“Organisme berusaha untuk tidak memproses informasi yang tidak mereka butuhkan karena pemrosesan tersebut sangat mahal, dalam hal energi metabolisme,” katanya. Polani tertarik untuk menerapkan pelajaran dari biologi ini ke jaringan luas yang menggerakkan robot agar mereka lebih efisien dalam mengolah informasi. Mengurangi jumlah informasi yang boleh diproses robot hanya akan membuatnya lebih lemah, tergantung pada sifat tugas yang diberikan kepadanya, katanya. Sebaliknya, mereka harus belajar menggunakan data yang mereka miliki dengan cara yang lebih cerdas.
Menyederhanakan perangkat lunak
Amazon, yang memiliki lebih dari 750.000 robot, armada robot terbesar di dunia, juga tertarik menggunakan AI untuk membantu mereka membuat keputusan yang lebih cerdas, lebih aman, dan lebih efisien. Robot Amazon sebagian besar terbagi dalam dua kategori: robot bergerak yang memindahkan stok, dan lengan robot yang dirancang untuk menangani objek. Sistem AI yang menggerakkan mesin ini mengumpulkan jutaan titik data setiap hari untuk membantu melatih mereka menyelesaikan tugas. Misalnya, mereka harus mempelajari barang mana yang harus diambil dan dipindahkan dari tumpukan, atau cara menghindari pekerja gudang manusia dengan aman. Proses ini membutuhkan banyak daya komputasi, yang dapat diminimalkan oleh teknik baru.
Umumnya, lengan robot dan robot “manipulasi” serupa menggunakan pembelajaran mesin untuk mencari tahu cara mengidentifikasi objek, misalnya. Kemudian mereka mengikuti aturan atau algoritma yang dikodekan secara ketat untuk memutuskan cara bertindak. Dengan AI generatif, robot yang sama ini dapat memprediksi hasil suatu tindakan bahkan sebelum mencobanya, sehingga mereka dapat memilih tindakan yang paling mungkin berhasil atau menentukan pendekatan terbaik untuk memegang objek yang perlu dipindahkan.
Sistem pembelajaran ini jauh lebih terukur daripada metode pelatihan robot tradisional, dan kombinasi AI generatif dan set data besar membantu menyederhanakan urutan tugas dan memangkas lapisan analisis yang tidak perlu. Di situlah penghematan daya komputasi berperan. “Kita dapat menyederhanakan perangkat lunak dengan meminta model untuk melakukan lebih banyak hal,” kata Michael Wolf, seorang ilmuwan utama di Amazon Robotics. “Kita memasuki fase di mana kita secara mendasar memikirkan kembali cara kita membangun otonomi untuk sistem robotik kita.”
Mencapai lebih banyak dengan melakukan lebih sedikit
Kompetisi RoboCup tahun ini mungkin sudah berakhir, tetapi Van de Molengraft tidak berpuas diri setelah timnya meraih kesuksesan gemilang. “Masih banyak aktivitas komputasi yang berlangsung di setiap robot yang sebenarnya tidak diperlukan pada setiap saat,” katanya. Ia sudah mulai mengerjakan cara-cara baru untuk membuat tim robotnya lebih malas lagi agar dapat mengungguli para pesaingnya tahun depan.
Meskipun robot saat ini masih jauh dari mampu menyamai efisiensi energi manusia, ia optimis bahwa para peneliti akan terus membuat kemajuan dan kita akan mulai melihat lebih banyak robot malas yang lebih baik dalam pekerjaan mereka. Namun, itu tidak akan terjadi dalam semalam. “Meningkatkan kesadaran dan pemahaman robot kita sehingga mereka dapat melakukan tugas mereka dengan lebih baik, baik itu sepak bola atau tugas lain di hampir semua bidang di lingkungan buatan manusia—itu adalah pekerjaan yang terus berlangsung,” katanya.
