Machenta Menggalang Pendanaan Awal $40 Juta untuk Mengajari Robot Tugas Baru dari Satu Demonstrasi

Mengajari robot pekerjaan baru bisa memakan waktu jauh lebih lama daripada melakukan pekerjaan itu sendiri. Mengumpulkan demonstrasi, menyiapkan data pelatihan, dan memperbarui model dapat mengubah perubahan kecil pada alur kerja menjadi proyek rekayasa yang cukup besar. Machenta telah menggalang pendanaan tahap awal senilai $40 juta untuk mempersingkat proses tersebut dengan mengembangkan model dasar robot yang dirancang agar mampu mempelajari tugas fisik hanya dari satu demonstrasi, tanpa pelatihan tambahan khusus untuk tugas itu.

Perusahaan asal London itu mengumumkan pendanaan tersebut pada 27 Oktober, dengan Creandum dan Union Square Ventures sebagai pemimpin bersama putaran pendanaan. Modal itu akan digunakan untuk mengembangkan modelnya dan memperluas tim di kantor serta laboratorium barunya di King’s Cross.

Machenta menyebut pendekatannya “pembelajaran robot instan”. Perusahaan itu mengatakan bahwa teknologinya telah diperagakan dalam tugas pengemasan, perakitan, dan merapikan barang, dengan robot yang mampu menyesuaikan diri terhadap variasi setelah sekali diperlihatkan apa yang harus dilakukan. Ambisinya luas, tetapi bukti yang ada sebaiknya dipahami sebagai demonstrasi teknologi yang masih berkembang, bukan bukti bahwa robot sudah mampu melakukan setiap tugas yang mungkin.

Mempelajari Tugas Baru Tanpa Pelatihan Ulang

Perbedaan utamanya terletak antara melatih model dan mengajari model yang sudah dilatih untuk melakukan tugas tertentu. Machenta tetap melatih model dasarnya. Yang ingin dihilangkan perusahaan itu adalah kebutuhan untuk mengumpulkan kumpulan data baru dalam jumlah besar dan menjalankan siklus pelatihan lagi setiap kali robot menghadapi pekerjaan baru.

“Kecerdasan bukan terutama tentang apa yang sudah bisa Anda lakukan, melainkan seberapa cepat Anda bisa belajar melakukan sesuatu yang baru,” kata Profesor Edward Johns, salah satu pendiri sekaligus CEO Machenta, dalam pengumuman tersebut.

Alur kerja yang diusulkan sengaja dibuat sederhana: peragakan perilaku yang diinginkan, biarkan robot mengamatinya, lalu minta robot menjalankan tugas tersebut. Dalam praktiknya, demonstrasi itu akan menjadi bagian dari instruksi untuk model yang sudah ada, bukan awal dari proyek pengembangan model yang terpisah.

Pendekatan ini sangat relevan ketika tugas secara umum tetap sama, tetapi objek atau susunannya berubah. Robot yang hanya bisa mengulang urutan tetap memerlukan lingkungan yang sesuai dengan programnya. Sistem pembelajar yang berguna harus mampu mengenali tujuan yang diminta oleh demonstrasi dan menyesuaikan tindakannya dengan situasi yang dihadapinya.

Simulasi Digunakan untuk Melatih Kemampuan Belajar

Strategi pelatihan Machenta memindahkan sebagian besar beban pembuatan data ke simulasi. Menurut pengumuman perusahaan, tujuannya bukan merinci setiap tugas yang mungkin dihadapi robot kelak. Tujuannya adalah memaparkan model pada cukup banyak skenario yang beragam agar model mengembangkan kemampuan yang dapat digunakan kembali untuk belajar dari contoh baru.

Hal itu mengubah sumber skala yang diharapkan perusahaan. Banyak upaya pembelajaran robot sangat bergantung pada pengumpulan demonstrasi fisik melalui teleoperasi atau rekaman aktivitas manusia. Machenta bertaruh bahwa pengalaman simulasi dapat menyediakan keragaman yang dibutuhkan untuk mempelajari tugas baru, sementara demonstrasi nyata memberikan instruksi saat penerapan.

Pengenalan teknis perusahaan menyebut sistem tersebut sebagai model visi-demonstrasi-aksi, atau VDA. Model ini menerima demonstrasi dan pengamatan kamera yang berlangsung terus-menerus sebagai masukan, lalu memprediksi tindakan dalam lingkar tertutup. Perusahaan mengatakan prapelatihannya hanya menggunakan simulasi; contoh pengajaran dan pengamatan langsung menjadi masukan dari dunia nyata saat inferensi.

Perbedaan ini penting: prapelatihan yang hanya menggunakan simulasi bukan berarti robot yang diterapkan beroperasi tanpa informasi dari dunia nyata. Robot tetap harus menafsirkan demonstrasi, mengamati lingkungannya, dan memilih tindakan saat kondisi berubah.

Riset di Balik Pembelajaran Robot Dalam Konteks

Perusahaan ini mengembangkan karya Johns dan salah satu pendiri sekaligus CTO-nya, Vitalis Vosylius, di Imperial College London. Johns adalah Profesor Pembelajaran Robot di Imperial, dan keduanya mengembangkan metode sebelumnya untuk mempelajari perilaku fisik dari sejumlah kecil contoh.

Riset Instant Policy mereka, yang diterbitkan di ICLR 2025, menguraikan pembelajaran imitasi dalam konteks dari satu atau dua demonstrasi tanpa pelatihan lanjutan. Riset itu merepresentasikan demonstrasi, pengamatan, dan tindakan dalam bentuk graf serta menggunakan proses difusi yang telah dipelajari untuk menghasilkan struktur graf yang diperlukan dalam memprediksi tindakan.

Makalah tersebut juga menguraikan pelatihan menggunakan demonstrasi semu: lintasan yang dihasilkan dalam simulasi untuk menyediakan kumpulan contoh yang besar. Eksperimen mencakup tugas simulasi dan tugas nyata, serta penelitian tambahan tentang transfer antartipe perwujudan robot dan instruksi yang dirumuskan dalam bahasa.

Riset tersebut membantu menjelaskan landasan ilmiahnya, tetapi tidak membuktikan bahwa model komersial Machenta saat ini memiliki arsitektur yang persis sama. Perusahaan rintisan itu menggambarkan sistem yang lebih baru sebagai model dasar yang dikembangkan dari rangkaian penelitian tersebut.

Pembelajaran dalam konteks sudah dikenal dalam model bahasa, ketika contoh dalam prompt dapat membentuk respons tanpa memperbarui bobot model. Penerapan gagasan itu pada robotika lebih menantang karena keluarannya harus menjadi rangkaian tindakan fisik yang mematuhi batasan dunia nyata, bukan sekadar jawaban yang masuk akal.

Apa yang Dibuktikan oleh Demonstrasi—dan Apa yang Masih Perlu Diuji

Tulisan teknis Machenta melaporkan uji coba selama satu jam pada tiga tugas sederhana yang dapat diatur ulang sendiri: 74 kali berhasil menempatkan balok dari 74 percobaan, 78 kali berhasil menyerahkan obeng dari 78 percobaan, dan 97 kali berhasil menegakkan botol dari 99 percobaan. Perusahaan menyebut risiko tabrakan dan kendala kinematik sebagai penyebab dua kegagalan pada tugas menegakkan botol.

Hasil tersebut merupakan pemeriksaan awal yang berguna untuk menguji keandalan, bukan tolok ukur industri yang luas. Tulisan itu juga menyebut pembelajaran langsung dari tangan manusia dan pengoperasian dengan tangan humanoid sebagai arah awal. Hasil tersebut tidak membuktikan bahwa sistem ini mampu menangani semua jenis tugas atau bekerja secara andal di setiap tempat kerja.

Bagi calon pengguna, ada sejumlah hal yang membedakan demonstrasi meyakinkan dari sistem yang siap diterapkan: konsistensi hasil, kemampuan pulih dari kegagalan, perilaku aman di sekitar manusia, serta batas praktis perangkat keras robot. Mempelajari instruksi dengan cepat tidak membuat gripper mampu memegang benda yang secara fisik tak bisa dijangkaunya.

Meski demikian, peluang komersialnya jelas. Jika waktu pelatihan dapat dipangkas secara signifikan, robot akan lebih layak dipertimbangkan untuk pekerjaan yang terlalu sering berubah sehingga pemrograman dan integrasi yang panjang tidak sepadan. Hal ini dapat berdampak pada penerapan di pabrik maupun aplikasi berskala lebih kecil, yang sulit mendapatkan dukungan spesialis robotika.

Putaran Pendanaan Awal untuk Mengembangkan Model dan Memperbesar Tim

Machenta bergabung dengan gelombang investasi yang lebih luas di bidang kecerdasan robot yang adaptif. Liputan Unite.AI tentang pendanaan AI lintas robot Dream Labs menunjukkan upaya lain untuk membuat kemampuan yang telah dipelajari dapat digunakan pada berbagai mesin. Machenta berfokus pada seberapa cepat instruksi fisik baru dapat diwujudkan menjadi perilaku yang bisa digunakan.

Mitra Creandum, Kathi Wilhelm, menyoroti penelitian yang telah dilakukan tim selama bertahun-tahun sebelum perusahaan itu didirikan. Rebecca Kaden, mitra pengelola Union Square Ventures, menekankan pentingnya robot yang dapat mempelajari tugas baru dengan cepat, alih-alih memerlukan upaya pelatihan tersendiri untuk setiap pekerjaan.

Tahap berikutnya bagi Machenta adalah mengembangkan fondasi riset tersebut menjadi kemampuan yang lebih luas dan andal. Dana sebesar $40 juta memberi perusahaan sumber daya untuk mengembangkan model dan merekrut anggota tim, sementara tim pendirinya membawa enam tahun pengalaman mengembangkan pembelajaran robot dari satu demonstrasi ke dalam perusahaan.

Pertanyaan utamanya adalah sejauh mana kemampuan belajar tersebut dapat dikembangkan saat tugas semakin beragam dan menantang. Jika pendekatan ini terbukti tangguh, perubahan pentingnya akan terasa dalam praktik: orang dapat mengurangi waktu untuk menyusun alur pelatihan dan lebih banyak waktu untuk menunjukkan kepada robot pekerjaan yang benar-benar perlu mereka lakukan.