Malam Sebelum Pasar 5 Triliun: Di Mana Peluang Investasi untuk Embodied Intelligence × Web3?

Penulis: merakiki

Diterjemahkan oleh: TechFlow

Selama beberapa dekade, penerapan teknologi robotika sangat terbatas, terutama berfokus pada pelaksanaan tugas berulang di lingkungan pabrik yang terstruktur. Namun, kecerdasan buatan (AI) saat ini sedang merevolusi bidang robotika, memungkinkan robot untuk memahami dan melaksanakan instruksi pengguna, serta beradaptasi dengan lingkungan yang dinamis.

Kita sedang memasuki era pertumbuhan pesat. Menurut prediksi Citibank, pada tahun 2035 akan ada 1,3 miliar robot yang digunakan secara global, dengan aplikasi yang meluas dari pabrik ke rumah tangga dan industri jasa. Sementara itu, Morgan Stanley memperkirakan bahwa pasar robot humanoid saja dapat mencapai 5 triliun dolar pada tahun 2050.

Meskipun ekspansi ini melepaskan potensi pasar yang sangat besar, namun juga disertai dengan tantangan besar dalam sentralisasi, kepercayaan, privasi, dan skalabilitas. Teknologi Web3, dengan mendukung jaringan robot terdesentralisasi, dapat diverifikasi, melindungi privasi, dan kolaboratif, menawarkan solusi transformatif untuk mengatasi masalah-masalah tersebut.

Pada artikel kali ini, kami akan membahas secara mendalam rantai nilai robot AI yang terus berkembang, dengan fokus khusus pada bidang robot humanoid, serta mengungkap peluang menarik yang dihadirkan oleh integrasi robot AI dan teknologi Web3.

Rantai Nilai Robot AI

Rantai nilai robot AI terdiri dari empat lapisan dasar: perangkat keras, kecerdasan, data, dan agen. Setiap lapisan dibangun di atas lapisan lainnya, memungkinkan robot untuk merasakan, bernalar, dan bertindak di lingkungan nyata yang kompleks.

Dalam beberapa tahun terakhir, lapisan perangkat keras telah mengalami kemajuan signifikan di bawah kepemimpinan pelopor industri seperti Unitree dan Figure AI. Namun, masih banyak tantangan utama di luar lapisan perangkat keras, terutama kurangnya kumpulan data berkualitas tinggi, tidak adanya model dasar universal, kompatibilitas lintas perangkat yang buruk, serta kebutuhan akan komputasi edge yang andal. Oleh karena itu, peluang pengembangan terbesar saat ini terletak pada lapisan kecerdasan, data, dan agen.

1.1 Lapisan Perangkat Keras: "Tubuh"

Saat ini, pembuatan dan penerapan "tubuh robot" modern lebih mudah dari sebelumnya. Saat ini terdapat lebih dari 100 jenis robot humanoid di pasar, termasuk Optimus dari Tesla, G1 dari Unitree, Digit dari Agility Robotics, dan Figure 02 dari Figure AI.

Sumber: Morgan Stanley, "100 Robot Humanoid: Peta Rantai Nilai Robot Humanoid"

Kemajuan ini didorong oleh terobosan teknologi pada tiga komponen utama berikut:

• Aktuator (Actuators): Sebagai "otot" robot, aktuator mengubah instruksi digital menjadi gerakan yang presisi. Inovasi motor berkinerja tinggi memungkinkan robot melakukan gerakan cepat dan presisi, sementara Dielectric Elastomer Actuators (DEAs) cocok untuk tugas-tugas halus. Teknologi ini secara signifikan meningkatkan kelincahan robot, misalnya Optimus Gen 2 dari Tesla memiliki 22 derajat kebebasan (DoF), dan G1 dari Unitree, keduanya menunjukkan kelincahan mendekati manusia dan kemampuan bergerak yang mengesankan.

Sumber: Unitree memamerkan robot humanoid terbarunya dalam pertandingan tinju di WAIC World Artificial Intelligence Conference 2025

• Sensor: Sensor canggih memungkinkan robot merasakan dan menafsirkan lingkungan melalui input visual, LIDAR/RADAR, taktil, dan audio. Teknologi ini mendukung navigasi aman, operasi presisi, serta kesadaran situasional.

• Komputasi Tertanam (Embedded Computing): CPU, GPU, dan akselerator AI (seperti TPU dan NPU) di perangkat memungkinkan pemrosesan data sensor secara real-time dan menjalankan model AI untuk pengambilan keputusan otonom. Koneksi latensi rendah yang andal memastikan koordinasi tanpa hambatan, sementara arsitektur hybrid edge-cloud memungkinkan robot mengalihkan tugas komputasi berat saat diperlukan.

1.2 Lapisan Kecerdasan: "Otak"

Seiring kematangan perangkat keras, fokus industri beralih ke pembangunan "otak robot": model dasar yang kuat dan strategi kontrol canggih.

Sebelum integrasi AI, robot mengandalkan otomasi berbasis aturan, menjalankan aksi yang telah diprogram sebelumnya tanpa kecerdasan adaptif.

Model dasar secara bertahap diterapkan di bidang robotika. Namun, model bahasa besar (LLMs) umum saja tidak cukup, karena robot perlu melakukan persepsi, penalaran, dan aksi di lingkungan fisik yang dinamis. Untuk memenuhi kebutuhan ini, industri sedang mengembangkan model dasar robot end-to-end berbasis strategi. Model ini memungkinkan robot untuk:

• Persepsi (Perceive): Menerima data sensor multimodal (visual, audio, taktil)

• Perencanaan (Plan): Memperkirakan status diri, memetakan lingkungan, dan menafsirkan instruksi kompleks, memetakan persepsi langsung ke aksi, mengurangi intervensi rekayasa manusia

• Bertindak (Act): Menghasilkan rencana gerak dan mengeluarkan perintah kontrol untuk eksekusi real-time

Model ini mempelajari "strategi" umum untuk berinteraksi dengan dunia, memungkinkan robot beradaptasi dengan berbagai tugas dan beroperasi dengan kecerdasan serta otonomi yang lebih tinggi. Model tingkat lanjut juga menggunakan umpan balik berkelanjutan, memungkinkan robot belajar dari pengalaman untuk meningkatkan kemampuan adaptasi di lingkungan dinamis.

Model VLA memetakan input sensorik (terutama data visual dan instruksi bahasa alami) langsung ke aksi robot, memungkinkan robot mengeluarkan perintah kontrol yang sesuai berdasarkan apa yang "dilihat" dan "didengar". Contoh penting termasuk RT-2 dari Google, Isaac GR00T N1 dari Nvidia, serta π0 dari Physical Intelligence.

Untuk meningkatkan model ini, biasanya digabungkan berbagai metode pelengkap, seperti:

• Model Dunia (World Models): Membangun simulasi internal lingkungan fisik untuk membantu robot mempelajari perilaku kompleks, memprediksi hasil, dan merencanakan aksi. Misalnya, Genie 3 dari Google adalah model dunia universal yang dapat menghasilkan lingkungan interaktif yang belum pernah ada sebelumnya.

• Pembelajaran Penguatan Mendalam (Deep Reinforcement Learning): Membantu robot mempelajari perilaku melalui trial and error.

• Teleoperation: Memungkinkan kontrol jarak jauh dan menyediakan data pelatihan.

• Pembelajaran dari Demonstrasi (LfD)/Pembelajaran Imitasi (Imitation Learning): Mengajarkan keterampilan baru kepada robot dengan meniru aksi manusia.

Gambar di bawah menunjukkan bagaimana metode-metode ini berperan dalam model dasar robotika.

Sumber: World models: the physical intelligence core driving us toward AGI

Beberapa terobosan open source terbaru, seperti π0 dari Physical Intelligence dan Isaac GR00T N1 dari Nvidia, menandai kemajuan penting di bidang ini. Namun, sebagian besar model dasar robot masih bersifat terpusat dan tertutup. Perusahaan seperti Covariant dan Tesla masih mempertahankan kode dan kumpulan data eksklusif, terutama karena kurangnya mekanisme insentif terbuka.

Kurangnya transparansi ini membatasi kolaborasi dan interoperabilitas antar platform robot, menyoroti kebutuhan akan standar berbagi model yang aman dan transparan, tata kelola komunitas on-chain, serta lapisan interoperabilitas lintas perangkat. Pendekatan ini akan mendorong kepercayaan, kolaborasi, dan perkembangan yang lebih kuat di bidang ini.

1.3 Lapisan Data: "Pengetahuan" Otak

Kumpulan data robot yang kuat bergantung pada tiga pilar: kuantitas, kualitas, dan keragaman.

Meski industri telah berupaya mengumpulkan data, skala kumpulan data robot yang ada masih jauh dari cukup. Misalnya, GPT-3 dari OpenAI dilatih pada 300 miliar token, sedangkan kumpulan data robot open source terbesar, Open X-Embodiment, hanya berisi lebih dari 1 juta lintasan robot nyata, mencakup 22 jenis robot. Ini masih sangat jauh dari skala data yang dibutuhkan untuk kemampuan generalisasi yang kuat.

Beberapa metode eksklusif, seperti pengumpulan data oleh Tesla melalui pabrik data di mana staf mengenakan pakaian motion capture untuk menghasilkan data pelatihan, memang membantu mengumpulkan lebih banyak data gerak nyata. Namun, metode ini mahal, keragaman data terbatas, dan sulit diskalakan.

Untuk mengatasi tantangan ini, bidang robotika memanfaatkan tiga sumber data utama berikut:

• Data Internet: Data internet sangat besar dan mudah diskalakan, namun sebagian besar bersifat observasional dan kurang sinyal sensorik serta gerakan. Dengan melakukan pre-training model bahasa visual besar (seperti GPT-4V dan Gemini) pada data internet, dapat diperoleh pengetahuan semantik dan visual yang berharga. Selain itu, menambahkan label kinematik pada video dapat mengubah video mentah menjadi data pelatihan yang dapat digunakan.

• Data Sintetik: Data sintetik yang dihasilkan melalui simulasi memungkinkan eksperimen skala besar dengan cepat dan mencakup berbagai skenario, namun tidak sepenuhnya mencerminkan kompleksitas dunia nyata, keterbatasan ini dikenal sebagai "sim-to-real gap". Peneliti mengatasi masalah ini melalui adaptasi domain (seperti augmentasi data, randomisasi domain, pembelajaran adversarial) dan transfer sim-to-real, mengoptimalkan model secara iteratif dan melakukan pengujian serta penyesuaian di lingkungan nyata.

• Data Dunia Nyata: Meski langka dan mahal, data dunia nyata sangat penting untuk penerapan model dan menjembatani kesenjangan antara simulasi dan implementasi nyata. Data nyata berkualitas tinggi biasanya mencakup pandangan egosentris (egocentric views), merekam apa yang "dilihat" robot selama tugas, serta data gerakan yang merekam aksi presisi. Data gerakan biasanya dikumpulkan melalui demonstrasi manusia atau teleoperation, menggunakan VR, perangkat motion capture, atau pengajaran taktil, memastikan model belajar dari contoh nyata yang akurat.

Penelitian menunjukkan bahwa menggabungkan data internet, data dunia nyata, dan data sintetik untuk pelatihan robot secara signifikan meningkatkan efisiensi pelatihan dan ketahanan model dibandingkan hanya mengandalkan satu sumber data saja (catatan TechFlow: ketahanan berarti sistem tetap kuat dan tangguh dalam situasi abnormal atau berbahaya).

Pada saat yang sama, meskipun menambah jumlah data membantu, keragaman data jauh lebih penting, terutama untuk mencapai generalisasi pada tugas dan bentuk robot baru. Untuk mencapai keragaman ini, diperlukan platform data terbuka dan berbagi data kolaboratif, termasuk pembuatan kumpulan data lintas instansi yang mendukung berbagai bentuk robot, sehingga mendorong perkembangan model dasar yang lebih kuat.

1.4 Lapisan Agen: "Agen AI Fisik"

Tren menuju pengembangan agen AI fisik semakin cepat, di mana robot otonom dapat beroperasi secara mandiri di dunia nyata. Kemajuan lapisan agen bergantung pada penyesuaian model yang cermat, pembelajaran berkelanjutan, serta adaptasi nyata untuk setiap bentuk robot yang unik.

Berikut adalah beberapa peluang baru yang mempercepat pengembangan agen AI fisik:

• Pembelajaran Berkelanjutan dan Infrastruktur Adaptif: Melalui siklus umpan balik real-time dan berbagi pengalaman selama penerapan, robot dapat terus meningkatkan kemampuannya.

• Ekonomi Agen Otonom: Robot beroperasi sebagai entitas ekonomi independen—bertransaksi sumber daya seperti daya komputasi dan data sensor di pasar antar robot, serta menghasilkan pendapatan melalui layanan tokenisasi.

• Sistem Multi-Agen: Platform dan algoritma generasi berikutnya memungkinkan kelompok robot untuk berkoordinasi, berkolaborasi, dan mengoptimalkan perilaku kolektif.

Integrasi Robot AI dan Web3: Membuka Potensi Pasar yang Besar

Seiring robot AI bergerak dari tahap penelitian ke penerapan dunia nyata, sejumlah hambatan lama menghalangi inovasi dan membatasi skalabilitas, ketahanan, serta kelayakan ekonomi ekosistem robot. Hambatan ini meliputi pulau sentralisasi data dan model, kurangnya kepercayaan dan pelacakan, pembatasan privasi dan kepatuhan, serta kurangnya interoperabilitas.

2.1 Tantangan yang Dihadapi Robot AI

• Pulau Data dan Model Terpusat

Model robot memerlukan kumpulan data yang besar dan beragam. Namun, pengembangan data dan model saat ini sangat terpusat, terfragmentasi, dan mahal, menyebabkan sistem terisolasi dan kurang adaptif. Robot yang diterapkan di lingkungan nyata yang dinamis sering kali berkinerja buruk karena kurangnya keragaman data dan ketahanan model.

• Kepercayaan, Pelacakan, dan Keandalan

Kurangnya catatan yang transparan dan dapat diaudit (termasuk sumber data, proses pelatihan model, dan riwayat operasi robot) melemahkan kepercayaan dan rasa tanggung jawab. Ini menjadi hambatan utama bagi pengguna, regulator, dan perusahaan untuk mengadopsi robot.

• Privasi, Keamanan, dan Kepatuhan

Pada aplikasi sensitif seperti robot medis dan rumah tangga, perlindungan privasi sangat penting dan harus mematuhi regulasi regional yang ketat (seperti General Data Protection Regulation (GDPR) di Eropa). Infrastruktur terpusat kesulitan mendukung kolaborasi AI yang aman dan melindungi privasi, membatasi berbagi data, dan menghambat inovasi di bidang yang diatur atau sensitif.

• Skalabilitas dan Interoperabilitas

Sistem robot menghadapi tantangan besar dalam berbagi sumber daya, pembelajaran kolaboratif, serta integrasi lintas berbagai platform dan bentuk. Pembatasan ini menyebabkan fragmentasi efek jaringan dan menghambat transfer kemampuan antar jenis robot yang berbeda.

2.2 Robot AI x Web3: Solusi Struktural Mendorong Peluang Investasi

Teknologi Web3 secara fundamental mengatasi tantangan di atas melalui jaringan robot terdesentralisasi, dapat diverifikasi, melindungi privasi, dan kolaboratif. Integrasi ini membuka peluang pasar investasi baru:

• Pengembangan Kolaboratif Terdesentralisasi: Melalui jaringan berbasis insentif, robot dapat berbagi data, bersama-sama mengembangkan model dan agen cerdas.

• Pelacakan dan Tanggung Jawab yang Dapat Diverifikasi: Teknologi blockchain memastikan catatan sumber data dan model, identitas robot, serta riwayat operasi yang tidak dapat diubah, sangat penting untuk kepercayaan dan kepatuhan.

• Kolaborasi yang Melindungi Privasi: Solusi kriptografi canggih memungkinkan robot melatih model dan berbagi wawasan tanpa mengungkapkan data sensitif atau eksklusif.

• Tata Kelola Berbasis Komunitas: Organisasi otonom terdesentralisasi (DAOs) membimbing dan mengawasi operasi robot melalui aturan dan kebijakan on-chain yang transparan dan inklusif.

• Interoperabilitas Lintas Bentuk: Kerangka kerja terbuka berbasis blockchain memfasilitasi kolaborasi tanpa hambatan antar platform robot yang berbeda, menurunkan biaya pengembangan dan mempercepat transfer kemampuan.

• Ekonomi Agen Otonom: Infrastruktur Web3 memberikan identitas agen ekonomi independen kepada robot, memungkinkan mereka melakukan transaksi peer-to-peer, bernegosiasi, dan berpartisipasi dalam pasar tokenisasi tanpa intervensi manusia.

• Jaringan Infrastruktur Fisik Terdesentralisasi (DePIN): Berbagi sumber daya komputasi, persepsi, penyimpanan, dan koneksi peer-to-peer berbasis blockchain, meningkatkan skalabilitas dan ketahanan jaringan robot.

Berikut adalah beberapa proyek inovatif yang mendorong perkembangan di bidang ini, menunjukkan potensi dan tren integrasi robot AI dan Web3. Tentu saja, ini hanya untuk referensi dan bukan merupakan saran investasi.

Pengembangan Data dan Model Terdesentralisasi

Platform berbasis Web3 mendorong partisipasi kontributor (seperti pakaian motion capture, berbagi sensor, unggahan visual, pelabelan data, bahkan pembuatan data sintetik) untuk mendemokratisasi pengembangan data dan model. Pendekatan ini dapat membangun kumpulan data dan model yang lebih kaya, beragam, dan representatif, jauh melampaui apa yang dapat dicapai satu perusahaan. Kerangka kerja terdesentralisasi juga meningkatkan cakupan kasus batas, yang sangat penting untuk robot yang beroperasi di lingkungan tak terduga.

Contoh:

• Frodobots: Protokol crowdsourcing kumpulan data dunia nyata melalui permainan robot. Mereka meluncurkan proyek "Earth Rovers"—robot trotoar dan permainan global "Drive to Earn", berhasil menciptakan kumpulan data FrodoBots 2K yang mencakup rekaman kamera, data GPS, rekaman audio, dan data kendali manusia, mencakup lebih dari 10 kota dengan total sekitar 2.000 jam data mengemudi robot jarak jauh.

• BitRobot: Platform insentif kripto yang dikembangkan bersama oleh FrodoBots Lab dan Protocol Labs, berbasis blockchain Solana dan arsitektur subnet. Setiap subnet diatur sebagai tantangan publik, kontributor mendapatkan hadiah token dengan mengirimkan model atau data, mendorong kolaborasi global dan inovasi open source.

• Reborn Network: Lapisan dasar ekosistem terbuka robot AGI, menyediakan pakaian motion capture Rebocap yang memungkinkan siapa saja merekam dan mendapatkan keuntungan dari data gerak nyata mereka, mendorong keterbukaan kumpulan data robot humanoid yang kompleks.

• PrismaX: Memanfaatkan kekuatan kontributor komunitas global, memastikan keragaman dan keaslian data melalui infrastruktur terdesentralisasi, menerapkan mekanisme verifikasi dan insentif yang kuat untuk mendorong pengembangan skala besar kumpulan data robot.

Pembuktian Pelacakan dan Keandalan

Teknologi blockchain menyediakan transparansi end-to-end dan atribusi tanggung jawab untuk ekosistem robot. Ini memastikan pelacakan data dan model yang dapat diverifikasi, mengautentikasi identitas dan lokasi fisik robot, serta memelihara catatan riwayat operasi dan partisipasi kontributor yang jelas. Selain itu, verifikasi kolaboratif, sistem reputasi on-chain, dan mekanisme verifikasi berbasis staking menjamin kualitas data dan model, mencegah input berkualitas rendah atau penipuan merusak ekosistem.

Contoh:

• OpenLedger: Infrastruktur blockchain AI yang memanfaatkan kumpulan data milik komunitas untuk melatih dan menerapkan model khusus. Melalui mekanisme "Proof of Attribution", memastikan kontributor data berkualitas tinggi mendapatkan imbalan yang adil

Kepemilikan, Lisensi, dan Monetisasi Tokenisasi

Alat kekayaan intelektual asli Web3 mendukung lisensi tokenisasi untuk kumpulan data khusus, kemampuan robot, model, dan agen cerdas. Kontributor dapat menggunakan smart contract untuk menyematkan ketentuan lisensi langsung ke aset mereka, memastikan pembayaran royalti otomatis saat data atau model digunakan kembali atau dimonetisasi. Pendekatan ini mendorong akses transparan dan tanpa izin, serta menciptakan pasar terbuka dan adil untuk data dan model robot.

Contoh:

• Poseidon: Lapisan data terdesentralisasi full-stack berbasis protokol Story berpusat pada IP, menyediakan data pelatihan AI yang berlisensi hukum.

Solusi Perlindungan Privasi

Data bernilai tinggi yang dihasilkan di rumah sakit, kamar hotel, atau rumah tangga sulit diakses secara publik, namun konteksnya yang kaya dapat meningkatkan kinerja model dasar secara signifikan. Solusi enkripsi mengubah data pribadi menjadi aset on-chain yang dapat dilacak, dikombinasikan, dan dimonetisasi, sambil tetap melindungi privasi. Teknologi seperti Trusted Execution Environments (TEEs) dan Zero-Knowledge Proofs (ZKPs) mendukung komputasi aman dan verifikasi hasil tanpa mengungkapkan data asli. Alat ini memungkinkan organisasi melatih model AI pada data sensitif terdistribusi sambil menjaga privasi dan kepatuhan.

Contoh:

• Phala Network: Memungkinkan pengembang untuk menerapkan aplikasi ke TEE yang aman untuk pemrosesan AI dan data yang bersifat rahasia.

Tata Kelola Terbuka dan Dapat Diaudit

Pelatihan robot biasanya bergantung pada sistem kotak hitam eksklusif yang kurang transparan dan adaptif. Tata kelola yang transparan dan dapat diverifikasi sangat penting untuk mengurangi risiko dan meningkatkan kepercayaan pengguna, regulator, dan perusahaan. Teknologi Web3 memungkinkan pengembangan kolaboratif kecerdasan robot open source melalui pengawasan berbasis komunitas on-chain.

Contoh:

• Openmind: Tumpukan perangkat lunak AI open source yang membantu robot berpikir, belajar, dan bekerja sama. Mereka mengusulkan standar ERC7777 untuk membangun ekosistem robot yang dapat diverifikasi dan diatur, berfokus pada keamanan, transparansi, dan skalabilitas. Standar ini mendefinisikan antarmuka standar untuk mengelola identitas manusia dan robot, menegakkan aturan sosial, serta pendaftaran dan penghapusan peserta, dengan hak dan tanggung jawab yang jelas.

Pemikiran Akhir

Seiring integrasi robot AI dan teknologi Web3, kita memasuki era baru di mana sistem otonom dapat berkolaborasi dan beradaptasi secara besar-besaran. 3 hingga 5 tahun ke depan akan menjadi periode krusial, di mana kemajuan perangkat keras yang pesat akan mendorong lahirnya model AI yang lebih kuat, didukung oleh kumpulan data dunia nyata yang lebih kaya dan mekanisme kolaborasi terdesentralisasi. Kami memperkirakan agen AI khusus akan muncul di berbagai industri seperti perhotelan dan logistik, menciptakan peluang pasar baru yang besar.

Namun, integrasi robot AI dan teknologi kripto juga membawa tantangan. Merancang mekanisme insentif yang seimbang dan efektif tetap kompleks dan terus berkembang, sistem harus memberikan imbalan yang adil kepada kontributor sambil mencegah penyalahgunaan. Kompleksitas teknis juga menjadi tantangan besar, membutuhkan solusi yang tangguh dan skalabel untuk integrasi tanpa hambatan berbagai jenis robot. Selain itu, teknologi perlindungan privasi harus cukup andal untuk mendapatkan kepercayaan pemangku kepentingan, terutama saat menangani data sensitif. Lingkungan regulasi yang cepat berubah juga menuntut kehati-hatian untuk memastikan kepatuhan di berbagai yurisdiksi. Mengatasi risiko ini dan mencapai imbal hasil berkelanjutan adalah kunci untuk mendorong kemajuan teknologi dan adopsi luas.

Mari kita bersama-sama memperhatikan perkembangan di bidang ini, mendorong kemajuan melalui kolaborasi, dan meraih peluang yang muncul di pasar yang berkembang pesat ini.

Inovasi dalam teknologi robotika adalah perjalanan yang paling baik dijalani bersama :)

Terakhir, saya ingin mengucapkan terima kasih kepada Chain of Thought atas "Robotics & The Age of Physical AI" yang telah memberikan dukungan berharga untuk penelitian saya.