Voxel51 memperkenalkan Platform Data Terpadu 3.0 untuk Tim AI Fisik

Pada 15 Oktober 2026, Voxel51 memperkenalkan Voxel51 3.0, platform data multimodal menyeluruh untuk AI fisik yang menyatukan pencarian, kurasi, anotasi, dan evaluasi dalam satu sistem yang dapat diperluas. Dalam pengumuman perusahaan, salah satu pendiri sekaligus CEO Brian Moore menyebutnya sebagai “rilis perusahaan yang paling signifikan sejauh ini”, dan kini tim dapat mencoba platform tersebut secara gratis dengan data mereka sendiri di app.voxel51.com.

Rilis ini juga mengubah nama produk enterprise perusahaan: Voxel51 adalah nama baru untuk FiftyOne Enterprise, sementara FiftyOne tetap merujuk pada proyek sumber terbuka. Moore menulis bahwa perusahaan telah bertahun-tahun bekerja sama dengan tim yang menerapkan AI dalam sistem otonom, robotika, manufaktur, dan layanan kesehatan, serta membangun ulang platform selama beberapa bulan terakhir dengan berfokus pada pekerjaan mengelola data yang dimulai setelah model melampaui tahap prototipe: menyelidiki kegagalan, mengkurasi kumpulan data pelatihan, dan mengevaluasi model dalam berbagai skenario dunia nyata.

Dukungan untuk Pencarian Multimodal dan Data Deret Waktu

Voxel51 Search adalah indeks pencarian hibrida persisten yang menggabungkan pencarian semantik dengan kueri leksikal dan filter untuk konten tidak terstruktur serta metadata terstruktur dalam kumpulan data multimodal. Menurut pengumuman tersebut, Search secara otomatis mengindeks kumpulan data dan menghitung embedding sehingga kueri dapat digunakan sejak hari pertama. Search juga mempertahankan agar embedding dan kolom terstruktur tetap dapat dikueri dalam bentuk aslinya, lalu menggabungkannya saat pengambilan data. Untuk pengambilan berbasis vektor, platform ini menggunakan LanceDB, yang arsitektur kolomnya mendukung pencarian vektor bersama indeks skalar dan teks lengkap, sekaligus memisahkan penyimpanan dari komputasi.

Tim mengendalikan alur kerja embedding itu sendiri, termasuk data mana yang di-embedding, model dan komputasi yang digunakan, serta waktu pembuatan embedding. Pembaruan inkremental dapat dilakukan tanpa perlu membangun ulang seluruh kumpulan data. Rilis ini menambahkan dukungan bawaan untuk data multimodal deret waktu: beberapa aliran sensor dapat divisualisasikan pada linimasa yang sama, dan embedding tingkat segmen memungkinkan tim mengambil momen tertentu di dalam rekaman panjang, alih-alih merepresentasikan seluruh episode dengan satu embedding.

Voxel51 Agent dan Pelabelan Agentik

Voxel51 Agent merangkai pencarian, kurasi, anotasi, dan evaluasi menjadi alur kerja berulang yang dibangun dari 45+ alat MCP, 80+ operator, dan 18 keterampilan sumber terbuka. Pengumuman tersebut menguraikan beberapa contoh penggunaan: tim robotika mencari perilaku tertentu di ribuan episode untuk mengkurasi kumpulan data pelatihan dan evaluasi yang terarah; tim persepsi menelusuri kegagalan model hingga menemukan skenario ekor panjang yang serupa, membuat anotasi baru, lalu mengevaluasi ulang; serta menyiapkan anotasi dengan mengarahkan kasus yang tidak pasti kepada peninjau manusia. Agent juga dapat menulis kode untuk menambahkan fungsi baru, dan semua alur kerja mewarisi kontrol izin, keamanan, dan tata kelola yang ditetapkan organisasi.

Dalam unggahan yang diterbitkan pada 8 Oktober 2026, menjelang peluncuran, Voxel51 menyatakan bahwa Agent dibangun di atas Model Context Protocol, standar terbuka untuk menghubungkan aplikasi AI dengan alat eksternal, dan terhubung ke lebih dari 100 penyedia model, termasuk Anthropic, OpenAI, dan Google. Agent tersedia untuk penerapan di lingkungan cloud, hibrida, lokal, terisolasi dari jaringan, dan terkelola. Perusahaan melaporkan bahwa pengujian tolok ukur atas tugas agen yang sama dengan Claude Sonnet 5, Claude Opus 5, GPT-5.1, dan Gemini 3.1 Pro menunjukkan perbedaan biaya hingga 15x.

Rilis 3.0 juga menyatukan alur kerja anotasi untuk data 2D, 3D, video, dan multimodal, dengan pemeriksaan jaminan kualitas otomatis, metrik anotator, serta alat untuk mengelola peninjauan dengan keterlibatan manusia. Kemampuan Agentic Labeling menggunakan model visi-bahasa untuk menghasilkan label berdasarkan instruksi dan contoh dalam bahasa alami, disertai alur kerja peninjauan untuk memvalidasi hasilnya. Mengutip survei State of Physical AI 2026, perusahaan menyatakan bahwa tim berkinerja unggul menghabiskan lebih dari separuh waktu proyek mereka untuk pekerjaan data, dengan tingkat hampir 3x dibandingkan tim yang mengalami kesulitan; bagan survei menunjukkan angka tersebut sebesar 58 persen untuk tim berkinerja unggul dan 21 persen untuk tim yang mengalami kesulitan.

Asal-Usul Data di Empat Tingkat

Voxel51 3.0 menambahkan pelacakan asal-usul data pada empat tingkat, yang dijelaskan secara terperinci dalam unggahan pendamping oleh Chief Architect Ritchie Martori pada 9 Oktober 2026. Log aktivitas tingkat penerapan menunjukkan siapa yang melakukan suatu tindakan, kapan tindakan itu dilakukan, dan apa yang terdampak di seluruh penerapan; log aktivitas tingkat kumpulan data melacak perubahan dalam setiap kumpulan data; riwayat pengeditan tingkat sampel menelusuri perubahan pada label, metadata, dan properti lainnya; sedangkan pembuatan versi kumpulan data menyimpan snapshot yang tidak dapat diubah agar tim dapat membandingkan keadaan sebelumnya, mereproduksi alur kerja, dan mengidentifikasi data persis yang digunakan untuk pelatihan atau evaluasi.

Arsitektur peristiwa yang mendasarinya menggunakan fiftyone-mq untuk penjadwalan pekerjaan dan Activity Core untuk pelacakan peristiwa, sehingga menyediakan fondasi bersama bagi log audit, metrik anotasi, dan pemantauan pekerjaan. Izin dan visibilitas alur kerja menghubungkan setiap perubahan data dengan orang atau pekerjaan otomatis yang melakukannya.

Desain yang Tidak Bergantung pada Model dan Lokakarya Nebius

Platform ini sejak awal dirancang agar tidak bergantung pada model tertentu, sehingga tim dapat menggunakan model fondasi dan model khusus domain mereka sendiri untuk membuat embedding, melakukan pelabelan otomatis, inferensi, dan evaluasi tanpa harus terikat pada tumpukan teknologi yang telah ditentukan. Pengumuman tersebut menyatakan bahwa model fondasi serbaguna terutama telah dilatih dengan teks internet dan data visual, dengan paparan terbatas terhadap data sensor multimodal terwujud yang dihasilkan sistem fisik. Disebutkan pula bahwa di luar segelintir bidang yang didanai besar, seperti kendaraan otonom, tim AI fisik sering kali perlu memadukan model fondasi dengan model khusus domain dan data pelatihan mereka sendiri.

Sebelumnya, untuk merasakan kemampuan tingkat perusahaan Voxel51, pengguna harus terlebih dahulu berbicara dengan timnya; dengan versi 3.0, akses mandiri tersedia secara gratis di app.voxel51.com, sementara penerapan yang dihosting sendiri tetap tersedia dengan menghubungi perusahaan. Voxel51 juga menyatakan bahwa mereka bekerja sama dengan perusahaan cloud AI Nebius, dengan para pengembang menjalankan alur kerja seperti pembuatan embedding dan pelabelan otomatis di Nebius AI Cloud dalam acara praktik langsung. Kedua perusahaan tersebut menyelenggarakan sembilan Lokakarya AI Fisik tambahan di Kanada dan Amerika Serikat hingga November 2026, dan pendaftaran telah dibuka.