Dari Kode ke Kognisi: Panduan Panjang Evolusi Otak Robot

marsbitDipublikasikan tanggal 2026-06-07Terakhir diperbarui pada 2026-06-07

Abstrak

**Dari Kode ke Kognisi: Evolusi Otak Robot** Era robot sebelumnya bergantung pada kode yang dirancang dengan hati-hati untuk persepsi, perencanaan, dan kontrol (seperti PID), membatasi kemampuan generalisasi. Kemajuan datang dengan pembelajaran mendalam untuk persepsi visual dan pembelajaran penguatan untuk kontrol motorik, tetapi kebijakan tetap sempit. Titik balik terjadi dengan munculnya Model Bahasa Besar (LLM). LLM bertindak sebagai perencana tingkat tinggi, menerjemahkan instruksi bahasa alami menjadi urutan keterampilan atomik untuk dieksekusi oleh sistem robot tradisional (seperti ROS2). Ini adalah lompatan besar, tetapi LLM hanya penjadwal cerdas, bukan penggerak langsung. Lompatan berikutnya adalah Model Visi-Bahasa-Aksi (VLA). Model ini menggabungkan persepsi visual dan instruksi bahasa langsung ke dalam satu jaringan neural untuk menghasilkan perintah gerakan, menyatukan penalaran dan tindakan. Ini memungkinkan generalisasi yang lebih baik. Arsitektur populer (seperti di Figure AI, NVIDIA GR00T) menggunakan sistem "otak ganda": Model S2 yang besar dan lambat (7-9Hz) untuk penalaran tingkat tinggi, dan model S1 yang kecil dan cepat (200Hz) untuk menghasilkan gerakan halus. Lapisan S0 (1kHz) menangani keseimbangan dan koordinasi refleksif. Komputasi untuk kontrol keselamatan yang kritis dijalankan secara lokal di papan (mis., pada NVIDIA Jetson) karena masalah latensi dan keandalan jaringan. Cloud digunakan untuk antarmuka percakapan dan pembelajaran kumpulan da...

Penulis: Matt White, Chief Technology Officer AI Global Linux Foundation

Diterjemahkan oleh: Felix, PANews

Wang Xingxing (CEO Unitree) bersama Matt White

Beberapa minggu yang lalu di Shanghai, seorang teman yang ikut dalam perjalanan (seorang yang cerdas, biasa mengikuti berita dan mengamati hal-hal, tetapi tidak terlalu paham teknologi robotika), bertanya di saat makan malam sebuah pertanyaan yang telah ditunggu-tunggu selama perjalanan.

"Anjing-anjing robot yang kita lihat berlarian di mana-mana, robot humanoid yang melakukan pertunjukan kung fu di panggung demo di kantor Unitree, dan lengan robot yang melipat pakaian yang kita lihat. Bagaimana mereka melakukannya? Apakah mereka digerakkan oleh model bahasa besar (LLM)? Bagaimana sebenarnya cara kerjanya? Apakah ada semacam model bahasa yang mengendalikan gerakan mereka?"

Ini pertanyaan yang bagus, jujur saja: dalam beberapa hal ya, tetapi kisah sebenarnya jauh lebih menarik. Robot-robot yang Anda lihat di media sosial bukanlah ChatGPT dengan baju besi logam. Mereka menjalankan satu set stack teknologi (banyak lapisan AI yang bekerja sama). Stack teknologi ini telah berubah lebih banyak dalam tiga tahun terakhir daripada dalam tiga puluh tahun sebelumnya. Model bahasa adalah bagian darinya. Model visual, model gerakan, pohon perilaku, loop kontrol klasik, dan keluarga sistem baru yang disebut "model dunia", semuanya juga merupakan komponen penting. Dan "model dunia" mungkin adalah yang paling penting dari semua perkembangan ini.

Ini adalah artikel panjang, akan dimulai dari awal, lalu secara bertahap menceritakan setiap perubahan besar, akhirnya sampai pada tahap sekarang: robot tidak hanya dapat bereaksi terhadap dunia, tetapi juga dapat membayangkannya.

Satu: Era Pra-LLM : Ketika Robot Masih Hanya Perangkat Lunak

Selama beberapa dekade, membuat robot berarti menulis banyak kode, dan hampir semua kode ini tidak perlu belajar.

Robot industri klasik adalah struktur menara yang ditumpuk dengan modul yang dirancang hati-hati. Seperti lengan robot oranye yang mengelas sasis Toyota di tahun 90-an, atau BigDog milik Boston Dynamics di awal tahun 2000-an.

  • Persepsi: Menyaring gambar kamera, melakukan deteksi tepi, menggunakan pencocokan geometri untuk mengenali posisi benda kerja.
  • Estimasi State: Menggabungkan encoder roda, giroskop, dan akselerometer (fusi sensor) untuk menentukan posisi dan kecepatan gerak robot.
  • Perencanaan: Diberikan postur target, menggunakan algoritma seperti A* atau RRT untuk menghitung jalur tanpa tabrakan di peta yang diketahui.
  • Kontrol: Di lapisan paling bawah, pengontrol PID menyesuaikan torsi motor ratusan hingga ribuan kali per detik untuk mengikuti jalur tersebut.

Lapisan-lapisan ini biasanya ditulis oleh orang yang berbeda di lab yang berbeda, dan disatukan dengan sangat teliti. Perilaku (misalnya "jika cangkirnya merah, ambillah, jika tidak tunggu") dikodekan sebagai state machine atau behavior tree: yaitu diagram alir yang dijalankan robot langkah demi langkah.

Keuntungan dari pendekatan ini jelas. Ini dapat diprediksi, memenuhi standar keselamatan. Itulah sebabnya mobil Anda dilengkapi dengan sistem ABS yang efektif.

Kelemahannya juga jelas. Robot seperti itu hanya bisa berfungsi pada tingkat kecerdasannya dalam skenario yang dibayangkan oleh insinyur. Begitu ditempatkan di pabrik baru, kondisi pencahayaan baru, atau warna cangkir baru, dia akan gagal. Kemampuan generalisasinya hampir nol.

Dua: Machine Learning Mulai Merambah

Pada tahun 2010-an, deep learning mulai menangani masalah lapisan persepsi. Jaringan saraf konvolusional (CNN) yang mengalahkan manusia dalam tugas klasifikasi gambar ImageNet, dapat dilatih ulang untuk mendeteksi titik pegangan pada objek, memisahkan furnitur di dalam ruangan, atau mengenali postur manusia. Tiba-tiba, lapisan "persepsi" di puncak stack teknologi tidak perlu lagi dirancang secara manual, Anda bisa langsung melatihnya.

Kemudian, mekanisme pembelajaran menyebar ke lapisan "kontrol". Peneliti dari Berkeley, DeepMind, dan OpenAI menunjukkan bahwa pembelajaran penguatan (membuat agen robot mencoba jutaan kali di lingkungan simulasi dan memperkuat perilaku yang efektif) dapat menghasilkan gaya berjalan yang mengejutkan dan terampil, manipulasi objek dengan tangan (OpenAI menyelesaikan kubus Rubik dengan satu tangan pada 2019 adalah tonggak sejarah), dan strategi gerak yang beradaptasi dengan medan berbeda.

Arah penelitian paralel lainnya adalah pembelajaran imitasi, sering disebut cloning perilaku: merekam ratusan upaya manusia mengendalikan robot jarak jauh untuk menyelesaikan suatu tugas, lalu melatih jaringan saraf untuk memprediksi tindakan apa yang akan diambil manusia berdasarkan apa yang diamati robot.

Kuncinya adalah: setiap kebijakan yang dipelajari terlalu sempit. Latih sebuah jaringan untuk mengambil balok merah, dia tidak tahu bagaimana menangani cangkir kuning. Latih dia berjalan di rumput, dia akan jatuh di lantai keramik. Kemampuan generalisasi masih menjadi masalah yang harus dipecahkan.

Penting disebutkan, periode ini juga melihat kemunculan infrastruktur dasar yang hingga kini masih mendukung hampir segalanya: ROS, Robot Operating System (pertama kali dirilis November 2007). ROS bukanlah sistem operasi dalam arti Windows atau Linux, melainkan kerangka kerja middleware, sistem pipa robotika universal. Ini memungkinkan "node kamera", "node navigasi", "node pengontrol lengan robot", dan puluhan node lainnya untuk mempublikasikan dan berlangganan pesan melalui bus bersama.

Versi saat ini, ROS2, berjalan di inti sebagian besar besar robot penelitian dan komersial di seluruh dunia, dari laboratorium Stanford hingga startup robot humanoid Tiongkok. Ketika orang membicarakan "sistem operasi" robot, mereka hampir selalu mengacu pada ROS2 ditambah berbagai paket perangkat lunak persepsi, perencanaan, dan kontrol yang berjalan di atasnya.

ROS2: Bukan sistem operasi, melainkan pipa universal yang membuat perangkat lunak robot independen saling berkomunikasi

Tiga: Aplikasi LLM dalam Robotika

Kemudian, ChatGPT lahir.

Tiba-tiba ada sesuatu seperti ini: LLM. Dia dapat membaca instruksi sederhana dalam bahasa Inggris, melakukan penalaran multi-langkah, menulis kode, dan memanggil fungsi. Ahli robotika hampir segera menyadari bahwa inilah bagian yang hilang yang telah mereka perjuangkan selama bertahun-tahun. Membuat robot melakukan tugas yang berguna di rumah atau kantor, bagian tersulitnya biasanya bukan kontrol motor, tetapi interaksi manusia-robot: bagaimana manusia memberi tahu robot apa yang harus dilakukan, dan bagaimana robot memecah tujuan itu menjadi tindakan atomik yang sudah diketahuinya cara melakukannya?

Gelombang pertama penerapan LLM pada robotika adalah memperlakukan model bahasa sebagai kompiler bahasa alami yang berada di atas ROS. Polanya adalah sebagai berikut:

  1. Pengguna berkata dalam bahasa Inggris: "Ambil cangkir kopi di meja dapur, letakkan di atas mejaku."

  2. LLM menghasilkan rencana berdasarkan daftar keterampilan atomik yang tersedia untuk robot: bisa berupa urutan pemanggilan fungsi, state machine, atau pohon perilaku yang ditulis dalam XML.

  3. Node ROS2 akan menjalankan rencana tersebut langkah demi langkah. Jika satu langkah gagal, maka akan melaporkan kegagalan tersebut kembali ke LLM, agar LLM dapat merencanakan ulang.

Proyek SayCan Google 2022 adalah versi yang sangat ringkas dari ide ini: LLM mengusulkan keterampilan, model "affordance" independen mengevaluasi kemungkinan keberhasilan setiap keterampilan saat ini, robot memilih kombinasi keterampilan dengan skor gabungan tertinggi. Kerangka kerja terbuka seperti ROS-LLM, ROSGPT, dan ROSA yang dipimpin Huawei Research Laboratory mempopulerkan pola ini.

Ini memang lompatan yang signifikan. Tiba-tiba, Anda bisa memberi tahu robot "bersihkan meja, masukkan barang yang dapat didaur ulang ke tempat sampah biru", dan dia akan mencoba melakukan beberapa operasi yang masuk akal. Namun perhatikan, masih ada masalah di sini: model bahasa masih berada di lapisan perencanaan. Instruksi tindakan sebenarnya masih dihasilkan oleh pengontrol yang dirancang hati-hati atau dilatih khusus di lapisan bawah. Model bahasa hanyalah penjadwal yang cerdas, dia tidak bertanggung jawab menggerakkan.

Empat: Model Visual-Bahasa-Aksi (VLA), Saat Otak Mulai Menggerakkan Robot

Robot Keenon XMAN-R1 sedang mengambil obat dari rak di apotek otomatis Galbot di Beijing. Hanya $100k

Lompatan berikutnya lebih sulit dan lebih penting. Peneliti mengajukan pertanyaan yang lebih ambisius: Bagaimana jika model tidak hanya bisa merencanakan, tetapi juga menghasilkan instruksi aksi secara langsung? Bagaimana jika gambar kamera dan instruksi bahasa dimasukkan langsung ke jaringan saraf, lalu menghasilkan gerakan sendi untuk milidetik berikutnya?

Inilah model visual-bahasa-aksi (VLA). Ini sekarang menjadi paradigma utama di bidang robot humanoid dan robot berkaki empat.

Robot bahasa-visual pertama yang dikenal luas adalah RT-2 dari Google DeepMind yang diluncurkan tahun 2023. Kehebatannya terletak pada: menggunakan model bahasa-visual besar (yang telah dilatih untuk deskripsi gambar dan jawaban pertanyaan), dan melanjutkan pelatihannya dengan data demonstrasi robot, tetapi memperlakukan tindakan robot sebagai token lain yang perlu diprediksi. Jaringan saraf yang sama yang awalnya bisa mengeluarkan "kucing duduk di atas bantalan", sekarang bisa mengeluarkan rangkaian token yang mengkodekan "gerakkan cakar kanan ke depan 3 cm, rapatkan cakar, angkat 5 cm". Penalaran dan tindakan selesai dalam model yang sama.

Kemudian, di pertengahan 2024, tim yang dipimpin oleh Stanford merilis OpenVLA, model VLA sumber terbuka dengan 7 miliar parameter, yang dilatih berdasarkan dataset Open X-Embodiment. Dataset ini mengumpulkan lebih dari satu juta segmen pelatihan dari 21 laboratorium penelitian berbeda, mencakup 22 tubuh robot berbeda. Ini adalah pertama kalinya orang di luar Google dapat mengunduh model robot universal dan mulai memodifikasinya. Ini mengubah seluruh bidang dalam semalam.

Saat ini, VLA terkemuka, meskipun jumlahnya tidak banyak, berkembang pesat:

  • π0 dan π0.5 dari Physical Intelligence: Adaptasi tugas yang luar biasa.
  • NVIDIA Isaac GR00T N1.7: Bobot terbuka, lisensi komersial, dirancang khusus untuk robot humanoid, adalah model yang saat ini digunakan oleh sebagian besar perusahaan hardware Tiongkok untuk pelatihan lanjutan dengan datanya sendiri.
  • Helix dari Figure AI dan Helix-02 yang lebih baru: Teknologi berpemilik, tetapi sangat penting secara arsitektural.
  • Genie Envisioner dari AgiBot: Platform berbasis model dunia Tiongkok.
  • SmolVLA, NORA, ACoT-VLA, CogACT: Semakin banyak VLA muncul dari dunia akademis, mengeksplorasi arah desain yang berbeda.

Bagaimana VLA Bekerja (Tanpa Rumus Matematika)

Bayangkan VLA menggabungkan tiga sinyal input menjadi satu sinyal output.

Aliran data pertama adalah data visual. Kamera RGB (terkadang sensor kedalaman atau LiDAR), terkadang sensor taktil di ujung jari, diproses oleh encoder visual (biasanya model Transformer seperti DINOv2 atau SigLIP), yang mengompresi setiap gambar menjadi ratusan "token visual", meringkas apa yang dilihat robot.

Aliran data kedua adalah bahasa. Instruksi Anda ("serahkan obeng kepadaku") diubah menjadi token seperti di ChatGPT.

Kedua aliran data ini dihubungkan dan dimasukkan ke "tulang punggung" Transformer (biasanya model bahasa sumber terbuka kecil seperti Qwen3 atau Llama). Tulang punggung ini bertanggung jawab atas penalaran, menggabungkan apa yang dilihatnya dengan apa yang ditanyakan kepadanya.

Aliran data ketiga: Aksi, mengalir keluar dari ujung yang lain. Di sinilah berbagai desain arsitektur mulai berbeda:

  • Token aksi diskrit: Model langsung menghasilkan token yang dapat didekode menjadi sudut sendi atau posisi end-effector, seperti ChatGPT menghasilkan kata-kata. Ini sederhana, tetapi bisa terasa tersendat saat dijalankan pada frekuensi tinggi.
  • Diffusion atau flow-matching action head: Jaringan mini independen menerima output dari tulang punggung, dan mendeburkan untuk menghasilkan lintasan posisi sendi yang halus, seperti model difusi gambar, hanya saja menghasilkan gerakan. Ini yang dilakukan π0, menghasilkan gerakan yang lebih halus dan alami.
  • Chunking aksi: Alih-alih memprediksi satu instruksi berikutnya, memprediksi sekumpulan instruksi untuk setengah detik berikutnya sekaligus, sehingga menghaluskan getaran.

Dalam model VLA: Dua aliran input masuk, instruksi gerakan keluar, penalaran dan tindakan menyatu dalam satu jaringan.

Inilah perubahan arsitektur yang sangat penting: penalaran dan tindakan tidak lagi terpisah. Mengajari jaringan saraf untuk mengenali cangkir, juga mengajarinya cara meraih cangkir. Keterkaitan inilah yang memungkinkan VLA melakukan generalisasi, sementara pendahulunya tidak bisa.

Lima: Strategi Dua Otak, Bagaimana LLM dan VLA Bekerja Sama

Ada detail di sini yang jarang dijelaskan secara eksplisit dalam pemasaran. Robot humanoid dengan kinerja terbaik saat ini tidak menjalankan sistem VLA tunggal, melainkan dua model dengan kecepatan berbeda yang saling berkomunikasi. Ini terkadang disebut arsitektur sistem ganda atau sistem 1 / sistem 2, mengadopsi dari kerangka psikologi Daniel Kahneman yang berpendapat manusia memiliki otak intuisi yang cepat dan otak berpikir yang lambat dan penuh pertimbangan.

Helix dari Figure AI menjadikan desain ini klasik, dan sekarang (serta variasinya) hampir ditiru di mana-mana. Sangat penting, GR00T N1.7 NVIDIA menggunakan desain ini, dan sebagian besar robot humanoid Tiongkok juga mengadopsinya. Strukturnya adalah sebagai berikut:

  • Sistem 2 (S2): Otak berpikir lambat. Model bahasa-visual dengan 7 miliar parameter, berjalan pada frekuensi sekitar 7–9 Hz (yaitu 7 hingga 9 kali per detik). Pekerjaannya adalah mengamati pemandangan, mengurai instruksi, melakukan penalaran multi-langkah (seperti, "mangkuk ada di belakang kotak sereal; Saya perlu memindahkan kotaknya dulu"), dan mengeluarkan niat tingkat tinggi — biasanya sekumpulan vektor internal yang ringkas, bukan kata-kata itu sendiri.
  • Sistem 1 (S1): Otak reaksi cepat. Model kebijakan visuomotor yang jauh lebih kecil (sekitar 80 juta parameter), berjalan pada frekuensi 200 Hz. Ia menerima vektor niat dari S2 ditambah data sensor terbaru, mengeluarkan instruksi sendi yang kontinu. Dia tidak memiliki "pemikiran" dalam arti yang sebenarnya, hanya bereaksi.

Baru-baru ini, Helix-02 dari Figure menambahkan Sistem 0 (System 0). Itu berada di bawah sistem dua otak, sebagai lapisan refleks, bukan lapisan kognitif ketiga. Ini adalah jaringan dengan 10 juta parameter, berjalan pada 1 kHz, menangani keseimbangan dasar dan koordinasi seluruh tubuh, menggantikan lebih dari seratus ribu baris kode kontrol gerak C++ yang ditulis tangan. Anda bisa membayangkan S0 sebagai sumsum tulang belakang yang dipelajari: dia tidak melakukan penalaran atau perencanaan, hanya menjaga tubuh tetap tegak dan terkoordinasi, sementara pemikiran dilakukan oleh sistem dua otak di atasnya.

Arsitektur dua otak robot humanoid modern: Sistem 2 berpikir lambat, Sistem 1 bereaksi cepat — di bawahnya ada lapisan refleks Sistem 0 untuk menjaga keseimbangan, kontak taktil, dan koordinasi seluruh tubuh

Pembagian ini berasal dari batasan fisika. Jika instruksi gerakan dikeluarkan hanya setiap 200 milidetik (ini adalah kecepatan jalannya VLA besar), gerakan robot akan lambat seperti bergerak di bawah air. Pembaruan instruksi gerakan harus lebih cepat daripada osilasi alami sendi yang dikendalikannya, yang berarti diperlukan ratusan hingga ribuan pembaruan per detik. Tidak ada model Transformer 7 miliar parameter yang dapat berjalan secepat itu pada robot bertenaga baterai.

Oleh karena itu, tugas kognitif dibagi: model besar dan lambat bertanggung jawab untuk berpikir; model kecil dan cepat bertanggung jawab untuk bertindak. Mereka tidak berkomunikasi dalam bahasa Inggris, tetapi melalui vektor laten yang dipelajari: model lambat mengeluarkan tujuan abstrak, dan model cepat tahu bagaimana menafsirkannya.

Enam: Cloud, Edge Computing, dan Masalah Penempatan "Otak"

Di mana sebenarnya semua komputasi ini dilakukan?

Saat ini, hampir telah terbentuk konsensus yang kuat dan hampir ideologis di antara tim robotika bahwa loop kontrol inti yang penting untuk keselamatan harus berjalan secara lokal. Ada dua alasan:

Latensi. Waktu perjalanan bolak-balik melalui WiFi atau jaringan seluler, optimisnya adalah 30-80 milidetik. Instruksi gerakan perlu diperbarui setiap 1-5 milidetik. Siklus jaringan seperti itu tidak dapat berjalan dengan baik.

Keandalan. Robot beroperasi di pabrik, gudang, dapur, rumah sakit, dan tempat-tempat lain. Jaringan bisa mati kapan saja. Jika robot berhenti bekerja begitu Wi-Fi terputus, itu akan menjadi bahaya keamanan.

Jadi, pembagian modern kira-kira sebagai berikut:

Onboard (Lokal), berjalan pada perangkat seperti modul NVIDIA Jetson Thor atau AGX Thor (sekitar 2.000 TFLOPS, 128 GB memori, konsumsi daya 40–130 W):

  • Semua fungsi S0/S1: keseimbangan, gerak, kontrol gerakan halus.
  • VLA itu sendiri (sistem 2), untuk mengatasi batasan perangkat keras, semakin banyak dikuantisasi ke format FP8 atau FP4. Model dengan 2 miliar hingga 7 miliar parameter saat ini dapat berjalan di perangkat.
  • Persepsi, fusi sensor, dan program pemantauan keselamatan yang dapat menutupi operasi lainnya.

Cloud atau server jarak jauh (jika ada):

  • Antarmuka percakapan ("Hei robot, apa yang harus saya masak untuk makan malam?"): Ini dapat menoleransi latensi.
  • Pembelajaran kluster: Ribuan robot mengirim data operasi jarak jauh kembali ke server, untuk dikumpulkan ke dalam versi model berikutnya.
  • Perencanaan jangka panjang yang luas diperlukan, mungkin menggunakan model skala mutakhir.
  • Dasbor dan pemantauan operator.

Selain itu, ada lapisan menengah yang semakin besar: server edge lokal yang berada di pabrik atau gudang, berkomunikasi dengan kluster robot melalui jaringan lokal dengan latensi hanya tingkat milidetik satu digit. LLM yang lebih besar mungkin ditempatkan di tingkat ini, bertanggung jawab untuk tugas penjadwalan tingkat tinggi yang tidak perlu dikelola sendiri oleh robot tunggal.

Gelombang robot humanoid Tiongkok dibangun berdasarkan asumsi ini: Unitree, AgiBot, XPeng IRON, Fourier, EngineAI. Robot mereka dilengkapi dengan kemampuan komputasi onboard (biasanya Jetson, terkadang juga menggunakan chip domestik seperti Huawei Ascend), sementara cloud digunakan untuk pembelajaran kluster dan antarmuka percakapan, bukan untuk loop kontrol.

Di mana sebenarnya otak robot berjalan: Loop kritis keselamatan berjalan secara lokal, cloud untuk hal-hal yang bisa menunggu

Tujuh: Mengapa Model Sumber Terbuka Diam-diam Menjadi Fokus

Jika Anda hanya melihat demo, Anda mungkin mengira bidang ini didominasi oleh beberapa perusahaan Amerika yang didanai besar. Tetapi kenyataannya jauh lebih kompleks. Kecepatan perkembangan AI fisik sangat ditentukan oleh model bobot sumber terbuka yang dapat diunduh dan disempurnakan oleh siapa saja.

Berikut adalah beberapa model yang jumlahnya tidak banyak, tetapi sangat penting:

  • OpenVLA (Stanford): Model robot universal 7B sumber terbuka pertama.
  • NVIDIA Isaac GR00T (N1, N1.5, N1.7): Bobot sumber terbuka akan segera hadir, lisensi komersial juga akan segera hadir, model ini dilatih berdasarkan puluhan ribu jam video egosentris manusia. GR00T N1.7 dirilis Maret 2026, saat itu siapa pun yang memiliki robot humanoid dapat menggunakan arsitektur sistem gandanya secara gratis.
  • π0 dari Physical Intelligence: Merilis bobot untuk penelitian.
  • NVIDIA Cosmos: Model dasar dunia terbuka.
  • AgiBot World: Dataset sumber terbuka besar dari startup Shanghai, berisi demonstrasi robot humanoid yang dikendalikan jarak jauh.
  • LeRobot dari Hugging Face: Perpustakaan terbuka, telah menjadi tempat berkumpulnya semua platform di atas.
  • mimic-video dari Mimic robotics: Model video-aksi sumber terbuka, dengan efisiensi sampel 10 kali lebih tinggi dari VLA tradisional.

Penting, karena dua alasan. Pertama, startup robotika tidak perlu lagi menghabiskan puluhan juta dolar untuk pra-latih model dasar: mereka dapat mengambil GR00T atau π0, lalu melatihnya lebih lanjut dengan data robot mereka sendiri. Unitree, EngineAI, Booster, Galbot, dan puluhan perusahaan Tiongkok yang lebih kecil melakukan hal ini. Inilah mengapa perusahaan dengan hanya ratusan karyawan juga dapat mengeluarkan robot humanoid yang bisa berjalan, berbicara, melipat pakaian: mereka berdiri di atas pundak stack teknologi sumber terbuka.

Kedua, model sumber terbuka adalah satu-satunya cara realistis untuk menyelesaikan masalah keamanan. Jika model yang sepenuhnya tertutup berjalan di dalam robot di suatu lantai pabrik, dan tidak ada wawasan tentang logika penalarannya dari luar, itu jelas akan menjadi mimpi buruk peraturan. Model terbuka memungkinkan auditor, peneliti, dan operator benar-benar memeriksa apa yang telah dilatih robot.

Delapan: Masalah Apa Lagi yang Belum Terselesaikan

Jika Anda telah melihat cukup banyak video demo robot, Anda pasti juga telah melihat banyak video kegagalan robot. Generasi robot LLM+VLA saat ini memang mengesankan, tetapi memang memiliki keterbatasan yang jelas. Berikut adalah masalahnya:

  • Pemulihan di tengah tugas. VLA lebih mampu menangani perubahan tak terduga daripada teknologi sebelumnya. Tetapi ketika hal-hal benar-benar salah (seperti gagal meraih, benda berguling, ada orang yang masuk ke area kerja), kembali ke jalur yang benar masih merupakan kelemahan. Robot akan mengulangi tindakan yang gagal secara membabi buta.
  • Efisiensi sampel. Melatih VLA dari awal memerlukan puluhan ribu jam data operasi jarak jauh. Sementara manusia dapat belajar mengoperasikan alat baru dalam beberapa menit. Kesenjangan efisiensi ini sangat besar.
  • Generalisasi lintas entitas. Model yang dilatih dengan lengan robot Franka di laboratorium Stanford tidak bermigrasi dengan sempurna ke robot humanoid Unitree di gudang Shenzhen. Keduanya memiliki morfologi fisik yang berbeda.
  • Tugas jangka panjang. Tugas apa pun yang memerlukan perilaku koheren lebih dari 30-60 detik, dan mengandung beberapa sub-tujuan, rentan menyimpang. Tugas seperti "buatkan saya sarapan" tetap tidak terjangkau.
  • Pengetahuan Fisika Dasar. VLA dilatih dengan imitasi, bukan dengan pemahaman. Mereka tidak benar-benar memahami prinsip di balik "menumpahkan segelas air" ketika gelas itu ditumpahkan. Dia hanya telah melihat beberapa contoh, dan memprediksi apa yang akan terjadi berikutnya berdasarkan pencocokan pola.
  • Kemampuan Penalaran Spasial. Meskipun mereka multimodal, mereka secara mengejutkan lemah dalam tugas seperti "berjalan mengelilingi rintangan daripada menembusnya" atau "menumpuk hal-hal ini tanpa membuatnya jatuh".

Kekurangan terakhir ini mendorong bidang ini untuk mulai bertaruh pada jenis model yang sama sekali berbeda.

Sembilan: Model Dunia

Bayangkan: Bagaimana jika, alih-alih melatih robot untuk memprediksi tindakan, kita melatihnya untuk memprediksi konsekuensi dari tindakan tersebut?

Model dunia (World Model) adalah jaringan saraf yang memprediksi bagaimana keadaan dunia selanjutnya berdasarkan keadaan dunia saat ini (biasanya video atau rangkaian frame) dan tindakan yang diusulkan. Sederhananya, Anda bisa membayangkannya sebagai peramal video yang dapat dipelajari dengan setir. Anda menunjukkan kepadanya cuplikan kamera terakhir, dan beri tahu dia "robot akan menggerakkan lengannya ke depan 10 cm", dan dia dapat menghasilkan video realistis yang memprediksi cuplikan berikutnya.

Mengapa ini penting?

Karena dengan model dunia, robot dapat berpikir sebelum bertindak. Dia dapat mengonsepkan tiga atau empat kandidat tindakan yang berbeda sebelumnya, memprediksi hasil dari setiap tindakan, menilai, dan memilih yang terbaik. Semua ini sebelum motor bergerak. Inilah cara kerja mesin catur: dia tidak menghafal langkah, tetapi mensimulasikan masa depan. Di bidang robotika fisik, kemampuan ini belum pernah dimiliki sebelumnya, karena belum pernah ada model yang cukup akurat untuk mensimulasikan kekacauan dunia nyata.

Model dunia memungkinkan robot untuk mensimulasikan beberapa skenario masa depan yang mungkin, menilainya, dan memilih yang terbaik sebelum motor apa pun dihidupkan

Seperti apa model dunia tahun 2026?

Saat ini, model dunia yang paling canggih bermacam-macam, tetapi berkembang dengan cepat. Berikut adalah beberapa model:

  • NVIDIA Cosmos: Serangkaian model dasar dunia terbuka, termasuk Cosmos Predict 2.5 (model generatif), Cosmos Transfer 2.5 (model simulasi terkendali), Cosmos Reason 2 (penalar bahasa-visual untuk robotika) dan yang terbaru Cosmos Policy. Cosmos Policy melangkah lebih jauh, dengan melatih model dunia lebih lanjut untuk langsung mengeluarkan tindakan untuk kontrol. Cosmos dilatih menggunakan data video ribuan jam GPU (Cosmos Predict 2.5 adalah model dunia dalam seri ini).
  • DeepMind Genie 3: Model dunia interaktif yang dapat menghasilkan lingkungan yang sepenuhnya dapat dinavigasi berdasarkan petunjuk teks, dengan kecepatan frame 24 fps, dan dapat berjalan stabil selama beberapa menit. Awalnya dirancang untuk lingkungan permainan.
  • Meta V-JEPA 2: Pra-dilatih dengan lebih dari satu juta jam video web, kemudian dikondisikan dengan aksi menggunakan hanya 62 jam video robot. Pada lengan robot nyata di lab yang berbeda, tanpa pelatihan tugas spesifik apa pun, mencapai tingkat keberhasilan 80% dalam pengambilan dan penempatan nol-sampel. Pendekatan "JEPA" secara arsitektural sangat berbeda dari yang lain.
  • DeepMind Dreamer 4: Hanya menggunakan data offline, tanpa interaksi lingkungan apa pun, belajar mengumpulkan berlian di Minecraft (tugas 20.000 langkah). Ini membuktikan bahwa pembelajaran penguatan yang sebenarnya di dunia virtual adalah mungkin.
  • Genie Envisioner dari AgiBot: Platform model dunia terpadu dari Tiongkok, dilatih dengan lebih dari 3000 jam video operasi robot humanoid dunia nyata. Ia dapat menghasilkan lintasan prediksi yang dikembangkan, atau menghasilkan lintasan aksi yang dapat dieksekusi. AgiBot menggunakan NVIDIA Cosmos Predict 2 sebagai jaringan tulang punggung, dan melatihnya lebih lanjut dengan datanya sendiri. Inilah pola "stack teknologi sumber terbuka + data sendiri" yang dijelaskan sebelumnya.
  • Model dunia berbasis Cosmos dari Toyota Research Institute: Untuk peningkatan data operasi jarak jauh dan navigasi.

Enam model dunia terpenting 2025-2026, masing-masing mengusulkan visi berbeda tentang bagaimana mesin harus mempelajari fisika.

Sepuluh: Arsitektur Alternatif, Karena Bidang Ini Belum Final

Tidak ada satu cara standar untuk membangun model dunia. Pertarungan arsitektur adalah salah satu perdebatan paling menarik di bidang AI saat ini, yang secara langsung mempengaruhi apa yang dapat dilakukan robot di masa depan. Tiga kubu berikut perlu diperhatikan:

Difusi video tingkat piksel (Sekolah Cosmos/Sora): Menggunakan model difusi untuk memprediksi piksel aktual dari frame masa depan. Keuntungannya adalah dapat berfungsi sebagai generator data sintetis, dapat merender demonstrasi robot baru yang belum pernah terjadi. Kerugiannya adalah mahal, terkadang melanggar hukum fisika, dan memprediksi piksel yang tidak akan pernah dilihat adalah pemborosan.

Arsitektur Prediksi Penyematan Bersama, disingkat JEPA (Sekolah LeCun): Tidak memprediksi piksel, tetapi memprediksi representasi abstrak dari frame berikutnya. Membuang detail tekstur, hanya menyimpan esensi semantik dari hal-hal dalam adegan. Keuntungannya adalah efisien, fokus pada faktor-faktor yang penting untuk tindakan. Kerugiannya adalah lebih sulit digunakan. V-JEPA, V-JEPA 2 dan model hybrid JEPA-VLA baru sedang mengeksplorasi area ini.

Model dunia aksi laten (Aliran Genie/Dreamer): Mempelajari cara mengompres seluruh video ke dalam "bahasa aksi" laten yang menangkap struktur perilaku, kemudian melatih model dunia untuk memprediksi keadaan laten berikutnya berdasarkan aksi laten berikutnya. Keuntungannya adalah memungkinkan Anda melatih dengan video web tanpa aksi, lalu menambahkan sedikit data robot nyata. Kerugiannya adalah aksi laten tidak dapat dipahami manusia, membuat analisis keamanan menjadi kompleks.

Difusi piksel, JEPA, dan aksi laten: Tujuan sama, cara membangun model dunia sangat berbeda

Sebelas: Aplikasi Praktis Robot Berbasis Model Dunia

Jika kita maju beberapa tahun, arsitektur robot humanoid mutakhir mungkin terlihat seperti ini:

Sebuah VLA yang dilengkapi dengan model dunia. Ketika robot menghadapi situasi baru, dia akan melakukan operasi seperti berikut:

  • VLA mengusulkan beberapa kandidat tindak lanjut (dia masih kebijakan).
  • Model dunia akan mengambil setiap kandidat aksi, dan mensimulasikan video imajiner 1-3 detik.
  • Penilai nilai akan menilai berdasarkan hasil yang dibayangkan: apakah cangkir telah diambil? Apakah ada sesuatu yang jatuh? Apakah ada orang yang tertabrak?
  • Robot akan memilih tindakan dengan skor tertinggi, dan hanya menjalankan bagian pertamanya.
  • Data sensor nyata mengalir kembali; siklus berulang.

Ini adalah kontrol prediktif model, teknik yang telah digunakan selama bertahun-tahun untuk menstabilkan roket dan quadcopter, tetapi menggantikan persamaan fisika turunan manual dengan model dunia yang dipelajari. Skalabilitasnya terletak pada fakta bahwa model dunia dilatih sebelumnya berdasarkan jutaan jam video, bukan karena seseorang menulis persamaan Navier-Stokes untuk lingkungan dapur.

Manfaatnya bertambah lapis demi lapis:

  • Pemulihan yang lebih baik. Jika tindakan meraih gagal, model dunia dapat membayangkan berbagai jalur korektif, dan memilih yang paling menjanjikan.
  • Generalisasi yang meningkat. Model dunia yang dilatih dengan video web mengalami "fenomena fisik" beberapa tingkat besarnya lebih banyak daripada dataset operasi jarak jauh robot mana pun.
  • Perencanaan jangka panjang menjadi dapat dikendalikan. Merencanakan dalam imajinasi, bukan dalam kenyataan.
  • Kesenjangan antara simulasi dan realitas menyempit. Sebelumnya perlu melatih dengan simulator yang dibangun sendiri (misalnya Isaac Sim, mesin fisika Newton) dan berharap hasil pelatihan dapat ditransfer, sekarang dapat melatih dengan simulator yang telah dilatih untuk mencocokkan video nyata. Jadi kesenjangannya lebih kecil.
  • Ledakan data sintetis. Sebuah model dunia hampir dapat secara gratis menghasilkan jutaan lintasan robot yang berbeda, mencakup konfigurasi pencahayaan, material, dan objek yang berbeda. Ini memecahkan hambatan terbesar di bidang ini.

Selain itu, ia memiliki keunggulan keamanan yang penting. Robot yang dapat mensimulasikan konsekuensi tindakan dapat menolak melakukan operasi berbahaya: bukan karena aturan yang telah ditetapkan, tetapi karena mengantisipasi bahwa mungkin ada orang yang terluka di masa depan.

Dua cara bergerak: VLA bereaksi terhadap apa yang dilihat; robot model dunia berpikir sebelum bergerak

Dua Belas: Hal Lain yang Perlu Diketahui

Masalah Data adalah Inti Sebenarnya: Jika Anda tidak dapat memberi makan data ke model, semua inovasi arsitektur di dunia tidak akan berguna. Saat ini, operasi jarak jauh (manusia mengenakan perangkat VR untuk mengendalikan robot seperti wayang dari jarak jauh) adalah hambatan teknologi utama. Parit kompetitif perusahaan robotika semakin tergantung pada pipa pengumpulan datanya, bukan pada model itu sendiri. AgiBot telah membangun gudang yang dipenuhi operator. Hukum penskalaan ketangkasan NVIDIA GR00T N1.7 menunjukkan bahwa lebih banyak video perspektif orang pertama manusia secara langsung dan dapat diprediksi meningkatkan ketangkasan robot. Ini juga bagian di mana Tiongkok memiliki keunggulan struktural: biaya tenaga kerja pengumpulan data yang lebih rendah, lingkungan penerapan yang lebih toleran, dan negara yang secara aktif mengoordinasikan rantai pasokan.

Simulasi adalah Alam Semesta Paralel. NVIDIA Isaac Sim, mesin fisika Newton sumber terbuka baru (versi 1.0 akan dirilis secara resmi April 2026) dan platform Omniverse, memungkinkan perusahaan melatih robot dalam jutaan lingkungan simulasi paralel tanpa perlu menerapkannya di dunia nyata. Sebagian besar fungsi yang tampak seperti "kecerdasan robot" sebenarnya dibesarkan dalam simulasi, kemudian dipindahkan ke perangkat keras.

Ekonomi Mulai Tampak. Unitree mengirimkan sekitar 5500 robot humanoid pada 2025, dan berencana mencapai 10.000 hingga 20.000 pada 2026. Harga rata-rata turun dari $85.000 menjadi $25.000 dalam dua tahun. R1 Unitree dijual seharga $5.900. Noetix Bumi diluncurkan dengan harga $1.400. Harga perangkat keras robot humanoid sedang mendekati tingkat harga elektronik konsumen, sementara teknologi AI di dalamnya masih tertinggal dari produk demo. Kesenjangan ini pada akhirnya akan menyusut, dan ketika itu terjadi, peningkatan skala pasar akan berdampak signifikan pada seluruh industri.

Mode Kegagalan Terlihat Aneh. Ketika robot berbasis LLM gagal, cara kegagalan mereka seringkali tidak dapat dilakukan oleh robot tradisional. Misalnya, melakukan hal yang salah dengan percaya diri, mempersepsikan beberapa fungsi dengan "halusinasi", terjebak dalam loop percakapan dengan perencananya sendiri. Komunitas robotika tradisional cukup skeptis tentang hal ini, dengan alasan yang masuk akal, mereka bersikeras bahwa sistem pembelajaran harus diawasi keamanan dan dibatasi perilakunya. Robot yang paling andal yang saat ini digunakan adalah hybrid: otak VLA ditempatkan di dalam kandang keamanan yang dirancang secara manual.

Narasi "Momen ChatGPT" adalah Metafora yang Berguna tetapi Menyesatkan: Jensen Huang terus memberitahu semua orang bahwa momen ChatGPT untuk robot telah tiba. Dia mengatakan ini karena NVIDIA menjual sekop dan pacul. Versi yang lebih jujur adalah: Sekitar Era GPT-2 untuk AI Fisik saat ini. Dia kuat, dapat membuat Anda kagum; tetapi belum cukup kuat untuk dikerahkan tanpa pengawasan. Dia beriterasi dengan cepat, tetapi belum mencapai titik ledakan penyebaran virus, melainkan lintasan naik yang lambat dan pasti.

Kesimpulan

Evolusi robot berkaki empat Unitree (dari kanan ke kiri)

Dalam demo yang dilihat di kantor Unitree, lima robot humanoid G1 melakukan seni bela diri, gerakannya dikoreografikan dengan hati-hati, pengontrol gaya VLA onboard melakukan penyesuaian halus, operator jarak jauh memastikan semuanya berjalan lancar. Pada dasarnya, itu tidak sepenuhnya otonom. Tetapi keseluruhan alur: persepsi, perencanaan, kontrol gerak, sedang digantikan oleh jaringan saraf. Dua tahun kemudian, robot yang sama dapat melakukan gerakan yang sama tanpa koreografi, karena dia telah mengonsepkan seluruh gerakan sebelumnya, dan memilih versi terbaik.

Seluruh evolusi yang dijelaskan dalam artikel ini: dari pengontrol yang ditulis tangan, ke persepsi pembelajaran mesin, ke perencana LLM, ke VLA, ke arsitektur sistem ganda, akhirnya ke model dunia, sebenarnya adalah pergeseran lambat dari letak kecerdasan robot. Ini dimulai dari pikiran insinyur, kemudian berevolusi menjadi kode yang ditulis tangan, kemudian memasuki lapisan persepsi, memasuki perencana, memasuki lapisan kebijakan. Dan sekarang, akhirnya berkembang menuju model yang mempelajari dunia itu sendiri.

Setiap pergeseran membuat robot lebih universal, lebih adaptif, lebih berguna. Jika pergeseran model dunia berhasil, itu akan benar-benar memberdayakan robot: cukup kuat untuk membuat pertanyaannya bukan lagi "Apa yang bisa dilakukan robot?", tetapi "Apa yang seharusnya kita perintahkan mereka lakukan?"

Bacaan terkait: Tinjauan lebih dari 30 perusahaan robot humanoid: Siapa yang akan menang pada tahun 2026?

Pertanyaan Terkait

QApakah robot yang kita lihat di media sosial dikendalikan oleh Large Language Models (LLM)?

ASebagian iya, tetapi situasinya jauh lebih kompleks. Robot modern berjalan pada 'tumpukan teknologi' yang terdiri dari beberapa lapisan AI yang bekerja sama, termasuk model bahasa, model penglihatan (vision), model aksi, pohon perilaku, kontrol klasik, dan yang penting, sistem 'model dunia' yang baru muncul.

QApa itu VLA (Vision-Language-Action Model) dan bagaimana cara kerjanya dalam robot?

AVLA (Vision-Language-Action Model) adalah model AI yang menyatukan penalaran dan tindakan. Ia mengambil aliran input visual (dari kamera), instruksi bahasa (perintah manusia), dan secara langsung menghasilkan perintah motorik untuk sendi robot. Arsitektur ini memungkinkan robot beradaptasi dan melakukan generalisasi dengan cara yang tidak dapat dilakukan oleh sistem lama yang terpisah antara perencana dan pengontrol.

QApa yang dimaksud dengan arsitektur 'otak ganda' (dual brain) pada robot humanoid modern?

AArsitektur 'otak ganda' merujuk pada sistem dua model yang bekerja bersama: Sistem 2 adalah model pemikiran lambat (misalnya, VLA 7B parameter) yang mengamati dan merencanakan pada 7-9 Hz. Sistem 1 adalah model reaksi cepat (misalnya, 80 juta parameter) yang berjalan pada 200 Hz, menerima tujuan abstrak dari Sistem 2 dan menerjemahkannya menjadi perintah gerakan kontinu yang halus. Di bawahnya, sering ada lapisan refleks (Sistem 0) untuk keseimbangan.

QMengapa model sumber terbuka (open-source) penting dalam perkembangan robotika AI?

AModel sumber terbuka seperti OpenVLA dan GR00T memungkinkan perusahaan rintisan dan peneliti untuk membangun di atas fondasi yang sudah ada tanpa harus melatih model dasar dari nol, yang sangat mahal. Ini mempercepat inovasi dan demokratisasi teknologi. Selain itu, model terbuka memungkinkan audit untuk keamanan dan transparansi, yang sangat penting untuk penerapan di dunia nyata.

QApa itu 'Model Dunia' (World Model) dan bagaimana model tersebut dapat meningkatkan kemampuan robot di masa depan?

A'Model Dunia' adalah model neural yang dilatih untuk memprediksi bagaimana keadaan dunia akan berubah berdasarkan tindakan yang diusulkan. Daripada hanya bereaksi, robot dengan model dunia dapat 'berimajinasi' atau mensimulasikan beberapa kemungkinan urutan tindakan dan konsekuensinya sebelum bertindak di dunia nyata. Ini berpotensi meningkatkan pemulihan dari kesalahan, generalisasi, perencanaan jangka panjang, dan keamanan, sambil juga menghasilkan data sintetis untuk pelatihan.

Bacaan Terkait

Zcash Alami Keruntuhan Bersejarah, Miliaran Dolar Hilang dari Nilai Pasar

Pasar kripto diguncang oleh kolaps dramatis harga Zcash, aset digital berfokus privasi yang kehilangan lebih dari separuh nilainya dalam 24 jam. Penurunan tiba-tiba ini menghapus miliaran dolar dari kapitalisasi pasarnya. Runtuhnya pasar Zcash diduga terkait ketakutan atas kerentanan yang baru diungkap yang memengaruhi infrastruktur privasi jaringan. Kerentanan, yang tersembunyi di kolam privasi Orchard sejak 2022, memungkinkan pembuatan ZEC palsu dalam pengujian lokal. Meski telah ditambal, desain privasi Zcash membuat mustahil untuk memverifikasi apakah ada koin palsu yang dicetak sebelum perbaikan, berbeda dengan Bitcoin yang transparan. Ketidakpastian ini memicu kepanikan dan penjualan besar-besaran. Tim pengembang menekankan bahwa penelitian keamanan kelas dunia adalah inti pengembangan Zcash. Insiden ini justru menunjukkan upaya proaktif untuk menemukan dan memperbaiki kerentanan. Untuk memulihkan kepercayaan, Shielded Labs kini mengeksplorasi peningkatan jaringan yang memungkinkan verifikasi integritas pasokan total Zcash.

bitcoinist1j yang lalu

Zcash Alami Keruntuhan Bersejarah, Miliaran Dolar Hilang dari Nilai Pasar

bitcoinist1j yang lalu

Narasi BTC sebagai 'Emas Digital' Apakah Sudah Gagal?

Artikel ini menganalisis Bitcoin dari sudut pandang "aset digital" atau "emas digital", tanpa memberikan saran investasi. Penulis membahas tiga hal utama: **1. Bagaimana Memandang Bitcoin sebagai Aset:** Bitcoin dianggap sebagai kelas aset baru yang unggul dibandingkan emas dalam hal: jumlah terbatas (21 juta koin), kemampuan transfer yang mudah dan aman (kunci pribadi), dan transparansi/auditabilitas penuh (blockchain). Meski awalnya digunakan di area abu-abu, regulasi semakin mengatur. Adopsi global crypto saat ini sekitar 3-4%, menandakan fase awal dengan volatilitas tinggi namun juga potensi pertumbuhan jangka panjang. **2. Memahami Penurunan Harga Terkini:** Penurunan ~50% dari puncak $126k (Okt 2025) ke ~$61k (Feb 2026) dipandang sebagai penjualan siklis yang terprediksi pasca-*halving*, dan sebagai proses "peralihan kepemilikan" historis dari *early holders* ke investor institusional melalui ETF. Data historis menunjukkan tren penurunan persentase *drawdown* setiap siklus (dari >90% ke ~50%), mengindikasikan aset yang semakin matang. **3. Pandangan Jangka Panjang:** Kerangka analisisnya adalah membandingkan kapitalisasi pasar Bitcoin (~$1.4T pada $70k) dengan emas (~$20T). Bitcoin baru mencapainya sekitar 7%. Jika narasi "emas digital" terealisasi sebagian (misal, 30-50% kapitalisasi emas), ruang naiknya masih signifikan. Risiko terbesar bukanlah Bitcoin menjadi nol, melainkan manajemen portofolio yang buruk (seperti *all-in* atau pakai leverage) dan kurangnya pemahaman mendalam, yang bisa membuat investor *exit* dipaksakan sebelum potensi jangka panjang terwujud. Kesimpulan: Volatilitas tinggi adalah "harga" untuk potensi imbal hasil tinggi. Pertanyaan kuncinya adalah apakah penurunan ini menandakan kegagalan narasi "emas digital" atau hanya fase peralihan dalam evolusinya dari aset spekulatif ke aset alokasi. Jawabannya bergantung pada keyakinan mendasar terhadap aset ini.

marsbit1j yang lalu

Narasi BTC sebagai 'Emas Digital' Apakah Sudah Gagal?

marsbit1j yang lalu

Apakah Narasi Bitcoin sebagai "Emas Digital" Sudah Gagal?

**Judul:** Narasi Bitcoin sebagai "Emas Digital" Apakah Sudah Gagal? Penulis tetap meyakini Bitcoin sebagai kelas aset baru yang lebih unggul dibanding emas dalam jangka panjang, karena persediaannya tetap (21 juta), mudah dipindahkan, dan dapat diaudit. Penetrasi global aset kripto saat ini masih 3-4%, menunjukkan fase awal dengan volatilitas tinggi. Penurunan harga Bitcoin baru-baru ini (dari puncak $126k ke ~$61k) dipandang sebagai penjualan siklikal pasca-halving dan proses "peralihan kepemilikan" bersejarah dari pemegang awal ke investor institusional melalui ETF. Meski turun ~50%, tren penurunan persentase rugi dalam setiap siklus menandakan aset yang semakin matang. Secara jangka panjang, jika Bitcoin adalah emas digital, kapitalisasi pasarnya ($1.4T pada $70k) baru mencapai 7% dari kapitalisasi emas (~$20T). Potensi pertumbuhan masih besar jika narasi tersebut terwujud sebagian. Risiko terbesar bukan pada asetnya, tetapi pada manajemen portofolio (seperti menggunakan leverage) dan kedalaman pemahaman investor. Volatilitas tinggi adalah harga yang harus dibayar untuk imbal hasil potensial tinggi, dan kunci utamanya adalah bertahan dalam jangka panjang.

链捕手2j yang lalu

Apakah Narasi Bitcoin sebagai "Emas Digital" Sudah Gagal?

链捕手2j yang lalu

Gelembung AI Sedang Pecah

Gelembung AI sedang pecah, tetapi ini bukan akhir. Seperti gelembung dot-com tahun 2000, fase ini adalah bagian alami dari revolusi teknologi. Meski investasi infrastruktur AI raksasa (sekitar $690 miliar pada 2026) jauh melampaui pendapatan aplikasi saat ini, ini mencerminkan persiapan untuk masa depan. Biaya pemrosesan AI telah turun drastis, lebih dari 99.7% dalam dua tahun. Hal ini justru meningkatkan adopsi dan membuka aplikasi baru seperti agen cerdas dan analisis data skala besar di berbagai industri, dari manufaktur hingga keuangan dan kesehatan. Gelembung saat ini sedang 'membersihkan' perusahaan yang hanya mengandalkan konsep, sementara nilai sebenarnya beralih ke lapisan aplikasi yang memecahkan masalah nyata. Intinya: Meski ada koreksi pasar, transformasi mendasar yang didorong AI tidak dapat dihindari. AI akan menjadi seperti listrik atau internet — terintegrasi ke dalam semua sektor. Keributan gelembung akan mereda, tetapi fondasi produktivitas yang dibangun oleh AI akan bertahan dan mendefinisikan era ekonomi baru.

链捕手2j yang lalu

Gelembung AI Sedang Pecah

链捕手2j yang lalu

Gelembung AI Sedang Pecah

Judul asli: Gelembung AI Sedang Pecah Pasar saat ini mengalami volatilitas tinggi, dengan banyak yang menyatakan adanya "gelembung AI". Pendiri Bridgewater, Ray Dalio, mengakui adanya gelembung di pasar AI, sementara CEO NVIDIA, Jensen Huang, menekankan peluang besar dan ledakan permintaan daya komputasi. Keduanya benar. Memang ada gelembung di industri AI, tetapi ini adalah fenomena umum pada awal kemunculan teknologi disruptif, seperti gelembung dot-com tahun 2000. Meski menyebabkan kerugian besar saat itu, infrastruktur yang dibangun (seperti kabel serat optik) justru menjadi fondasi bagi raksasa teknologi seperti Netflix dan Zoom, serta era cloud. Ini mengikuti Hukum Amara: kita cenderung melebih-lebihkan dampak jangka pendek teknologi baru namun meremehkan dampak jangka panjangnya. Pada tahun 2026, investasi infrastruktur AI oleh raksasa cloud mencapai $690 miliar, jauh melampaui pendapatan gabungan perusahaan AI murni. Namun, logika di baliknya berbeda. Biaya inferensi AI (contoh: per juta token) telah turun lebih dari 99.7% sejak 2023. Penurunan biaya drastis ini, sesuai "Paradoks Jevons", justru mendorong peningkatan permintaan dan pengeluaran yang masif. Perusahaan sekarang menggunakan agen AI untuk menjalankan ribuan tugas seperti menulis kode atau menganalisis dokumen, membuka permintaan baru yang sebelumnya tidak ekonomis. Industri dari SaaS, biofarmasi, hingga manufaktur canggih sekarang mengadopsi "AI+". Pertanyaannya bukan lagi "apakah akan menggunakan AI", tetapi "bagaimana mengimplementasikannya secara optimal". Gelembung AI memang mulai pecah, terutama di tingkat perusahaan rintisan yang hanya mengandalkan konsep tanpa diferensiasi nyata. Ini adalah proses pemurnian pasar. Pergeseran mendasar sedang terjadi: 1. Nilai bergeser dari pengeluaran modal (CapEx) untuk infrastruktur ke pengeluaran operasional (OpEx) untuk aplikasi yang menyelesaikan masalah di industri spesifik. 2. Valuasi tinggi di infrastruktur dapat diserap seiring waktu oleh pertumbuhan pendapatan yang kuat, didukung oleh efisiensi nyata yang dibawa AI ke berbagai sektor. Sejarah teknologi ditandai oleh "penghancuran kreatif". Meski investasi besar dalam infrastruktur akan menyebabkan koreksi pasar dan menghilangkan perusahaan yang tidak berkelanjutan, hasil akhirnya adalah infrastruktur komputasi yang murah dan kuat serta algoritma yang teroptimasi. Seperti internet yang kini mendasari semua industri, kita sedang menuju era di mana semua industri akan ditransformasi dan diberdayakan oleh AI. Di balik kegaduhan gelembung, tenaga produktif dasar terus berkembang tanpa henti.

marsbit2j yang lalu

Gelembung AI Sedang Pecah

marsbit2j yang lalu

Trading

Spot
Futures

Artikel Populer

Apa Itu GROK AI

Grok AI: Merevolusi Teknologi Percakapan di Era Web3 Pendahuluan Dalam lanskap kecerdasan buatan yang terus berkembang dengan cepat, Grok AI menonjol sebagai proyek yang patut diperhatikan yang menjembatani domain teknologi canggih dan interaksi pengguna. Dikembangkan oleh xAI, sebuah perusahaan yang dipimpin oleh pengusaha terkenal Elon Musk, Grok AI berupaya untuk mendefinisikan ulang cara kita berinteraksi dengan kecerdasan buatan. Seiring dengan berkembangnya gerakan Web3, Grok AI bertujuan untuk memanfaatkan kekuatan AI percakapan untuk menjawab pertanyaan kompleks, memberikan pengguna pengalaman yang tidak hanya informatif tetapi juga menghibur. Apa itu Grok AI? Grok AI adalah chatbot AI percakapan yang canggih yang dirancang untuk berinteraksi dengan pengguna secara dinamis. Berbeda dengan banyak sistem AI tradisional, Grok AI menerima berbagai pertanyaan yang lebih luas, termasuk yang biasanya dianggap tidak pantas atau di luar respons standar. Tujuan inti proyek ini meliputi: Penalaran yang Andal: Grok AI menekankan penalaran akal sehat untuk memberikan jawaban logis berdasarkan pemahaman kontekstual. Pengawasan yang Dapat Diskalakan: Integrasi bantuan alat memastikan bahwa interaksi pengguna dipantau dan dioptimalkan untuk kualitas. Verifikasi Formal: Keamanan adalah hal yang utama; Grok AI menggabungkan metode verifikasi formal untuk meningkatkan keandalan output-nya. Pemahaman Konteks Panjang: Model AI unggul dalam mempertahankan dan mengingat riwayat percakapan yang luas, memfasilitasi diskusi yang bermakna dan sadar konteks. Ketahanan Adversarial: Dengan fokus pada peningkatan pertahanannya terhadap input yang dimanipulasi atau berbahaya, Grok AI bertujuan untuk mempertahankan integritas interaksi pengguna. Intinya, Grok AI bukan hanya perangkat pengambilan informasi; ini adalah mitra percakapan yang imersif yang mendorong dialog yang dinamis. Pencipta Grok AI Otak di balik Grok AI tidak lain adalah Elon Musk, seorang individu yang identik dengan inovasi di berbagai bidang, termasuk otomotif, perjalanan luar angkasa, dan teknologi. Di bawah naungan xAI, sebuah perusahaan yang fokus pada kemajuan teknologi AI dengan cara yang bermanfaat, visi Musk bertujuan untuk membentuk kembali pemahaman tentang interaksi AI. Kepemimpinan dan etos dasar sangat dipengaruhi oleh komitmen Musk untuk mendorong batasan teknologi. Investor Grok AI Meskipun rincian spesifik mengenai investor yang mendukung Grok AI masih terbatas, secara publik diakui bahwa xAI, inkubator proyek ini, didirikan dan didukung terutama oleh Elon Musk sendiri. Usaha dan kepemilikan Musk sebelumnya memberikan dukungan yang kuat, lebih lanjut memperkuat kredibilitas dan potensi pertumbuhan Grok AI. Namun, hingga saat ini, informasi mengenai yayasan investasi tambahan atau organisasi yang mendukung Grok AI tidak tersedia secara mudah, menandai area untuk eksplorasi potensial di masa depan. Bagaimana Grok AI Bekerja? Mekanisme operasional Grok AI sama inovatifnya dengan kerangka konseptualnya. Proyek ini mengintegrasikan beberapa teknologi mutakhir yang memfasilitasi fungsionalitas uniknya: Infrastruktur yang Kuat: Grok AI dibangun menggunakan Kubernetes untuk orkestrasi kontainer, Rust untuk kinerja dan keamanan, dan JAX untuk komputasi numerik berkinerja tinggi. Ketiga elemen ini memastikan bahwa chatbot beroperasi secara efisien, dapat diskalakan dengan efektif, dan melayani pengguna dengan cepat. Akses Pengetahuan Real-Time: Salah satu fitur pembeda Grok AI adalah kemampuannya untuk mengakses data real-time melalui platform X—sebelumnya dikenal sebagai Twitter. Kemampuan ini memberikan AI akses ke informasi terbaru, memungkinkannya untuk memberikan jawaban dan rekomendasi yang tepat waktu yang mungkin terlewat oleh model AI lainnya. Dua Mode Interaksi: Grok AI menawarkan pengguna pilihan antara “Mode Menyenangkan” dan “Mode Reguler.” Mode Menyenangkan memungkinkan gaya interaksi yang lebih bermain dan humoris, sementara Mode Reguler fokus pada memberikan respons yang tepat dan akurat. Fleksibilitas ini memastikan pengalaman yang disesuaikan yang memenuhi berbagai preferensi pengguna. Intinya, Grok AI menggabungkan kinerja dengan keterlibatan, menciptakan pengalaman yang kaya dan menghibur. Garis Waktu Grok AI Perjalanan Grok AI ditandai oleh tonggak penting yang mencerminkan tahap pengembangan dan penerapannya: Pengembangan Awal: Fase dasar Grok AI berlangsung selama sekitar dua bulan, di mana pelatihan awal dan penyempurnaan model dilakukan. Rilis Beta Grok-2: Dalam kemajuan signifikan, beta Grok-2 diumumkan. Rilis ini memperkenalkan dua versi chatbot—Grok-2 dan Grok-2 mini—masing-masing dilengkapi dengan kemampuan untuk chatting, coding, dan penalaran. Akses Publik: Setelah pengembangan beta, Grok AI menjadi tersedia untuk pengguna platform X. Mereka yang memiliki akun yang diverifikasi dengan nomor telepon dan aktif selama setidaknya tujuh hari dapat mengakses versi terbatas, membuat teknologi ini tersedia untuk audiens yang lebih luas. Garis waktu ini mencakup pertumbuhan sistematis Grok AI dari awal hingga keterlibatan publik, menekankan komitmennya untuk perbaikan berkelanjutan dan interaksi pengguna. Fitur Utama Grok AI Grok AI mencakup beberapa fitur kunci yang berkontribusi pada identitas inovatifnya: Integrasi Pengetahuan Real-Time: Akses ke informasi terkini dan relevan membedakan Grok AI dari banyak model statis, memungkinkan pengalaman pengguna yang menarik dan akurat. Gaya Interaksi yang Beragam: Dengan menawarkan mode interaksi yang berbeda, Grok AI memenuhi berbagai preferensi pengguna, mengundang kreativitas dan personalisasi dalam berkomunikasi dengan AI. Dasar Teknologi yang Canggih: Pemanfaatan Kubernetes, Rust, dan JAX memberikan proyek ini kerangka kerja yang solid untuk memastikan keandalan dan kinerja optimal. Pertimbangan Diskursus Etis: Penyertaan fungsi penghasil gambar menunjukkan semangat inovatif proyek ini. Namun, hal ini juga menimbulkan pertimbangan etis seputar hak cipta dan penggambaran yang menghormati tokoh-tokoh yang dikenali—diskusi yang sedang berlangsung dalam komunitas AI. Kesimpulan Sebagai entitas perintis di bidang AI percakapan, Grok AI mencakup potensi untuk pengalaman pengguna yang transformatif di era digital. Dikembangkan oleh xAI dan didorong oleh pendekatan visioner Elon Musk, Grok AI mengintegrasikan pengetahuan real-time dengan kemampuan interaksi yang canggih. Ini berupaya untuk mendorong batasan apa yang dapat dicapai oleh kecerdasan buatan sambil tetap fokus pada pertimbangan etis dan keselamatan pengguna. Grok AI tidak hanya mewujudkan kemajuan teknologi tetapi juga mewakili paradigma percakapan baru di lanskap Web3, menjanjikan untuk melibatkan pengguna dengan pengetahuan yang mahir dan interaksi yang menyenangkan. Seiring proyek ini terus berkembang, ia berdiri sebagai bukti apa yang dapat dicapai di persimpangan teknologi, kreativitas, dan interaksi yang mirip manusia.

570 Total TayanganDipublikasikan pada 2024.12.26Diperbarui pada 2024.12.26

Apa Itu GROK AI

Apa Itu ERC AI

Euruka Tech: Gambaran Umum tentang $erc ai dan Ambisinya di Web3 Pendahuluan Dalam lanskap teknologi blockchain dan aplikasi terdesentralisasi yang berkembang pesat, proyek-proyek baru muncul dengan frekuensi tinggi, masing-masing dengan tujuan dan metodologi yang unik. Salah satu proyek tersebut adalah Euruka Tech, yang beroperasi di domain cryptocurrency dan Web3 yang luas. Fokus utama Euruka Tech, khususnya tokennya $erc ai, adalah untuk menghadirkan solusi inovatif yang dirancang untuk memanfaatkan kemampuan teknologi terdesentralisasi yang terus berkembang. Artikel ini bertujuan untuk memberikan gambaran komprehensif tentang Euruka Tech, eksplorasi tujuannya, fungsionalitas, identitas penciptanya, calon investor, dan signifikansinya dalam konteks yang lebih luas dari Web3. Apa itu Euruka Tech, $erc ai? Euruka Tech dicirikan sebagai proyek yang memanfaatkan alat dan fungsionalitas yang ditawarkan oleh lingkungan Web3, dengan fokus pada integrasi kecerdasan buatan dalam operasinya. Meskipun rincian spesifik tentang kerangka proyek ini agak samar, proyek ini dirancang untuk meningkatkan keterlibatan pengguna dan mengotomatiskan proses di ruang crypto. Proyek ini bertujuan untuk menciptakan ekosistem terdesentralisasi yang tidak hanya memfasilitasi transaksi tetapi juga menggabungkan fungsionalitas prediktif melalui kecerdasan buatan, sehingga penamaan tokennya, $erc ai. Tujuannya adalah untuk menyediakan platform intuitif yang memfasilitasi interaksi yang lebih cerdas dan pemrosesan transaksi yang efisien dalam lingkup Web3 yang terus berkembang. Siapa Pencipta Euruka Tech, $erc ai? Saat ini, informasi mengenai pencipta atau tim pendiri di balik Euruka Tech masih tidak ditentukan dan agak tidak jelas. Ketidakhadiran data ini menimbulkan kekhawatiran, karena pengetahuan tentang latar belakang tim sering kali penting untuk membangun kredibilitas dalam sektor blockchain. Oleh karena itu, kami telah mengkategorikan informasi ini sebagai tidak diketahui sampai rincian konkret tersedia di domain publik. Siapa Investor Euruka Tech, $erc ai? Demikian pula, identifikasi investor atau organisasi pendukung untuk proyek Euruka Tech tidak disediakan dengan mudah melalui penelitian yang tersedia. Aspek yang sangat penting bagi pemangku kepentingan atau pengguna potensial yang mempertimbangkan keterlibatan dengan Euruka Tech adalah jaminan yang datang dari kemitraan keuangan yang mapan atau dukungan dari perusahaan investasi yang terkemuka. Tanpa pengungkapan tentang afiliasi investasi, sulit untuk menarik kesimpulan komprehensif tentang keamanan finansial atau keberlangsungan proyek. Sesuai dengan informasi yang ditemukan, bagian ini juga berada pada status tidak diketahui. Bagaimana Euruka Tech, $erc ai Bekerja? Meskipun kurangnya spesifikasi teknis yang mendetail untuk Euruka Tech, penting untuk mempertimbangkan ambisi inovatifnya. Proyek ini berusaha memanfaatkan kemampuan komputasi kecerdasan buatan untuk mengotomatiskan dan meningkatkan pengalaman pengguna dalam lingkungan cryptocurrency. Dengan mengintegrasikan AI dengan teknologi blockchain, Euruka Tech bertujuan untuk menyediakan fitur seperti perdagangan otomatis, penilaian risiko, dan antarmuka pengguna yang dipersonalisasi. Esensi inovatif dari Euruka Tech terletak pada tujuannya untuk menciptakan koneksi yang mulus antara pengguna dan kemungkinan luas yang ditawarkan oleh jaringan terdesentralisasi. Melalui pemanfaatan algoritma pembelajaran mesin dan AI, proyek ini bertujuan untuk meminimalkan tantangan bagi pengguna baru dan menyederhanakan pengalaman transaksional dalam kerangka Web3. Simbiosis antara AI dan blockchain ini menggarisbawahi signifikansi token $erc ai, yang berdiri sebagai jembatan antara antarmuka pengguna tradisional dan kemampuan canggih dari teknologi terdesentralisasi. Garis Waktu Euruka Tech, $erc ai Sayangnya, sebagai akibat dari informasi yang terbatas mengenai Euruka Tech, kami tidak dapat menyajikan garis waktu yang mendetail tentang perkembangan utama atau tonggak dalam perjalanan proyek ini. Garis waktu ini, yang biasanya sangat berharga dalam memetakan evolusi suatu proyek dan memahami trajektori pertumbuhannya, saat ini tidak tersedia. Ketika informasi tentang peristiwa penting, kemitraan, atau penambahan fungsional menjadi jelas, pembaruan pasti akan meningkatkan visibilitas Euruka Tech di dunia crypto. Klarifikasi tentang Proyek “Eureka” Lainnya Penting untuk dicatat bahwa banyak proyek dan perusahaan berbagi nomenklatur serupa dengan “Eureka.” Penelitian telah mengidentifikasi inisiatif seperti agen AI dari NVIDIA Research, yang fokus pada pengajaran robot tugas kompleks menggunakan metode generatif, serta Eureka Labs dan Eureka AI, yang meningkatkan pengalaman pengguna dalam analitik pendidikan dan layanan pelanggan, masing-masing. Namun, proyek-proyek ini berbeda dari Euruka Tech dan tidak boleh disamakan dengan tujuan atau fungsionalitasnya. Kesimpulan Euruka Tech, bersama dengan token $erc ai-nya, mewakili pemain yang menjanjikan namun saat ini masih samar dalam lanskap Web3. Meskipun rincian tentang pencipta dan investor masih belum diungkapkan, ambisi inti untuk menggabungkan kecerdasan buatan dengan teknologi blockchain tetap menjadi titik fokus yang menarik. Pendekatan unik proyek ini dalam mendorong keterlibatan pengguna melalui otomatisasi canggih dapat membedakannya seiring dengan kemajuan ekosistem Web3. Seiring dengan terus berkembangnya pasar crypto, pemangku kepentingan harus memperhatikan kemajuan seputar Euruka Tech, karena pengembangan inovasi yang terdokumentasi, kemitraan, atau peta jalan yang terdefinisi dapat menghadirkan peluang signifikan di masa depan. Saat ini, kami menunggu wawasan yang lebih substansial yang dapat mengungkap potensi Euruka Tech dan posisinya dalam lanskap crypto yang kompetitif.

536 Total TayanganDipublikasikan pada 2025.01.02Diperbarui pada 2025.01.02

Apa Itu ERC AI

Apa Itu DUOLINGO AI

DUOLINGO AI: Mengintegrasikan Pembelajaran Bahasa dengan Inovasi Web3 dan AI Dalam era di mana teknologi membentuk kembali pendidikan, integrasi kecerdasan buatan (AI) dan jaringan blockchain menandai batasan baru untuk pembelajaran bahasa. Masuklah DUOLINGO AI dan cryptocurrency terkaitnya, $DUOLINGO AI. Proyek ini bercita-cita untuk menggabungkan kekuatan pendidikan dari platform pembelajaran bahasa terkemuka dengan manfaat teknologi Web3 yang terdesentralisasi. Artikel ini menggali aspek-aspek kunci dari DUOLINGO AI, menjelajahi tujuannya, kerangka teknologi, perkembangan sejarah, dan potensi masa depan sambil mempertahankan kejelasan antara sumber daya pendidikan asli dan inisiatif cryptocurrency independen ini. Gambaran Umum DUOLINGO AI Pada intinya, DUOLINGO AI berusaha untuk membangun lingkungan terdesentralisasi di mana pelajar dapat memperoleh imbalan kriptografi untuk mencapai tonggak pendidikan dalam kemahiran bahasa. Dengan menerapkan kontrak pintar, proyek ini bertujuan untuk mengotomatiskan proses verifikasi keterampilan dan alokasi token, sesuai dengan prinsip Web3 yang menekankan transparansi dan kepemilikan pengguna. Model ini menyimpang dari pendekatan tradisional dalam akuisisi bahasa dengan sangat bergantung pada struktur tata kelola yang dipimpin oleh komunitas, memungkinkan pemegang token untuk menyarankan perbaikan pada konten kursus dan distribusi imbalan. Beberapa tujuan notable dari DUOLINGO AI meliputi: Pembelajaran Gamified: Proyek ini mengintegrasikan pencapaian blockchain dan token non-fungible (NFT) untuk mewakili tingkat kemahiran bahasa, mendorong motivasi melalui imbalan digital yang menarik. Penciptaan Konten Terdesentralisasi: Ini membuka jalan bagi pendidik dan penggemar bahasa untuk berkontribusi pada kursus mereka, memfasilitasi model pembagian pendapatan yang menguntungkan semua kontributor. Personalisasi Berbasis AI: Dengan menggunakan model pembelajaran mesin yang canggih, DUOLINGO AI mempersonalisasi pelajaran untuk beradaptasi dengan kemajuan belajar individu, mirip dengan fitur adaptif yang ditemukan di platform yang sudah mapan. Pencipta Proyek dan Tata Kelola Hingga April 2025, tim di balik $DUOLINGO AI tetap anonim, praktik yang umum dalam lanskap cryptocurrency terdesentralisasi. Anonimitas ini dimaksudkan untuk mempromosikan pertumbuhan kolektif dan keterlibatan pemangku kepentingan daripada fokus pada pengembang individu. Kontrak pintar yang diterapkan di blockchain Solana mencatat alamat dompet pengembang, yang menandakan komitmen terhadap transparansi terkait transaksi meskipun identitas penciptanya tidak diketahui. Menurut peta jalannya, DUOLINGO AI bertujuan untuk berkembang menjadi Organisasi Otonom Terdesentralisasi (DAO). Struktur tata kelola ini memungkinkan pemegang token untuk memberikan suara pada isu-isu penting seperti implementasi fitur dan alokasi kas. Model ini sejalan dengan etos pemberdayaan komunitas yang ditemukan dalam berbagai aplikasi terdesentralisasi, menekankan pentingnya pengambilan keputusan kolektif. Investor dan Kemitraan Strategis Saat ini, tidak ada investor institusi atau modal ventura yang dapat diidentifikasi secara publik yang terkait dengan $DUOLINGO AI. Sebaliknya, likuiditas proyek ini terutama berasal dari bursa terdesentralisasi (DEX), menandai kontras yang tajam dengan strategi pendanaan perusahaan teknologi pendidikan tradisional. Model akar rumput ini menunjukkan pendekatan yang dipimpin oleh komunitas, mencerminkan komitmen proyek terhadap desentralisasi. Dalam whitepapernya, DUOLINGO AI menyebutkan pembentukan kolaborasi dengan “platform pendidikan blockchain” yang tidak ditentukan yang bertujuan untuk memperkaya penawaran kursusnya. Meskipun kemitraan spesifik belum diungkapkan, upaya kolaboratif ini menunjukkan strategi untuk menggabungkan inovasi blockchain dengan inisiatif pendidikan, memperluas akses dan keterlibatan pengguna di berbagai jalur pembelajaran. Arsitektur Teknologi Integrasi AI DUOLINGO AI menggabungkan dua komponen utama yang didorong oleh AI untuk meningkatkan penawaran pendidikannya: Mesin Pembelajaran Adaptif: Mesin canggih ini belajar dari interaksi pengguna, mirip dengan model kepemilikan dari platform pendidikan besar. Ia secara dinamis menyesuaikan kesulitan pelajaran untuk mengatasi tantangan spesifik pelajar, memperkuat area yang lemah melalui latihan yang ditargetkan. Agen Percakapan: Dengan menggunakan chatbot bertenaga GPT-4, DUOLINGO AI menyediakan platform bagi pengguna untuk terlibat dalam percakapan yang disimulasikan, mendorong pengalaman pembelajaran bahasa yang lebih interaktif dan praktis. Infrastruktur Blockchain Dibangun di atas blockchain Solana, $DUOLINGO AI memanfaatkan kerangka teknologi yang komprehensif yang mencakup: Kontrak Pintar Verifikasi Keterampilan: Fitur ini secara otomatis memberikan token kepada pengguna yang berhasil melewati tes kemahiran, memperkuat struktur insentif untuk hasil pembelajaran yang nyata. Lencana NFT: Token digital ini menandakan berbagai tonggak yang dicapai pelajar, seperti menyelesaikan bagian dari kursus mereka atau menguasai keterampilan tertentu, memungkinkan mereka untuk memperdagangkan atau memamerkan pencapaian mereka secara digital. Tata Kelola DAO: Anggota komunitas yang memiliki token dapat terlibat dalam tata kelola dengan memberikan suara pada proposal kunci, memfasilitasi budaya partisipatif yang mendorong inovasi dalam penawaran kursus dan fitur platform. Garis Waktu Sejarah 2022–2023: Konseptualisasi Landasan untuk DUOLINGO AI dimulai dengan pembuatan whitepaper, menyoroti sinergi antara kemajuan AI dalam pembelajaran bahasa dan potensi terdesentralisasi dari teknologi blockchain. 2024: Peluncuran Beta Peluncuran beta terbatas memperkenalkan penawaran dalam bahasa-bahasa populer, memberikan imbalan kepada pengguna awal dengan insentif token sebagai bagian dari strategi keterlibatan komunitas proyek. 2025: Transisi DAO Pada bulan April, peluncuran mainnet penuh terjadi dengan peredaran token, mendorong diskusi komunitas mengenai kemungkinan ekspansi ke bahasa Asia dan pengembangan kursus lainnya. Tantangan dan Arah Masa Depan Hambatan Teknis Meskipun memiliki tujuan ambisius, DUOLINGO AI menghadapi tantangan signifikan. Skalabilitas tetap menjadi perhatian yang berkelanjutan, terutama dalam menyeimbangkan biaya yang terkait dengan pemrosesan AI dan mempertahankan jaringan terdesentralisasi yang responsif. Selain itu, memastikan penciptaan konten berkualitas dan moderasi di tengah penawaran terdesentralisasi menimbulkan kompleksitas dalam mempertahankan standar pendidikan. Peluang Strategis Melihat ke depan, DUOLINGO AI memiliki potensi untuk memanfaatkan kemitraan mikro-credentialing dengan institusi akademis, menyediakan validasi keterampilan bahasa yang diverifikasi oleh blockchain. Selain itu, ekspansi lintas rantai dapat memungkinkan proyek ini untuk menjangkau basis pengguna yang lebih luas dan ekosistem blockchain tambahan, meningkatkan interoperabilitas dan jangkauannya. Kesimpulan DUOLINGO AI mewakili perpaduan inovatif antara kecerdasan buatan dan teknologi blockchain, menghadirkan alternatif yang berfokus pada komunitas untuk sistem pembelajaran bahasa tradisional. Meskipun pengembangannya yang anonim dan model ekonomi yang muncul membawa risiko tertentu, komitmen proyek terhadap pembelajaran gamified, pendidikan yang dipersonalisasi, dan tata kelola terdesentralisasi menerangi jalan ke depan untuk teknologi pendidikan di ranah Web3. Seiring kemajuan AI dan evolusi ekosistem blockchain, inisiatif seperti DUOLINGO AI dapat mendefinisikan ulang bagaimana pengguna terlibat dengan pendidikan bahasa, memberdayakan komunitas dan memberikan imbalan atas keterlibatan melalui mekanisme pembelajaran yang inovatif.

592 Total TayanganDipublikasikan pada 2025.04.11Diperbarui pada 2025.04.11

Apa Itu DUOLINGO AI

Diskusi

Selamat datang di Komunitas HTX. Di sini, Anda bisa terus mendapatkan informasi terbaru tentang perkembangan platform terkini dan mendapatkan akses ke wawasan pasar profesional. Pendapat pengguna mengenai harga AI (AI) disajikan di bawah ini.

活动图片

Kategori Populerright-arrow

Tag Populerright-arrow