แว่น Smart ของ Meta กำลังฝึก AI ให้หุ่นยนต์หรือไม่

แว่น Smart อาจดูเหมือนอุปกรณ์ผู้บริโภคธรรมดาๆ กล้องบนใบหน้า ลำโพงในหู และผู้ช่วย AI ที่ตอบคำถามเกี่ยวกับสิ่งที่คุณเห็นได้ แต่設備เดียวกันนี้สามารถมอบสิ่งที่ระบบ AI ขาดมาตลอด นั่นคือมุมมองแบบบุคคลที่หนึ่งต่อชีวิตประจำวันของมนุษย์

เรื่องนี้สำคัญเพราะการสอน AI ให้เขียนหรือสร้างภาพแตกต่างอย่างมากจากการสอนเครื่องจักรให้เคลื่อนที่ในโลกทางกายภาพ หุ่นยนต์จำเป็นต้องเข้าใจว่าวัตถุอยู่ที่ไหน เกิดอะไรขึ้นเมื่อวัตถุเหล่านั้นเคลื่อนที่ และมือมีปฏิสัมพันธ์กับสิ่งของที่งอได้ แตกได้ หกได้ หรือเปลี่ยนรูปได้อย่างไร

Meta ใช้เวลาหลายปีในการวิจัยอุปกรณ์สวมใส่ที่บันทึกข้อมูลประเภทนี้ แว่น Ray-Ban Meta ของบริษัทนำเทคโนโลยีบางส่วนนั้นมาสู่ผลิตภัณฑ์สำหรับผู้บริโภค ทำให้บริษัทเข้าถึงข้อมูลที่เกิดขึ้นระหว่างกิจกรรมทั่วไป

การทดสอบแว่นเป็นเวลา 72 ชั่วโมง โดยใช้คุณสมบัติ AI ตลอดทั้งวันและขอข้อมูลที่เกี่ยวข้อง ทำให้เห็นภาพว่าทำไมการบันทึกแบบบุคคลที่หนึ่งจึงมีคุณค่าสำหรับการฝึก AI และทำไมความเป็นส่วนตัวจึงแยกออกจากเทคโนโลยีได้ยากขึ้น

AI เรียนรู้จากโลกจริงได้อย่างไร

โมเดลภาษาขนาดใหญ่เรียนรู้จากแหล่งรวบรวมเนื้อหาเขียนจำนวนมหาศาล วิธีนี้ได้ผลดีกับระบบที่สร้างขึ้นรอบภาษา แต่ข้อความไม่สามารถอธิบายได้อย่างครบถ้วนว่าผู้คนทำสิ่งต่างๆ อย่างการเดินในครัว หยิบขวด กระเทาะไข่ หรือหากุญแจของตนเองได้อย่างไร

มนุษย์เรียนรู้สิ่งเหล่านั้นผ่านประสบการณ์ทางประสาทสัมผัสหลายปี Yann LeCun อดีตหัวหน้านักวิทยาศาสตร์ AI ของ Meta เคยให้ความเห็นว่าเมื่ออายุสี่ขวบ เด็กคนหนึ่งได้เห็นข้อมูลมากกว่าโมเดลภาษาที่ใหญ่ที่สุดถึง 50 เท่า ประเด็นที่กว้างกว่าของเขาคือ เครื่องจักรจำเป็นต้องมีข้อมูลป้อนเข้าทางประสาทสัมผัสที่หลากหลายขึ้น หากจะเข้าใจโลกทางกายภาพ

สำหรับหุ่นยนต์ นั่นหมายถึงการเรียนรู้จากมากกว่าคำสั่ง มันต้องการข้อมูลว่าผู้คนทำอะไรจริงๆ รวมถึงความแตกต่างเล็กๆ น้อยๆ ที่อธิบายเป็นคำพูดได้ยาก ตัวอย่างเช่น การที่ใครสักคนล้างจานอาจดูธรรมดา แต่เมื่อฟุตเทจนั้นถูกติดป้ายกำกับและเพิ่มคำอธิบายแล้ว ก็สามารถแสดงให้ระบบ AI รู้ว่าวัตถุอยู่ที่ไหน มือเคลื่อนไหวอย่างไร และเกิดอะไรขึ้นเมื่อมีสิ่งที่ไม่คาดคิดเกิดขึ้น

ข้อมูลฝึกประเภทนั้นเก็บรวบรวมในวงกว้างได้ยาก กล้องสวมใส่เป็นทางออกหนึ่งที่เป็นไปได้ เพราะสามารถบันทึกโลกจากมุมมองเดียวกับผู้ที่กำลังทำงานนั้น ดังที่ข้อโต้แย้งของ LeCun กล่าวไว้ “มันต้องการดวงตา”

ทำไม Meta จึงใช้แว่น Smart

Meta ทำงานกับปัญหานี้มาหลายปีผ่าน Project Aria(หน้าต่างใหม่) โครงการวิจัยที่สร้างขึ้นรอบคอมพิวเตอร์สวมใส่ในรูปแบบแว่น อุปกรณ์วิจัยใช้กล้องและเซ็นเซอร์อื่นๆ เพื่อศึกษาว่าผู้คนมีปฏิสัมพันธ์กับโลกอย่างไร

Project Aria ยังแสดงให้เห็นว่าความคาดหวังด้านความเป็นส่วนตัวระหว่างการวิจัยและการใช้งานของผู้บริโภคแตกต่างกันได้มากเพียงใด แนวทางที่ Meta เผยแพร่ระบุว่าผู้เข้าร่วมการวิจัยได้รับการฝึกฝนเกี่ยวกับแนวปฏิบัติการบันทึกที่เหมาะสม ผู้คนในบ้านส่วนตัวต้องให้ความยินยอม และมีไฟที่มองเห็นได้เพื่อบ่งชี้ว่ากำลังเก็บเสียงและวิดีโออยู่

แว่น Smart สำหรับผู้บริโภคทำงานในสภาพแวดล้อมที่ควบคุมได้น้อยกว่ามาก ผู้คนสามารถสวมใส่ขณะเดินบนถนน ซื้อของ ชงกาแฟ หรือทำงานบ้าน สิ่งนี้สร้างแหล่งข้อมูลบุคคลที่หนึ่งที่มีประโยชน์ และยังหมายความว่าผู้คนรอบข้างผู้สวมใส่อาจปรากฏในบันทึกโดยไม่รู้ว่ากล้องกำลังทำงานอยู่

ความแตกต่างนี้สำคัญเพราะคุณค่าของข้อมูลนี้มาจากความเป็นปกติธรรมดาของมัน คุณค่าของมันมาจากการบันทึกรายละเอียดเล็กๆ ของชีวิตประจำวัน

สิ่งที่หุ่นยนต์ต้องเรียนรู้

นักวิจัยกำลังแก้ปัญหาหลายอย่างที่ดูเรียบง่ายสำหรับมนุษย์แต่ยากสำหรับเครื่องจักร หนึ่งในนั้นคือความจำเชิงเหตุการณ์ การถาม AI ว่าคุณวางกุญแจไว้ที่ไหนฟังดูง่าย แต่ระบบต้องจดจำวัตถุนั้น เข้าใจว่ามันถูกเห็นครั้งสุดท้ายเมื่อใด และติดตามว่าเกิดอะไรขึ้นระหว่างนั้นกับตอนนี้

อีกปัญหาหนึ่งคือฟิสิกส์เชิงสัญชาตญาณ หากคุณกลิ้งลูกบอลไปทางโต๊ะ คุณคาดเดาไว้แล้วว่าจะเกิดอะไรขึ้น มนุษย์พัฒนาการคาดการณ์เหล่านี้ผ่านการสังเกตโลกทางกายภาพมาหลายปี

ปัญหาที่สามเกี่ยวข้องกับปฏิสัมพันธ์ระหว่างมือกับวัตถุ การผูกเชือกรองเท้า การติดกระดุมเสื้อ การหยิบของ หรือการจัดการผ้าชิ้นหนึ่ง ล้วนต้องให้เครื่องจักรรับมือกับวัตถุที่งอและบิดรูปได้ นี่คือสถานการณ์ประเภทที่การบันทึกแบบบุคคลที่หนึ่งสามารถเก็บไว้ได้

ระหว่างการทดสอบ 72 ชั่วโมง กิจกรรมทั่วไปสอดคล้องกับปัญหาการวิจัยเหล่านี้อย่างน่าประหลาดใจ การขับรถเกี่ยวข้องกับการคาดการณ์ว่าวัตถุเคลื่อนที่ในอวกาศอย่างไร การหยิบขวดหรือกระเทาะไข่เกี่ยวข้องกับปฏิสัมพันธ์ระหว่างมือกับวัตถุ การมองไข่กลิ้งตกจากเคาน์เตอร์เกี่ยวข้องกับฟิสิกส์เชิงสัญชาตญาณ การถามว่ากุญแจถูกวางไว้ที่ไหนเป็นงานด้านความจำเชิงเหตุการณ์

ประเด็นไม่ใช่ว่าทุกบันทึกธรรมดาๆ จะกลายเป็นข้อมูลฝึกที่มีประโยชน์ในทันที แต่คือกิจกรรมของมนุษย์ทั่วไปมีตัวอย่างที่ AI แบบมีร่างกายต้องใช้

สิ่งที่แว่นของ Meta สามารถบันทึกได้

Meta กล่าวว่าแว่น Ray-Ban Meta ไม่ได้บันทึกทุกสิ่งรอบตัวผู้สวมใส่อย่างต่อเนื่องเพื่อฝึก AI ตามข้อมูลของบริษัท ข้อมูลที่ใช้ฝึก AI และอาจถูกมนุษย์ตรวจสอบนั้นรวมถึงคำสั่งเสียงและวิดีโอที่บันทึกไว้เมื่อผู้ใช้ขอให้ AI ทำอะไรบางอย่าง

เมื่อ AI ต้องวิเคราะห์สิ่งที่กล้องเห็น ฟุตเทจที่เกี่ยวข้องสามารถถูกส่งไปยังเซิร์ฟเวอร์ของ Meta เพื่อประมวลผล จากนั้นบริษัทสามารถใช้ข้อมูลนั้นเพื่อปรับปรุงระบบ AI ของตน ผู้ใช้สามารถถามแว่นเกี่ยวกับวัตถุ ตำแหน่ง งาน หรือสิ่งที่เกิดขึ้นตรงหน้า ซึ่งสร้างบันทึกของปฏิสัมพันธ์เหล่านั้นจากมุมมองบุคคลที่หนึ่ง

Meta ยังเปิดตัว Live AI ซึ่งทำให้ผู้ช่วยพร้อมใช้งานโดยไม่ต้องใช้คำปลุกตามปกติ สิ่งนี้ทำให้แว่นมีประโยชน์มากขึ้นในฐานะผู้ช่วยแบบเรียลไทม์ ขณะเดียวกันก็เพิ่มระยะเวลาที่กล้องและไมโครโฟนสามารถทำงานอยู่ได้

ยังมีปัญหาความเป็นส่วนตัวอีกข้อที่แก้ไขได้ยากกว่าผ่านการตั้งค่า ผู้สวมใส่ควบคุมอุปกรณ์ แต่ทุกคนรอบตัวพวกเขาไม่ได้ควบคุม ระหว่างการทดสอบ ใบหน้าถูกเบลอในเนื้อหาที่ถูกตรวจสอบ แต่ผู้คนรอบข้างผู้สวมใส่ไม่รู้ว่ากำลังถูกบันทึก เรื่องนี้แตกต่างจากกระบวนการวิจัย Project Aria ของ Meta ซึ่งผู้เข้าร่วมและผู้คนในสภาพแวดล้อมส่วนตัวบางแห่งอยู่ภายใต้ข้อกำหนดการให้ความยินยอมอย่างชัดแจ้ง

อะไรที่บ่งชี้ถึงแผนด้านหุ่นยนต์ของ Meta

แนวคิดที่ว่า Meta อาจใช้ข้อมูลจากอุปกรณ์สวมใส่เพื่อช่วยสร้างหุ่นยนต์ยังเป็นเพียงสมมติฐานเกี่ยวกับกลยุทธ์ที่กว้างขึ้นของบริษัท ไม่ใช่สิ่งที่แว่นเพียงอย่างเดียวพิสูจน์ได้ อย่างไรก็ตาม มีหลักฐานหลายชิ้นสนับสนุนแนวคิดนี้

ในเดือนกุมภาพันธ์ 2025 Meta ได้จัดตั้งแผนกหุ่นยนต์มนุษย์ภายใน Reality Labs ซึ่งเป็นองค์กรเดียวกันกับที่ดูแลแว่น Smart ของบริษัท ในเดือนพฤษภาคม 2026 Meta ยังได้เข้าซื้อ Assured Robot Intelligence ห้องปฏิบัติการหุ่นยนต์ที่ Lerrel Pinto ร่วมก่อตั้ง

Meta ยังกล่าวว่าต้องการให้เทคโนโลยีของตนทำหน้าที่เป็นชั้นซอฟต์แวร์สำหรับหุ่นยนต์มนุษย์ งานวิจัยของบริษัทได้สำรวจแล้วว่าการบันทึกแบบมองจากมุมตัวเองสามารถช่วยให้หุ่นยนต์เรียนรู้งานทางกายภาพได้อย่างไร สิ่งนี้ทำให้แว่นมีความเกี่ยวข้องเกินกว่าบทบาทในฐานะผู้ช่วย AI เพราะมันรวมกล้อง ไมโครโฟน และ AI ไว้ในอุปกรณ์ที่ผู้คนสวมใส่ได้ตลอดทั้งวัน

ต้นแบบอุปกรณ์สวมใส่รุ่นถัดไปของ Meta ถูกอธิบายว่ากำลังมุ่งไปสู่การรับรู้ที่ต่อเนื่องมากขึ้นและการติดตามวัตถุที่แข็งแกร่งขึ้น ความสามารถเหล่านี้อาจสร้างข้อมูลที่เป็นประโยชน์มากขึ้นเกี่ยวกับว่าผู้คนมีปฏิสัมพันธ์กับโลกทางกายภาพอย่างไร

ทั้งหมดนี้ไม่ได้พิสูจน์ว่า Meta กำลังเก็บทุกช่วงเวลาชีวิตของลูกค้าเป็นความลับเพื่อสร้างกองทัพหุ่นยนต์ แต่แสดงให้เห็นว่าทำไมข้อมูลจากอุปกรณ์สวมใส่แบบบุคคลที่หนึ่งจึงมีคุณค่าเชิงกลยุทธ์สำหรับบริษัทที่ลงทุนหนักทั้งในด้าน AI และหุ่นยนต์

คำถามที่ใหญ่กว่า

แว่น Smart ทำให้ AI มีประโยชน์มากขึ้นเพราะมอบการเข้าถึงโลกรอบตัวเรา ความสามารถเดียวกันนี้ทำให้แว่นแตกต่างจากผู้ช่วย AI ที่คนส่วนใหญ่คุ้นเคย คำถามคือใครจะเป็นผู้ตัดสินว่าแหล่งข้อมูลที่เป็นส่วนตัวมากขึ้นเรื่อยๆ นี้จะถูกเก็บรวบรวม ประมวลผล และใช้งานอย่างไร

เมื่อ AI เคลื่อนจากหน้าจอสู่โลกทางกายภาพ ข้อมูลแบบบุคคลที่หนึ่งจึงมีคุณค่ามากขึ้น

สิ่งนี้ทำให้การเข้าใจว่าอุปกรณ์สามารถมองเห็น ได้ยิน จัดเก็บ และส่งข้อมูลออกไปได้อะไรบ้างมีความสำคัญมากขึ้นเรื่อยๆ