LG × NVIDIA เร่ง Physical AI ใช้ Data Factory พัฒนา Humanoid Robot

LG Electronics เดินหน้าความร่วมมือเชิงกลยุทธ์กับ NVIDIA เพื่อเร่งพัฒนา Robotics และ Physical AI โดยใช้ Data Factory แห่งใหม่ที่กรุงโซลเป็นศูนย์กลางรวบรวมและสร้างข้อมูลสำหรับการเรียนรู้ของหุ่นยนต์ เชื่อมข้อมูลจาก Manufacturing, Logistics และสภาพแวดล้อมจริงเข้ากับ NVIDIA Robotics Stack เพื่อพัฒนา Robot Foundation Model และต่อยอดสู่หุ่นยนต์ที่สามารถทำงานในโลกจริงได้

LG × NVIDIA เร่งความร่วมมือด้าน Robotics

18 สิงหาคม 2569 — LG Electronics เปิดเผยความคืบหน้าความร่วมมือด้าน Robotics กับ NVIDIA หลังผู้บริหารระดับสูงของทั้งสองฝ่ายพบกันที่ LG Data Factory ซึ่งอยู่ระหว่างการก่อสร้างที่ Yangjae R&D Campus กรุงโซล เพื่อหารือทิศทางความร่วมมือและเร่งการนำเทคโนโลยี Robotics ไปสู่การใช้งานจริง

ก่อนหน้านี้ LG Group และ NVIDIA ได้ลงนาม Memorandum of Understanding (MOU) ด้านความร่วมมือเชิงกลยุทธ์เมื่อวันที่ 13 สิงหาคม 2569 ที่สำนักงานใหญ่ NVIDIA ในเมืองซานตาคลารา สหรัฐฯ และกลับมาหารือร่วมกันอีกครั้งที่ Data Factory เพียง 4 วันต่อมา สะท้อนความพยายามเร่งพัฒนา Ecosystem ด้าน Robotics และ Physical AI

⟶ อ่านเพิ่มเติม: Physical AI คืออะไร? เมื่อ AI ก้าวจากหน้าจอสู่หุ่นยนต์และโรงงานอัจฉริยะ

Data Factory เปลี่ยนข้อมูลโรงงานเป็น Training Data

หัวใจสำคัญของความร่วมมือครั้งนี้คือ LG Data Factory ซึ่ง LG กำลังพัฒนาให้เป็นพื้นที่สำหรับฝึกหุ่นยนต์ เก็บข้อมูล และตรวจสอบคุณภาพของข้อมูลที่ได้จากการปฏิบัติงานจริง

ภายใน Data Factory มีทั้งพื้นที่ฝึกหุ่นยนต์ทำงาน พื้นที่ตรวจสอบและปรับปรุง Dataset รวมถึงสภาพแวดล้อมจำลองบ้าน เพื่อให้ LG CLOiD เรียนรู้และทำซ้ำงานต่าง ๆ เช่น การทำความสะอาด

นอกจากนี้ยังมีพื้นที่จำลองการผลิตที่สร้างขึ้นจากโรงงานผลิตเครื่องซักผ้าของ LG ในรัฐเทนเนสซี สหรัฐฯ เพื่อให้ CLOiD ฝึกเคลื่อนย้าย จัดเรียง และประกอบชิ้นส่วนต่าง ๆ

แนวทางดังกล่าวสะท้อนการเปลี่ยนบทบาทของโรงงาน จากเดิมที่เป็นสถานที่ผลิตสินค้า ไปสู่ แหล่งสร้างข้อมูลสำหรับ AI ที่สามารถนำข้อมูลจากกระบวนการผลิตจริงกลับมาใช้พัฒนาความสามารถของหุ่นยนต์ได้

เชื่อม Manufacturing, Logistics และ Robotics

LG ยังนำหุ่นยนต์ไปใช้งานในหลายสภาพแวดล้อมเพื่อสร้างข้อมูลที่หลากหลายขึ้น ทั้งระบบ Automation ด้าน Logistics ของ LG CNS และพื้นที่ที่ LG Innotek ใช้ฝึกหุ่นยนต์มือสำหรับงานที่ต้องการความแม่นยำสูง

ข้อมูลที่ได้จากแต่ละสภาพแวดล้อมจะถูกนำมาเชื่อมกับ NVIDIA Robotics Stack เพื่อทำการ Augment และ Synthesize ข้อมูลให้มีคุณภาพและปริมาณเพียงพอสำหรับการฝึกหุ่นยนต์

นี่เป็นองค์ประกอบสำคัญของ Physical AI เพราะหุ่นยนต์ที่ต้องทำงานในโลกจริงจำเป็นต้องเรียนรู้จากสถานการณ์ที่หลากหลาย ไม่ว่าจะเป็นการเคลื่อนที่ การหยิบจับ การตอบสนองต่อสภาพแวดล้อม หรือการทำงานร่วมกับมนุษย์

สร้าง “Data Flywheel” สำหรับ Physical AI

LG มองว่าความสามารถในการสร้างและหมุนเวียนข้อมูลคุณภาพสูงอย่างต่อเนื่องจะเป็นหนึ่งในปัจจัยสำคัญของการแข่งขันด้าน Physical AI

แนวคิดดังกล่าวสามารถอธิบายเป็นวงจรได้ว่า

เก็บข้อมูล → สร้าง/เพิ่มข้อมูล → Train AI → ปรับปรุง Robot → เก็บข้อมูลใหม่

LG เรียกแนวทางนี้ว่า “Data Flywheel” โดยนำข้อมูลจากประสบการณ์ด้าน Manufacturing และ Logistics ที่สะสมมานานหลายทศวรรษมาผสานกับเทคโนโลยีของ NVIDIA เพื่อสร้างข้อมูลสำหรับการเรียนรู้ของหุ่นยนต์ในระดับที่ใหญ่ขึ้น

จุดนี้ถือเป็นความแตกต่างสำคัญจาก Automation แบบดั้งเดิม เพราะ Robot ไม่ได้เพียงทำตามคำสั่งที่ถูกกำหนดไว้ แต่สามารถใช้ข้อมูลจากการทำงานเพื่อพัฒนาความสามารถของระบบ AI ต่อเนื่อง

NVIDIA Stack เชื่อม Data สู่ Deployment

ฝั่ง NVIDIA นำเทคโนโลยีหลายส่วนเข้ามาเป็นโครงสร้างพื้นฐานของระบบ ตั้งแต่ NVIDIA Omniverse, NVIDIA Cosmos และ NVIDIA Isaac

Omniverse ช่วยสร้างสภาพแวดล้อมและ Simulation ขณะที่ Cosmos สามารถใช้สร้างและเพิ่มข้อมูลสังเคราะห์สำหรับ Physical AI ส่วน Isaac เป็นแพลตฟอร์มสำหรับการพัฒนา Robotics ตั้งแต่การฝึก การทดสอบ ไปจนถึงการนำโมเดลไปใช้งานกับหุ่นยนต์จริง

การเชื่อมต่อทั้งสามส่วนทำให้ LG สามารถใช้ทั้ง Real-World Data และ Synthetic Data เพื่อเพิ่มความหลากหลายของข้อมูลสำหรับ Robot Learning

สำหรับ Humanoid Robot วิธีการดังกล่าวมีความสำคัญอย่างมาก เพราะการฝึกหุ่นยนต์ให้สามารถทำงานได้หลายรูปแบบต้องใช้ข้อมูลจำนวนมากกว่าระบบ Automation ที่ทำงานแบบ Task-specific

ตั้งเป้า Training Data 100,000 ชั่วโมง

LG ตั้งเป้าให้ Data Factory เดินหน้าเต็มรูปแบบภายในสิ้นปี 2569 โดยอาคารมีพื้นที่รวมประมาณ 10,000 ตารางเมตร ครอบคลุม 4 ชั้น และจะรองรับหุ่นยนต์หลายร้อยตัวภายในสิ้นปีนี้

บริษัทระบุว่า ภายในสิ้นปี ข้อมูลที่เก็บจากการฝึกในสถานที่จริง รวมกับข้อมูลที่สร้างและเพิ่มด้วย NVIDIA Cosmos จะมีปริมาณรวมประมาณ 100,000 ชั่วโมง หรือเทียบเท่าประมาณ 12 ปีของข้อมูล

ข้อมูลดังกล่าวจะถูกนำไปใช้พัฒนา Robot Foundation Model (RFM) ซึ่งเป็นพื้นฐานสำคัญสำหรับความสามารถของ Humanoid Robot

NVIDIA เองก็วาง Robot Foundation Model อย่าง Isaac GR00T เป็นแกนสำคัญของการพัฒนา Humanoid โดยมีเป้าหมายให้หุ่นยนต์สามารถเรียนรู้และปรับใช้ทักษะกับงานและสภาพแวดล้อมที่หลากหลายมากขึ้น

จาก Humanoid สู่ Manufacturing

LG ไม่ได้วาง Robotics ไว้เฉพาะตลาด Home Robot แต่กำลังขยาย Ecosystem ครอบคลุม Industrial, Commercial และ Home Robotics

บริษัทเพิ่งจัดตั้ง Robotics Business Center ที่รายงานตรงต่อ CEO เพื่อรวมความสามารถด้าน Business Development, Sales และ Operations และสร้างโครงสร้างธุรกิจ Robotics แบบ End-to-End

ขณะเดียวกัน LG มีความเชี่ยวชาญด้าน Manufacturing และชิ้นส่วน Robotics เช่น Actuator ทำให้บริษัทสามารถควบคุมองค์ประกอบของระบบได้ตั้งแต่ Hardware, Components ไปจนถึง Data และ Software

ในผลประกอบการไตรมาส 2 LG ระบุด้วยว่ากำลังสร้าง Robotics Data Factory เพื่อเก็บข้อมูลคุณภาพสูงจากหลายสภาพแวดล้อม และกำลังเร่งพัฒนา Robot Foundation Model รวมถึงการนำหุ่นยนต์ไปทดสอบตั้งแต่ Proof of Concept จนถึงการใช้งานจริงใน Manufacturing Site

Physical AI กำลังเปลี่ยนแนวคิด Smart Manufacturing

สิ่งที่เกิดขึ้นกับ LG สะท้อนแนวโน้มสำคัญของอุตสาหกรรม นั่นคือ AI ไม่ได้จำกัดอยู่บนหน้าจอหรือ Data Center อีกต่อไป

เมื่อ AI สามารถรับรู้สภาพแวดล้อมและสั่งการเครื่องจักรหรือหุ่นยนต์ให้ลงมือทำได้ เทคโนโลยีจึงกำลังขยับจาก Digital AI ไปสู่ Physical AI

สำหรับโรงงาน นั่นหมายถึงข้อมูลจาก Production Line, Logistics, Machine และ Human Interaction สามารถกลายเป็น Training Data ที่ช่วยให้ระบบ Automation ฉลาดขึ้น

โรงงานจึงอาจมีบทบาทสองด้านพร้อมกัน คือ ผลิตสินค้าและผลิตข้อมูลสำหรับ AI

จาก Automation สู่ระบบที่เรียนรู้ได้

ความร่วมมือระหว่าง LG และ NVIDIA จึงมีความสำคัญมากกว่าการพัฒนา Humanoid Robot รุ่นใหม่ เพราะเป็นความพยายามสร้าง Infrastructure สำหรับให้หุ่นยนต์เรียนรู้จากโลกจริงอย่างต่อเนื่อง

หาก Data Flywheel สามารถทำงานได้ตามเป้าหมาย ข้อมูลจากโรงงานและ Logistics จะถูกนำกลับมาพัฒนา AI ขณะที่ AI ที่ได้รับการปรับปรุงจะช่วยให้ Robot ทำงานได้ดีขึ้น และสร้างข้อมูลใหม่กลับเข้าสู่ระบบอีกครั้ง

นี่อาจเป็นก้าวสำคัญของ Smart Manufacturing รุ่นถัดไป จาก Automation ที่ทำงานตามคำสั่ง สู่ Physical AI ที่สามารถเรียนรู้ ปรับตัว และทำงานร่วมกับมนุษย์ในสภาพแวดล้อมจริง

⟶ อีเวนท์แนะนำ: Smart Manufacturing 2026 - Si Racha Edition 

อัปเดตข่าวทุกวันที่นี่ www.mreport.co.th   

Line / Facebook / X / YouTube @MreportTH