Selama puluhan tahun, robot hanya memiliki spesialisasi sempit, umumnya menjalankan tugas berulang di lingkungan pabrik yang terstruktur. Kini, kecerdasan buatan (AI) merevolusi robotika—memperlengkapi robot untuk menafsirkan dan melaksanakan instruksi pengguna serta beradaptasi pada lingkungan yang dinamis.

Kita memasuki babak baru pertumbuhan pesat yang belum pernah terjadi: Citi memperkirakan 1,3 miliar robot akan beroperasi global pada 2035, meluas dari pabrik ke rumah tangga dan sektor jasa. Di sisi lain, Morgan Stanley memproyeksikan pasar robotika humanoid dapat bernilai USD 5 triliun pada 2050.

Pertumbuhan cepat ini membuka potensi pasar luar biasa, sekaligus menghadirkan tantangan sistemik tentang sentralisasi, kepercayaan, privasi, dan skalabilitas. Teknologi Web3 menawarkan solusi revolusioner—dengan memungkinkan jaringan robotika yang terdesentralisasi, terverifikasi, menjaga privasi, dan kolaboratif untuk mengatasi tantangan tersebut secara langsung.

Pada edisi ini, kami akan membahas evolusi rantai nilai AI robotika, khususnya pada robot humanoid, serta menggali peluang menarik dari konvergensi AI robotika dan teknologi Web3.

Rantai Nilai AI Robotika

Rantai nilai AI robotika terdiri atas empat lapisan utama: Hardware, Intelligence, Data, dan Agent. Tiap lapisan saling melengkapi, memungkinkan robot untuk mengenali, menalar, dan beraksi dalam situasi dunia nyata yang kompleks.

Dalam beberapa tahun terakhir, kemajuan besar terjadi pada lapisan hardware, diprakarsai pelopor industri seperti Unitree dan Figure AI. Namun, tantangan utama masih membayangi lapisan non-hardware—terutama terbatasnya dataset berkualitas tinggi, kurangnya model fondasi yang generalis, lingkungan interoperabilitas lintas-embodiment yang belum optimal, serta kebutuhan edge computing yang andal. Kesempatan terbesar kini terletak pada lapisan Intelligence, Data, dan Agent.

Lapisan Hardware: “Tubuh”

Pembangunan dan penerapan “tubuh robot” modern kini jauh lebih mudah. Lebih dari 100 tipe robot humanoid telah dipasarkan, termasuk Optimus milik Tesla, G1 dari Unitree, Digit dari Agility Robotics, dan Figure 02 dari Figure AI.

Sumber: Morgan Stanley, The Humanoid 100: Mapping the Humanoid Robot Value Chain.

Kemajuan ini didorong oleh inovasi di tiga komponen utama:

• Aktuator: Sebagai “otot” robot, aktuator mengubah perintah digital menjadi gerak presisi. Inovasi—seperti motor listrik berperforma tinggi untuk pergerakan cepat dan tepat serta Dielectric Elastomer Actuators (DEA) untuk tugas halus—secara signifikan meningkatkan ketangkasan robot. Ini tampak pada Optimus Gen 2 dari Tesla, yang memiliki 22 derajat kebebasan (DoF), dan G1 dari Unitree; keduanya menunjukkan kelincahan mendekati manusia dan mobilitas unggul.

Sumber: Robot humanoid terbaru Unitree beraksi dalam pertandingan tinju di WAIC 2025

• Sensor: Sensor canggih memungkinkan robot mengenali dan menafsirkan lingkungan lewat penglihatan, LIDAR/RADAR, sentuhan, dan audio. Teknologi ini mendukung navigasi aman, manipulasi presisi, serta meningkatkan kesadaran situasional robot.

• Embedded Computing: CPU, GPU, dan akselerator AI (seperti TPU, NPU) yang tertanam memproses data sensor secara real-time dan menjalankan model AI untuk pengambilan keputusan otonom. Konektivitas yang andal dan latensi rendah memungkinkan koordinasi mulus, sementara arsitektur hybrid edge–cloud membantu offload komputasi intensif sesuai kebutuhan.

  Lapisan Intelligence: “Otak”

  Seiring hardware berkembang, fokus beralih ke penciptaan “otak robot”: model fondasi yang tangguh serta kebijakan kontrol canggih.

  Sebelum AI diterapkan, robot hanya mengandalkan otomasi berbasis aturan dengan gerakan terprogram dan minim kecerdasan adaptif.

Kini, model fondasi mulai digunakan di robotika. Namun, Large Language Model (LLM) serbaguna belum cukup, karena robot perlu mengenali, menalar, dan bertindak di lingkungan fisik yang berubah-ubah. Untuk itu, industri mengembangkan model fondasi robotik end-to-end berbasis kebijakan. Berkat model ini, robot dapat:

• Mengenali: Mengambil data sensor multimodal mentah (visual, audio, sentuhan)
• Merencanakan: Mengestimasi kondisinya, memetakan lingkungan, dan menafsirkan instruksi kompleks—mengaitkan persepsi langsung menjadi aksi dengan minim rekayasa manual

• Bertindak: Menghasilkan rencana gerak dan perintah kontrol untuk eksekusi real-time

  Model-model ini mempelajari “kebijakan” umum untuk berinteraksi dengan dunia, memungkinkan robot beradaptasi ke ragam tugas serta menjadi lebih cerdas dan otonom. Model lanjutan memanfaatkan umpan balik kontinu, sehingga robot belajar dari pengalaman dan makin siap menghadapi lingkungan dinamis.

  

  Arsitektur fondasi utama saat ini untuk model fondasi robotik adalah Vision-Language-Action Model (VLA). Model VLA menghubungkan input sensor—utamanya data visual dan instruksi bahasa—langsung ke aksi robot, sehingga robot dapat merespon apa yang “dilihat” dan “didengar” dengan perintah kontrol yang sesuai. Contoh terkenal antara lain Google RT-2, NVIDIA Isaac GR00T N1, dan π0 dari Physical Intelligence (π).

  Agar model makin optimal, biasanya diintegrasikan pendekatan-pendekatan berikut:

• World Models: Membangun simulasi internal lingkungan fisik agar robot mempelajari perilaku kompleks, memprediksi hasil, dan merencanakan aksi. Google baru-baru ini meluncurkan Genie 3, world model serbaguna yang menciptakan keragaman lingkungan interaktif luar biasa.

• Deep Reinforcement Learning: Membantu robot belajar perilaku melalui trial and error.
• Teleoperation: Memungkinkan pengendalian jarak jauh dan menyediakan data pelatihan.

• Pembelajaran dari Demonstrasi (LfD) / Imitation Learning: Mengajari robot keterampilan baru lewat peniruan aksi manusia.

  Berikut ilustrasi tingkat tinggi kontribusi pendekatan-pendekatan tersebut pada model fondasi robotik.

Sumber: World models: the physical intelligence core driving us toward AGI

Inovasi open source seperti π0 oleh Physical Intelligence (π) dan NVIDIA Isaac GR00T N1 menandai kemajuan signifikan. Akan tetapi, mayoritas model fondasi robotik tetap terpusat dan closed source. Perusahaan seperti Covariant, Tesla dan lainnya masih menahan kode serta dataset proprietary, sebab insentif untuk keterbukaan belum cukup kuat.

Minimnya transparansi ini menghambat kolaborasi dan interoperabilitas lintas platform—menegaskan kebutuhan berbagi model yang aman dan transparan, standar on-chain berbasis komunitas, serta lapisan interoperabilitas lintas-embodiment. Pendekatan ini akan mendorong kepercayaan, kerja sama, dan kemajuan di bidang ini.

Lapisan Data: “Pengetahuan” bagi Otak Robot

Dataset robotika andal bertumpu pada tiga aspek: kuantitas, kualitas, dan keberagaman.

Walau upaya terus dilakukan, dataset robotika saat ini masih jauh dari memadai. Sebagai gambaran, OpenAI GPT-3 dilatih menggunakan 300 miliar token, sementara dataset open source robotika terbesar—Open X-Embodiment—hanya berisi sekitar 1 juta trajektori robot nyata dari 22 tipe robot. Jumlah ini masih terlalu kecil untuk generalisasi yang kuat.

Pendekatan proprietary—misal pabrik data Tesla, di mana pekerja memakai motion-capture suit untuk menghasilkan data pelatihan—memungkinkan pengumpulan data gerak dunia nyata. Namun, metode ini tetap mahal, terbatas keberagamannya, dan sulit diskalakan.

Untuk mengatasi kendala tersebut, robotika kini mengoptimalkan tiga sumber data utama:

• Data Internet: Luas dan mudah diperluas, tapi umumnya observasional dan kurang sinyal sensorimotor. Pretraining model vision-language (seperti GPT-4V, Gemini) dengan data internet memberi prior semantik dan visual yang bermanfaat. Penandaan video dengan label kinematik juga dapat mengubah data mentah jadi data pelatihan yang actionable.
• Data Sintetis: Dihasilkan melalui simulasi, data sintetis memungkinkan eksperimen besar dan skenario beragam, namun belum mampu menangkap kompleksitas dunia nyata sepenuhnya—fenomena ini dikenal sebagai sim-to-real gap. Peneliti mengatasinya dengan domain adaptation (data augmentation, domain randomization, adversarial learning) dan sim-to-real transfer, menyempurnakan model dengan uji nyata dan fine-tuning.

• Data Dunia Nyata: Walaupun mahal dan langka, data dunia nyata penting untuk pemodelan dan menjembatani gap simulasi-implementasi. Data berkualitas biasanya berupa sudut pandang egosentris (first-person)—menangkap apa yang “dilihat” robot saat bertugas—dan data gerak yang merekam aksi presisi. Data ini sering dikumpulkan lewat demonstrasi manusia/teleoperation menggunakan VR, motion capture, atau kinesthetic teaching, sehingga model belajar dari contoh nyata dunia.

  Studi membuktikan, gabungan data internet, dunia nyata, dan sintetis pada pelatihan robot mampu meningkatkan efisiensi dan ketangguhan model secara signifikan dibanding hanya satu sumber saja.

  Selain kuantitas, keberagaman data bahkan lebih penting—khususnya untuk generalisasi tugas dan embodiment robot baru. Mencapai keberagaman mengharuskan platform data terbuka dan kolaboratif, serta pengembangan dataset lintas-embodiment untuk mendukung berbagai tipe robot dan memperkuat model fondasi.

Lapisan Agent: “AI Agen Fisik”

Perkembangan AI agent fisik—robot otonom yang beraksi langsung di dunia nyata—kian pesat. Kemajuan pada aspek ini bergantung pada model yang dioptimalkan, pembelajaran berkelanjutan, dan adaptasi nyata sesuai setiap karakteristik robot.

Beberapa peluang baru untuk mempercepat pengembangan agent AI fisik diantaranya:

• Pembelajaran berkelanjutan dan infrastruktur adaptif: Sistem yang memungkinkan robot terus-menerus belajar melalui feedback real-time dan berbagi pengetahuan selama deployment
• Ekonomi agen otonom: Robot beroperasi sebagai entitas ekonomi independen—memperdagangkan sumber daya (komputasi, data sensor) di marketplace antar robot dan menghasilkan revenue melalui layanan tokenisasi
• Sistem multi-agent: Platform dan algoritma mutakhir yang memungkinkan armada robot berkoordinasi, berkolaborasi, dan mengoptimalkan perilaku kolektif

Konvergensi AI Robotika dan Web3: Membuka Pasar Besar

Ketika AI robotika bergerak dari ranah riset ke penerapan dunia nyata, berbagai hambatan mendasar—silo data dan model terpusat, kesenjangan kepercayaan dan asal-usul, kendala privasi dan regulasi, serta interoperabilitas yang lemah—menghambat inovasi, skalabilitas, dan kelangsungan ekosistem robotika.

Masalah Utama AI Robotika

• Data & Model Terpusat

  Model robotika memerlukan dataset besar dan beragam. Pengembangan data serta model saat ini masih terpusat, fragmented, dan mahal, sehingga sistem jadi terisolasi dan kurang adaptif. Robot yang diterapkan di lingkungan dunia nyata yang dinamis sering gagal performa akibat keterbatasan data dan ketahanan model.

• Kepercayaan, Provenance, dan Reliabilitas

  Ketiadaan rekam jejak transparan dan dapat diaudit untuk sumber data, pelatihan model, dan operasi robot merusak kepercayaan dan akuntabilitas—menjadi penghalang utama adopsi pengguna, regulator, dan korporasi.

• Privasi, Keamanan, dan Kepatuhan

  Aplikasi sensitif—seperti kesehatan dan robot rumah tangga—memerlukan perlindungan privasi optimal dan kepatuhan pada regulasi ketat, terutama di wilayah seperti Eropa (misal: GDPR). Infrastruktur terpusat kesulitan mendukung kolaborasi AI yang privasi-preserving, membatasi data sharing dan menghambat inovasi di sektor sensitif dan teregulasi.

• Skalabilitas & Interoperabilitas

  Sistem robotika menghadapi tantangan dalam berbagi sumber daya, pembelajaran bersama, dan integrasi di lintas platform serta embodiment yang berbeda—menciptakan fragmentasi efektivitas jaringan dan memperlambat transfer kemampuan ke berbagai tipe robot.

  AI Robotika x Web3: Solusi Struktural Penggerak Peluang Investasi

  Teknologi Web3 secara mendasar mengatasi problem ini dengan membangun jaringan robotika yang terdesentralisasi, terverifikasi, menjaga privasi, dan kolaboratif. Konvergensi ini membuka pasar baru yang layak diinvestasikan:

• Pengembangan kolaboratif terdemokratisasi: Jaringan berbasis insentif tempat robot berbagi data dan model serta membangun agen cerdas bersama

• Provenance & Akuntabilitas Terverifikasi: Blockchain menjamin rekam jejak data/model yang tidak bisa diubah, identitas robot, serta sejarah operasional—penting untuk kepercayaan dan kepatuhan.
• Kolaborasi privasi-preserving: Solusi kriptografi canggih memungkinkan robot melatih model bersama dan berbagi insights tanpa membuka data eksklusif/sensitif
• Tata kelola berbasis komunitas: DAO menghadirkan aturan dan kebijakan on-chain yang transparan serta inklusif untuk memandu dan mengawasi operasi robotika
• Interoperabilitas lintas-embodiment: Kerangka kerja blockchain terbuka memudahkan koordinasi antar berbagai platform, mengurangi biaya pengembangan dan mempercepat transfer kemampuan
• Ekonomi Agen Otonom: Infrastruktur Web3 memberdayakan robot sebagai agen ekonomi mandiri, menjalankan transaksi peer-to-peer, negosiasi, dan berpartisipasi di pasar tokenisasi tanpa intervensi manusia

• Jaringan Infrastruktur Fisik Terdesentralisasi (DePIN): Peer-to-peer sharing komputasi, sensing, storage, dan konektivitas berbasis blockchain meningkatkan skalabilitas serta ketahanan jaringan robotika

  Berikut beberapa proyek inovatif yang menandai momentum di bidang ini. Catatan, segala informasi hanya untuk tujuan edukasi dan bukan rekomendasi investasi.

• Pengembangan Data & Model Terdesentralisasi

  Platform Web3 mendemokratisasi proses pengumpulan data—kontributor mendapat insentif lewat motion-capture suit, sharing sensor, unggahan visual, anotasi, maupun pembuatan data sintetis untuk simulasi dan pelatihan. Pendekatan ini menghasilkan dataset dan model lebih kaya, beragam, dan representatif, jauh melampaui kemampuan satu perusahaan. Kerangka terdesentralisasi juga menambah cakupan edge-case, penting untuk robotika di lingkungan penuh ketidakpastian.

  Contoh:

• Frodobots: Protokol crowdsourcing dataset dunia nyata melalui robotic gaming. Mereka meluncurkan Earth Rovers, robot trotoar dan global “Drive to Earn”. Program ini berhasil menciptakan FrodoBots 2K Dataset: kumpulan footage kamera, data GPS, audio, dan data kontrol manusia sekitar ~2.000 jam tele-operated robot trotoar dari 10+ kota.

• BitRobot: Platform crypto-incentivized besutan FrodoBots Lab dan Protocol Labs di Solana, berarsitektur subnet. Dirancang untuk kolaborasi riset robotika dan AI global open source, BitRobot menyusun tiap subnet sebagai challenge terbuka; kontributor bisa mengirim model/data untuk meraih reward token, mendorong partisipasi dan inovasi berkelanjutan.
• Reborn Network: Lapisan fondasi ekosistem robot AGI terbuka. Produk Rebocap motion-capture suit memudahkan siapa saja merekam dan memonetisasi gerakan dunia nyata yang krusial untuk dataset terbuka dan robotika humanoid kompleks.

• PrismaX: Infrastruktur terdesentralisasi yang memastikan keragaman dan keaslian data lewat komunitas global kontributor serta mekanisme validasi dan insentif kuat untuk skala data visual besar.

• Proof of Provenance dan Reliabilitas

  Blockchain menghadirkan transparansi dan akuntabilitas total di ekosistem robotika: rekam jejak data/model terverifikasi, autentikasi identitas dan lokasi robot, serta log operasional dan partisipasi kontributor. Verification kolaboratif, reputasi on-chain, dan validasi berbasis stake menjaga kualitas data/model dari input rendah mutu/fraud.

  Contoh:

• OpenLedger: Infrastruktur AI-blockchain untuk pelatihan dan deployment model menggunakan dataset komunitas. Proof of Attribution memastikan kontributor data berkualitas mendapat reward adil.

• Kepemilikan, Lisensi, dan Monetisasi yang Ditokenisasi

  Alat IP native Web3 memungkinkan lisensi dataset khusus, kapabilitas robotik, model, dan agen cerdas secara tokenisasi. Kontributor dapat mengembedkan syarat lisensi pada aset mereka via smart contract, sehingga pembayaran royalti otomatis setiap kali data/model digunakan ulang/monetisasi. Pendekatan ini mendukung akses transparan tanpa izin dan memperkuat pasar terbuka yang setara untuk data dan model robotika.

  Contoh:

• Poseidon: Lapisan data terdesentralisasi full-stack yang dikembangkan di Story Protocol, berfokus pada IP, dan diinkubasi tim Story; dirancang untuk menyediakan data pelatihan AI berlisensi legal.

• Solusi Privasi yang Menjaga Kerahasiaan

  Data bernilai tinggi dari rumah sakit, hotel, atau rumah cenderung sulit didapat publik namun kaya konteks untuk meningkatkan performa model fondasi. Mengubah data privat menjadi aset on-chain menggunakan kriptografi membuat data bisa dilacak, digunakan komposisi, dan dimonetisasi tanpa kehilangan privasi. Teknologi seperti Trusted Execution Environments (TEE) dan Zero-Knowledge Proofs (ZKP) memungkinkan komputasi dan verifikasi hasil tanpa membuka data mentah. Dengan tools ini, pengembangan AI bisa dilakukan pada dataset sensitif yang tersebar, dengan tetap menjaga privasi dan kepatuhan regulasi.

  Contoh:

• Phala Network: Memungkinkan pengembang mendistribusikan aplikasi ke TEE untuk pengolahan AI dan data secara confidential.

• Tata Kelola Terbuka & Akuntabel

  Pelatihan robot kerap mengandalkan sistem proprietary black-box yang kurang transparan dan adaptif. Tata kelola terbuka dan terverifikasi kunci mengurangi risiko dan memperkuat kepercayaan pengguna, regulator, dan perusahaan. Web3 memungkinkan oversight on-chain berbasis komunitas dan pengembangan intelligence robotik open-source yang kolaboratif.

  Contoh:

• Openmind: Software stack AI native terbuka yang mempertemukan robot untuk berpikir, belajar, dan bekerja bersama. Mereka mengusulkan ERC7777 sebagai standar ekosistem robot yang verifiable, berbasis aturan, berfokus pada keamanan, transparansi, dan skalabilitas. Standar ini menentukan antarmuka manajemen identitas manusia dan robot, penegakan aturan masyarakat, tata kelola pendaftaran dan penghapusan peserta berikut hak serta kewajibannya.

Pemikiran Penutup
Ke depan, konvergensi AI robotika dan Web3 melahirkan era baru sistem otonom yang mampu beradaptasi dan kolaborasi besar-besaran. Dengan kemajuan hardware yang pesat, tiga hingga lima tahun ke depan menjadi masa krusial bagi pengembangan model AI yang lebih mampu, didukung dataset dunia nyata yang kaya dan koordinasi terdesentralisasi. Kami memperkirakan kemunculan AI agent spesialis di berbagai industri seperti hospitality, logistik, dan lainnya yang akan membuka peluang pasar baru yang besar.

Namun, meski prospek AI robotika-kripto sangat menarik, transisi ini menuntut solusi atas sejumlah tantangan; perancangan mekanisme insentif yang adil dan efektif sangat kompleks dan terus berkembang—harus memberi reward setara sekaligus mencegah eksploitasi. Kompleksitas teknis juga menjadi perhatian, dibutuhkan solusi robust dan scalable agar berbagai embodiment robot dapat terintegrasi mulus. Solusi privasi-preserving wajib benar-benar andal supaya membangun kepercayaan stakeholder, khususnya dalam penanganan data sensitif. Selain itu, lanskap regulasi berubah sangat cepat, sehingga perlu navigasi cermat demi kepatuhan lintas yurisdiksi. Mengatasi risiko serta menghasilkan nilai berkelanjutan sangat penting demi kemajuan berkesinambungan dan adopsi yang meluas.

Mari tetap aktif dan cermat mengikuti perkembangan—dengan kolaborasi, kita bisa mendorong kemajuan dan meraih peluang yang muncul di pasar yang tumbuh pesat ini.

Inovasi robotika adalah perjalanan yang paling efektif jika ditempuh bersama :)

Terima kasih kepada Chain of Thought Robotics & The Age of Physical AI atas insight yang sangat membantu penelitian ini.

Disclaimer:

1. Artikel ini merupakan reprint dari [merakiki.eth]. Hak cipta penuh ada pada penulis asli [@merakikieth">merakiki]. Jika ada keberatan, silakan hubungi Gate Learn untuk proses penanganan.
2. Disclaimer Tanggung Jawab: Seluruh opini dan pandangan dalam artikel ini sepenuhnya milik penulis dan tidak merupakan saran investasi.
3. Terjemahan artikel ke bahasa lain dilakukan oleh tim Gate Learn. Kecuali disebutkan, dilarang keras menyalin, mendistribusikan, atau memplagiasi artikel hasil terjemahan.