- Physical Intelligence memperkenalkan π0(pi-zero), model fondasi robot serbaguna yang memungkinkan robot menerima instruksi teks dan menjalankan berbagai tugas fisik
- π0 dilatih menggunakan kombinasi prapelatihan visi-bahasa berskala internet, Open X Embodiment Dataset, serta data tugas ketangkasan yang dikumpulkan dari 8 jenis robot
- Model ini memproses gambar, teks, dan aksi secara bersamaan, lalu menghasilkan perintah motor robot hingga 50 kali per detik melalui keluaran aksi kontinu berbasis flow matching
- Setelah post-training, model dapat melakukan tugas manipulasi kompleks dengan kondisi yang berubah setiap kali, seperti melipat cucian, merapikan meja, dan merakit kotak
- Dalam 5 tugas evaluasi, π0 menunjukkan performa rata-rata lebih tinggi daripada OpenVLA, Octo, dan π0-small, tetapi penalaran dan perencanaan jangka panjang, peningkatan mandiri, robustness, dan keamanan masih menjadi tantangan berikutnya
Kebijakan robot serbaguna yang ditargetkan π0
- Selama 8 bulan terakhir, Physical Intelligence mengembangkan π0(pi-zero), model fondasi robot serbaguna
- Tujuannya adalah membuat pengguna dapat mengatakan tugas yang diinginkan kepada robot seperti saat meminta sesuatu kepada LLM atau chatbot, lalu robot menjalankan tugas tersebut di dunia fisik
- Seperti LLM, π0 dilatih dengan data yang luas dan beragam serta mengikuti instruksi teks, tetapi berbeda dari LLM, model ini menangani gambar, teks, dan aksi secara bersamaan
- Model ini mempelajari kecerdasan fisik dari pengalaman robot yang terwujud secara fisik, dan melalui arsitektur baru, langsung mengeluarkan perintah motor tingkat rendah
- Model ini dapat mengendalikan berbagai robot, dan tugas yang diinginkan dapat diberikan lewat prompt atau model dapat di-fine-tune untuk skenario penerapan yang sulit
Mengapa perlu melampaui otomasi sempit
- Saat ini robot masih berada dalam domain spesialisasi yang sempit
- Robot industri diprogram untuk gerakan berulang di lini perakitan, seperti mengelas pada posisi yang sama atau memasukkan benda yang sama ke kotak yang sama
- Bahkan gerakan sederhana seperti ini membutuhkan banyak rekayasa manual
- Melakukan tindakan yang lebih kompleks di lingkungan nyata yang berantakan seperti rumah jauh lebih sulit
- Agar robot dapat mempelajari dan mengikuti instruksi pengguna, dibutuhkan data berskala besar
- Model bahasa dan model fondasi lain memanfaatkan data dokumen dalam jumlah besar dari web
- Untuk data robot, belum ada repositori berskala besar yang setara
- Untuk mengajarkan keterampilan baru, perlu mengumpulkan banyak data yang disesuaikan dengan robot dan aplikasi tertentu
- Jika satu kebijakan robot serbaguna dapat menangani banyak keterampilan dan banyak robot, jumlah data yang dibutuhkan untuk tiap robot dan aplikasi dapat dikurangi
- Seperti model bahasa yang menggantikan sistem pemrosesan bahasa khusus berkat prapelatihan yang beragam, kebijakan robot serbaguna akan berperan sebagai model fondasi robot untuk kecerdasan fisik
Data pelatihan dan konfigurasi robot
- π0 adalah prototipe pertama kebijakan robot serbaguna yang dilatih dengan dataset interaksi robot terbesar hingga saat ini
- Campuran pelatihan keseluruhan mencakup data open source dan data tugas ketangkasan dari 8 jenis robot yang dikumpulkan Physical Intelligence
-
Komposisi data pelatihan
- Open X Embodiment Dataset
- Prapelatihan berskala internet
- π Dataset yang terdiri dari berbagai robot berketerampilan tangan
- Konfigurasi robot mencakup UR5e, Bimanual UR5e, Franka, Bimanual Trossen, Bimanual Arx, Mobile Trossen, Mobile Fibocom, dan lainnya
-
Jenis tugas yang disertakan
- Membereskan piring
- Memasukkan barang ke kantong
- Melipat pakaian
- Merutekan kabel
- Merakit kotak
- Mencolokkan steker listrik
- Menaruh makanan ke kotak takeout
- Mengambil dan membuang sampah
- Tujuan pemilihan tugas bukan untuk menyelesaikan satu aplikasi tertentu, melainkan memberi model pemahaman umum tentang interaksi fisik
Pemahaman semantik berskala internet dan keluaran aksi kontinu
- Sembari dilatih dengan berbagai data robot, π0 juga mewarisi pengetahuan semantik dan pemahaman visual dari model visi-bahasa (VLM) yang telah diprapelatih
- VLM dilatih untuk memodelkan teks dan gambar dari web; GPT-4V dan Gemini adalah contoh yang banyak digunakan
- π0 menggunakan VLM 3 miliar parameter yang lebih kecil sebagai titik awal, lalu menyesuaikannya untuk kontrol robot berketerampilan tangan secara real-time
- VLM dapat mentransfer pengetahuan semantik yang diperoleh dari web, tetapi pada dasarnya hanya mengeluarkan token bahasa diskret
- Manipulasi robot berketerampilan tangan membutuhkan keluaran perintah motor berfrekuensi tinggi
- π0 harus mengeluarkan perintah motor hingga 50 kali per detik
- Untuk itu, π0 menambahkan keluaran aksi kontinu ke VLM prapelatihan menggunakan flow matching, sebuah varian model diffusion
- Model akhir adalah model flow matching visi-bahasa-aksi, yang kemudian menjalani post-training dengan data robot berkualitas tinggi untuk menyelesaikan berbagai tugas downstream
Tugas ketangkasan yang ditangani melalui post-training
- Untuk tugas yang lebih kompleks dan membutuhkan ketangkasan, model mungkin perlu di-fine-tune sesuai tugas downstream
- Proses fine-tuning dengan data berkualitas tinggi untuk tugas yang sulit ini mirip dengan post-training yang digunakan dalam desain LLM
- Prapelatihan mengajarkan model tentang dunia fisik, sedangkan fine-tuning membuatnya menjalankan tugas tertentu dengan baik
-
Melipat cucian
- π0 di-fine-tune untuk tugas melipat cucian menggunakan robot bergerak atau robot dua lengan tetap
- Tujuannya adalah membuat pakaian menjadi tumpukan yang rapi
- Satu kaus yang diletakkan rata di atas meja kadang dapat dilipat dengan pengulangan gerakan yang telah ditentukan
- Tumpukan cucian yang kusut selalu berkerut dengan cara yang berbeda-beda, sehingga sekadar mengulang gerakan lengan yang sama tidak cukup
- Setelah post-training, robot dapat mengambil pakaian dari mesin pengering, membawanya ke meja, lalu melipatnya menjadi tumpukan
- Video tersebut adalah adegan tanpa edit, dengan satu kebijakan yang berjalan sepenuhnya otonom
- Berkat pelatihan dengan data yang beragam, robot dapat pulih bahkan ketika manusia mencoba mengintervensi dengan berbagai cara
- Sepengetahuan Physical Intelligence, belum ada sistem robot sebelumnya yang melakukan tugas ini pada tingkat kompleksitas tersebut
-
Merapikan meja
- π0 juga di-fine-tune untuk tugas membereskan piring dan sampah di atas meja
- Piring, alat makan, dan gelas dimasukkan ke bussing bin, sedangkan sampah dimasukkan ke tempat sampah
- Tugas ini harus menangani benda yang sangat beragam
- Sebagai hasil pelatihan dengan data berskala besar dan beragam, muncul beberapa strategi
- Alih-alih mengambil benda satu per satu, robot dapat menumpuk beberapa piring lalu memasukkannya bersama-sama
- Sebelum memasukkan piring ke bussing bin, robot dapat menggoyangkan sampah di atas piring agar jatuh ke tempat sampah
-
Merakit kotak
- Robot harus melipat dan menegakkan kotak kardus bergelombang yang datar, melipat sisi-sisinya, lalu memasukkan penutupnya
- Tiap tahap melipat dan memasukkan dapat gagal secara tak terduga, sehingga robot harus melihat progres dan menyesuaikan gerakannya
- Robot harus menggunakan kedua lengan dan meja untuk menopang kotak agar kotak yang sebagian sudah terlipat tidak terbuka kembali
Perbandingan evaluasi dengan OpenVLA dan Octo
- π0 dibandingkan dengan OpenVLA dan Octo, model fondasi robot yang diusulkan di dunia akademik
- OpenVLA adalah model VLA 7 miliar parameter dan menggunakan aksi yang didiskretisasi
- Octo adalah model 93 juta parameter dan menggunakan keluaran diffusion
- Tugas evaluasi disusun lebih kompleks daripada eksperimen akademik umum
- Tugas dalam evaluasi OpenVLA biasanya berupa aksi satu tahap seperti “memasukkan terong ke panci”
- Bahkan tugas merapikan meja yang paling sederhana dalam evaluasi π0 harus mengelompokkan beberapa objek ke tempat sampah atau bussing bin
- Tugas yang lebih kompleks membutuhkan beberapa tahap, manipulasi objek yang dapat berubah bentuk, dan pemilihan beberapa strategi sesuai kondisi lingkungan
- Evaluasi menggunakan rubrik yang memberi skor 1,0 untuk keberhasilan penuh dan skor parsial untuk eksekusi yang sebagian benar
- Misalnya, jika robot membereskan separuh objek, diberikan skor 0,5
-
Hasil 5 tugas evaluasi
- Bussing Easy(UR5e)
- π0: 0.971
- π0-small: 0.443
- OpenVLA: 0
- OpenVLA(UR5e only): 0.343
- Octo: 0.043
- Bussing Hard(UR5e)
- π0: 0.875
- π0-small: 0.333
- OpenVLA: 0
- OpenVLA(UR5e only): 0
- Octo: 0
- Shirt Folding(Bi-ARX)
- π0: 1.000
- π0-small: 0.500
- OpenVLA: 0
- OpenVLA(UR5e only): 0
- Octo: 0
- Grocery Bagging(UR5e)
- π0: 0.786
- π0-small: 0.271
- OpenVLA: 0
- OpenVLA(UR5e only): 0
- Octo: 0
- Toast out of Toaster(Bi-Trossen)
- π0: 0.750
- π0-small: 0
- OpenVLA: 0
- OpenVLA(UR5e only): 0
- Octo: 0
- π0-small adalah model 470 juta parameter yang tidak menggunakan prapelatihan VLM
- OpenVLA dan Octo hanya mencatat performa non-nol pada tugas termudah, “Bussing Easy”, sedangkan pada keseluruhan tugas, π0 menunjukkan performa tertinggi
- Menggunakan arsitektur ukuran penuh dan prapelatihan VLM meningkatkan performa lebih dari 2 kali lipat dibanding π0-small
- Bussing Easy(UR5e)
Tantangan tersisa dan arah kolaborasi
- Tujuan Physical Intelligence adalah mengembangkan model fondasi yang dapat mengendalikan robot apa pun untuk melakukan tugas apa pun
- Eksperimen saat ini menunjukkan bahwa model dapat mengendalikan berbagai robot dan melakukan tugas yang belum berhasil dilakukan sistem pembelajaran robot sebelumnya, seperti melipat pakaian dari keranjang cucian atau merakit kotak kardus
- Kebijakan robot serbaguna masih berada pada tahap awal, dan garis depan riset berikutnya masih tersisa
-
Penalaran dan perencanaan jangka panjang
- Peningkatan diri secara otonom
- Robustness
- Keamanan
- Physical Intelligence sedang berkolaborasi dengan berbagai perusahaan dan laboratorium riset robotika
- Mereka meningkatkan desain hardware untuk teleoperasi dan otonomi
- Mereka ingin mengintegrasikan data mitra ke model prapelatihan untuk menyediakan akses model yang disesuaikan dengan platform tertentu
- Mereka tertarik berkolaborasi dengan perusahaan yang sedang memperluas pengumpulan data melalui robot yang ditempatkan di aplikasi nyata
-
1 komentar
Opini Hacker News
Sasaran tersiratnya tampaknya adalah menggantikan pekerjaan rumah tangga seperti mencuci pakaian dan pekerjaan domestik lainnya. Kepuasan manusia pada akhirnya bisa terselesaikan di area seperti itu.
Ekonomi dan indikator nilai pada akhirnya berkaitan dengan kebahagiaan/kepuasan manusia, dan uang pun bernilai karena orang menginginkannya. Ketika orang menjadi cukup kaya, mereka mengalihdayakan pekerjaan rumah tangga dengan mempekerjakan pembantu atau koki, atau membeli makanan siap saji.
Selama 50 tahun terakhir, perusahaan-perusahaan Barat mendapat dorongan gratis dari masuknya perempuan ke pasar tenaga kerja; dulu satu orang diberi biaya untuk mempertahankan satu rumah tangga, sekarang biaya rumah tangga yang sama dibagi kepada dua orang, sehingga perusahaan seolah mendapat pekerja dua kali lipat.
Akibatnya sebagian besar keluarga kehilangan 35 jam per minggu, sementara beban pekerjaan rumah tangga tetap sama. Kita tidak bisa memberi semua orang pembantu, tetapi mungkin kita bisa memberi mereka pembantu robot.
Seperti batu bata, pemanas, dan listrik, sebagian besar inovasi dan teknologi pada akhirnya masuk ke rumah dan membuat hidup lebih nyaman. Saya kira pembantu robot sungguhan akan muncul lewat perubahan sosial seperti perubahan desain mesin cuci, makan setiap hari di rumah orang lain, atau permukaan anti-debu, tetapi robot ini terlihat cukup menarik.
Saya tahu sudut pandang ini berpusat pada kelas menengah Barat, tetapi rasanya, pada akhirnya, apa lagi yang akan menjadi tujuan 6 miliar orang selain itu?
Ketika lebih banyak perempuan masuk ke pasar tenaga kerja pada awal 1970-an, kondisi makroekonomi memburuk karena krisis minyak, jadi memang sulit memisahkannya.
Meski begitu, ketika jumlah pekerja bertambah, arahnya adalah upah turun dan lebih banyak pekerjaan omong kosong tercipta. Jelas laki-laki juga menciptakan dan menjalankan pekerjaan omong kosong.
Sekarang dibutuhkan dua gaji untuk menanggung rumah dan keluarga. Kemajuan yang luar biasa.
Di supermarket, meski antreannya panjang, saya memboikot kasir swalayan agar para kasir yang ramah tetap bisa bekerja.
Saya ingin menyebut ini teori kursi musik tentang lapangan kerja. Apakah itu berarti jika populasi usia kerja pada 2024 menjadi dua kali lipat dibanding 1954, masing-masing orang akan berpenghasilan lebih sedikit? Apakah jika imigran masuk, satu warga lokal akan kehilangan pekerjaan untuk setiap satu imigran?
Bukti mengatakan tidak demikian, dan di dalam ekonomi juga ada perubahan lain yang meningkatkan permintaan tenaga kerja. Literatur tentang dampak imigrasi terhadap pengangguran dan upah, terutama guncangan besar jangka pendek, cukup jelas.
Saya tidak begitu tahu penelitian tentang dampak meningkatnya pekerjaan perempuan. Karena fenomena ini terjadi perlahan selama puluhan tahun, menurut saya jauh lebih sulit diteliti. Dan ini bukan hanya terjadi di Barat, tetapi juga di banyak tempat di seluruh dunia.
Di pabrik atau lingkungan tertutup, kemajuannya cepat, tetapi di dunia nyata lainnya belum ada robot atau AI praktis tanpa pengawasan manusia. Saya menjadi yakin begitu setelah bekerja mengotomatiskan hal-hal fisik.
Pekerjaan pertama robot itu mungkin saja menyalakan pengering berisi bayi karena kurang memahami dunia.
Kalau begitu, robot rumah tangga serbaguna akan tamat. Atau bisa saja ia menjatuhkan lilin, atau mengacaukan sesuatu yang tampak sepele tetapi dalam konteks tertentu sangat berbahaya.
Saya juga memimpikan mesin serbaguna, tetapi mungkin itu mustahil, dan kalaupun mungkin, saya rasa masih sangat jauh.
Kenyataannya ada kecelakaan, diikuti gugatan dan investigasi regulator, tetapi tidak tamat. Di pemerintahan AS yang akan segera menjabat, saya memperkirakan hambatan hukum dan regulasi terhadap perluasan robot dan otomasi akan jauh berkurang.
Seperti pepatah lama, “Saya mencintai pekerjaan. Karena saya bisa menontonnya sepanjang hari.”
Semuanya dilakukan oleh tenaga kerja asing murah. Jika tingkat itu saja sulit diotomatisasi, masih sulit berharap banyak pada robot rumah tangga serbaguna.
Namun video-video dalam tulisan ini terlihat cukup menjanjikan, dan saya ingin melihat bagaimana teknologi ini bekerja di rumah kaca.
Masalah sulit pada robot laundry bukanlah melipat pakaian, melainkan masuk ke ruang cuci
Jika tinggal di kota-kota Eropa, ruang adalah kendala terbesar. Sewa di Paris adalah 30 euro per m² per bulan
Ruang cuci kecil, dan robot ini terlalu lebar sehingga tidak akan bisa melewati pintu ruang cuci saya. Ada alasan kenapa papan setrika bisa dilipat: karena harus dipasang setiap kali. Robot ini bahkan tidak bisa melakukan itu, dan juga tidak bisa menangani botol pelembut kain untuk mesin cuci
Menyediakan meja kosong 1 m² khusus untuk melipat pakaian itu ilusi bagi kebanyakan orang. Laundromat ada juga karena sebagian rumah bahkan tidak punya ruang untuk menaruh mesin cuci
Ruang cuci adalah ruang terpisah karena kelembapan dan ventilasi, dan dalam desain rumah yang biasanya berusia lebih dari 30 tahun, besar kemungkinan ruang itu ditempatkan agar sekecil mungkin secara fungsional, bukan agar dapat diakses robot
Bahkan orang yang tinggal di rumah non-apartemen pun sering punya ruang cuci di basement dan hanya bisa diakses lewat tangga atau perbedaan ketinggian
Dengan robot bipedal yang sudah di depan mata, rasanya standar arsitek dan aksesibilitas konstruksi tidak akan berubah cukup cepat. Ruang longgar yang dibutuhkan agar robot rumah tangga bisa hadir sudah berkali-kali terpakai habis karena biaya ruang yang tinggi
Sulit untuk yakin bahwa ia tidak bisa menangani pelembut kain, dan V2 kemungkinan besar bisa memasang papan setrika juga
Dari sisi ukuran pun, saat ini ia lebih kecil daripada kulkas, mesin cuci, mesin pencuci piring, dan berbagai peralatan rumah tangga penghemat waktu. Tentu mungkin tidak pas untuk kota-kota bersejarah dengan banyak rumah berusia ratusan tahun, tetapi di sebagian besar rumah itu semua adalah peralatan yang umum
Upaya untuk mengecilkan ukurannya juga belum dilakukan. Setelah keluar dari tahap prototipe riset, mungkin rekayasa yang cerdas bisa membuatnya jauh lebih kecil
Pertanyaan lain adalah biaya. Robot seperti ini biasanya sekitar 100 ribu dolar, dan ada alasannya. Bisakah itu diturunkan? Semoga saja
Sebaliknya, menyerahkan cucian ke layanan cuci-lipat adalah kemewahan yang mahal. Jika laundromat bisa mengotomatiskan seluruh proses, harga cuci-lipat akan turun, dan lebih sedikit orang akan ingin menaruh mesin di rumah yang hanya dipakai beberapa jam seminggu
Atau laundromat bisa digabung dengan kafe atau bar, mengubah pekerjaan rumah menjadi kesempatan untuk bersantai dan bersosialisasi. Namun sebagian besar dunia belum siap untuk tingkat peradaban seperti itu
Pada akhirnya saya rasa ini bisa terintegrasi ke mesin cuci, menjadi satu perangkat tempat kita memasukkan pakaian kotor dan mengeluarkan pakaian bersih yang sudah terlipat. Mesin cuci yang ada sekarang sendiri bukan komponen yang begitu mahal sampai harus tetap dipertahankan dalam bentuk terpisah seperti saat ini
Apartemen 20 m² tidak ada yang di bawah 850 euro, jadi sekitar 42 euro per m². Tentu saja rumah seperti ini terlalu kecil bahkan untuk mesin cuci, apalagi robot pelipat cucian
Dengan sedikit saja peningkatan presisi, ini akan menjadi alat otomasi laboratorium yang hebat. Laboratorium di seluruh dunia mungkin bersedia membayar 1 juta dolar untuk robot yang menangani pekerjaan eksperimen manual
Pekerjaan laboratorium juga tidak sesulit itu. Banyak tugas didasarkan pada protokol mapan dengan langkah-langkah yang terdefinisi jelas. Robot yang bisa mengambil benda dan melakukan pekerjaan tabung reaksi tanpa pemrograman terpisah menurut saya akan menjadi produk laris
Menurut saya semuanya bisa diotomatisasi
Namun ini sangat bergantung pada wilayah. Di AS, ini akan cukup cepat masuk akal, tetapi pacar saya tinggal di negara kecil Uni Eropa dengan upah tidak tinggi, dan pekerjaan ini adalah posisi junior yang banyak dicari mahasiswa. Posisi itu biayanya sekitar 25 ribu dolar per tahun
Jika menginvestasikan 1 juta dolar untuk menggantikan arus kas 25 ribu dolar per tahun, nilai kini bersihnya negatif pada tingkat diskonto umum. Itu baru masuk akal ketika bisa mengganti gaji 120 ribu dolar dengan robot 1 juta dolar
Saya juga rasa pekerjaan untuk mengawasi robot akan tetap ada. Di lokasi produksi besar yang tersentralisasi, satu orang bisa mengawasi banyak robot sehingga masuk akal, tetapi di lokasi produksi kecil yang tersebar belum tentu begitu. Saya pikir banyak laboratorium harus tersebar dekat pelanggan karena pekerjaannya sensitif terhadap waktu. Tentu ini bisa berubah
Pada akhirnya akan dibutuhkan laboratorium ramah robot tempat semua pekerjaan bisa dilakukan dengan tangan robot yang primitif. Pilihan lain adalah membuat tangan yang lebih mampu, atau membangun laboratorium khusus yang sepenuhnya dirobotkan
Yang pertama paling menarik dan merupakan arah yang seharusnya ditempuh. Jika itu menjadi mungkin, banyak kemungkinan akan terbuka, seperti kendaraan yang “memperbaiki diri sendiri” atau pangkalan planet. Cukup punya robot “teknisi” onboard
Laboratorium akademik tidak akan membeli peralatan eksperimen startup seharga 1 juta dolar. Kalau itu core bersama untuk 30 grup riset, mereka mungkin akan membeli sesuatu, tetapi itu akan berupa peralatan yang langsung berujung pada publikasi makalah, yaitu peralatan yang sudah punya rekam jejak
Karena itu, meski produk yang disebutkan itu sudah ada, ia tidak bisa masuk ke laboratorium
Dibandingkan robot humanoid, robot ini cukup sederhana, jadi biayanya sepertinya akan jauh lebih rendah. Namun saya kurang paham mengapa fokusnya pada melipat pakaian. Apakah banyak orang mencuci pakaian lebih sering daripada sekali seminggu?
Kalau bisa melakukan memasak, yang dilakukan setidaknya sekali setiap hari, itu akan jauh lebih berguna
Sebagai gantinya, saya berharap ada inovasi baru pada mesin cuci. Teknologi saat ini masih sangat mendasar: memanaskan air lalu terus memutarnya. Kenapa tidak seperti printer kertas besar: masukkan satu kemeja, lalu digulung dengan roller, disemprot air seminimal mungkin bertekanan tinggi, dipanaskan, lalu 30 menit kemudian dikembalikan dalam kondisi sudah disetrika sempurna?
Karena sangat tidak kaku, prediksi perilakunya masuk ke ranah simulator dinamika yang khusus dan mahal, dan hampir mustahil juga bertanya secara terbalik gerakan apa yang diperlukan untuk menghasilkan hasil yang diinginkan. Bahkan jika bisa diprediksi, sifatnya sangat kontinu dan menolak diskretisasi
Asumsi seperti “lebar bagian lipatan adalah 0”, yang sering dipakai saat menalar origami, juga tidak bisa digunakan
Pakaian adalah kasus ekstrem di antara kain. Selain sangat tidak seragam, ia juga rapuh, sehingga tiap kemeja adalah struktur topologis lemas yang dipenuhi tekstur aneh serta sifat lokal yang rumit dan tak terduga. Sedikit saja salah menangani, benangnya bisa putus. Renda, ritsleting, kantong, tali—tidak ada habisnya
Selain itu, mencuci pakaian adalah pekerjaan yang dilakukan semua orang sehingga mudah dipahami, mudah disiapkan di laboratorium, dan manusia bisa menilai performanya secara intuitif dalam sekali lihat
Hampir 70 tahun penelitian belum ada yang menunjukkan performa meyakinkan, jadi ini tugas yang lebih sulit daripada backflip, tembakan basket, atau memuat truk. Karena itu, jika ada algoritma baru yang bisa menangani sesuatu di luar balok di atas meja, hampir selalu algoritma itu diterapkan ke cucian
Dengan kata lain, jika robot bisa menangani cucian, besar kemungkinan hampir semua pekerjaan rumah lain juga bisa diajarkan kepadanya
Memasak adalah pekerjaan yang bagi banyak orang terasa sangat bermakna dan manusiawi. Bukan bagi saya, tapi saya tahu saya pengecualian. Sebaliknya, akan sulit menemukan orang yang menganggap menghabiskan waktu terbatasnya di Bumi untuk mencuci pakaian itu bernilai
Seriusnya, melipat pakaian adalah tugas kompleks yang dari sudut pandang robot membutuhkan ketangkasan cukup tinggi dan manipulasi objek yang presisi, tetapi risikonya relatif rendah dibandingkan memasak
Jika robot mengacaukannya, kecil kemungkinan terjadi bahaya besar bagi robot, lingkungan sekitar, atau manusia di dekatnya. Jadi ini cukup bagus sebagai topik riset, dan kalau terselesaikan akan terlihat mengesankan juga dalam demo acara
Melipat pakaian hanyalah pekerjaan kecil, dan holy grail yang sebenarnya adalah lengan robot yang bisa memasak 24 jam
Jika lengan robot masuk ke setiap gerai fast food, restoran, hotel, rumah sakit, pangkalan militer, kapal pesiar, dan semua tempat yang menyiapkan makanan, pasar tenaga kerja tidak akan pulih
Pemenang terbesarnya mungkin adalah toko bahan makanan yang membuat hidangan hangat dari hasil pertaniannya sendiri lalu mengirimkannya dengan drone ke rumah-rumah terdekat. Tentu saja ini mungkin terlalu optimistis
Pada titik itu, apakah restoran dengan menu tetap masih ada artinya?
Ini juga muncul di HN 9 hari lalu
https://news.ycombinator.com/item?id=42011770
Pekerjaan yang menarik
Saya belum pernah memikirkan apa yang bisa dilakukan jika, alih-alih berusaha membuat robot melakukan pemrosesan real-time untuk tugas yang tidak sensitif terhadap waktu, kita memperlambatnya sampai latensi yang sanggup ditangani model transformer saat ini pada hardware nyata
“Automata tidak dapat dipisahkan dari lingkungan yang diresponsnya”
“Saat ini karakteristik kelangsungan hidup manusia di permukaan Bumi terdefinisi dengan baik, tetapi untuk sebagian besar tipe manusia, situasinya perlu dibuat sedikit lebih spesifik. Tidak ada gunanya membahas bagaimana manusia akan bertahan hidup di bawah laut atau pada suhu 1000 derajat Celsius. Demikian pula, menanyakan seberapa cepat atau lambat sebuah mesin komputasi juga tidak bermakna jika tidak dinyatakan jenis masalah apa yang akan diberikan”
Saya hampir tidak mengenal orang di bawah 40 tahun yang melipat dan menyetrika pakaian, dan bahkan tidak yakin apakah saya mengenal orang di bawah 30 tahun yang punya papan setrika dan setrika. Kalaupun ada, kemungkinan rusak, atau kalau tidak rusak mungkin sudah hilang
Menurut saya “mencuci pakaian” menjadi kuno lebih cepat daripada tindakan mencuci itu sendiri. Mirip seperti orang tidak menyerahkan perbaikan pakaian rusak kepada robot, melainkan membuang pakaian lama, menggantinya dengan fast fashion, dan meninggalkan kegiatan menjahit
Jika produk ini menargetkan kalangan berpenghasilan tinggi, bahkan jika harganya turun dari 100 ribu dolar menjadi 1 ribu dolar, karena alasan ini tampaknya tetap tidak punya peluang
Karena pengaruh fast fashion, bahkan merek desainer yang sangat mahal pun mengeluarkan barang seperti mantel tanpa pelapis atau sweater tipis
Salah satu alasannya adalah rantai pasok untuk pakaian berkualitas baik sudah banyak menyusut. Bahkan jika desainer ingin mendapatkan kain yang bagus, mereka harus membayar lebih mahal dibanding dulu
Mungkin ada yang tahu di HN: kenapa robot seperti ini bergerak sangat lambat? Apakah karena keselamatan, atau tingkat kesulitannya meningkat drastis ketika kecepatannya naik?