Havedev
Physical AI Tidak Kekurangan Ambisi, Physical AI Kekurangan Data Dunia Nyata
Di San Leandro, California, masa depan physical AI sedang diuji lewat permainan Jenga di gudang.
Seorang trainer robot dari Encord menarik balok kayu dari menara yang hampir roboh. Di kepalanya ada headset dengan kamera untuk merekam apa yang ia lihat. Tetapi bagian yang lebih menarik bukan kameranya. Headset itu juga membaca gelombang otak.
Tujuannya bukan membuat adegan futuristik untuk presentasi investor. Tujuannya lebih sederhana: mencari cara agar data pelatihan robot menjadi lebih kaya.
Encord, perusahaan yang awalnya dikenal sebagai penyedia tooling data untuk melatih model AI, sedang mencoba membuat data yang belum banyak tersedia. Mereka bekerja dengan Zander Labs, startup neuroscience dari Jerman, untuk melihat apakah sinyal otak seperti intent, surprise, dan error bisa membantu model robot belajar lebih baik.
Ini terdengar seperti lompatan besar. Tetapi masalah dasarnya sangat praktis.
Physical AI tidak bisa belajar hanya dari teks internet seperti LLM. Robot harus memahami benda, gerakan, tekanan, arah, kesalahan kecil, koordinasi tangan, dan kondisi dunia nyata yang berantakan. Data seperti itu tidak tersedia dalam jumlah besar secara gratis.
Model bahasa besar bisa dilatih dari teks yang tersebar di web. Robot tidak punya versi fisik dari seluruh internet.
The Core Update
Encord melihat bahwa batas berikutnya dalam robotics bukan selalu arsitektur model yang lebih canggih, tetapi kelangkaan data fisik yang bagus.
Karena itu, mereka tidak hanya membantu perusahaan robotics mengelola data. Mereka mulai membuat data.
Data itu dikumpulkan dengan beberapa cara:
- video dari sudut pandang manusia yang memakai kamera
- robot yang dikendalikan manusia dari jarak dekat
- rig leader-follower, ketika satu lengan robot mengikuti gerakan lengan robot lain yang dikontrol operator
- sensor otot di lengan untuk membaca sinyal gerakan tangan
- eksperimen gelombang otak untuk menandai momen seperti bingung, salah, fokus, atau terkejut
Contohnya terlihat sederhana: menuang kopi ke mug, menumpuk chip poker, mencabut dan memasang kabel ethernet, memegang benda rumah tangga, atau mengatur objek kecil.
Tetapi bagi robot, hal-hal ini sulit.
Manusia sering lupa bahwa tangan punya kemampuan yang sangat kaya. Kita bisa merasakan tekanan, mengoreksi posisi tanpa berpikir, menyesuaikan sudut jari, dan memahami kapan benda hampir jatuh. Robot masih harus belajar semua itu dari data.
Di sinilah data dunia nyata menjadi mahal.
Video biasa tidak selalu cukup. Sudut tangan bisa tertutup. Gerakan kecil bisa hilang. Kamera tidak selalu menangkap tekanan atau niat operator. Karena itu, Encord mencoba menambah lapisan data lain: anotasi padat, sensor otot, rekaman dari beberapa kamera, bahkan sinyal otak.
Pertanyaan besarnya bukan apakah ini keren.
Pertanyaan yang lebih penting: apakah data tambahan itu benar-benar membuat robot bekerja lebih baik?
Encord sendiri masih memperlakukannya sebagai trial. Data gelombang otak akan dibuat dalam skala awal, diuji ke model pelanggan, lalu dilihat apakah performanya naik. Kalau tidak terbukti berguna, eksperimen ini tidak otomatis layak diperbesar.
Itu poin yang sehat.
Dalam AI, tidak semua data tambahan berarti lebih baik. Data yang lebih mahal harus punya alasan bisnis dan teknis yang jelas.
The Reality Check
Narasi yang sering muncul adalah generative AI akan melakukan hal yang sama ke robot seperti yang sudah terjadi ke chatbot.
Sebagian benar. Model yang lebih baik memang bisa membantu robot belajar dari contoh, mengikuti instruksi, dan menyelesaikan tugas yang lebih fleksibel.
Tetapi perbandingan itu sering terlalu rapi.
LLM tumbuh karena punya bahan baku yang sangat besar: teks dari internet, kode, buku, forum, dokumentasi, dan banyak sumber digital lain. Biaya mengambil data itu, secara historis, jauh lebih murah dibanding membuat data fisik.
Physical AI berbeda.
Data robot harus diproduksi. Ada orang yang menggerakkan benda. Ada ruang fisik. Ada kamera. Ada sensor. Ada robot arm. Ada objek latihan. Ada anotasi. Ada quality control. Ada kegagalan yang harus direkam. Ada tugas yang harus diulang berkali-kali.
Ini bukan scraping. Ini manufaktur data.
Dan ketika data harus dimanufaktur, ekonomi AI ikut berubah.
Satu jam data yang bagus bisa jauh lebih bernilai daripada banyak video acak. Encord menyebut data dengan anotasi padat bisa jauh lebih bernilai untuk tugas spesifik dibanding ego data yang berantakan. Tetapi biaya produksinya juga jauh lebih tinggi.
Di atas kertas, kalau nilainya 100 kali lebih baik dan biayanya 20 kali lebih mahal, itu terlihat masuk akal.
Tetapi bisnis tetap harus membayar angka 20 kali itu.
Di sinilah banyak rencana automation biasanya bertemu realita. Bukan karena teknologinya mustahil, tetapi karena biaya membuat sistem benar-benar bisa bekerja sering lebih besar daripada demo awal.
Untuk gudang, pabrik, data center, atau rumah sakit, robot yang bisa memanipulasi objek kecil secara konsisten akan sangat bernilai. Tetapi nilai itu harus dibandingkan dengan biaya data, perangkat, integrasi, maintenance, safety, dan perubahan proses kerja.
Robot yang bisa memasang kabel ethernet terdengar sederhana. Namun di lapangan, kabel bisa miring, port bisa sempit, posisi server bisa berbeda, pencahayaan bisa buruk, dan gerakan kecil bisa menentukan berhasil atau gagal.
AI fisik tidak hanya butuh intelligence. Ia butuh toleransi terhadap dunia nyata.
Karena itu, bottleneck physical AI mungkin bukan satu breakthrough besar. Mungkin justru ribuan pekerjaan kecil yang membosankan: merekam, memberi label, mengulang, menguji, memperbaiki, lalu mengulang lagi.
Ini mengingatkan pada banyak transformasi digital di bisnis biasa.
Dari luar, orang melihat dashboard, aplikasi, atau automation. Dari dalam, keberhasilannya sering ditentukan oleh hal yang lebih dasar: apakah data masuk dengan benar, status jelas, alur kerja konsisten, dan exception tidak disembunyikan.
Physical AI sedang mengalami versi yang lebih mahal dari masalah yang sama.
The Havedev Way
Dari sudut pandang Havedev, berita ini penting bukan karena semua bisnis perlu memakai sensor otak untuk automation.
Hampir pasti tidak.
Pelajarannya lebih dekat: AI yang berguna selalu bergantung pada data kerja yang jelas.
Untuk robot, datanya berupa gerakan tangan, video egosentris, sinyal otot, anotasi tugas, dan kondisi objek. Untuk bisnis biasa, datanya bisa berupa lead, order, tiket support, invoice, stok, follow-up, atau status project.
Prinsipnya sama.
Kalau data dasarnya kabur, AI hanya mempercepat kebingungan.
Banyak bisnis ingin langsung melompat ke automation, chatbot, CRM AI, dashboard prediktif, atau workflow pintar. Itu wajar. Tetapi sebelum AI bisa membantu, sistem harus tahu apa yang sedang terjadi.
Contohnya:
- lead ini baru masuk atau sudah dihubungi?
- customer ini bertanya umum atau siap beli?
- order ini menunggu pembayaran atau menunggu stok?
- tiket support ini butuh tim teknis atau admin?
- project ini macet karena client atau karena internal?
Jika jawaban dasar ini belum konsisten, AI sulit memberi rekomendasi yang bisa dipercaya.
Sama seperti robot butuh data manipulasi yang rapi sebelum bisa memegang objek dengan benar, bisnis butuh data operasional yang rapi sebelum bisa mengotomatisasi keputusan.
Langkah yang lebih sehat bukan langsung bertanya, “AI apa yang bisa dipakai?”
Mulai dari pertanyaan yang lebih membumi:
- pekerjaan mana yang paling sering terlambat?
- data apa yang selalu ditanyakan ulang?
- status mana yang sering berarti beda bagi tiap orang?
- keputusan apa yang masih bergantung pada ingatan orang tertentu?
- bagian mana yang paling dekat dengan pendapatan atau pengalaman pelanggan?
Dari sana, teknologi baru bisa dipilih dengan lebih masuk akal.
Mungkin cukup memperbaiki form website agar lead masuk dengan konteks yang lebih jelas. Mungkin cukup membuat status follow-up yang lebih disiplin. Mungkin perlu dashboard operasional. Mungkin perlu integrasi WhatsApp, CRM, dan invoice. Mungkin memang perlu AI untuk membantu klasifikasi pesan atau prioritas follow-up.
Tetapi urutannya penting.
Struktur dulu. Automation setelahnya.
Berita tentang Encord dan data physical AI menunjukkan bahwa bahkan perusahaan AI paling maju pun tetap harus menghadapi pekerjaan dasar: membuat data yang bisa dipercaya.
Bisnis juga begitu.
AI tidak menghapus kebutuhan untuk memahami proses. AI justru membuat proses yang kabur menjadi lebih terlihat risikonya.
Kalau data kerja belum jelas, jangan buru-buru mengejar tool paling canggih. Mulai dari alur yang paling dekat dengan uang, pelanggan, dan keputusan harian.
Setelah itu, automation punya tempat yang lebih sehat.
Bukan sebagai hiasan teknologi, tetapi sebagai penguat proses yang memang sudah bisa dibaca.
Dapatkan Audit Teknis Gratis untuk meninjau apakah website, lead, data operasional, dan automation bisnis Anda sudah cukup jelas sebelum ditambah AI.
Sumber referensi berita: TechCrunch