Sektor kecerdasan buatan fisik (physical AI) kini menjadi primadona investasi global, namun industri ini menghadapi realitas pahit yang membatasi potensi komersialnya. Meskipun pendanaan mengalir deras, banyak perusahaan robotika terkemuka seperti Unitree mengalami koreksi valuasi yang tajam—bahkan hingga setengah dari nilai pasarnya—akibat kegagalan produk dalam melakukan tugas produktif yang bernilai nyata di lapangan.
Ketimpangan antara ekspektasi investor dan kemampuan teknis robot menjadi sorotan utama dalam konferensi Actuate baru-baru ini. Para pengembang menyadari bahwa tantangan terbesar bukanlah sekadar pada perangkat keras, melainkan pada 'krisis data' yang menghambat pelatihan model AI untuk lingkungan fisik yang kompleks dan tidak terprediksi.
Banyak ahli menyebut kondisi saat ini sebagai 'era GPT-2' untuk robotika. Analogi ini merujuk pada tahap perkembangan AI sebelum kehadiran ChatGPT yang revolusioner. Saat ini, robot mampu bergerak dengan luwes, namun otak digital mereka belum memiliki kecerdasan untuk bernalar atau menyelesaikan tugas yang bersifat generalis secara konsisten.
Perusahaan yang terjebak pada ambisi menciptakan robot general-purpose seringkali gagal karena tingkat keberhasilan yang masih di bawah standar industri. Sebaliknya, perusahaan yang fokus pada vertikal spesifik seperti otomatisasi pertanian surya atau ekskavator otonom justru lebih berhasil melakukan deploy di dunia nyata.
Persaingan pun semakin sengit dengan masuknya pemain otomotif ke dalam ranah robotika. Perusahaan seperti Tesla, Wayve, dan Uber kini memanfaatkan infrastruktur data dan simulasi yang sebelumnya digunakan untuk pengembangan mobil otonom. Mereka percaya bahwa pengalaman dalam melatih kendaraan untuk menghindari tabrakan dapat diadaptasi untuk mengendalikan robot berbentuk humanoid.
Bagi ekosistem teknologi di Indonesia, fenomena ini memberikan pelajaran berharga mengenai pentingnya fokus pada pemecahan masalah spesifik (niche) sebelum melompat ke solusi generalis. Industri manufaktur dan logistik di Indonesia, yang tengah bertransformasi menuju Industri 4.0, dapat mengambil manfaat dari pendekatan yang lebih pragmatis ini.
Alih-alih mengejar robot yang bisa melakukan segalanya, adopsi teknologi robotika di Indonesia akan lebih efektif jika diterapkan pada tugas-tugas repetitif yang spesifik. Penggunaan robot untuk optimalisasi pergudangan atau pemeliharaan infrastruktur kritis merupakan langkah awal yang jauh lebih masuk akal secara ekonomi.
Harry Mellsop, pendiri Antioch, menekankan bahwa kebutuhan akan daya komputasi dan data berkualitas adalah hambatan utama. Optimasi GPU untuk ray tracing dalam simulasi menjadi kunci untuk mempercepat fase pelatihan model agar robot tidak hanya 'tahu' cara bergerak, tetapi juga memahami konsekuensi fisik dari setiap tindakannya.
Alex Kendall dari Wayve berpendapat bahwa saat ini terlalu dini untuk mengunci diri pada satu desain perangkat keras tertentu. Inovasi sensor dan komponen berkembang sangat cepat, sehingga model AI yang agnostik terhadap hardware akan memiliki keunggulan kompetitif di masa depan.
Sementara itu, Théophile Gervet dari Genesis AI memiliki pandangan berbeda. Ia percaya bahwa sinergi antara desain perangkat keras dan kecerdasan buatan harus dilakukan sejak awal. Tanpa integrasi vertikal yang kuat, pengembangan otak robot akan terus tertinggal di balik pesatnya kemajuan model bahasa besar.
Ke depan, momen 'ChatGPT' bagi robotika kemungkinan besar tidak akan datang dari kecanggihan teknis di laboratorium, melainkan dari aplikasi praktis yang dirasakan langsung oleh konsumen. Ketika otonomi tingkat tinggi dapat dicapai dengan biaya perangkat keras yang terjangkau, barulah adopsi massal akan terjadi.
Industri ini kini berada di persimpangan jalan antara riset murni dan tuntutan komersialisasi. Fokus pada data yang lebih beragam, simulasi yang lebih realistis, dan target vertikal yang jelas akan menjadi penentu siapa yang akan memenangkan perlombaan di era robotika generasi berikutnya.