Guru pertama sebuah robot bukanlah sebuah dataset. Melainkan lingkungannya.

Sebuah robot dapat dilatih dari jutaan contoh dan tetap saja menghadapi situasi yang belum pernah dilihatnya sebelumnya.
Sebuah permukaan ternyata lebih licin dari perkiraan, sebuah objek sedikit lebih berat, lantainya tidak rata, cengkeraman gagal, sebuah gerakan perlu dikoreksi di tengah eksekusi; dunia tidak mengikuti urutan yang benar-benar terskrip.
Di sinilah embodied intelligence mulai memisahkan diri dari robot konvensional #AI. A dataset can show a #—bukan hanya tentang seperti apa sebuah objek terlihat atau bagaimana sebuah aksi seharusnya terjadi, tetapi lingkungan nyata menghadirkan variabel yang tidak selalu bisa diprediksi sejak awal. Robot harus menanggapi apa yang benar-benar terjadi.
Itulah mengapa 𝗧𝗲𝗹𝗲𝗼𝗽𝗲𝗿𝗮𝘁𝗶𝗼𝗻 di dunia nyata begitu berharga. Operator manusia membawa kemampuan untuk menavigasi ketidakpastian dan beradaptasi terhadap kondisi yang sama sekali tidak diprogram secara eksplisit. Tindakan mereka mengekspos robot pada hubungan antara gerakan dan konsekuensi: apa yang terjadi saat cengkeraman terlalu lemah, lintasan sedikit meleset, atau rintangan tak terduga mengubah tugas.
@InvLambda sedang membangun di sekitar lapisan human-in-the-loop ini, menggunakan teleoperation untuk menciptakan data interaksi yang lebih kaya di antara lingkungan simulasi dan fisik. Operator manusia menyediakan kecerdasan yang adaptif; lingkungan robot menyediakan konsekuensinya; data yang dihasilkan menjadi fondasi untuk mengembangkan embodied AI yang lebih mumpuni.
Sebuah robot tidak bisa mempelajari kecerdasan fisik hanya dengan mempelajari apa yang sudah terjadi sebelumnya—robot harus menghadapi dunia, meresponsnya, dan belajar dari apa yang terjadi setelahnya.
#InvertedLambdaTheBreach #InvertedLambda #Robotics #Teleoperation #SecondContact #SecondContactTheBreach