Dua taruhan berbeda tentang bagaimana seharusnya sebuah robot belajar
Robotika klasik membangun sebuah tugas secara manual: modul persepsi, sebuah perencana, sebuah pemecah kinematika-terbalik, sebuah mesin keadaan, dan ribuan baris kode kendali yang disetel untuk satu robot, satu penjepit, satu kumpulan objek yang sempit. Ini menawarkan sesuatu yang berharga—jaminan formal tentang apa yang akan dan tidak akan dilakukan sistem itu—tetapi ini tidak dapat ditransfer. Sebuah tugas baru, atau sebuah lengan robot baru, biasanya berarti menulis ulang sebagian besar tumpukan itu.
Taruhan yang membentuk ulang bidang ini sejak 2023 berbeda: resep yang sama yang menghasilkan model bahasa besar—kumpulan data yang sangat besar, sebuah transformer, dan skala—seharusnya juga bekerja untuk kendali robot, menemukan sebuah “manifold” umum untuk keterampilan fisik sebagaimana ia menemukan satu untuk teks dan gambar. Itu adalah sebuah hipotesis, bukan sebuah fakta yang tuntas, dan bukti sejauh ini sungguh-sungguh campur aduk. Halaman ini menguraikan apa yang sesungguhnya telah didemonstrasikan, oleh siapa, dan apa yang menurut orang-orang yang membangun sistem ini masih menjadi masalah terbuka.
Bukti pertama: token tindakan dan transfer lintas-robot
RT-2 milik Google DeepMind, dipublikasikan Juli 2023, adalah sebuah pengujian awal dan konkret dari gagasan ini. Alih-alih membangun sebuah modul prediksi-tindakan terpisah, DeepMind melatih token tindakan robot langsung ke dalam kosakata keluaran sebuah model visi-bahasa itu sendiri, sehingga jaringan yang sama yang menggambarkan sebuah gambar dalam kata-kata juga dapat mengeluarkan sebuah perintah motor (arXiv:2307.15818). Di seluruh 6.000 percobaan evaluasi, ia bergeneralisasi ke objek dan latar yang tidak dikenal kira-kira tiga kali lebih baik daripada garis dasar khusus-tugas sebelumnya—bukti bahwa pengetahuan visual dan bahasa berskala-web sungguh membawa beberapa informasi yang berguna untuk manipulasi.
Tiga bulan kemudian, sebuah kolaborasi 34-institusi melangkah lebih jauh dengan RT-X dan kumpulan data Open X-Embodiment, mengumpulkan data dari puluhan jenis robot berbeda dan melatih satu model 55-miliar-parameter di semuanya (arXiv:2310.08864). Ini menunjukkan keberhasilan keterampilan-emergen yang secara material lebih tinggi dibandingkan sebuah versi 5-miliar-parameter dari arsitektur yang sama—sebuah sinyal awal bahwa skala secara khusus mendorong transfer di seluruh tubuh robot yang berbeda, bukan hanya di dalam satu tubuh.
Sebuah bidang yang ramai dari model fondasi untuk tubuh
Hasil itu memicu sebuah gelombang “model fondasi robot” yang dibangun perusahaan, masing-masing dengan arsitektur yang berbeda dan masing-masing membuat klaim yang layak dibaca sebagai klaim perusahaan alih-alih fakta yang terverifikasi secara independen.
π0 milik Physical Intelligence (Oktober 2024) menggabungkan model visi-bahasa PaliGemma dengan sebuah kepala tindakan flow-matching, dilatih di delapan perwujudan robot, dan mendemonstrasikan tugas seperti melipat cucian, membersihkan meja, dan mengemas belanjaan. Tidak biasa untuk bidang ini, Physical Intelligence menyumberterbukakan bobot dan kodenya sebagai “openpi,” membuat hasilnya dapat direproduksi secara independen alih-alih diterima berdasarkan kepercayaan. Meski begitu, penilaian perusahaan itu sendiri terus terang: “kebijakan robot generalis masih dalam masa awalnya, dan kami masih memiliki jalan panjang untuk ditempuh” (blog Physical Intelligence, 31 Okt. 2024). Sebuah versi yang lebih baru, π0.7, mengklaim generalisasi zero-shot di seluruh perwujudan robot (arXiv:2604.15483), tetapi pada saat penulisan ini klaim itu bersandar pada sebuah preprint yang belum direplikasi secara independen.
NVIDIA merilis GR00T N1 pada Maret 2025 sebagai model fondasi humanoid terbuka pertama, lalu GR00T N1.7 pada April 2026: sebuah model 3-miliar-parameter yang dilatih pada 20.854 jam video egosentris manusia dan divalidasi pada tiga platform robot berbeda, dengan bobot terbuka di Hugging Face. NVIDIA melaporkan bahwa menskalakan data pelatihan egosentris itu kira-kira dua puluh kali lipat “lebih dari melipat-dua-kan rata-rata penyelesaian tugas” pada tugas yang membutuhkan kecekatan—sebuah klaim yang layak ditandai sebagai milik NVIDIA sendiri, karena tidak ada tolok ukur independen yang menyertainya (blog Hugging Face, 17 Apr. 2026). Seorang penerus, GR00T N2, dipratinjaukan di GTC pada Maret 2026 sebagai sebuah “model tindakan dunia” yang memprediksi keadaan masa depan sebelum bertindak; klaim keynote NVIDIA bahwa ia berhasil pada tugas baru “lebih dari dua kali lebih sering” dibandingkan garis dasar terdepan tetap, per September 2026, sebuah klaim produk yang belum dirilis alih-alih yang sudah diuji.
Penerus RT-2 milik Google DeepMind, Gemini Robotics 2 (juga disebut ER 2), bergerak dari demonstrasi tubuh-atas menuju kendali humanoid seluruh-tubuh pada Apollo 2 milik Apptronik, termasuk komando atas sebuah tangan berlima-jari 22-derajat-kebebasan untuk tugas seperti mengikat simpul dan menyegel kantong. Angka yang diungkapkan DeepMind sendiri adalah yang paling jujur di bidang ini: keberhasilan 45,7–76,3% pada manipulasi seluruh-tubuh dan 32–92% yang sangat bervariasi pada kecekatan multi-jari, dengan DeepMind menyatakan dengan gamblang bahwa “manipulasi cekat multi-jari tetap menantang” (blog DeepMind, 30 Jul. 2026). Judul berita Bloomberg sendiri tentang rilis itu menyatakannya dengan lebih blak-blakan lagi: robot Google “berjuang dengan kecekatan” (Bloomberg).
Perbandingan sebelum-dan-sesudah yang paling jelas: Helix 02 milik Figure
Ilustrasi tunggal paling jelas tentang apa yang berubah di bawah pendekatan ini datang dari Figure. Sistem Helix aslinya (Februari 2025) menggunakan sebuah arsitektur dua-bagian “System 1 / System 2”: sebuah model visi-bahasa 7-miliar-parameter yang bernalar pada 7–9 Hz, memberi makan sebuah transformer 80-juta-parameter yang menjalankan kendali motor halus pada 200 Hz, dilatih hanya pada sekitar 500 jam data—Figure menyatakan di bawah 5% ukuran kumpulan data VLA sebelumnya (blog Figure, 20 Feb. 2025).
Helix 02, dirilis Januari 2026, menambahkan sebuah lapisan ketiga yang disebut Figure “System 0”: sebuah pengendali keseimbangan seluruh-tubuh 10-juta-parameter, 1kHz yang dilatih sepenuhnya dalam simulasi di lebih dari 200.000 lingkungan ditambah lebih dari 1.000 jam gerakan manusia yang ditargetkan ulang. Deskripsi Figure sendiri tentang apa yang digantikan itu adalah perbandingan lama-versus-baru paling tajam yang tersedia di mana pun dalam bidang ini: System 0 “menggantikan 109.504 baris C++ hasil rekayasa manual dengan satu prior neural tunggal untuk gerakan yang stabil dan alami” (blog Figure, 27 Jan. 2026). Itu adalah paradigma robotika-klasik—logika kendali yang dienumerasi dan disetel manual—yang digantikan secara menyeluruh oleh sebuah model yang dipelajari, menurut catatan satu perusahaan itu sendiri. Figure mendemonstrasikan sebuah tugas memuat mesin cuci piring selama empat menit dengan 61 tindakan tanpa reset manusia, sambil memperingatkan dalam rilis yang sama bahwa “hasilnya masih dini.”
Boston Dynamics dan Toyota Research Institute melaporkan sebuah temuan terkait namun lebih terukur dari pekerjaan “Large Behavior Model” pada humanoid Atlas: kemampuan yang dulu membutuhkan pemrograman manual kini dapat ditambahkan tanpa kode baru, karena satu model memiliki kendali langsung atas seluruh robot (blog Boston Dynamics, Agu. 2025). Sebuah studi lanjutan 2026 menemukan bahwa setelah penyetelan halus khusus-tugas, sebuah model perilaku yang telah dipralatih membutuhkan kira-kira 3–5 kali lebih sedikit data khusus-tugas dan lebih kokoh terhadap kondisi yang berubah dibandingkan pelatihan dari nol (TRI)—sebuah keuntungan efisiensi yang nyata dan terbatas, bukan bukti keumuman yang terbuka.
Program Optimus milik Tesla adalah pencilan bidang ini yang paling jelas dalam hal transparansi. Elon Musk dan Ashok Elluswamy, yang mengambil alih Optimus pada Juni 2025, menggambarkan arsitektur ujung-ke-ujung “foton masuk, kendali keluar” yang sama yang digunakan Tesla untuk perangkat lunak bantuan pengemudinya. Tidak seperti DeepMind, NVIDIA, Physical Intelligence, atau Figure, Tesla belum mempublikasikan sebuah makalah teknis tentang arsitektur ini—hanya komentar konferensi dan komentar panggilan pendapatan (Not a Tesla App, meringkas panggilan pendapatan Q2 2026 Tesla, Agu. 2026).
Rekor sempit bukanlah kompetensi umum
World Humanoid Robot Games di Beijing (22–26 Agustus 2026) mengonkretkan perbedaan antara kemampuan sempit dan umum. Di antara 2.056 robot dari 666 tim, satu mesin, Tiangong Ultra, berlari 100 meter dalam 8,64 detik—lebih cepat dari rekor dunia manusia 9,58 detik milik Usain Bolt. Dalam turnamen yang sama, liputan tentang acara sepak bola, tinju, dan angkat besi menggambarkan robot-robot berjuang dalam kondisi yang tidak terstruktur dan sarat kontak (Al Jazeera). Sebuah sprint yang dapat diulang dan direkayasa bukanlah pencapaian yang sama dengan kompetensi yang fleksibel dalam sebuah lingkungan yang tidak dapat diprediksi, dan Games itu mengilustrasikan kesenjangan itu dalam minggu yang sama alih-alih secara abstrak.
Sudut pandang pijakan (grounding)
Vincent Vanhoucke, yang memimpin robotika di Google DeepMind, menawarkan cek realita paling tajam yang tersedia atas seluruh tren ini: “sebagian besar—jika tidak semua—pendekatan pembelajaran robot tidak dapat diterapkan untuk tugas praktis apa pun,” karena penerapan nyata membutuhkan “akurasi dan keandalan 99,X persen atau lebih tinggi” di mana demonstrasi akademis melaporkan sekitar keberhasilan 80%—dalam kata-katanya, “seekor binatang yang fundamentalnya berbeda,” bukan sebuah masalah penskalaan yang dapat dipecahkan dengan lebih banyak data (IEEE Spectrum, 28 Mei 2024).
Rodney Brooks, sang roboticist MIT yang ikut mendirikan iRobot dan Rethink Robotics, menekan lebih jauh mengapa pelatihan imitasi-video secara khusus mungkin adalah substrat yang salah: sentuhan melibatkan sebuah saluran yang tidak pernah ditangkap alur kerja saat ini, dengan riset ilmu saraf yang dikutipnya mengidentifikasi setidaknya lima belas keluarga berbeda dari neuron pengindra-sentuhan pada kulit manusia. Ia menyebut demonstrasi manipulasi saat ini masih dini dan terbatas, dan menolak klaim bahwa humanoid akan mencapai kecekatan umum setingkat manusia dalam beberapa dekade sebagai “murni pemikiran fantasi” (TechCrunch, 26 Sep. 2025).
Kedua hal ini benar sekaligus. Pendekatan model fondasi telah menghasilkan transfer lintas-robot yang nyata dan terukur yang tidak pernah dicapai kendali yang dikode manual, dan setiap laboratorium kredibel yang mempublikasikan angka—bukan hanya para skeptis—melaporkan tingkat keberhasilan yang jauh di bawah apa yang sesungguhnya dibutuhkan keandalan industri dan rumah tangga.