ในปี 2026 แวดวง AI จะให้กําเนิดยูนิคอร์นที่เร็วที่สุด 100 พันล้านตัว Skild AI เสร็จสิ้นการจัดหาเงินทุน Series C ด้วยมูลค่ามากกว่า 140 พันล้านดอลลาร์ และลงทุนโดย SoftBank, Nvidia และ Bezos ในเวลาเพียง 3 ปีของการก่อตั้ง ผู้ก่อตั้งมาจาก Meta AI ซึ่งไม่ได้สร้างฮาร์ดแวร์หุ่นยนต์ แต่มุ่งเน้นไปที่การสร้าง “สมองสากล” Skild Brain ซึ่งใช้โมเดลที่ใช้ร่วมกันเพื่อให้หุ่นยนต์มีความสามารถในการสร้างโลกทางกายภาพ
ตรรกะทุนของการประเมินมูลค่าที่เพิ่มขึ้นสิบเท่าในสองปี
Skild AI เป็นยูนิคอร์นที่เร็วที่สุดที่ทะลุ 100 พันล้านในปีนี้ ด้วยการพัฒนาที่รวดเร็วและการขยายตัวของการประเมินมูลค่าที่ดุเดือด ซึ่งถือเป็นปรากฎการณ์แม้ในคลื่นการลงทุน AI ที่บ้าคลั่ง เพียงสองเดือนหลังจากก่อตั้ง บริษัท ได้รับรอบเมล็ดพันธุ์มูลค่า 14.5 ล้านดอลลาร์ที่นําโดย Lightspeed Ventures ซึ่งประสบความสําเร็จในการเปิดตัว ในวันครบรอบหนึ่งปี Skild AI เสร็จสิ้นการระดมทุนรอบ Series A สูงถึง 300 ล้านดอลลาร์ และการประเมินมูลค่าหลังการลงทุนเพิ่มขึ้นเป็น 15 พันล้านดอลลาร์ การประเมินมูลค่าเพิ่มขึ้นเกือบสิบเท่า และการจัดหาเงินทุน Series C ล่าสุดได้ผลักดันการประเมินมูลค่าเป็น 140 พันล้านดอลลาร์
เหตุผลในการเดิมพันเงินทุนใน Skild AI นั้นง่ายมาก – ตลาดแรงงานทั่วโลกเผชิญกับช่องว่างที่รุนแรง ช่องว่างการจ้างงานในอุตสาหกรรมการผลิตของสหรัฐฯ เพียงแห่งเดียวคาดว่าจะสูงถึง 2.1 ล้านตําแหน่งภายในปี 2030 และปัญหาประชากรสูงอายุในเศรษฐกิจที่พัฒนาแล้ว เช่น ยุโรปและญี่ปุ่นก็ยิ่งร้ายแรงยิ่งขึ้น หุ่นยนต์เอนกประสงค์ที่สามารถทํางานฟิสิกส์ที่ซับซ้อนได้ถูกมองว่าเป็นกุญแจสําคัญในการแก้ปัญหาวิกฤตการผลิต อย่างไรก็ตาม อุตสาหกรรมหุ่นยนต์ในปัจจุบันมีการกระจายตัวอย่างมาก และผู้ผลิตทุกรายพยายามพัฒนาทุกอย่างตั้งแต่โครงสร้างทางกลไปจนถึงระบบควบคุม ซึ่งส่งผลให้ต้นทุนการวิจัยและพัฒนาสูงและไม่สามารถโยกย้ายความสามารถข้ามแพลตฟอร์มได้
โมเดลซอฟต์แวร์บริสุทธิ์ของ Skild AI ที่ว่า “ทําเฉพาะสมอง ไม่ใช่ร่างกาย” นั้นสอดคล้องกับแนวโน้มทั่วไปของอุตสาหกรรมที่เปลี่ยนจาก “มุ่งเน้นฮาร์ดแวร์” เป็น “โมเดล AI และมุ่งเน้นความสามารถของซอฟต์แวร์” Sequoia Capital เขียนในรายงานหลังการลงทุนว่า “ค่านิยมหลักของ Skild AI คือการใช้โมเดลรากฐานที่ใช้ร่วมกันเพื่อปลดล็อก ‘ความสามารถที่เกิดขึ้น’ ของหุ่นยนต์ในโลกทางกายภาพ สิ่งนี้แตกต่างจากการไม่สามารถปรับขนาดได้ของ ‘ตัวควบคุมจุดเดียว’ ในอดีตโดยพื้นฐาน” “ความสามารถที่เกิดขึ้น” นี้คล้ายกับความก้าวหน้าของ GPT-3 ในการทําความเข้าใจภาษา ซึ่งเมื่อโมเดลถึงจุดวิกฤต โมเดลจะมีความสามารถที่ไม่ได้สอนอย่างชัดเจนในระหว่างการฝึกอบรมโดยอัตโนมัติ
การมีส่วนร่วมของ SoftBank นั้นมีกลยุทธ์เป็นพิเศษ ยักษ์ใหญ่ด้านเทคโนโลยีของญี่ปุ่นเข้าซื้อกิจการ ARM ในปี 2016 ในราคา 320 พันล้านดอลลาร์ และได้วางตัวในด้านหุ่นยนต์ (เช่น การเข้าซื้อกิจการ Boston Dynamics) SoftBank Vision Fund เป็นที่รู้จักในด้านความก้าวร้าวในการลงทุน AI และตําแหน่งที่หนักหน่วงใน Skild AI นี้แสดงให้เห็นว่าเชื่อว่า “สมองสากลของหุ่นยนต์” เป็นตลาดมูลค่าล้านล้านดอลลาร์ต่อไป การเพิ่มของ Nvidia ให้พลังการประมวลผลและการสนับสนุนระบบนิเวศ และโครงสร้างพื้นฐานการฝึกอบรมของ Skild AI มีแนวโน้มที่จะสร้างขึ้นบนคลัสเตอร์ GPU ของ Nvidia การลงทุนส่วนบุคคลของ Bezos นั้นหายากยิ่งขึ้น เนื่องจากผู้ก่อตั้ง Amazon ไม่ค่อยมีส่วนร่วมในโครงการระยะเริ่มต้น และการรับรองของเขานํามูลค่าแบรนด์ที่จับต้องไม่ได้มาสู่ Skild AI
ยีนเทคโนโลยีของทีมที่ออกจาก Meta
คําตอบสําหรับความสามารถทางเทคนิคของ Skild AI ซ่อนอยู่ในพื้นหลังของทีมผู้ก่อตั้ง ก่อนที่จะก่อตั้ง Skild AI Deepak Pathak เป็นนักวิชาการและผู้ปฏิบัติงานที่มีชื่อเสียงในด้านปัญญาประดิษฐ์และวิทยาการหุ่นยนต์ โดยทําหน้าที่เป็นผู้ช่วยศาสตราจารย์ที่มหาวิทยาลัย Carnegie Mellon และตีพิมพ์เอกสารที่อ้างถึงอย่างกว้างขวางหลายฉบับ ในช่วงที่เขาดํารงตําแหน่งที่ Meta AI เขามีส่วนร่วมอย่างลึกซึ้งในโครงการสําคัญหลายโครงการเกี่ยวกับการเรียนรู้แบบปรับตัว
Pathak เชื่อมั่นว่าความฉลาดทั่วไปของ AI ที่แท้จริงจะต้องสร้างขึ้นผ่านการโต้ตอบและการลองผิดลองถูกในโลกทางกายภาพ แทนที่จะพึ่งพาข้อมูลข้อความหรือรูปภาพดิจิทัลเพียงอย่างเดียว แนวคิดนี้ถูกตั้งคําถามภายใน Meta เนื่องจาก Meta มุ่งเน้นไปที่ metaverse และ AI โซเชียลในขณะนั้น และการลงทุนในหุ่นยนต์ทางกายภาพนั้นค่อนข้างอนุรักษ์นิยม ความขัดแย้งเชิงกลยุทธ์นี้ทําให้ Pathak เลือกที่จะเริ่มต้นธุรกิจและทําให้แนวคิดเป็นจริงในที่สุด
Abhinav Gupta จาก Meta AI ได้สร้างความสําเร็จในการตัดกันของคอมพิวเตอร์วิทัศน์และการเรียนรู้วิทยาการหุ่นยนต์ เขาเน้นการเรียนรู้ความรู้ทางฟิสิกส์จากข้อมูลวิดีโอระดับเครือข่าย ช่วยให้เครื่องจักรเข้าใจคุณสมบัติของวัตถุ กฎทางกายภาพ และความตั้งใจของมนุษย์ อันที่จริง Gupta และ Pathak ได้ร่วมมือกันหลายครั้งในช่วงเวลาที่ Meta เพื่อสํารวจวิธีจําลอง “ความสามารถที่เกิดขึ้น” ของโมเดลภาษาขนาดใหญ่ให้เป็นหุ่นยนต์จริง
ทั้งสองเชื่อว่าอุตสาหกรรมหุ่นยนต์ในปัจจุบันพึ่งพาโซลูชันที่ปรับแต่งได้มากเกินไปสําหรับงานเฉพาะและฮาร์ดแวร์เฉพาะ และขาด “สมองสากล” ที่สรุปได้และปรับขนาดได้ ซึ่งจํากัดศักยภาพในการใช้งานและความเร็วในการแพร่กระจายของหุ่นยนต์ในโลกแห่งความเป็นจริงอย่างจริงจัง ด้วยเหตุนี้ ทั้งสองจึงได้เริ่มบ่มเพาะโครงการภายในในระยะหลังของ Meta เพื่อพยายามสร้างโมเดลรากฐานของหุ่นยนต์ที่ไม่พึ่งพาฮาร์ดแวร์เฉพาะ ในที่สุด ในช่วงต้นปี 2023 Pathak และ Gupta ก็ตัดสินใจออกจาก Meta และเริ่มต้นธุรกิจเต็มเวลา พวกเขาเชื่อมั่นว่าอนาคตของอุตสาหกรรมหุ่นยนต์ไม่ใช่การสร้าง “ร่างกาย” มากขึ้น แต่เกี่ยวกับการจัดหา “สมอง” ที่ทรงพลังและแบ่งปันได้
ช่วงเวลา GPT-3 ในอุตสาหกรรมหุ่นยนต์
กรอไปข้างหน้าอย่างรวดเร็วในปี 2023 เมื่อหุ่นยนต์อัจฉริยะเบ่งบานทุกหนทุกแห่ง แต่หุ่นยนต์แต่ละตัวจําเป็นต้องฝึกอัลกอริทึมเฉพาะทางตั้งแต่เริ่มต้น ส่งผลให้มีวงจรการวิจัยและพัฒนาที่ยาวนาน ต้นทุนสูง และความสามารถที่ไม่สามารถสื่อสารได้ระหว่างหุ่นยนต์ต่างๆ ในอุตสาหกรรมข่าวกรองที่เป็นตัวเป็นตน มีปัญหาที่รบกวนอุตสาหกรรมอยู่เสมอ: จะสรุปได้อย่างไร? สิ่งที่เรียกว่าการสรุปหมายถึงความสามารถของหุ่นยนต์ตัวหนึ่งที่สามารถคัดลอกไปยังหุ่นยนต์ตัวอื่นได้อย่างรวดเร็ว
นี่เป็นเรื่องยากมากสําหรับหุ่นยนต์ เนื่องจากโลกทางกายภาพมีความซับซ้อน ไม่แน่นอน และมีพลวัตสูง และหุ่นยนต์จําเป็นต้องแก้ปัญหาทั่วไปในสามระดับของการรับรู้ การตัดสินใจ และการดําเนินการในเวลาเดียวกัน ตัวอย่างเช่น การเปลี่ยนแปลงของแสง เอฟเฟกต์สภาพอากาศ ความยุ่งเหยิงของพื้นหลัง การรบกวนการบดบัง ฯลฯ อาจทําให้เกิดการเปลี่ยนแปลงอย่างมากในการกระจายข้อมูลอินพุตของเซ็นเซอร์ภาพ แม้ว่าจะเรียนรู้งานง่ายๆ แต่ละอย่าง (เช่น การคว้า การเดิน) เมื่อรวมกันเป็นงานที่ซับซ้อน (เช่น “เปิดตู้เย็น หยิบเครื่องดื่มออกมาแล้วเทลงในถ้วย”) พื้นที่ในการตัดสินใจจะเพิ่มขึ้นอย่างทวีคูณ
Skild Brain แก้ปัญหาเส้นทางทางเทคนิคหลักสามเส้นทางของการสรุปทั่วไป
การฝึกอบรมล่วงหน้าแบบหลายรูปแบบขนาดใหญ่: เรียนรู้ความรู้ทางฟิสิกส์จากวิดีโอบนเว็บ สภาพแวดล้อมจําลอง และข้อมูลหุ่นยนต์จริงเพื่อสร้างการแสดงทั่วไปในสถานการณ์ต่างๆ
ฮาร์ดแวร์เป็นอิสระจากสถาปัตยกรรม: แยกการรับรู้และตรรกะการตัดสินใจออกจากโครงสร้างทางกลที่เฉพาะเจาะจงผ่านเลเยอร์นามธรรม เพื่อให้สามารถปรับใช้โมเดลเดียวกันกับหุ่นยนต์รูปแบบต่างๆ เช่น ล้อ เท้า และแขน
กลไกการเรียนรู้อย่างต่อเนื่อง: ข้อมูลที่สร้างโดยหุ่นยนต์ระหว่างการดําเนินงานจะถูกส่งกลับไปยังระบบคลาวด์ และโมเดลจะได้รับการปรับให้เหมาะสมอย่างต่อเนื่อง และประสบการณ์ของหุ่นยนต์แต่ละตัวจะเป็นประโยชน์ต่อเครือข่ายทั้งหมด
Skild AI ไม่ได้สร้างฮาร์ดแวร์หุ่นยนต์ แต่มีจุดมุ่งหมายเพื่อติดตั้ง “สมองสากล” สําหรับหุ่นยนต์ทุกตัว และผู้ก่อตั้งอ้างว่าพวกเขากําลังสร้าง “ช่วงเวลา GPT-3” ของสติปัญญาที่เป็นตัวเป็นตน Skild Brain แยกซอฟต์แวร์ออกจากฮาร์ดแวร์ โดยหลีกเลี่ยงการผูกติดอยู่กับการออกแบบฮาร์ดแวร์เดียว ในขณะเดียวกันก็ลดเกณฑ์อุตสาหกรรมให้มากที่สุดทําให้ผู้ผลิตหุ่นยนต์หรือผู้รวมระบบรายอื่นสามารถมุ่งเน้นไปที่การเพิ่มประสิทธิภาพฮาร์ดแวร์และการใช้งานสถานการณ์และเรียก API ของ Skild Brain โดยตรงเพื่อรับข่าวกรองขั้นสูงซึ่งช่วยเร่งความนิยมของแอปพลิเคชันหุ่นยนต์ได้อย่างมาก
โอกาสในการใช้ในเชิงพาณิชย์ก็มีแนวโน้มที่ดีเช่นกัน ในภาคอุตสาหกรรมและพาณิชย์หุ่นยนต์ในสายการผลิตไม่จําเป็นต้องปิดตัวลงเนื่องจากความผิดพลาดเล็กน้อย ในการกู้ภัยพิบัติ หุ่นยนต์สามารถทํางานต่อไปได้แม้ว่าจะมี “แขนขาขาด” ก็ตาม ในตลาดผู้บริโภคสามารถใช้ “สมอง” “นอกเปลือก” เพื่อลดต้นทุนได้อย่างมาก รากฐานที่สําคัญทางเทคโนโลยีเหล่านี้กําลังปรับเปลี่ยนความเข้าใจของผู้คนเกี่ยวกับ AGI - ความรู้ดิจิทัลเพียงอย่างเดียวไม่สามารถสร้าง AGI ที่แท้จริงได้ และตัวแทนเครื่องจักรต้องเรียนรู้ผ่านการเรียนรู้แบบ “ลงมือปฏิบัติ” เพื่อทําความเข้าใจกฎการดําเนินงานที่แท้จริงในโลกทางกายภาพ
