Fujitsu จับมือ Carnegie Mellon เปิด Physical AI Research Center — เร่ง Kozuchi Physical OS สั่งหุ่นยนต์หลายตัวในโรงงาน, โลจิสติกส์, ก่อสร้าง
Fujitsu และ Carnegie Mellon University (CMU) ประกาศตั้ง Fujitsu-Carnegie Mellon Physical AI Research Center ร่วมกันที่ Pittsburgh วันนี้ — ตั้งเป้าให้เป็น global research hub ด้าน Physical AI (AI ที่ควบคุมสิ่งของในโลกจริง ไม่ใช่แค่ข้อความหรือภาพ)
ศูนย์นี้ไม่ใช่แค่ collaboration บนกระดาษ — มีเป้าหมายชัดคือพัฒนาเทคโนโลยีหลักของ Fujitsu Kozuchi Physical OS ซึ่งเป็น operating system สำหรับหุ่นยนต์หลายตัว ที่ Fujitsu พัฒนามาตั้งแต่ปี 2023 ตอนเปิด Kozuchi AI platform
ทำไมต้อง Physical AI
ทีม Fujitsu + CMU มองว่าปัญหาที่ AI ภาษา (LLM) แก้ไม่ได้ตอนนี้คือ “hands-on labor shortage” ที่กำลังจะทวีความรุนแรงในญี่ปุ่น, สหรัฐ, และยุโรป ตั้งแต่ภาคการผลิต, logistics, ก่อสร้าง, ไปจนถึงดูแลผู้สูงอายุ
Physical AI ต่างจาก LLM ตรงที่ต้องเข้าใจ พื้นที่สามมิติจริง, รับมือกับ physics, จับของจริง, ทำงานต่อเมื่อ sensor สั่น, และตัดสินใจภายใต้ latency ต่ำโดยไม่ต้อง query ไป cloud
CMU เป็นมหาวิทยาลัยที่มีแผนก robotics ใหญ่ที่สุดในโลก (Robotics Institute ก่อตั้งปี 1979) — การจับมือนี้ทำให้ Fujitsu ได้เข้าถึงทั้ง PhD pipeline และ hardware testbed ที่ครบถ้วน
Kozuchi Physical OS — ผสาน 2 intelligence
Kozuchi Physical OS รวมสองความสามารถหลัก:
Brain Intelligence — ให้หุ่นยนต์ปรับตัวตามงานที่ไม่เคยเจอมาก่อนได้ ใช้ทั้ง prior experience (model ที่เทรนด้วย log งานเก่า) และ human imitation (เรียนจากวิดีโอมนุษย์ทำงาน) ทำให้ไม่ต้องเขียน rule ทุก edge case
Spatial Intelligence — ระบบ perception ที่ให้ข้อมูลสภาพแวดล้อมจริงแบบ real-time ให้หุ่นยนต์ทราบว่าของอยู่ไหน, มีคนเดินผ่านหรือเปล่า, พื้นเปียกไหม และประสานงานกับหุ่นยนต์ตัวอื่นได้
จุดสำคัญคือ Kozuchi ออกแบบให้สั่ง หุ่นยนต์หลายตัวทำงานประสานกัน — ไม่ใช่หุ่นยนต์เดี่ยว เช่น สายการผลิตที่มีแขนกล 5 แขน + AGV 3 คัน + ระบบ inspection 2 จุด ให้ผสานเป็น workflow เดียว
Use case เป้าหมาย
- Manufacturing — สายการประกอบที่ยืดหยุ่น เปลี่ยน product mix ได้เร็ว
- Logistics — คลังสินค้าที่หุ่นยนต์ pick-and-pack สินค้าหลากชนิด
- Construction — ก่อสร้างที่ต้องทำงานในสภาพแวดล้อมไม่แน่นอน
- Infrastructure — ตรวจสะพาน, ท่อ, สายไฟ ที่คนเข้าไม่ถึง
- Healthcare — ดูแลผู้สูงอายุ, เข็นของในโรงพยาบาล, ส่งยา
มุมมอง AI Curator
ดีลนี้สะท้อน pattern ที่กำลังปรากฏชัดใน AI — “compute + data ไม่พอ ต้องมี robotics testbed” — Fujitsu มี compute (supercomputer Fugaku) + customer base (โรงงานในญี่ปุ่น + SE Asia) ส่วน CMU มี robotics lab และ PhD ที่ run experiment ได้ การจับคู่แบบนี้คล้ายกับที่ Toyota ทำกับ Woven City เมื่อวานซึ่ง blog เราเพิ่งเขียนไป
สำหรับไทย — เรื่องนี้สำคัญ เพราะไทยเป็น manufacturing hub ของ SE Asia และเริ่มเจอปัญหา labor shortage ในสายการผลิตยานยนต์และ electronics แล้ว Fujitsu มี presence ใหญ่ในไทยผ่าน Fujitsu Thailand (TIS, integration service) และถ้า Kozuchi Physical OS สำเร็จก็น่าจะ deploy ในนิคมไทยก่อนประเทศอื่น ๆ ใน ASEAN
อีกมุมที่น่าคิดคือ “Japan + US” axis ใน Physical AI — ขณะที่ LLM ถูกดอมิเนตโดย US (OpenAI, Anthropic, Google) และจีน (DeepSeek, Qwen) แต่ Physical AI เป็นสนามที่ญี่ปุ่นมีข้อได้เปรียบจริง ทั้ง precision manufacturing, robotic heritage, และ Honda/Toyota/Fujitsu/Sony ที่ลงทุนเรื่องนี้มา 40 ปี — ศูนย์วิจัยร่วมที่ Pittsburgh นี้อาจเป็น hedge ของญี่ปุ่นที่ไม่ต้องการให้ Physical AI ถูก US lock ฝ่ายเดียวเหมือน LLM
ในเชิงวิจัย — จุดที่น่าจับตาคือ brain imitation จากวิดีโอมนุษย์ ซึ่งหมายความว่า Fujitsu อาจต้องการ dataset วิดีโอ workflow มนุษย์มหาศาล (Meta กำลังทำสิ่งคล้ายกันใน MCI จากการ track พนักงาน) — ข้อมูลแบบนี้จะมีประเด็น privacy และ labor law ที่ต้องจัดการก่อน deploy จริง
แหล่งข่าว
อ่านเพิ่มในหมวด งานวิจัย
Anthropic ให้ Claude สร้างชุดข้อมูลที่ดูไร้พิษภัยแต่ทำโมเดลเบี้ยว ซ่อนในเรื่องเลี้ยงผึ้งและมวยปล้ำ จนผ่านระบบตรวจที่คล้ายของจริง
ทีม Alignment ของ Anthropic ให้ Claude ปีนหาชุดข้อมูล fine-tune ที่หลบ monitor ได้ ผลคือซ่อนพฤติกรรมในงานเขียนแนวบทบาทสมมติ และโมเดลที่เทรนแล้วนำไปใช้ในบุคลิกตัวเอง ผลซ้ำได้บน Qwen 3.6 27B แต่การทดลองเอื้อฝ่ายโจมตีมากและไม่ได้สะท้อนโมเดลที่ใช้งานจริง
Memdoor ทำซ้ำ GVS5H ได้: ทีม Qwen3.8-27B ห้าตัวตามทัน Fable 5 บนโจทย์ LiveCodeBench Hard แต่ผู้ทำบอกเองว่า 'เท่า' ไม่ใช่ 'ชนะ'
Memdoor ปล่อย workflow team-solve ที่เขียนวิธี GVS5H เป็น YAML ล้วนและทำคะแนน 9.8/10 บน LiveCodeBench Hard 10 ข้อ เทียบกับ 8.0 ของ Fable 5 แบบเรียกครั้งเดียว แต่ตัวอย่างเล็กและมีข้อจำกัด ส่วนงานวิจัยต้นฉบับชี้ว่าวิธีนี้ไม่ได้ช่วยทุกโมเดล
QwenPU รัน LLM ซ้อนใน LLM ด้วยหน่วยเวกเตอร์ที่คอมไพล์ลงในน้ำหนัก Qwen3.5-4B ส่วน bootgpt ทำให้เครื่อง 386 บูตเข้าโมเดลภาษาโดยไม่มี OS
ผู้สร้าง Qwenputer ปล่อย QwenPU เมื่อ 31 ต.ค. รัน stories260K ของ Karpathy บนหน่วยเวกเตอร์ที่คอมไพล์ลงในน้ำหนัก Qwen3.5-4B ลดเหลือ 53,000 trace token ต่อหนึ่ง token เรื่องเล่า วันเดียวกัน bootgpt ใส่โมเดล int8 ขนาด 11.5KB ให้บูตบนเครื่อง 386 โดยไม่มี OS