Analisis KinetIQ Ascend: 99,9% pada Kecepatan Manusia

Robot yang mengambil cincin bantalan baja dari sebuah wadah tidak terdengar glamor. Ini seperti pekerjaan gudang yang setara dengan mencuci satu garpu selamanya, hanya saja garpunya licin, memantulkan cahaya, dan penting secara finansial. Menurut RockingRobots, Humanoid menguji KinetIQ Ascend pada tugas memberi makan mesin, di mana sebuah robot mengambil cincin bantalan baja dari wadah dan meletakkannya di konveyor. Itu persis jenis tugas membosankan yang harus bisa dihadapi AI robotika sebelum siapa pun boleh mendekatkannya pada kata otonomi tanpa pendamping. Klaim baru Humanoid lebih besar daripada satu wadah donat logam. Perusahaan itu mengatakan KinetIQ Ascend adalah pendekatan reinforcement learning yang ditujukan untuk mendorong manipulasi robotik menuju keandalan 99,9% pada kecepatan manusia dan bahkan lebih, menurut The Robot Report. Terjemahannya: robot tidak seharusnya hanya meniru manusia, tetapi harus berlatih, gagal, menyesuaikan diri, dan akhirnya berhenti memperlakukan setiap posisi benda yang canggung seperti keadaan darurat filosofis.

Klaimnya, menurut The Robot Report

The Robot Report mengatakan Humanoid yang berbasis di London memperkenalkan KinetIQ Ascend sebagai pendekatan RL yang dirancang untuk mencapai keandalan manipulasi 99,9% pada kecepatan manusia dan lebih. Angka itu penting karena manipulasi industri sangat tidak memaafkan: 98% bisa terlihat lucu dalam demo, lalu berubah menjadi meriam konfeti berisi waktu henti ketika diulang ribuan kali. Perusahaan itu juga tidak menyajikan ini sebagai trik mainan laboratorium; The Robot Report mencatat bahwa Humanoid sedang membangun robot humanoid untuk penggunaan industri serbaguna dan didirikan oleh Artem Sokolov pada 2024. Jarad Cannon, chief technology officer Humanoid, menyampaikan gagasannya secara langsung di The Robot Report: “Perlombaan humanoid sedang menjadi persoalan skala, dan RL dunia nyata bisa menjadi bagian inti dari jawabannya,” serta “Robot yang dulu membutuhkan berbulan-bulan penyetelan manual kini mengungguli demonstrasi manusia dalam hitungan hari.” Itu kalimat yang pedas, dan juga medan tempur yang tepat. Penyetelan manual adalah tempat proyek robot pergi untuk berubah menjadi acar perangkat lunak artisanal.

Siklus pelatihannya, menurut RockingRobots

RockingRobots melaporkan bahwa KinetIQ Ascend memperluas platform KinetIQ milik Humanoid dengan memungkinkan robot menyempurnakan perilaku yang sebelumnya sudah dipelajari melalui pelatihan coba-coba pada tugas tertentu. Itulah langkah teknis kuncinya: mulai dari sesuatu yang sudah bisa dicoba robot, lalu biarkan umpan balik tugas nyata membentuk perilaku yang lebih baik. Ini adalah reinforcement learning di tempat yang lebih berantakan, tempat gesekan, pencahayaan, toleransi, dan keanehan objek bersekongkol seperti departemen kekacauan yang berserikat.

Daftar tugasnya berguna karena menghindari jebakan demo robotika yang biasa, ketika robot melakukan satu gerakan bersih satu kali dan internet menyatakan kemenangan sebelum penjepitnya sempat mendingin. RockingRobots mengatakan Humanoid menguji sistem ini pada pengambilan komponen dari wadah, menyerahkan benda kepada orang, dan memindahkan kontainer menggunakan dua lengan. Itu bukan trik sulap eksotis, tetapi justru jenis pekerjaan manipulasi berulang yang menentukan apakah robot layak mendapat ruang di lantai kerja atau berubah menjadi gantungan topi yang sangat mahal.

Mengapa RL dunia nyata menjadi bagian yang menarik, menurut

The Robot Report Liputan The Robot Report memperjelas bahwa Humanoid memposisikan RL dunia nyata sebagai jawaban skala untuk hambatan penyetelan manual. Dalam robotika, hambatan itu bukan sekadar menjengkelkan, tetapi struktural. Setiap fixture baru, wadah, bentuk komponen, kondisi pencahayaan, atau serah-terima dengan manusia bisa menuntut penyesuaian yang cermat, dan tiba-tiba robot serbaguna Anda membutuhkan spreadsheet dukungan emosional dari proyek otomasi khusus. Sudut pandang AI-nya adalah bahwa imitasi saja memberi Anda batas atas: sistem belajar mereproduksi perilaku, tetapi belum tentu menemukan strategi yang lebih cepat atau lebih andal di bawah konsekuensi nyata. Gagasan Humanoid, seperti dirangkum oleh The Robot Report dan RockingRobots, adalah bahwa coba-coba pada tugas bergaya produksi dapat menutup celah keandalan terakhir. Itu tidak berarti Anda melemparkan humanoid ke pabrik dan membiarkannya belajar seperti balita berkafein. Artinya, sistem pembelajaran harus dibatasi, terukur, dan aman secara membosankan, dan di sanalah rekayasa yang sebenarnya berada.

Yang perlu diperhatikan berikutnya, menurut RockingRobots dan The Robot Report

RockingRobots menggambarkan KinetIQ Ascend sebagai sesuatu yang dimaksudkan untuk mengurangi penyetelan manual dan pengumpulan data saat mengembangkan kemampuan robotik baru. The Robot Report menambahkan ambisi utamanya: keandalan manipulasi 99,9% pada kecepatan manusia dan lebih. Pertanyaan yang berguna sekarang bukan apakah demonya terlihat mengesankan, tetapi apakah keandalannya bertahan dalam operasi yang lebih panjang, distribusi komponen yang lebih berantakan, dan perubahan tugas yang tidak dipersiapkan dengan penuh kasih untuk hari pengambilan gambar. Bagi para pembuat, pelajarannya praktis: RL dunia nyata sedang menjadi kenop serius dalam tumpukan pelatihan robot, bukan sekadar benchmark makalah yang memakai kacamata keselamatan. Jika Humanoid dapat menunjukkan hasil yang berulang di luar tugas-tugas terpilih, KinetIQ Ascend menjadi sinyal bahwa humanoid industri mungkin akan dilatih tidak lagi seperti automaton yang dikodekan tangan, tetapi lebih seperti sistem yang meningkat melalui latihan terstruktur. Sampai saat itu, pertahankan optimisme, mintalah kurva kegagalan, dan ingat bahwa 99,9% tetap harus memperoleh setiap angka sembilannya.