Di kantor yang tenang di Cambridge, Massachusetts, sebuah cakar robot bergerak dengan gerakan yang tak terduga. Ini tidak hanya mengambil; itu mencari. Ketika bola lampu terlepas dari genggamannya, robot tidak membeku atau mati. Sebaliknya, ia mengejar bola lampu melintasi meja, memasangnya kembali ke posisinya, dan dengan hati-hati memasangnya ke dalam soket untuk menerangi ruang kerjanya.
Selama beberapa dekade, robotika menghadapi paradoks yang membuat frustrasi yang dikenal sebagai Paradoks Moravec : penalaran tingkat tinggi (seperti bermain catur) mudah dilakukan oleh komputer, namun keterampilan sensorimotor tingkat rendah (seperti menggenggam benda rapuh atau mengikat tali sepatu) sangatlah sulit. Meskipun AI telah menguasai bahasa melalui model seperti ChatGPT, dunia fisik masih merupakan tantangan yang kacau dan tidak dapat diprediksi.
Sebuah startup bernama Eka kini mencoba menjembatani kesenjangan ini, beralih dari otomatisasi yang “kikuk” menuju kecerdasan fisik yang sebenarnya.
Rintangan “Sim-to-Real”.
Untuk memahami mengapa kemajuan Eka begitu signifikan, kita harus melihat sejarah pelatihan robotik. Pada tahun 2018, OpenAI mendemonstrasikan “Dactyl”, sebuah tangan robot yang dapat memecahkan Kubus Rubik. Meski mengesankan, kesuksesan ini “rapuh”. Robot ini mengandalkan kondisi sempurna dan sensor khusus; jika sebuah kubus tergelincir atau sudutnya sedikit melenceng, sistem gagal.
Industri ini telah lama berjuang dengan “kesenjangan sim-to-real” —keterputusan antara simulasi digital yang dikontrol sempurna dan realitas dunia fisik yang berantakan dan terikat gravitasi. Banyak peneliti percaya bahwa melatih robot sepenuhnya dalam simulasi adalah jalan buntu karena fisika virtual tidak pernah bisa secara sempurna meniru gesekan, berat, dan ketidakpastian dalam kehidupan nyata.
Pendekatan Baru: Vision-Force-Action
Ketika banyak perusahaan mencoba mengajarkan robot dengan menunjukkan video manusia melakukan tugas (metode yang dikenal sebagai model Vision-Language-Action), Eka mengambil jalan yang berbeda. Daripada meniru manusia, mereka membiarkan robot belajar sendiri melalui simulasi skala besar.
Salah satu pendiri Pulkit Agrawal (seorang profesor MIT) dan Tuomas Haarnoja (mantan peneliti Google DeepMind) telah mengembangkan pendekatan kepemilikan:
- Kecerdasan Otodidak: Mirip dengan cara AlphaZero Google belajar catur dengan bermain melawan dirinya sendiri, robot Eka menghabiskan ribuan jam di lingkungan simulasi, menciptakan strategi pergerakannya sendiri.
- Model Vision-Force-Action: Berbeda dengan model lama yang hanya “melihat” piksel, algoritme Eka menggabungkan prinsip fisika. Robot memahami massa, inersia, dan—yang terpenting—gaya.
- Umpan Balik Taktil: Eka telah mengembangkan gripper khusus yang memberikan sensasi sentuhan, sehingga robot dapat merasakan berat suatu benda atau hambatan suatu permukaan.
Dari Chicken Nugget hingga Industri Global
Implikasi praktis dari teknologi ini sangat luas. Dalam demonstrasi baru-baru ini, robot tersebut menangani tugas yang tampaknya biasa saja, seperti menyortir nugget ayam dari ban berjalan ke dalam wadah. Robot tersebut menunjukkan improvisasi yang “mirip manusia”, sesekali melemparkan nugget ke dalam wadah jika wadah tersebut berada di luar jangkauannya—tingkat pengambilan keputusan yang lancar yang jarang terlihat dalam robotika tradisional.
Kemampuan ini sangat penting bagi industri yang masih sangat bergantung pada manusia:
* Layanan Makanan: Menangani barang-barang yang tidak teratur dan halus seperti buah-buahan, sayuran, dan daging.
* Manufaktur: Melakukan tugas perakitan yang “fiddly”, seperti membangun perangkat elektronik.
* Logistik & Ritel: Menavigasi toko dan gudang di mana objek tidak selalu berada pada posisi yang dapat diprediksi.
Jalan ke Depan
Saat ini kita berada di “era GPT-1” robotika. Sama seperti model bahasa awal yang seringkali tidak koheren sebelum menjadi ahli dalam percakapan, robot-robot Eka juga menunjukkan secercah kecerdasan yang diwujudkan. Mereka mulai memahami tidak hanya dimana sebuah benda berada, namun juga bagaimana rasanya dan bagaimana benda itu bergerak.
Apakah pendekatan yang banyak melakukan simulasi ini pada akhirnya akan melampaui model demonstrasi yang dilakukan manusia masih harus dilihat. Namun, jika Eka berhasil menutup kesenjangan antara sim-to-real, maka “triliunan dolar” yang saat ini mengalir melalui tangan manusia mungkin akan segera dikelola oleh mesin dengan ketangkasan yang setara.
Kesimpulan: Dengan memprioritaskan hukum fisika dan umpan balik sentuhan dibandingkan peniruan sederhana, Eka berupaya memecahkan masalah tersulit dalam robotika: memberikan mesin kemampuan untuk bernavigasi dan memanipulasi dunia fisik yang tidak dapat diprediksi dengan keanggunan layaknya manusia.
