GEN-1.5: หุ่นยนต์เรียนงานใหม่จากการดูสาธิตครั้งเดียว 3–12 วินาที สำเร็จ 59% โดยไม่ต้องเทรนเลย — และแตะ 83% ด้วยการอัปเดตน้ำหนักแค่ 10 ก้าว

19 สิงหาคม 2026 Generalist AI ปล่อยรายงาน GEN-1.5 — โมเดลพื้นฐาน (foundation model) สำหรับหุ่นยนต์ที่น่าสนใจไม่ใช่เพราะตัวเลขความสำเร็จสูงลิ่ว (มันไม่สูง) แต่เพราะ วิธีที่มันเรียนงานใหม่: ป้อนคลิปสาธิตยาว 3–12 วินาทีเข้าไปใน context window แล้วหุ่นยนต์ทำงานนั้นได้เลย โดยไม่ต้องเทรน ไม่ต้องแก้น้ำหนักโมเดลแม้แต่ตัวเดียว

ถ้าคุณคุ้นกับการเขียน prompt ให้ LLM แล้วใส่ตัวอย่าง 2–3 อันเพื่อให้มันทำตาม (few-shot prompting) นี่คือสิ่งเดียวกัน — แต่ตัวอย่างเป็น ข้อมูลเซ็นเซอร์บวกวิถีการเคลื่อนไหวจริง แทนที่จะเป็นข้อความ Generalist AI เรียกมันว่า physical prompting และนี่คือความหมายที่แท้จริงของข่าวนี้: ความสามารถ in-context learning ที่ทำให้ LLM ใช้งานได้จริงเมื่อ 5 ปีก่อน กำลังโผล่ขึ้นมาในโดเมนการควบคุมหุ่นยนต์

(เราเคยเขียนถึง Generalist AI ตอนระดมทุน 400 ล้านดอลลาร์เมื่อ มิ.ย. 2026 ซึ่งตอนนั้นโมเดลล่าสุดคือ GEN-1 — รอบนี้เป็นคนละเรื่อง คือผลงานโมเดลที่ผ่านการ pretrain ต่อเนื่องมาอีก 8 เดือน)

physical prompt ทำงานยังไง

GEN-1.5 เป็นโมเดล multimodal ที่รับวิดีโอ (หน่วยความจำย้อนหลัง 30 วินาที) พร้อมข้อมูลเซ็นเซอร์ ภาษา และ proprioception (การรับรู้ตำแหน่งข้อต่อของตัวเอง) แล้วส่งออกเป็น วิถีการเคลื่อนไหวที่ความถี่ 100 Hz

physical prompt คือ “ตัวอย่างเชิงประสาทสัมผัส-การเคลื่อนไหว” — ข้อมูลเซ็นเซอร์ + วิถีการเคลื่อนไหว ที่บันทึกได้สองทาง คือให้มนุษย์ถือ gripper แบบมือถือ ทำงานนั้นให้ดู หรือใช้คลิปที่หุ่นยนต์เคยทำเอง จากนั้นผู้ใช้เลือกคลิปผ่านอินเทอร์เฟซแบบลากวางเพื่อยัดเข้า context window ของโมเดล

จุดที่ควรเข้าใจให้ตรงคือ มันไม่ใช่การเทรน คลิปสาธิตอยู่ใน context เหมือน prompt ข้อความ พอเปลี่ยนคลิป พฤติกรรมก็เปลี่ยนทันที — ไม่มีขั้นตอน fine-tune คั่นกลาง

ตัวเลขจริง และสิ่งที่ตัวเลขไม่ได้บอก

ทีมทดสอบบน 10 งานหยิบจับที่หลากหลาย เช่น บิดฝาขวดโหลแก้ว รูดซิปกระเป๋าดินสอ ปัดลูกบาศก์ลงชาม ดึงแผ่นดูดสุญญากาศออก หย่อนปากกาเมจิกลงแก้ว เทน็อต และหยิบเงินออกจากกระเป๋าสตางค์ ผลคือ:

• one-shot in-context prompting: สำเร็จเฉลี่ย 59% (ส่วนเบี่ยงเบนมาตรฐาน ±10%) โดยไม่เทรนเลย
• few-shot adaptation: 83% (±9%) หลังเทรนเพิ่ม 10 gradient steps จากข้อมูล 5 นาทีต่องาน (ราว 50 การสาธิต)
• one-step adaptation บนงานที่กันไว้: 66.5%

ตัวเลขที่น่าคิดที่สุดกลับไม่ใช่สามอันข้างบน แต่คือ: การ fine-tune ที่ดัน 59% → 83% นั้น เปลี่ยนน้ำหนักโมเดลไปไม่ถึง 0.15% ทีมตีความว่ากระบวนการนี้ “จัดเรียงความรู้ที่มีอยู่แล้วใหม่ มากกว่าจะสร้าง representation ใหม่” — พูดอีกอย่างคือ ทักษะพวกนี้อยู่ในโมเดลอยู่แล้วตั้งแต่ pretrain การสาธิตแค่ทำหน้าที่ชี้ว่าจะหยิบอันไหนมาใช้

ที่ทีมเน้นคืออาการ ด้นสด: เมื่อป้อนคลิปสาธิตการปัดด้วยแปรง โมเดลหยิบ กล้วยมาใช้แทนแปรง และคิดลำดับการสัมผัสใหม่ทั้งหมดกับที่ตักผง ทั้งที่ไม่เคยเห็นใน pretraining ส่วนโมเดลที่ fine-tune บนงานเปิดฝาโหล ก็ generalize ไปยังแก้วและขวดที่ไม่เคยเห็นได้ และทำงานได้แม้เปลี่ยนมือข้างที่ใช้

ข้อจำกัดที่ทีมยอมรับเอง — และข้อที่เราต้องเติมให้

รายงานตรงไปตรงมาผิดคาดสำหรับเอกสารการตลาดของสตาร์ตอัพ ทีมระบุเองว่า:

• งานยังง่ายและสั้น (short-horizon) และอัตราสำเร็จ “อยู่ในระดับพอประมาณ” — 59% แปลว่าพลาดเกือบครึ่ง
• ทักษะที่เรียนผ่าน context เปราะกว่าโมเดลที่ fine-tune แม้จะทนต่อการรบกวนได้บ้างและกู้คืนจากความผิดพลาดได้
• ยังอธิบายไม่ได้ว่าทำไมความสามารถนี้ถึงโผล่ขึ้นมา — “ยากที่จะชี้ชัดว่าทำไมมันเกิดจากการ pretrain”
• ช่องว่างในข้อมูล pretraining: โมเดลถูก pretrain บนช่วงเวลาต่อเนื่องที่สุ่มมา แต่ physical prompt สร้าง “การกระโดดข้ามเวลาแบบไม่ต่อเนื่อง” ซึ่งโมเดลไม่เคยเห็นตอนเทรน

และข้อที่ต้องเติมเอง: ตัวเลขทั้งหมดมาจากบริษัทเอง ยังไม่มีการตรวจสอบอิสระ ไม่มีการเปิดน้ำหนักโมเดล ไม่มี API สาธารณะ และรายงานไม่ได้ระบุแพลตฟอร์มหุ่นยนต์ที่ใช้ทดสอบอย่างเจาะจง — ซึ่งในงานหุ่นยนต์นั้นสำคัญมาก เพราะ gripper คนละแบบให้ผลคนละเรื่อง

มุมมอง AI Curator

สิ่งที่ทำให้ข่าวนี้ควรค่าแก่การอ่านสำหรับคนที่ไม่ได้ทำหุ่นยนต์ คือมันเป็นหลักฐานอีกชิ้นว่า “scale แล้ว in-context learning จะโผล่มาเอง” ไม่ใช่ปรากฏการณ์เฉพาะของภาษา ตัวเลข 0.15% นั้นเล่าเรื่องเดียวกับที่เราเห็นในโลก LLM: การ fine-tune ที่ได้ผลดีที่สุดมักไม่ได้สอนอะไรใหม่ แต่แค่ปลดล็อกสิ่งที่ pretrain ใส่ไว้แล้ว ใครที่เคยงงว่าทำไม LoRA rank ต่ำ ๆ ถึงเวิร์กเกินคาด จะคุ้นกับตรรกะนี้ดี

แต่ต้องอ่านอย่างมีสติ — 59% บนงานสั้น ๆ ห่างไกลจาก “หุ่นยนต์ทำงานในโรงงานได้” มาก และประวัติศาสตร์วงการนี้เต็มไปด้วยเดโมที่สวยงามแล้วเงียบหายไป สิ่งที่ควรจับตาคือรอบถัดไปจะมีตัวเลขจากคนนอกบริษัทหรือไม่ ถ้าไม่มี ก็ยังนับเป็นผลการทดลองภายใน

สำหรับบริบทไทย/อาเซียน นี่คือประเด็นที่ใหญ่กว่าที่เห็น อุตสาหกรรมการผลิตของไทย — ชิ้นส่วนยานยนต์ อิเล็กทรอนิกส์ อาหารแปรรูป — มีลักษณะ “ไลน์สั้น เปลี่ยนงานบ่อย ล็อตเล็ก” ซึ่งเป็นจุดที่หุ่นยนต์แบบเดิมไม่คุ้ม เพราะต้นทุนการโปรแกรมใหม่ต่อครั้งสูงเกินกว่าจำนวนชิ้นที่ผลิต โมเดลที่เรียนงานใหม่จาก “ให้คนงานถือ gripper ทำให้ดู 10 วินาที” คือการย้ายต้นทุนจากวิศวกรระบบไปที่พนักงานหน้างาน ซึ่งถ้าทำได้จริงจะเปลี่ยนสมการความคุ้มค่าของโรงงานขนาดกลางไปเลย

เพียงแต่ “ถ้าทำได้จริง” ยังต้องรออีกหลายรุ่น — และคำถามที่โรงงานไทยควรถามเวนเดอร์ตั้งแต่วันนี้คือ อัตราสำเร็จวัดบนงานอะไร ใครวัด และเมื่อพลาดแล้วเกิดอะไรขึ้น ไม่ใช่แค่ตัวเลขในสไลด์

แหล่งข่าว

• GEN-1.5 — Generalist AI (19 ส.ค. 2026, แหล่งข้อมูลหลัก)
• GEN-1.5: Generalist AI teaches robots new tasks from a single demo — THE DECODER (20 ส.ค. 2026)