<div class="key-takeaways"><ul><li>Pony.ai ร่วมมือกับ GAC Commercial Vehicle เปิดตัวรถบรรทุกไฟฟ้าไร้คนขับระดับ L4 รุ่น Gen-4</li><li>เปิดตัวครั้งแรกในงาน IAA Transportation 2026 เตรียมเริ่มสายการผลิตจำนวนมากภายในปีนี้</li><li>ต้นทุนฮาร์ดแวร์ระบบขับเคลื่อนอัตโนมัติ (ADK) ลดลงถึง 70% เมื่อเทียบกับรุ่นก่อนหน้า</li><li>ติดตั้งระบบเซ็นเซอร์รอบคัน 360 องศา และเตรียมขยายสู่ตลาดยุโรปและตะวันออกกลางในอีก 2 ปีข้างหน้า</li></ul></div><p>Pony.ai ได้ทำการเปิดตัวรถบรรทุกไฟฟ้าไร้คนขับสำหรับกลุ่มงานโลจิสติกส์ ซึ่งพัฒนาร่วมกับ GAC Commercial Vehicle เพื่อรองรับห่วงโซ่อุปทานการขนส่งสินค้า</p><p>ยานยนต์หนักระบบขับเคลื่อนอัตโนมัติระดับ 4 (Level 4) นี้ถูกเผยโฉมอย่างเป็นทางการในงาน IAA Transportation 2026 โดยนับเป็นรถบรรทุกตระกูล Robotruck รุ่นเจเนอเรชันที่ 4 (Gen-4) ของบริษัท ซึ่งต่อยอดมาจากโครงสร้างรถบรรทุกไฟฟ้าแบตเตอรี่รุ่น T9 ของ GAC Commercial Vehicle และมีกำหนดการเริ่มสายการผลิตจำนวนมากภายในปีนี้ โดยเส้นทางเบื้องต้นจะมุ่งเน้นไปที่การขนส่งสินค้าระยะไกล (Long-haul freight) Corridors โลจิสติกส์เฉพาะกิจ และการดำเนินงานด้านการขนส่งท่าเรือ</p><p>He Xing รองประธานของ Pony.ai และหัวหน้าฝ่ายธุรกิจ Robotruck กล่าวว่า การเปิดตัวรถบรรทุกหนักไร้คนขับ T9 ทั่วโลกในครั้งนี้ถือเป็นก้าวสำคัญในการเร่งรัดการผลิตจำนวนมากและการปรับใช้เชิงพาณิชย์ของ Robotruck จาก Pony.ai พร้อมระบุว่าบริษัทจะกระชับความร่วมมือกับ GAC Commercial Vehicle ให้ลึกซึ้งยิ่งขึ้นเพื่อนำโซลูชันการขนส่งอัตโนมัติออกสู่ตลาดทั่วโลกในอนาคต</p><div class="stat-row"><div class="stat-item"><span class="stat-number">70%</span><span class="stat-label">ต้นทุนฮาร์ดแวร์ ADK ลดลง</span></div><div class="stat-item"><span class="stat-number">30%</span><span class="stat-label">ต้นทุนการดำเนินงานลดลง</span></div><div class="stat-item"><span class="stat-number">10%</span><span class="stat-label">การใช้พลังงานลดลง</span></div></div><p>ด้านอุปกรณ์ขับเคลื่อนอัตโนมัติเกรดรถยนต์ (ADK) ประกอบด้วยไลดาร์ (lidars) 9 ตัว เรดาร์คลื่นมิลลิเมตร 3 ตัว และกล้อง 13 ตัว ซึ่งช่วยให้รถสามารถรับรู้สภาพแวดล้อมรอบคันได้แบบ 360 องศาเต็มรูปแบบ โดยในแง่ของค่าใช้จ่ายด้านฮาร์ดแวร์ปรับตัวลดลงอย่างมาก ต้นทุนวัตถุดิบ (BOM) สำหรับ Gen-4 ADK ลดลง 70% เมื่อเทียบกับรุ่นก่อนหน้า และต้นทุนการดำเนินงานด้านการขนส่งต่อตัน-กิโลเมตรคาดว่าจะลดลง 30%</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/pony_ai_l4_4_mu2xwvyq_inline_1_9d682c5be4.jpg" alt="commercial electric truck sensors lidar technology" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><p>ประสิทธิภาพการใช้พลังงานถูกยกระดับควบคู่ไปกับการปรับแต่งหลักอากาศพลศาสตร์ (Aerodynamics) อัลกอริทึมการควบคุมของ Pony.ai ทำงานร่วมกับสัมประสิทธิ์แรงเสียดทาน (Cd) 0.4 ของห้องโดยสาร T9 เพื่อช่วยลดการใช้พลังงานลง 10% เมื่อเทียบกับรถบรรทุกขนส่งทั่วไป นอกจากนี้ Robotruck เจเนอเรชัน 4 ยังใช้ตัวควบคุมโดเมนกลางร่วมกับแท็กซี่ไร้คนขับ (Robotaxis) เจเนอเรชันที่ 7 ของบริษัท โดยรันซอฟต์แวร์ Virtual Driver ที่ใช้ร่วมกัน</p><blockquote class="pull-quote"><p>&quot;การเปิดตัวรถบรรทุกหนักไร้คนขับ T9 ทั่วโลกกับ GAC Commercial Vehicle นับเป็นอีกก้าวสำคัญในการเร่งรัดการผลิตและการใช้งานเชิงพาณิชย์ของ Robotruck&quot;</p><cite>He Xing, รองประธานของ Pony.ai และหัวหน้าฝ่ายธุรกิจ Robotruck</cite></blockquote><p>วิศวกรได้ทำการจับคู่ชุดซอฟต์แวร์เข้ากับแชสซีส์แบบ drive-by-wire ของ GAC Commercial Vehicle โดยตรง เพื่อการปฏิบัติการไร้คนขับที่น่าเชื่อถือ ระบบสำรองฮาร์ดแวร์เต็มรูปแบบจึงถูกบูรณาการเข้าไว้ด้วยกัน ทั้งในส่วนของพวงมาลัย ระบบเบรก แหล่งจ่ายไฟ ระบบประมวลผล เซ็นเซอร์ และการสื่อสาร การพัฒนานี้เริ่มต้นจากข้อตกลงเชิงกลยุทธ์ที่ลงนามเมื่อวันที่ 16 เมษายน โดยพาร์ทเนอร์ทั้งสองใช้เวลาตรวจสอบความถูกต้องของยานพาหนะเพียง 5 เดือนจนกระทั่งพร้อมเข้าสู่กระบวนการผลิต</p><div class="ai-insight"><p>การพัฒนารถบรรทุกไร้คนขับระดับ L4 สำหรับการขนส่งสินค้านี้สะท้อนให้เห็นถึงแนวโน้มการนำเทคโนโลยีปัญญาประดิษฐ์ทางกายภาพ (Physical AI) มาประยุกต์ใช้ในภาคอุตสาหกรรมหนักและการขนส่งโลจิสติกส์ข้ามพรมแดน การแชร์แพลตฟอร์มซอฟต์แวร์ร่วมกันระหว่างรถแท็กซี่ไร้คนขับและรถบรรทุกขนาดใหญ่ช่วยให้บริษัทสามารถลดต้นทุนการพัฒนาและเพิ่มความเสถียรของระบบได้อย่างรวดเร็ว ซึ่งเป็นก้าวสำคัญในการแก้ปัญหาขาดแคลนแรงงานและลดต้นทุนเชื้อเพลิงในระยะยาว</p></div><p>Pony.ai เริ่มต้นพัฒนาการขนส่งสินค้าอัตโนมัติมาตั้งแต่ปี 2018 โดยสร้างพอร์ตโฟลิโอฝูงบินครอบคลุมทั้งแพลตฟอร์มสำหรับงานหนักและงานเบา โปรแกรมโลจิสติกส์เชิงพาณิชย์ของบริษัทครอบคลุมตั้งแต่การขนส่งสินค้าเทกอง โลจิสติกส์ท่าเรือ การจัดส่งในเขตเมือง และการขนส่งสินค้าระยะไกล หลังจากสายการผลิตในประเทศรอบแรกเริ่มขึ้นในปีนี้ บริษัทมีแผนที่จะขยายการดำเนินงาน Robotruck ไปยังตลาดยุโรปและตะวันออกกลางภายในสองปีข้างหน้า โดยอาศัยฐานรากที่มีอยู่เดิมจากการดำเนินงาน Robotaxi ในสหรัฐอาหรับ emirates, กาตาร์, โครเอเชีย, ลักเซมเบิร์ก, สิงคโปร์ และเกาหลีใต้</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=www.artificialintelligence-news.com&sz=64" alt="AI News" class="source-logo" width="16" height="16" /> <a href="https://www.artificialintelligence-news.com/news/pony-ai-autonomous-electric-truck-for-logistics-fleets/" target="_blank" rel="noopener noreferrer">AI News</a></p>

<div class="key-takeaways"><ul><li>Pony.ai and GAC Commercial Vehicle launched the Gen-4 Level 4 autonomous heavy truck</li><li>Debuted at IAA Transportation 2026 with mass production starting later this year</li><li>Bill-of-materials cost for the ADK hardware decreased by 70% compared to the previous version</li><li>Features 360-degree sensor coverage and targets expansion into European and Middle Eastern markets</li></ul></div><p>Pony.ai has unveiled an autonomous electric truck designed for logistics fleets, developed in collaboration with GAC Commercial Vehicle to transform freight supply chains.</p><p>Showcased at IAA Transportation 2026, this Level 4 (L4) heavy rig represents the fourth-generation (Gen-4) iteration of Pony.ai’s Robotruck platform. It builds upon GAC Commercial Vehicle’s T9 battery-electric truck architecture, with mass production scheduled to kick off later this year. Initial deployment routes will target long-haul freight, dedicated logistics corridors, and port transport operations.</p><p>He Xing, VP of Pony.ai and Head of its Robotruck business, stated that the global debut of the T9 autonomous heavy-duty truck with GAC Commercial Vehicle marks another critical step in accelerating mass production and commercial deployment. He noted that the company will deepen collaboration to bring jointly-developed autonomous trucking solutions to global markets.</p><div class="stat-row"><div class="stat-item"><span class="stat-number">70%</span><span class="stat-label">ADK hardware cost reduction</span></div><div class="stat-item"><span class="stat-number">30%</span><span class="stat-label">Operating cost reduction</span></div><div class="stat-item"><span class="stat-number">10%</span><span class="stat-label">Energy consumption decrease</span></div></div><p>An automotive-grade autonomous driving kit (ADK) equips the vehicle with nine lidars, three millimetre-wave radars, and 13 cameras, providing complete 360-degree sensing around the truck. Hardware expenses have plummeted, with the bill-of-materials cost for the Gen-4 ADK down 70 percent compared with the previous iteration, while transportation operating costs per ton-kilometre are projected to fall by 30 percent.</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/pony_ai_l4_4_mu2xwvyq_inline_1_9d682c5be4.jpg" alt="commercial electric truck sensors lidar technology" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><p>Energy efficiency is further enhanced by aerodynamic refinements. Pony.ai’s control algorithms work alongside the T9 cab’s 0.4 drag coefficient (Cd) to cut energy consumption by 10 percent compared to conventional haulage trucks. Furthermore, the Gen-4 Robotruck shares its central domain controller with Pony.ai’s seventh-generation robotaxis, running the company’s unified Virtual Driver software.</p><blockquote class="pull-quote"><p>&quot;The global debut of the T9 autonomous heavy-duty truck with GAC Commercial Vehicle marks another important step in accelerating the mass production and commercial deployment of Pony.ai’s Robotrucks.&quot;</p><cite>He Xing, VP of Pony.ai and Head of Robotruck Business</cite></blockquote><p>Engineers paired the software stack directly with GAC Commercial Vehicle’s drive-by-wire chassis. To ensure reliable driverless operation, full hardware backups are integrated across steering, braking, power supply, computing, sensors, and communications. Development stemmed from a strategic agreement signed on April 16, with both partners completing vehicle validation in five months.</p><div class="ai-insight"><p>The introduction of this L4 autonomous truck highlights the rapid maturation of physical AI applications within heavy industry and long-haul logistics. By sharing a unified core software architecture with passenger robotaxis, Pony.ai can streamline development cycles and enhance system reliability, addressing critical driver shortages and operational overhead in commercial transport.</p></div><p>Pony.ai has pursued autonomous trucking development since 2018, building a versatile portfolio across heavy- and light-duty platforms. Following initial domestic production this year, the company plans to expand Robotruck operations into European and Middle Eastern markets over the next two years, leveraging footholds established by its robotaxi deployments across the UAE, Qatar, Croatia, Luxembourg, Singapore, and South Korea.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=www.artificialintelligence-news.com&sz=64" alt="AI News" class="source-logo" width="16" height="16" /> <a href="https://www.artificialintelligence-news.com/news/pony-ai-autonomous-electric-truck-for-logistics-fleets/" target="_blank" rel="noopener noreferrer">AI News</a></p>

medium_pony-ai-เปิดตัวรถบรรทุกไฟฟ้าไร้ขับ-l4-เจเนอเรชัน-4-mu2xwvyq.jpg

small_pony-ai-เปิดตัวรถบรรทุกไฟฟ้าไร้ขับ-l4-เจเนอเรชัน-4-mu2xwvyq.jpg

thumbnail_pony-ai-เปิดตัวรถบรรทุกไฟฟ้าไร้ขับ-l4-เจเนอเรชัน-4-mu2xwvyq.jpg

pony-ai-เปิดตัวรถบรรทุกไฟฟ้าไร้ขับ-l4-เจเนอเรชัน-4-mu2xwvyq.jpg

Pony.ai และ GAC Commercial Vehicle เปิดตัวรถบรรทุกไร้คนขับ Gen-4 ระดับ L4 ที่งาน IAA Transportation 2026 พร้อมต้นทุนฮาร์ดแวร์ลดลง 70%

Pony.ai and GAC Commercial Vehicle debuted the Gen-4 Level 4 autonomous truck at IAA Transportation 2026, cutting hardware costs by 70%.

Pony.ai เปิดตัวรถบรรทุกไฟฟ้าไร้ขับ L4 เจเนอเรชัน 4

Pony.ai unveils autonomous electric truck for logistics fleets

<div class="key-takeaways"><ul><li>Arm เปิดตัว Total Design สำหรับ Physical AI และกรอบการทำงานหุ่นยนต์ใหม่</li><li>ตั้งเป้าแก้ปัญหาความกระจัดกระจายทางวิศวกรรมในภาคอุตสาหกรรมกายภาพ</li><li>ดึงกว่า 80 พันธมิตรร่วมสร้างมาตรฐานกลาง รวมถึง AWS, Hugging Face และ Siemens</li><li>นำเสนอ Robotics Capability Framework จัดระดับความสามารถหุ่นยนต์คล้าย SAE Levels</li></ul></div><p>Arm ได้เปิดตัวโครงการ Arm Total Design สำหรับ Physical AI พร้อมกับกรอบการทำงานด้านหุ่นยนต์ชุดใหม่ เพื่อสร้างมาตรฐานกลางให้กับระบบอัตโนมัติในอุตสาหกรรมต่างๆ เช่น เหมืองแร่ เกษตรกรรม การผลิต และการขนส่งทั่วโลก ซึ่งเป็นภาคส่วนที่มีกิจกรรมทางเศรษฐกิจมูลค่าหลายล้านล้านดอลลาร์ และคาดว่าจะมีโอกาสด้านการประมวลผลสูงถึง 200,000 ล้านดอลลาร์ต่อปีภายในทศวรรษ 2030</p><p>เพื่อแก้ไขปัญหาความกระจัดกระจายทางวิศวกรรมในภาคส่วนเหล่านี้ Arm จึงได้รวบรวมองค์กรพันธมิตรกว่า 80 ราย ครอบคลุมทั้งซอฟต์แวร์ ฮาร์ดแวร์ และปัญญาประดิษฐ์ โดยมีผู้เข้าร่วมระยะเริ่มต้นเช่น AWS, ECARX, Hugging Face, Liquid AI, NXP, PlusAI, PSYONIC, QNX, Qwen, Siemens และ Unitree Robotics โครงการนี้มุ่งเน้นไปที่ระบบกายภาพที่ผสมผสานโมเดล AI ซอฟต์แวร์รันไทม์ ชิปประมวลผล เซ็นเซอร์ และตัวกระตุ้น เพื่อทำหน้าที่รับรู้ ให้เหตุผล และปฏิบัติการในสภาพแวดล้อมจริง</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/arm_total_design_physical_ai_mtsxy705_inline_1_53c3db4d0c.png" alt="artificial intelligence hardware server room no logo" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><div class="stat-row"><div class="stat-item"><span class="stat-number">$200B</span><span class="stat-label">โอกาสการประมวลผลต่อปีภายในปี 2030</span></div><div class="stat-item"><span class="stat-number">80+</span><span class="stat-label">พันธมิตรที่เข้าร่วมในระยะเริ่มต้น</span></div></div><p>ตามบันทึกทางสถาปัตยกรรมที่เผยแพร่โดย Richard Grisenthwaite สถาปนิกหลักของ Arm ระบุว่า ปัจจุบันอุตสาหกรรมหุ่นยนต์ยังขาดวิธีการกลางในการอธิบาย เปรียบเทียบ และสื่อสารความสามารถของระบบ ซึ่งความกระจัดกระจายนี้ทำให้การออกแบบ การบูรณาการ และการขยายขนาดของระบบหุ่นยนต์ทำได้ยากขึ้นในระดับอุตสาหกรรม</p><p>เพื่อตอบสนองต่อปัญหานี้ Arm จึงได้แนะนำ Robotics Capability Framework เพื่อใช้เป็นจุดเริ่มต้นในการสร้างคำศัพท์ทางเทคนิคที่ใช้ร่วมกัน โดยอิงตามระดับ SAE Levels ที่ใช้ในการขับขี่อัตโนมัติ ซึ่งกรอบการทำงานใหม่นี้จะจัดหมวดหมู่ระบบหุ่นยนต์ตามระดับความซับซ้อนในการปฏิบัติงานที่ก้าวหน้าขึ้น ตั้งแต่ระบบปฏิกิริยา ไปจนถึงระบบที่มีความตระหนักรู้บริบท มีความเป็น cognitiva และปรับปรุงตัวเองได้</p><blockquote class="pull-quote"><p>"หุ่นยนต์ปัจจุบันยังขาดวิธีกลางในการอธิบาย เปรียบเทียบ และสื่อสารความสามารถของระบบ ซึ่งทำให้ระบบหุ่นยนต์ยากต่อการออกแบบ บูรณาการ และขยายขนาด"</p><cite>Richard Grisenthwaite, สถาปนิกหลักของ Arm</cite></blockquote><div class="ai-insight"><p>การที่ Arm เข้ามาผลักดันมาตรฐานกลางในกลุ่ม Physical AI และหุ่นยนต์ถือเป็นก้าวสำคัญที่จะช่วยลดอุปสรรคในการพัฒนาเชิงวิศวกรรม เนื่องจากที่ผ่านมานักพัฒนาซอฟต์แวร์และผู้ผลิตฮาร์ดแวร์มักต้องเผชิญกับปัญหาการทำงานร่วมกันข้ามแพลตฟอร์ม การมีกรอบการทำงานอย่าง Robotics Capability Framework จึงเปรียบเสมือนการวางรากฐานทางภาษากลางที่ช่วยให้ทุกฝ่ายอ้างอิงเกณฑ์ความปลอดภัยและประสิทธิภาพร่วมกันได้ง่ายขึ้น</p></div><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/arm_total_design_physical_ai_mtsxy705_inline_2_13757d194e.jpg" alt="autonomous robotics industrial manufacturing facility" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><p>นอกจากนี้ Arm ยังได้ขยายโครงสร้างการพัฒนาแบบร่วมมือที่เคยใช้ในโครงสร้างพื้นฐานคลาวด์ AI มาสู่ Physical AI โดยนำโมเดล AI แพลตฟอร์มเสมือน ดิจิทัลทวิน เซ็นเซอร์ ชิปประมวลผล และสแต็คซอฟต์แวร์มารวมกัน เพื่อช่วยให้วงจรการพัฒนาและการทดสอบรวดเร็วยิ่งขึ้น พร้อมทั้งเปิดรับการมีส่วนร่วมทางเทคนิคเพิ่มเติมจากชุมชนวิศวกรรมเพื่อขยายขอบเขตของกรอบการทำงานต่อไป</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=www.artificialintelligence-news.com&sz=64" alt="AI News" class="source-logo" width="16" height="16" /> <a href="https://www.artificialintelligence-news.com/news/arm-total-design-for-physical-ai-and-robotics-framework/" target="_blank" rel="noopener noreferrer">AI News</a></p>

<div class="key-takeaways"><ul><li>Arm launches Total Design for Physical AI and a new robotics framework</li><li>Aims to address engineering fragmentation across physical industries</li><li>Convenes over 80 partners including AWS, Hugging Face, and Siemens</li><li>Introduces Robotics Capability Framework patterned after SAE Levels</li></ul></div><p>Arm has launched Arm Total Design for Physical AI alongside a new robotics framework designed to establish common standards across automated systems. Physical industries spanning mining, agriculture, manufacturing, and global transport account for trillions of dollars in economic activity, with an estimated compute opportunity reaching 200 billion dollars annually by the 2030s.</p><p>To overcome engineering fragmentation across these sectors, Arm is convening more than 80 partner organizations representing software, hardware, and artificial intelligence. Initial participants in the ecosystem include AWS, ECARX, Hugging Face, Liquid AI, NXP, PlusAI, PSYONIC, QNX, Qwen, Siemens, and Unitree Robotics. The initiative focuses on physical systems combining AI models, runtime software, compute silicon, sensors, and actuators to operate within real-world environments.</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/arm_total_design_physical_ai_mtsxy705_inline_1_53c3db4d0c.png" alt="artificial intelligence hardware server room no logo" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><div class="stat-row"><div class="stat-item"><span class="stat-number">$200B</span><span class="stat-label">Annual compute opportunity by the 2030s</span></div><div class="stat-item"><span class="stat-number">80+</span><span class="stat-label">Initial participating partner organizations</span></div></div><p>According to an architectural manifesto published by Arm chief architect Richard Grisenthwaite, robotics currently lacks a common method to describe, compare, and communicate system capabilities. This fragmentation makes robotic systems significantly harder to design, integrate, and scale across industrial deployments.</p><p>In response, Arm has introduced the Robotics Capability Framework as a collaborative starting point for a shared technical vocabulary, patterned after the SAE Levels used for driving automation. The new framework categorizes robotic systems across progressing tiers of operational sophistication, mapping machines from reactive setups to context-aware, cognitive, and self-improving systems.</p><blockquote class="pull-quote"><p>"Robotics currently lacks a common method to describe, compare, and communicate system capabilities. This fragmentation makes robotic systems harder to design, integrate, and scale across industrial deployments."</p><cite>Richard Grisenthwaite, Chief Architect at Arm</cite></blockquote><div class="ai-insight"><p>Arm's initiative to standardize physical AI and robotics represents a crucial shift in addressing hardware-software integration challenges. By providing a structured taxonomy similar to automotive driving levels, developers can better align safety standards, compute constraints, and system latency across diverse industrial deployments.</p></div><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/arm_total_design_physical_ai_mtsxy705_inline_2_13757d194e.jpg" alt="autonomous robotics industrial manufacturing facility" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><p>Arm Total Design for Physical AI extends collaborative development structures previously utilized in cloud AI infrastructure, bringing together AI models, virtual platforms, digital twins, sensors, compute silicon, and software stacks to accelerate testing cycles. Arm is currently inviting further technical contributions from the wider engineering community to expand the framework as implementations progress.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=www.artificialintelligence-news.com&sz=64" alt="AI News" class="source-logo" width="16" height="16" /> <a href="https://www.artificialintelligence-news.com/news/arm-total-design-for-physical-ai-and-robotics-framework/" target="_blank" rel="noopener noreferrer">AI News</a></p>

medium_arm-เปิดตัวโครงการ-total-design-สำหรับ-physical-ai-และหุ่นยนต์-mtsxy705.jpg

small_arm-เปิดตัวโครงการ-total-design-สำหรับ-physical-ai-และหุ่นยนต์-mtsxy705.jpg

thumbnail_arm-เปิดตัวโครงการ-total-design-สำหรับ-physical-ai-และหุ่นยนต์-mtsxy705.jpg

arm-เปิดตัวโครงการ-total-design-สำหรับ-physical-ai-และหุ่นยนต์-mtsxy705.jpg

Arm เปิดตัว Arm Total Design สำหรับ Physical AI และกรอบการทำงานด้านหุ่นยนต์ พร้อมดึงพันธมิตรมากกว่า 80 องค์กรเข้าร่วมเพื่อสร้างมาตรฐานกลาง

Arm introduces Arm Total Design for Physical AI and a new robotics framework, partnering with over 80 organizations to establish common industry standards.

Arm เปิดตัวโครงการ Total Design สำหรับ Physical AI และหุ่นยนต์

Arm launches Total Design for Physical AI and robotics

<div class="key-takeaways"><ul><li>หน่วยธุรกิจ Physical AI ของ XPENG ระดมทุนรอบใหม่ได้มากกว่า 900 ล้านดอลลาร์</li><li>มูลค่าประเมินของธุรกิจหุ่นยนต์พุ่งแตะ 6.3 พันล้านดอลลาร์สหรัฐ</li><li>เตรียมเดินหน้าผลิตหุ่นยนต์ IRON จำนวนมากภายในสิ้นปี 2026</li><li>IDG Capital เป็นผู้นำการระดมทุน พร้อมด้วย Tencent และ Alibaba ร่วมลงทุน</li></ul></div><p>หน่วยธุรกิจ Physical AI ของบริษัทรถยนต์ไฟฟ้าสัญชาติจีนอย่าง XPENG สามารถปิดดีลระดมทุนรอบใหม่ด้วยวงเงินมากกว่า 900 ล้านดอลลาร์สหรัฐ โดยมีการประเมินมูลค่าธุรกิจหุ่นยนต์สูงถึง 6.3 พันล้านดอลลาร์ การระดมทุนครั้งนี้เกิดขึ้นผ่านสัญญาซื้อขายหุ้นกับกลุ่มนักลงทุนหลายราย และถือเป็นการระดมทุนภาคเอกชนในอุตสาหกรรม Physical AI ของประเทศจีนที่ใหญ่ที่สุดเป็นประวัติการณ์ ทั้งในแง่ของวงเงินที่ระดมได้และมูลค่ากิจการหลังการประเมิน</p><p>เฮียะ เสี่ยวเผิง ประธานและซีอีโอของ XPENG ระบุว่า ตลอดช่วง 12 ปีที่ผ่านมา บริษัทมุ่งเน้นการวิจัยและพัฒนาแบบครบวงจรด้วยตนเองมาโดยตลอด เพื่อวางรากฐานทางเทคโนโลยีที่แข็งแกร่งสำหรับยุค Physical AI ซึ่งครอบคลุมตั้งแต่โมดูลพื้นฐานในโลกกายภาพ ชิปประมวลผล Turing AI ไปจนถึงโครงสร้างพื้นฐานด้านปัญญาประดิษฐ์</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/xpeng_iron_ai_900_6_3_mt7i3tne_inline_1_cd6510b84c.jpg" alt="humanoid robot hardware engineering" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><p>นักลงทุนรายใหญ่ที่เข้ามานำการระดมทุนรอบนี้คือ IDG Capital ร่วมด้วย Gaorong Ventures ขณะที่บริษัทยักษ์ใหญ่ด้านเทคโนโลยีอย่าง Tencent และ Alibaba เข้ามาเป็นนักลงทุนเชิงกลยุทธ์ ภายหลังการปิดดีลนี้ XPENG จะยังคงถือหุ้นและมีอำนาจควบคุมเสียงส่วนใหญ่ในธุรกิจหุ่นยนต์เช่นเดิม โดยหน่วยธุรกิจดังกล่าวจะถูกควบรวมอยู่ในงบการเงินของกลุ่มบริษัทต่อไป</p><div class="stat-row"><div class="stat-item"><span class="stat-number">900ล้าน$</span><span class="stat-label">ทุนระดมรอบใหม่</span></div><div class="stat-item"><span class="stat-number">6.3พันล้าน$</span><span class="stat-label">มูลค่ากิจการหุ่นยนต์</span></div><div class="stat-item"><span class="stat-number">2,250</span><span class="stat-label">TOPS พลังประมวลผล</span></div></div><p>เงินทุนที่ได้รับจะถูกนำไปใช้สำหรับการลงทุนระยะยาวในการพัฒนาเทคโนโลยี Physical AI แบบครบวงจร รวมถึงการเสริมสร้างระบบแรงจูงใจสำหรับพนักงานระดับบริหารและทีมงานด้านหุ่นยนต์ นอกจากนี้ บริษัทจะจัดสรรงบไปกับการวิจัยและพัฒนาทั้งฮาร์ดแวร์และซอฟต์แวร์ การฝึกอบรมโมเดล AI การสร้างข้อมูลคุณภาพสูง ตลอดจนการสร้างโรงงานผลิตจำนวนมากแบบครบวงจร และการขยายตลาดเชิงพาณิชย์นอกประเทศจีน</p><blockquote class="pull-quote"><p>&ldquo;ความมุ่งหวังของเราคือการทำให้ IRON กลายเป็นพันธมิตรที่ไว้วางใจได้สำหรับมนุษย์ และเป็นส่วนสำคัญในชีวิตและการทำงานประจำวัน&rdquo;</p><cite>เฮียะ เสี่ยวเผิง</cite></blockquote><div class="ai-insight"><p>การรุกคืบเข้าสู่ตลาดหุ่นยนต์ฮิวแมนนอยด์ของ XPENG สะท้อนให้เห็นกลยุทธ์การขยายขอบเขตธุรกิจยานยนต์ไฟฟ้าไปสู่เทคโนโลยีปัญญาประดิษฐ์เชิงกายภาพ (Physical AI) โดยอาศัยห่วงโซ่อุปทานและมาตรฐานการผลิตระดับอุตสาหกรรมยานยนต์มาปรับใช้ ซึ่งช่วยลดต้นทุนและเร่งความเร็วในการพัฒนาฮาร์ดแวร์ให้เข้าสู่ตลาดเชิงพาณิชย์ได้รวดเร็วยิ่งขึ้น ท่ามกลางการแข่งขันที่ดุเดือดในตลาดรถยนต์ไฟฟ้าปัจจุบัน</p></div><p>หัวใจสำคัญของกลยุทธ์นี้คือหุ่นยนต์ IRON ซึ่งออกแบบโครงสร้างตาข่ายความยืดหยุ่นแบบปิดที่บริษัทพัฒนาขึ้นเอง มีองศาการเคลื่อนไหวร่างกายรวม 76 องศา และที่มือข้างละ 21 องศา ด้านพลังการประมวลผลใช้ชิป Turing AI จำนวน 3 ตัว ให้พลังประมวลผลรวมสูงสุด 2,250 TOPS ทำให้สามารถรันโมเดล AI พื้นฐานบนตัวหุ่นยนต์ได้โดยตรง ทั้งนี้ XPENG วางแผนเริ่มผลิตหุ่นยนต์ IRON จำนวนมากภายในสิ้นปี 2026 โดยจะนำไปใช้งานจริงในร้านค้าและสำนักงานของบริษัทก่อนเริ่มส่งมอบให้ลูกค้าทั้งในจีนและต่างประเทศในปี 2027</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=www.artificialintelligence-news.com&sz=64" alt="AI News" class="source-logo" width="16" height="16" /> <a href="https://www.artificialintelligence-news.com/news/xpeng-iron-humanoid-robot-draws-record-physical-ai-funding/" target="_blank" rel="noopener noreferrer">AI News</a></p>

<div class="key-takeaways"><ul><li>XPENG's physical AI unit secures over $900 million in a new funding round</li><li>Robotics business valuation reaches $6.3 billion following the share purchase agreements</li><li>IRON humanoid robot slated to enter mass production by the end of 2026</li><li>IDG Capital leads the financing round alongside strategic backers Tencent and Alibaba</li></ul></div><p>XPENG's physical AI division has successfully secured over $900 million in a fresh funding round, valuing its robotics business at $6.3 billion. The Chinese electric vehicle manufacturer announced the milestone through share purchase agreements with various institutional investors, marking the largest single-round private capital raise in China's physical AI sector in terms of both funds raised and resulting valuation.</p><p>He Xiaopeng, Chairman and CEO of XPENG, noted that over the past 12 years, the company has maintained a strong commitment to full-stack in-house research and development. This approach has established a robust technological foundation spanning physical world foundation models, Turing AI chips, and underlying AI infrastructure.</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/xpeng_iron_ai_900_6_3_mt7i3tne_inline_1_cd6510b84c.jpg" alt="humanoid robot hardware engineering" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><p>IDG Capital spearheaded the financing round, with participation from Gaorong Ventures. Prominent tech giants Tencent and Alibaba also joined the round as strategic investors. Once the transaction concludes, XPENG will retain controlling ownership of the robotics business, which will remain fully consolidated within the group's financial statements.</p><div class="stat-row"><div class="stat-item"><span class="stat-number">$900M</span><span class="stat-label">New Funding Raised</span></div><div class="stat-item"><span class="stat-number">$6.3B</span><span class="stat-label">Robotics Valuation</span></div><div class="stat-item"><span class="stat-number">2,250</span><span class="stat-label">TOPS Computing Power</span></div></div><p>The fresh capital will fuel long-term investments in full-stack physical AI development and enhance incentive structures for senior executives and staff members working on robotics. Additional funds are designated for software and hardware R&amp;D, AI model training, high-quality data generation, the creation of end-to-end mass production facilities, and commercial expansion outside China.</p><blockquote class="pull-quote"><p>&ldquo;Our ambition is for IRON to become a trusted partner for people and a meaningful part of everyday work and life.&rdquo;</p><cite>He Xiaopeng</cite></blockquote><div class="ai-insight"><p>XPENG's strategic expansion into humanoid robotics highlights a broader industry trend where electric vehicle manufacturers leverage their automotive manufacturing expertise, supply chains, and semiconductor investments to accelerate physical AI development. By applying automotive-grade quality standards and mass-production processes to robotics, companies aim to achieve commercial viability much faster than traditional standalone robotics startups.</p></div><p>At the center of this strategy is the IRON humanoid robot, featuring an in-house-designed flexible lattice structure, 76 degrees of freedom across its body, and 21 degrees in each hand. Powered by three proprietary Turing AI chips delivering up to 2,250 TOPS of effective computing power, IRON runs its physical AI foundation model locally with low inference latency. XPENG plans to initiate mass production by the end of 2026, deploying units internally before commencing customer deliveries in China and overseas markets in 2027.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=www.artificialintelligence-news.com&sz=64" alt="AI News" class="source-logo" width="16" height="16" /> <a href="https://www.artificialintelligence-news.com/news/xpeng-iron-humanoid-robot-draws-record-physical-ai-funding/" target="_blank" rel="noopener noreferrer">AI News</a></p>

medium_xpeng-iron-ระดมทุน-ai-กว่า-900-ล้านดอลลาร์-มูลค่าบริษัท-6-3-พันล้าน-mt7i3tne.jpg

small_xpeng-iron-ระดมทุน-ai-กว่า-900-ล้านดอลลาร์-มูลค่าบริษัท-6-3-พันล้าน-mt7i3tne.jpg

thumbnail_xpeng-iron-ระดมทุน-ai-กว่า-900-ล้านดอลลาร์-มูลค่าบริษัท-6-3-พันล้าน-mt7i3tne.jpg

xpeng-iron-ระดมทุน-ai-กว่า-900-ล้านดอลลาร์-มูลค่าบริษัท-6-3-พันล้าน-mt7i3tne.jpg

XPENG คว้นทุนก้อนใหญ่กว่า 900 ล้านดอลลาร์เพื่อผลักดันหุ่นยนต์มนุษย์ IRON สู่สายการผลิตจริงภายในสิ้นปี 2026 ท่ามกลางมูลค่ากิจการพุ่งแตะ 6.3 พันล้านดอลลาร์

XPENG secures over $900 million at a $6.3 billion valuation to scale its IRON humanoid robot platform toward mass production by late 2026.

XPENG IRON ระดมทุน AI กว่า 900 ล้านดอลลาร์ มูลค่าบริษัท 6.3 พันล้าน

XPENG IRON humanoid robot draws record physical AI funding

<div class="key-takeaways"><ul><li>Gemini Robotics 2 ควบคุมหุ่นยนต์ตั้งแต่เท้าถึงปลายนิ้วและแขนคู่</li><li>โมเดล ER 2 ทำหน้าที่เป็นสมองกลระดับสูงด้วยพื้นฐานจาก Gemini 3.5 Flash</li><li>โมเดล On-Device 2 ออกแบบมาให้รันในตัวเครื่องหุ่นยนต์ได้โดยตรง</li><li>รองรับการทำงานร่วมกันของหุ่นยนต์ต่างรูปแบบเพื่อส่งมอบงานต่อกัน</li></ul></div><p>วงการหุ่นยนต์ในปัจจุบันมักถูกจำกัดด้วยการตั้งโปรแกรมล่วงหน้าหรือการควบคุมระยะไกลสำหรับงานซ้ำๆ ที่แคบ ซึ่งไม่สามารถปรับตัวเข้ากับสภาพแวดล้อมที่คาดเดาไม่ได้และทักษะมักไม่ถ่ายโอนข้ามร่างหุ่นยนต์ ตัวโมเดล Gemini Robotics 2 จึงเข้ามาแก้ไขข้อจำกัดทั้งสามนี้พร้อมกัน โดยทำหน้าที่แปลงข้อมูลภาพและภาษาให้กลายเป็นคำสั่งควบคุมมอเตอร์ สามารถขับเคลื่อนหุ่นยนต์ฮิวแมนนอยด์เต็มรูปแบบตั้งแต่เท้าจรดปลายนิ้ว รวมถึงหุ่นยนต์สองแขน และยังจัดการการหยิบจับที่ละเอียดอ่อนทั้งบนมือหลายนิ้วและกริปเปอร์แบบขนาน</p><p>ในส่วนของสมองกลระดับสูงคือ Gemini Robotics ER 2 ซึ่งเป็นโมเดลวิสัยทัศน์และภาษา (VLM) ที่สื่อสารกับมนุษย์ เข้าใจโลกกายภาพ และวางแผนงานหลายขั้นตอนที่กินเวลาหลายนาที อ้างอิงจากเอกสารโมเดลระบุว่า ER 2 พัฒนาบนพื้นฐานของ Gemini 3.5 Flash รองรับข้อความ ภาพ วิดีโอ และเสียงสลับกันด้วยหน้าต่างบริบทสูงสุด 128k และส่งออกข้อความได้สูงสุด 64K โทเค็น</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/google_deepmind_physical_ai_ms7s920g_inline_1_e7a521ed2e.jpg" alt="robot hand manipulation dexterity" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><p>สำหรับการออกแบบระบบจะมีการแบ่งหน้าที่อย่างชัดเจน โดย ER 2 จะวางแผนและติดตามงาน จากนั้นส่งมอบการทำงานของมอเตอร์ให้กับ VLA ที่ถูกประกาศเป็นเครื่องมือ นักพัฒนาสามารถลงทะเบียนอินเทอร์เฟซการควบคุมระดับต่ำ เช่น โมเดล VLA หรือ API การนำทาง เป็นเครื่องมือที่เรียกใช้งานได้ จากนั้นสตรีมวิดีโอ เสียง หรือข้อความหลายรูปแบบเข้าสู่โมเดลโดยตรง</p><div class="stat-row"><div class="stat-item"><span class="stat-number">91.3%</span><span class="stat-label">ความแม่นยำในการระบุช่วงเวลาสำคัญของ ER 2</span></div><div class="stat-item"><span class="stat-number">0.96s</span><span class="stat-label">ระยะเวลาความคลาดเคลื่อนเฉลี่ย</span></div></div><p>ด้านความสามารถในการรับรู้ความคืบหน้าของงาน ER 2 ทำคะแนนความแม่นยำได้ 57.4% ในการจัดหมวดหมู่เฟรมวิดีโอออกเป็นห้าะดับความคืบหน้า และยังทำความแม่นยำได้ถึง 91.3% ด้วยความคลาดเคลื่อนเฉลี่ย 0.96 วินาทีในการระบุเฟรมที่เกิดเหตุการณ์สำคัญ เช่น จังหวะที่ควรหยุดเทกาแฟลงในแก้ว ซึ่งทาง Google DeepMind รายงานว่าแข่งขันได้อย่างใกล้ชิดกับโมเดลขนาดใหญ่กว่าในความเร็วการทำงานที่สูงกว่าถึง 4 เท่า</p><blockquote class="pull-quote"><p>"Google DeepMind is direct about the remaining gap. It states that its robots have more to advance in movement speed."</p><cite>Google DeepMind</cite></blockquote><div class="ai-insight"><p>การเปิดตัวชุดโมเดล Gemini Robotics 2 สะท้อนถึงทิศทางของวงการ AI ที่พยายามเชื่อมโยง "สมอง" เข้ากับ "ร่างกาย" ของหุ่นยนต์อย่างแท้จริง การแยกส่วนประมวลผลการคิดระดับสูงออกจากระบบควบคุมมอเตอร์ช่วยให้หุ่นยนต์มีความยืดหยุ่นสูง เหมือนกับการที่มนุษย์ใช้ความคิดวางแผนล่วงหน้าก่อนจะสั่งการให้กล้ามเนื้อเคลื่อนไหว ซึ่งจะช่วยลดข้อจำกัดเดิมๆ ที่หุ่นยนต์ต้องถูกตั้งโปรแกรมเฉพาะกิจสำหรับงานเดียวเท่านั้น</p></div><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/google_deepmind_physical_ai_ms7s920g_inline_2_1c83e5676a.jpg" alt="robot arm automation factory" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><p>นอกจากนี้ยังมี Gemini Robotics On-Device 2 ซึ่งเป็น VLA ที่มีประสิทธิภาพสูงและปรับแต่งให้รันในเครื่องหุ่นยนต์ได้โดยตรงเพื่อแก้ปัญหาความหน่วงของเครือข่าย โดยสร้างขึ้นบนเทคโนโลยี Gemini Robotics 1.5 และโมเดล Gemma ของ Google รับอินพุตเป็นข้อความ ภาพ และค่าการรับรู้ภายในของหุ่นยนต์ พร้อมส่งออกการกระทำเป็นค่าตัวเลข</p><p>โมเดลใหม่นี้ยังเปิดประตูสู่การทำงานร่วมกันระหว่างหุ่นยนต์ต่างรูปแบบ เช่น การจับคู่หุ่นยนต์ Apptronik Apollo 2 เข้ากับ Franka F3 Duo เพื่อให้หุ่นยนต์แต่ละประเภทที่เหมาะกับงานต่างกันสามารถสื่อสารและส่งมอบงานย่อยให้กันได้อย่างราบรื่นผ่านความเข้าใจเชิงความหมายที่แชร์ร่วมกัน</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/07/30/google-deepmind-gemini-robotics-2-whole-body-control-dexterity-multi-robot-collaboration/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

<div class="key-takeaways"><ul><li>Gemini Robotics 2 controls humanoids from feet to fingertips and dual arms</li><li>ER 2 acts as a high-level brain built upon Gemini 3.5 Flash</li><li>On-Device 2 is optimized to run locally on robotic hardware</li><li>Enables seamless collaboration between different robot embodiments</li></ul></div><p>Most robots today remain constrained by pre-programmed routines or tele-operation designed for narrow, repetitive tasks, struggling to adapt in unpredictable environments or transfer skills across robot bodies. Gemini Robotics 2 directly targets all three limitations at once by converting vision and language inputs into precise motor control. It drives full humanoids from feet to fingertips, operates bi-arm robots, and handles dexterous manipulation using multi-finger hands as well as parallel grippers.</p><p>Acting as the high-level brain is Gemini Robotics ER 2, an embodied reasoning model built on vision-language technology. According to its model card, ER 2 is based on Gemini 3.5 Flash, accepting interleaved text, image, video, and audio with a context window of up to 128k while outputting text up to 64K tokens to communicate with humans and plan multi-minute tasks.</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/google_deepmind_physical_ai_ms7s920g_inline_1_e7a521ed2e.jpg" alt="robot hand manipulation dexterity" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><p>System design relies on a clear division of labor where ER 2 plans and tracks tasks, subsequently delegating motor execution to a VLA declared as a tool. Developers can register low-level control interfaces—such as VLA models or navigation APIs—as callable tools, streaming multimodal video, audio, or text directly into the framework.</p><div class="stat-row"><div class="stat-item"><span class="stat-number">91.3%</span><span class="stat-label">ER 2 accuracy in identifying critical event frames</span></div><div class="stat-item"><span class="stat-number">0.96s</span><span class="stat-label">Mean absolute distance error</span></div></div><p>Regarding task progress tracking, ER 2 achieves 57.4% accuracy when classifying video frames into five progress levels. It reaches 91.3% accuracy with a 0.96-second mean absolute distance when determining the exact frame for critical events, such as knowing precisely when to stop pouring coffee into a cup—competing closely with much larger model categories at four times the execution speed, as reported by Google DeepMind.</p><blockquote class="pull-quote"><p>"Google DeepMind is direct about the remaining gap. It states that its robots have more to advance in movement speed."</p><cite>Google DeepMind</cite></blockquote><div class="ai-insight"><p>The introduction of the Gemini Robotics 2 suite illustrates a pivotal shift in physical AI toward closely coupling cognitive reasoning with physical actuation. By decoupling high-level task planning from low-level motor execution, these models grant robots unprecedented adaptability, mirroring how humans conceptualize goals before engaging muscle movements to overcome traditional rigid programming boundaries.</p></div><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/google_deepmind_physical_ai_ms7s920g_inline_2_1c83e5676a.jpg" alt="robot arm automation factory" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><p>Furthermore, Gemini Robotics On-Device 2 is an efficient VLA optimized to execute locally on robots, bypassing network latency and connectivity constraints. Built on Gemini Robotics 1.5 and Google's on-device Gemma models, it processes text, images, and robot proprioception as numerical values to output direct mechanical actions.</p><p>The framework also pioneers multi-robot collaboration by allowing distinct robot embodiments—such as Apptronik's Apollo 2 paired with a Franka F3 Duo—to communicate through a shared semantic understanding and seamlessly hand off subtasks depending on terrain and operational strengths.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/07/30/google-deepmind-gemini-robotics-2-whole-body-control-dexterity-multi-robot-collaboration/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

medium_google-deepmind-physical-ai-ms7s920g.jpg

small_google-deepmind-physical-ai-ms7s920g.jpg

thumbnail_google-deepmind-physical-ai-ms7s920g.jpg

google-deepmind-physical-ai-ms7s920g.jpg

ก้าวสำคัญของหุ่นยนต์อัจฉริยะที่ผสานการควบคุมร่างกายทั้งหมด ทักษะการหยิบจับละเอียดอ่อน และการทำงานร่วมกันหลายตัวผ่าน Gemini Robotics 2

A major leap in robotic intelligence combining whole-body control, dexterous manipulation, and multi-robot collaboration via Gemini Robotics 2.

Google DeepMind เปิดตัวโมเดล Physical AI สามตัวใหม่สำหรับควบคุมหุ่นยนต์เต็มรูปแบบ

Google DeepMind Ships Three Physical AI Models For Whole Body Control

<div class="key-takeaways"><ul><li>Encord ทดลองใช้เฮดเซตวัดคลื่นสมองขณะมนุษย์ควบคุมหุ่นยนต์ฝึกงานฝีมือ</li><li>ความขาดแคลนข้อมูลฝึกอบรมในโลกจริงกำลังเป็นอุปสรรคสำคัญกว่าสถาปัตยกรรมโมเดล</li><li>นอกเหนือจากคลื่นสมอง ยังมีการใช้เซนเซอร์ตรวจจับสัญญาณไฟฟ้าที่แขนเพื่อสร้างภาพจำลอง 3 มิติ</li><li>ทีมนักบินหุ่นยนต์ราวสิบกว่าคนในซานลีแอนโดรช่วยสร้างชุดข้อมูลงานบ้านและงานอุตสาหกรรม</li></ul></div><p>ที่โกดังสินค้าแห่งหนึ่งในเมืองซานลีแอนโดร รัฐแคลิฟอร์เนีย แนวหน้าของเทคโนโลยี Physical AI กำลังถูกขับเคลื่อนด้วยเกมตึกถล่ม (Jenga) ที่จำลองการทำงานจริง สถานที่แห่งนี้ดำเนินการโดย Encord ซึ่งปกติเป็นผู้พัฒนาเครื่องมือจัดการข้อมูลสำหรับฝึกโมเดล AI แต่ปัจจุบันพวกเขากำลังผันตัวมาสร้างชุดข้อมูลขึ้นมาเองเพื่อแก้ไขปัญหาการขาดแคลนข้อมูลในโลกจริงสำหรับหุ่นยนต์ฮิวแมนอยด์และหุ่นยนต์คลังสินค้า</p><p>แอนดรูว์ เซชา (Andrew Ceja) ทำหน้าที่เป็นนักบิน หรือคำที่บริษัทใช้เรียกผู้ฝึกสอนหุ่นยนต์ เขากำลังค่อยๆ ดึงบล็อกไม้ออกจากหอนาฬิกาไม้ที่กำลังจะพังทลาย ขณะสวมเฮดเซตพิเศษที่มีกล้องบันทึกสิ่งที่เขามองเห็น จุดที่น่าสนใจคือเฮดเซตตัวนี้ยังติดตั้งเซนเซอร์สำหรับวัดคลื่นสมองของเขาในระหว่างที่กำลังถอดหอนบล็อกไม้นี้ด้วย</p><p>ลูคัส เกห์รเคอ (Lucas Gehrke) นักประสาทวิทยาจากซานเดอร์ผู้ควบคุมดูแลงานชี้ว่า ปริมาณกิจกรรมทางสมองที่ถูกใช้งานในช่วงเวลาใดเวลาหนึ่งของงาน สามารถช่วยให้ผู้พัฒนาโมเดลทราบได้ว่าพวกเขาควรจะเรียกใช้งานโมเดลที่ใช้กำลังประมวลผลสูงที่สุดเมื่อใด</p><p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/physical_ai_ms2j80f9_inline_1_178b78edb2.jpg" alt="robotics laboratory warehouse pilot workspace" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div></p><p>ปัจจุบันบริษัทที่พัฒนาสมองหุ่นยนต์พึ่งพาแหล่งข้อมูลหลักสองทาง ได้แก่ วิดีโอแบบมุมมองบุคคลที่หนึ่ง (Egocentric video) ที่บันทึกโดยคนงานสวมกล้อง และการเก็บข้อมูลจากหุ่นยนต์ที่ถูกควบคุมจากระยะไกล Encord เองก็ทำทั้งสองอย่าง โดยดึงข้อมูลจากโรงงานหลายแห่งทั่วโลก และใช้สถานที่ในซานลีแอนโดรทดลองวิธีการใหม่ๆ เช่น การใช้คลื่นสมอง หรือรวบรวมชุดข้อมูลเกี่ยวกับทักษะเฉพาะด้านเพื่อการปรับแต่งโมเดล (Fine-tuning)</p><p>ในตอนที่ทีมงาน TechCrunch เข้าเยี่ยมชม เหล่านักบินกำลังใช้ชุดควบคุมแบบผู้นำและผู้ตาม ซึ่งเป็นแขนกลคู่ที่ควบคุมโดยมนุษย์โดยตรงเพื่อจำลองการเคลื่อนไหว สำหรับสร้างข้อมูลงานต่างๆ เช่น การรินกาแฟจากกาลง 7 ในแก้ว และการซ้อนชิปโป๊กเกอร์ โดยเวลมูรูกัน (Velmurugan) ผู้บริหารกล่าวว่าบริษัทสร้างหุ่นยนต์ฮิวแมนอยด์ทุกแห่งต่างก็เคยร้องขอข้อมูลลักษณะนี้ทั้งสิ้น</p><div class="ai-insight"><p>การที่สตาร์ทอัพอย่าง Encord หันมาให้ความสำคัญกับการผลิตข้อมูลฝึกอบรม (Data manufacturing) สะท้อนให้เห็นว่าความท้าทายหลักของหุ่นยนต์ฮิวแมนอยด์ในปัจจุบันไม่ใช่เรื่องของอัลกอริทึมสมองกลอีกต่อไป แต่เป็นการขาดแคลนชุดข้อมูลการกระทำของมนุษย์ในสภาพแวดล้อมจริงที่มีความซับซ้อนสูง การนำคลื่นสมองและสัญญาณไฟฟ้ากล้ามเนื้อมาใช้ จึงเป็นความพยายามก้าวข้ามข้อจำกัดของการมองเห็นด้วยกล้องแบบเดิมๆ เพื่อให้หุ่นยนต์เข้าใจระดับความยากและน้ำหนักของงานได้ใกล้เคียงกับมนุษย์มากที่สุด</p></div><p>ภายในชั้นวางของยังมีสิ่งของจำลองที่ใช้ฝึกหุ่นยนต์ทำงานบ้าน เช่น แจกันดอกไม้ปลอม หนังสือ ผักพลาสติก ถาดทรายแมวพร้อมที่ตัก รวมถึงมัดสายไฟต่างๆ ที่สถานีทดลองอีกแห่งหนึ่ง โซเฟีย อินฟันเต (Sofia Infante) นักบินอีกคนกำลังบังคับแขนกลเพื่อเสียบและถอดสายอีเทอร์เน็ตที่ด้านหลังเซิร์ฟเวอร์ ซึ่งเป็นงานที่ผู้ดูแลดาต้าเซ็นเตอร์ต้องการให้ระบบอัตโนมัติเข้ามาจัดการ หากหุ่นยนต์มีความแม่นยำสูงเพียงพอ</p><p><blockquote class="pull-quote"><p>"ทุกบริษัทหุ่นยนต์ฮิวแมนอยด์เคยขอชิ้นส่วนข้อมูลเหล่านี้จากเรา"</p><cite>เวลมูรูกัน</cite></blockquote></p><p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/physical_ai_ms2j80f9_inline_2_01087479d1.jpg" alt="robotic arms server cables testing facility" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div></p><p>นอกเหนือจากคลื่นสมองแล้ว Encord ยังพัฒนาข้อมูลอีกรูปแบบหนึ่งโดยใช้เซนเซอร์รัดที่แขนท่อนล่างเพื่อตรวจจับสัญญาณไฟฟ้าในกล้ามเนื้อ เนื่องจากวิดีโอทั่วไปมักไม่สามารถจับภาพมือทั้งหมดได้อย่างละเอียด เวลมูรูกันจึงหวังว่าจะสามารถสร้างภาพจำลองแบบ 3 มิติของตำแหน่งมือมนุษย์จากเซนเซอร์ที่แขน เพื่อให้โมเดลมีความเข้าใจที่แน่นหนายิ่งขึ้น ความพยายามเหล่านี้ทำให้นักบินราวสิบกว่าคนในfacility ของ Encord มีงานต้องทำอย่างต่อเนื่อง โดยทั้งอินฟันเตและเซชาต่างเคยทำงานที่ Scale ซึ่งเป็นบริษัททำป้ายกำกับข้อมูล AI อีกแห่งหนึ่งก่อนจะย้ายมาร่วมงานกับ Encord</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=techcrunch.com&sz=64" alt="TechCrunch" class="source-logo" width="16" height="16" /> <a href="https://techcrunch.com/2026/07/26/are-brain-waves-the-next-unlock-for-physical-ai/" target="_blank" rel="noopener noreferrer">TechCrunch</a></p>

<div class="key-takeaways"><ul><li>Encord uses a headset to measure brain waves while human operators train robotic arms.</li><li>The scarcity of real-world training data is proving to be a bigger bottleneck than model architecture.</li><li>Arm sensors detecting electrical muscle signals are also being used to build 3D hand representations.</li><li>A dozen robotic pilots in San Leandro are generating specialized datasets for household and industrial tasks.</li></ul></div><p>At a warehouse in San Leandro, California, the cutting edge of physical AI is being tested through a game of Jenga. The facility is operated by Encord, a company that builds data tooling for training AI models, but they are now branching out from managing existing data to manufacturing the data that robotics companies desperately lack for humanoids and warehouse machines.</p><p>Andrew Ceja serves as a pilot—the company's designation for its robotic trainers—carefully extracting wooden blocks from a wobbling tower while wearing a headset equipped with a camera. Crucially, this headset also includes sensors that measure his brain waves as he disassembles the block tower.</p><p>Lucas Gehrke, a Zander neuroscientist supervising the operation, explains that the amount of brain activity expended during any specific task offers vital clues for model builders trying to determine when to deploy their highest-effort models.</p><p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/physical_ai_ms2j80f9_inline_1_178b78edb2.jpg" alt="robotics laboratory warehouse pilot workspace" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div></p><p>Companies building robot brains currently rely on two primary sources: egocentric video captured by workers wearing cameras, and data collected from remotely operated robots. Encord utilizes both, drawing egocentric data from factories worldwide while using its San Leandro location to experiment with new modalities like brain waves and gather datasets for fine-tuning specific skills.</p><p>During TechCrunch's visit, pilots were operating leader-follower rigs—paired robotic arms where one is directly controlled by a human to mimic movements—to generate data for tasks such as pouring coffee and stacking poker chips. "Every humanoid company has asked us for these pieces," noted Velmurugan.</p><div class="ai-insight"><p>Startups like Encord pivoting toward data manufacturing highlights a fundamental shift in robotics: the primary constraint is no longer the neural network architecture, but the severe shortage of real-world human demonstration data. Incorporating brain waves and muscle telemetry represents an ambitious effort to bypass the limitations of standard camera vision, helping models better understand the cognitive load, precision, and physical nuances of human labor.</p></div><p>Storage racks at the facility contained fake flowers in vases, books, plastic vegetables, and kitty litter trays, representing the everyday inventory needed to train manipulators for domestic chores. At one station, another pilot, Sofia Infante, maneuvered robotic arms to plug and unplug ethernet cables from the back of a server rack—a repetitive task data center operators would love to automate if robots possessed sufficient dexterity.</p><p><blockquote class="pull-quote"><p>"Every humanoid company has asked us for these pieces."</p><cite>Velmurugan</cite></blockquote></p><p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/physical_ai_ms2j80f9_inline_2_01087479d1.jpg" alt="robotic arms server cables testing facility" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div></p><p>In addition to neural activity, Encord is developing another modality using forearm straps packed with sensors to detect electrical signals in muscles. Because standard video often fails to capture the full dexterity of human hands, Velmurugan hopes to construct precise 3D depictions of hand positioning from the arm sensors. This gives models a much more robust understanding of physical manipulation, keeping Encord's dozen or so pilots—including former Scale employees Infante and Ceja—fully occupied.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=techcrunch.com&sz=64" alt="TechCrunch" class="source-logo" width="16" height="16" /> <a href="https://techcrunch.com/2026/07/26/are-brain-waves-the-next-unlock-for-physical-ai/" target="_blank" rel="noopener noreferrer">TechCrunch</a></p>

medium_physical-ai-ms2j80f9.jpg

small_physical-ai-ms2j80f9.jpg

thumbnail_physical-ai-ms2j80f9.jpg

physical-ai-ms2j80f9.jpg

บริษัท Encord กำลังทดลองใช้เซนเซอร์วัดคลื่นสมองและสัญญาณกล้ามเนื้อ เพื่อแก้ปัญหาการขาดแคลนข้อมูลฝึกอบรมหุ่นยนต์ฮิวแมนอยด์

Encord is experimenting with brainwave sensors and muscle signals to tackle the shortage of training data for humanoid robots.

คลื่นสมองคือกุญแจดอกถัดไปของ Physical AI จริงหรือ?

Are brain waves the next unlock for physical AI?

Inewgen

Inewgen

#Physical AI

Pony.ai เปิดตัวรถบรรทุกไฟฟ้าไร้ขับ L4 เจเนอเรชัน 4

Inewgen

Arm เปิดตัวโครงการ Total Design สำหรับ Physical AI และหุ่นยนต์

Inewgen

XPENG IRON ระดมทุน AI กว่า 900 ล้านดอลลาร์ มูลค่าบริษัท 6.3 พันล้าน

Inewgen

Google DeepMind เปิดตัวโมเดล Physical AI สามตัวใหม่สำหรับควบคุมหุ่นยนต์เต็มรูปแบบ

Inewgen

คลื่นสมองคือกุญแจดอกถัดไปของ Physical AI จริงหรือ?

Inewgen