Ringkasan Eksekutif

Robot humanoid serbaguna dengan cepat beralih dari fiksi ilmiah menjadi kenyataan komersial. Menurunnya biaya perangkat keras, investasi modal yang meningkat, dan kemajuan dalam locomotion dan ketangkasan bersatu untuk mendorong pergeseran platform besar berikutnya dalam komputasi.

Sementara komputasi dan perangkat keras semakin terkomoditisasi, memberikan angin segar berbiaya rendah bagi rekayasa robotika, sektor ini masih terhambat oleh kendala data pelatihan.

Reborn adalah salah satu dari sedikit proyek yang memanfaatkan kecerdasan buatan fisik terdesentralisasi (DePAI) untuk mengumpulkan data gerakan dan data sintetis berkualitas tinggi, serta membangun model dasar robotika, menjadikannya posisi yang unik untuk mengkatalisasi penerapan humanoid. Proyek ini dipimpin oleh tim pendiri yang sangat teknis dengan latar belakang penelitian dan profesor di UC Berkeley, Cornell, Harvard, dan Apple, menggabungkan keunggulan akademis dan eksekusi rekayasa dunia nyata.

Humanoids: Dari Fiksi ke Garis Depan

Robotika komersial bukanlah konsep baru. Kebanyakan orang sudah familiar dengan produk seperti vacuum iRobot Roomba, yang diluncurkan pada tahun 2002, atau robot rumah tangga terbaru seperti kamera hewan peliharaan Kasa. Keduanya dibangun untuk tujuan tunggal. Dengan bantuan AI, robot sedang berkembang dari mesin tujuan tunggal menjadi multi-tujuan, dirancang untuk beroperasi di lingkungan yang tidak terstruktur.

Robot humanoid akan berkembang dari tugas dasar seperti membersihkan dan memasak menjadi concierge, pemadam kebakaran, dan bahkan bedah dalam 5–15 tahun ke depan.

Perkembangan terbaru mengubah robotika humanoid dari fiksi ilmiah menjadi kenyataan.

• Ekspansi pasar: 100+ perusahaan membangun humanoid (misalnya Tesla, Unitree, Figure, Clone, Agile, dll.).
• Teknologi perangkat keras telah melewati lembah yang aneh: Humanoid baru menunjukkan gerakan yang halus dan alami, memungkinkan interaksi yang mirip manusia di lingkungan dunia nyata. Unitree H1 berjalan lebih cepat daripada rata-rata manusia (3,3 m/dtk vs 1,4 m/dtk).
• Paradigma baru biaya tenaga kerja: Robot humanoid diperkirakan akan memotong upah di AS pada tahun 2032.

Titik Sempit: Data Pelatihan Dunia Nyata

Meskipun ada angin segar yang jelas untuk robotika humanoid, penerapan massal masih terhambat oleh kualitas data dan kelangkaan.

Embodemen AI lainnya, seperti mengemudi otonom, sebagian besar telah mengatasi masalah data melalui kamera dan sensor di kendaraan yang ada. Dalam kasus mengemudi sendiri (misalnya, Tesla, Waymo), armada ini mampu menghasilkan miliaran mil data berkendara dunia nyata. Waymo dapat menempatkan mobil mereka di jalan untuk pelatihan waktu nyata dengan seorang "pengasuh" manusia di kursi penumpang selama fase ini.

Namun, konsumen tidak mungkin mentolerir keberadaan "pengasuh robot". Robot harus berkinerja baik langsung setelah dikeluarkan dari kotak, sehingga pengumpulan data sebelum penerapan menjadi sangat penting. Pelatihan harus diselesaikan sebelum produksi komersial, di mana skala dan kualitas data tetap menjadi masalah.

Sementara setiap moda pelatihan memiliki satuan skala masing-masing (misalnya token untuk LLM, pasangan video-teks untuk generator gambar, dan episode gerakan untuk robotika), perbandingan di bawah ini menyoroti kesenjangan urutan magnitudo dalam ketersediaan data yang dihadapi oleh data robotika:

• GPT-4 dilatih menggunakan lebih dari 15 triliun token teks
• Midjourney/Sora memanfaatkan miliaran pasangan video-teks yang diberi label
• Sebaliknya, dataset robotika terbesar hanya mengandung sekitar 2,4 juta episode

Disparitas ini menggambarkan mengapa robotika belum mencapai model dasar yang sejati dengan cara yang sama seperti yang dilakukan LLM. Data tersebut memang belum tersedia.

Metode pengumpulan data tradisional tidak dapat diskalakan untuk data pelatihan robotika humanoid. Metode saat ini meliputi:

• Simulasi: Murah tetapi kurang menghadapi kasus tepi dunia nyata (kesenjangan Sim2Real)
• Video Internet: Tidak mengandung konteks proprioseptif atau umpan balik gaya yang diperlukan untuk pembelajaran robot
• Data dunia nyata: Akurat, tetapi memerlukan teleoperasi dan manusia dalam proses, yang mahal (lebih dari $40K per robot) dan kurang skalabel.

Pelatihan di lingkungan virtual itu murah dan dapat diskalakan, tetapi model sering mengalami kesulitan saat diterapkan di dunia nyata. Masalah ini dikenal sebagai kesenjangan Sim2Real.

Sebagai contoh, robot yang dilatih dalam simulasi mungkin berhasil mengambil objek dengan pencahayaan sempurna dan permukaan datar, tetapi gagal ketika dihadapkan pada lingkungan yang berantakan, tekstur yang tidak rata, atau situasi tidak sempurna yang biasa dihadapi manusia di dunia fisik.

Reborn menyediakan cara untuk mengumpulkan data dunia nyata dengan murah dan cepat, memungkinkan pelatihan robotik yang kuat dan memecahkan kesenjangan Sim2Real.

Reborn: Sebuah Visi Full-Stack untuk Kripto AI Fisik Terdesentralisasi

Reborn sedang membangun platform perangkat lunak dan data yang terintegrasi secara vertikal untuk AI fisik. Di jantungnya, Reborn memecahkan bottleneck data untuk robotika humanoid, tetapi ambisinya melampaui itu. Melalui kombinasi perangkat keras milik, infrastruktur simulasi multi-modal, dan pengembangan model dasar, Reborn menjadi pengaktif tumpukan penuh dari kecerdasan yang terwujud.

Tumpukan Reborn dimulai dengan "ReboCap", perangkat penangkap gerakan konsumen yang bersifat hak milik. Ini memberdayakan ekosistem permainan AR/VR yang tumbuh pesat, di mana pengguna menghasilkan data gerakan berkualitas tinggi sebagai imbalan untuk insentif jaringan. Reborn telah menjual lebih dari 5.000 unit ReboCap dan kini mendukung 160.000 pengguna aktif bulanan (MAU), dengan jalur yang jelas menuju dua juta pada akhir tahun.

Reborn memungkinkan pengambilan data dengan ekonomi yang jauh lebih baik dibandingkan metode alternatif.

Menariknya, pertumbuhan ini telah bersifat organik: pengguna tertarik pada nilai hiburan dari permainan itu sendiri, dan penyiar langsung mengadopsi ReboCap untuk menghidupkan avatar digital dengan pelacakan tubuh waktu nyata. Loop keterlibatan organik ini memberdayakan generasi data yang dapat diskalakan, biaya rendah, dan berkualitas tinggi, menjadikan dataset Reborn sebagai sumber pelatihan yang berharga bagi perusahaan robotika terkemuka.

Lapisan kedua dari tumpukan perangkat lunak Reborn adalahRoboverse, sebuah platform data multi-modal yang menyatukan lingkungan simulasi yang terfragmentasi. Lanskap simulasi saat ini sangat terfragmentasi, misalnya alat seperti Mujoco dan NVIDIA Isaac Lab masing-masing menawarkan kekuatan yang berbeda tetapi kurang interoperabilitas. Balkanisasi ini memperlambat kemajuan dan memperburuk kesenjangan Sim2Real. Roboverse mengatasi hal ini dengan menstandarkan antar simulator, menciptakan infrastruktur virtual bersama untuk mengembangkan dan mengevaluasi model robotika. Integrasi ini memungkinkan pengujian yang konsisten, meningkatkan skalabilitas dan generalisasi.

Bersama-sama, ReboCap dan Roboverse membentuk dasar dari platform full-stack Reborn. Yang pertama menangkap data dunia nyata dalam skala besar, sementara yang kedua mengatur lingkungan simulasi untuk pelatihan model. Pendekatan terintegrasi ini menunjukkan kekuatan sejati dari jaringan DePAI Reborn. Ini sedang membangun platform pengembang untuk AI Fisik yang melampaui akuisisi data sederhana, hingga penyebaran dan lisensi model yang sebenarnya.

Model Fondasi yang Dilahirkan Kembali

Mungkin komponen paling penting dari tumpukan perangkat lunak Reborn adalah model dasar Reborn (RFM). Reborn sedang membangun salah satu model dasar robotika pertama, yang dirancang untuk menjadi infrastruktur inti untuk tumpukan AI Fisik yang sedang berkembang. Bayangkan model dasar tradisional untuk LLM, seperti o4 dari OpenAI atau Llama dari Meta, tetapi untuk robot.

Tumpukan Teknologi Reborn

Kombinasi dari tiga elemen utama tumpukan Reborn (ReboCap, Roboverse, dan RFM), menciptakan parit terintegrasi secara vertikal yang kuat untuk Reborn. Dengan memadukan data gerakan yang diperoleh dari kerumunan dengan simulasi yang kuat dan lisensi model, Reborn dapat melatih model dengan skala dan keragaman yang diperlukan untuk menggeneralisasi di berbagai kasus penggunaan. Hasilnya adalah model dasar yang mendukung aplikasi hilir dalam berbagai kasus penggunaan, termasuk robotika industri, konsumen, dan penelitian.

Reborn secara aktif mengkomersialkan teknologinya, meluncurkan pilot berbayar dengan Galbot dan Noematrix serta membangun kemitraan strategis dengan Unitree, Booster Robotics, Swiss Mile, dan Agile Robots. Pasar robot humanoid di Cina mengalami pertumbuhan pesat, menyumbang sekitar 32,7% dari pasar global. Perlu dicatat, Unitree memegang lebih dari 60% pasar robot quadruped global dan merupakan salah satu dari enam produsen robot humanoid Cina yang berencana memproduksi lebih dari 1.000 unit pada tahun 2025.

Peran Kripto dalam Tumpukan AI Fisik

Kripto memungkinkan tumpukan vertikal penuh untuk AI fisik.

Reborn adalah proyek kripto AI yang terkemuka

Sementara semua proyek ini berada di berbagai bagian dari tumpukan AI fisik, mereka semua memiliki sesuatu yang sama: 100% dari mereka adalah proyek DePAI! DePAI membuat AI fisik terdesentralisasi menjadi mungkin dengan memastikan skala yang terbuka, dapat disusun, dan tanpa izin melalui insentif token di seluruh tumpukan.

Fakta bahwa Reborn belum meluncurkan token membuat pertumbuhan organiknya semakin mengesankan. Setelah insentif token diluncurkan, partisipasi jaringan diharapkan akan meningkat sebagai bagian dari roda penggerak DePAI: Reborn memberikan insentif untuk akuisisi perangkat kerasnya (ReboCap), perusahaan robotika membayar pemilik ReboCap untuk kontribusi mereka, mendorong lebih banyak orang untuk membeli dan menggunakan ReboCap. Reborn juga akan memberikan insentif secara dinamis untuk perilaku kasus tepi yang bernilai tinggi - memastikan cakupan yang lebih baik dari kesenjangan Sim2Real.

Flywheel DePAI Reborn dalam aksi

Semua tentang Data

Momen "ChatGPT" dalam robotika tidak akan muncul dari perusahaan robotika itu sendiri karena perangkat keras jauh lebih rumit untuk diterapkan daripada perangkat lunak. Viralitas dalam robotika secara inheren dibatasi oleh biaya, ketersediaan perangkat keras, dan kompleksitas logistik. Faktor-faktor ini tidak ada dalam perangkat lunak digital murni seperti ChatGPT.

Titik balik untuk robotika humanoid tidak akan datang ketika prototipe mengesankan, tetapi ketika biaya turun cukup untuk adopsi massal — seperti halnya smartphone atau PC. Ketika biaya turun, perangkat keras menjadi hal yang biasa. Keunggulan kompetitif yang sebenarnya akan terletak pada data dan model. Secara spesifik, skala, kualitas, dan keragaman kecerdasan gerak yang digunakan untuk melatih mesin-mesin ini.

Kesimpulan

Perubahan platform robotika tidak terhindarkan, tetapi seperti semua platform, ia membutuhkan data untuk berkembang. Reborn adalah taruhan dengan pengaruh tinggi bahwa kripto dapat mengisi kesenjangan yang paling mendesak dalam tumpukan robotika AI. DePAI untuk data robotika adalah efisien biaya, dapat diskalakan, dan dapat disusun. Di dunia di mana robotika adalah perbatasan berikutnya dari AI, Reborn setara dengan mengubah manusia sehari-hari menjadi "penambang" data gerakan. Saat LLM membutuhkan token teks, robot humanoid membutuhkan episode gerakan. Reborn adalah cara kita membuka salah satu bottleneck terakhir dalam mengubah robotika humanoid dari fiksi ilmiah menjadi kenyataan.

Penolakan tanggung jawab:

1. Artikel ini dicetak ulang dari [hipersfer_]. Semua hak cipta milik penulis asli [hypersphere_]. Jika ada keberatan terhadap pencetakan ulang ini, silakan hubungi Gate Learn tim, dan mereka akan menanganinya dengan cepat.
2. Penafian Tanggung Jawab: Pandangan dan pendapat yang diungkapkan dalam artikel ini adalah semata-mata milik penulis dan tidak merupakan nasihat investasi.
3. Terjemahan artikel ke dalam bahasa lain dilakukan oleh tim Gate Learn. Kecuali disebutkan, menyalin, mendistribusikan, atau menjiplak artikel yang diterjemahkan adalah dilarang.