Havedev
Robot AI Tidak Kekurangan Ambisi, Robot AI Kekurangan Data Kerja Nyata
Banyak orang melihat perkembangan AI robotics sebagai perlombaan membuat robot yang lebih pintar. Lab besar ingin mesin bisa bergerak, memegang benda, melipat baju, merapikan barang, atau membantu pekerjaan fisik sehari-hari.
Di permukaan, ceritanya terdengar seperti kelanjutan alami dari language model. Setelah AI bisa menulis, menjawab, menggambar, dan membuat kode, langkah berikutnya adalah membuat AI bisa bekerja di dunia fisik.
Tetapi ada masalah yang lebih dasar: robot tidak bisa belajar hanya dari internet.
Model bahasa bisa dilatih dari teks dalam jumlah besar. Model gambar bisa belajar dari kumpulan gambar yang sangat luas. Robot membutuhkan sesuatu yang berbeda: data interaksi fisik. Bagaimana tangan bergerak. Seberapa kuat benda ditekan. Apa yang terjadi ketika kain dilipat. Bagaimana kotak berubah bentuk ketika diratakan. Bagaimana objek kecil dimasukkan ke wadah tanpa jatuh.
Data seperti ini tidak banyak tersedia secara publik. Video YouTube bisa menunjukkan manusia melakukan pekerjaan, tetapi tidak selalu memberi informasi yang cukup tentang gerakan, tekanan, posisi, sensor, dan konteks fisik yang dibutuhkan robot.
Di sinilah XDOF masuk. Startup ini muncul dari stealth dengan pendanaan 70 juta dolar dan fokus membangun pipeline data, alat pengumpulan, sistem anotasi, dan proses pembersihan data untuk perusahaan yang sedang mengejar robotics AI.
Ini terlihat seperti bisnis infrastruktur yang tidak terlalu glamor. Tetapi justru di situlah poin pentingnya.
The Core Update
OpenAI baru-baru ini memberi sinyal akan menghidupkan kembali program robotics yang sebelumnya ditutup pada 2021. Itu bukan sinyal kecil. Ketika lab besar mulai kembali serius ke robotics, berarti mereka melihat physical AI sebagai area berikutnya yang penting.
Masalahnya, membangun robot yang benar-benar berguna tidak cukup dengan model besar dan chip mahal.
Robot membutuhkan data latihan yang berkualitas. Bukan hanya data visual, tetapi data yang merekam tindakan fisik. Karena itu, XDOF bertaruh bahwa bottleneck berikutnya dalam AI bukan hanya model atau komputasi, melainkan feedback loop data untuk mengajarkan robot berinteraksi dengan dunia nyata.
XDOF ingin membantu frontier AI labs dan perusahaan robotics mengumpulkan, membersihkan, memberi anotasi, dan mengelola data tersebut. Perusahaan ini mengatakan sudah bekerja dengan sekitar 20 pelanggan, termasuk beberapa lab AI besar, meskipun belum bisa menyebutkan namanya.
Akar masalahnya cukup sederhana. Saat CEO XDOF Philipp Wu masih menjadi PhD student di UC Berkeley, ia ingin melatih robot menggunakan dataset besar. Tetapi dataset besar itu belum ada.
Ini menciptakan masalah ayam dan telur. Untuk melatih foundation model robotics, dibutuhkan data besar. Tetapi untuk membuat data besar, dibutuhkan sistem pengumpulan data yang rapi, murah, dan bisa diskalakan.
Salah satu proyek awalnya adalah GELLO, sistem teleoperation murah yang memungkinkan manusia mengendalikan lengan robot untuk menghasilkan data latihan. Dari situ, kebutuhan pasar terlihat jelas: banyak tim robotics tidak hanya membutuhkan robot, tetapi juga cara yang konsisten untuk mengumpulkan pengalaman robot.
XDOF juga bekerja sama dengan UC Berkeley AI Research lab untuk merilis ABC, kumpulan data robot manipulation yang disebut sebagai salah satu koleksi data berkualitas terbesar untuk akademia. Dataset ini mencakup 130.000 trajectory, 300 jam simulasi, dan 100 jam evaluasi.
Data ini sudah digunakan untuk melatih robot pada tugas seperti melipat T-shirt, meratakan kotak, dan memasukkan AirPods ke casing.
Sekilas tugas-tugas itu terlihat kecil. Tetapi untuk robot, pekerjaan sederhana manusia sering kali adalah masalah teknis yang sangat rumit.
The Reality Check
Narasi AI sering membuat kita terlalu fokus pada model. Model lebih besar. Benchmark lebih tinggi. Demo lebih mulus. Jawaban lebih cepat.
Tetapi robotics mengingatkan kita pada hal yang lebih membumi: AI tidak hanya butuh kecerdasan, AI butuh pengalaman kerja yang benar.
Di dunia software, data bisa disalin dengan mudah. Di dunia fisik, data harus dibuat. Ada robot yang harus dibeli. Ada sensor yang harus dipasang. Ada kamera yang harus dipilih. Ada operator yang harus dilatih. Ada warehouse yang harus disiapkan. Ada kalibrasi yang harus dijaga. Ada kesalahan kecil yang bisa membuat seluruh data menjadi kurang berguna.
Ini bukan pekerjaan yang terlihat keren dari luar. Mengumpulkan data robot adalah pekerjaan kotor, repetitif, mahal, dan penuh detail operasional.
Namun justru pekerjaan seperti ini sering menentukan siapa yang benar-benar maju.
XDOF membagi sumber data ke beberapa tingkat. Data paling bernilai adalah teleoperation pada robot yang memang akan dipakai. Tingkat berikutnya adalah data umum dari robot yang dikendalikan manusia. Setelah itu ada data egocentric dari manusia yang melakukan aktivitas sehari-hari, kemungkinan menggunakan sensor wearable.
Setiap tingkat punya masalah sendiri. Kamera yang salah bisa membuat tracking tangan buruk. Sensor yang tidak konsisten bisa membuat data sulit dipakai. Operator yang tidak dilatih dengan baik bisa menghasilkan pola gerakan yang tidak rapi. Lingkungan yang tidak terkontrol bisa membuat robot belajar dari kondisi yang terlalu sempit.
Di sini terlihat bahwa robotics AI bukan hanya masalah riset. Ini juga masalah operasi.
Lab AI besar mungkin punya peneliti terbaik, model terbaik, dan modal besar. Tetapi membangun fasilitas ratusan ribu kaki persegi, merawat ratusan robot, melatih operator, mengatur kualitas data, dan menjaga pipeline harian bukan pekerjaan yang selalu ingin mereka lakukan sendiri.
Karena itu, outsourcing ke perusahaan seperti XDOF masuk akal.
Ini mirip dengan banyak bisnis digital. Owner sering ingin dashboard, automation, atau AI assistant. Tetapi sebelum itu, data operasionalnya harus jelas. Kalau data lead berantakan, CRM tidak banyak membantu. Kalau status order tidak konsisten, dashboard hanya mempercantik kebingungan. Kalau proses support tidak punya kategori yang jelas, automation bisa mempercepat respons yang salah.
Di robotics, versinya lebih ekstrem. Kalau data fisik buruk, robot tidak hanya salah menjawab. Robot bisa gagal memegang benda, merusak barang, atau tidak bisa menyelesaikan tugas sederhana.
Jadi realitanya: physical AI tidak akan hanya dimenangkan oleh model paling pintar. Ia akan dimenangkan oleh tim yang paling disiplin membangun data loop dari dunia nyata.
The Havedev Way
Dari sudut pandang Havedev, berita XDOF menarik karena menunjukkan pola yang sering muncul di banyak fase teknologi: hal yang terlihat canggih di depan layar biasanya bergantung pada pekerjaan dasar yang tidak terlihat.
AI robotics terlihat seperti masa depan. Tetapi fondasinya adalah pipeline data, quality control, anotasi, operator, sensor, dan feedback loop.
Untuk bisnis, pelajarannya bukan berarti semua perusahaan harus masuk ke robotics. Pelajarannya lebih praktis: jangan terlalu cepat membeli teknologi sebelum memahami data kerja yang dibutuhkan teknologi itu.
Banyak bisnis ingin memakai AI untuk sales, customer service, finance, inventory, atau operasional. Itu masuk akal. Tetapi AI yang baik membutuhkan konteks yang baik.
Pertanyaannya bukan hanya:
- AI apa yang bisa dipakai?
- tool apa yang sedang populer?
- automation apa yang bisa dibuat?
- dashboard apa yang bisa ditampilkan?
Pertanyaannya juga harus:
- data apa yang sudah tersedia?
- data apa yang masih harus dikumpulkan manual?
- siapa yang bertanggung jawab memperbarui data itu?
- status apa yang sering tidak konsisten?
- keputusan apa yang ingin dipercepat?
- kesalahan apa yang paling mahal jika AI salah membaca konteks?
Jika jawaban ini belum jelas, teknologi baru hanya akan memperbesar masalah lama.
Untuk AI di bisnis, data yang berguna sering bukan data yang paling banyak. Data yang berguna adalah data yang cukup rapi untuk dipakai mengambil tindakan.
Lead yang punya sumber, kebutuhan, urgensi, dan status follow-up lebih berguna daripada daftar kontak panjang tanpa konteks. Ticket support yang punya kategori, prioritas, pemilik, dan riwayat respons lebih berguna daripada inbox besar yang hanya terlihat ramai. Order yang punya status jelas lebih berguna daripada catatan penjualan yang harus ditanyakan ulang lewat chat.
XDOF sedang membangun infrastruktur agar robot bisa belajar dari dunia fisik. Bisnis juga perlu membangun infrastruktur agar sistem digital bisa belajar dari pekerjaan nyata.
Kadang bentuknya bukan machine learning yang rumit. Bisa jadi hanya form yang lebih baik, CRM yang lebih disiplin, webhook yang benar, dashboard status yang sederhana, atau automation kecil yang mengingatkan follow-up.
Tetapi prinsipnya sama: sistem hanya sepintar data kerja yang masuk ke dalamnya.
Jika bisnis ingin memakai AI dengan sehat, mulai dari alur yang paling dekat dengan uang atau pengalaman pelanggan. Petakan dari awal sampai selesai. Tentukan statusnya. Tentukan pemiliknya. Tentukan informasi minimal yang wajib ada. Baru setelah itu pilih tool, automation, atau AI layer yang tepat.
Robot AI mengingatkan kita bahwa masa depan tidak hanya dibangun oleh demo besar. Masa depan juga dibangun oleh orang-orang yang sabar mengumpulkan data, membersihkan proses, dan membuat sistem belajar dari kenyataan.
Untuk banyak bisnis, itu juga titik awal yang lebih realistis.
Sebelum bertanya AI apa yang perlu dipakai, tanyakan dulu: apakah data pekerjaan Anda sudah cukup jelas untuk diajarkan kepada sistem?
Kalau jawabannya belum, mulai dari sana.
Dapatkan Audit Teknis Gratis untuk meninjau alur data, website, lead, dan automation bisnis Anda sebelum menambahkan AI ke proses operasional.
Sumber referensi berita: TechCrunch