Embodied AI Menghubungkan Kecerdasan dengan Tindakan

Pendekatan tersebut dikenal sebagai embodied AI, yaitu pengembangan kecerdasan yang berinteraksi dengan dunia fisik melalui tubuh dan sensor. Tujuannya adalah membantu robot memahami lingkungan, mempelajari keterampilan, serta menyesuaikan tindakan. Sebagai contoh, mengambil kotak kaku berbeda dengan memegang kabel lentur. Robot perlu mempertimbangkan bentuk benda, posisi, dan respons saat menyentuhnya. Karena itu, kemampuan menghasilkan jawaban seperti chatbot belum cukup untuk menjalankan pekerjaan fisik. Mesin juga harus mengubah informasi menjadi gerakan yang tepat. Meski arah pengembangannya menjanjikan, kemampuan beradaptasi tetap memiliki batas. Robot yang berhasil menjalankan satu tugas belum tentu langsung mampu menangani semua pekerjaan lainnya.

Perangkat Lunak Membuka Peluang Bisnis Berbeda

Penurunan harga komponen membuat produsen perlu mencari pembeda yang lebih sulit ditiru. Salah satu peluangnya adalah perangkat lunak yang meningkatkan kegunaan robot setelah perangkat keras tersedia. Misalnya, sistem yang lebih mudah mempelajari tugas dapat membantu mengurangi penyesuaian untuk setiap pelanggan. Namun, anggapan bahwa keuntungan akan sepenuhnya berpindah ke perangkat lunak masih merupakan pandangan industri. Kualitas motor, sensor, baterai, dan layanan perawatan tetap berpengaruh. Sebuah sistem cerdas juga membutuhkan tubuh yang andal untuk menjalankan instruksi. Oleh sebab itu, nilai bisnis kemungkinan tumbuh dari perpaduan keduanya: perangkat keras yang sesuai kebutuhan dan kecerdasan yang membuatnya produktif.

Baca Juga : OJK Ungkap Sanksi Pasar Modal, Denda hingga Triliunan Rupiah

China Mengandalkan Kedekatan dengan Industri Manufaktur

Pengembang China melihat jaringan manufaktur sebagai salah satu modal persaingan. Kedekatan dengan produsen robot dan pelanggan industri membuka kesempatan untuk menguji sistem pada pekerjaan nyata. Selanjutnya, hasil pengujian dapat membantu tim memperbaiki model maupun rancangan mesin. Siklus tersebut penting karena kondisi pabrik tidak selalu menyerupai laboratorium. Posisi barang bisa berubah, pencahayaan berbeda, dan material memiliki karakter tersendiri. Sementara itu, pengembang Amerika Serikat dinilai kuat dalam penelitian AI serta akses terhadap komputasi berperforma tinggi. Perbedaan modal ini membuat persaingan menarik. Keunggulan akhirnya bergantung pada kemampuan mengubah penelitian menjadi sistem yang benar-benar berguna bagi pengguna.

Pendanaan Besar Mengiringi Harapan terhadap Robot Cerdas

Data pendanaan yang menyertai perkembangan ini menunjukkan besarnya minat investor. Perusahaan embodied AI di China disebut menghimpun 93,5 miliar yuan melalui 322 kesepakatan pada paruh pertama 2026. Nilainya dilaporkan sekitar lima kali lipat dibandingkan periode yang sama tahun sebelumnya. Selain produsen mesin, perusahaan rintisan pengembang kecerdasan robot ikut menarik perhatian. Meski demikian, besarnya pendanaan belum membuktikan keberhasilan komersial. Dana tersebut masih harus diterjemahkan menjadi penelitian, pengujian, dan layanan yang dibutuhkan pelanggan. Dari sudut pandang bisnis, ukuran berikutnya lebih konkret: apakah robot mampu menghemat waktu, menjaga kualitas pekerjaan, dan memberikan manfaat yang sebanding dengan biaya penggunaannya?

Belajar dari Demonstrasi Menjadi Arah Pengembangan

Sejumlah pengembang berupaya membuat robot mempelajari keterampilan melalui contoh singkat. Pendekatan ini berpotensi mengurangi kebutuhan pemrograman terperinci untuk setiap tugas. X Square, misalnya, mempublikasikan penelitian mengenai pembelajaran keterampilan penanganan benda melalui video demonstrasi manusia. Sementara itu, pengembang lain juga mengejar kemampuan menggunakan keterampilan pada tugas baru dengan penyesuaian lebih sedikit. Namun, hasil dalam penelitian perlu dibaca sesuai kondisi pengujiannya. Keberhasilan memindahkan benda tertentu tidak otomatis berlaku untuk semua bentuk dan lingkungan. Hal yang paling menentukan adalah konsistensi ketika kondisi berubah. Karena itu, kemampuan belajar cepat perlu berjalan bersama ketepatan, keselamatan, dan keandalan gerakan.

Data Gerakan Manusia Menjadi Bahan Pelatihan

Berbeda dari chatbot yang banyak belajar melalui teks, robot membutuhkan contoh interaksi fisik. Data tersebut mencakup cara menjangkau benda, mengatur genggaman, hingga menyesuaikan gerakan setelah terjadi kontak. Untuk mengumpulkannya, perusahaan menggunakan demonstrasi manusia, pengendalian robot jarak jauh, serta simulasi komputer. Spirit AI disebut melibatkan sekitar 1.000 orang untuk merekam aktivitas sehari-hari dan pekerjaan industri. Adapun ACE Robotics menggunakan sensor tubuh untuk menangkap gerakan dan kekuatan genggaman. Setiap pendekatan memiliki tantangan tersendiri. Rekaman nyata menawarkan konteks langsung, sedangkan simulasi memungkinkan pengujian berulang. Namun, banyaknya data tetap harus diimbangi kualitas dan kesesuaian dengan tugas yang dituju.

Satu Sistem untuk Beragam Robot Masih Menantang

Target jangka panjang industri ini adalah menciptakan sistem AI yang dapat digunakan pada berbagai bentuk robot. Robbyant, unit robotika Ant Group, menyatakan telah melatih perangkat lunaknya menggunakan 20 konfigurasi robot dari 17 merek. Perusahaan itu juga menyebut penggunaan 160.000 jam materi pelatihan. Pendekatan tersebut mencoba mengatasi persoalan penting: keterampilan pada satu mesin belum tentu mudah dipindahkan ke mesin lain. Panjang lengan, susunan sensor, dan bentuk penjepit dapat berbeda. Akibatnya, sistem perlu menyesuaikan cara bertindak tanpa kehilangan tujuan pekerjaan. Apabila tantangan ini teratasi, pelanggan berpotensi memperoleh pilihan perangkat yang lebih luas tanpa selalu membangun kecerdasan dari awal.

Penerapan Nyata Tetap Membutuhkan Pengawasan Manusia

Penggunaan robot untuk menangani pesanan di dua apotek Shanghai memberikan gambaran penerapan awal teknologi ini. Menurut keterangan Robbyant, staf manusia tetap memeriksa obat sebelum pesanan dikirimkan. Pembagian tugas tersebut menunjukkan bahwa otomatisasi dapat berlangsung bertahap. Robot membantu pekerjaan tertentu, sementara manusia menangani pemeriksaan yang membutuhkan tanggung jawab langsung. Dalam praktiknya, manfaat sistem tidak hanya bergantung pada kecepatan bergerak. Ketepatan pengambilan barang, kemampuan mengenali kesalahan, dan prosedur penanganan gangguan juga penting. Oleh karena itu, contoh penggunaan awal sebaiknya dilihat sebagai proses pembuktian. Keberhasilan di lokasi terbatas masih perlu diuji sebelum diperluas ke lingkungan berbeda.

Keandalan Akan Menentukan Nilai Otak AI Robot Humanoid

Persaingan otak AI robot humanoid kini bergerak menuju pertanyaan yang lebih praktis: seberapa baik mesin bekerja ketika keadaan tidak sesuai rencana? Demonstrasi singkat dapat menunjukkan potensi, tetapi pelanggan membutuhkan hasil yang konsisten sepanjang kegiatan operasional. Untuk mencapainya, pengembang menggabungkan model lebih efisien, data sintetis, simulasi, dan pengalaman lapangan. Meski demikian, belum ada dasar untuk menganggap satu pendekatan sudah menyelesaikan seluruh tantangan. Bagi pengguna industri, ukuran keberhasilan tetap sederhana: pekerjaan selesai dengan tepat, gangguan dapat ditangani, dan biaya masuk akal. Robot yang memenuhi kebutuhan tersebut memiliki peluang lebih besar untuk bertahan melampaui antusiasme terhadap teknologi baru.

The post Robot Humanoid China Makin Canggih, Persaingan Beralih ke Otak AI appeared first on Fakta Sehari.