Robot AI dan AI Fisik: Era baru otomatisasi cerdas

Otomasi: Mengapa AI Fisik akan mengendalikan pabrik masa depan – dan mengubah industri Anda

Kecerdasan buatan berada di titik balik yang fundamental. Setelah puluhan tahun sistem AI beroperasi terutama di lingkungan digital seperti analisis data atau pembuatan konten, teknologi ini kini meninggalkan ruang virtualnya dan semakin memanifestasikan dirinya dalam realitas fisik. Transisi menuju apa yang disebut AI Fisik – kecerdasan yang diwujudkan – ini tidak hanya menandai lompatan teknologi tetapi juga berpotensi mengawali revolusi industri berikutnya, karena algoritma abstrak menjadi sistem yang bertindak dan berinteraksi langsung dengan dunia tiga dimensi kita.

Dimensi ekonomi dari transformasi ini sungguh menakjubkan: Pasar global untuk AI fisik diproyeksikan tumbuh dari sekitar $5,41 miliar pada tahun 2025 menjadi $61,19 miliar pada tahun 2034. Sejalan dengan itu, seluruh lanskap AI berkembang dengan momentum yang sama, menandakan pergeseran struktural yang mendalam dalam cara bisnis, industri, dan masyarakat berinteraksi dengan otomatisasi dan kecerdasan di masa depan.

Namun, AI Fisik lebih dari sekadar implementasi algoritma pada robot. Sementara AI robot klasik seringkali bergantung pada sistem kaku yang diprogram untuk tugas-tugas tertentu, AI Fisik merepresentasikan pendekatan holistik. AI Fisik didasarkan pada model-model dasar yang dapat digeneralisasikan yang mengembangkan pengetahuan fundamental tentang dunia dan memungkinkan pemahaman yang komprehensif tentang lingkungan – sebuah perkembangan yang mengarah dari arsitektur cloud terpusat ke AI edge yang terdesentralisasi dan dikendalikan secara lokal.

Sistem generasi baru ini, yang sering disebut sebagai AI Fisik Otonom atau AI Terwujud, melampaui batasan AI digital dengan menjembatani kesenjangan digital-fisik melalui jaringan sensor canggih, pemrosesan waktu nyata, dan kemampuan pengambilan keputusan otonom. Intinya, tujuannya adalah mengembangkan mesin yang tidak hanya menjalankan perintah tetapi juga memahami dunia nyata dan dapat merespons tantangan tak terduga secara fleksibel—mulai dari kendali otonom robot humanoid di pabrik hingga teknologi pertanian presisi di lapangan. Perkembangan ini didorong secara signifikan oleh Model Visi-Bahasa-Aksi (VLA) dan simulasi berbasis fisika dalam kembaran digital, yang memungkinkan pembuatan data yang bebas risiko dan terukur untuk melatih sistem robotik ini.

Ketika mesin belajar berpikir dan menyentuh dunia – mengapa penggabungan digital dan fisik mengantarkan revolusi industri berikutnya

Perkembangan kecerdasan buatan telah mencapai titik balik yang krusial. Setelah puluhan tahun sistem AI beroperasi secara eksklusif di ranah digital, terbatas pada pemrosesan data dan pembuatan teks, gambar, atau analisis, transformasi fundamental kini sedang berlangsung. Kecerdasan buatan meninggalkan ruang virtualnya dan semakin memanifestasikan dirinya dalam realitas fisik. Perkembangan ini menandai transisi dari kecerdasan digital murni menuju kecerdasan yang terwujud, dari algoritma abstrak menuju sistem yang dapat bertindak langsung dan mengintervensi dunia tiga dimensi kita.

Prakiraan pasar dan dimensi ekonomi

Pasar global untuk AI fisik dengan gamblang menunjukkan skala transformasi ini. Dengan nilai $5,41 miliar pada tahun 2025, pasar ini diperkirakan akan tumbuh menjadi $61,19 miliar pada tahun 2034, dengan tingkat pertumbuhan tahunan rata-rata sebesar 31,26 persen. Analis lain memprediksi pertumbuhan yang lebih dinamis, dengan perkiraan berkisar antara $3,78 miliar pada tahun 2024 hingga $67,91 miliar pada tahun 2034, yang setara dengan tingkat pertumbuhan tahunan sebesar 33,49 persen. Angka-angka yang mengesankan ini tidak hanya mencerminkan tren teknologi, tetapi juga menandakan pergeseran struktural dalam cara bisnis, industri, dan masyarakat berinteraksi dengan otomatisasi dan kecerdasan.

Sejalan dengan itu, pasar sistem AI otonom juga berkembang dengan momentum yang serupa. Lanskap AI otonom global diproyeksikan tumbuh sebesar $18,4 miliar antara tahun 2025 dan 2029, dengan tingkat pertumbuhan tahunan rata-rata sebesar 32,4 persen. Proyeksi untuk pasar kecerdasan buatan secara keseluruhan menggambarkan gambaran yang lebih luas: dari $294,16 miliar pada tahun 2025 menjadi $1.771,62 miliar pada tahun 2033. Angka-angka ini menunjukkan bahwa AI bukan lagi sekadar alat untuk mengoptimalkan proses yang ada, tetapi sedang berkembang menjadi pendorong fundamental transformasi ekonomi.

Dari awan ke tepi: Sebuah pergeseran paradigma

Perbedaan antara AI fisik dan AI robotik klasik tampak samar pada pandangan pertama, tetapi setelah diteliti lebih lanjut, terbukti menjadi paradigma untuk memahami revolusi teknologi saat ini. Kedua konsep beroperasi di persimpangan antara kecerdasan digital dan manifestasi fisik, tetapi pendekatan, kemampuan, dan potensinya berbeda secara fundamental. Sementara AI robotik tradisional bergantung pada sistem khusus yang diprogram untuk tugas-tugas tertentu, AI fisik merepresentasikan pendekatan holistik berdasarkan model dasar yang dapat digeneralisasi, yang memungkinkan persepsi fundamental tentang dunia dalam konteks fisik.

Konvergensi kedua jalur pengembangan ini menghasilkan generasi sistem baru yang dikenal sebagai AI Fisik Otonom. Sistem ini menggabungkan demokratisasi AI berkinerja tinggi melalui model sumber terbuka dengan integrasi kecerdasan buatan ke dalam sistem fisik yang dapat beroperasi secara otonom, terdesentralisasi, dan independen dari infrastruktur cloud terpusat. Perkembangan ini menandai pergeseran struktural dari arsitektur cloud terpusat menuju infrastruktur AI yang terdesentralisasi dan dikendalikan secara lokal.

Perbedaan konseptual dan landasannya

Membedakan antara AI fisik, AI robotik, dan konsep-konsep terkait memerlukan klarifikasi konseptual yang tepat, karena diskusi saat ini sering kali melibatkan pencampuran yang mempersulit pemahaman spesifikasi masing-masing. Landasan konseptual teknologi-teknologi ini berakar pada tradisi ilmiah yang berbeda dan, dalam beberapa kasus, memiliki tujuan yang berbeda pula.

Dalam pengertian klasiknya, AI robot mengacu pada implementasi kecerdasan buatan pada mesin fisik yang diprogram untuk melakukan tugas-tugas tertentu secara otomatis. Robot merepresentasikan perangkat kerasnya, yaitu mesin fisik beserta sensor, aktuator, dan komponen mekanisnya. AI berfungsi sebagai perangkat lunak berbasis algoritma dan pembelajaran mesin, yang memungkinkan pengambilan keputusan dan pemrosesan data secara otonom. Tidak seperti robot, AI sendiri tidak memiliki kehadiran fisik melainkan hanya hadir dalam bentuk perangkat lunak. Poin pentingnya adalah meskipun AI dapat diimplementasikan pada robot untuk meningkatkan kemampuannya, hal itu tidak wajib.

Batasan robotika industri klasik

Robot industri konvensional seringkali beroperasi sepenuhnya tanpa AI, menjalankan proses berulang melalui pemrograman titik-ke-titik yang kaku. Sistem ini adalah mesin yang bergerak dari satu titik ke titik lain, mematuhi perintah yang telah ditentukan sebelumnya tanpa dapat membuat interpretasinya sendiri. Hal ini membuat prosesnya kaku dan tidak fleksibel. Penggunaan kecerdasan buatan inilah yang akhirnya memungkinkan robot untuk menggunakan mata dalam bentuk kamera 3D, untuk "melihat" objek, dan memanfaatkan kecerdasan lokal untuk membuat rencana pergerakan mereka sendiri dan memanipulasi objek tanpa pemrograman titik-ke-titik yang presisi.

AI Fisik: Lebih dari sekadar pemrograman

AI Fisik jauh melampaui definisi ini secara konseptual. Istilah ini menggambarkan integrasi AI ke dalam sistem seperti mobil, drone, atau robot, yang memungkinkan AI berinteraksi dengan dunia fisik nyata. AI Fisik menggeser fokus dari otomatisasi tugas-tugas berulang ke otonomi sistem yang lebih besar. Hal ini membuka area aplikasi baru dan memperluas potensi pasar. AI Fisik mengacu pada sistem AI yang memahami dan berinteraksi dengan dunia nyata dengan memanfaatkan keterampilan motorik, yang sering ditemukan pada mesin otonom seperti robot, kendaraan self-driving, dan ruang pintar.

Berbeda dengan AI tradisional yang beroperasi sepenuhnya di ranah digital, AI Fisik menjembatani kesenjangan digital-fisik melalui jaringan sensor canggih, pemrosesan waktu nyata (real-time), dan kemampuan pengambilan keputusan otonom. Teknologi ini memungkinkan mesin untuk mengamati lingkungannya menggunakan sensor, memproses informasi ini dengan AI, dan menjalankan tindakan fisik melalui aktuator. Perbedaan mendasarnya terletak pada fakta bahwa AI Fisik terus-menerus mengumpulkan data dari lingkungan fisik melalui beberapa sensor secara bersamaan, sehingga mengembangkan pemahaman yang komprehensif tentang lingkungan tersebut.

AI yang diwujudkan: Kecerdasan melalui interaksi

AI yang diwujudkan, atau kecerdasan buatan, mengacu pada tren terbaru dalam penelitian AI yang mengikuti teori perwujudan. Teori ini menyatakan bahwa kecerdasan harus dipahami dalam konteks agen fisik yang berperilaku di dunia fisik dan sosial yang nyata. Tidak seperti pembelajaran mesin klasik dalam robotika, AI yang diwujudkan mencakup semua aspek interaksi dan pembelajaran dalam suatu lingkungan: mulai dari persepsi dan pemahaman hingga berpikir, merencanakan, dan pada akhirnya, eksekusi atau kendali.

Penelitian AI awal mengonseptualisasikan proses berpikir sebagai manipulasi simbol abstrak atau operasi komputasi. Fokusnya adalah pada algoritma dan program komputer, dengan perangkat keras yang mendasarinya dianggap sebagian besar tidak relevan. Rodney Brooks, seorang ilmuwan komputer dan ilmuwan kognitif Australia, adalah salah satu orang pertama yang secara fundamental menantang perspektif ini. Dalam kuliahnya yang berpengaruh, ia mengkritik praktik umum saat itu, yaitu mengembangkan sistem AI menggunakan pendekatan top-down yang berfokus pada emulasi kemampuan pemecahan masalah dan penalaran manusia.

Brooks berpendapat bahwa model kecerdasan yang dikembangkan dalam penelitian AI tradisional, yang sangat bergantung pada cara kerja komputer yang tersedia saat itu, hampir tidak memiliki kemiripan dengan modus operandi sistem biologis cerdas. Hal ini terbukti dari fakta bahwa sebagian besar aktivitas yang dilakukan manusia dalam kehidupan sehari-hari bukanlah pemecahan masalah maupun perencanaan, melainkan perilaku rutin dalam lingkungan yang relatif tenang, namun sangat dinamis. Sebagaimana pembelajaran manusia bergantung pada eksplorasi dan interaksi dengan lingkungan, agen yang berwujud harus menyempurnakan perilaku mereka melalui pengalaman.

AI yang diwujudkan melampaui batasan AI digital dengan berinteraksi dengan dunia nyata melalui sistem AI fisik. Tujuannya adalah menjembatani kesenjangan antara AI digital dan aplikasi dunia nyata. Bagi agen cerdas yang diwujudkan, struktur dan sifat fisiknya, kemampuan sensoriknya, serta kemungkinan tindakannya memainkan peran krusial. Kecerdasan tidak seharusnya berdiri sendiri, melainkan memanifestasikan dirinya melalui interaksi multimoda yang beragam dengan lingkungan.

Model generatif dan simulasi realitas

AI fisik generatif memperluas model AI generatif yang sudah ada dengan menambahkan kemampuan untuk memahami hubungan spasial dan proses fisik di dunia tiga dimensi kita. Perluasan ini dimungkinkan dengan mengintegrasikan data tambahan ke dalam proses pelatihan AI, yaitu data yang berisi informasi tentang struktur spasial dan hukum fisika dunia nyata. Model AI generatif, seperti model bahasa, dilatih dengan data teks dan gambar dalam jumlah besar dan mengesankan dengan kemampuannya untuk menghasilkan bahasa seperti manusia dan mengembangkan konsep abstrak. Namun, pemahaman mereka tentang dunia fisik dan aturan-aturannya terbatas; mereka kekurangan konteks spasial.

Pembuatan data berbasis fisika dimulai dengan penciptaan kembaran digital, seperti pabrik. Sensor dan mesin otonom seperti robot diintegrasikan ke dalam ruang virtual ini. Skenario dunia nyata kemudian dijalankan berdasarkan simulasi berbasis fisika, di mana sensor menangkap berbagai interaksi, seperti dinamika benda tegar (misalnya, gerakan dan tumbukan) atau interaksi cahaya dengan lingkungannya. Teknologi ini memberi penghargaan kepada model AI fisik atas keberhasilan menyelesaikan tugas dalam simulasi, memungkinkan mereka untuk terus beradaptasi dan berkembang.

Melalui pelatihan berulang, mesin otonom belajar beradaptasi dengan situasi baru dan tantangan tak terduga, mempersiapkan mereka untuk aplikasi dunia nyata. Seiring waktu, mereka mengembangkan keterampilan motorik halus yang canggih untuk penggunaan praktis seperti mengemas kotak dengan presisi, mendukung proses produksi, atau menavigasi lingkungan yang kompleks secara otonom. Hingga saat ini, mesin otonom belum mampu sepenuhnya memahami dan menafsirkan lingkungan sekitarnya. AI Fisik Generatif kini memungkinkan pengembangan dan pelatihan robot yang dapat berinteraksi secara mulus dengan dunia nyata dan beradaptasi secara fleksibel terhadap perubahan kondisi.

Arsitektur dan fungsionalitas teknologi

Fondasi teknologi AI fisik dan sistem AI robotik canggih didasarkan pada interaksi beberapa teknologi kunci, yang hanya jika dikombinasikan, memungkinkan kemampuan sistem otonom modern yang mengesankan. Arsitektur ini berbeda secara fundamental dari solusi otomasi tradisional melalui kemampuannya untuk menggeneralisasi, terus belajar, dan beradaptasi dengan lingkungan yang tidak terstruktur.

Inti dari revolusi teknologi ini adalah Model Fondasi, sistem AI besar yang telah dilatih sebelumnya, yang telah menjadi istilah umum untuk sistem AI besar yang umum saat ini sejak tahun 2021. Model-model ini awalnya dilatih secara ekstensif dengan data dalam jumlah besar dan kemudian dapat diadaptasi untuk berbagai tugas melalui pelatihan khusus yang relatif sedikit, yang dikenal sebagai fine-tuning. Pra-pelatihan ini memungkinkan Model Fondasi tidak hanya untuk memahami bahasa, tetapi yang lebih penting, untuk mengembangkan pengetahuan yang luas tentang dunia dan untuk berpikir logis, bernalar, mengabstraksi, dan merencanakan sampai batas tertentu.

Sifat-sifat ini menjadikan model fondasi sangat cocok untuk mengendalikan robot, bidang yang telah diteliti secara intensif selama kurang lebih tiga tahun dan saat ini sedang mengarah pada revolusi robotika. Dengan sifat-sifat ini, model-model tersebut jauh lebih unggul daripada AI robotika konvensional yang terspesialisasi. Karena alasan-alasan ini, penggunaan model fondasi yang sesuai sebagai otak robot merupakan sebuah terobosan dan, untuk pertama kalinya, membuka jalan bagi pengembangan robot yang benar-benar cerdas, praktis, dan dengan demikian dapat diterapkan secara universal.

Model Visi-Bahasa-Tindakan (VLA): Otak Robot

Berbeda dengan model fondasi standar yang tidak dirancang atau dioptimalkan untuk robotika dan persyaratan spesifiknya, model fondasi robotika juga dilatih pada set data robotika dan memiliki adaptasi arsitektur spesifik. Model-model ini biasanya berupa model visi-bahasa-tindakan (SNA) yang memproses ucapan serta data gambar dan video dari kamera sebagai input dan dilatih untuk langsung mengeluarkan tindakan—yaitu, perintah gerakan untuk sendi dan aktuator robot.

Tonggak penting dalam pengembangan ini adalah RT-2 dari Google DeepMind yang diluncurkan pada pertengahan 2023, yang merupakan VLA pertama dalam arti sebenarnya. Model-model yang ada saat ini mencakup OpenVLA sumber terbuka yang diluncurkan pada tahun 2024, serta sistem-sistem canggih lainnya. Arsitektur model-model ini sangat kompleks dan biasanya mencakup encoder visual yang mengubah gambar kamera menjadi representasi numerik, model bahasa besar sebagai inti penalaran dan perencanaan, serta dekoder tindakan khusus yang menghasilkan perintah robot berkelanjutan.

Penalaran yang Terwujud: Memahami dan Bertindak

Aspek kunci sistem AI fisik modern terletak pada kapasitasnya untuk penalaran yang diwujudkan—kemampuan model untuk memahami dunia fisik dan cara berinteraksi dengannya. Penalaran yang diwujudkan mencakup seperangkat pengetahuan dunia yang mencakup konsep-konsep fundamental penting untuk beroperasi dan bertindak di dunia yang secara inheren terwujud secara fisik. Ini adalah kemampuan Model Bahasa Visi (VLM) dan tidak terbatas pada robotika. Pengujian penalaran yang diwujudkan hanya melibatkan pemberian gambar kepada VLM.

Tugas-tugas visi komputer klasik seperti pengenalan objek dan korespondensi multi-tampilan termasuk dalam penalaran terwujud. Semua tugas ini diekspresikan dalam bentuk perintah ucapan. Penalaran terwujud juga dapat diuji melalui tanya jawab visual. Pertanyaan-pertanyaan ini menguji pemahaman yang dibutuhkan untuk berinteraksi dengan lingkungan. Selain penalaran fisik umum, sistem dapat menggunakan pengetahuan dunia untuk membuat keputusan. Misalnya, sebuah robot mungkin diminta untuk mengambil camilan sehat dari dapur, dengan pengetahuan dunia dalam VLM (Virtual Life Management) digunakan untuk menentukan cara menjalankan perintah ambigu ini.

Untuk aplikasi robotika, penting untuk memanfaatkan pemahaman ini guna memungkinkan tindakan yang bermakna di dunia nyata. Ini berarti menerjemahkan pemahaman tingkat tinggi menjadi perintah kontrol yang presisi melalui API perangkat keras robot. Setiap robot memiliki antarmuka yang berbeda, dan pengetahuan tentang cara robot dikendalikan tidak terdapat dalam VLM. Tantangannya terletak pada perluasan model besar yang telah dilatih sebelumnya agar dapat menghasilkan tindakan berkelanjutan untuk inkarnasi robot tertentu sambil tetap mempertahankan kemampuan VLM yang berharga.

Solusi inovatif untuk tantangan ini adalah arsitektur Action Expert, sebuah model transformator dengan jumlah lapisan yang sama tetapi dimensi embedding dan lebar MLP yang lebih kecil. Head atensi dan dimensi embedding per head harus sesuai dengan model utama agar token prefiks dapat digunakan dalam mekanisme atensi. Selama pemrosesan, token sufiks melewati transformator Action Expert, menggabungkan embedding KV dari prefiks, yang dihitung sekali dan kemudian di-cache.

Teknologi utama: Simulasi, Edge AI, dan Transfer Learning

Realisasi AI Fisik didasarkan pada interaksi tiga teknologi kunci. Pertama, simulasi realistis dalam bentuk kembaran digital memungkinkan pemetaan proses, aliran material, dan interaksi yang presisi, yang krusial bagi pembelajaran robot otonom. Kedua, perangkat keras AI edge memastikan sistem AI berjalan secara lokal pada robot, misalnya, melalui sistem kompak berbasis GPU. Ketiga, visi komputer canggih memungkinkan sistem pengenalan visual untuk mengidentifikasi berbagai objek, bentuk, dan variasi.

Pembelajaran robot terjadi ketika model AI dilatih dalam simulasi dan pengetahuannya ditransfer ke robot fisik. Pembelajaran transfer secara signifikan mempercepat adaptasi terhadap tugas-tugas baru. Analisis data real-time dengan platform seperti Microsoft Fabric memungkinkan analisis data proses, identifikasi hambatan, dan derivasi optimasi. Realitas dan mesin secara virtual diciptakan kembali dengan semua hukum dan spesifikasi alaminya. Kembaran digital ini kemudian belajar, misalnya, melalui pembelajaran penguatan, bagaimana tepatnya bergerak tanpa tabrakan, bagaimana melakukan gerakan yang diinginkan, dan bagaimana bereaksi terhadap berbagai skenario simulasi.

AI dapat menguji berbagai situasi tanpa risiko dan tanpa merusak robot fisik. Data yang dihasilkan kemudian ditransfer ke robot sungguhan setelah kembaran digitalnya cukup belajar. Robot yang dilengkapi sistem AI yang tepat tidak hanya menjalankan program yang kaku, tetapi juga mampu mengambil keputusan dan beradaptasi. AI fisik digunakan untuk memberikan konteks dan pemahaman situasional kepada robot. Dalam praktiknya, ini berarti robot dengan AI fisik dapat menguasai proses yang bervariasi dan membutuhkan kemampuan adaptasi.

Data sebagai bahan bakar: Tantangan dan solusi

Aspek krusial lainnya terletak pada pembangkitan data untuk melatih sistem ini. Meskipun VLM dilatih dengan triliunan token data berbasis internet, jumlah token yang sebanding dapat dicapai dengan data robotika. Open X-Embodiment berisi 2,4 juta episode. Dengan asumsi 30 detik per episode, pengambilan sampel frame 30 Hz, dan sekitar 512 token penglihatan per frame, lebih dari satu triliun token dapat dicapai. Upaya kolektif dari 21 institusi akademik dan industri ini menggabungkan 72 set data berbeda dari 27 robot berbeda dan mencakup 527 kapabilitas di 160.266 tugas.

Standarisasi data dari beragam jenis robot dengan sensor dan ruang aksi yang berbeda-beda ke dalam format yang seragam menghadirkan tantangan teknis yang sangat besar, tetapi krusial bagi pengembangan model yang dapat digeneralisasi. Model Fondasi Dunia digunakan untuk menghasilkan atau mereplikasi data pelatihan yang skalabel untuk model fondasi robotika, karena kelangkaan data pelatihan yang relevan dengan robotika saat ini menjadi hambatan terbesar dalam pengembangannya.

Xpert.Digital memiliki pengetahuan mendalam tentang berbagai industri. Hal ini memungkinkan kami mengembangkan strategi khusus yang disesuaikan secara tepat dengan kebutuhan dan tantangan segmen pasar spesifik Anda. Dengan terus menganalisis tren pasar dan mengikuti perkembangan industri, kami dapat bertindak dengan pandangan ke depan dan menawarkan solusi inovatif. Melalui kombinasi pengalaman dan pengetahuan, kami menghasilkan nilai tambah dan memberikan pelanggan kami keunggulan kompetitif yang menentukan.

Lebih lanjut tentang itu di sini:

• Gunakan 5x keahlian Xpert.Digital dalam satu paket - mulai dari €500/bulan

Area aplikasi spesifik industri dan potensi pasar

Implementasi praktis AI fisik dan sistem AI robotik canggih sedang berkembang di berbagai industri dan kasus penggunaan, dengan masing-masing sektor menghadirkan persyaratan, tantangan, dan potensi yang spesifik. Analisis berbagai pasar dengan jelas menunjukkan bahwa pendekatan satu ukuran untuk semua tidaklah optimal untuk semua industri; sebaliknya, karakteristik spesifik masing-masing industri menentukan bentuk otomatisasi cerdas mana yang memberikan manfaat terbesar.

Penggunaan AI fisik khususnya terlihat jelas dalam manufaktur dan produksi industri. Industri otomotif berada di garda terdepan dalam transformasi ini. BMW adalah produsen mobil pertama yang menguji robot humanoid dalam produksi, khususnya Figure 02 di pabrik Spartanburg di AS. Tidak seperti Optimus milik Tesla, yang sebagian besar masih dalam tahap konsep, Figure 02 yang dikendalikan AI sudah mengambil komponen lembaran logam dari rak dan menempatkannya ke dalam mesin – sebuah tugas yang secara tradisional dilakukan oleh manusia di pabrik mobil.

BMW dan Figure AI berencana untuk bersama-sama mengeksplorasi topik-topik teknologi seperti kecerdasan buatan, kendali robot, virtualisasi manufaktur, dan integrasi robot. Industri otomotif, dan akibatnya produksi kendaraan, berkembang pesat. Penggunaan robot serbaguna berpotensi meningkatkan produktivitas, memenuhi permintaan pelanggan yang terus meningkat, dan memungkinkan tim untuk fokus pada perubahan yang akan datang. Tujuan jangka panjangnya adalah untuk meringankan beban kerja pekerja pabrik dari tugas-tugas yang secara ergonomis menantang dan melelahkan.

Otomasi industri mendapatkan manfaat dari AI fisik melalui kombinasi kembaran digital, AI edge, dan robotika, yang mendefinisikan ulang otomasi. Dalam produksi, apa yang disebut kembaran langsung—model digital yang tidak hanya menggambarkan tetapi juga secara aktif mengendalikan proses—membuka kemungkinan baru. Hal ini memungkinkan identifikasi hambatan sebelum menjadi kritis, pengujian proses baru dan evaluasi varian, serta pelatihan sistem otonom yang bebas risiko. Khususnya di bidang Logistik 4.0 dan pergudangan pintar, kembaran langsung meningkatkan keandalan perencanaan, operasi yang aman dari kegagalan, dan kecepatan respons.

Logistik 4.0: Kembaran digital diuji dalam praktik

Contoh dari KION Group menunjukkan dengan tepat bagaimana AI fisik dapat mendukung logistik pergudangan di dunia nyata. KION, Accenture, dan NVIDIA bersama-sama mengembangkan solusi di mana robot cerdas dilatih sepenuhnya di dalam kembaran digital gudang. Di sana, robot mempelajari proses seperti bongkar muat, pengambilan pesanan, dan pengemasan ulang sebelum ditempatkan di gudang yang sebenarnya. Sistem ini didasarkan pada platform simulasi NVIDIA Omniverse. Selain itu, NVIDIA Mega, sebuah kerangka kerja dalam Omniverse yang dirancang khusus untuk aplikasi industri, digunakan untuk mendukung simulasi paralel seluruh sistem dan armada robot.

Keunggulannya terlihat dalam beberapa hal. Simulasi proses pergudangan pada umumnya secara signifikan mengurangi kesalahan dalam operasi dunia nyata. Pelatihan bebas risiko, dipercepat, dan tidak memerlukan sumber daya nyata. Setelah pelatihan berhasil, robot akan mengambil alih tugas-tugas dunia nyata, dikendalikan secara real-time oleh AI yang berjalan langsung di dalam robot. Lebih lanjut, kembaran digital memungkinkan perencanaan strategis proaktif, yang memungkinkan perusahaan untuk menguji dan mengoptimalkan berbagai tata letak, tingkat otomatisasi, dan konfigurasi kepegawaian secara virtual terlebih dahulu tanpa mengganggu operasional yang sedang berjalan.

Industri logistik dan transportasi sedang mengalami transformasi komprehensif melalui kecerdasan buatan. AI diterapkan di berbagai bidang logistik. Untuk peramalan permintaan dan perencanaan penjualan, 62 persen perusahaan mengandalkan dukungan AI, sementara 51 persen menggunakan AI untuk optimasi produksi dan 50 persen untuk optimasi transportasi. Aplikasinya beragam, mulai dari mengenali berbagai label bahan berbahaya dan membedakan objek tanpa nomor seri atau label, hingga menganalisis data sensor tentang aktivitas dan pergerakan.

Sistem AI dapat memprediksi waktu kedatangan transportasi menggunakan data dari berbagai sumber dan membuat prakiraan penjualan dengan data multivariat dari rantai pasokan dan sumber publik. Sistem ini menjadwalkan waktu istirahat karyawan menggunakan data tanda-tanda vital, pergerakan, dan operasi mesin, memungkinkan perencanaan beban otomatis dengan jaringan saraf konvolusional, dan memantau pemilihan moda transportasi untuk mengidentifikasi solusi yang lebih baik secara progresif. Interaksi manusia-mesin ditingkatkan oleh robot suara terlatih, sementara robot transportasi menggunakan pola optik untuk memposisikan dan mengorientasikan diri.

Layanan Kesehatan: Presisi dan Bantuan

Pelayanan kesehatan merupakan bidang aplikasi yang sangat sensitif namun menjanjikan. Lebih dari 40 persen tenaga medis di Jerman menggunakan teknologi berbasis AI di fasilitas atau praktik mereka. Dalam praktik medis sehari-hari, ini berarti departemen radiologi menggunakan AI untuk menganalisis gambar, atau aplikasi pemeriksa gejala berbasis AI digunakan untuk diagnosis awal. Salah satu aplikasi utama AI terletak pada analisis rekam medis secara otomatis. AI dapat membantu dokter dalam membuat diagnosis karena memanfaatkan dan menganalisis sejumlah besar data yang ada—jauh lebih banyak daripada yang dapat dikumpulkan seorang dokter sepanjang kariernya.

Tiga jenis robot digunakan dalam sistem pelayanan kesehatan Jerman: robot terapi, robot perawatan, dan robot bedah. Robot terapi dapat memandu latihan secara mandiri, sementara robot perawatan mendukung tenaga kesehatan profesional. Robot bedah dapat membuat sayatan secara mandiri dan membantu ahli bedah manusia. Penggunaannya penting untuk beberapa prosedur invasif minimal. Robot da Vinci dari Intuitive Surgical membantu ahli bedah dalam melakukan prosedur invasif minimal yang presisi melalui kombinasi kendali ahli bedah manusia dan AI yang tertanam, yang menyatukan intuisi manusia dan akurasi robot.

Pasar AI fisik di bidang kesehatan didominasi oleh robot bedah, khususnya sistem bedah berbantuan robot, yang memimpin pasar pada tahun 2024. Dalam robotika, segmen bedah saraf dan ortopedi diperkirakan akan mengalami tingkat pertumbuhan tertinggi selama periode perkiraan. Selain radiologi dan patologi, aplikasi AI memainkan peran yang semakin penting dalam diagnostik dan intervensi di semua spesialisasi medis. Dalam pengobatan personal, AI mendukung analisis biomarker.

Pertanian Cerdas: AI di Lapangan

Pertanian berkembang menjadi bidang yang sangat dinamis untuk aplikasi AI fisik. Hampir separuh dari seluruh pertanian kini menggunakan AI. Potensi terbesar terlihat dalam prakiraan iklim dan cuaca, serta perencanaan panen dan produksi, serta prediksi hasil panen. Solusi untuk pekerjaan kantor sehari-hari juga menarik sebagai alat bantu potensial. Pertanian merupakan salah satu pelopor kecerdasan buatan. Penggunaannya semakin penting karena beban yang ditanggung oleh para pengelola pertanian.

AI fisik akan memainkan peran yang semakin penting dalam pertanian dan pengolahan pangan di tahun-tahun mendatang. Sebelumnya, banyak proses alami yang sulit dipahami, tetapi kini kemajuan teknologi telah mencapai titik di mana sistem dapat bereaksi secara individual terhadap lingkungannya. Sistem beradaptasi dengan dunia yang ada, alih-alih mengharuskan dunia didesain ulang untuk mereka. Petani modern semakin banyak bekerja secara hibrida, menggabungkan pekerjaan berbasis komputer dan praktik langsung di lapangan. Berbagai teknologi digunakan di ladang dan lumbung untuk mengukur data dan mengoptimalkan proses.

Perubahan iklim dan pertumbuhan penduduk yang stabil menimbulkan tantangan besar bagi pertanian modern. Untuk mengatasi masalah global ini secara efektif, penggunaan AI fisik yang terarah di pertanian dari semua skala dapat memberikan kontribusi penting. Berlawanan dengan anggapan umum bahwa teknologi semacam itu hanya cocok untuk pertanian besar, usaha kecil khususnya dapat memperoleh manfaat besar dari keunggulannya. Penggunaan mesin kompak seperti mesin pemotong rumput robotik cerdas atau penyiang otomatis memungkinkan mereka mencapai peningkatan efisiensi dan melakukan tugas-tugas yang saat ini tidak lagi tersedia tenaga kerjanya di pasar tenaga kerja.

Teknologi pengenalan gambar dan sensor dapat membantu pengaplikasian pestisida secara lebih presisi dan, dalam beberapa kasus, bahkan menghilangkannya sepenuhnya. Hal ini tidak hanya memberikan manfaat ekonomi tetapi juga ekologi. Proyek Agri-Gaia, yang didanai oleh Kementerian Federal Jerman untuk Urusan Ekonomi dan Energi, sedang menciptakan infrastruktur terbuka untuk pertukaran algoritma AI di bidang pertanian. Mitra proyek dari asosiasi, lembaga penelitian, politik, dan industri, di bawah kepemimpinan Pusat Penelitian Kecerdasan Buatan Jerman (DFKI), sedang mengembangkan ekosistem digital untuk sektor pertanian dan pangan yang didominasi usaha kecil dan menengah (UKM), berdasarkan inisiatif cloud Eropa Gaia-X.

Ritel: Akhir dari antrian

Sektor ritel sedang mengalami transformasi fundamental dalam hal pengalaman pelanggan dan efisiensi operasional melalui AI fisik dan sistem berbasis AI. Peritel dapat menggunakan AI untuk memprediksi permintaan barang tertentu di berbagai wilayah dengan lebih baik dengan mengakses dan menganalisis data barang lain, data dari toko dengan demografi serupa, dan data pihak ketiga seperti cuaca dan tingkat pendapatan. Sebuah apotek nasional baru-baru ini menggunakan AI untuk melacak dan memprediksi permintaan vaksin tertentu, berdasarkan tren nasional yang dilaporkan kepada pemerintah federal.

Para peritel menggabungkan AI dengan video dan data sensor untuk menghilangkan area kasir, sehingga pelanggan dapat memilih barang dari rak, memasukkannya ke keranjang, dan meninggalkan toko tanpa harus mengantre. Dengan menghilangkan antrean dan sistem kasir, lebih banyak ruang lantai dapat digunakan untuk memajang produk. Salah satu jaringan supermarket nasional menggunakan AI untuk memindai secara visual dan menghitung nilai produk dengan kode batang yang tidak terbaca. Berkat AI yang dipadukan dengan kamera video dan sensor rak, para peritel dapat lebih memahami lalu lintas pelanggan di toko mereka dan meningkatkan penjualan per meter persegi.

Teknologi ini mengidentifikasi produk yang tidak pernah dilihat lama oleh pelanggan dan merekomendasikan agar peritel menggantinya dengan produk yang lebih menarik. AI juga dapat menghasilkan promosi tertarget untuk produk tertentu di perangkat seluler pelanggan saat mereka berada di toko yang tepat. Teknologi ini juga memungkinkan peritel untuk menggabungkan produk mereka dengan lebih baik. Merek seperti Zara menggunakan layar AR di toko mereka sehingga pelanggan dapat mencoba pakaian secara virtual. Peritel bahan makanan seperti Amazon Fresh berfokus pada pembayaran nirsentuh dan daftar belanja digital yang terhubung ke rak fisik.

Konstruksi: Efisiensi melalui perencanaan digital

Industri konstruksi secara tradisional masih kurang terdigitalisasi, tetapi semakin diuntungkan oleh penerapan AI. AI, bersama dengan pendekatan digitalisasi lainnya seperti Building Information Modeling (BIM), Internet of Things (IoT), dan robotika, memungkinkan peningkatan efisiensi di seluruh rantai nilai, mulai dari produksi material bangunan, desain, perencanaan, dan konstruksi, hingga operasi dan pemeliharaan. Sistem desain geometris generatif menciptakan dan mengevaluasi berbagai pilihan desain berdasarkan tujuan terukur seperti kenyamanan, efisiensi energi, dan desain tempat kerja.

Metode AI memungkinkan pertimbangan dan evaluasi yang jauh lebih cepat terhadap lebih banyak parameter dan varian. Analisis teks berbasis AI dapat mengevaluasi set aturan secara otomatis. Hal ini melibatkan penggunaan sistem berbasis aturan yang dikombinasikan dengan analisis teks berbasis AI. Informasi bangunan seperti dimensi, material, dan sistem teknis diekstraksi, dianalisis, dan secara otomatis dibandingkan dengan set aturan berbasis teks. Penggunaan model prediktif berbasis AI pada tahap awal desain memungkinkan estimasi permintaan energi yang cepat dan akurat.

Aplikasi AI dalam konstruksi sudah cukup maju dan beberapa di antaranya sudah digunakan. Metode pembelajaran mesin dapat membantu perencanaan konstruksi, memperbarui proses konstruksi, dan mendukung berbagai tugas. Robot tidak hanya dapat mengangkut objek, tetapi juga dapat mengecat dinding, mengukur, atau mengelas. Kamera dan sensor lainnya mendeteksi hambatan. Gambar dan awan titik yang diambil secara manual atau oleh sistem otonom juga berfungsi untuk jaminan kualitas selama konstruksi. Jaringan saraf dilatih untuk memeriksa kualitas permukaan dan mendeteksi kerusakan atau perubahan warna.

Fokus industri: B2B, digitalisasi (dari AI ke XR), teknik mesin, logistik, energi terbarukan, dan industri

Lebih lanjut tentang itu di sini:

• Pusat Bisnis Xpert

Pusat topik dengan wawasan dan keahlian:

• Platform pengetahuan tentang ekonomi global dan regional, inovasi dan tren khusus industri
• Kumpulan analisis, impuls dan informasi latar belakang dari area fokus kami
• Tempat untuk keahlian dan informasi tentang perkembangan terkini dalam bisnis dan teknologi
• Pusat topik bagi perusahaan yang ingin mempelajari tentang pasar, digitalisasi, dan inovasi industri

Tantangan, risiko dan kerangka regulasi

Perkembangan pesat AI fisik dan sistem AI robotik canggih disertai dengan berbagai tantangan teknis, etika, hukum, dan sosial yang harus diatasi demi implementasi yang bertanggung jawab dan berkelanjutan. Tantangan-tantangan ini berkisar dari keterbatasan teknis mendasar, masalah perlindungan dan keamanan data, hingga pertanyaan etika kompleks yang secara fundamental memengaruhi hubungan antara manusia dan mesin.

Keterbatasan teknis terus menjadi kendala substansial bagi adopsi AI fisik secara luas. Meskipun kemajuan signifikan telah dicapai, keterbatasan fisik seperti mobilitas, manajemen energi, dan keterampilan motorik halus tetap menjadi tantangan utama. Eksperimen terbaru dengan robot penyedot debu yang dilengkapi dengan model bahasa canggih menyoroti kompleksitas dan keterbatasan teknologi ini dalam aplikasi dunia nyata. Sebuah tim peneliti melakukan eksperimen dengan robot penyedot debu yang dilengkapi dengan berbagai model bahasa. Tugas utama robot-robot ini adalah menemukan sebatang mentega di ruangan lain dan membawanya kepada seseorang yang dapat mengubah lokasinya.

Tugas yang tampaknya sederhana ini menghadirkan tantangan signifikan bagi robot yang dikendalikan AI. Robot-robot tersebut mampu bergerak, berlabuh di stasiun pengisian daya, berkomunikasi melalui koneksi Slack, dan mengambil foto. Terlepas dari kemampuan ini, tidak satu pun LLM yang diuji mencapai tingkat keberhasilan lebih dari 40 persen dalam pengiriman mentega. Alasan utama kegagalan terletak pada kesulitan penalaran spasial dan kurangnya kesadaran akan keterbatasan fisik mereka sendiri. Salah satu model bahkan mendiagnosis dirinya sendiri dengan trauma akibat gerakan berputar dan krisis identitas biner.

Reaksi-reaksi ini, meskipun dihasilkan oleh sistem tak hidup, menyoroti potensi tantangan dalam mengembangkan AI yang dirancang untuk beroperasi di lingkungan dunia nyata yang kompleks. Sangat penting bagi model AI berkinerja tinggi untuk tetap tenang di bawah tekanan agar dapat mengambil keputusan yang tepat. Hal ini menimbulkan pertanyaan tentang bagaimana reaksi stres semacam itu dapat dihindari atau dikelola dalam sistem AI di masa mendatang untuk memastikan interaksi yang andal dan aman. Meskipun kecerdasan analitis dalam LLM telah mencapai kemajuan yang mengesankan, kecerdasan praktis, terutama yang berkaitan dengan pemahaman spasial dan manajemen emosi, masih tertinggal.

Perlindungan data, keamanan siber, dan kerangka hukum

Perlindungan data dan keamanan siber menimbulkan tantangan mendasar. Undang-undang tentang perlindungan data dan privasi sangat penting untuk memastikan bahwa data pribadi ditangani secara etis dan aman. Salah satu kerangka hukum terpenting adalah Peraturan Perlindungan Data Umum (GDPR), yang disahkan oleh Uni Eropa pada tahun 2018. GDPR menetapkan pedoman ketat untuk pengumpulan, pemrosesan, penyimpanan, dan transfer data pribadi.

Prinsip-prinsip inti GDPR meliputi keabsahan, keadilan, dan transparansi. Prinsip-prinsip ini mengharuskan pernyataan yang jelas tentang data apa yang dikumpulkan dan alasannya, untuk memastikan penggunaan data yang wajar tanpa merugikan kelompok mana pun. Pembatasan tujuan mengharuskan pengumpulan data untuk tujuan yang spesifik, eksplisit, dan sah, serta tidak diproses lebih lanjut dengan cara yang tidak sesuai dengan tujuan tersebut. Minimalisasi data mengharuskan pengumpulan dan pemrosesan hanya data yang diperlukan untuk tujuan yang dimaksud. Akurasi mengharuskan data pribadi dijaga keakuratan dan kemutakhirannya, sementara pembatasan penyimpanan mengharuskan penyimpanan data hanya selama diperlukan untuk tujuan yang dimaksud.

Integritas dan kerahasiaan mengharuskan data diproses secara aman untuk melindunginya dari pemrosesan yang tidak sah atau melanggar hukum dan kehilangan yang tidak disengaja. Akuntabilitas mengharuskan organisasi untuk dapat menunjukkan kepatuhan terhadap prinsip-prinsip perlindungan data ini. Undang-undang AI Uni Eropa yang baru disahkan didasarkan pada GDPR dan mengklasifikasikan sistem AI berdasarkan tingkat risikonya. Sistem AI yang dilarang mencakup sistem yang mengkategorikan individu berdasarkan data biometrik untuk mendapatkan jenis informasi sensitif tertentu.

Para peneliti keamanan telah menemukan kerentanan dalam sistem robot yang dapat memungkinkan manipulasi perangkat atau akses ke data sensitif. Kerentanan ini meliputi pembaruan firmware yang tidak aman, data pengguna yang tidak terenkripsi pada perangkat, dan kelemahan keamanan PIN untuk akses kamera jarak jauh. Kekurangan tersebut merusak kepercayaan terhadap sertifikasi produsen dan menyoroti perlunya langkah-langkah keamanan yang kuat. Para peneliti menyarankan untuk merancang sistem pengenalan gambar mesin yang tetap tidak terbaca oleh manusia tetapi menyediakan informasi yang memadai bagi robot untuk navigasi guna mencegah penyalahgunaan data pribadi.

Undang-Undang AI Uni Eropa dan standar yang diselaraskan

Lanskap regulasi untuk AI dan robotika berkembang pesat. Undang-Undang AI Uni Eropa merupakan kerangka hukum komprehensif pertama di dunia untuk kecerdasan buatan dan didasarkan pada pendekatan berbasis risiko. Semakin tinggi risikonya, semakin banyak dan ketat persyaratan yang harus dipenuhi. Sistem AI dapat diklasifikasikan sebagai sistem AI berisiko tinggi karena relevansinya dengan keselamatan. Sistem AI berisiko tinggi tunduk pada persyaratan khusus, termasuk dokumentasi komprehensif dengan semua informasi yang diperlukan tentang sistem dan tujuannya agar otoritas dapat menilai kepatuhannya, informasi yang jelas dan tepat bagi operator, langkah-langkah pengawasan manusia yang tepat, serta ketahanan, keamanan siber, dan akurasi yang tinggi.

Arahan Mesin menetapkan persyaratan keselamatan untuk mesin, termasuk sistem otonom dan jaringan. Arahan ini mendefinisikan perilaku yang berkembang sendiri dan mesin bergerak otonom, tetapi menghindari istilah sistem AI. Sebuah produk seperti robot bedah dapat berada di persimpangan beberapa regulasi, seperti Arahan Alat Kesehatan, Arahan Mesin, dan Arahan AI, yang semuanya berimplikasi pada keselamatan fungsional. Pertanyaan utamanya adalah: Apa serangkaian langkah optimal untuk mengurangi risiko terkait peluncuran pasar, liabilitas, dan kerusakan reputasi?

Standar yang diharmonisasikan menetapkan persyaratan dasar kesehatan dan keselamatan kerja dari peraturan perundang-undangan. Standar ini menjelaskan aturan teknis dan langkah-langkah manajemen risiko yang dapat digunakan untuk memenuhi persyaratan dasar tersebut. Kepatuhan terhadap standar-standar ini menunjukkan bahwa persyaratan hukum dan peraturan telah terpenuhi. Sistem manajemen risiko, berdasarkan ISO/IEC 42001, sangat penting. Standar untuk sistem manajemen AI ini menyediakan kerangka kerja terstruktur untuk identifikasi, penilaian, dan penanganan risiko.

Etika, bias dan keberlanjutan

Pertanyaan etika merasuki semua aspek pengembangan dan implementasi AI fisik. Kurangnya persiapan data yang cermat dapat menyebabkan hasil yang tidak diinginkan. Bias dalam kumpulan data menyebabkan masalah keadilan, melanggengkan ketimpangan sosial, dan diskriminasi terhadap minoritas. Lebih buruk lagi, terdapat risiko informasi pribadi dan rahasia akan terekspos melalui keluaran model dan jatuh ke tangan yang salah. Sebelum pelatihan, perlu dinilai seberapa signifikan suatu sistem akan memengaruhi kehidupan mereka yang terdampak. Harus ditentukan apakah secara etis dapat dibenarkan untuk mengizinkan sistem AI mengambil keputusan untuk tugas yang diberikan, dan harus dipastikan bahwa data yang memadai dan representatif tersedia untuk semua kelompok terdampak.

Tantangannya juga meluas ke efisiensi energi dan keberlanjutan. Robot humanoid dan sistem AI fisik membutuhkan energi yang signifikan, baik untuk pengoperasian maupun pelatihan model dasarnya. Teknologi baterai, ketangkasan manual, efektivitas biaya, skalabilitas, dan tata kelola etis tetap menjadi tantangan yang signifikan. Namun, konvergensi antara penurunan biaya perangkat keras, peningkatan AI, dan peningkatan kekurangan tenaga kerja menciptakan badai sempurna yang mendorong percepatan adopsi.

Prospek masa depan dan implikasi strategis

Lintasan pengembangan AI fisik dan sistem AI robotik canggih menunjukkan perubahan mendasar dalam lanskap industri dan sosial di tahun-tahun mendatang. Konvergensi terobosan teknologi, kebutuhan ekonomi, dan kerangka regulasi menciptakan lingkungan yang mempercepat transformasi dari proyek percontohan eksperimental menjadi adopsi komersial yang meluas.

Revolusi Model Foundation dalam robotika merupakan salah satu titik balik paling signifikan. Saat ini, terdapat lonjakan pengembangan robot humanoid yang dikendalikan oleh model Foundation Robotics. Selain kendali otonom ujung ke ujung robot yang menggunakan model tersebut, apa yang disebut Model Foundation Dunia digunakan untuk menghasilkan atau mereplikasi data pelatihan yang skalabel untuk model Foundation Robotics. Untuk beberapa aplikasi yang masih terbatas, seperti tugas manual yang sederhana, berulang, dan melelahkan dalam produksi dan logistik, atau bahkan berpotensi dalam bentuk robot rumah tangga, robot yang dikendalikan oleh model Foundation dapat tersedia dalam lima tahun ke depan. Selanjutnya, tugas yang lebih kompleks dan menuntut akan menyusul dalam jangka menengah hingga panjang.

Generalisasi dan manajemen armada

Pengembangan model AI universal untuk mengoptimalkan armada robot merupakan cara yang menjanjikan untuk mengatasi fragmentasi. Model dasar dirancang untuk memahami dan menjalankan berbagai tugas di berbagai jenis robot. Model-model ini mempelajari konsep dan perilaku umum, alih-alih dilatih ulang untuk setiap tugas spesifik. DeepFleet dari Amazon dan NavFoM dari Galbot memungkinkan pengendalian armada robot heterogen dengan satu model AI. NavFoM digambarkan sebagai model AI dasar navigasi lintas-perwujudan dan lintas-tugas pertama di dunia. Model ini bertujuan untuk mengajarkan konsep umum pergerakan kepada satu model AI, sehingga model inti yang sama dapat digunakan pada berbagai jenis robot, mulai dari robot beroda dan robot humanoid hingga drone.

Kemajuan dalam kecerdasan spasial melalui model multimoda membuka dimensi baru. Seri SenseNova SI didasarkan pada model-model dasar multimoda yang telah mapan dan mengembangkan kecerdasan spasial yang tangguh dan handal. Model-model ini menunjukkan kemampuan generalisasi yang muncul, dengan penyempurnaan pada subset QA transformasi tampilan 3D tertentu yang menghasilkan peningkatan transfer tak terduga ke tugas-tugas terkait namun sebelumnya tidak terlihat seperti pencarian jalur labirin. Kemampuan kecerdasan spasial yang ditingkatkan membuka kemungkinan aplikasi yang menjanjikan, khususnya di bidang manipulasi yang diwujudkan, di mana peningkatan signifikan dalam tingkat keberhasilan telah diamati, bahkan tanpa penyempurnaan lebih lanjut.

Data Sintetis dan Momen ChatGPT dalam Robotika

Model Dasar Cosmos World dari Nvidia merupakan momen potensial ChatGPT bagi robotika. Model AI fisik ini krusial untuk memungkinkan robot mempraktikkan interaksi dunia nyata serealistis mungkin dalam simulasi 3D. Model AI fisik semacam itu mahal untuk dikembangkan dan membutuhkan data dunia nyata dalam jumlah besar serta pengujian yang ekstensif. Model Dasar Cosmos World menawarkan cara sederhana bagi para pengembang untuk menghasilkan data sintetis berbasis fisika fotorealistik dalam jumlah besar untuk melatih dan mengevaluasi model yang sudah ada.

Siklus investasi untuk AI fisik hingga tahun 2030 menunjukkan aliran modal yang substansial. Proyeksi pasar menunjukkan pertumbuhan yang kuat hingga tahun 2030, dengan pengeluaran yang kemungkinan mencapai antara $60 miliar dan $90 miliar pada tahun 2026, dan total pengeluaran lima tahun antara $0,4 triliun dan $0,7 triliun. Manufaktur memimpin, diikuti oleh logistik, sementara layanan berkembang seiring dengan semakin matangnya peralatan. ABI Research memperkirakan pasar robotika global sebesar $50 miliar pada tahun 2025 dan memproyeksikan akan mencapai sekitar $111 miliar pada tahun 2030, dengan tingkat pertumbuhan tahunan rata-rata di kisaran pertengahan belasan.

AI fisik sedang mentransformasi industri manufaktur, dengan proyeksi pertumbuhan sebesar 23 persen hingga tahun 2030. Pasar AI industri global mencapai $43,6 miliar pada tahun 2024 dan diproyeksikan akan tumbuh sebesar 23 persen per tahun hingga tahun 2030, didorong oleh aplikasi AI fisik di bidang manufaktur. Perkembangan ini menandai peralihan dari otomatisasi tradisional yang berbasis pada robot kaku yang telah diprogram sebelumnya. AI fisik saat ini mengintegrasikan sistem penglihatan, sensor taktil, dan algoritma adaptif, yang memungkinkan mesin untuk menangani tugas-tugas yang tidak terduga.

Tekanan untuk AI fisik muncul di saat kritis, di mana ketegangan geopolitik dan gangguan rantai pasokan meningkatkan kebutuhan akan manufaktur fleksibel. Kemajuan dalam robotika industri mendefinisikan ulang otomatisasi dan mendorong ketahanan serta pertumbuhan di sektor-sektor yang terhambat oleh kekurangan tenaga kerja. Di pabrik otomotif, robot berbasis AI dengan kemampuan pembelajaran waktu nyata mengisi peran yang sebelumnya dianggap terlalu rumit untuk mesin, seperti pengelasan adaptif atau kontrol kualitas dalam berbagai kondisi. Pergeseran ini diproyeksikan dapat mengurangi biaya hingga 20 persen dalam pengaturan volume tinggi.

Peluang ekonomi bagi Jerman dan Eropa

Implikasi strategis bagi perusahaan-perusahaan Jerman dan Eropa sangat besar. Kekurangan tenaga kerja terampil khususnya berdampak pada industri dan logistik, sementara di saat yang sama, permintaan meningkat. Industri Jerman berada di bawah tekanan; kekurangan tenaga kerja terampil memperlambat pertumbuhan, meningkatnya kompleksitas membutuhkan kemampuan adaptasi yang cepat, investasi dalam efisiensi dan ketahanan sangat penting, dan peningkatan produktivitas merupakan kunci daya saing. AI fisik merupakan peluang bagi Jerman untuk kembali menjadi yang terdepan dalam industri. Transformasi industri Jerman bukanlah sebuah pilihan, melainkan sebuah keharusan.

Pengembangan sedang bergerak menuju model fisik fundamental baru yang digerakkan oleh kecerdasan yang diwujudkan, yang berpotensi mendominasi arah multimoda. Di dunia nyata, segala sesuatu penuh dengan detail seperti kontak, gesekan, dan tabrakan yang sulit dijelaskan dengan kata-kata atau gambar. Jika model tidak dapat memahami proses fisik fundamental ini, ia tidak dapat membuat prediksi yang andal tentang dunia. Ini akan menjadi jalur pengembangan yang berbeda dari model bahasa utama.

Pengembangan AI multimoda melampaui teks. Model multimoda menggabungkan berbagai arsitektur neural, seperti transformator penglihatan untuk input visual, enkoder ucapan untuk input audio, dan model bahasa besar untuk penalaran logis dan pembuatan teks, ke dalam satu sistem. Layanan kesehatan beralih ke input sensorik, dengan AI multimoda yang mampu memindai suara, wajah, dan pemindaian medis pasien untuk mendeteksi tanda-tanda awal penyakit. AI multimoda tidak menggantikan dokter, melainkan memberi mereka penglihatan super.

Visi AI fisik yang beroperasi secara mulus di lingkungan kita membutuhkan penelitian dan pengembangan lebih lanjut untuk memastikan keandalan dan keamanan sistem ini. Di masa depan, integrasi perangkat lunak robotika sumber terbuka seperti ROS dan pendekatan kendali lokal dapat ditingkatkan, sehingga mengurangi ketergantungan pada layanan cloud dan memberi pengguna kendali lebih besar atas perangkat mereka. Di saat yang sama, produsen dan regulator harus terus meningkatkan standar keamanan dan perlindungan data untuk menjaga kepercayaan pengguna dan secara bertanggung jawab membuka potensi robotika.

Tahun-tahun mendatang akan sangat krusial dalam menentukan apakah proyek percontohan saat ini akan berkembang menjadi model bisnis yang layak. Namun, yang pasti, kombinasi otonomi fisik dan digital akan membentuk masa depan. AI meninggalkan perannya yang terisolasi dan menjadi bagian integral dari proses dan keputusan di dunia nyata. Hal ini menandai dimulainya fase di mana pengaruh langsungnya akan lebih nyata daripada sebelumnya. Pengembangan AI fisik dan AI robotik bukanlah akhir, melainkan awal dari transformasi fundamental yang dampak penuhnya baru akan terlihat dalam beberapa dekade mendatang.

☑️ Bahasa bisnis kami adalah Inggris atau Jerman

☑️ BARU: Korespondensi dalam bahasa nasional Anda!

 

Saya akan dengan senang hati melayani Anda dan tim saya sebagai penasihat pribadi.

Anda dapat menghubungi saya dengan mengisi formulir kontak atau cukup hubungi saya di +49 89 89 674 804 (Munich) . Alamat email saya adalah: wolfenstein ∂ xpert.digital

Saya menantikan proyek bersama kita.

 

 

☑️ Dukungan UKM dalam strategi, konsultasi, perencanaan dan implementasi

☑️ Penciptaan atau penataan kembali strategi digital dan digitalisasi

☑️ Perluasan dan optimalisasi proses penjualan internasional

☑️ Platform perdagangan B2B Global & Digital

☑️ Pelopor Pengembangan Bisnis/Pemasaran/Humas/Pameran Dagang