Kyutai เปิดตัว REKI โมเดล vision-language-action 2.4B สำหรับหุ่นยนต์

Kyutai ห้องวิจัยปัญญาประดิษฐ์ที่ตั้งอยู่ในกรุงปารีส ได้เปิดตัว REKI โมเดล vision-language-action (VLA) ขนาด 2.4 พันล้านพารามิเตอร์ ที่ออกแบบมาเพื่อการจัดการวัตถุของหุ่นยนต์ ประกาศเมื่อวันที่ 17 ตุลาคม 2026 โดยพัฒนาร่วมกับ Inria สถาบันวิทยาการดิจิทัลแห่งชาติของฝรั่งเศส และโรงเรียนวิศวกรรม École des Ponts

ทีมงานเน้นย้ำคุณสมบัติสำคัญสองประการ ประการแรก REKI ถูกฝึกล่วงหน้าด้วยข้อมูลที่เปิดให้ใช้งานสาธารณะเท่านั้น ประการที่สอง โมเดลเก็บหน่วยความจำต้นทุนต่ำเกี่ยวกับเหตุการณ์ที่เพิ่งเกิดขึ้น แทนที่จะอาศัยการคิดจากภาพนิ่งเพียงภาพเดียว

เหตุใดหน่วยความจำจึงสำคัญสำหรับหุ่นยนต์

โมเดล VLA มุ่งแปลงภาพจากกล้องและคำสั่งที่เป็นภาษาธรรมชาติให้กลายเป็นการกระทำของหุ่นยนต์โดยตรง ระบบจำนวนมากตัดสินใจแต่ละการเคลื่อนไหวโดยอาศัยเฟรมปัจจุบันเพียงเฟรมเดียว ซึ่งอาจทำให้ผิดพลาดในงานที่มีหลายขั้นตอน หรือเมื่อวัตถุหลุดออกจากมุมมองของกล้อง

โดยหลักการแล้ว โมเดลที่จดจำประวัติการทำงานล่าสุดได้ สามารถจัดการงานที่ต้องทำตามลำดับได้สอดคล้องกันมากขึ้น เช่น การเปิดลิ้นชักแล้วนำของชิ้นหนึ่งใส่เข้าไป การทำให้หน่วยความจำมีต้นทุนต่ำจึงสำคัญ เพราะหุ่นยนต์มักทำงานด้วยทรัพยากรประมวลผลบนตัวเครื่องที่จำกัด ส่วนรายละเอียดเต็มของการประเมิน REKI รวมถึงงานและเกณฑ์มาตรฐานที่ใช้ทดสอบ ไม่มีอยู่ในเอกสารที่ตรวจสอบสำหรับบทความนี้

แนวทางที่ใช้ข้อมูลเปิด

ความก้าวหน้าส่วนใหญ่ในการเรียนรู้ของหุ่นยนต์มาจากโมเดลที่ฝึกด้วยชุดข้อมูลกรรมสิทธิ์ที่บริษัทต่างๆ ไม่เปิดเผย การพึ่งพาข้อมูลสาธารณะเพียงอย่างเดียวช่วยให้นักวิจัยรายอื่นทำซ้ำผลลัพธ์และต่อยอดงานได้ง่ายขึ้น ซึ่งอาจทำให้ REKI เป็นข้อมูลอ้างอิงที่มีประโยชน์สำหรับห้องปฏิบัติการทางวิชาการ

Kyutai เป็นที่รู้จักจากการเปิดตัวโมเดลแบบเปิด เช่น Moshi โมเดลเสียงแบบเรียลไทม์ของบริษัท ด้วย REKI ห้องวิจัยขยายแนวทางวิจัยแบบเปิดนี้ไปสู่งานด้านหุ่นยนต์ และโครงการนี้สะท้อนความร่วมมือที่เติบโตขึ้นระหว่างห้องวิจัย AI เอกชนกับสถาบันวิจัยของรัฐในฝรั่งเศส