MIT Bahas Masa Depan Robotika: Data vs Kode Jadi Perdebatan Seru
Komunitas robotika dunia kini terpecah dalam perdebatan menarik tentang arah masa depan teknologi robot. Para ahli dari Massachusetts Institute of Technology (MIT) dan berbagai universitas ternama lainnya berdebat hangat: apakah masa depan robotika akan ditentukan oleh pendekatan berbasis data atau tetap mengandalkan model matematis tradisional?
Siapa yang Terlibat dalam Perdebatan Ini?
Debat tersebut melibatkan nama-nama besar dlm dunia robotika, termasuk Daniela Rus selaku direktur CSAIL dan profesor di MIT1. Turut hadir pula Russ Tedrake, Leslie Kaelbling, dan beberapa profesor dari Swiss Federal Institute of Technology serta Seoul National University. Ken Goldberg dari UC Berkeley bertindak sebagai moderator yang melemparkan pertanyaan krusial: "Akankah masa depan robotika ditulis dalam kode atau data?"
Para peserta debat ini bukan sembarang orang - mereka adalah pionir yg telah berkontribusi signifikan terhadap perkembangan teknologi robotika modern. Kehadiran mereka di IEEE International Conference on Robotics and Automation (ICRA) menunjukan betapa pentingnya topik ini bagi perkembangan industri.
Mengapa Pendekatan Data Begitu Menarik?
Daniela Rus dengan tegas menyatakan bahwa pendekatan berbasis data adalah kunci utama. "Fisika memberikan model yang bersih untuk lingkungan terkontrol, tapi begitu kita melangkah keluar, asumsi-asumsi itu runtuh," ujarnya2. Argumen ini cukup masuk akal mengingat kompleksitas dunia nyata yg tidak bisa diprediksi dengan model matematis sederhana.
Lab CSAIL dan Pendekatan Multimodal
Di Distributed Robotics Lab CSAIL, tim Rus tengah membangun dataset multimodal dari manusia yg melakukan tugas sehari-hari. Mereka merekam aktivitas memasak, menuang cairan, hingga menyerahkan objek dengan sensor canggih. Data ini mencakup tidak hanya gerakan tangan dan torsi sendi, tetapi juga arah pandangan mata dan interaksi gaya3.
Yang menarik, robot dlm testbed dapur CSAIL dapat belajar memotong sayuran dan merakit makanan dengan presisi tinggi. Mereka bahkan mampu pulih ketika bahan-bahan tergelincir atau alat tidak sejajar, menunjukan adaptabilitas yang luar biasa.
Transformasi Melalui Skala Data
Russ Tedrake menjelaskan bagaimana penskalaan data mengubah manipulasi robot secara dramatik. Timnya telah melatih robot untuk melakukan tugas rumit seperti memotong apel, mengamati hasil beragam, dan pulih dari kesalahan4. "Robot kini mengembangkan sesuatu yg tampak seperti akal sehat untuk tugas-tugas terampil," katanya.
Contoh konkret adalah robot bimanual dengan gripper sederhana yang belajar mengupas dan memotong apel. Setiap apel berbeda dlm ukuran, kekerasan, atau bentuk, namun robot beradaptasi secara otomatis berdasarkan pengalaman sebelumnya.
Pentingnya Model Matematis dalam Robotika
Di sisi lain, Leslie Kaelbling bersama Aude Billard dan Frank Park membela pentingnya model matematis dan prinsip-prinsip dasar. "Data dapat menunjukan pola, tapi model memberikan pemahaman," tegas Kaelbling5. Pendapat ini sangat relevan terutama untuk aplikasi kritis yang membutuhkan keamanan tinggi.
Keterbatasan Pendekatan Pure Data
Billard mengingatkan bahwa robotika berbeda secara fundamental dari visi atau bahasa. Data dunia nyata langka, simulasi masih terbatas, dan tugas-tugas melibatkan variabilitas tak terbatas6. Sementara dataset besar telah mendorong kemajuan dlm persepsi dan pemahaman bahasa alami, penskalaan data secara membabi buta tanpa struktur yang mendasari berisiko menciptakan sistem yang rapuh.
Park menekankan kekayaan bias induktif dari fisika dan biologi - prinsip gerakan, gaya, kepatuhan, dan kontrol hierarkis. Prinsip-prinsip ini tidak dapat sepenuhnya ditangkap oleh metode berbasis data saja.
Mencari Jalan Tengah yang Tepat
Animesh Garg mengajukan solusi hibrid yang menggabungkan pembelajaran berbasis data dengan model terstruktur. "Jalur terbaik ke depan mungkin adalah pendekatan hibrid," ujarnya, "di mana kita memanfaatkan skala data sambil menghormati batasan dan wawasan yg diberikan model7."
Garg mengilustrasikan dengan contoh tugas manipulasi kolaboratif, dimana robot yang dilatih murni pada data mentah kesulitan dengan kasus tepi yang dapat diantisipasi model berbasis fisika.
Paralel Historis dan Lessons Learned
Debat ini juga menarik paralel historis menarik. Manusia sering memperoleh "know-how" sebelum "know-why". Dari kapal layar dan mesin pembakaran internal hingga pesawat terbang dan komputer awal, para insinyur mengandalkan observasi empiris jauh sebelum memahami sepenuhnya prinsip-prinsip ilmiah yg mendasari8.
Diversitas Pemikiran sebagai Kekuatan
Para panelis menekankan bahwa keberagaman dlm bidang robotika itu sendiri merupakan kekuatan. Sementara deep learning telah mentransformasi tugas persepsi dan bahasa, robotika melibatkan banyak tantangan berbeda: kontrol berdimensi tinggi, lingkungan manusia yg bervariasi, interaksi dengan objek yang dapat berubah bentuk, dan batasan kritis keamanan9.
Tedrake mencatat bahwa menerapkan model pre-trained besar dari bahasa secara langsung ke robot tidaklah cukup. Kesuksesan memerlukan pembelajaran multimodal dan integrasi sensor yang menangkap gaya, gerakan, serta umpan balik taktil.
Kesimpulan
Perdebatan antara pendekatan berbasis data dan model matematis dlm robotika menunjukan kompleksitas tantangan yang dihadapi industri. Seperti yang dikatakan Tedrake, "Menyelesaikan robotika adalah agenda jangka panjang. Mungkin butuh puluhan tahun. Tapi perdebatan itu sendiri sehat." Masa depan robotika kemungkinan besar akan menggabungkan kekuatan dari kedua pendekatan, dengan data memberikan pengalaman praktis dan model menyediakan struktur untuk interpretasi dan generalisasi.
Referensi
- The Robot Report Staff. (2025, 28 Agustus). MIT roboticists debate the future of robotics, data, and computing. The Robot Report. https://www.therobotreport.com/mit-roboticists-debate-the-future-of-robotics-data-and-computing/
- Ibid.
- Ibid.
- Ibid.
- Ibid.
- Ibid.
- Ibid.
- Ibid.
- Ibid.
