AI LEADERS · MOVES & PAPERS

ผู้นำ AI: การย้ายงานและงานวิจัย — ความเคลื่อนไหวและผลงานวิจัยล่าสุด

การย้ายงานและผลงานวิจัยของบุคคลสำคัญในแล็บ AI, Big Tech และแวดวงวิชาการ เป็นสัญญาณล่วงหน้าของทิศทางเทคโนโลยีและความได้เปรียบทางการแข่งขัน ข้อมูลถูกรวบรวมอัตโนมัติทุกวัน ตรวจสอบโดยผู้ดูแล และสรุปให้เข้าใจง่ายพร้อมลิงก์ต้นฉบับ

ไฮไลต์ล่าสุด

งานวิจัย2026-10-30

การพัฒนาโมเดลโลกแบบ階층 (Hierarchical World Models) ที่ก้าวข้ามข้อจำกัดของการควบคุมหุ่นยนต์ที่ซับซ้อน

อียาน เลอเกิง

งานวิจัย2026-10-29

เทคโนโลยีสำหรับการเรียนรู้ข้อมูลหุ่นยนต์ร่วมกันที่ใช้ตัวควบคุมที่หลากหลาย

Chelsea Finn

งานวิจัย2026-10-29

พิสูจน์ว่าโมเดลปัญญาประดิษฐ์เรียนรู้โลกใบเดียวกันแม้จะมีรูปแบบข้อมูลที่แตกต่างกัน

อียาน เลอเกิง

งานวิจัย2026-10-29

ยกระดับประสิทธิภาพ AI บทสนทนาการตรวจทางจิตเวชด้วยการฝึกฝนในสภาพแวดล้อมเสมือน

Mark Chen

บุคคล ทั้งหมด แล็บแนวหน้า แล็บเกิดใหม่แวดวงวิชาการ ฮาร์ดแวร์ AI เกาหลี จีน ผู้บริหาร

สาขา ทั้งหมด HBM และหน่วยความจำ GPU และตัวเร่ง AI ประสิทธิภาพการอนุมาน การฝึกและการขยายขนาด เอเจนต์และการเขียนโค้ด หุ่นยนต์และ AI เชิงกายภาพ World model และมัลติโมดัล ดาต้าเซ็นเตอร์และพลังงาน AI เพื่อวิทยาศาสตร์ความปลอดภัยและกฎระเบียบ

การย้ายงาน · หุ่นยนต์และ AI เชิงกายภาพ

ยังไม่มีการย้ายงานตามเงื่อนไขนี้

งานวิจัย · หุ่นยนต์และ AI เชิงกายภาพ

งานวิจัย2026-10-29 · arXiv (Cornell University)

เทคโนโลยีสำหรับการเรียนรู้ข้อมูลหุ่นยนต์ร่วมกันที่ใช้ตัวควบคุมที่หลากหลาย

Cross-Controller Transfer via In-Context Behavior Adaptation

Chelsea Finn และอีก 2 คน

ทำอะไร: ได้พัฒนาเทคโนโลยีที่ใช้ข้อมูลจากหุ่นยนต์ที่ใช้วิธีการควบคุมที่แตกต่างกันมาเรียนรู้ร่วมกันได้อย่างไม่มีความขัดแย้ง
ผลลัพธ์หลัก: อัตราความสำเร็จเฉลี่ยเพิ่มขึ้น 33 เปอร์เซ็นต์เมื่อเทียบกับวิธีแบบเดิม
ความสำคัญ: แสดงให้เห็นถึงความเป็นไปได้ในการใช้ประโยชน์จากข้อมูลหุ่นยนต์ที่รวบรวมจากสภาพแวดล้อมที่หลากหลายได้อย่างมีประสิทธิภาพมากขึ้นสรุปโดย AI

หุ่นยนต์และ AI เชิงกายภาพ

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-10-12 · Micromachines

การวิเคราะห์การสร้างและวิศวกรรมการทำงานของไมโคร/นาโนโรบอตที่ผสานกับชีววิทยาสำหรับการประยุกต์ใช้ในการวินิจฉัยและรักษา

Construction and Functional Engineering of Bio-Integrated Micro/Nanorobots for Theranostic Applications

Liang Wenfeng และอีก 7 คน

ทำอะไร: ได้ตรวจสอบงานวิจัยเกี่ยวกับการสร้างไมโครและนาโนโรบอตที่ผสานชีววิทยา ซึ่งผสมผสานคุณลักษณะทางชีวภาพและเทคโนโลยีเข้าด้วยกัน สำหรับการประยุกต์ใช้งานด้านการวินิจฉัยและการรักษาแบบบูรณาการ
ผลลัพธ์หลัก: นำเสนอแนวทางเชิงวิศวกรรมและคำแนะนำในการสร้างสรรค์ที่ใช้ประโยชน์จากส่วนประกอบที่มีเซลล์เป็นพื้นฐาน เพื่อขับเคลื่อน การถ่ายภาพในร่างกาย และฟังก์ชันการรักษา
ความสำคัญ: แสดงให้เห็นถึงทิศทางสำหรับการใช้ไมโครโรบอตที่ผสานชีววิทยาในด้านการแพทย์แม่นยำและเวชศาสตร์เฉพาะบุคคลสรุปโดย AI

หุ่นยนต์และ AI เชิงกายภาพ

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-10-07 · arXiv (Cornell University)

การพัฒนาเทคโนโลยีประมวลผลหน่วยความจำภาพระยะยาวสำหรับการควบคุมหุ่นยนต์แบบเรียลไทม์

Long-WAM: Scaling the Context of World-Action Models

Song Han และอีก 15 คน

ทำอะไร: คณะนักวิจัยได้พัฒนา Long-WAM ซึ่งเป็นโมเดลที่ใช้ประโยชน์จากข้อมูลภาพในอดีตของหุ่นยนต์ได้อย่างมีประสิทธิภาพภายใต้ข้อจำกัดแบบเรียลไทม์
ผลลัพธ์หลัก: เมื่อทำการฝึกอบรมล่วงหน้า (Pre-training) โมเดลพื้นฐานที่ประมวลผลข้อมูลภาพด้วยวิธี Auto-regressive (AR) การใช้ประโยชน์จากหน่วยความจำในอดีตจะเพิ่มขึ้นสูงสุด และอัตราความสำเร็จของงานหุ่นยนต์ก็ได้รับการปรับปรุงให้ดีขึ้น
ความสำคัญ: พิสูจน์แล้วว่าสามารถทำงานได้แบบเรียลไทม์ในสภาพแวดล้อมฮาร์ดแวร์ที่หลากหลาย ซึ่งสามารถมีส่วนช่วยในการประยุกต์ใช้งานควบคุมหุ่นยนต์ระยะยาวที่ซับซ้อนในอนาคตสรุปโดย AI

ประสิทธิภาพการอนุมาน หุ่นยนต์และ AI เชิงกายภาพ

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-10-07 · arXiv (Cornell University)

การพัฒนาโมเดลโลกที่รวมการทำงานของหุ่นยนต์หลากหลายรูปแบบเข้าด้วยกัน

Cross-Embodiment Robot Foundation World Models with Latent Actions

เฟย์-เฟย์ หลี่ และอีก 11 คน

ทำอะไร: พัฒนาโมเดลโลกของหุ่นยนต์ที่ใช้พื้นที่การกระทำแฝงแบบบูรณาการ ซึ่งหุ่นยนต์ที่มีรูปร่างหลากหลายสามารถใช้ร่วมกันได้
ผลลัพธ์หลัก: เมื่อนำไปใช้กับหุ่นยนต์ใหม่ แสดงประสิทธิภาพที่ดีขึ้นสูงสุด 46.7% ในงานควบคุมที่ประณีต และดีขึ้น 11.7% ในการประเมินประสิทธิภาพ LIBERO เมื่อเทียบกับวิธีเดิม
ความสำคัญ: ช่วยให้เกิดการเรียนรู้ที่มีประสิทธิภาพระหว่างหุ่นยนต์ที่หลากหลาย ซึ่งมีส่วนช่วยในการแก้ปัญหาความท้าทายสำคัญในด้านวิทยาการหุ่นยนต์สรุปโดย AI

หุ่นยนต์และ AI เชิงกายภาพ World model และมัลติโมดัล

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-10-07 · arXiv (Cornell University)

เทคโนโลยี AI ที่แปลงวิดีโอหุ่นยนต์เสมือนจริงให้เหมือนของจริง

RoboRender: Robot-Oriented Video Generation for Visual Sim-to-Real Transfer

เฟย์-เฟย์ หลี่ และอีก 8 คน

ทำอะไร: พัฒนาเทคโนโลยีที่แปลงข้อมูลหุ่นยนต์ในสภาพแวดล้อมเสมือนจริงให้เป็นวิดีโอที่มีลักษณะเหมือนสภาพแวดล้อมจริง เพื่อเพิ่มความสามารถในการควบคุมหุ่นยนต์
ผลลัพธ์หลัก: หุ่นยนต์ที่เรียนรู้ด้วยเทคโนโลยีนี้สามารถทำอัตราความสำเร็จเฉลี่ยร้อยละ 71 ในสภาพแวดล้อมจริง ซึ่งแสดง performance ที่เหนือกว่าวิธีเดิม
ความสำคัญ: ช่วยบรรเทาปัญหาความแตกต่างทางภาพที่ทำให้ข้อมูลที่สร้างในสภาพแวดล้อมเสมือนจริงนำไปใช้กับหุ่นยนต์จริงได้ยากสรุปโดย AI

หุ่นยนต์และ AI เชิงกายภาพ

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-10-06 · arXiv (Cornell University)

พัฒนาอัลกอริทึมช่วยให้การเรียนรู้พฤติกรรมของหุ่นยนต์ปัญญาประดิษฐ์เป็นไปอย่างรวดเร็ว

QF3: Fast Flow RL with Filtered Q-Gradients

Pieter Abbeel และอีก 9 คน

ทำอะไร: คณะนักวิจัยได้พัฒนา QF3 ซึ่งเป็นอัลกอริทึมการเรียนรู้แบบเสริมกำลังตัวใหม่ที่ช่วยเรียนรู้รูปแบบพฤติกรรมของหุ่นยนต์ได้อย่างมีประสิทธิภาพ
ผลลัพธ์หลัก: พิสูจน์แล้วว่าสามารถเรียนรู้ค่านโยบายการเคลื่อนที่และการติดตามการเคลื่อนไหวของหุ่นยนต์ฮิวแมนนอยด์ได้ด้วยความเร็วมากกว่าวิธีเดิมประมาณ 10 เท่า
ความสำคัญ: แสดงให้เห็นถึงความเป็นไปได้ในการเรียนรู้และปรับปรุงเทคโนโลยีการควบคุมพฤติกรรมของหุ่นยนต์ให้รวดเร็วและมีประสิทธิภาพยิ่งขึ้นสรุปโดย AI

หุ่นยนต์และ AI เชิงกายภาพ

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-10-06 · arXiv (Cornell University)

เทคโนโลยีหุ่นยนต์ฮิวแมนนอยด์ควบคุมวัตถุด้วยร่างกายทั้งหมดโดยใช้ตัวอย่างจากการสาธิตของมนุษย์

Workhorse: Learning Robust Whole-Body Humanoid Loco-Manipulation from Human Data

Pieter Abbeel และอีก 6 คน

ทำอะไร: พัฒนาเทคโนโลยีที่ช่วยให้หุ่นยนต์ฮิวแมนนอยด์สามารถจัดการวัตถุและเคลื่อนที่ได้ โดยใช้ Video การสาธิตของมนุษย์ผ่านตัววางแผนการมองเห็นและตัวติดตามการเรียนรู้แบบเสริมแรง
ผลลัพธ์หลัก: ดำเนินการควบคุมวัตถุด้วยร่างกายทั้งหมดที่ซับซ้อนได้อย่างสำเร็จบนหุ่นยนต์ Unitree G1 ของจริง เช่น การ 运箱, การจับกล่อง และการก้าวข้ามกระเป๋าเดินทาง
ความสำคัญ: แสดงให้เห็นว่าหุ่นยนต์สามารถปรับปรุงความสามารถในการรักษาสمดุลและจัดการวัตถุในสภาพแวดล้อมที่ซับซ้อนโดยอาศัยข้อมูลพฤติกรรมของมนุษย์ได้สรุปโดย AI

หุ่นยนต์และ AI เชิงกายภาพ

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-10-06 · arXiv (Cornell University)

เปิดตัวเฟรมเวิร์กโอเพน소스ที่รวมการควบคุมหุ่นยนต์และการคาดการณ์อนาคตเข้าด้วยกัน

OpenWAM: An Open Framework for Composable World-Action Models

เฟย์-เฟย์ หลี่ และอีก 9 คน

ทำอะไร: ได้พัฒนา OpenWAM ซึ่งเป็นเฟรมเวิร์กโอเพน소스สำหรับการเปรียบเทียบและวิจัยโมเดลโลกและการกระทำที่จัดการทั้งการควบคุมหุ่นยนต์และการคาดการณ์วิดีโอในอนาคต
ผลลัพธ์หลัก: วิธีที่นำเสนอช่วยเพิ่มอัตราความสำเร็จของงานmanipulationของหุ่นยนต์ได้อย่างมาก และปรับปรุงประสิทธิภาพของโมเดลพลศาสตร์ผ่านการเรียนรู้ด้วยข้อมูลcounterfactual
ความสำคัญ: เป็นรากฐานในการเปรียบเทียบวิธีการควบคุมหุ่นยนต์และการคาดการณ์วิดีโอที่หลากหลายได้อย่างเท่าเทียม ซึ่งช่วยเพิ่มประสิทธิภาพในการวิจัยเทคโนโลยีที่เกี่ยวข้องสรุปโดย AI

หุ่นยนต์และ AI เชิงกายภาพ World model และมัลติโมดัล

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-10-05 · arXiv (Cornell University)

พัฒนาเกณฑ์มาตรฐานใหม่สำหรับการศึกษาปรากฏการณ์เทคโนโลยีการเลียนแบบพฤติกรรมของปัญญาประดิษฐ์

Behavioral Cloning Mystery

Sergey Levine และอีก 1 คน

ทำอะไร: นำเสนอ OCBernch (OCBench) ซึ่งเป็นเครื่องมือประเมินการจัดการของหุ่นยนต์ที่มีลักษณะคล้ายกับการสาธิตของมนุษย์
ผลลัพธ์หลัก: แสดงให้เห็นว่าผ่านเครื่องมือนี้ สามารถทำการศึกษาทางวิทยาศาสตร์เกี่ยวกับปรากฏการณ์ต่างๆ ที่เกี่ยวข้องกับการเลียนแบบพฤติกรรม และตรวจสอบสมมติฐานในสภาพแวดล้อมที่ใช้หน่วยประมวลผลกราฟิก (GPU) ได้
ความสำคัญ: เป็นพื้นฐานในการวิเคราะห์ปรากฏการณ์ในเทคโนโลยีการเรียนรู้ของหุ่นยนต์ที่เคยไม่ทราบสาเหตุชัดเจน ภายใต้สภาพแวดล้อมที่มีการควบคุมสรุปโดย AI

หุ่นยนต์และ AI เชิงกายภาพ

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-10-05 · arXiv (Cornell University)

วิธีการรวบรวมข้อมูลตามประสิทธิภาพเพื่อเพิ่มประสิทธิภาพการเรียนรู้ของหุ่นยนต์

Mulligan: Performance-Guided Data Collection for Efficient On-Robot Learning

Chelsea Finn และอีก 6 คน

ทำอะไร: คณะนักวิจัยได้เสนอเทคนิค Mulligan ซึ่งเพิ่มประสิทธิภาพโดยการรวบรวมข้อมูลโดยมุ่งเน้นไปที่สถานะที่ล้มเหลวและสถานะที่ยังไม่เคยลองในกระบวนการเรียนรู้การควบคุมหุ่นยนต์
ผลลัพธ์หลัก: เทคนิค Mulligan ช่วยปรับปรุงอัตราความสำเร็จของงานสุดท้ายของหุ่นยนต์ขึ้น 10 ถึง 34 เปอร์เซ็นต์เมื่อเทียบกับวิธีดั้งเดิม
ความสำคัญ: แสดงให้เห็นถึงความก้าวหน้าทางเทคโนโลยีที่ช่วยให้มนุษย์สามารถใช้เวลาและความพยายามอย่างมีประสิทธิภาพมากขึ้นในกระบวนการสอนหุ่นยนต์สรุปโดย AI

หุ่นยนต์และ AI เชิงกายภาพ

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-10-02 · arXiv (Cornell University)

นำเสนอ GOTT เทคโนโลยีการจับวัตถุที่นำกลับมาใช้ใหม่ได้สำหรับมือกลหลายรูปแบบ

GOTT: Object-centric Dexterous Manipulation with a Reusable Cross-Embodiment Primitive

Pieter Abbeel และอีก 6 คน

ทำอะไร: เพื่อืให้มือกลที่มีหลายนิ้วคล้ายมือมนุษย์สามารถจับวัตถุได้อย่างมั่นคงและเคลื่อนย้ายไปในทิศทางที่ต้องการ จึงได้มีการเสนอ GOTT ซึ่งเป็นเทคโนโลยีการสัมผัสที่สามารถใช้ร่วมกันได้ในหุ่นยนต์และรูปทรงมือที่แตกต่างกัน
ผลลัพธ์หลัก: รายงานระบุว่าในการจำลองและการทดลองด้วยหุ่นยนต์จริง GOTT สามารถสร้างการสัมผัสที่มั่นคงได้กับวัตถุที่หลากหลาย แพลตฟอร์มแขนและมือ และรูปทรงมือที่ไม่เคยใช้ในการฝึกมาก่อน ทั้งยังช่วยเพิ่มอัตราความสำเร็จของงานโดยรวมอย่างต่อเนื่องเมื่อเทียบกับการใช้วิธีการจับแบบกำหนดล่วงหน้า
ความสำคัญ: งานวิจัยนี้แสดงให้เห็นถึงความเป็นไปได้ในการนำเทคโนโลยีเดียวกันกลับมาใช้ใหม่ได้แม้ประเภทของมือกลจะเปลี่ยนไป หากใช้ชิ้นส่วนการเคลื่อนไหวส่วนกลางที่ไม่ขึ้นอยู่กับหุ่นยนต์เฉพาะตัว อย่างไรก็ตาม จากบทคัดย่อเพียงอย่างเดียว ยังยากที่จะประเมินระดับการนำไปใช้เชิงพาณิชย์หรือผลกระทบทางอุตสาหกรรมจริงสรุปโดย AI

หุ่นยนต์และ AI เชิงกายภาพ

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-10-01 · arXiv (Cornell University)

framework RPG ที่ช่วยให้หุ่นยนต์พัฒนาความสามารถของตนเองผ่านการฝึกฝนในระบบจำลอง

Reconstruct, Practice, Go Real: Guided Self-Improvement for Embodied Agents

Pieter Abbeel และอีก 9 คน

ทำอะไร: เสนอ framework RPG ที่ปรับปรุงระบบงานของหุ่นยนต์ด้วยตนเองโดยไม่ต้องอาศัยการแทรกแซงเพิ่มเติมจากมนุษย์
ผลลัพธ์หลัก: ในการทดสอบเงื่อนไขเริ่มต้นใหม่ของงานปฏิบัติการ 22 งาน อัตราความสำเร็จเพิ่มขึ้นจาก 28.6% หลังจากการฝึกซ้อมครั้งแรก เป็น 95.0% หลังจากผ่านไป 15 รอบ และการทดสอบกับหุ่นยนต์จริง 30 ครั้งประสบความสำเร็จทั้งหมด
ความสำคัญ: งานวิจัยนี้แสดงให้เห็นถึงความเป็นไปได้ในการปรับปรุงซอฟต์แวร์ควบคุมหุ่นยนต์โดยใช้แรงงานมนุษย์น้อยลง แม้ว่าจะยากที่จะตัดสินระดับการประยุกต์ใช้ในอุตสาหกรรมจริงหรือเชิงพาณิชย์ได้จากบทคัดย่อเพียงอย่างเดียวสรุปโดย AI

เอเจนต์และการเขียนโค้ด หุ่นยนต์และ AI เชิงกายภาพ

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-09-30 · arXiv (Cornell University)

นักวิจัยเสนอ TacEx เพิ่มประสิทธิภาพการเรียนรู้ของหุ่นยนต์ด้วยความอยากรู้อยากเห็นเชิงสัมผัส

Tactile Curiosity Drives Robot Interaction

Pieter Abbeel และอีก 6 คน

ทำอะไร: เสนอ TacEx ซึ่งเป็นกรอบการสำรวจที่ช่วยให้หุ่นยนต์พัฒนาความอยากรู้อยากเห็นเกี่ยวกับการสัมผัส (ความรู้สึกเมื่อสัมผัสกับวัตถุ) เพื่อเรียนรู้วิธีการสัมผัสและหยิบจับวัตถุด้วยตนเอง
ผลลัพธ์หลัก: ตามบทคัดย่อ TacEx รวบรวมข้อมูลการปฏิสัมพันธ์ที่มีการสัมผัสสูงโดยไม่ต้องอาศัยรางวัลจากงานหรือการสาธิตจากผู้เชี่ยวชาญ และสามารถใช้ข้อมูลนี้เรียนนโยบายการหยิบและวางโดยไม่ต้องมีการปฏิสัมพันธ์กับสภาพแวดล้อมเพิ่มเติม รวมถึงช่วยเพิ่มประสิทธิภาพการเรียนรู้ต่อเนื่องของโมเดลการมองเห็น ภาษา และการกระทำด้วย
ความสำคัญ: การเรียนรู้ของหุ่นยนต์แบบเดิมใช้เวลาส่วนใหญ่ไปกับการเคลื่อนไหวแบบสุ่มในอากาศ งานวิจัยนี้แสดงให้เห็นทิศทางว่าการสำรวจโดยเน้นการสัมผัสสามารถปรับปรุงประสิทธิภาพการเรียนรู้ได้ อย่างไรก็ตาม เป็นการยากที่จะตัดสินระดับการนำไปใช้จริงหรือความเป็นไปได้ในการ commercialize จากบทคัดย่อเพียงอย่างเดียวสรุปโดย AI

หุ่นยนต์และ AI เชิงกายภาพ

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-09-29 · arXiv (Cornell University)

ขยายวิดีโอจริงเพียงไม่กี่รายการด้วย AI เพื่อเรียนรู้การเคลื่อนไหวและการหยิบจับสิ่งของของฮิวแมนนอยด์

Counterfactual Video Generation Enables Scalable Humanoid Loco-Manipulation

Pieter Abbeel และอีก 8 คน

ทำอะไร: นำเสนอวิธี (PRISM) ที่ใช้ AI สร้างวิดีโอจำลองที่หลากหลายโดยอ้างอิงจากวิดีโอจริงของมนุษย์ที่กำลังหยิบจับสิ่งของเพียงไม่กี่รายการ และนำไปใช้ในการฝึกอบรมหุ่นยนต์
ผลลัพธ์หลัก: รายงานว่านโยบายการควบคุมเพียงนโยบายเดียวที่เรียนรู้ด้วยวิธีนี้ประสบความสำเร็จในการทำให้หุ่นยนต์ฮิวแมนนอยด์ในโลกจริงสามารถหยิบ ย้าย และวางกล่อง ถังน้ำมัน ถัง และลูกบอลได้โดยไม่ต้องเรียนรู้เพิ่มเติมในโลกจริง
ความสำคัญ: มีความสำคัญในแง่ของการแสดงให้เห็นถึงความเป็นไปได้ในการเพิ่มข้อมูลการฝึกอบรมด้วยวิดีโอจริงจำนวนน้อย ในสถานการณ์ที่ยากลำบากในการรวบรวมข้อมูลการสาธิตจากหุ่นยนต์จริงจำนวนมากสรุปโดย AI

การฝึกและการขยายขนาด หุ่นยนต์และ AI เชิงกายภาพ

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-09-29 · arXiv (Cornell University)

T2Mem: เทคนิคการเรียนsรู้ให้หุ่นยนต์จดจำฉากในอดีตเพื่อปฏิบัติงาน

T$^2$Mem: Learning Test-Time Memory for Robotics

เฟย์-เฟย์ หลี่ และอีก 6 คน

ทำอะไร: สำหรับงาน manipulation ของหุ่นยนต์ที่จำเป็นต้องจดจำข้อมูลการสังเกตการณ์ในอดีต ได้มีการเสนอFramework (T2Mem) ที่เพิ่มความสามารถด้านความจำผ่านการเรียนรู้ขณะทดสอบ (test-time training) ให้กับนโยบายหุ่นยนต์ที่ฝึกอบรมล่วงหน้าซึ่งเดิมไม่มีฟังก์ชันความจำ
ผลลัพธ์หลัก: อัตราความสำเร็จเฉลี่ยใน 16 งานของ RoboMME เพิ่มขึ้นจาก 17.93% ของนโยบายพื้นฐานที่ไม่มีความจำ เป็น 56.83% และสูงกว่าวิธีหน่วยความจำแบบวนซ้ำ (recurrent memory) ที่รายงานไว้ในเบนช์มาร์ก
ความสำคัญ: มีความหมายตรงที่แสดงให้เห็นว่าสามารถพัฒนาความสามารถของหุ่นยนต์ในการใช้ประโยชน์จากข้อมูลในอดีตที่ไม่อยู่บนหน้าจอปัจจุบันได้โดยใช้เพียงข้อมูลสาธิตโดยไม่ต้องมีอุปกรณ์จัดเก็บข้อมูลภายนอก อย่างไรก็ตาม เนื่องจากบทคัดย่อกล่าวถึงเฉพาะผลลัพธ์ในขั้นตอนการวิจัย จึงไม่สามารถยืนยันการ commercialization หรือผลกระทบต่อตลาดได้สรุปโดย AI

ประสิทธิภาพการอนุมาน หุ่นยนต์และ AI เชิงกายภาพ

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-09-28 · The International Journal of Robotics Research

บทความปริทัศน์ครอบคลุมงานวิจัย 'เวิลด์โมเดล' สำหรับการเรียนรู้ของหุ่นยนต์

World model for robot learning: A comprehensive survey

Pieter Abbeel และอีก 17 คน

ทำอะไร: นี่คือบทความสำรวจ (บทความปริทัศน์แบบองค์รวม) ที่รวบรวมและจัดระเบียบ 'เวิลด์โมเดล' ซึ่งเป็นโมเดลที่ทำนายว่าสภาพแวดล้อมจะเปลี่ยนแปลงไปอย่างไรตามการกระทำ จากมุมมองของการเรียนรู้ของหุ่นยนต์
ผลลัพธ์หลัก: จากบทคัดย่อ บทความนี้ได้สรุปวิธีการที่เวิลด์โมเดลถูกนำไปใช้ในนโยบายของหุ่นยนต์, ตัวจำลองสถานการณ์, การประเมินผล และการสร้างข้อมูล รวมถึงเส้นทางการพัฒนาของเวิลด์โมเดลวิดีโอของหุ่นยนต์ พร้อมทั้งสรุปชุดข้อมูล, เกณฑ์มาตรฐาน และวิธีการประเมินที่เป็นตัวแทน
ความสำคัญ: เอกสารนี้ช่วยรวบรวมแนว2ทางการวิจัยการเรียนรู้ของหุ่นยนต์ที่กระจัดกระจายให้อยู่ในกรอบเดียวกัน ซึ่งช่วยให้เข้าใจทิศทางการวิจัยที่เกี่ยวข้อง อย่างไรก็ตาม บทคัดย่อไม่ได้พิสูจน์ประสิทธิภาพเฉพาะตัวหรือความสำเร็จทางการค้าของแต่ละเทคโนโลยีสรุปโดย AI

หุ่นยนต์และ AI เชิงกายภาพ World model และมัลติโมดัล

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-09-28 · arXiv (Cornell University)

DexAgent สร้างข้อมูลการเรียนรู้การเคลื่อนไหวของมือหุ่นยนต์โดยอัตโนมัติจากวิดีโอตัวอย่างของมนุษย์

DexAgent: An Agentic Human2Sim2Robot Framework for Dexterous Manipulation with Self-Evolving Tool Library

เฟย์-เฟย์ หลี่ และอีก 4 คน

ทำอะไร: นำเสนอเฟรม워크แบบเอเจนต์ที่สร้างวิถีการเคลื่อนไหวของหุ่นยนต์ที่เป็นไปได้จริงทางฟิสิกส์ เพื่อสร้างข้อมูลสำหรับการเรียนรู้ของหุ่นยนต์ โดยรับวิดีโอมุมมองบุคคลที่หนึ่งและคำอธิบายงานที่มนุษย์บันทึกไว้
ผลลัพธ์หลัก: นโยบาย (กฎพฤติกรรมของหุ่นยนต์) ที่ฝึกด้วยข้อมูลที่สร้างโดย DexAgent ใน 11 งานในสภาพแวดล้อมจริง แสดงอัตราความสำเร็จสูงกว่าวิธีเปรียบเทียบมาตรฐานถึง 3.5 เท่า
ความสำคัญ: แสดงให้เห็นถึงความเป็นไปได้ในการ自动化กระบวนการแปลงวิดีโอตัวอย่างของมนุษย์ให้เป็นข้อมูลการเรียนรู้ของหุ่นยนต์ แต่เป็นการยากที่จะตัดสินระดับการประยุกต์ใช้ในอุตสาหกรรมจริงหรือเวลาในการ 商业화 จากบทคัดย่อเพียงอย่างเดียวสรุปโดย AI

เอเจนต์และการเขียนโค้ด หุ่นยนต์และ AI เชิงกายภาพ

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-09-28 · arXiv (Cornell University)

งานวิจัย JEPA ที่ทำให้โมเดลโลกสำหรับการขับขี่อัตโนมัติเร็วขึ้น 100 เท่า

AD-E2E-JEPA: A Joint-Embedding Predictive Architecture For End-to-End Autonomous Driving

อียาน เลอเกิง และอีก 3 คน

ทำอะไร: ได้ทำการประเมินเปรียบเทียบโมเดลโลกแบบอิงการทำนาย (ตระกูล JEPA) ที่ใช้ในการขับขี่อัตโนมัติ และเสนอโครงสร้างที่ปรับปรุงใหม่ AD-E2E-JEPA ซึ่งช่วยลดปริมาณการคำนวณลงอย่างมาก
ผลลัพธ์หลัก: รายงานระบุว่าโครงสร้างที่เสนอสามารถลดจำนวนแพตช์ที่ใช้ในการวางแผนลง 16 เท่า และลดมิติของอิมเบดดิ้งลง 4 เท่า ทำให้ความเร็วในการอนุมานเพิ่มขึ้นประมาณ 100 เท่า โดยที่ยังคงประสิทธิภาพการวางแผนไว้
ความสำคัญ: แม้ว่างานวิจัยนี้จะแสดงให้เห็นถึงทิศทางในการลดต้นทุนการคำนวณของ AI ขับขี่อัตโนมัติ แต่ก็ยากที่จะตัดสินประสิทธิผลในการใช้งานจริงกับรถยนต์และความเป็นไปได้ในการเชิงพาณิชย์จากบทคัดย่อเพียงอย่างเดียวสรุปโดย AI

ประสิทธิภาพการอนุมาน หุ่นยนต์และ AI เชิงกายภาพ World model และมัลติโมดัล

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-08-24

เทคโนโลยีการเรียนรู้พฤติกรรมในขณะที่หุ่นยนต์กำลังรอ

Learning to Act While Waiting: RL Finetuning of Generalist Robot Policies Under Inference Latency

Sergey Levine และอีก 19 คน

ทำอะไร: คณะนักวิจัยได้พัฒนา ARLI ซึ่งเป็นโครงงานการเรียนรู้เสริมกำลังที่รับรู้ความหน่วง เพื่อแก้ไขปัญหาที่เกิดจากเวลาในการคิด (ความหน่วงในการอนุมาน) ของโมเดลหุ่นยนต์
ผลลัพธ์หลัก: วิธีใหม่นี้ช่วยให้หุ่นยนต์สามารถเรียนรู้ต่อไปได้อย่างประสบความสำเร็จแม้ในสภาพแวดล้อมที่มีความหน่วง และแสดงประสิทธิภาพที่เท่าเทียมหรือเหนือกว่าสภาพแวดล้อมในอุดมคติที่ไม่มีความหน่วง
ความสำคัญ: เป็นการเปิดความเป็นไปได้ให้อปัญญาประดิษฐ์หุ่นยนต์ที่มีความซับซ้อนและขนาดใหญ่สามารถปรับปรุงประสิทธิภาพของตนเองได้ในสถานการณ์จริงโดยไม่มีอาการสะดุดหรือหยุดชะงักสรุปโดย AI

ประสิทธิภาพการอนุมาน หุ่นยนต์และ AI เชิงกายภาพ

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-08-03

การ ศึกษา กลไก การ ทำงาน ของ การ จัด กลุ่ม การ กระทำ (Action chunking) ที่ ช่วย เพิ่ม ประสิทธิภาพ การ ควบคุม หุ่นยนต์

Why Does Action Chunking Improve Behavioral Cloning Performance in Robotic Control?

Sergey Levine และอีก 5 คน

ทำอะไร: วิเคราะห์ ผ่าน การ ทดลอง ถึง สาเหตุ ที่ ทำให้ เทคโนโลยี 'การ จัด กลุ่ม การ กระทำ' ซึ่ง ทำนาย และ ดำเนิน การ หลาย การ กระทำ พร้อม กัน ใน การ ควบคุม หุ่นยนต์ มี ประสิทธิภาพ สูง ขึ้น
ผลลัพธ์หลัก: แสดง ให้ เห็น ว่า สมมติฐาน เดิม ไม่ ถูกต้อง ค้นพบ ว่า ปัจจัย ความ สำเร็จ หลัก ของ การ จัด กลุ่ม การ กระทำ คือ เอฟเฟกต์ 'การ รวม โมเดล แบบ โดย นัย (Implicit ensembling)' ที่ เรียน รู้ ความ สัมพันธ์ เชิง เวลา ที่ หลากหลาย และ ได้ เสนอ นโยบาย ใหม่ ที่ ใช้ ประโยชน์ จาก สิ่ง นี้
ความสำคัญ: การ เปิดเผย ปัจจัย หลัก ที่ เพิ่ม ประสิทธิภาพ ของ เทคโนโลยี การ ควบคุม หุ่นยนต์ ช่วย เป็น รากฐาน ทาง ทฤษฎี สำหรับ การ พัฒนา โมเดล การ เรียน รู้ ของ หุ่นยนต์ ที่ มี ประสิทธิภาพ ใน อนาคตสรุปโดย AI

หุ่นยนต์และ AI เชิงกายภาพ

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-06-11 · arXiv.org

พัฒนาเทคโนโลยีใหม่เพื่อชี้แนะพฤติกรรมของหุ่นยนต์ให้แม่นยำยิ่งขึ้น

Improving Robotic Generalist Policies via Flow Reversal Steering

Sergey Levine และอีก 4 คน

ทำอะไร: เพื่อเพิ่มประสิทธิภาพของนโยบายหุ่นยนต์อเนกประสงค์ที่ฝึกฝนด้วยชุดข้อมูลหุ่นยนต์ที่หลากหลาย ได้มีการประเมินวิธีที่เรียกว่า 'โฟลว์รีเวอร์ซัลสเตียริง (FRS)' ซึ่งช่วยเปลี่ยนพฤติกรรมที่เก้ๆ กังๆ ให้กลายเป็นพฤติกรรมที่ดีขึ้นในระบบควบคุม
ผลลัพธ์หลัก: การใช้ FRS สามารถเปลี่ยนคำแนะนำคร่าวๆ จากมนุษย์หรือโมเดลวิสัยทัศน์และภาษาให้เป็นพฤติกรรมหุ่นยนต์ที่ดีได้ โดยเพิ่มอัตราความสำเร็จของงานสูงสุด 95% ด้วยการเรียนรู้ที่ไม่ถึง 1 นาที
ความสำคัญ: แสดงให้เห็นถึงความเป็นไปได้ในการช่วยให้หุ่นยนต์มีประสิทธิภาพที่ดีขึ้นในงานใหม่ๆ โดยใช้คำแนะนำของมนุษย์หรือเทคโนโลยีที่มีอยู่สรุปโดย AI

หุ่นยนต์และ AI เชิงกายภาพ

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

บุคคล

แล็บแนวหน้า

แล็บเกิดใหม่

Mira MuratiCEO Thinking Machines Lab อันเดรจ คาร์แพธีAndrej Karpathyผู้ก่อตั้ง Eureka Labs อียาน เลอเกิงYann LeCunผู้ก่อตั้ง AMI Labsกิจกรรมล่าสุด 2026-10-30 Ilya SutskeverCEO SSI Llion JonesSakana AIกิจกรรมล่าสุด 2026-10-06 Lilian Wengผู้ร่วมก่อตั้ง Thinking Machines Lab Barret Zophย้ายบ่อย (มีรายงานว่ากลับสู่ OpenAI ปี 2026 แล้วย้ายอีกครั้ง)Sergey LevinePhysical Intelligence·UC เบิร์กลีย์กิจกรรมล่าสุด 2026-10-06 Aravind Srinivasซีอีโอ Perplexity Arthur Menschซีอีโอ Mistral AI Ashish VaswaniEssential AIกิจกรรมล่าสุด 2026-10-28 Aidan Gomezซีอีโอ Cohereกิจกรรมล่าสุด 2026-09-12 John Schulmanนักวิทยาศาสตร์หลัก Thinking Machines Lab Chelsea FinnPhysical Intelligence·สแตนฟอร์ดกิจกรรมล่าสุด 2026-10-29 เฟย์-เฟย์ หลี่Fei-Fei LiCEO World Labs·สแตนฟอร์ดกิจกรรมล่าสุด 2026-10-07

แวดวงวิชาการ

Richard Suttonมหาวิทยาลัยอัลเบอร์ตา Stuart Russellมหาวิทยาลัยแคลิฟอร์เนีย เบิร์กลีย์แอนดรูว์ อึ่งAndrew NgDeepLearning.AI และ AI Fund Yoshua Bengioมหาวิทยาลัยมอนทรีออล และ LawZeroกิจกรรมล่าสุด 2026-10-12 เจฟฟรีย์ ฮินตันGeoffrey Hintonศาสตราจารย์กิตติคุณ มหาวิทยาลัยโตรอนโตกิจกรรมล่าสุด 2026-09-28 Christopher Manningมหาวิทยาลัยสแตนฟอร์ดกิจกรรมล่าสุด 2026-07-20 Percy Liangมหาวิทยาลัยสแตนฟอร์ด และ Together AIกิจกรรมล่าสุด 2026-10-22 Pieter Abbeelมหาวิทยาลัยแคลิฟอร์เนีย เบิร์กลีย์กิจกรรมล่าสุด 2026-10-06 เหอ ไข่หมิงKaiming Heสถาบันเทคโนโลยีแมสซาชูเซตส์กิจกรรมล่าสุด 2026-10-01

ฮาร์ดแวร์ AI

Bill Dallyหัวหน้านักวิทยาศาสตร์ NVIDIA Tri DaoTogether AI · มหาวิทยาลัยพรินซ์ตันกิจกรรมล่าสุด 2026-08-12 Song HanMIT · NVIDIAกิจกรรมล่าสุด 2026-10-07 Andrew Feldmanซีอีโอ Cerebras Jonathan RossGroq Jim Kellerซีอีโอ Tenstorrent Jim Fanฝ่ายหุ่นยนต์ NVIDIA

เกาหลี

Ha Jung-wooรองประธานคณะกรรมการยุทธศาสตร์ AI แห่งชาติ (ลาออกจากตำแหน่งหัวหน้าฝ่าย AI สำนักประธานาธิบดีในปี 2026)กิจกรรมล่าสุด 2026-04-22 Kim Sung Hunซีอีโอ Upstage Bae Kyunghoonรัฐมนตรีว่าการกระทรวงวิทยาศาสตร์และเทคโนโลยีสารสนเทศและการสื่อสาร (อดีตผู้อำนวยการสถาบันวิจัย AI ของ LG)Oh Alice HaeyunKAIST Lee Hae-minหัวหน้าฝ่ายวางแผนอนาคต AI สำนักประธานาธิบดี (แต่งตั้งในปี 2026)Cho Kyunghyunมหาวิทยาลัยนิวยอร์ก และ Genentechกิจกรรมล่าสุด 2026-10-04

จีน

Liang Wenfengผู้ก่อตั้ง DeepSeekกิจกรรมล่าสุด 2026-10-12 Yang Zhilinผู้ก่อตั้ง Moonshot AIกิจกรรมล่าสุด 2026-07-27 Kai-Fu Lee01.AI

ผู้บริหาร

Kwak Noh-jungซีอีโอ SK Hynix มาร์ก ซักเคอร์เบิร์กMark Zuckerbergซีอีโอ Meta แซม ออลต์เมินSam Altmanซีอีโอ OpenAI Jun Young-hyunหัวหน้าแผนก DS Samsung Electronics เจนเซ่น หวงJensen Huangซีอีโอ NVIDIA C.C. Weiประธานและซีอีโอ TSMC Greg Brockmanประธาน OpenAI Lisa Suซีอีโอ AMD Lip-Bu Tanซีอีโอ Intel สัตยา นาเดลลาSatya Nadellaซีอีโอ Microsoft Sanjay Mehrotraซีอีโอ Micron Masayoshi Sonประธาน SoftBank ศุนทัร ปิจไชSundar Pichaiซีอีโอ Alphabet Andy Jassyซีอีโอ Amazon อีลอน มัสก์Elon Muskซีอีโอ xAI และ Tesla Kevin ScottCTO Microsoft Hock Tanซีอีโอ Broadcom

ทำไมต้องติดตามการย้ายงานและงานวิจัยของผู้นำ AI

ในอุตสาหกรรม AI คนคือเทคโนโลยี การที่นักวิจัยคนสำคัญย้ายไปบริษัทใดหรือก่อตั้งแล็บใหม่ มักกลายเป็นผลิตภัณฑ์ การระดมทุน และการควบรวมกิจการในอีกไม่กี่เดือน หน้านี้ติดตามการเปลี่ยนสังกัดในแล็บแนวหน้า แล็บเกิดใหม่ แวดวงวิชาการ ชิป AI และบุคคลในเกาหลีและจีน

งานวิจัยบอกว่าบุคคลนั้นกำลังโฟกัสเรื่องอะไร เราจัดงานวิจัยเป็น 10 สาขาที่เชื่อมโยงกับการลงทุน เช่น HBM และหน่วยความจำ GPU และตัวเร่ง ประสิทธิภาพการอนุมาน เอเจนต์ และหุ่นยนต์ พร้อมสรุปสามบรรทัด — ทำอะไร ผลลัพธ์หลัก ความสำคัญ — จากบทคัดย่อ และลิงก์ต้นฉบับกับ PDF ข้อมูลนี้มีไว้เพื่อหาไอเดีย ไม่ใช่คำแนะนำให้ซื้อหรือขายหลักทรัพย์ใด

คำถามที่พบบ่อย

ถาม: ติดตามใครบ้าง?

นักวิจัยและผู้บริหารคนสำคัญในแล็บแนวหน้า (OpenAI, Google DeepMind, Anthropic, Meta ฯลฯ) แล็บเกิดใหม่ แวดวงวิชาการ บริษัทชิป AI รวมถึงเกาหลีและจีน ผู้บริหารที่แทบไม่เขียนงานวิจัยจะติดตามเฉพาะการย้ายงาน

ถาม: ข้อมูลมาจากไหนและอัปเดตบ่อยแค่ไหน?

งานวิจัยมาจาก Semantic Scholar และ arXiv ส่วนประวัติมาจาก Wikidata (CC0) และประกาศทางการกับรายงานข่าว รวบรวมอัตโนมัติทุกวัน และเผยแพร่เฉพาะรายการที่ผู้ดูแลตรวจสอบและอนุมัติแล้ว

ถาม: ใครเป็นผู้เขียนบทสรุปงานวิจัย?

AI (Google Gemini) ร่างบทสรุปจากบทคัดย่อของงานวิจัย และผู้ดูแลตรวจสอบก่อนเผยแพร่ ภาษาอื่นเป็นการแปลด้วย AI จากบทสรุปภาษาเกาหลีที่ตรวจแล้ว โปรดยืนยันตัวเลขและบริบทในต้นฉบับเสมอ

หน้านี้รวบรวมงานวิจัยที่เผยแพร่ ประกาศอย่างเป็นทางการ และรายงานข่าว เพื่อเป็นข้อมูลเท่านั้น บทสรุปงานวิจัยเขียนโดย AI จากบทคัดย่อและตรวจสอบโดยผู้ดูแล อาจแตกต่างจากต้นฉบับ โปรดตรวจสอบต้นฉบับสำหรับเนื้อหาสำคัญ ไม่ใช่คำแนะนำให้ซื้อหรือขายหลักทรัพย์ใดหรือคำปรึกษาด้านการลงทุน การย้ายงานอ้างอิงประกาศอย่างเป็นทางการหรือสื่อหลัก และประวัติการทำงานบางส่วนอ้างอิงจาก Wikidata (CC0) บทสรุปในหน้านี้แปลโดย AI จากฉบับภาษาเกาหลีที่ผู้ดูแลตรวจสอบแล้ว