รอบถัดไปจะสามารถตรวจสอบประสิทธิภาพได้โดยไม่ต้องอาศัยการดูด้วยตาเพียงอย่างเดียว

ตรวจสอบและปรับปรุง Latency (Iteration 3) ⏱️

เมื่อแอปพลิเคชันสามารถวัดผลได้ วิศวกรได้ออก Prompt ที่สามเพื่อตรวจสอบและปรับปรุง Latency

AI Agent ยืนยันว่า Inference ยังคงทำงานทุกเฟรม และพิจารณาการนำ Mask จากเฟรมก่อนหน้ามาใช้ ซึ่งอาจช่วยลดภาระการ Inference ได้บ้าง แต่ก็ต้องมีนโยบายในการยอมรับผลลัพธ์ที่อาจล้าสมัย สำหรับรอบนี้ Agent ยังคงให้ Inference ทำงานทุกเฟรม และเริ่มต้นด้วยการลดภาระที่ไม่สำคัญของ Dashboard:

• นำ HoloViz Input Specifications และ Static Coordinate Tensors มาใช้ใหม่ พร้อมอัปเดต Text และ Dynamic Geometry ทุกเฟรม
• Queue การคัดลอกข้อมูล GPU-to-Host Telemetry จำนวน 10 ค่าแบบ Asynchronous ใน Buffer สองอัน และทำการ Render ด้วยค่าที่เสร็จสมบูรณ์ก่อนหน้า

เมื่อเปรียบเทียบการนำไปปฏิบัติรอบแรกกับรอบสุดท้ายบนระบบทดสอบเดียวกัน เวอร์ชันที่ปรับปรุงแล้วเร็วกว่าในทุกการวัด 5 ครั้ง เวลาประมวลผลของ Agent อยู่ที่ 30 นาที

การส่งมอบงานสุดท้ายและการตรวจสอบซ้ำ (Final Handoff and Revalidation) 🏁

หลังจากการพัฒนา 3 รอบ วิศวกรได้ให้ Prompt การส่งมอบงานแยกต่างหากแก่ Agent

เพื่อสรุปความคืบหน้า ได้มีการรันแอปพลิเคชันและการทดสอบซ้ำ ตรวจสอบตัวเลขผลลัพธ์ และผลการทดสอบแบบ Headless การนำไปปฏิบัติและหลักฐานการ Benchmark ถูกเก็บรักษาไว้พร้อมกับ Commit Hash และเวอร์ชันของ Dependency ผ่าน ./holohub env-check และ ./holohub env-info

การศึกษาเปรียบเทียบผลกระทบของทรัพยากรต่างๆ 🔬

เพื่อทำความเข้าใจผลกระทบของ CLI, Skills และ Documentation ได้ดียิ่งขึ้น จึงได้ทำการเปรียบเทียบงานพัฒนาเดียวกันภายใต้การผสมผสานทรัพยากรที่แตกต่างกัน

(หมายเหตุ: การศึกษาดำเนินการครั้งล่าสุดเมื่อวันที่ 1 สิงหาคม โดยใช้ Codex 0.146.0 กับ GPT-5.6 Sol ที่ระดับการประมวลผลสูงสุด การประเมินทั้งหมดอิงตาม Prompt เดียวกันกับ Iteration 1)

1. CLI + Skills + Docs/Examples (ตามที่นำเสนอในบทความนี้)

• เวลาประมวลผล Agent: 40 นาที
• ปริมาณ Token ทั้งหมด: 11 ล้าน Token
• ผลลัพธ์: เป็น Workflow ที่มีประสิทธิภาพสูงสุด ให้ผลลัพธ์คุณภาพสูง โดยมี Overhead ทรัพยากรต่ำที่สุด

2. Docs/Examples + Skills (ไม่มี CLI)

• เวลาประมวลผล Agent: 65 นาที
• ปริมาณ Token ทั้งหมด: 20 ล้าน Token
• ผลลัพธ์: Workflow สามารถสร้างแอปพลิเคชันที่สมบูรณ์และบรรลุเป้าหมายการนำไปปฏิบัติได้ แต่กระบวนการไม่มีประสิทธิภาพเท่าที่ควร Agent ค้นหาแอปที่คล้ายกันใน HoloHub ได้ แต่มีแนวโน้มที่จะใช้เครื่องมือ Bash ทั่วไป ซึ่งต้องใช้การลองผิดลองถูกมากขึ้น

3. CLI + Docs/Examples (ไม่มี Skills)

• เวลาประมวลผล Agent: 40 นาที
• ปริมาณ Token ทั้งหมด: 15 ล้าน Token
• ผลลัพธ์: คุณภาพโค้ดต่ำกว่าสองแบบแรก Agent เข้าใจการใช้ CLI จากโค้ดเบสตัวอย่าง แต่:
• การกำหนดค่าโมเดล Third-party และโค้ดถูกฝังในโค้ดแอปพลิเคชันอย่างไม่ถูกต้อง
• สร้าง Dockerfile โดยไม่ใช้ประโยชน์จาก HoloHub Base Image ที่มี Dependency ครบถ้วน
• ละเลย Holoscan Operators ที่ปรับปรุงประสิทธิภาพแล้ว เช่น TensorRT Inference และ Format Converter ส่งผลให้เวอร์ชันนี้ช้ากว่าสองแบบแรกถึง 2.6 เท่า

แม้ว่า Prompt ติดตามผลอาจช่วยแก้ไขปัญหาเหล่านี้ได้ แต่การผสมผสานระหว่าง CLI, Skills และ Documentation/Examples ให้ประสบการณ์การพัฒนาที่ดีที่สุดพร้อม Overhead ทรัพยากรที่ต่ำที่สุด

วงจรการพัฒนาร่วมสำหรับวิศวกรและ Agent 💡

บทความนี้แสดงให้เห็นถึงวงจรการพัฒนาขนาดเล็กที่สามารถตรวจสอบผลได้ ผลลัพธ์คือต้นแบบทางวิศวกรรมที่สร้างขึ้นบนโมเดล, วิดีโอตัวอย่าง และส่วนประกอบ Holoscan ที่มีอยู่ แอปพลิเคชันทำงานแบบ End-to-End, มีหลายโหมดการทำงานและมีการทดสอบอัตโนมัติ, รักษา Model Weights และบันทึกหลักฐาน Benchmark ที่ทำซ้ำได้

ประเด็นหลักคือวงจรการพัฒนาที่แชร์กันระหว่างวิศวกรและ Agent: ./holohub ให้การดำเนินการที่สอดคล้องกัน, Skills เข้ารหัสลำดับและตรวจสอบเฉพาะโปรเจกต์, และตัวอย่าง/เอกสารให้บริบททางวิศวกรรม Agent และวิศวกรใช้คำสั่ง CLI เดียวกัน วิศวกรสามารถมุ่งเน้นไปที่การกำหนดวัตถุประสงค์, ตั้งค่าข้อจำกัด, ประเมิน Trade-offs และตัดสินใจว่าหลักฐานเพียงพอหรือไม่

• HoloHub: ขอบคุณ แหล่งข้อมูล
  https://github.com/nvidia-holoscan/holohub/tree/holoscan-sdk-4.5.0
• Holoscan CLI: ขอบคุณ แหล่งข้อมูล
  https://github.com/nvidia-holoscan/holoscan-cli/tree/v4.5.0
• HoloHub Skills Source: ขอบคุณ แหล่งข้อมูล
  https://github.com/nvidia-holoscan/holohub/tree/main/skills
• HoloHub Skills at Nvidia Catalog: ขอบคุณ แหล่งข้อมูล
  https://build.nvidia.com/skills?filters=library%3Alibrary_holoscan&q=holohub

#NVIDIA #Holoscan #AI #EdgeAI #MachineLearning

ขอบคุณ แหล่งข้อมูล
https://developer.nvidia.com/blog/developing-nvidia-holoscan-applications-with-cli-skills-and-ai-coding-agents/

OpenRouter ประกาศเข้าร่วมเป็นส่วนหนึ่งของ Stripe: อนาคตของ AI ระดับโลก

OpenRouter หนึ่งในแพลตฟอร์มชั้นนำที่เชื่อมต่อผู้พัฒนาและบริษัทต่างๆ เข้ากับโมเดล AI ที่หลากหลายที่สุดในโลก ประกาศข่าวสำคัญว่ากำลังจะเข้าร่วมเป็นส่วนหนึ่งของ Stripe ผู้ให้บริการโครงสร้างพื้นฐานทางการเงินชั้นนำระดับโลก การรวมทีมครั้งนี้มีเป้าหมายเพื่อขับเคลื่อนการเติบโตของผลิตภัณฑ์มวลรวมทั่วโลก (GDP) ในยุคต่อไปของ AI

OpenRouter คืออะไร และทำไมถึงสำคัญ?

OpenRouter คือตลาดกลางและประตูสู่โมเดล AI ที่ใหญ่ที่สุดแห่งแรกของโลก เป็นเครื่องมือที่ช่วยให้ผู้ใช้งานสามารถค้นพบและใช้งานโมเดล AI ได้อย่างง่ายดายผ่านอินเทอร์เฟซเดียว พร้อมตัวเลือกผู้ให้บริการที่หลากหลาย ระบบการสังเกตการณ์โมเดลที่เป็นกลาง การจัดการต้นทุน และระบบการจัดเส้นทาง (Routing) ที่ช่วยเพิ่มประสิทธิภาพด้านราคา ประสิทธิภาพ และความเสถียรของระบบ

ปัจจุบัน OpenRouter ประมวลผลโทเค็นมากกว่า 10 ล้านล้านรายการต่อวัน จากโมเดล AI กว่า 400 โมเดล สำหรับผู้ใช้งานกว่า 10 ล้านคนทั่วโลก ซึ่งแสดงให้เห็นถึงการเติบโตที่น่าประทับใจอย่างน้อย 10 เท่าต่อปี นับตั้งแต่ก่อตั้ง

การผนึกกำลังกับ Stripe: ความหมายสำหรับผู้ใช้งาน

ข่าวดีสำหรับผู้ใช้งาน OpenRouter คือ ทุกอย่างจะยังคงเหมือนเดิม OpenRouter จะยังคงดำเนินงานภายใต้พันธกิจ ชื่อผลิตภัณฑ์ แผนงาน และระบบการจัดเส้นทาง (Routing) แบบเดิม โดยมุ่งเน้นที่การให้บริการที่ดีที่สุดแก่ผู้ใช้งานเป็นหลัก

การเข้าร่วมกับ Stripe จะช่วยเร่งให้ OpenRouter บรรลุเป้าหมายในการสร้างระบบนิเวศ AI ที่แข็งแกร่งและเป็นธรรม โดยมีเป้าหมายหลักคือ:

• ให้ผู้ใช้งานเข้าถึงโมเดล AI ได้อย่างเท่าเทียม: ไม่มีโมเดลใดโมเดลหนึ่งที่จะดีที่สุดสำหรับทุกงาน
• ส่งเสริมความโปร่งใส: เปิดเผยข้อมูลเกี่ยวกับวิธีการใช้งานโมเดลในตลาด
• สนับสนุนการทำงานร่วมกัน: ช่วยให้นักพัฒนาสามารถจัดการและประสานงานโมเดล AI ที่หลากหลายได้อย่างมีประสิทธิภาพ
• เพิ่มความสามารถในการสังเกตการณ์และการจัดการ: ทำให้การใช้งานโมเดล AI เป็นไปอย่างราบรื่นและสามารถจัดการได้ในระดับองค์กร

ทำไมต้อง Stripe?

Stripe คือแพลตฟอร์มโครงสร้างพื้นฐานทางการเงินที่ดีที่สุดในโลก API ของ Stripe ได้กลายเป็นมาตรฐานที่ผลิตภัณฑ์สำหรับนักพัฒนาหลายราย รวมถึง OpenRouter ต้องวัดผลด้วย การรวมกันครั้งนี้จึงเป็นการรวมสองแพลตฟอร์มที่นักพัฒนาเลือกใช้ด้วยคุณสมบัติที่โดดเด่น มีวัฒนธรรมที่มุ่งเน้นคุณภาพ ขนาด และความมุ่งมั่นต่อผู้สร้างสรรค์ ซึ่งจะมีความสำคัญอย่างยิ่งในเศรษฐกิจหลังยุค AGI (Artificial General Intelligence)

Stripe นำเสนอเครือข่ายลูกค้าขนาดใหญ่ ข้อมูลเชิงลึกเกี่ยวกับการเติบโตของธุรกิจบนอินเทอร์เน็ต และประสบการณ์หลายปีในการดำเนินงานโครงสร้างพื้นฐานระดับโลกที่เชื่อถือได้ นอกจากนี้ Stripe ยังมีความเชี่ยวชาญในการจัดการการฉ้อโกงและการใช้งานที่ไม่เหมาะสม ซึ่งเป็นสิ่งที่ OpenRouter เชื่อว่าจะมีความท้าทายมากขึ้นสำหรับบริษัท AI ในอนาคต

บทสรุป: อนาคตที่สดใสของ AI

การผนึกกำลังระหว่าง OpenRouter และ Stripe ถือเป็นก้าวสำคัญที่จะช่วยเร่งการพัฒนาและขยายขอบเขตของ AI ไปสู่ระดับโลก ผู้ใช้งานจะยังคงได้รับประโยชน์จากผลิตภัณฑ์และพันธกิจเดิมของ OpenRouter ที่มุ่งมั่นในการสร้างระบบนิเวศ AI ที่เปิดกว้าง เป็นธรรม และมีประสิทธิภาพสูงสุด

ทีมงาน OpenRouter ขอขอบคุณลูกค้า พนักงาน และทุกภาคส่วนที่เชื่อมั่นในพันธกิจนี้ การเข้าร่วมกับ Stripe จะช่วยให้สามารถสนับสนุนนักพัฒนาและขับเคลื่อนนวัตกรรม AI ไปข้างหน้าได้อย่างรวดเร็วยิ่งขึ้น

#OpenRouter #Stripe #AI #เทคโนโลยี

ขอบคุณ แหล่งข้อมูล
https://openrouter.ai/blog/announcements/openrouter-is-joining-stripe/

OpenAI เปิดตัวนโยบาย "งดการจัดเก็บข้อมูล" สำหรับโมเดลขั้นสูง เพื่อเพิ่มความมั่นใจด้านความเป็นส่วนตัว

OpenAI ผู้นำด้านปัญญาประดิษฐ์ (AI) ได้ประกาศนโยบายใหม่ที่สำคัญ นั่นคือการ งดการจัดเก็บข้อมูล (Zero Data Retention) สำหรับการใช้งานโมเดล AI ขั้นสูง (Frontier Models) ซึ่งนโยบายนี้มีผลทันที โดยมุ่งเน้นไปที่การยกระดับความปลอดภัยและความเป็นส่วนตัวของผู้ใช้งานให้ดียิ่งขึ้น

ทำไมการงดจัดเก็บข้อมูลจึงสำคัญ? 🤔

ในยุคที่ข้อมูลมีความสำคัญอย่างยิ่งยวด การที่องค์กรต่างๆ สามารถจัดการและปกป้องข้อมูลของผู้ใช้ได้อย่างมีประสิทธิภาพ ถือเป็นหัวใจหลักของการสร้างความไว้วางใจ นโยบาย "งดการจัดเก็บข้อมูล" ของ OpenAI หมายความว่า ข้อมูลที่ผู้ใช้ป้อนเข้าไปเพื่อโต้ตอบกับโมเดลขั้นสูง จะไม่ถูกนำไปจัดเก็บหรือใช้งานเพื่อฝึกฝนโมเดลในอนาคตอีกต่อไป

การเปลี่ยนแปลงนี้มีประโยชน์โดยตรงต่อผู้ใช้งานหลายประการ:

• เพิ่มความเป็นส่วนตัว: ข้อมูลส่วนบุคคล ข้อมูลที่เป็นความลับทางธุรกิจ หรือข้อมูลที่ละเอียดอ่อน จะไม่ถูกจัดเก็บไว้ในระบบของ OpenAI ลดความเสี่ยงจากการรั่วไหลหรือการนำไปใช้โดยไม่ได้รับอนุญาต
• สร้างความมั่นใจ: ผู้ใช้สามารถมั่นใจได้ว่าการโต้ตอบกับ AI จะเป็นไปอย่างปลอดภัย โดยไม่ต้องกังวลว่าข้อมูลของตนจะถูกนำไปใช้ในลักษณะที่ตนเองไม่ต้องการ
• สนับสนุนการใช้งานในองค์กร: สำหรับธุรกิจที่ต้องจัดการกับข้อมูลที่เป็นความลับ การมีนโยบายที่ชัดเจนเรื่องการไม่จัดเก็บข้อมูล จะช่วยให้องค์กรสามารถนำเทคโนโลยี AI ไปประยุกต์ใช้ได้อย่างสบายใจมากขึ้น

โมเดลขั้นสูงที่ได้รับผลกระทบ 🛠️

นโยบายนี้ครอบคลุมถึงโมเดล AI ที่ล้ำสมัยที่สุดของ OpenAI ซึ่งรวมถึง:

• GPT-4
• GPT-3.5 Turbo
• Embeddings
• และโมเดลอื่นๆ ที่ OpenAI จัดอยู่ในกลุ่ม "Frontier Models"

อย่างไรก็ตาม OpenAI ชี้แจงว่า สำหรับโมเดลที่ไม่ได้อยู่ในกลุ่มนี้ เช่น Whisper (โมเดลแปลงเสียงเป็นข้อความ) อาจยังคงมีการจัดเก็บข้อมูลตามนโยบายเดิม ซึ่งผู้ใช้ควรตรวจสอบรายละเอียดของแต่ละโมเดลที่ใช้งาน

การใช้งาน API และการตั้งค่า ⚙️

สำหรับนักพัฒนาที่ใช้งาน API ของ OpenAI นโยบายนี้จะมีผลโดยอัตโนมัติเมื่อเรียกใช้โมเดลที่เข้าเกณฑ์ แต่หากต้องการการควบคุมที่มากขึ้น OpenAI ยังคงมีตัวเลือกให้สามารถ ปิดการใช้งานการบันทึกข้อมูล (Opt-out of data logging) สำหรับ API ได้อยู่แล้ว ซึ่งเป็นฟีเจอร์ที่มีมานาน

นอกจากนี้ OpenAI ยังได้ปรับปรุง หน้าจอการตั้งค่า (Settings) บนเว็บไซต์ เพื่อให้ผู้ใช้ทั่วไปสามารถจัดการการตั้งค่าความเป็นส่วนตัวและข้อมูลของตนเองได้อย่างง่ายดายยิ่งขึ้น

อนาคตของการใช้งาน AI ที่ปลอดภัย 🚀

การประกาศนโยบาย "งดการจัดเก็บข้อมูล" ถือเป็นก้าวสำคัญของ OpenAI ในการสร้างระบบนิเวศ AI ที่มีความรับผิดชอบและคำนึงถึงผู้ใช้เป็นหลัก การให้ความสำคัญกับความเป็นส่วนตัวและข้อมูลของผู้ใช้งาน จะเป็นปัจจัยสำคัญที่จะขับเคลื่อนให้เทคโนโลยี AI ได้รับการยอมรับและนำไปใช้อย่างแพร่หลายในอนาคตต่อไป

#OpenAI #AI #ความเป็นส่วนตัว #ความปลอดภัยข้อมูล #GPT4 #ZeroDataRetention

ขอบคุณ แหล่งข้อมูล
https://openai.com/index/offering-zero-data-retention-for-frontier-models

Holo2-235B-A22B: โมเดลใหม่จาก H Company นำวงการ UI Localization ก้าวสู่ SOTA

H Company กลับมาอีกครั้งพร้อมการเปิดตัวโมเดล Holo2-235B-A22B Preview ซึ่งเป็นโมเดลที่ใหญ่ที่สุดเท่าที่เคยมีมาสำหรับการแปลส่วนต่อประสานผู้ใช้ (UI Localization) โดยเฉพาะ โมเดลนี้ได้สร้างสถิติใหม่ที่น่าทึ่งด้วยคะแนน 78.5% บนชุดข้อมูล Screenspot-Pro และ 79.0% บน OSWorld G ซึ่งถือเป็น State-of-the-Art (SOTA) ใหม่ในวงการ

ความท้าทายของ UI Localization ในยุค High-Resolution

การแปลส่วนต่อประสานผู้ใช้บนหน้าจอความละเอียดสูงอย่าง 4K ถือเป็นความท้าทายสำคัญสำหรับโมเดลแปลภาษาทั่วไป เนื่องจากองค์ประกอบ UI ขนาดเล็กอาจระบุตำแหน่งได้ยากบนหน้าจอขนาดใหญ่ แต่ด้วยเทคนิค Agentic Localization ที่ Holo2 นำมาใช้ โมเดลสามารถปรับปรุงการคาดการณ์ได้อย่างต่อเนื่องในแต่ละขั้นตอน ทำให้ความแม่นยำเพิ่มขึ้นอย่างมีนัยสำคัญ ซึ่งช่วยเพิ่มประสิทธิภาพโดยรวมของโมเดล Holo2 ทุกขนาดได้ถึง 10-20%

ประสิทธิภาพของ Holo2-235B-A22B บน ScreenSpot-Pro

Holo2-235B-A22B Preview สามารถทำคะแนนความแม่นยำได้ถึง 70.6% บน ScreenSpot-Pro ในการประมวลผลเพียงขั้นตอนเดียว และเมื่อทำงานในโหมด Agent สามารถทำคะแนนสูงถึง 78.5% ภายใน 3 ขั้นตอน ซึ่งเป็นการตั้งค่ามาตรฐานใหม่ (SOTA) บนเกณฑ์การวัดที่ท้าทายที่สุดสำหรับ GUI Grounding

การฝึกฝนโมเดลด้วย SkyPilot

การฝึกฝนโมเดล Holo2 ในระดับสเกลใหญ่ จำเป็นต้องมีการจัดการเวิร์กโหลดที่ซับซ้อนข้ามผู้ให้บริการคลาวด์หลายราย H Company เลือกใช้ SkyPilot เป็นอินเทอร์เฟซแบบรวมศูนย์สำหรับการเปิดใช้งานงานฝึกฝนบนคลัสเตอร์ของตนเองที่ใช้ Kubernetes (k8s) การที่ SkyPilot ช่วยลดความซับซ้อนของโครงสร้างพื้นฐาน ทำให้ทีมนักวิจัยสามารถมุ่งเน้นไปที่การพัฒนาโมเดลได้เต็มที่ โดยไม่ต้องกังวลกับการจัดการไฟล์คอนฟิก k8s หรือการดูแลสคริปต์การปรับใช้ที่แยกจากกัน

Holo2-235B-A22B Preview ที่เปิดตัวนี้ เป็นการทดลองวิจัยที่มุ่งเน้นการแปลองค์ประกอบ UI โดยเฉพาะ และพร้อมใช้งานแล้วบน Hugging Face

#Holo2 #UILocalization #AI #MachineLearning #HCompany

ขอบคุณ แหล่งข้อมูล
https://huggingface.co/blog/Hcompany/introducing-holo2-235b-a22b

หุ่นยนต์ AI เรียนรู้ได้ดั่งเด็กน้อย: ก้าวล้ำสู่โลกแห่งปัญญาประดิษฐ์ที่ปรับตัวได้

การพัฒนาปัญญาประดิษฐ์ (AI) ได้ก้าวไปสู่จุดที่น่าทึ่งอีกครั้ง เมื่อเราได้เห็นหุ่นยนต์ที่สามารถเรียนรู้และปรับตัวให้เข้ากับสถานการณ์ใหม่ๆ ได้อย่างรวดเร็ว โดยไม่ต้องอาศัยการฝึกฝนแบบเจาะจงสำหรับแต่ละงานอีกต่อไป การมาถึงของเทคโนโลยีนี้ ทำให้เราได้เห็นศักยภาพอันไร้ขีดจำกัดของ AI ที่อาจเปลี่ยนแปลงโลกที่เราอาศัยอยู่

ประสบการณ์ตรงกับ AI ที่เรียนรู้ได้ทันที 🤖

ผู้เขียนได้มีโอกาสเยี่ยมชมสำนักงานของ Generalist AI สตาร์ทอัพด้าน AI ในเมืองเคมบริดจ์ รัฐแมสซาชูเซตส์ ที่นั่นได้เห็นแขนกลของหุ่นยนต์ทำงานบ้านง่ายๆ เช่น การซ้อนแก้ว หรือการหย่อนบล็อกลงในชาม สิ่งที่น่าประหลาดใจคือความสามารถในการเรียนรู้ที่รวดเร็วราวกับมนุษย์ หุ่นยนต์เหล่านี้สามารถเชี่ยวชาญงานต่างๆ ได้หลังจากดูวิดีโอสอนสั้นๆ โดยไม่ต้องมีการฝึกฝนเฉพาะสำหรับงานนั้นๆ

หนึ่งในตัวอย่างที่น่าประทับใจที่สุด คือหุ่นยนต์ที่ได้รับคำสั่งให้กวาดบล็อกลงในชามโดยใช้ที่ตักผงและแปรง เมื่อแปรงถูกนำออกไป หุ่นยนต์ก็สามารถประยุกต์ใช้ที่ตักผงแทนแปรงได้อย่างชาญฉลาด โดยการสะบัดบล็อกลงในชาม ในอีกกรณีหนึ่ง หุ่นยนต์สองแขนได้ดูวิดีโอการรูดซิปกระเป๋าเพื่อนำเงินออกมา จากนั้นหุ่นยนต์ก็สามารถรูดซิปกระเป๋าอีกใบที่แตกต่างออกไปและนำเงินออกมาได้อย่างระมัดระวัง ที่น่าทึ่งกว่านั้นคือ เมื่อหุ่นยนต์ไม่สามารถหยิบเงินได้ มันได้เปลี่ยนจากการใช้กริปเปอร์ด้านขวามาใช้ด้านซ้าย เพื่อให้ได้มุมการเข้าถึงที่ดีขึ้น

AI ที่เรียนรู้จากฟิสิกส์และสัญชาตญาณ 💡

Pete Florence ผู้ร่วมก่อตั้งและ CEO ของ Generalist AI กล่าวว่า "นี่คือสิ่งที่ผู้คนรู้สึกตื่นเต้นกับ GPT-3 จริงๆ" เขาหมายถึงโมเดลภาษาที่ล้ำสมัยของ OpenAI ที่เปิดตัวในปี 2020 ซึ่งสามารถทำงานใหม่ๆ ได้ทันทีเมื่อได้รับคำสั่ง

Generalist AI ดูเหมือนจะมุ่งเน้นไปที่การสอนหุ่นยนต์เกี่ยวกับฟิสิกส์ของโลก ซึ่งได้รับแรงบันดาลใจจากสัญชาตญาณทางฟิสิกส์ที่มนุษย์มีมาตั้งแต่เด็ก สิ่งนี้อาจเป็นส่วนสำคัญที่ช่วยให้โมเดลสามารถถ่ายทอดสิ่งที่ได้เรียนรู้จากสถานการณ์หนึ่งไปยังอีกสถานการณ์หนึ่งได้

การเรียนรู้แบบเด็กน้อย: การทดลองและการประยุกต์ใช้ 🧸

การสาธิตบางส่วนของบริษัททำให้ผู้เขียนนึกถึงวิธีการที่เด็กๆ ทดลองและประยุกต์ใช้สิ่งต่างๆ เมื่อได้รับมอบหมายงาน นักวิจัยมักจะประหลาดใจกับการตัดสินใจของหุ่นยนต์ เช่น หุ่นยนต์ตัวหนึ่งเลือกที่จะกวาดสิ่งของด้วยกล้วย เมื่อมันถูกวางอยู่ตรงหน้า สิ่งนี้อาจดูเล็กน้อย แต่นี่คือ "ความฉลาดทางกายภาพ" ที่ยังคงขาดหายไปในเครื่องจักร และวิธีการที่ทารกเรียนรู้โลกอย่างมีประสิทธิภาพ อาจเป็นข้อมูลเชิงลึกที่สำคัญสำหรับนักวิจัย AI

เบื้องหลังเทคโนโลยี: ทีมผู้เชี่ยวชาญและข้อมูลคุณภาพสูง 🧠

Florence และ Andrew Barry ผู้ร่วมก่อตั้งและ CTO รวมถึง Andy Zeng ผู้ร่วมก่อตั้งและนักวิทยาศาสตร์หลัก มีภูมิหลังที่น่าประทับใจ เคยทำงานที่ Google DeepMind และ Boston Dynamics ในโมเดลฮาร์ดแวร์และหุ่นยนต์ที่ทันสมัยที่สุด

โดยทั่วไป การฝึก AI ที่ควบคุมหุ่นยนต์ให้ทำงานต่างๆ ต้องใช้ข้อมูลตัวอย่างจำนวนมาก ซึ่งเป็นวิธีการเรียนรู้ที่มักมีข้อจำกัด และหุ่นยนต์จะประสบปัญหาหากมีการเปลี่ยนแปลงเพียงเล็กน้อย เช่น แสงสว่าง

Generalist AI และสตาร์ทอัพหุ่นยนต์อื่นๆ กำลังลงทุนอย่างหนักในโมเดลหุ่นยนต์ทั่วไปที่ฝึกฝนโดยมนุษย์ บริษัทได้สร้างถุงมือพิเศษที่คล้ายกับก้ามปูของหุ่นยนต์ พร้อมติดกล้อง ซึ่งผู้คนจะใช้ในการทำงานต่างๆ ผู้เขียนได้เห็นกล่องที่เต็มไปด้วยถุงมือเหล่านี้หลายร้อยชิ้นที่ส่งไปยังคนงานในเม็กซิโกและที่อื่นๆ

ความโดดเด่นของ Generalist AI ในวงการ 🚀

Danfei Xu นักวิจัยหุ่นยนต์จาก Georgia Tech ซึ่งคุ้นเคยกับงานของ Generalist AI กล่าวว่าสตาร์ทอัพนี้โดดเด่นท่ามกลางบริษัทอื่นๆ ที่กำลังพัฒนาโมเดลหุ่นยนต์ทั่วไป "พวกเขาผลักดันสิ่งนี้ไปสู่ขีดสุด และทำได้ดีมากในการดำเนินการ" เขากล่าวเสริมว่า นอกจากจะรวบรวมข้อมูลคุณภาพสูงจำนวนมหาศาลแล้ว "พวกเขายังเป็นนักหุ่นยนต์ที่ยอดเยี่ยม และได้ทำการวิจัยทางวิทยาศาสตร์ที่ดีจริงๆ"

ศักยภาพในการใช้งานจริงและเป้าหมายในอนาคต 🏭

Xu ยังกล่าวอีกว่า สิ่งที่ Generalist AI ได้สาธิตมาจนถึงขณะนี้ บ่งชี้ว่าพวกเขามีเป้าหมายในการนำหุ่นยนต์ไปใช้ในสภาพแวดล้อมเชิงพาณิชย์จริง "พวกเขาเข้าใกล้สิ่งที่สามารถนำไปใช้งานได้มากที่สุด" เขากล่าว

Karen Liu นักวิจัยหุ่นยนต์จาก Stanford University กล่าวว่า "แนวทางการใช้ข้อมูลของ Generalist คือการรวบรวมข้อมูลการโต้ตอบทางกายภาพในสเกลใหญ่ โดยไม่ผูกติดกับหุ่นยนต์ตัวใดตัวหนึ่งมากเกินไป" "ผลลัพธ์ที่แข็งแกร่งที่สุดของพวกเขาชี้ให้เห็นว่าการเดิมพันนี้อาจกำลังได้ผล"

ความท้าทายและความก้าวหน้า 📈

อย่างไรก็ตาม Generalist AI ยอมรับว่าทักษะการเรียนรู้ของโมเดลยังไม่น่าเชื่อถือทั้งหมด โดยหุ่นยนต์สามารถทำงานที่ได้รับมอบหมายได้เพียงประมาณ 59% โดยเฉลี่ย ซึ่งในอุดมคติ อัตราความสำเร็จควรจะสูงกว่า 99% นอกจากนี้ ยังไม่ชัดเจนว่าทักษะเหล่านี้จะสามารถนำไปปรับใช้กับทุกงานหรือทุกสถานการณ์ได้อย่างไร

แม้จะมีข้อจำกัดเหล่านี้ ศักยภาพของหุ่นยนต์ในการเรียนรู้ทักษะอย่างรวดเร็วในภาคการผลิตนั้นมีมหาศาล ตัวอย่างเช่น วิศวกรของ Generalist คนหนึ่งได้ค้นพบสิ่งนี้ในช่วงดึกคืนหนึ่ง วิดีโอที่บันทึกเหตุการณ์แสดงให้เห็นวิศวกรกำลังวางแก้วเล็กๆ ซ้อนกันบนโต๊ะหน้าหุ่นยนต์สองแขน เพื่อดูว่าเครื่องจักรจะทำอะไรได้บ้าง ทันใดนั้น หุ่นยนต์ก็เข้าร่วม โดยหยิบและวางแก้วอื่นๆ ด้วยกริปเปอร์ทั้งสองข้าง เมื่อหุ่นยนต์วางแก้วจนเป็นกองเดียวที่เรียบร้อย วิศวกรก็ตะโกนด้วยความยินดีกับความสามารถนั้น

นี่คือส่วนหนึ่งของจดหมายข่าว AI Lab ของ Will Knight โปรดอ่านจดหมายข่าวฉบับก่อนหน้าได้ที่นี่

#AI #หุ่นยนต์ #ปัญญาประดิษฐ์ #เทคโนโลยี

ขอบคุณ แหล่งข้อมูล
https://www.wired.com/story/generalist-ai-robots-learn-like-clever-toddlers/