ROBOTICS & HUMANOID

Skild AI เปิดตัว S1 โมเดลหุ่นยนต์ที่เรียนรู้งานใหม่ได้ทันทีจากวิดีโอเพียงคลิปเดียว

NVIDIA Blog10 Sep 2026
1 min read
Key Takeaways
  • S1 จาก Skild AI เปลี่ยนการสอนหุ่นยนต์จากการเขียนโค้ดเป็นการให้ดูวิดีโอสาธิต ซึ่งประหยัดเวลากว่าการเก็บข้อมูลฝึกฝนแบบเดิมหลายสิบเท่า

ทำไมเรื่องนี้ถึงสำคัญ

เทคโนโลยีนี้ช่วยลดช่องว่างระหว่างการเขียนโปรแกรมหุ่นยนต์แบบเดิมกับการเรียนรู้ด้วยตัวเอง ทำให้หุ่นยนต์ในภาคอุตสาหกรรมมีความยืดหยุ่นสูงขึ้นและลดต้นทุนในการปรับเปลี่ยนกระบวนการผลิต

หุ่นยนต์ในโรงงานอุตสาหกรรมส่วนใหญ่มักถูกออกแบบมาเพื่องานที่ตายตัว ทำให้การปรับเปลี่ยนขั้นตอนการผลิตแต่ละครั้งทำได้ยากและใช้เวลานาน Skild AI จึงได้พัฒนาโมเดลหุ่นยนต์พื้นฐานรุ่น S1 ที่มีความสามารถในด้าน In-context learning ช่วยให้หุ่นยนต์สามารถทำความเข้าใจงานใหม่ๆ เช่น การประกอบอุปกรณ์หรือการประกอบอาหาร ได้จากวิดีโอสาธิตเพียงตัวเดียว

จากการทดสอบพบว่าโมเดล S1 สามารถทำงานที่ซับซ้อนและมีหลายขั้นตอนต่อเนื่องกันได้ดีกว่าระบบเดิมถึง 7 เท่า และสามารถปรับตัวได้หากสิ่งของในฉากเคลื่อนย้ายไปจากเดิม โดย Skild AI ได้ใช้โครงสร้างพื้นฐานของ NVIDIA เช่น Isaac Lab และเทคโนโลยี Cosmos ในการสร้างประสบการณ์จำลองที่หลากหลายเพื่อให้หุ่นยนต์เรียนรู้ได้อย่างมีประสิทธิภาพ ปัจจุบันได้มีการเริ่มนำไปใช้งานจริงแล้วในโรงงานของ Foxconn เพื่อช่วยประกอบระบบ NVIDIA Blackwell

สรุปประเด็นหลัก

S1 เรียนรู้งานได้ยาวถึง 10 นาทีจากการดูวิดีโอเพียงครั้งเดียว (One-shot learning)

มีประสิทธิภาพในการทำงานหลายขั้นตอนสูงกว่าระบบ AI ทั่วไปถึง 7 เท่า

เริ่มใช้งานจริงในโรงงาน Foxconn สำหรับงานประกอบที่มีความแม่นยำสูง

นวัตกรรมและเทคโนโลยี

models

S1 Foundation Model

โมเดลหุ่นยนต์ที่ใช้เทคนิค In-context learning เพื่อเรียนรู้งานจากวิดีโอพรอพม์โดยไม่ต้องเทรนซ้ำ

developer tools

Isaac Lab Integration

ใช้เฟรมเวิร์กการเรียนรู้ของหุ่นยนต์แบบโมดูลาร์เพื่อจำลองแรงทางฟิสิกส์และการโต้ตอบที่แม่นยำ

Developer Impact
วิศวกรหุ่นยนต์สามารถลดขั้นตอนการเก็บข้อมูลและการทำ Data Labeling ลงได้มหาศาล โดยใช้เพียงวิดีโอสาธิตเพื่อกำหนดงานใหม่ให้กับหุ่นยนต์ในสภาพแวดล้อมที่เปลี่ยนแปลงตลอดเวลา
Keywords
#skild ai #robotics #physical ai #foundation model #nvidia cosmos
Original Source

อ่านข้อมูลเพิ่มเติมจากแหล่งข่าวหลัก

NVIDIA Blog