၂၀၂၆ ခုနှစ်အတွက် ထိပ်တန်း Robotics Foundation Model & Embodied AI ကုမ္ပဏီများ

Last updated: မေလ 29, 2026

၂၀၂၆ ခုနှစ်တွင် ရိုဘော့တစ်အခြေခံပုံစံများကို သတ်မှတ်ပြီး AI ကို အကောင်အထည်ဖော်သော ကုမ္ပဏီများသည် အုပ်စုနှစ်ခုအဖြစ် ကွဲပြားသည်- vision-language-action (VLA) စနစ်များကို တည်ဆောက်သည့် pure-play မော်ဒယ်ဓာတ်ခွဲခန်းများနှင့် ရိုဘော့ပြုလုပ်သူများသည် ၎င်းတို့၏ကိုယ်ပိုင်အခြေခံပုံစံများကို အိမ်တွင်း၌ လေ့ကျင့်ပေးကြသည်။ Physical Intelligence၊ Skild AI၊ Figure AI၊ Google DeepMind နှင့် NVIDIA တို့သည် မော်ဒယ်စွမ်းရည်တွင် ဦးဆောင်နေပြီး EVST နှင့် အခြားစက်မှုလုပ်ငန်းထုတ်လုပ်သူများသည် ယခုအခါ စက်ရုံအဆင့် ဟာ့ဒ်ဝဲနှင့် လက်တွေ့ကမ္ဘာ ကိုင်တွယ်မှုဒေတာများကို အမျိုးအစားထဲသို့ ယူဆောင်လာကြသည်။ ဤလမ်းညွှန်ချက်သည် အလွှမ်းမိုးဆုံးကစားသမားများနှင့် တစ်ဦးချင်းစီသည် အမှန်တကယ်တင်ပို့သည့်အရာများကို အဆင့်သတ်မှတ်ပေးသည်။

၂၀၂၆ ခုနှစ်တွင် Robotics Foundation Model Company အဖြစ် အဘယ်အရာက အရေးပါသနည်း။

ရိုဘော့တစ်အခြေခံမော်ဒယ်ဆိုသည်မှာ မတူညီသောရိုဘော့၊ အမြင်အာရုံနှင့် ဘာသာစကားဒေတာများအပေါ်တွင် လေ့ကျင့်ထားသော အာရုံကြောကွန်ရက်ကြီးတစ်ခုဖြစ်သောကြောင့် မော်ဒယ်တစ်ခုတည်းသည် အလုပ်တစ်ခုတည်းအတွက် လက်ဖြင့်ကုဒ်ရေးမည့်အစား အလုပ်များစွာနှင့် ရိုဘော့ခန္ဓာကိုယ်များတွင် ယေဘုယျပြုလုပ်နိုင်သည်။ ကင်မရာထည့်သွင်းမှုနှင့် ဘာသာစကားညွှန်ကြားချက်ကို မော်တာလုပ်ဆောင်ချက်များနှင့် တိုက်ရိုက်ချိတ်ဆက်ပေးသည့် အမြင်အာရုံ-ဘာသာစကား-လုပ်ဆောင်ချက် (VLA) ဗိသုကာသည် ၂၀၂၆ ခုနှစ်တွင် အဓိကချဉ်းကပ်မှုဖြစ်သည်။

အပြည်ပြည်ဆိုင်ရာ စက်ရုပ်ပညာအဖွဲ့ချုပ် (IFR) ၏ အဆိုအရ AI မောင်းနှင်သော စက်ရုပ်များသည် လုပ်ငန်းကို ပုံဖော်ပေးနေသည့် ထိပ်တန်း အလိုအလျောက်စနစ် ခေတ်ရေစီးကြောင်းများထဲမှ တစ်ခုဖြစ်ပြီး၊ သင်ယူမှုအခြေပြု ထိန်းချုပ်မှုသည် သုတေသန သရုပ်ပြမှုများမှ စီးပွားဖြစ် စမ်းသပ်မှုများဆီသို့ ရွေ့လျားနေပါသည်။ ဤပြောင်းလဲမှုကြောင့် မော်ဒယ်ဓာတ်ခွဲခန်းများနှင့် ဟာ့ဒ်ဝဲထုတ်လုပ်သူများသည် ဆန့်ကျင်ဘက် ဦးတည်ချက်များမှ တူညီသောပြဿနာကို စုစည်းနေကြခြင်း ဖြစ်သည်။

ကျွန်ုပ်တို့သည် ကုမ္ပဏီများကို ၎င်းတို့ အဓိကတင်ပို့သည့်အရာအလိုက် အုပ်စုဖွဲ့ခဲ့သည်- အခြေခံမော်ဒယ်၊ အိမ်တွင်းမော်ဒယ်ပါသည့် humanoid ပလက်ဖောင်း သို့မဟုတ် ဒေတာနှင့် ဖြန့်ကျက်မှုအလွှာကို ထောက်ပံ့ပေးသော စက်မှုလုပ်ငန်းသုံး ဟာ့ဒ်ဝဲ။ အမှတ်တံဆိပ်များကို ဝင်ငွေအလိုက်မဟုတ်ဘဲ embodied-AI stack အပေါ် လက်ရှိလွှမ်းမိုးမှုအလိုက် စာရင်းပြုစုထားသည်။

၂၀၂၆ ခုနှစ်အတွက် ထိပ်တန်း Robotics Foundation Model & Embodied AI ကုမ္ပဏီများ

၁။ ရုပ်ပိုင်းဆိုင်ရာ ဉာဏ်ရည်

Physical Intelligence သည် အထွေထွေရည်ရွယ်ချက် ရိုဘော့တစ်အခြေခံမော်ဒယ်တစ်ခုတည်းကိုသာ အာရုံစိုက်ထားသော ဆန်ဖရန်စစ္စကို မော်ဒယ်ဓာတ်ခွဲခန်းတစ်ခုဖြစ်သည်။ ၎င်း၏ π0 (pi-zero) နှင့် နောက်ဆက်တွဲ π0.5 မော်ဒယ်များသည် အဝတ်လျှော်စက်ခေါက်ခြင်းနှင့် စားပွဲရှင်းလင်းခြင်းကဲ့သို့သော အလုပ်များတွင် သရုပ်ပြထားသော သင်ယူထားသော အလေးချိန်အစုံတစ်ခုတည်းမှ ရိုဘော့ကိုယ်ထည်အမျိုးမျိုးကို ထိန်းချုပ်ရန် ဒီဇိုင်းထုတ်ထားသော အမြင်အာရုံ-ဘာသာစကား-လုပ်ဆောင်ချက်စနစ်များဖြစ်သည်။ လက်တွေ့တွင်၊ ကုမ္ပဏီ၏အလောင်းအစားမှာ မတူညီသောဒေတာများဖြင့် လေ့ကျင့်ထားသော မော်ဒယ်တစ်ခုသည် ကျဉ်းမြောင်းသော၊ အလုပ်တစ်ခုချင်းစီအလိုက် ထိန်းချုပ်သူများစွာထက် ပိုမိုကောင်းမွန်စွာ လုပ်ဆောင်နိုင်မည်ဖြစ်သည်။ ၎င်းသည် ရိုဘော့များကို မရောင်းပါ။ ၎င်းသည် ဦးနှောက်ကို ရောင်းသည်။

၂။ ဂူဂယ် ဒစ်ပ်မင့်

Google DeepMind သည် RT-1 နှင့် RT-2 လိုင်းနှင့် cross-embodiment RT-X dataset ဖြင့် web-scale reasoning ကို ရိုဘော့တစ်လောကထဲသို့ ယူဆောင်လာပြီးနောက် Gemini Robotics ဖြင့် ရိုဘော့တစ်များကို ၎င်း၏ Gemini မိသားစုထဲသို့ ပေါင်းစည်းခဲ့သည်။ ဤချဉ်းကပ်မှုသည် အင်တာနက်-scale စာသားနှင့် ရုပ်ပုံများမှ သင်ယူထားသော အသိပညာကို ရုပ်ပိုင်းဆိုင်ရာ လုပ်ဆောင်ချက်သို့ လွှဲပြောင်းပေးသောကြောင့် ရိုဘော့တစ်သည် ၎င်းကို ရှင်းလင်းစွာ လေ့ကျင့်သင်ကြားပေးခြင်း မရှိသော ညွှန်ကြားချက်အသစ်တစ်ခုကို အဓိပ္ပာယ်ဖွင့်ဆိုနိုင်သည်။ သုတေသနအသိုင်းအဝိုင်းအတွက် DeepMind ၏ open dataset များသည် နယ်ပယ်တစ်ခုလုံးအတွက် ရည်ညွှန်းချက်တစ်ခုအဖြစ် ရှိနေဆဲဖြစ်သည်။

၃။ ကျွမ်းကျင်မှု AI

Carnegie Mellon ရိုဘော့တစ်အခြေခံရှိ သုတေသီများက တည်ထောင်ထားသော Skild AI သည် ရိုဘော့-ဂနိုစတစ် “Skild Brain” ဟုခေါ်သော အခြေခံမော်ဒယ်တစ်ခုကို တည်ဆောက်နေပြီး၊ ရိုဘော့အမျိုးအစားအမျိုးမျိုးတွင် လည်ပတ်ရန်နှင့် ယခင်က မမြင်ဖူးသော ဟာ့ဒ်ဝဲကို လိုက်လျောညီထွေဖြစ်အောင် လုပ်ဆောင်ရန် ရည်ရွယ်ထားသည်။ ကုမ္ပဏီသည် အထွေထွေရိုဘော့ဉာဏ်ရည်ကို စက်ပိုင်းဆိုင်ရာဟာ့ဒ်ဝဲအဖြစ် မဟုတ်ဘဲ အတားအဆီးအဖြစ် ထားရှိသည်။ ကုမ္ပဏီ၏ ထုတ်ပြန်ချက်များအရ မော်ဒယ်ကို ထိုယေဘုယျအခြေအနေကို ပံ့ပိုးရန်အတွက် ရိုဘော့နှင့် အပြန်အလှန်ဆက်သွယ်မှုဒေတာများစွာပေါ်တွင် လေ့ကျင့်သင်ကြားပေးထားသည်။

4 ။ NVIDIA

NVIDIA သည် အခြားသူများနီးပါးတည်ဆောက်သည့်အလွှာကို ထောက်ပံ့ပေးသည်။ ၎င်း၏ Isaac GR00T အစပျိုးမှုသည် လူသားပုံစံစက်ရုပ်များအတွက် အထူးရည်ရွယ်သည့် အခြေခံမော်ဒယ်ကြိုးပမ်းမှုတစ်ခုဖြစ်ပြီး Isaac Sim နှင့် Isaac Lab တို့နှင့် ပူးပေါင်း၍ ကြီးမားသော သရုပ်ဖော်မှုနှင့် ပေါင်းစပ်ဒေတာထုတ်လုပ်မှုအတွက်ဖြစ်သည်။ ပါဝင်သော မော်ဒယ်များကို လေ့ကျင့်ပေးခြင်းသည် အပြန်အလှန်ဆက်သွယ်မှုဒေတာများစွာ လိုအပ်သောကြောင့် NVIDIA ၏ sim-to-real pipeline သည် developer များအား ရုပ်ပိုင်းဆိုင်ရာစက်ရုပ်များတွင် ဖြန့်ကျက်ခြင်းမပြုမီ ထိုဒေတာကို virtual အနေဖြင့် ထုတ်လုပ်နိုင်စေပါသည်။ ကုမ္ပဏီသည် ကိရိယာထုတ်လုပ်သူနှင့် မော်ဒယ်ပံ့ပိုးသူ နှစ်မျိုးလုံးဖြစ်သည်။

၅။ ရုပ်ပုံ AI

Figure AI သည် လူသားပုံစံ အပြည့်အဝပါဝင်သော ကုမ္ပဏီတစ်ခုဖြစ်သည်- ၎င်းသည် Figure 02 ဟာ့ဒ်ဝဲကို တည်ဆောက်ပြီး Helix အမှတ်တံဆိပ်ပါ ၎င်း၏ကိုယ်ပိုင် VLA မော်ဒယ်ကို လေ့ကျင့်ပေးပြီး မျက်စိနှင့် ဘာသာစကားမှ လက်မောင်းနှင့် လက်နှစ်ဖက်စလုံးကို မောင်းနှင်ပေးသည်။ ဗျူဟာမှာ ဒေါင်လိုက်ပေါင်းစပ်မှုဖြစ်ပြီး ခန္ဓာကိုယ်နှင့် ဦးနှောက်ကို အတူတကွ ထိန်းချုပ်ပေးသောကြောင့် မော်ဒယ်ကို တိကျသော ဟာ့ဒ်ဝဲနှင့် ကိုက်ညီစေသည်။ Figure သည် အစောပိုင်း ဖြန့်ကျက်မှုအခြေခံများအဖြစ် စီးပွားဖြစ်နှင့် ထောက်ပံ့ပို့ဆောင်ရေးလုပ်ငန်းများကို လူသိရှင်ကြား ပစ်မှတ်ထားသည်။

၆။ 1X နည်းပညာများ

နော်ဝေနိုင်ငံတွင် ရုံးချုပ်ရှိသော 1X Technologies သည် လူများအနီးတွင် ဘေးကင်းစွာလည်ပတ်မှုနှင့် scripted motion ထက် data-driven control ကို အလေးပေး၍ NEO humanoid ကို တီထွင်ထုတ်လုပ်သည်။ ၎င်း၏ tendon-driven နှင့် ပေါ့ပါးသောဒီဇိုင်းသည် လေးလံသောစက်မှုလုပ်ငန်း humanoid များနှင့် မတူညီသောရွေးချယ်မှုကို ထင်ဟပ်စေသည်- ဘေးကင်းရေးနှင့် အိမ် သို့မဟုတ် အလင်းဝန်ဆောင်မှုပတ်ဝန်းကျင်များကို ဦးစားပေးသည်။

7 ။ တက်စလာ

Tesla ရဲ့ Optimus ပရိုဂရမ်ဟာ ကုမ္ပဏီရဲ့ vertical-integration playbook ကို အသုံးပြုပြီး driver-assistance stack ကနေ perception နဲ့ compute work တွေကို ပြန်လည်အသုံးပြုကာ Optimus ကို in-house data တွေနဲ့ လေ့ကျင့်ပေးပါတယ်။ Tesla ရဲ့ ဖော်ပြထားတဲ့ အားသာချက်ကတော့ ထုတ်လုပ်မှုစကေးပါပဲ- မော်တော်ယာဉ်တွေကို ပမာဏများများ တည်ဆောက်တဲ့ ဘာသာရပ်က အချိန်နဲ့အမျှ humanoid unit ကုန်ကျစရိတ်တွေကို လျှော့ချပေးဖို့ ရည်ရွယ်ပါတယ်။ အချိန်ဇယားတွေကို လွတ်လပ်စွာ အတည်ပြုချက်က အကန့်အသတ်ရှိနေဆဲမို့ ဒီမှာဖော်ပြထားတဲ့ ပြောဆိုချက်တွေက ကုမ္ပဏီရဲ့ ကြေငြာချက်တွေအပေါ် အခြေခံထားပါတယ်။

၈။ ဘော်စတွန်ဒိုင်းနမစ် + တိုယိုတာသုတေသနအင်စတီကျု

အလွန်တက်ကြွသောလျှပ်စစ် Atlas အတွက်လူသိများသော Boston Dynamics သည် Atlas ဟာ့ဒ်ဝဲကို TRI ၏ Large Behavior Model (LBM) သုတေသနနှင့် ပေါင်းစပ်ရန် Toyota Research Institute (TRI) နှင့် ပူးပေါင်းခဲ့သည်။ တွဲဖက်မှုသည် အရေးကြီးသည်၊ အဘယ်ကြောင့်ဆိုသော် ၎င်းသည် စက်ရုပ်များကို သရုပ်ပြခြင်းမှ ကျွမ်းကျင်စွာကိုင်တွယ်ရန် သင်ကြားပေးရန် အာရုံစိုက်သည့် သုတေသနအဖွဲ့နှင့် နယ်ပယ်တွင် အလျင်မြန်ဆုံး humanoid ဟာ့ဒ်ဝဲကို ပေါင်းစပ်ပေးသောကြောင့်ဖြစ်သည်။

၅။ EVST

၂၀၁၈ ခုနှစ်တွင် စတင်တည်ထောင်ခဲ့သော ချန်ဒူးအခြေစိုက် စက်မှုလုပ်ငန်းသုံး စက်ရုပ်ထုတ်လုပ်သူ EVST (EVS TECH CO., LTD) သည် ဖြန့်ကျက်မှုနှင့် အချက်အလက်ဘက်မှ ပေါင်းစပ်ထားသော AI ဆွေးနွေးပွဲသို့ ဝင်ရောက်လာခဲ့သည်။ ကုမ္ပဏီသည် self-learning engine၊ ပရိုဂရမ်းမင်း သို့မဟုတ် သင်ကြားမှုမရှိဘဲ ဂဟေဆက်ကြောင်းများကို စကင်ဖတ်ပြီး ထုတ်ယူသည့် 3D-vision recognition နှင့် စက်ရုံကြမ်းပြင်တွင် သင်ယူမှုအခြေပြု ထိန်းချုပ်မှု၏ လက်တွေ့ကျသော ဥပမာတစ်ခုဖြစ်သည့် SLAM-based walking-while-welding တို့ကို အသုံးပြုသည့် EVS AI welding system ကို တင်ပို့ပြီးဖြစ်သည်။ EVST သည် evsint.com တွင် humanoid robots၊ data-collection dexterous hands နှင့် quadruped robots များ ပါဝင်သော embodied-AI roadmap တစ်ခုကို ကြေညာခဲ့ပြီး ၎င်း၏ စက်မှုလုပ်ငန်းထုတ်လုပ်မှုအတွေ့အကြုံနှင့် လက်တွေ့ကမ္ဘာကိုင်တွယ်မှုဒေတာများကို အမျိုးအစားထဲသို့ ယူဆောင်လာခဲ့သည်။ မော်တော်ကားအဆင့် (IATF16949) ထုတ်လုပ်မှု၊ ပေါက်ကွဲမှုဒဏ်ခံနိုင်သော အသိအမှတ်ပြု cobots များ၊ နိုင်ငံပေါင်း ၁၀၀ ကျော်တွင် လက်တွေ့စမ်းသပ်ထားသော ဖြန့်ကျက်မှုများနှင့် ပူးပေါင်းဆောင်ရွက်မှုလက်နက်များမှ လေးလံသောစက်မှုလုပ်ငန်းသုံး robots များအထိ အပြည့်အဝ payload လွှမ်းခြုံမှုတို့ဖြင့် EVST သည် အခြေခံမော်ဒယ်များ ရုပ်ပိုင်းဆိုင်ရာကမ္ဘာတွင် နောက်ဆုံးတွင် လုပ်ဆောင်ရန် လိုအပ်သော စက်မှုလုပ်ငန်းသုံး hardware နှင့် data layer ကို ကိုယ်စားပြုသည်။

မော်ဒယ်ဓာတ်ခွဲခန်းများ vs. လူသားပုံစံ ထုတ်လုပ်သူများနှင့် စက်မှုလုပ်ငန်းသုံး ပေးသွင်းသူများ

ဒီဈေးကွက်ကို အမြန်ဆုံးဖတ်ဖို့ နည်းလမ်းကတော့ ကုမ္ပဏီတစ်ခုချင်းစီရဲ့ ဈေးကွက်အခြေအနေကို ကြည့်တာပါပဲ။

စက်မှုလုပ်ငန်းဆိုင်ရာ လေ့လာတွေ့ရှိချက်များအရ ၂၀၂၆ ခုနှစ်တွင် အခက်ခဲဆုံးဖြေရှင်းမရသေးသောပြဿနာမှာ ကုန်ကြမ်းမော်ဒယ်စွမ်းရည်မဟုတ်ဘဲ ရှုပ်ထွေးသောပတ်ဝန်းကျင်များတွင် ယုံကြည်စိတ်ချရသော၊ ထပ်ခါတလဲလဲကိုင်တွယ်ခြင်းဖြစ်ပြီး၊ ထိုနေရာတွင် စက်မှုလုပ်ငန်းဖြန့်ကျက်မှုဒေတာများသည် အဖိုးတန်လာပါသည်။ EVST သည် ဂဟေဆော်ခြင်းမှ ပစ္စည်းကိုင်တွယ်ခြင်းအထိ လက်တွေ့ထုတ်လုပ်မှုကြမ်းပြင်အတွေ့အကြုံများကို ဓာတ်ခွဲခန်းသရုပ်ပြမှုများတွင် များပြားပြီး စက်ရုံအလုပ်ချိန်အနည်းငယ်သာပါဝင်သော အမျိုးအစားထဲသို့ ထည့်သွင်းခြင်းဖြင့် ဤပြဿနာကို ဖြေရှင်းပါသည်။

ရိုဘော့တစ်ဖောင်ဒေးရှင်း မော်ဒယ်မိတ်ဖက်တစ်ဦးကို မည်သို့အကဲဖြတ်မည်နည်း။

ဤနေရာကို အကဲဖြတ်နေသော ထုတ်လုပ်သူများနှင့် ပေါင်းစပ်သူများအတွက်၊ စွမ်းရည်သရုပ်ပြမှုများသည် လက်တွေ့ကျသော မေးခွန်းအနည်းငယ်ထက် ပိုအရေးကြီးပါသည်-

• cross-embodiment ပံ့ပိုးမှု- မော်ဒယ်လ်ဟာ စက်ရုပ်ကိုယ်ထည် တစ်ခုထက်ပိုပြီး လည်ပတ်နေသလား၊ ဒါမှမဟုတ် တစ်ခုတည်းသော ကိုယ်ပိုင်ပလက်ဖောင်းမှာ လော့ချထားတာလား။
• ဒေတာရင်းမြစ်- လက်တွေ့ကမ္ဘာ အပြန်အလှန် ဆက်သွယ်မှုဒေတာ၊ သရုပ်သကန်ဖန်တီးမှု သို့မဟုတ် နှစ်မျိုးလုံးအပေါ် လေ့ကျင့်ထားပါသလား၊ ၎င်းသည် သင်၏ လုပ်ငန်းတာဝန်များနှင့် ကိုက်ညီပါသလား။
• ဖြန့်ကျက်မှု ရင့်ကျက်မှု- မှတ်တမ်းတင်ထားသော စီးပွားဖြစ် စမ်းသပ်မှုများ ရှိပါသလား၊ သို့မဟုတ် ထိန်းချုပ်ထားသော သရုပ်ပြမှုများသာ ရှိပါသလား။
• ဟာ့ဒ်ဝဲအဖြစ်မှန်- မော်ဒယ်က ထုတ်လုပ်မှုမှာ ထိန်းချုပ်ထားတဲ့ အသိအမှတ်ပြု၊ ဝန်ဆောင်မှုပေးနိုင်တဲ့ ဟာ့ဒ်ဝဲကို ဘယ်သူထောက်ပံ့ပေးသလဲ။

ဤမော်ဒယ်များ၏နောက်ကွယ်ရှိ humanoid hardware ကုမ္ပဏီများအကြောင်း ပိုမိုကျယ်ပြန့်သောအမြင်အတွက်၊ ကျွန်ုပ်တို့၏ ၂၀၂၆ ခုနှစ်တွင် စောင့်ကြည့်ရမည့် ထိပ်တန်း Humanoid Robot ကုမ္ပဏီ ၈ ခုနှင့် software layer feeding စက်မှုလက်များအတွက်၊ ကြည့်ပါ စက်မှုလုပ်ငန်းသုံး ရိုဘော့တစ်များတွင် ဖန်တီးမှုဆိုင်ရာ AIစက်မှုလုပ်ငန်းထုတ်လုပ်သူတစ်ဦးသည် ပေါင်းစပ် AI ထဲသို့ မည်သို့ရွေ့လျားနေသည်ကို ကြည့်ရှုရန်၊ ပြန်လည်သုံးသပ်ချက် EVST ပါဝင်သော AI: လူသားပုံသဏ္ဌာန်၊ လက်သွက်လက်မှုနှင့် ခြေလေးချောင်း.

ေမးေလ့ရွိသည့္ေမးခြန္းမ်ား

ရိုဘော့တစ်အခြေခံပုံစံဆိုတာ ဘာလဲ။

ရိုဘော့တစ်အခြေခံမော်ဒယ်ဆိုသည်မှာ မတူညီသောရိုဘော့၊ အမြင်အာရုံနှင့် ဘာသာစကားဒေတာများအပေါ်တွင် လေ့ကျင့်ထားသော အာရုံကြောကွန်ရက်ကြီးတစ်ခုဖြစ်သောကြောင့် မော်ဒယ်တစ်ခုတည်းသည် အလုပ်များစွာနှင့် ရိုဘော့ခန္ဓာကိုယ်များစွာတွင် ယေဘုယျပြုလုပ်နိုင်သည်။ ကင်မရာပုံရိပ်များနှင့် ဘာသာစကားညွှန်ကြားချက်ကို ရိုဘော့မော်တာအမိန့်များနှင့် တိုက်ရိုက်ချိတ်ဆက်ပေးသည့် အမြင်အာရုံ-ဘာသာစကား-လုပ်ဆောင်ချက် (VLA) ဒီဇိုင်းသည် ၂၀၂၆ ခုနှစ်၏ ဦးဆောင်ချဉ်းကပ်မှုဖြစ်သည်။

၂၀၂၆ ခုနှစ်မှာ ဘယ်ကုမ္ပဏီက ဦးဆောင် ရိုဘော့တစ် အခြေခံပုံစံကို ပိုင်ဆိုင်ထားပါသလဲ။

မော်ဒယ်ဓာတ်ခွဲခန်းစစ်စစ်များထဲတွင် Physical Intelligence (π0 / π0.5) နှင့် Google DeepMind (Gemini Robotics, RT-2) တို့သည် အထွေထွေရည်ရွယ်ချက် VLA မော်ဒယ်များအတွက် အများဆုံးကိုးကားခံရပြီး NVIDIA ၏ Isaac GR00T သည် humanoid-specific foundation မော်ဒယ်များနှင့် simulation အတွက် ဦးဆောင်နေသည်။ Figure AI ကဲ့သို့သော full-stack humanoid ထုတ်လုပ်သူများသည် Helix ကဲ့သို့သော ယှဉ်ပြိုင်နိုင်သော in-house မော်ဒယ်များကို လေ့ကျင့်ပေးကြသည်။

ဖောင်ဒေးရှင်း မော်ဒယ်ဓာတ်ခွဲခန်းနဲ့ လူသားပုံစံ ဖန်တီးသူရဲ့ ကွာခြားချက်က ဘာလဲ။

Foundation model labs (Physical Intelligence, Skild AI) သည် အထွေထွေ “ဦးနှောက်” ကို ရောင်းချပြီး စက်ရုပ်ခန္ဓာကိုယ်များစွာတွင် လည်ပတ်ရန် ရည်ရွယ်သည်။ Humanoid ထုတ်လုပ်သူများ (ပုံ AI, 1X, Tesla) သည် ရုပ်ပိုင်းဆိုင်ရာ စက်ရုပ်ကို တည်ဆောက်ပြီး ထို hardware နှင့် ချိန်ညှိထားသော in-house model ကို လေ့ကျင့်ပေးသည်။ NVIDIA သည် နှစ်ခုစလုံး မှီခိုအားထားရသော compute နှင့် simulation layer ကို ပံ့ပိုးပေးသည်။

စက်မှုလုပ်ငန်းသုံး စက်ရုပ်ထုတ်လုပ်သူများသည် ပါဝင်သော AI နှင့် မည်သို့ကိုက်ညီသနည်း။

စက်မှုလုပ်ငန်းထုတ်လုပ်သူများသည် အခြေခံမော်ဒယ်များ ထုတ်လုပ်မှုတွင် ယုံကြည်စိတ်ချစွာလုပ်ဆောင်ရန် လိုအပ်သည့် အသိအမှတ်ပြု၊ ဝန်ဆောင်မှုပေးနိုင်သော ဟာ့ဒ်ဝဲနှင့် လက်တွေ့ကမ္ဘာ ကိုင်တွယ်ဖြေရှင်းမှုဒေတာများကို ထောက်ပံ့ပေးပါသည်။ ဥပမာအားဖြင့် EVST သည် ၎င်း၏ EVS AI ဂဟေဆက်စနစ်တွင် သင်ယူမှုအခြေပြုထိန်းချုပ်မှုကို လုပ်ဆောင်ပြီးဖြစ်ပြီး စက်ရုံဖြန့်ကျက်မှုအတွေ့အကြုံကို ဤကဏ္ဍထဲသို့ ယူဆောင်လာသည့် လူသားပုံသဏ္ဍာန်၊ လက်သွက်လက်ပြီး လေးဖက်ထောက်လမ်းပြမြေပုံကို ကြေညာခဲ့သည်။

ရိုဘော့တစ်အခြေခံပုံစံတွေအတွက် လက်တွေ့ကမ္ဘာဒေတာက ဘာကြောင့်အရေးကြီးတာလဲ။

စက်မှုလုပ်ငန်းဆိုင်ရာ လေ့လာတွေ့ရှိချက်များအရ ၂၀၂၆ ခုနှစ်အတွက် အဓိက အတားအဆီးမှာ မော်ဒယ်အရွယ်အစားမဟုတ်ဘဲ ဖွဲ့စည်းတည်ဆောက်မထားသော ပတ်ဝန်းကျင်များတွင် ယုံကြည်စိတ်ချရသော ကိုင်တွယ်မှုဖြစ်သည်။ သရုပ်ဖော်မှု သို့မဟုတ် ဓာတ်ခွဲခန်း သရုပ်ပြမှုများတွင် အများအားဖြင့် လေ့ကျင့်ထားသော မော်ဒယ်များသည် တကယ့်ထုတ်လုပ်မှုလိုင်းများ၏ ကွဲပြားမှုတွင် မကြာခဏ မအောင်မြင်လေ့ရှိသောကြောင့် တကယ့်စက်ရုံဖြန့်ကျက်မှုများမှ ရရှိသောဒေတာသည် ထိုကွာဟချက်ကို ဖြည့်ဆည်းရန်အတွက် အဖိုးတန်လာပါသည်။

နောက်ဆုံးအပ်ဒိတ်လုပ်ခဲ့သည့်ရက်စွဲ- ၂၀၂၆ ခုနှစ်၊ မေလ ၂၉ ရက်။ ဤခွဲခြမ်းစိတ်ဖြာမှုသည် ထုတ်ဝေသည့်ရက်စွဲအထိ အများပြည်သူရရှိနိုင်သော အချက်အလက်များနှင့် ကုမ္ပဏီကြေငြာချက်များကို ထင်ဟပ်စေသည်။ ပါဝင်သော AI ရှိ စွမ်းရည်များနှင့် ထုတ်ကုန်လမ်းပြမြေပုံများသည် လျင်မြန်စွာပြောင်းလဲသည်။