หุ่นยนต์พับเกี๊ยว เสิร์ฟชา และเขียนพู่กันได้ โดยที่คนไม่ได้จับรีโมตทีละนิ้ว แล็บ Nature Will เปิดตัว Natura-1 โมเดล foundation สำหรับโลกกายภาพ ที่เรียนจากวิดีโอมุมมองคนกว่าล้านชั่วโมง แล้วขับมือหุ่นยนต์ 20 องศาอิสระด้วยคำสั่งภาษาพูดธรรมดา
ภาพที่แล็บโชว์ออกมาน่าขนลุกแบบตลก ๆ เพราะมือหุ่นสองข้างแยกแผ่นแป้งเกี๊ยว ตักไส้ พับขอบ แล้ววางลงจานเองต่อเนื่องหลายนาที โดยไม่ตัดต่อ และยังมีคลิปยาวเกือบ 30 นาทีที่ให้สั่งงานแปลก ๆ แล้วหุ่นปรับท่าเองเมื่อของหลุดหรือวางผิด
Natura-1 คืออะไร
ตามบล็อกเทคนิคของ Nature Will เอง Natura-1 เป็นโมเดล mixture-of-experts ขนาดราว 50 พันล้านพารามิเตอร์ ที่เทรนล่วงหน้าบนประสบการณ์มุมมองคน (egocentric) กว่า 1 ล้านชั่วโมง รับทั้งภาษาและภาพ แล้วสั่งมือหุ่นที่มีองศาอิสระสูงในลูปควบคุมราว 100 มิลลิวินาที
จุดที่แล็บย้ำคือ หุ่นทั่วไปมักแยกเป็นสองทาง คือนโยบายทั่วไปสำหรับกริปเปอร์แบบหนีบ หรือระบบเฉพาะงานสำหรับมือละเอียด Natura-1 พยายามรวมทั้งสองอย่างไว้ในโมเดลเดียว โดยหลัง pretrain แล้วใช้ข้อมูลหุ่นจริงจำนวนจำกัดเพื่อ adapt ให้เข้ากับมือหุ่นที่ใกล้เคียงมือคน
ทำไมถึง WTF
เพราะงานที่โชว์ไม่ใช่แค่หยิบของแข็งวางลงจาน แต่เป็นวัสดุนิ่มที่เปลี่ยนรูปตามแรงกด เช่นแผ่นแป้งเกี๊ยวที่บางและฉีกง่าย รวมถึงงานยาวหลายขั้นอย่างติดฟิล์มมือถือ หั่นกล้วยใส่โยเกิร์ต หรือเขียนพู่กัน ที่ต้องคุมแรงและมุมตลอดทาง
อีกชุดที่เป็นไฮไลต์คือ zero-shot ตามคำสั่งเปิด ๆ ที่นักวิจัยคิดขึ้นสด ๆ เช่นเลือกขวดที่ “ไม่ใช่” สีที่ระบุไว้หลายสี ตักถั่วใส่กะลามะพร้าว หรือส่งกระดาษทิชชูจากมือหนึ่งไปอีกมือสามรอบก่อนวางบนหนังสือ โมเดลต้องอ่านเงื่อนไขภาษาแล้วจัดลำดับมือเองในฉากที่ไม่โผล่ในชุดเทรนหุ่น
ตัวเลขและขอบเขตที่แล็บรายงาน
Nature Will บอกว่าบนแพลตฟอร์มมือละเอียดของตัวเอง เบสไลน์อย่าง π0.5 และ GPT-6 Astra ที่ใช้เป็นตัวเทียบ ไม่ได้คะแนนในกรอบเวลาที่กำหนด ส่วนบนกริปเปอร์ธรรมดาโมเดลเหล่านั้นได้ราว 13.5 และ 16.7 ในขณะที่ Natura-1 ได้ 53.4 (Base) และ 59.1 (Agentic) บนมือ 20-DoF
แล็บก็ย้ำชัดว่าผลทั้งหมดมาจากการทดสอบของตัวเอง ยังไม่มีกลุ่มนอกมายืนยัน และยังไม่เปิดว่าองค์กรอื่นจะใช้ Natura-1 ได้หรือไม่ เงื่อนไขอย่างไร งานเกี๊ยวและชาที่ยาว ๆ ยังมีการจูนเฉพาะงานเพิ่มบนฐานของ Natura-1 ส่วนงานอื่น ๆ ที่โชว์ใช้ชุดน้ำหนักเดียวกัน
ถ้าเทียบกับแนวหุ่นแปลก ๆ ที่เพิ่งคุยกันไป เช่น PhoneBot ที่เอามือถือเก่ามาเป็นสมองขาเดิน หรือ มือหุ่น ETH Zurich ที่ใช้นิ้วเดินพิมพ์คีย์บอร์ด Natura-1 โฟกัสคนละชั้น คือไม่ใช่ฮาร์ดแวร์รูปแปลก แต่เป็นโมเดลที่พยายามยัด “ทักษะมือคน” จากวิดีโอมหาศาลลงในมือหุ่นจริง
