ประกอบแขนกล AI สั่งด้วยเสียง รันออฟไลน์ 100% บน MacBook Air!

Wassup ชาว Maker ทุกคน! 🚀 เวลาเราเห็นคลิปหุ่นยนต์ล้ำๆ ในเน็ตที่สั่งงานด้วยเสียงให้หยิบจับของได้ ส่วนใหญ่มันมักจะแอบต่อเน็ตส่งข้อมูลไปประมวลผลบนเซิร์ฟเวอร์ Cloud GPU ใหญ่ๆ ทั้งนั้นแหละครับ ลองถอดสายแลนออกสิ... หุ่นยนต์พวกนั้นก็กลายเป็นแค่เศษเหล็กทันที!

แต่วันนี้แอดมินขอป้ายยาโปรเจกต์โคตรตึงจากนักพัฒนาต่างประเทศ ที่พิสูจน์ให้เห็นว่า "เราสามารถสร้างแขนกล AI สั่งด้วยเสียงแบบ ออฟไลน์ 100% (Local AI) ได้ โดยใช้แค่ MacBook Air เครื่องเดียว!" ไม่ต้องต่อเน็ต ไม่ต้องง้อการ์ดจอ NVIDIA ใหญ่ๆ ก็สั่งหุ่นยนต์ให้หยิบของส่งใส่มือเราได้แบบหล่อๆ เลยครับ!

ฮาร์ดแวร์บนโต๊ะ: เล็กแต่แจ๋ว 🛠️

โปรเจกต์นี้ไม่ได้ใช้หุ่นยนต์ฮิวแมนนอยด์ตัวละล้านนะครับ แต่ใช้ของที่จับต้องได้จริง:

• แขนกล: Elephant Robotics myCobot 280 M5 แขนกล 6 แกนตัวเล็กสุดคิวท์
• มือจับ: Suction Pump (ปั๊มดูดสุญญากาศ) เอาไว้ดูดจับก้อนสี่เหลี่ยมหรือบัตรเครดิต
• ตาของหุ่น: กล้องเว็บแคม USB 1080p ธรรมดาๆ ติดไว้บนคานมองลงมาที่พื้นโต๊ะ
• สมองสั่งการ: Apple MacBook Air M4 (ตัวตึงฝั่ง Apple Silicon)

ผ่าสมอง AI: ทำงานร่วมกัน 3 โมเดล 🧠

ความเจ๋งคือ MacBook เครื่องเดียว รันโมเดล AI (Open-source) ถึง 3 ตัวพร้อมกัน โดยใช้พลังของชิป Apple Silicon (MPS):

1. หู (Ears) - Nemotron-ASR: โมเดลแปลงเสียงพูดเป็นข้อความแบบ Real-time ขนาดเบาๆ แค่ 1GB
2. สมอง (Brain) - Qwen3-1.7B: โมเดลภาษา (LLM) ขนาดเล็ก 4GB คอยอ่านคำสั่งที่เราพูด แล้วแปลงเป็นแผนการทำงานแบบ JSON เช่น {"action": "pick_and_place", "source": "a green cube"}
3. ตา (Eyes) - OWLv2: โมเดลจับภาพวัตถุจาก Google ขนาด 600MB ตัวนี้ฉลาดมาก แค่พิมพ์บอกว่าให้หา "ลูกบาศก์สีเขียว" หรือ "มือคน" มันก็ตีกรอบวัตถุในกล้องให้เลย โดยไม่ต้องไปเทรนรูปภาพใหม่!

ทุกอย่างนี้ใช้แรมไปแค่ 6 GB เท่านั้น! แถมใช้ไฟแค่ 15-20W ยกไปนั่งรันโชว์ในร้านกาแฟได้สบายๆ เลยครับ!

มุมมองจากตากล้อง (OWLv2 Model) ที่ตีกรอบจับพิกัดก้อนสีต่างๆ และมือคนบนโต๊ะ

เบื้องหลังการจัดโต๊ะง่ายๆ มีแขนกล กล้องเว็บแคมห้อยอยู่ด้านบน และเสียบเข้า Mac เครื่องเดียวจบ!