Physical AI Tidak Kekurangan Model, Physical AI Kekurangan Data Dunia Nyata

Banyak orang melihat perkembangan AI dari sisi model. Model lebih besar, arsitektur lebih baru, reasoning lebih kuat, dan kemampuan generatif yang semakin terlihat seperti lompatan besar.

Untuk chatbot, pola itu memang masuk akal. Model bisa belajar dari teks, kode, forum, dokumentasi, artikel, dan banyak jejak digital lain yang sudah tersedia di internet.

Tetapi untuk robot, ceritanya lebih keras.

Robot tidak hanya perlu tahu jawaban yang benar. Robot perlu menyentuh benda, menahan tekanan, membaca posisi tangan, menghindari tumpahan, memasang kabel, mengambil barang, dan bergerak di ruang fisik yang tidak selalu rapi.

Berita tentang Encord yang mengumpulkan data robotik menggunakan video egosentris, sensor otot, bahkan gelombang otak, menunjukkan satu hal penting: batas physical AI mungkin bukan sekadar model. Batasnya adalah data dunia nyata yang cukup bagus.

The Core Update

Encord, perusahaan yang awalnya dikenal sebagai penyedia tooling data untuk melatih model AI, mulai masuk lebih jauh ke produksi data fisik untuk robot.

Di fasilitas mereka di San Leandro, California, pekerja yang disebut pilot melakukan berbagai tugas fisik untuk melatih robot. Salah satu contohnya terlihat sederhana: bermain Jenga. Tetapi tugas itu direkam dengan headset berkamera, lalu ditambah sensor yang membaca gelombang otak.

Headset itu dibuat oleh Zander Labs, startup neuroscience dari Jerman. Tujuannya bukan membuat robot membaca pikiran manusia secara ajaib. Tujuannya lebih praktis: memahami kondisi mental seperti error, intent, surprise, atau tingkat usaha kognitif saat manusia melakukan tugas tertentu.

Jika data seperti ini terbukti berguna, model robot bisa belajar bukan hanya dari apa yang terlihat di video, tetapi juga dari kapan manusia merasa ragu, terkejut, atau perlu usaha ekstra.

Encord juga mengumpulkan data lain. Ada video dari sudut pandang pekerja, robot yang dikendalikan jarak jauh, leader-follower rigs untuk meniru gerakan manusia, sensor di lengan untuk membaca sinyal otot, dan anotasi detail seperti “right hand tightens bolt”.

Contoh tugasnya juga sangat fisik: menuang kopi, menumpuk poker chips, memasang dan mencabut kabel ethernet dari server, memegang benda rumah tangga, sampai memanipulasi objek kecil yang sulit dilakukan robot.

Di permukaan, ini terdengar seperti eksperimen futuristis.

Tetapi inti bisnisnya lebih sederhana: data fisik yang dibutuhkan robot belum tersedia dalam skala cukup besar. Jadi data itu harus dibuat.

The Reality Check

Perbandingan physical AI dengan large language model sering terdengar menarik. Jika AI bisa belajar bahasa dari internet, mungkin robot juga bisa belajar dunia fisik dari video.

Sebagian benar. Video bisa membantu. Simulasi bisa membantu. Teleoperation bisa membantu.

Tetapi dunia fisik punya biaya yang berbeda.

Teks di internet sudah ada. Banyak model bahasa dibangun dari data yang relatif murah untuk dikumpulkan. Robot tidak punya kemewahan yang sama. Data robotik harus direkam, diarahkan, dikontrol, diberi konteks, divalidasi, dan sering kali dibuat ulang untuk tugas yang sangat spesifik.

Memasang kabel ethernet bukan sekadar “tangan bergerak ke port”. Ada sudut, tekanan, hambatan kecil, posisi jari, gerakan koreksi, dan kegagalan kecil yang justru penting untuk dipelajari.

Itulah sebabnya Encord melihat data generation sebagai bisnis, bukan sekadar pekerjaan pendukung.

Masalahnya, data bagus mahal.

Encord memperkirakan anotasi yang padat dan spesifik bisa jauh lebih bernilai daripada data egosentris yang berantakan. Tetapi biaya produksinya juga jauh lebih tinggi. Dalam AI teks, data sering terlihat seperti bahan mentah yang tinggal diambil. Dalam robotik, data lebih mirip barang manufaktur.

Ini membuat physical AI punya ritme yang berbeda dari software AI biasa.

Chatbot bisa terlihat berkembang cepat karena input dan outputnya digital. Robot harus menghadapi benda nyata. Benda bisa licin, miring, terlalu kecil, terlalu berat, atau berada di posisi yang tidak ideal. Ruang kerja juga tidak selalu bersih seperti demo.

Di sinilah hype perlu ditahan.

Gelombang otak terdengar seperti terobosan besar. Sensor otot terdengar canggih. Headset, kamera, dan robot arm terlihat meyakinkan. Tetapi pertanyaan bisnisnya tetap sederhana: apakah data tambahan itu benar-benar membuat performa robot lebih baik untuk pekerjaan nyata?

Encord sendiri belum menganggap ini selesai. Mereka masih menjalankan trial, membuat dataset awal, mengujinya ke model pelanggan, lalu melihat apakah performanya naik.

Itu pendekatan yang sehat.

Bukan semua sensor baru otomatis berguna. Bukan semua data tambahan otomatis membuat model lebih pintar. Kadang data yang lebih mahal hanya membuat pipeline lebih rumit. Kadang data sederhana tetapi konsisten justru memberi hasil lebih baik.

Physical AI tidak butuh semua kemungkinan data. Physical AI butuh data yang tepat untuk tugas yang jelas.

The Havedev Way

Dari sudut pandang Havedev, pelajaran dari berita ini tidak hanya berlaku untuk perusahaan robotik.

Banyak bisnis juga sering berpikir masalah digitalnya ada di model, tool, atau automation. Padahal masalah dasarnya sering ada di data kerja yang belum cukup jelas.

AI customer service tidak akan banyak membantu kalau kategori tiket masih kabur. Sales automation tidak akan sehat kalau status lead belum konsisten. Dashboard operasional tidak akan berguna kalau input dari tim berbeda-beda. Forecasting tidak akan kuat kalau data historis penuh pengecualian yang tidak pernah dicatat.

Robot butuh data fisik yang rapi. Bisnis butuh data operasional yang rapi.

Prinsipnya mirip: sebelum berharap AI mengambil keputusan, bisnis perlu memastikan sistem tahu apa yang sedang terjadi.

Untuk perusahaan yang ingin memakai AI atau automation, pertanyaan awal sebaiknya bukan “model apa yang paling canggih?” tetapi:

• data apa yang sudah tersedia?
• data mana yang masih harus dibuat manual?
• status apa yang belum konsisten?
• proses mana yang paling sering gagal terbaca?
• keputusan apa yang ingin dipercepat?
• apakah output AI bisa diuji dengan ukuran yang jelas?

Kalau jawaban ini belum ada, menambah AI sering hanya memindahkan kebingungan ke interface yang lebih modern.

Berita Encord menarik karena menunjukkan sisi yang jarang terlihat dari AI: pekerjaan kasar di balik model. Ada orang yang memainkan Jenga, menuang kopi, memasang kabel, menggerakkan robot arm, memberi anotasi, dan membuat data yang cukup bersih agar model bisa belajar.

Di banyak bisnis, pekerjaan serupa juga diperlukan sebelum automation berjalan. Bukan memasang sensor otak, tetapi merapikan form, menyepakati status, membersihkan data pelanggan, mencatat alasan deal hilang, memberi label tipe support, dan menentukan kapan follow-up harus terjadi.

Itu tidak se-futuristis robot humanoid.

Tetapi sering kali itulah bagian yang membuat AI benar-benar berguna.

Physical AI mengingatkan kita bahwa kecerdasan buatan tidak tumbuh dari model saja. Ia tumbuh dari data yang cukup dekat dengan kenyataan.

Untuk robot, kenyataan itu adalah tangan, benda, tekanan, kabel, dan gerakan kecil.

Untuk bisnis, kenyataan itu adalah lead, order, tiket, invoice, follow-up, dan keputusan harian yang sering tidak tercatat dengan baik.

Sebelum mengejar AI yang lebih canggih, cek dulu apakah data kerja Anda cukup jelas untuk diajarkan ke sistem.

Kalau belum, mulai dari sana.

Dapatkan Audit Teknis Gratis untuk meninjau data, alur kerja, dan peluang automation yang paling masuk akal untuk bisnis Anda.

---

Sumber referensi berita: TechCrunch