Kombinasi DePIN dan Kecerdasan Embodied: Tantangan Teknologi dan Prospek Masa Depan

Dalam sebuah podcast pada 27 Februari, co-founder FrodoBot Lab, Michael Cho, membahas tantangan dan peluang jaringan infrastruktur fisik terdesentralisasi (DePIN) di bidang teknologi robotik. Meskipun bidang ini masih berada pada tahap awal, potensinya sangat besar dan dapat mengubah cara kerja robot AI di dunia nyata secara drastis. Namun, berbeda dengan AI tradisional yang bergantung pada banyak data internet, teknologi AI robot DePIN menghadapi masalah yang lebih kompleks, termasuk pengumpulan data, keterbatasan perangkat keras, kendala evaluasi, dan keberlanjutan model ekonomi.

Artikel ini akan menganalisis secara mendalam poin-poin kunci dalam diskusi ini, mengeksplorasi masalah yang dihadapi oleh teknologi robot DePIN, memperluas hambatan utama untuk robot terdesentralisasi, serta keuntungan DePIN dibandingkan dengan metode terpusat. Terakhir, kami akan melihat masa depan teknologi robot DePIN, memikirkan apakah kita akan segera menyambut "momen ChatGPT" di bidang ini.

Bottleneck DePIN Robot Cerdas

Bottleneck 1: Data

Berbeda dengan model AI "online" yang bergantung pada banyak data internet, AI terwujud perlu berinteraksi dengan dunia nyata untuk mengembangkan kecerdasan. Saat ini, di dunia ini kurang dasar besar seperti itu, dan belum ada konsensus tentang bagaimana mengumpulkan data tersebut. Pengumpulan data untuk AI terwujud dapat dibagi menjadi tiga kategori utama:

1. Data operasi manusia: kualitas tinggi, dapat menangkap aliran video dan label tindakan, tetapi biayanya tinggi dan intensitas kerja besar.
2. Data sintetis (data simulasi): cocok untuk melatih robot bergerak di medan yang kompleks, tetapi kurang efektif dalam tugas yang berubah-ubah.
3. Pembelajaran video: Belajar dengan mengamati video dunia nyata, tetapi kurangnya umpan balik interaksi fisik yang sebenarnya yang diperlukan untuk kecerdasan.

Kendala Dua: Tingkat Otonomi

Untuk membuat teknologi robotik benar-benar praktis, tingkat keberhasilan harus mendekati 99,99% bahkan lebih tinggi. Namun, setiap peningkatan 0,001% dalam akurasi memerlukan waktu dan tenaga yang meningkat secara eksponensial. Kemajuan teknologi robotik tidak bersifat linier, tetapi bersifat eksponensial, dan setiap langkah maju akan meningkatkan kesulitan secara signifikan.

Bottleneck Tiga: Pembatasan Perangkat Keras

Meskipun model AI semakin maju, perangkat keras robot yang ada masih belum siap untuk mencapai otonomi yang sebenarnya. Masalah utama meliputi:

• Sensor sentuh yang kurang: Teknologi paling canggih saat ini masih jauh dari sensitivitas ujung jari manusia.
• Masalah penutupan: Robot sulit untuk mengenali dan berinteraksi dengan beberapa objek yang terhalang.
• Desain aktuator: Kebanyakan aktuator robot humanoid ditempatkan langsung di sendi, yang menyebabkan gerakan menjadi berat dan berpotensi berbahaya.

Bottleneck Empat: Kesulitan Ekspansi Perangkat Keras

Implementasi teknologi robotika cerdas memerlukan penerapan perangkat fisik di dunia nyata, yang membawa tantangan modal yang besar. Saat ini, bahkan robot humanoid yang paling efisien pun harganya mencapai puluhan ribu dolar, dan kesulitan besar dalam penyebaran massal.

Bottleneck Lima: Evaluasi Efektivitas

Evaluasi AI fisik memerlukan penerapan jangka panjang dan berskala besar di dunia nyata, yang merupakan proses yang memakan waktu dan kompleks. Satu-satunya cara untuk memvalidasi teknologi kecerdasan robot adalah dengan mengamati di mana ia gagal, yang berarti perlu dilakukan penerapan waktu nyata yang berlangsung lama.

Bottleneck Enam: Permintaan Tenaga Kerja

Dalam pengembangan AI robot, tenaga kerja manusia masih sangat penting. Robot memerlukan operator manusia untuk menyediakan data pelatihan, tim pemeliharaan untuk menjaga agar tetap beroperasi, serta peneliti dan pengembang untuk terus mengoptimalkan model AI. Intervensi manusia yang berkelanjutan ini adalah salah satu tantangan utama yang harus diatasi oleh DePIN.

Prospek Masa Depan: Momen ChatGPT dalam Teknologi Robotika

Meskipun AI robot umum masih memiliki jarak yang cukup jauh dari penerapan skala besar, kemajuan teknologi robot DePIN memberikan harapan. Skala dan koordinasi jaringan terdesentralisasi dapat mendistribusikan beban modal, mempercepat proses pengumpulan dan evaluasi data.

Keunggulan DePIN di bidang teknologi robotika meliputi:

1. Mempercepat pengumpulan dan evaluasi data: Jaringan terdesentralisasi dapat beroperasi secara paralel dalam skala yang lebih besar dan mengumpulkan data.
2. Perbaikan desain perangkat keras yang didorong oleh AI: Mengoptimalkan chip dan rekayasa material melalui AI dapat secara signifikan memperpendek waktu pengembangan.
3. Infrastruktur komputasi terdesentralisasi: memungkinkan peneliti global untuk melatih dan mengevaluasi model tanpa batasan modal.
4. Model profit baru: seperti mode operasi mandiri dan insentif token yang ditampilkan oleh agen AI.

Kesimpulan

Perkembangan AI robot tidak hanya bergantung pada algoritma, tetapi juga melibatkan peningkatan perangkat keras, akumulasi data, dukungan modal, serta partisipasi manusia. Pendirian jaringan robot DePIN berarti bahwa, dengan memanfaatkan kekuatan jaringan terdesentralisasi, pengumpulan data robot, sumber daya komputasi, dan investasi modal dapat dilakukan secara kolaboratif di seluruh dunia. Ini tidak hanya mempercepat pelatihan AI dan optimisasi perangkat keras, tetapi juga menurunkan ambang pengembangan, sehingga lebih banyak peneliti, pengusaha, dan pengguna individu dapat terlibat.

Kami berharap industri robotik tidak lagi bergantung pada beberapa raksasa teknologi, tetapi didorong oleh komunitas global untuk menuju ekosistem teknologi yang benar-benar terbuka dan berkelanjutan. Meskipun tantangan banyak, masa depan teknologi robot DePIN penuh harapan dan diharapkan dapat mengubah cara interaksi AI dengan dunia fisik secara drastis.