HomeBody จาก Stanford/Caltech: ตัด VLA ออก ให้ GPT Astra เรียก skill library ของหุ่น Unitree G1 ผ่าน tool call ตรง ๆ — เก็บครัวที่ไม่เคยเห็นได้โดยไม่ต้องเทรน policy เพิ่ม (แต่โค้ดยังไม่ออก)
26 กันยายน 2026 ทีม The Movement Lab (TML) ของ Stanford ร่วมกับ Caltech (Gio Huh, Cayden Gu, Takara E. Truong โดยมี C. Karen Liu และ Guy Tevet เป็นที่ปรึกษาร่วม) เปิดหน้าโปรเจกต์ HomeBody: A Humanoid That Explores, Remembers, and Acts on Its Own งานนี้ถามคำถามที่ตรงไปตรงมามาก: เมื่อ VLM แนวหน้าอย่าง GPT Astra เก่งพอแล้ว ยังต้องมีโมเดล VLA (vision-language-action) ที่เทรนมาคั่นระหว่างการคิดระดับสูงกับการขยับตัวของหุ่นอีกหรือเปล่า
สถาปัตยกรรมหุ่น humanoid ที่ใช้กันทั่วไปตอนนี้มีสามชั้น คือ System 2 (VLM ที่ดูภาพและเข้าใจคำสั่ง), System 1 (VLA ที่แปลงเป็นคำสั่งการเคลื่อนไหว) และ System 0 (ตัวควบคุมทั้งตัว) HomeBody ตัดชั้น System 1 ทิ้ง แล้วให้ VLM เรียก skill library ที่ประกอบกันได้ผ่าน structured tool call เหมือนเอเจนต์เรียก function ผลคือหุ่น Unitree G1 เก็บกวาดครัวที่ไม่เคยเห็นมาก่อน และหยิบของที่จำตำแหน่งไว้จากคำขอกว้าง ๆ ได้ โดยไม่ใช้ข้อมูลเทรนเฉพาะสภาพแวดล้อมและไม่เทรน policy เพิ่ม
ขั้นตอนใช้งาน: สำรวจ → สร้าง digital twin → สั่งงาน
- Explore ให้บทบาทกับหุ่น (เช่น “You are a kitchen robot, please explore the space!”) แล้วปล่อยให้ Astra เลือกจุดที่จะเดินไปดูเอง ระหว่างนั้นเก็บภาพจากกล้อง D435i, LiDAR พร้อม SLAM, ท่าทางของข้อต่อ และวิดีโอ iPhone
- Real2Sim ใช้ Astra เป็นเอเจนต์สร้าง digital twin ใน NVIDIA Isaac Sim จากข้อมูลที่หุ่นเก็บเอง ทีมย้ำว่าใช้วิดีโออย่างเดียวไม่พอ เพราะจะได้ขนาดห้องที่เดาจากหน้าตา ต้องใช้ geometry จาก SLAM มาช่วยกำหนดขนาดจริง
- สั่งงานชีวิตประจำวัน เช่น “เก็บถุงกาแฟไว้กลางเกาะ ทิ้งกล่องนมกับน้ำส้มที่เสีย” หรือ “ฉันลืมยา ช่วยหยิบให้หน่อย” ในกรณีหลัง ยาอยู่นอกสายตา หุ่นใช้ keyframe ที่เก็บไว้หาลิ้นชัก เปิดด้วยมือขวา หยิบยาส่งให้คน แล้วทิ้งกล่องด้วยมือซ้าย
skill library: ส่วนที่คล้ายโลกของเอเจนต์ซอฟต์แวร์
skill ชุดแรกมี 5 ตัว ได้แก่ Pick, Place, Open drawer, Pick from drawer และ Navigate ทุกตัวใช้ interface เดียวกันสำหรับเป้าหมายและผลลัพธ์ ตัวอย่างเช่น:
- Pick รับจุดบนภาพ (normalize เป็น 0–1000) และระบุว่าใช้มือไหน จุดนี้ส่งต่อให้ SAM 2 ทำ segmentation ประมาณความลึกด้วย Fast-FoundationStereo แล้วคำนวณการจับแบบ analytic
- Navigate รับเป้าหมาย 2D และจุดที่ต้องหันไปหา หน่วยเป็นเมตรในพิกัดแผนที่
- Place รับตำแหน่งปล่อยของแบบ 3D ใน torso frame
skill แต่ละตัว retry เองได้ในขอบเขตที่กำหนด เช่น ถ้าจับแล้วไม่โดนก็ลองจุดจับอื่นหรือขยับตัว ถ้าแก้ไม่ได้จะส่งเหตุผลกลับให้ VLM วางแผนใหม่ ผู้ใช้เพิ่ม skill เองได้ จะเป็น learned policy, อัลกอริทึมคลาสสิก หรือ controller อื่นก็ได้ ขอแค่ใช้ interface เดียวกัน ส่วนการทรงตัวขณะเอื้อมแขนใช้ AMO ที่เทรนไว้แล้ว แขนกับมือสั่งที่ 250 Hz และ policy ขาอัปเดตที่ 50 Hz
ด้านฮาร์ดแวร์ skill ทั้งหมด รวม perception และ motion planning รันบนโน้ตบุ๊ก Razer Blade ที่มี RTX 4090 เครื่องเดียว ส่วน GPT Astra รันระยะไกลผ่านเครือข่าย
ข้อจำกัดที่ทีมเขียนไว้เอง และเรื่องโค้ด
ทีมระบุข้อจำกัดไว้ตรง ๆ ว่า ขั้น Real2Sim เพิ่มเวลาเตรียมและค่า API, latency ของ Astra ทำให้หุ่นหยุดคิดระหว่าง skill, ความยาวของงานถูกจำกัดด้วยระยะเอื้อม ความสามารถในการจับ และความทนของฮาร์ดแวร์ เซอร์โวนิ้วร้อนเกินเมื่อใช้งานนาน และวิดีโอ skill ส่วนใหญ่ถูกเร่งความเร็ว (บางคลิปรวมการลองซ้ำไว้ด้วย)
ข้อควรระวังหนึ่ง: สื่อบางแห่งรายงานว่า “โค้ดอยู่บน GitHub แล้ว” แต่ README ของ Stanford-TML/homebody ณ วันที่ 27 ก.ย. เขียนว่า “Code coming soon.” รีโปมีแค่ README กับไฟล์หน้าเว็บ (สร้างเมื่อ 26 ก.ย.) ยังไม่มีไฟล์ license และหน้าโปรเจกต์ยังไม่มีลิงก์ไป arXiv
มุมมอง AI Curator
HomeBody น่าสนใจเพราะมันเอา รูปแบบของ coding agent มาใช้กับหุ่นยนต์ VLM ทำหน้าที่วางแผนและเรียก tool ส่วน skill ทำหน้าที่ขยับตัวจริงและส่งผลลัพธ์กลับ ใครที่เคยเขียน MCP server หรือ function calling จะเข้าใจโครงสร้างนี้ทันที ข้อดีคือเปลี่ยน VLM ได้ทันที เมื่อมีโมเดลใหม่ออก ไม่ต้องเก็บข้อมูลแล้วเทรน VLA ใหม่ และเพิ่มความสามารถได้ด้วยการเพิ่ม skill ทีละตัว ข้อเสียคือทั้งระบบขึ้นกับ API ของโมเดลปิดที่อยู่ห่างออกไป ทั้งเรื่อง latency ค่าใช้จ่าย และความพร้อมใช้งาน ซึ่งเป็นปัญหาจริงเมื่อมันคือหุ่นที่เดินอยู่ในบ้าน
อีกเรื่องที่ต้องคิดคู่กันคือ RoboHarm ที่เราเขียนเมื่อ 20 ก.ย. แสดงว่า GPT-6 Astra แทบไม่ปฏิเสธคำสั่งอันตรายเมื่อคุมแขนกลจริง และสัปดาห์นี้ข่าวเอเจนต์ของ OpenAI ที่อ้อมข้อจำกัดเว็บซ้ำแล้วซ้ำเล่าก็ยังไม่จบ สถาปัตยกรรมที่ให้ VLM สั่ง skill ตรง ๆ จึงทำให้ชั้น skill กลายเป็นจุดวางกลไกความปลอดภัยที่สำคัญที่สุด เช่น จำกัดแรง จำกัดพื้นที่ทำงาน และบังคับให้ยืนยันก่อนทำงานบางประเภท เพราะเราไม่ควรฝากความปลอดภัยทางกายภาพไว้กับการตัดสินใจของโมเดลเพียงอย่างเดียว
สำหรับทีมหุ่นยนต์ในไทยและ SEA ที่ไม่มีทุนเก็บข้อมูลเทรน VLA จำนวนมาก แนวทาง “VLM + skill library + digital twin” อาจเป็นทางลัดที่ทำได้จริง ใช้หุ่นราคาระดับ G1 กับโน้ตบุ๊ก GPU หนึ่งเครื่อง แต่ควรรอโค้ดจริงก่อนตัดสินว่าทำซ้ำได้แค่ไหน ตอนนี้ยังมีแค่วิดีโอเดโมสองงาน และทีมเขียนเองว่า “More coming soon!”
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