เอไอลงมือทำงานจริง ต้องแก้มากกว่าความเร็ว
เอไอที่ลงมือทำงานจริง คือระบบที่รับข้อมูลจากบริบทการทำงาน แล้วช่วยตัดสินใจหรือปฏิบัติภารกิจให้ต่อเนื่องได้ ไม่ว่าจะประสานเอกสารในโครงการก่อสร้างหรือควบคุมหุ่นยนต์ให้จัดการวัตถุในสภาพแวดล้อมจริง เงินทุนรอบใหม่ชี้ว่าโจทย์สำคัญไม่ใช่แค่สร้างโมเดลให้เก่ง แต่ต้องทำให้ระบบรับมือกับงานประจำและข้อยกเว้นได้อย่างน่าเชื่อถือ
Shackleton AI ระดมทุนรอบเริ่มต้นได้ 5 ล้านดอลลาร์ โดยมี Battery Ventures เป็นผู้นำการลงทุน และเปิดตัวแพลตฟอร์มเอเจนต์ AI สำหรับบริหารโครงการพัฒนาและงานก่อสร้าง ส่วน Physicl ประกาศเมื่อวันที่ 6 พฤศจิกายน 2026 ว่าระดมทุนรอบเริ่มต้นได้ 10 ล้านดอลลาร์ โดยมี Inovia Capital เป็นผู้นำและ US Venture Partners ร่วมลงทุน ทั้งสองกรณีเป็นเงินทุนสตาร์ทอัพ AI ที่มุ่งแก้ปัญหาเฉพาะหน้า ไม่ใช่แข่งกันสร้างเทคโนโลยีที่น่าตื่นตาเพียงอย่างเดียว
ข้อแตกต่างอยู่ที่สนามทดสอบ: ซอฟต์แวร์ก่อสร้างต้องเชื่อมข้อมูลที่กระจัดกระจาย ขณะที่ AI ทางกายภาพต้องรับมือกับวัตถุ แรง และสภาพแวดล้อมที่เปลี่ยนไปทุกครั้งที่ลงมือ
เอเจนต์ AI ก่อสร้างจัดการความยุ่งเหยิงของข้อมูล
ปัญหาที่ Shackleton ตั้งต้นคือการประสานโครงการผ่านซอฟต์แวร์หลายระบบ จนผู้จัดการต้องเสียเวลาโยกข้อมูลระหว่างเครื่องมือแทนการดูแลงาน แพลตฟอร์มปฏิบัติการของบริษัทจึงรวมงานตั้งแต่เลือกทำเล เตรียมงานก่อสร้าง บริหารไซต์ การเงินและการสื่อสาร ไปจนถึงส่งมอบโครงการ เอเจนต์ AI ก่อสร้างสามารถช่วยร่างคำขอข้อมูล ติดตามเอกสารที่ล่าช้า ตรวจความคลาดเคลื่อนของงบประมาณ และเปลี่ยนบันทึกหน้างานเป็นรายงานได้
แพลตฟอร์มเริ่มให้บริการในเดือนมิถุนายน 2026 และบริษัทระบุว่าระบบบริหารโครงการรวมมูลค่ากว่า 1 พันล้านดอลลาร์ในมากกว่า 15 รัฐ ตัวเลขนี้คือมูลค่าโครงการที่ผ่านซอฟต์แวร์ ไม่ใช่รายได้หรือมูลค่ากิจการ จุดแข็งที่บริษัทต้องการสร้างคือให้เอเจนต์เห็นบริบทของข้อมูลที่เกี่ยวข้องกัน แทนที่จะทำงานจากข้อมูลแยกส่วน
ประโยชน์ที่คนทำงานสัมผัสได้ค่อนข้างตรงไปตรงมา: ทีมภาคสนามเปิดแบบและบันทึกความคืบหน้าที่ไซต์ได้ แม้ไม่มีอินเทอร์เน็ต แล้วระบบจะปรับข้อมูลให้ตรงกันเมื่อกลับมาเชื่อมต่อ นี่คือการใช้เอไอช่วยลดงานธุรการและการตกหล่น ไม่ใช่ให้ระบบตัดสินใจแทนผู้รับผิดชอบทุกเรื่อง บริษัทวางแผนขยายประเภทงานที่เอเจนต์จัดการได้และเร่งนำผลิตภัณฑ์ออกสู่ตลาด
หุ่นยนต์ต้องเรียนรู้ข้อยกเว้น ไม่ใช่แค่ทำตามฉากสาธิต
Physicl เลือกแก้จุดเปราะบางของหุ่นยนต์และระบบอัตโนมัติ: กรณีสุดขอบที่เกิดไม่บ่อย แต่ทำให้ระบบพลาดได้ เช่น ถ้วยถูกถุงบังบางส่วน เงาทาบบนเคาน์เตอร์ หรือกล่องวางเยื้องจากตำแหน่งเดิม AI ทางกายภาพยังไม่มีคลังข้อมูลฝึกขนาดใหญ่เทียบได้กับข้อความบนอินเทอร์เน็ตหรือภาพที่มีคำบรรยาย การเก็บเหตุการณ์หายากเหล่านี้ซ้ำในโลกจริงจึงยาก และบันทึกที่มีอยู่ก็ปรับเปลี่ยนเงื่อนไขเฉพาะจุดเพื่อทดลองใหม่ได้ลำบาก
Studio ของ Physicl สร้างข้อมูลสังเคราะห์จากฉากสามมิติที่ควบคุมได้ โดยใช้สภาพแวดล้อม 10,000 แบบและองค์ประกอบพื้นฐาน 100,000 รายการ ซึ่งสร้างจากเรขาคณิตสามมิติและวัสดุที่มีข้อมูลกำกับครบ การจำลองไม่ได้แทนข้อมูลจากโลกจริง แต่เติมกรณีที่เกิดซ้ำในปริมาณมากได้ยาก บริษัทเพิ่มฉากใหม่ทุกวัน และวางแผนพัฒนาการควบคุม ชั้นข้อมูลภาคพื้นจริง และรูปแบบส่งออกตามข้อเสนอแนะจากนักวิจัย
นี่คือความต่างจากเอเจนต์บนหน้าจอ: ซอฟต์แวร์อาจแก้ข้อมูลผิดหรือส่งงานต่อให้คนตรวจได้ แต่หุ่นยนต์ที่เข้าใจฉากผิดอาจหยิบของพลาดหรือทำงานต่อไม่ได้ การสาธิตที่ดูคล่องจึงยังไม่พิสูจน์ว่าระบบไว้ใจได้เมื่อแสง ตำแหน่ง และวัตถุเปลี่ยนไป

เงินทุนหุ่นยนต์ไหลสู่สมองและข้อมูล
จีนกำลังขยับการแข่งขันจากการสร้างฮาร์ดแวร์ที่เดิน วิ่ง หรือแสดงท่าทางได้ ไปสู่หุ่นยนต์ Embodied AI ที่เข้าใจสภาพแวดล้อม เรียนรู้งานใหม่ และปรับตัวโดยไม่ต้องเขียนโปรแกรมใหม่ทุกภารกิจ ในครึ่งแรกของปี 2569 ธุรกิจด้านนี้ในจีนระดมทุนรวม 9.35 หมื่นล้านหยวน หรือประมาณ 1.3 หมื่นล้านดอลลาร์ จาก 322 รายการ เพิ่มขึ้น 5 เท่าจากช่วงเดียวกันของปีก่อน
เมื่อต้นทุนฮาร์ดแวร์ลดลง ความได้เปรียบในอนาคตมีแนวโน้มย้ายไปอยู่ที่ระบบซึ่งทำให้หุ่นยนต์ทำงานได้หลากหลาย จีนมีฐานการผลิตและเข้าถึงข้อมูลจากหน้างาน ส่วนบริษัทสหรัฐฯ ได้เปรียบด้านงานวิจัยและชิปประมวลผล ตัวอย่างการใช้งานจริงมีตั้งแต่การทดลองให้หุ่นยนต์เชื่อมต่อสายไฟยืดหยุ่นในกระบวนการทดสอบแบตเตอรี่ของโรงงาน CATL ซึ่งมีรายงานอัตราความสำเร็จในการเสียบสายไฟมากกว่า 99%
เงินทุนก้อนใหญ่ยังไม่ใช่หลักฐานว่าปัญหาจบแล้ว ผู้เชี่ยวชาญเตือนว่าการทำให้หุ่นยนต์ทำงานน่าเชื่อถือในสถานประกอบการและสภาพแวดล้อมที่ต่างกันอาจต้องใช้เวลาอีกหลายปี นี่จึงเป็นเหตุผลที่ข้อมูลจำลองและข้อมูลจากงานจริงต้องเดินคู่กัน
บทสรุปคือเอไอในซอฟต์แวร์ก่อสร้างเริ่มสร้างคุณค่าจากการเชื่อมข้อมูลและลดภาระงานประสาน ส่วนหุ่นยนต์ต้องพิสูจน์ว่ารับรู้และลงมือได้แม้เจอสถานการณ์ไม่คุ้นเคย เงินทุนสตาร์ทอัพ AI จึงกำลังทดสอบคนละด่าน แต่มีเป้าหมายร่วมกันคือเปลี่ยนความสามารถในห้องทดลองให้เป็นงานที่ไว้ใจได้ในชีวิตจริง







