NRN Agents telah mengumumkan peluncuran integrasi robotika baru melalui NRN Agent SDK mereka, yang mencakup kerangka kerja Sim-to-Real yang lengkap dan pengenalan Robotic Sports. Inisiatif ini dirancang untuk berfungsi sebagai media kompetitif untuk mempercepat penelitian dalam kecerdasan buatan umum (AGI) dengan menekankan AI yang terwujud (embodied AI). Berbeda dengan model yang dilatih semata-mata pada data teks atau statis, sistem AI yang terwujud berinteraksi dengan dan belajar dari dunia fisik, menghadirkan seperangkat tantangan dan peluang yang berbeda.
AI yang Terwujud (Embodied AI)
Berbeda dengan model bahasa besar (large language models), yang beroperasi pada kumpulan data statis yang dikumpulkan dari internet, robotika membutuhkan paradigma yang berbeda. Sistem AI yang terwujud harus beradaptasi secara real-time, berinteraksi dengan lingkungan yang tidak dapat diprediksi, dan merespons rangsangan fisik yang kompleks. Sistem ini bersifat dinamis, dan tidak dapat mengandalkan panen data sekali jalan atau proses pelatihan offline tunggal. Variabel dunia fisik seperti suhu, kondisi permukaan, dan keausan mekanis mengharuskan robot untuk terus belajar dan menyesuaikan diri. Kebutuhan akan pembelajaran real-time ini menempatkan AI yang terwujud di garis depan dorongan menuju AGI.
NRN Agents Mengungkapkan Olahraga Robotik untuk Memajukan AGI
Mengatasi Kesenjangan Data dan Pembelajaran Dunia Nyata
Hambatan penting dalam robotika adalah kelangkaan data yang beragam dan terukur. Meskipun lingkungan simulasi dapat membantu, mereka tidak dapat sepenuhnya meniru kompleksitas dunia fisik. Untuk menjembatani kesenjangan ini, NRN sedang mengembangkan pipeline Sim-to-Real dengan fidelitas tinggi yang memungkinkan robot yang dilatih di lingkungan virtual beroperasi secara efektif dalam kondisi dunia nyata. Pengumpulan data dunia nyata, termasuk penangkapan video, pelacakan gerakan, dan teleoperasi, lebih lanjut melengkapi pelatihan berbasis simulasi dengan menawarkan skenario beragam yang memperkaya proses pembelajaran.
Selain itu, inovasi arsitektur seperti transfer learning membantu sistem robotik menerapkan pengetahuan yang dipelajari dalam satu domain ke domain lain. Ini mengurangi kebutuhan untuk pelatihan ulang dan memungkinkan adaptasi yang lebih cepat. Platform NRN juga menggabungkan loop pembelajaran berkelanjutan (continual learning), di mana robot dapat belajar secara bertahap dari pengalaman dunia nyata dan mempertahankan pengetahuan yang diperoleh sebelumnya. Pendekatan ini membantu mengurangi kebutuhan data dan memungkinkan sistem robotik yang lebih responsif dan terukur.
NRN Agents Mengungkapkan Olahraga Robotik untuk Memajukan AGI
Platform yang Dibangun untuk Penelitian Robotika yang Terukur
NRN Agents telah membangun sebuah platform yang bertujuan untuk mengubah pembelajaran robotika dari proses statis menjadi sistem yang terus berkembang. NRN Agent SDK menggabungkan beberapa komponen inti yang berkontribusi pada tujuan ini. SDK mencakup pengalaman berbasis browser yang memungkinkan pengguna mengumpulkan data robotika melalui antarmuka seperti game. Pendekatan gamifikasi ini tidak memerlukan instalasi atau keahlian teknis, memungkinkan pengguna untuk secara intuitif mengontrol robot simulasi dari browser mereka. Data yang dihasilkan dari interaksi ini langsung masuk ke pipeline pelatihan NRN, membuatnya dapat diakses untuk partisipasi penelitian yang lebih luas.
Platform ini juga mencakup sistem crowdsourcing untuk mengumpulkan data perilaku manusia yang terstruktur. Menggunakan model insentif berbasis web3, kontributor dapat mengirimkan demonstrasi perilaku, yang kemudian dievaluasi berdasarkan nilai dan keunikan. Sistem ini tidak hanya meningkatkan keragaman kumpulan data tetapi juga memastikan kualitas data melalui atribusi algoritmik.
Kerangka kerja pembelajaran berkelanjutan (continual learning) dalam NRN SDK lebih lanjut mendukung kemampuan adaptasi. Robot dapat memperbarui perilaku mereka melalui loop umpan balik sim-to-real-to-sim, merespons perubahan di lingkungan mereka sambil mempertahankan kinerja. Pemrosesan ringan di tepi (edge) dan mekanisme pembaruan yang efisien membantu memastikan bahwa perilaku tetap selaras dengan realitas fisik, bahkan ketika kondisi perangkat keras bervariasi.
NRN Agents Mengungkapkan Olahraga Robotik untuk Memajukan AGI
Dari AI Arena ke Olahraga Robotik
Fondasi NRN Agents dalam pengembangan AI dimulai dengan AI Arena, sebuah platform kompetitif di mana agen AI virtual belajar melalui imitasi dan pembelajaran penguatan (reinforcement learning). Transisi dari AI Arena ke Olahraga Robotik (Robotic Sports) mewakili kemajuan logis, membawa prinsip-prinsip pembelajaran adaptif berbasis game ke ranah fisik. Dalam konteks baru ini, Olahraga Robotik berfungsi sebagai lingkungan pengujian dunia nyata untuk AI yang terwujud (embodied AI), mendorong sistem untuk menangani ketidakpastian, batasan fisik, dan kasus tepi yang sulit direplikasi dalam simulasi virtual.
Skenario kompetitif ini dapat mencakup balap robot, atletik, dan pertarungan, menyoroti pembelajaran real-time dan kemampuan adaptasi. Olahraga Robotik bukan hanya pameran kinerja; ini adalah lingkungan penelitian di mana sistem AI yang terwujud dapat diuji, ditingkatkan, dan diukur kinerjanya terhadap tantangan dunia nyata.
NRN Agents Mengungkapkan Olahraga Robotik untuk Memajukan AGI
Dampak Robotika pada Penelitian AGI
Olahraga Robotik diposisikan oleh NRN sebagai komponen penting dalam upaya yang lebih luas untuk mencapai AGI. Platform ini memajukan penelitian melalui arsitektur AI modular yang terukur di berbagai platform perangkat keras, data perilaku yang bersumber dari berbagai pengguna manusia, sistem transfer learning yang mengurangi waktu pelatihan, dan loop pembelajaran berkelanjutan (continual learning) yang meningkatkan kemampuan adaptasi jangka panjang. Elemen-elemen gabungan ini menciptakan lingkungan di mana AI dapat berkembang sebagai respons terhadap input fisik, membuat kemajuan menuju sistem yang cerdas dan mampu berinteraksi secara fisik.
Peta Jalan dan Pengembangan Masa Depan NRN
NRN Agents meluncurkan peta jalan mereka dalam dua fase utama. Fase pertama berfokus pada validasi konsep inti menggunakan sistem lengan robotik yang disebut RME-1. Demonstrasi awal mencakup manipulasi objek, kontrol motorik halus, dan tantangan fisik sederhana. Implementasi awal ini dirancang untuk mengkonfirmasi ketahanan sistem pengumpulan data dan pembelajaran berkelanjutan (continual learning) NRN.
Fase kedua bertujuan untuk memperluas kemampuan sistem ke Olahraga Robotik skala penuh. Ini akan mencakup format kompetitif seperti pertarungan robot humanoid, balap drone, dan kompetisi atletik yang menekankan adaptasi medan dan presisi kontrol. Aplikasi ini akan berfungsi sebagai tolok ukur praktis untuk mengevaluasi kemajuan AGI dalam sistem yang terwujud (embodied systems).
NRN Agents Mengungkapkan Olahraga Robotik untuk Memajukan AGI
Mendorong AI Menuju Batas Fisik
Meskipun AI telah membuat kemajuan substansial dalam domain seperti pemrosesan teks, gambar, dan video, ini sebagian besar adalah lingkungan yang terstruktur. Robotika, sebaliknya, memperkenalkan ketidakpastian dan membutuhkan keterlibatan dengan dunia fisik. Hal ini menjadikan robotika sebagai medan pembuktian yang vital untuk AGI, di mana sistem harus menunjukkan tidak hanya kecerdasan komputasi tetapi juga kompetensi fisik dan kemampuan adaptasi real-time.
Melalui karyanya dalam Olahraga Robotik dan AI yang terwujud (embodied AI), NRN Agents sedang membangun infrastruktur yang diperlukan untuk menguji dan meningkatkan sistem AI serbaguna. Dengan menggabungkan pengumpulan data yang digerakkan oleh komunitas, pembelajaran adaptif, dan validasi dunia nyata, NRN berkontribusi pada pemahaman yang lebih komprehensif tentang apa yang diperlukan untuk mencapai AGI. Bagi mereka yang tertarik untuk mengikuti kemajuan NRN, informasi lebih lanjut tersedia di NRN Robotics Whitepaper.
