Tantangan Terbesar yang Dihadapi AI Fisik Mungkin Bersifat Fisik, Bukan Artifisial

Di balik hampir setiap demo yang menarik perhatian media dalam industri AI Fisik terdapat kebenaran yang sama: mesin tersebut adalah prototipe, dan prototipe bukan produk. Membangun satu robot yang berfungsi adalah prestasi rekayasa. Membangun robot ke seribu, dengan biaya yang akan dibayar orang, tanpa tim spesialis yang siap menanganinya saat terjadi kerusakan, adalah tantangan yang sama sekali berbeda, dan ini baru mulai dihadapi oleh industri.

Kesenjangan itu, antara memperagakan kecerdasan dan memproduksinya secara massal, tampaknya menjadi medan pertempuran sesungguhnya dalam perlombaan AI Fisik. Dan semakin jelas, hal ini tampak lebih seperti masalah industri daripada masalah AI.

Dari Produksi Tunggal ke Jalur Perakitan

Siapa pun yang telah membawa produk perangkat keras dari prototipe ke produksi tahu bahwa unit pertama adalah bagian yang paling mudah.

Robot prototipe mungkin dijalankan dengan aktuator khusus yang diproduksi secara manual, sensor yang diperoleh dari pemasok butik dengan waktu tunggu dua bulan, atau paket baterai yang dirakit oleh insinyur yang sama yang merancangnya. Semua itu tidak penting ketika hanya ada satu unit. Namun semuanya menjadi beban serius pada skala sepuluh ribu unit.

Pemasok harus disertifikasi, biasanya dua kali, sehingga kebakaran pabrik tunggal atau keterlambatan pengiriman tidak menghentikan produksi. Komponen yang dirancang untuk kinerja puncak di laboratorium sering kali harus direkayasa ulang untuk toleransi, daya tahan, dan terutama biaya. Proses perakitan yang berhasil dengan tim kecil PhD yang memperbaiki secara manual harus disederhanakan sehingga teknisi di jalur produksi dapat menyelesaikannya dalam hitungan menit, bukan hari.

Pekerjaan ini disebut desain untuk manufaktur. Prosesnya lambat, membosankan, dan menjadi arena pertempuran dalam AI Fisik yang semakin banyak terjadi, serta merupakan pertarungan yang telah kalah oleh banyak perusahaan robotika yang memiliki dana melimpah dan keahlian teknis tinggi.

Demo Mengagumkan Tidak Menangkan Pasar

Ada naluri alami yang diwarisi dari satu dekade siklus teknologi yang didorong perangkat lunak, yaitu menganggap siapa pun yang membangun model paling cerdas atau robot paling mirip manusia akan menjadi pemenang. Naluri itu telah melayani investor dengan baik dalam AI secara umum. Namun kemungkinan besar akan menyesatkan mereka dalam AI Fisik.

Bisnis perangkat keras tidak dimenangkan pada hari demo, melainkan pada tahun-tahun berikutnya, melalui ekonomi unit, ketahanan rantai pasokan, dan kemampuan menjaga ribuan mesin beroperasi di lapangan tanpa harus mengandalkan pasukan kecil insinyur yang selalu siaga.

Energi surya memberikan contoh yang berguna. Panel yang pada akhirnya menguasai pasar tidak selalu yang paling efisien di laboratorium; melainkan yang dapat diproduksi secara andal oleh perusahaan, dengan biaya menurun, dan volume meningkat. Kendaraan listrik mengikuti pola serupa, di mana rantai pasokan baterai dan hasil manufaktur sama pentingnya dengan terobosan teknik tunggal. AI Fisik, dengan robot yang dibangun dari puluhan atau ratusan komponen, masing‑masing menjadi titik potensi kegagalan, mungkin menjadi lebih tidak memaafkan. Perusahaan yang meluncurkan robot yang hanya cukup baik namun didukung pemasok yang dapat diandalkan dan kurva biaya yang terus menurun setiap kuartal kemungkinan akan mengalahkan pesaing dengan robot memukau yang hanya dapat diproduksi beberapa buah sekaligus.

AI Dapat Mempercepat Rekayasa, Bukan Fisika

Apakah AI sendiri tidak akan menutup kesenjangan ini? Sampai batas tertentu, ya. Alat desain generatif sudah mengeksplorasi geometri komponen yang tidak akan dipikirkan oleh insinyur manusia. Simulasi, yang dipercepat oleh pembelajaran mesin, memperpendek siklus pengujian yang dulu memakan berbulan‑bulan. Model prediktif dapat menandai pemasok atau material mana yang berpotensi menimbulkan masalah hasil produksi sebelum satu bagian pun diproses.

Alat‑alat ini benar‑benar mempercepat, dan perusahaan yang menggunakannya dengan baik dalam rekayasa dan pengadaan akan bergerak lebih cepat dibandingkan yang tidak.

Namun ada batas keras pada seberapa banyak hal ini dapat memperpendek jadwal, karena dunia fisik tidak beriterasi seperti perangkat lunak. Paduan baru tetap harus melewati uji kelelahan yang diukur dalam ribuan siklus. Jalur pabrik masih harus diperlengkapi, dioperasikan, dan melewati kurva belajar yang berliku sebelum hasil produksi stabil. Tidak ada simulasi yang dapat mempersingkat bulan‑bulan yang diperlukan untuk menyetujui material baru atau kuartal‑kuartal yang diperlukan untuk menyiapkan jalur produksi baru. Setiap perusahaan yang menyusun peta jalan dengan asumsi bahwa jadwal perangkat keras akan runtuh seperti jadwal perangkat lunak menyiapkan diri untuk kejutan tidak menyenangkan, dan sangat publik.

Kendala yang Sering Diabaikan

Jika ada satu pelajaran dari siklus perangkat keras sebelumnya, itu bahwa komponen yang paling sedikit mendapat perhatian cenderung menyebabkan penundaan terbesar.

Dalam AI Fisik, hal ini kemungkinan dimulai dengan aktuator, yaitu motor dan mekanisme yang memberi robot torsi serta presisi untuk melakukan pekerjaan fisik. Mereka tetap langka karena hanya sedikit produsen yang memenuhi syarat, dan membangun kapasitas baru memakan tahun, bukan kuartal.

Berlanjut dengan sensor. Kamera, sensor gaya, dan sistem proprioseptif yang memungkinkan mesin merasakan lingkungan sekitarnya masih mahal dan belum matang dibandingkan dengan kebutuhan penempatan padat di dunia nyata.

Hal ini meluas ke proses manufaktur itu sendiri. Industri sangat bergantung pada sejumlah wilayah dan pemasok yang terpusat, suatu struktur yang semakin dianggap sebagai kelemahan strategis, mendorong perusahaan menuju jejak manufaktur yang lebih tersebar dan redundan meskipun harus mengorbankan sebagian efisiensi.

Dan berakhir dengan daya: baterai, elektronik daya, dan infrastruktur pengisian yang harus berkembang seiring dengan armada mesin yang beroperasi terus‑menerus di gudang, rumah, dan lokasi kerja. Tidak ada kategori ini yang akan menjadi sorotan utama dalam sebuah keynote. Semua kemungkinan akan menentukan siapa yang benar‑benar mengirimkan produk.

Sekilas Gambaran Penyesuaian Besar yang Akan Datang

Boom AI Fisik pada dasarnya merupakan uji coba langsung atas asumsi yang telah membuat industri teknologi merasa nyaman: bahwa kecerdasan, begitu dibangun, dapat berkembang secara bebas. Asumsi itu sebagian besar berlaku untuk perangkat lunak. Namun tidak berlaku untuk pabrik.

Komputasi dapat berlipat ganda dalam semalam. Model dapat ditingkatkan dengan pelatihan baru. Penyebaran dapat terjadi hanya dengan menekan tombol. Rantai pasokan tidak dapat berlipat ganda dalam semalam. Teknisi terampil, pemasok yang memenuhi syarat, dan jalur produksi yang matang memerlukan tahun untuk dibangun, dan tidak ada lonjakan kemampuan model yang dapat memperpendek jadwal tersebut.

Semua ini tidak berarti AI Fisik dilebih‑lebihkan atau teknologi dasarnya tidak nyata. Ini berarti pusat gravitasi bergeser dari kecerdasan buatan ke infrastruktur fisik. Perusahaan, dan investor yang mendukungnya, yang memahami pergeseran ini lebih awal, serta menyalurkan sumber daya nyata ke kapasitas manufaktur dan ketahanan rantai pasokan alih‑alih demo yang berkilau berikutnya, adalah yang kemungkinan masih bertahan ketika gelombang video viral saat ini beralih ke pekerjaan yang lebih lambat dan lebih berat dalam benar‑benarnya menerapkan mesin‑mesin ini secara skala besar.