หุ่นยนต์พลิกแพนเค้กได้ ทั้งที่ข้อมูลฝึกไม่เคยมี สอนเราว่าอะไร

โดย Nokka (นก-กา) | 15 กันยายน 2026

บทความนี้เขียนโดย AI (โมเดล deepseek-v4.1-flash ของผู้ให้บริการ ollama-cloud) ผ่าน Hermes Agent จาก Nous Research ตรวจสอบและเรียบเรียงโดย Nokka

มีเรื่องหนึ่งที่ผมอ่านแล้วหยุดคิดนาน

หุ่นยนต์ตัวหนึ่งพลิกแพนเค้กในกระทะได้ และทีมวิศวกรที่สร้างมัน ไม่เชื่อว่ามันทำได้

"ครั้งแรกที่ S1 พลิกแพนเค้กสำเร็จ เราสันนิษฐานว่าการพลิกแพนเค้กต้องอยู่ในข้อมูลฝึกของมันแน่ ๆ เราค้นข้อมูลฝึกทั้งหมดของเราซึ่งยาวหนึ่งล้านชั่วโมง และไม่พบเลย" [2]

มันทำสิ่งที่ไม่มีในข้อมูลฝึกได้ จากวิดีโอสาธิตเพียงคลิปเดียว

Skild AI คือใคร และ S1 คืออะไร

Skild AI เป็นบริษัทสตาร์ทอัพด้านหุ่นยนต์ นำโดย Deepak Pathak ผู้ร่วมก่อตั้งและซีอีโอ และเป็นบริษัทในพอร์ตของ SoftBank [2][3]

เดือนสิงหาคม 2026 พวกเขาเปิดตัว S1 (สื่อเทคโนโลยีรายงานเมื่อ 25 ส.ค. 2026) โมเดลพื้นฐานสำหรับหุ่นยนต์ ที่ออกแบบมาเป็น in-context learner ตั้งแต่ต้น [1]

แนวคิดหลักคือ ผู้ควบคุมบันทึกวิดีโอสาธิตงานหนึ่งคลิป แล้วให้มันทำหน้าที่เป็น prompt โมเดลจะทำงานนั้นบนหุ่นที่มีอยู่ โดยไม่ปรับค่าน้ำหนักเลย [1][4]

ไทม์ไลน์ 4 ก้าวที่นำมาถึงแพนเค้กจานนั้น

ทีม Skild ใส่ไทม์ไลน์ไว้ในบล็อกเอง และผมคิดว่ามันเล่าเรื่องได้ดีกว่าคำอธิบายใด ๆ [1]

เวลา	เหตุการณ์
กันยายน 2025	LocoFormer: โมเดล in-context สำหรับการเคลื่อนที่
กุมภาพันธ์ 2026	ผลลัพธ์ ICL ในโดเมนแรก
พฤษภาคม 2026	S1 พลิกแพนเค้กครั้งแรก
สิงหาคม 2026	เปิดตัว S1

สังเกตว่าก้าวแรกเป็นเรื่อง "การเคลื่อนที่" ไม่ใช่ "การหยิบจับ" ⇒ ทีมเริ่มจากทำให้หุ่นปรับตัวกับการเคลื่อนที่ผ่าน prompt ได้ก่อน แล้วค่อยขยายมาที่การจัดการวัตถุ [1]

ตัวเลขที่ทำให้เรื่องนี้น่าสนใจ

Skild ทดสอบโดยเทรนสองโมเดลบน ข้อมูลชุดเดียวกัน สถาปัตยกรรมเดียวกัน (ต่างแค่ส่วน prompt) และคอมพิวต์เท่ากัน ตั้งแต่ 1,000 ถึง 100,000 ชั่วโมง [1][5]

ผลที่ 100,000 ชั่วโมง [1][5]

โมเดล	งานที่ไม่เคยเห็นตอนฝึก
S1 (in-context จากวิดีโอ)	66%
VLA ที่สั่งด้วยภาษา	9%

ห่างกันประมาณ 7 เท่า [1][5]

และมีตัวเลขที่ผมคิดว่าสำคัญที่สุดในเรื่องนี้ [5]

ที่ข้อมูลฝึก 1,000 ชั่วโมง การสั่งด้วยภาษากลับชนะ 53% เทียบกับ 43% ของ in-context

⇒ ความได้เปรียบของ in-context learning ไม่ได้มาจากสถาปัตยกรรม แต่มันโผล่มาเมื่อข้อมูลมากพอ

ข้อควรอ่านให้ระวัง: ตัวเลข 53/43 มาจากงานที่ เห็นตอนฝึก ส่วน 66/9 มาจากงานที่ ไม่เคยเห็นตอนฝึก ⇒ ทั้งสองชุดวัดคนละสนาม แต่ทิศทางที่พลิกกลับยังชี้ไปทางเดียวกัน คือวิธี in-context ได้เปรียบขึ้นเมื่อข้อมูลมากขึ้น [1][5]

นี่คือข้อสรุปที่ผมคิดว่ามีค่าที่สุด เพราะมันบอกว่าถ้าคุณมีข้อมูลน้อย วิธีนี้ ไม่ได้ดีกว่า วิธีเดิม [5]

หนึ่งคลิป = ประมาณ 380 ตัวอย่างฝึก

Skild เทียบว่า หนึ่งวิดีโอ prompt ให้ผลพอ ๆ กับตัวอย่างฝึกหลังการฝึกประมาณ 380 ตัวอย่าง [1]

และเขาคำนวณต้นทุนที่ต่างกันไว้ การเก็บตัวอย่าง 380 ชิ้นสำหรับงานยาว 4-10 นาที ใช้เวลาเทเลโอเปอเรชัน 50-100 ชั่วโมง [1]

⇒ นี่คือตัวเลขที่ผมคิดว่าอธิบายคุณค่าที่แท้จริงได้ดีที่สุด เปลี่ยนจาก "เก็บข้อมูล 50-100 ชั่วโมงต่อหนึ่งงาน" เป็น "อัดคลิปหนึ่งคลิป" [1]

แต่ต้องอ่านให้ครบ การฝึกจริงยังชนะได้ที่ 86% เมื่อใช้ 2,000 ตัวอย่าง ⇒ in-context ไม่ได้แทนที่การฝึกทั้งหมด [1]

งานสี่อย่างที่ไม่เคยอยู่ในข้อมูลฝึก

Skild ยกงานสี่อย่างที่อ้างว่าโมเดลไม่เคยเห็นตอนฝึก และรันได้ถึง 10 นาที ต่อเนื่อง [1]

งาน	สิ่งที่ต้องทำ
ปลูกต้นไม้	ขุดดิน · ทำที่ให้ต้น · จัดตำแหน่ง · เติมดิน · รดน้ำ
ทำแพนเค้ก	ผสมแป้ง · ใช้ตะหลิวพลิกในกระทะ
กาแฟดริป	กดกระดาษกรองลงกรวย · ตวงผง · รินน้ำร้อน
ประกอบชุดอุปกรณ์	รวมถึงประกอบล้อสเก็ตบอร์ด

และมีรายละเอียดที่ผมคิดว่าน่าสนใจ ในการทดลองติดตั้งภาคสนามจริง หุ่นเริ่มทำงานอัตโนมัติหลังสาธิตเพียง 11 นาที [6]

ส่วน NVIDIA เผยแพร่บทวิเคราะห์เทคโนโลยีนี้เมื่อ 10 กันยายน 2026 ระบุว่า Skild สร้างและทำวิจัยบนโครงสร้างพื้นฐาน AI ของ NVIDIA [9]

ทำไม Skild เลือกวิดีโอ ไม่ใช่ภาษา

นี่คือส่วนที่ผมคิดว่าอธิบายปรัชญาของทีมได้ดีที่สุด [1]

"เราไม่เรียนรู้จากประโยควิธีพับผ้าปูที่นอนให้พอดี ตีไข่ขาวจนตั้งยอด หรือผูกเงื่อน"

Skild ให้เหตุผลสองข้อ [1]

หนึ่ง: ทักษะใหม่ไม่มีที่ยึดในภาษา การพลิกแพนเค้กเป็นการเคลื่อนไหวแบบใหม่ ที่การสั่งด้วยคำพูดไม่มีจุดอ้างอิง แต่วิดีโอให้ความสอดคล้องเชิงภาพที่ถ่ายทอดไปยังพฤติกรรมใหม่ได้ดีกว่า [1]

สอง: การประกอบทักษะ ภาษามักหยาบเกินไปที่จะระบุลำดับใหม่ของทักษะเดิม เพราะบางทีก็ไม่มีประโยคสั้น ๆ สำหรับสิ่งที่โมเดลไม่เคยถูกสั่งให้ทำ [1]

บริษัทที่สองที่ทำเรื่องใกล้กัน

Generalist AI เปิดตัว GEN-1.5 ที่ใช้แนวคิดเดียวกัน คือป้อนตัวอย่างลงใน context window โดยไม่ปรับค่าน้ำหนัก [7]

ตัวเลขของเขา [7]

วิธี	อัตราสำเร็จ
one-shot ด้วย in-context	59% (±10%)
few-shot ด้วย 10 gradient steps	83% (±9%)

งานที่ทดสอบ เช่นรูดซิป · เปิดขวด · ดึงเงินออกจากกระเป๋า และทีมระบุเองว่างานยังเรียบง่ายและสั้น [7]

และ Skild วิจารณ์คู่แข่งไว้ตรงไปตรงมาในบล็อกของตัวเอง [1]

"แนวทาง in-context learning ในสายการจัดการวัตถุที่ทำร่วมสมัยกัน ครอบคลุมงานที่เป็นงานสั้น หรือมีอยู่ในข้อมูลฝึกอยู่แล้ว *เป็นส่วนใหญ่*"

⇒ Skild อ้างว่างานของตนเป็นครั้งแรกที่ทำได้กับงานยาวถึง 10 นาทีที่ไม่เคยเห็นตอนฝึก ซึ่งเป็นการอ้างของทีมเอง [1]

⚠️ สี่ข้อที่ต้องรู้ก่อนเชื่อตัวเลขทั้งหมด

หนึ่ง: ตัวเลขทุกตัวเป็นการทดสอบภายในของ Skild [5]

และนี่คือจุดที่ต้องย้ำไว้ให้ชัด ตัวเลขทั้งหมดข้างต้นเป็นตัวเลขของ Skild เอง ยังไม่ผ่านการตรวจสอบจากบุคคลที่สาม [5][8]

สอง: 66% เป็น "อัตราสำเร็จต่อขั้น" ไม่ใช่การทำงานอัตโนมัติเต็มรูปแบบ

การทดสอบให้ มนุษย์ช่วยกู้เมื่อล้มเหลว เพื่อให้ทุกขั้นถูกให้คะแนน [5]

และนี่คือจุดที่ต้องอ่านให้ชัด [8]

ระบบที่ล้มเหลวประมาณหนึ่งในสามของงานที่ไม่เคยเห็น ยังไม่ใช่สิ่งที่แทนเซลล์การผลิตแบบ hard-code ในสายการผลิตปริมาณสูงได้ ซึ่งเป็นการประเมินของ RoboHorizon ไม่ใช่คำพูดของ Skild [8]

สาม: ยังไม่เปิดเปเปอร์ · API · หรือน้ำหนักโมเดล [8]

สี่: มูลค่าบริษัทที่สื่อรายงาน (สูงกว่า 14 พันล้านดอลลาร์) ผมยืนยันจากเอกสารทางการไม่ได้ [8]

อะไรคือสิ่งที่ผมคิดว่าเรื่องนี้สอนจริง ๆ

ถ้าจะสรุปเป็นประโยคเดียว

เรื่องนี้ไม่ได้เล่าว่าหุ่นพลิกแพนเค้กได้ มันเล่าว่าวิธีส่งงานให้หุ่นเปลี่ยนจาก "เขียนโค้ดหรือฝึกใหม่" เป็น "ให้ดูตัวอย่าง"

และตัวเลขที่ผมคิดว่าสำคัญที่สุดไม่ใช่ 66%

แต่มันคือ 53% กับ 43% ที่ข้อมูล 1,000 ชั่วโมง [5]

เพราะมันบอกว่า ข้อได้เปรียบนี้ ไม่ใช่คุณสมบัติของสถาปัตยกรรม แต่เป็นผลจากปริมาณข้อมูล ⇒ องค์กรที่ข้อมูลน้อยจะไม่ได้ประโยชน์จากวิธีนี้ และองค์กรที่ข้อมูลมากจะได้เปรียบแบบทบต้น [1][5]

และมีอีกจุดที่ผมคิดว่าน่าสนใจ ทั้ง Skild และ Generalist ต่าง ไม่ได้ฝึกให้โมเดลเป็น in-context learner โดยตรง [7]

"เราไม่ได้ฝึก GEN-1.5 เพื่อ in-context learning โดยเฉพาะ ... ไม่มีการเปลี่ยนแปลงสถาปัตยกรรม ไม่มีลูป meta-learning" [7]

⇒ ความสามารถนี้ "โผล่ขึ้นเอง" (emergent) จากข้อมูลมากพอ ซึ่งเป็นรูปแบบเดียวกับที่เกิดกับโมเดลภาษา [7]

เริ่มจากอะไรได้พรุ่งนี้

ผมแนะนำให้ลองแบบนี้ครับ ถ้าคุณทำงานด้านระบบอัตโนมัติหรือหุ่นยนต์ ลองถามทีมตัวเองว่า "งานหนึ่งงานของเรา ใช้เวลาเก็บข้อมูลสอนนานแค่ไหน"

ถ้าคำตอบคือ "หลายสิบชั่วโมงต่อหนึ่งงาน" ⇒ นี่คือเทคโนโลยีที่ควรจับตา เพราะมันชี้ว่าในอนาคตคุณอาจเปลี่ยนวิธีจาก "เก็บข้อมูล" เป็น "อัดคลิป" [1]

แต่ถ้าคำตอบคือ "งานเราเปลี่ยนไม่บ่อย" ⇒ การรออาจเป็นทางที่ฉลาดกว่า เพราะ benchmark ยังเป็นของบริษัทเอง และตัวเลข 66% ยังเป็น per-step [5][8]

ข้อควรระวัง

หนึ่ง ผมไม่ได้ทดสอบระบบนี้ ผมไม่มีหุ่นยนต์และไม่ได้เข้าถึง S1 ทั้งหมดเป็นการรายงานจากบล็อกต้นทางและสื่อที่รายงานต่อ [1][4][8]

สอง ตัวเลขทั้งหมดเป็นของ Skild เอง และ Skild คือบริษัทที่ขายเทคโนโลยีนี้ ⇒ มีส่วนได้ส่วนเสียโดยตรง และยังไม่มีเปเปอร์ให้ตรวจ [5][8]

สาม ตัวเลข "380 ตัวอย่าง" และ "50-100 ชั่วโมง" เป็นการประมาณของทีม Skild เองจากกราฟที่แสดง ไม่ใช่การวัดที่ตรวจสอบได้อิสระ [1]

สี่ การวิจารณ์ Generalist AI ในบทความนี้เป็นการอ้างจากบล็อกของ Skild ซึ่งเป็นคู่แข่งในตลาด ⇒ ผมรายงานตามที่ Skild เขียน ไม่ได้ยืนยันว่า Generalist ตอบโต้หรือไม่ [1]

ห้า ตัวเลข valuation ของบริษัทมาจากสื่อ ไม่ใช่จากเอกสารบริษัท ผมจึงไม่ยืนยันว่าเป็นข้อเท็จจริง [8]

หก ผมทำงานบนระบบที่ใช้โมเดล AI และเขียนบทความนี้ด้วยความช่วยเหลือของ AI [10]

แหล่งอ้างอิง

[1] "Introducing S1: In-Context Learning for Robotics", Skild AI (สิงหาคม 2026), https://skild.ai/blogs/s1

[2] Pathak, D., "Announcing S1, our new foundation model that learns from one example", LinkedIn (2026), https://www.linkedin.com/posts/pathak22_announcing-s1-our-new-foundation-model-that-activity-7498066901005172736-XNlM

[3] "Skild AI" บริษัทและทีมผู้ก่อตั้ง, LinkedIn (เข้าถึง ก.ย. 2026), https://www.linkedin.com/company/skild-ai/

[4] "Skild AI says S1 can learn new robot tasks from one video", LavX News (2026), https://news.lavx.hu/article/skild-ai-says-s1-can-learn-new-robot-tasks-from-one-video

[5] "Skild AI S1 Achieves 10-Minute Tasks from One Video Prompt", ZeroGantry (2026), https://zerogantry.com/articles/skild-ai-s1-achieves-10-minute-tasks-from-one-video-prompt

[6] "Skild AI Unveils S1: In-Context Learning for Long-Horizon Robot Manipulation", Humanoids Daily (2026), https://humanoidsdaily.com/news/skild-ai-unveils-s1-in-context-learning-for-long-horizon-robot-manipulation

[7] "GEN-1.5: Embodied Foundation Models are One-Shot Learners", Generalist AI (2026), https://generalistai.com/blog/gen-1.5

[8] "Skild's S1 AI Learns to Flip Pancakes From a Single Video Demo", RoboHorizon (สิงหาคม 2026), https://robohorizon.com/en-us/magazine/2026/08/skilds-s1-ai-learns-to-flip-pancakes-from-a-single-video-demo/

[9] "Skild AI Taps NVIDIA Physical AI to Teach Robots New Tasks From a Single Video", NVIDIA Blog (10 ก.ย. 2026), https://blogs.nvidia.com/blog/skild-ai-s1-physical-ai/

[10] การเปิดเผยของผู้เขียน: บทความนี้เขียนโดยใช้ AI