Courtesy of InterestingEngineering

Mengapa Robot Humanoid Pintar Seperti Manusia Masih Jauh dari Kenyataan

Artikel ini bertujuan menjelaskan bahwa prediksi optimis terkait humanoid robot yang cepat menyamai kemampuan manusia masih terlalu prematur karena tantangan fundamental pada data, kontrol, dan desain fisik robot, serta mengingatkan pentingnya ekspektasi realistis untuk kemajuan teknologi robotik.

28 Agt 2025, 21.25 WIB

91 dibaca

Ikhtisar 15 Detik

Kemampuan robot humanoid masih jauh dari prediksi optimis.
Pendekatan pengumpulan data iteratif lebih efektif daripada mengandalkan data besar sekaligus.
Desain fisik dan kecerdasan mekanis adalah faktor kunci dalam kemajuan robotika.

Berkeley, Amerika Serikat - Model bahasa besar seperti ChatGPT berkembang sangat cepat karena mereka dilatih menggunakan data teks dari internet yang sangat melimpah. Namun, robot humanoid mengalami kesulitan besar untuk menyamai kemampuan manusia dalam melakukan tugas fisik seperti mengambil benda atau memperbaiki sesuatu di rumah. Kami menghadapi kesenjangan data yang sangat besar karena data fisik dan interaksi dunia nyata sangat sulit dikumpulkan dalam jumlah besar.

Kegiatan sederhana bagi manusia, seperti memegang gelas anggur atau mengganti bola lampu, ternyata sangat rumit bagi robot karena memerlukan pengindraan yang tepat, kontrol sentuhan, dan umpan balik terus-menerus. Data video 2D dari internet tidak cukup membantu karena tidak menampilkan gerakan 3D dan kekuatan sentuhan yang diperlukan robot untuk melakukan pekerjaan dengan baik.

Meskipun simulasi dan teleoperasi (mengendalikan robot dari jauh) membantu sebagian, keduanya memiliki keterbatasan karena simulasi biasanya fokus pada gerakan besar dan teleoperasi memberikan data dalam jumlah kecil dan hanya linear. Karena itu, robotik tidak bisa mengikuti jejak kecerdasan bahasa yang melaju pesat karena kelangkaan data yang relevan.

Ada dua pendekatan dalam dunia robotik: satu percaya bahwa data besar akan memecahkan semua masalah, dan lainnya mengandalkan rekayasa tradisional yang menggunakan fisika, matematika, dan model eksplisit untuk membuat robot berfungsi. Pendekatan yang pragmatis adalah menggabungkan keduanya, dengan membuat robot yang cukup dapat diandalkan untuk tugas tertentu agar bisa digunakan dan secara bertahap mengumpulkan data dunia nyata guna perbaikan.

Selain data dan algoritma, desain fisik robot juga jadi penghalang. Robot sering kali kaku, boros energi, dan kurang fleksibel dibandingkan makhluk hidup karena kurangnya kecerdasan mekanik. Pengembangan tubuh robot yang lebih adaptif seperti makhluk hidup sangat dibutuhkan agar robot humanoid bisa lebih efisien dan andal di masa depan.

Referensi:
[1] https://interestingengineering.com/innovation/humanoid-reality-check-elon-musk

Analisis Kami

"Sebagai ahli di bidang robotika, saya melihat bahwa anggapan bahwa data besar saja cukup untuk menciptakan robot humanoid yang competente adalah terlalu naif. Investasi harus lebih banyak diarahkan ke pengembangan hardware, sensor, dan algoritma kontrol canggih sembari secara real-time mengumpulkan data untuk adaptasi berkelanjutan."

Analisis Ahli

Ken Goldberg

"Tantangan utama robot bukan hanya data atau algoritma, melainkan kombinasi data yang minimal, kontrol presisi, dan desain mekanik yang masih kurang adaptif."

Hamed Rajabi

"Robit saat ini kurang memiliki 'mechanical intelligence', sehingga menghabiskan energi besar dan memerlukan koreksi terus-menerus yang tidak efisien."

Prediksi Kami

Kemajuan teknologi robotik akan terjadi secara bertahap melalui penggabungan engineering dan pengumpulan data secara iteratif dari robot yang sudah beroperasi, bukan melalui lonjakan besar berdasarkan data massal, sehingga humanoid dengan kemampuan setara manusia kemungkinan baru tercapai puluhan tahun ke depan.

Pertanyaan Terkait

Apa yang dikemukakan Ken Goldberg tentang robot humanoid?

Ken Goldberg berpendapat bahwa kemampuan robot humanoid masih jauh dari yang diprediksi oleh para optimis.

Mengapa manipulasi fisik dianggap sebagai tantangan terbesar bagi robot?

Manipulasi fisik sulit karena membutuhkan persepsi yang tepat, kontrol kontak, dan umpan balik yang kontinu, yang sulit dicapai oleh robot.

Apa yang dimaksud dengan '100.000 tahun data gap'?

'100.000 tahun data gap' mengacu pada perbedaan besar antara data yang diperlukan untuk melatih robot dan data yang digunakan untuk melatih model bahasa.

Bagaimana cara pengumpulan data dapat meningkatkan kemampuan robot?

Dengan mengerahkan robot untuk tugas-tugas tertentu, mereka dapat mengumpulkan data dunia nyata yang dapat digunakan untuk meningkatkan kemampuan mereka.

Apa tantangan yang dihadapi robot saat ini menurut para ahli?

Tantangan yang dihadapi robot saat ini adalah desain tubuh yang kurang adaptif dan kecerdasan mekanis yang rendah.