Itu masih pagi Januari 2016, dan saya baru saja bergabung dengan Google X, laboratorium inovasi rahasia Alphabet. Pekerjaan saya: membantu mencari tahu apa yang harus dilakukan dengan karyawan dan teknologi yang tersisa dari sembilan perusahaan robot yang diakuisisi Google. Orang-orang bingung. Andy “bapak Android” Rubin, yang sebelumnya bertanggung jawab, tiba-tiba pergi Keadaan misterius. Larry Page dan Sergey Brin terus berusaha memberikan arahan dan bimbingan selama terbang lintas sesekali di “waktu luang” mereka. Astro Teller, pimpinan Google X, telah setuju beberapa bulan sebelumnya untuk membawa semua orang robot ke laboratorium, yang akrab disebut sebagai pabrik moonshot.
Saya mendaftar karena Astro telah meyakinkan saya bahwa Google X—atau cukup X, seperti yang kita sebut—akan berbeda dari laboratorium inovasi perusahaan lainnya. Para pendirinya berkomitmen untuk berpikir secara luar biasa besar, dan mereka memiliki apa yang disebut “modal kesabaran” untuk mewujudkan sesuatu. Setelah berkarier dalam merintis dan menjual beberapa perusahaan teknologi, hal ini terasa tepat bagi saya. X tampak seperti hal yang seharusnya dilakukan Google. Saya tahu dari pengalaman langsung betapa sulitnya membangun perusahaan yang, dalam kata-kata terkenal Steve Jobs, dapat membuat perubahan di jagat raya, dan saya yakin bahwa Google adalah tempat yang tepat untuk membuat taruhan besar tertentu. Robot bertenaga AI, yang akan hidup dan bekerja bersama kita suatu hari nanti, adalah salah satu taruhan yang berani tersebut.
Delapan setengah tahun kemudian—dan 18 bulan setelah Google memutuskan untuk menghentikan taruhan terbesarnya dalam robotika dan AI—tampaknya ada perusahaan rintisan robotika baru yang muncul setiap minggu. Saya semakin yakin bahwa robot perlu hadir. Namun, saya khawatir bahwa Silicon Valley, dengan fokusnya pada “produk minimum yang layak” dan keengganan umum VC untuk berinvestasi dalam perangkat keras, akan cukup sabar untuk memenangkan perlombaan global untuk memberikan AI sebuah badan robot. Dan sebagian besar uang yang adalah berinvestasi berarti berfokus pada hal yang salah. Inilah alasannya.
Arti dari “Moonshot”
Google X—rumah bagi Robot Sehari-harisebutan untuk misi luar angkasa kami—lahir pada tahun 2010 dari sebuah ide hebat bahwa Google dapat mengatasi beberapa masalah tersulit di dunia. X sengaja ditempatkan di gedungnya sendiri beberapa mil jauhnya dari kampus utama, untuk menumbuhkan budayanya sendiri dan memungkinkan orang untuk berpikir jauh di luar kotak pepatah. Banyak upaya dilakukan untuk mendorong para X untuk mengambil risiko besar, untuk bereksperimen dengan cepat, dan bahkan merayakan kegagalan sebagai indikasi bahwa kami telah menetapkan standar yang sangat tinggi. Ketika saya tiba, laboratorium telah meluncurkan Waymo, Google Glass, dan proyek-proyek lain yang terdengar seperti fiksi ilmiah seperti kincir angin energi terbang dan balon stratosfer yang akan menyediakan akses internet bagi mereka yang kurang mampu.
Yang membedakan proyek X dari perusahaan rintisan di Silicon Valley adalah bagaimana para pekerja X yang besar dan berjangka panjang didorong untuk berpikir. Bahkan, untuk meraih sukses besar, X memiliki sebuah “rumus”: Proyek tersebut harus menunjukkan, pertama, bahwa proyek tersebut mengatasi masalah yang memengaruhi ratusan juta, atau bahkan miliaran orang. Kedua, harus ada teknologi terobosan yang memberi kita garis pandang ke cara baru untuk memecahkan masalah tersebut. Terakhir, harus ada solusi bisnis atau produk yang radikal yang mungkin terdengar seperti berada di sisi yang tepat dari kegilaan.
Masalah Tubuh AI
Sulit untuk membayangkan seseorang yang lebih cocok menjalankan X daripada Peramal Astroyang gelar pilihannya secara harfiah adalah Kapten Moonshots. Anda tidak akan pernah melihat Astro di gedung Google X, sebuah department store raksasa berlantai tiga yang dialihfungsikan, tanpa sepatu roda khasnya. Lengkapi itu dengan kuncir kuda, selalu tersenyum ramah, dan, tentu saja, nama Astro, dan Anda mungkin mengira Anda telah memasuki sebuah episode HBO Lembah Silikon.
Ketika Astro dan saya pertama kali duduk untuk mendiskusikan apa yang mungkin kami lakukan dengan perusahaan robot yang diakuisisi Google, kami sepakat sesuatu sebaiknya harus dilakukan. Tapi apa? Sebagian besar robot yang berguna saat ini berukuran besar, bodoh, dan berbahaya, yang dikurung di pabrik dan gudang, yang sering kali memerlukan pengawasan ketat atau dimasukkan ke dalam kandang untuk melindungi orang dari mereka. Bagaimana kita akan membangun robot yang akan membantu dan aman dalam kehidupan sehari-hari? Itu akan membutuhkan pendekatan baru. Masalah besar yang kita hadapi adalah pergeseran manusia secara global—populasi yang menua, tenaga kerja yang menyusut, kekurangan tenaga kerja. Teknologi terobosan kita—kami tahu, bahkan pada tahun 2016—adalah kecerdasan buatan. Solusi radikal: robot yang sepenuhnya otonom yang akan membantu kita dengan daftar tugas yang terus bertambah dalam kehidupan kita sehari-hari.
Dengan kata lain, kami akan memberikan AI sebuah badan di dunia nyata, dan jika ada satu tempat di mana sesuatu dalam skala ini dapat dibuat, saya yakin itu adalah X. Itu akan memakan waktu lama, banyak kesabaran, kemauan untuk mencoba ide-ide gila dan gagal dalam banyak hal. Itu akan membutuhkan terobosan teknis yang signifikan dalam teknologi AI dan robot dan kemungkinan besar akan menelan biaya miliaran dolar. (Ya, miliaran.) Ada keyakinan yang kuat di tim bahwa, jika Anda melihat sedikit lebih jauh dari cakrawala, konvergensi AI dan robotika tidak dapat dihindari. Kami merasa bahwa banyak hal yang sebelumnya hanya ada dalam fiksi ilmiah akan segera menjadi kenyataan.
Itu Ibumu
Setiap minggu atau lebih, saya akan berbicara dengan ibu saya di telepon. Pertanyaan pembukanya selalu sama: “Kapan robot-robot itu akan datang?” Dia bahkan tidak menyapa. Dia hanya ingin tahu kapan salah satu robot kami akan datang membantunya. Saya akan menjawab, “Masih lama, Bu,” lalu dia akan berkata, “Mereka sebaiknya segera datang!”
Tinggal di Oslo, Norwegia, ibu saya memiliki layanan kesehatan publik yang baik; para pengasuh datang ke apartemennya tiga kali sehari untuk membantu berbagai tugas dan pekerjaan, sebagian besar terkait dengan penyakit Parkinson yang dideritanya. Sementara para pengasuh ini memungkinkannya untuk tinggal sendiri di rumahnya sendiri, ibu saya berharap bahwa robot dapat membantunya dengan berbagai hal kecil yang kini telah menjadi hambatan yang tidak dapat diatasi dan memalukan, atau terkadang hanya menawarkan lengannya untuk bersandar.
Ini Sangat Sulit
“Anda tahu bahwa robotika adalah masalah sistem, kan?” Jeff bertanya kepada saya dengan pandangan menyelidik. Setiap tim tampaknya memiliki seorang “Jeff”; Jeff Bingham adalah tim kami. Ia adalah seorang pria kurus dan tekun dengan gelar doktor di bidang bioteknologi yang tumbuh di sebuah peternakan dan memiliki reputasi sebagai pusat pengetahuan dengan wawasan mendalam tentang … hampir semua hal. Hingga hari ini, jika Anda bertanya kepada saya tentang robot, salah satu hal pertama yang akan saya katakan kepada Anda adalah, yah, ini adalah masalah sistem.
Salah satu hal penting yang Jeff coba tegaskan adalah bahwa robot adalah sistem yang sangat kompleks dan hanya sebaik mata rantai terlemahnya. Jika subsistem penglihatan sulit melihat apa yang ada di depannya di bawah sinar matahari langsung, maka robot bisa tiba-tiba menjadi buta dan berhenti bekerja jika sinar matahari masuk melalui jendela. Jika subsistem navigasi tidak memahami tangga, maka robot bisa jatuh dan melukai dirinya sendiri (dan mungkin orang yang tidak bersalah). Dan seterusnya. Membangun robot yang dapat hidup dan bekerja bersama kita itu sulit. Benar-benar sulit.
Selama beberapa dekade, orang telah mencoba memprogram berbagai bentuk robot untuk melakukan tugas-tugas sederhana, seperti memegang cangkir di atas meja atau membuka pintu, dan program-program ini selalu berakhir menjadi sangat rapuh, gagal pada perubahan kondisi atau variasi sekecil apa pun di lingkungan. Mengapa? Karena kurangnya prediktabilitas di dunia nyata (seperti sinar matahari). Dan kita bahkan belum sampai pada hal-hal yang sulit, seperti bergerak melalui ruang-ruang yang berantakan dan semrawut tempat kita tinggal dan bekerja.
Begitu Anda mulai memikirkan semua ini dengan saksama, Anda menyadari bahwa kecuali Anda mengunci semuanya dengan sangat rapat, dengan semua objek berada di lokasi yang tetap dan telah ditentukan sebelumnya, dan pencahayaan yang tepat dan tidak pernah berubah, sekadar mengambil, katakanlah, apel hijau dan menaruhnya di mangkuk kaca di atas meja dapur menjadi masalah yang sangat sulit dipecahkan. Inilah sebabnya mengapa robot pabrik berada di dalam kandang. Segala hal mulai dari pencahayaan hingga penempatan benda-benda yang mereka kerjakan dapat diprediksi, dan mereka tidak perlu khawatir mengenai benturan di kepala seseorang.
Cara Mempelajari Robot Pembelajaran
Namun, yang Anda butuhkan, tampaknya, hanyalah 17 orang yang menguasai pembelajaran mesin. Atau begitulah yang dikatakan Larry Page kepada saya—salah satu wawasan klasiknya yang sulit dipahami. Saya mencoba berargumen bahwa tidak mungkin kita dapat membangun infrastruktur perangkat keras dan perangkat lunak untuk robot yang akan bekerja bersama kita hanya dengan segelintir peneliti ML. Dia melambaikan tangannya ke arah saya dengan acuh tak acuh. “Yang Anda butuhkan hanyalah 17.” Saya bingung. Mengapa tidak 11? Atau 23? Ada yang kurang.
Jika disederhanakan, ada dua pendekatan utama untuk menerapkan AI dalam robotika. Yang pertama adalah pendekatan hibrida. Berbagai bagian sistem didukung oleh AI, lalu digabungkan dengan pemrograman tradisional. Dengan pendekatan ini, subsistem penglihatan dapat menggunakan AI untuk mengenali dan mengkategorikan dunia yang dilihatnya. Setelah membuat daftar objek yang dilihatnya, program robot menerima daftar ini dan menindaklanjutinya menggunakan heuristik yang diterapkan dalam kode. Jika program ditulis untuk mengambil apel dari meja, apel tersebut akan dideteksi oleh sistem penglihatan yang didukung AI, lalu program akan memilih objek tertentu dengan “jenis: apel” dari daftar tersebut, lalu meraihnya untuk mengambilnya menggunakan perangkat lunak kontrol robot tradisional.
Pendekatan lainnya, pembelajaran menyeluruh, atau e2e, berupaya mempelajari seluruh tugas seperti “mengambil objek,” atau bahkan upaya yang lebih komprehensif seperti “merapikan meja.” Pembelajaran terjadi dengan mengekspos robot ke sejumlah besar data pelatihan—seperti halnya manusia belajar melakukan tugas fisik. Jika Anda meminta anak kecil untuk mengambil cangkir, mereka mungkin, tergantung pada seberapa mudanya mereka, masih perlu mempelajari apa itu cangkir, bahwa cangkir mungkin berisi cairan, dan kemudian, saat bermain dengan cangkir, berulang kali menjatuhkannya, atau setidaknya menumpahkan banyak susu. Namun, dengan demonstrasi, meniru orang lain, dan banyak latihan yang menyenangkan, mereka akan belajar melakukannya—dan akhirnya bahkan tidak perlu memikirkan langkah-langkahnya.
Yang saya yakini dari Larry adalah bahwa tidak ada yang benar-benar penting kecuali kita pada akhirnya menunjukkan bahwa robot dapat belajar untuk melakukan tugas-tugas menyeluruh. Hanya dengan begitu kita akan memiliki kesempatan nyata untuk membuat robot melakukan tugas-tugas ini dengan andal di dunia nyata yang berantakan dan tidak dapat diprediksi, yang menjadikan kita memenuhi syarat untuk menjadi moonshot. Ini bukan tentang angka 17 yang spesifik, tetapi tentang fakta bahwa terobosan besar membutuhkan tim-tim kecil, bukan pasukan insinyur. Jelas ada lebih banyak hal pada robot daripada otak AI-nya, jadi saya tidak menghentikan upaya rekayasa kami yang lain—kami masih harus merancang dan membangun robot fisik. Namun, menjadi jelas bahwa mendemonstrasikan tugas e2e yang berhasil akan memberi kita keyakinan bahwa, dalam istilah moonshot, kita dapat lolos dari tarikan gravitasi Bumi. Di dunia Larry, semua hal lainnya pada dasarnya adalah “detail implementasi”.
Di Ladang Senjata
Peter Pastor adalah seorang ahli robotika asal Jerman yang meraih gelar doktor dalam bidang robotika dari University of Southern California. Pada suatu kesempatan langka ketika ia tidak bekerja, Peter berusaha untuk mengejar pacarnya di atas papan luncur layang. Di laboratorium, ia menghabiskan banyak waktunya untuk mengendalikan 14 lengan robot milik perusahaan, yang kemudian diganti dengan tujuh lengan robot Kuka industri dalam konfigurasi yang kami sebut “pertanian lengan“.”
Lengan-lengan ini bekerja 24/7, berulang kali mencoba mengambil benda-benda, seperti spons, balok Lego, bebek karet, atau pisang plastik, dari tempat sampah. Pada awalnya, mereka akan diprogram untuk menggerakkan penjepit seperti cakar ke dalam tempat sampah dari posisi acak di atas, menutup penjepit, menariknya ke atas, dan melihat apakah mereka telah menangkap sesuatu. Ada kamera di atas tempat sampah yang menangkap isi, gerakan lengan, dan keberhasilan atau kegagalannya. Ini berlangsung selama berbulan-bulan.
Pada awalnya, robot memiliki tingkat keberhasilan 7 persen. Namun, setiap kali robot berhasil, robot tersebut mendapat penguatan positif. (Yang pada dasarnya berarti, bagi robot, apa yang disebut “bobot” dalam jaringan saraf yang digunakan untuk menentukan berbagai hasil disesuaikan untuk memperkuat perilaku yang diinginkan secara positif, dan memperkuat perilaku yang tidak diinginkan secara negatif.) Akhirnya, lengan-lengan ini belajar untuk berhasil mengambil objek lebih dari 70 persen dari waktu. Ketika Peter menunjukkan kepada saya sebuah video suatu hari tentang lengan robot yang tidak hanya meraih ke bawah untuk meraih balok Lego kuning, tetapi juga menyingkirkan objek lain agar bisa membidiknya dengan jelas, saya tahu kami telah mencapai titik balik yang sesungguhnya. Robot itu tidak diprogram secara eksplisit, menggunakan heuristik tradisional, untuk melakukan gerakan itu. Ia telah belajar melakukannya.
Tapi tetap saja—tujuh robot bekerja selama berbulan-bulan untuk mempelajari cara mengangkat bebek karet? Itu tidak akan berhasil. Bahkan ratusan dari robot yang berlatih untuk bertahun-tahun tidak akan cukup untuk mengajarkan robot melakukan tugas-tugas pertama mereka yang berguna di dunia nyata. Jadi kami membangun simulator berbasis cloud dan, pada tahun 2021, menciptakan lebih dari 240 juta contoh robot dalam simulasi.
Bayangkan simulator sebagai gim video raksasa, dengan model fisika dunia nyata yang cukup realistis untuk mensimulasikan berat suatu benda atau gesekan suatu permukaan. Ribuan robot simulasi akan menggunakan input kamera simulasi dan tubuh simulasi mereka, yang dimodelkan berdasarkan robot sungguhan, untuk melakukan tugas mereka, seperti mengambil cangkir dari meja. Saat dijalankan sekaligus, mereka akan mencoba dan gagal jutaan kali, mengumpulkan data untuk melatih algoritme AI. Setelah robot menjadi cukup baik dalam simulasi, algoritme ditransfer ke robot fisik untuk melakukan pelatihan akhir di dunia nyata sehingga mereka dapat mewujudkan gerakan baru mereka. Saya selalu menganggap simulasi sebagai robot yang bermimpi sepanjang malam dan kemudian bangun setelah mempelajari sesuatu yang baru.
Ini Data, Bodoh
Hari ketika kita semua bangun dan menemukan ChatGPT, semuanya terasa seperti keajaiban. Sistem yang didukung AI tiba-tiba dapat menulis paragraf lengkap, menjawab pertanyaan rumit, dan terlibat dalam dialog berkelanjutan. Pada saat yang sama, kami juga mulai memahami keterbatasan mendasarnya: Diperlukan sejumlah besar data untuk menyelesaikannya.
Robot sudah memanfaatkan model bahasa yang besar untuk memahami bahasa lisan dan model penglihatan untuk memahami apa yang mereka lihat, dan ini menghasilkan video demo YouTube yang sangat bagus. Namun, mengajarkan robot untuk hidup dan bekerja secara mandiri bersama kita merupakan masalah data yang sangat besar. Meskipun ada simulasi dan cara lain untuk membuat data pelatihan, sangat tidak mungkin robot akan “bangun” dengan kemampuan yang sangat tinggi suatu hari nanti, dengan model dasar yang mengendalikan seluruh sistem.
Keputusan masih belum jelas tentang seberapa rumit tugas yang dapat kita ajarkan kepada robot untuk dilakukan hanya dengan AI. Saya yakin akan dibutuhkan ribuan, bahkan jutaan robot yang melakukan berbagai hal di dunia nyata untuk mengumpulkan cukup data guna melatih model e2e yang membuat robot melakukan hal lain selain tugas yang cukup sempit dan terdefinisi dengan baik. Membangun robot yang melakukan layanan yang bermanfaat—seperti membersihkan dan mengelap semua meja di restoran, atau merapikan tempat tidur di hotel—akan membutuhkan AI dan pemrograman tradisional untuk waktu yang lama. Dengan kata lain, jangan berharap robot akan berjalan di luar kendali kita, melakukan sesuatu yang tidak diprogramkan untuk mereka lakukan, dalam waktu dekat.
Tetapi Haruskah Mereka Terlihat Seperti Kita?
Kuda sangat efisien dalam berjalan dan berlari dengan empat kaki. Namun, kita merancang mobil yang memiliki roda. Otak manusia adalah komputer biologis yang sangat efisien. Namun, komputer berbasis chip tidak dapat bekerja seperti otak kita. Mengapa mobil tidak memiliki kaki, dan mengapa komputer tidak dimodelkan berdasarkan biologi kita? Maksud saya, tujuan membangun robot seharusnya bukan hanya sekadar meniru.
Saya mempelajari hal ini suatu hari dalam sebuah pertemuan dengan sekelompok pemimpin teknis di Everyday Robots. Kami duduk di sekitar meja konferensi dan berbincang-bincang tentang apakah robot kami harus memiliki kaki atau roda. Diskusi semacam itu cenderung lebih mengarah pada perdebatan keagamaan daripada perdebatan berbasis fakta atau ilmiah. Sebagian orang sangat yakin bahwa robot harus terlihat seperti manusia. Alasan mereka bagus. Kami telah merancang tempat-tempat di mana kami tinggal dan bekerja untuk mengakomodasi kami. Dan kami memiliki kaki. Jadi mungkin robot juga harus memilikinya.
Setelah sekitar 30 menit, manajer teknik paling senior di ruangan itu, Vincent Dureau, angkat bicara. Ia hanya berkata, “Saya rasa jika saya bisa sampai di sana, robot-robot itu juga pasti bisa sampai di sana.” Vincent duduk di kursi rodanya. Ruangan itu menjadi sunyi. Perdebatan itu berakhir.
Faktanya, kaki robot sangat rumit secara mekanis dan elektronik. Kaki robot tidak bergerak terlalu cepat. Kaki robot cenderung membuat robot tidak stabil. Kaki robot juga tidak terlalu hemat daya dibandingkan dengan roda. Saat ini, ketika saya melihat perusahaan mencoba membuat robot humanoid—robot yang mencoba meniru bentuk dan fungsi manusia secara dekat—saya bertanya-tanya apakah itu merupakan kegagalan imajinasi. Ada begitu banyak desain yang dapat dieksplorasi melengkapi manusia. Mengapa menyiksa diri sendiri dengan berusaha meniru? Di Everyday Robots, kami mencoba membuat morfologi robot sesederhana mungkin—karena semakin cepat robot dapat melakukan tugas di dunia nyata, semakin cepat kami dapat mengumpulkan data yang berharga. Komentar Vincent mengingatkan kami bahwa kami perlu berfokus pada masalah yang paling sulit dan paling berdampak terlebih dahulu.
Tugas Meja
Saya sedang berada di meja saya ketika salah satu robot berlengan satu dengan kepala berbentuk persegi panjang dengan sudut membulat menggulung, menyapa saya dengan namanya, dan bertanya apakah ia bisa merapikan. Saya menjawab ya dan minggir. Beberapa menit kemudian, ia telah mengambil beberapa gelas kertas kosong, gelas es teh bening dari Starbucks, dan bungkus plastik Kind Bar. Ia menjatuhkan barang-barang ini ke dalam nampan sampah yang menempel di alasnya sebelum berbalik ke arah saya, mengangguk, dan menuju ke meja sebelah.
Layanan meja rapi ini merupakan tonggak penting: Layanan ini menunjukkan bahwa kami membuat kemajuan yang baik pada bagian teka-teki robotika yang belum terpecahkan. Robot-robot tersebut menggunakan AI untuk melihat orang dan objek dengan andal! Benjie Holson, seorang insinyur perangkat lunak dan mantan dalang yang memimpin tim yang menciptakan layanan ini, adalah seorang pendukung pendekatan hibrida. Ia tidak menentang tugas-tugas yang dipelajari secara menyeluruh, tetapi hanya memiliki satu tujuan: mari kita coba membuat mereka melakukan sesuatu yang berguna.Sekarang sikap. Jika para peneliti ML memecahkan beberapa tugas e2e lebih baik daripada yang dapat diprogram oleh timnya, mereka akan menarik algoritma baru ke dalam tabung mereka.
Saya sudah terbiasa dengan robot-robot kami yang berkeliling, melakukan tugas-tugas seperti merapikan meja. Kadang-kadang saya melihat seorang pengunjung atau teknisi yang baru saja bergabung dengan tim. Mereka akan menunjukkan ekspresi heran dan gembira di wajah mereka saat melihat robot-robot itu melakukan tugas mereka. Melalui mata mereka, saya teringat betapa barunya hal ini. Seperti yang dikatakan kepala desain kami, Rhys Newman, saat suatu hari ada robot yang lewat (dengan aksen Welsh-nya), “Ini sudah menjadi hal yang biasa. Aneh, bukan?”
Catie Cuan, seniman residen Everyday Robot, menari dengan robot.
Hanya Menari
Para penasihat kami di Everyday Robots termasuk seorang filsuf, seorang antropolog, seorang mantan pemimpin buruh, seorang sejarawan, dan seorang ekonom. Kami dengan bersemangat memperdebatkan pertanyaan-pertanyaan ekonomi, sosial, dan filosofis seperti: Jika robot hidup berdampingan dengan kita, apa dampak ekonominya? Bagaimana dengan dampak jangka panjang dan jangka pendek pada tenaga kerja? Apa artinya menjadi manusia di era mesin-mesin cerdas? Bagaimana kita membangun mesin-mesin ini dengan cara yang membuat kita merasa diterima dan aman?
Pada tahun 2019, setelah memberi tahu tim saya bahwa kami sedang mencari seniman residen untuk melakukan beberapa hal-hal yang kreatif, aneh, dan tak terduga dengan robot kami, saya bertemu Catie Cuan. Catie sedang menempuh pendidikan doktoralnya di bidang robotika dan AI di Stanford. Yang menarik perhatian saya adalah bahwa ia pernah menjadi penari profesional, dan tampil di tempat-tempat seperti Metropolitan Opera Ballet di NYC.
Anda mungkin pernah melihatnya Video robot menari di YouTube—pertunjukan di mana robot melakukan serangkaian gerakan yang telah diprogram sebelumnya, yang disinkronkan dengan musik. Meskipun menyenangkan untuk ditonton, tarian ini tidak jauh berbeda dengan apa yang akan Anda alami di wahana Disneyland. Saya bertanya kepada Catie bagaimana jadinya jika robot dapat berimprovisasi dan berinteraksi satu sama lain seperti yang dilakukan manusia. Atau seperti kawanan burung, atau kawanan ikan. Untuk mewujudkannya, ia dan beberapa teknisi lainnya mengembangkan algoritma AI yang dilatih berdasarkan preferensi seorang koreografer. Tentu saja, itu adalah Catie.
Sering kali pada malam hari dan terkadang akhir pekan, saat robot tidak sibuk melakukan tugas harian mereka, Catie dan tim dadakannya akan mengumpulkan selusin robot di atrium besar di tengah X. Kawanan robot mulai bergerak bersama, terkadang tersendat-sendat, tetapi selalu dalam pola yang menarik, dengan apa yang sering terasa seperti rasa ingin tahu dan terkadang bahkan keanggunan dan keindahan. Tom Engbersen adalah seorang ahli robotika dari Belanda yang melukis replika karya klasik di waktu luangnya. Dia memulai proyek sampingan yang berkolaborasi dengan Catie dalam eksplorasi tentang bagaimana robot yang menari dapat merespons musik atau bahkan memainkan alat musik. Pada satu titik dia mendapat ide baru: Bagaimana jika robot menjadi instrumen itu sendiri? Ini memicu eksplorasi di mana setiap sendi pada robot memainkan suara saat bergerak. Saat alasnya bergerak, ia memainkan suara bass; saat gripper dibuka dan ditutup, ia membuat suara bel. Saat kami mengaktifkan mode musik, robot menciptakan skor orkestra unik setiap kali mereka bergerak. Baik saat mereka berjalan di lorong, memilah sampah, membersihkan meja, atau “menari” secara berkelompok, robot-robot tersebut bergerak dan bersuara seperti makhluk baru yang mudah didekati, tidak seperti apa pun yang pernah saya alami sebelumnya.
Ini Baru Permulaan
Pada akhir tahun 2022, percakapan menyeluruh versus hibrida masih berlangsung dengan baik. Peter dan rekan satu timnya, bersama kolega kami di Google Brain, telah berupaya menerapkan pembelajaran penguatan, pembelajaran imitasi, dan transformer—arsitektur di balik LLM—pada beberapa tugas robot. Mereka membuat kemajuan yang baik dalam menunjukkan bahwa robot dapat mempelajari tugas dengan cara yang membuatnya umum, tangguh, dan tangguh. Sementara itu, tim aplikasi yang dipimpin oleh Benjie berupaya mengambil model AI dan menggunakannya dengan pemrograman tradisional untuk membuat prototipe dan membangun layanan robot yang dapat digunakan di antara orang-orang dalam pengaturan dunia nyata.
Sementara itu, Project Starling, yang kemudian menjadi nama instalasi multi-robot milik Catie, telah mengubah perasaan saya terhadap mesin-mesin ini. Saya melihat bagaimana orang-orang tertarik pada robot-robot itu dengan rasa kagum, gembira, dan ingin tahu. Hal itu membantu saya memahami bahwa Bagaimana robot bergerak di antara kita, dan seperti apa suara mereka, akan memicu emosi manusia yang mendalam; itu akan menjadi faktor besar dalam bagaimana, bahkan jika, kita menyambut mereka dalam kehidupan kita sehari-hari.
Dengan kata lain, kami berada di titik puncak untuk benar-benar memanfaatkan taruhan terbesar yang telah kami buat: robot yang didukung oleh AI. AI memberi mereka kemampuan untuk mengerti apa yang mereka dengar (bahasa lisan dan tulisan) dan menerjemahkannya ke dalam tindakan, atau memahami apa yang mereka lihat (gambar kamera) dan menerjemahkannya ke dalam adegan dan objek yang dapat mereka lakukan. Dan seperti yang telah ditunjukkan oleh tim Peter, robot memiliki belajar untuk mengambil benda. Setelah lebih dari tujuh tahun, kami mengerahkan armada robot di beberapa gedung Google. Satu jenis robot melakukan berbagai layanan: membersihkan meja di kafetaria secara otomatis, memeriksa ruang konferensi, memilah sampah, dan banyak lagi.
Saat itulah, pada bulan Januari 2023, dua bulan setelah OpenAI memperkenalkan ChatGPT, Google menutup Everyday Robots, dengan alasan masalah biaya secara keseluruhan. Robot dan sejumlah kecil orang akhirnya mendarat di Google DeepMind untuk melakukan penelitian. Meskipun biayanya tinggi dan jangka waktunya panjang, semua orang yang terlibat terkejut.
Sebuah Keharusan Nasional
Pada tahun 1970, untuk setiap orang yang berusia di atas 64 tahun di dunia, terdapat 10 orang usia kerja. Pada tahun 2050, kemungkinan jumlahnya akan kurang dari empat. Kita kehabisan pekerja. Siapa yang akan merawat orang tua? Siapa yang akan bekerja di pabrik, rumah sakit, restoran? Siapa yang akan mengemudikan truk dan taksi? Negara-negara seperti Jepang, Tiongkok, dan Korea Selatan memahami urgensi masalah ini. Di sana, robot bukanlah pilihan. Negara-negara tersebut telah menjadikannya keharusan nasional untuk berinvestasi dalam teknologi robotika.
Memberikan AI sebuah badan di dunia nyata merupakan masalah keamanan nasional dan peluang ekonomi yang sangat besar. Jika perusahaan teknologi seperti Google memutuskan tidak dapat berinvestasi dalam upaya “moonshot” seperti robot bertenaga AI yang akan melengkapi dan melengkapi pekerja masa depan, lalu siapa yang akan melakukannya? Akankah Silicon Valley atau ekosistem startup lainnya melangkah maju, dan jika demikian, akankah ada akses ke modal jangka panjang yang sabar? Saya ragu. Alasan kami menyebut Everyday Robots sebagai moonshot adalah karena membangun robot yang sangat kompleks Sistem pada skala ini jauh melampaui apa yang selama ini mampu ditoleransi oleh perusahaan rintisan yang didanai modal ventura. Sementara AS unggul dalam AI, membangun perwujudan fisiknya—robot—memerlukan keterampilan dan infrastruktur yang telah digarap oleh negara lain, terutama Tiongkok.
Robot-robot itu tidak muncul tepat waktu untuk membantu ibu saya. Ia meninggal dunia pada awal tahun 2021. Percakapan kami yang sering terjadi menjelang akhir hidupnya semakin meyakinkan saya bahwa versi masa depan dari apa yang kami mulai di Everyday Robots akan segera hadir. Bahkan, hal itu tidak akan pernah cukup cepat. Jadi pertanyaan yang harus kita renungkan adalah: Bagaimana perubahan dan masa depan seperti ini bisa terjadi? Saya tetap penasaran dan khawatir.
Beri tahu kami pendapat Anda tentang artikel ini. Kirimkan surat kepada editor di alamat email:wired.com.
