Mesin otonom diharapkan mengubah berbagai industri, tetapi bottleneck memori, batasan daya, arsitektur khusus, dan persyaratan keamanan memaksa para perancang chip untuk memikirkan ulang seluruh sistem.
Poin-poin:
- Hanya meningkatkan daya pemrosesan tidak dapat menyelesaikan bottleneck AI fisik. Kapasitas pemrosesan harus seimbang dengan bandwidth memori, antarmuka yang efisien, pasokan daya yang cukup, dan kemampuan pendinginan.
- Arsitektur sistem yang disesuaikan dengan fungsi dan lingkungan akhir diperlukan untuk AI fisik.
- Real implementation depends on rigorous validation: covering edge cases, understanding system behavior, and verifying security.
AI fisik sedang menuju penerapan luas, tetapi untuk membangun sistem yang didorong oleh sensor ini, tim teknik harus secara bersamaan dan terus-menerus menyelesaikan berbagai tantangan teknis.
Analis memperkirakan pasar AI fisik akan mengalami pertumbuhan signifikan. Sistem otonom diharapkan secara mendasar mengubah sektor transportasi, manufaktur, kesehatan, energi, dan lainnya. Strategy&, bagian dari PwC, memperkirakan bahwa pada tahun 2030, ukuran pasar global AI fisik dapat mencapai sekitar 430 miliar euro, mencerminkan potensi bisnis sistem otonom di berbagai industri.
Licinio Sousa, Direktur Senior IP Interface AI Fisik untuk Otomotif di Synopsys, mengatakan: "Sistem AI fisik sedang berkembang dari otomotif ke robot dan drone, dan hambatan pengembangan aplikasi ini mencakup seluruh sistem. AI sedang berpindah dari pusat data ke tepi; bagi mesin seperti robot, drone, dan kendaraan, dorongannya berasal dari otonomi, privasi, personalisasi, respons yang lebih cepat, serta pengurangan ketergantungan pada cloud."
Daftar tantangan teknis yang perlu diatasi sangat panjang dan saling terkait. Kapasitas memori dan bandwidth perlu ditingkatkan, latensi dan konsumsi daya perlu diturunkan, masa pakai produk perlu diperpanjang, dan keamanan perlu diverifikasi. Lebih sulit lagi, menyelesaikan salah satu masalah tersebut dapat menyebabkan munculnya masalah baru di tempat lain.
Arsitektur khusus
Untuk mengatasi bottleneck tingkat sistem ini, diperlukan perangkat keras dan perangkat lunak yang sangat spesifik dan dioptimalkan untuk kasus penggunaan tertentu.
Michal Siwinski, Wakil Presiden Senior Arteris, Chief Product & Marketing Officer, dan General Manager Solusi Keamanan, mengatakan: “Kita perlu mulai membicarakan komputasi yang lebih dioptimalkan dan lebih disesuaikan untuk workload tertentu—inilah yang membuat AI fisik menjadi lebih menarik. Workload semacam itu harus sangat dioptimalkan untuk perangkat keras. Pada dasarnya, kita kembali ke makna tradisional ASIC—ASIC seharusnya memang sangat spesifik aplikasi dan sangat dioptimalkan, bukan bersifat umum. Saat ini sudah ada beberapa tren seperti ini yang mulai muncul. Yang akan sangat menarik adalah melihat bagaimana sistem yang lebih fleksibel, yang ditujukan untuk aplikasi sangat spesifik, akan berkembang di antara perangkat lunak, perangkat keras, dan workload, serta terus berkembang karena model berubah jauh lebih cepat.”
Vasanthan Karunanithy, arsitek sistem di bisnis otomotif Micron Technology, menyatakan dalam Automotive Forum JEDEC terbaru: "Robot bukanlah stack AI baru. Dari sistem ADAS, robot mewarisi persepsi real-time, perencanaan jalur, dan kontrol gerak. Dari lemari pintar, robot mewarisi pemahaman bahasa alami, penalaran kontekstual, dan interaksi manusia-mesin. Dalam kecerdasan tubuh, tantangan yang lebih besar adalah menjalankan kedua jenis beban kerja ini secara bersamaan, lalu bertukar informasi pada akhirnya. Jadi inilah kesamaan antara dua segmen ini. Namun, ada perbedaan yang mencerminkan skala saluran. Kendaraan otonom beroperasi di lingkungan jalan yang relatif terstruktur dan mendapatkan energi dari sumber daya yang lebih besar—baterai kendaraan. Namun, ketika melihat robot, mereka beroperasi di lingkungan tiga dimensi yang tidak terstruktur. [Robot] juga harus mempertahankan beberapa derajat kebebasan, mengendalikan objek, menjaga keseimbangan, serta memahami perintah dalam instruksi. Dibandingkan mobil, robot harus melakukan semua ini dengan sumber daya listrik yang jauh lebih terbatas."
Perbedaan-perbedaan ini bervariasi secara signifikan antar aplikasi. Kendaraan otonom beroperasi di dalam infrastruktur lalu lintas yang sudah ada, tetapi harus menghadapi kondisi jalan yang tidak dapat diprediksi. Sebaliknya, robot bergerak dan robot humanoid mungkin perlu bernavigasi di lingkungan yang lebih tidak terstruktur, mengkoordinasikan pengendalian dan keseimbangan, serta beroperasi di bawah anggaran konsumsi daya yang lebih terbatas. Sementara itu, robot industri mungkin beroperasi di lingkungan terkendali dan terhubung ke sumber daya tetap. Perbedaan-perbedaan ini membuat sulit untuk mengoptimalkan satu arsitektur tunggal untuk semua bentuk AI fisik.

Desainer harus membangun arsitektur sistem berdasarkan persyaratan ini sejak awal.
Sousa menyatakan: "Seiring dengan berkembangnya beban kerja dan model, kami melihat munculnya silicon khusus yang dirancang untuk memenuhi kebutuhan spesifik setiap jenis mesin. Pelanggan kami terus menghadapi permintaan akan model VLA (visual-language-action) canggih. Di tingkat perangkat keras, ini berarti komputasi dan mesin AI yang lebih padat. Sementara itu, cakupan use case terlalu luas, sehingga arsitektur monolitik tunggal menjadi semakin sulit diterapkan, sehingga beralih ke solusi chiplet, di mana komputasi, AI, memori, dan I/O dapat diperluas sesuai use case spesifik melalui antarmuka UCIe."
Chiplet menyediakan jalur potensial untuk platform AI fisik yang dapat diskalakan, terutama ketika kebutuhan komputasi hibrida, memori, dan I/O cukup besar untuk membenarkan penggunaan packaging canggih. Namun, chiplet juga dapat meningkatkan biaya dan kompleksitas karena kebutuhan akan packaging khusus, manajemen panas, dan komunikasi die-to-die. Untuk sistem yang lebih kecil, sangat terintegrasi, dan terbatas oleh konsumsi daya, ukuran, serta biaya, SoC monolitik mungkin lebih cocok.
Batasan-batasan ini juga berlaku untuk perangkat keras dan perangkat lunak. Menurut Sathish Balasubramanian, Head of Product untuk EDA AI dan Solido dari Siemens EDA: “Sensor akan lebih fokus pada use case; Anda perlu memastikan memiliki use case yang baik, yang disesuaikan, serta Anda juga memerlukan lapisan perangkat lunak di atasnya. Saya selalu bercanda bahwa segala sesuatu di dunia nyata bersifat analog, dan kami berusaha mengabstraksikannya menjadi digital, sehingga salah satu hal terpenting adalah redundansi. Sensor sudah cukup baik. Kita dapat mendeteksi visual, panas, tekanan, dan segala hal lainnya. Kita juga sudah sangat baik dalam radar dan aspek lainnya. Yang lebih penting adalah memastikan sensor dapat beroperasi di lingkungannya, dengan cara yang tidak benar-benar menurunkan kinerja, atau dengan membangun redundansi.”
Namun, efek redundansi akan berbeda tergantung pada apakah komponen dapat gagal secara independen dan apakah sistem dapat mengenali serta merespons kegagalan. Hanya menambahkan sensor tidak menjamin operasi yang andal, terutama dalam kondisi lingkungan yang mungkin memengaruhi beberapa sensor secara bersamaan.
Menyesuaikan arsitektur komputasi berdasarkan beban kerja atau kasus penggunaan juga membawa trade-off. Yasmine King, Wakil Presiden Perusahaan Analog Devices dan Head of Automotive Business, mengatakan: “Masalahnya adalah seberapa dekat kecerdasan harus berada dengan lokasi tempat persepsi terjadi—ada ketegangan di sini. Jika kecerdasan didistribusikan di seluruh sistem, pembaruan akan menjadi lebih kompleks. Sentralisasi memungkinkan pembaruan OTA melalui satu titik, memudahkan patch dan perbaikan, tetapi ketika Anda membutuhkan respons cepat terhadap data ini, hal itu dapat menimbulkan masalah latensi. Di dalam kendaraan, jika seorang pejalan kaki tiba-tiba berlari ke depan mobil, Anda perlu mampu merespons dengan sangat cepat. Jadi, di mana lokasi kecerdasan ditempatkan, tergantung pada jenis informasi sensor yang ingin Anda kumpulkan, dan seberapa cepat Anda perlu bereaksi.”

Yasmine King berbicara pada 27 Oktober 2026 di Reuters Automotive 2026.
Penempatan cerdas adalah keputusan arsitektural yang melibatkan lebih dari sekadar kinerja komputasi. Ini memerlukan keseimbangan antara waktu respons, bandwidth komunikasi, konsumsi daya, kemampuan pembaruan, dan koordinasi komponen terdistribusi. Komputasi terpusat dapat menyederhanakan manajemen, sementara pemrosesan lokal dapat mengurangi latensi komunikasi dan mempertahankan fungsi penting saat koneksi terputus.
"Memory wall" dari AI fisik
Kapasitas memori, bandwidth, latensi, dan konsumsi energi adalah bottleneck utama dalam AI fisik; beberapa teknologi memori juga mungkin menghadapi kendala pasokan. Tantangan sejati bukanlah sekadar menambah jumlah perangkat memori yang cukup, tetapi merancang sub-sistem memori yang mampu menyediakan data untuk beban kerja AI yang semakin menuntut dalam batasan daya dan panas yang ketat.
Sousa menyatakan: "Bilangan miliar parameter model terkait juga perlu disimpan dan ditransmisikan di antara penyimpanan, memori, dan unit pemrosesan. Saat ini, hal ini disebut 'dinding memori'. Seiring dengan terus meningkatnya penggunaan memori, DRAM memerlukan antarmuka ultra-cepat, seperti LPDDR6, agar tidak lagi menjadi hambatan pemrosesan."
Kinerja juga bergantung pada pola akses, latensi, pemanfaatan ulang data, kapasitas cache, efisiensi controller memori, serta energi yang diperlukan untuk memindahkan data. Jika beban kerja dibatasi oleh bagian lain dari hierarki memori, maka manfaat dari peningkatan bandwidth mentah semata mungkin terbatas.
Desain sistem yang ditujukan untuk beban kerja dapat membantu meringankan sebagian beban memori. Balasubramanian mengatakan: “Ukuran memori yang tepat, ukuran komputasi yang tepat, redundansi, dan semua hal yang harus masuk ke dalam anggaran panas dan konsumsi daya akan sangat penting. Yang paling penting, ukuran itu penting. Anda tidak akan memasang tangki bahan bakar 100 galon ke dalam Prius. Yang Anda butuhkan adalah tangki bahan bakar 10 galon. Saya menggunakan analogi ini untuk menjelaskan memori. Anda dapat mengelolanya dengan cara yang tidak memerlukan DRAM besar, tetapi Anda dapat memiliki cache yang cukup baik dan SRAM bawaan. Selalu mungkin menyimpan kebutuhan kritis ke dalam DRAM, tetapi saat diperlukan, Anda dapat memindahkan hal-hal lain ke flash atau SRAM. Dari segi jalur memori, dari DRAM ke SRAM, lalu ke komputasi aktual, hingga mencapai AI fisik secara nyata, konsistensi cache akan sangat penting.”
Kompromi antara teknologi memori ini sangat besar. SRAM dan cache on-chip menyediakan akses cepat untuk data yang sering digunakan, tetapi kapasitasnya dibatasi oleh luas silikon dan biaya. DRAM eksternal menyediakan kapasitas yang lebih besar, sementara flash memberikan penyimpanan non-volatile untuk model, perangkat lunak, dan informasi lain yang tidak perlu tetap berada di memori aktif.
Memindahkan informasi di antara lapisan-lapisan ini dapat mengurangi sebagian kebutuhan kapasitas, tetapi akan meningkatkan overhead transmisi dan latensi. Sementara itu, konsistensi cache berfokus pada menjaga keselarasan salinan data di cache dan memori, bukan hanya memindahkan informasi di antara berbagai teknologi penyimpanan, tetapi ini juga menimbulkan lebih banyak overhead. Oleh karena itu, insinyur harus mempertimbangkan ukuran working set, lokalitas data, dan frekuensi akses saat menentukan berapa banyak memori yang ditempatkan di setiap lapisan.
Inovasi memori mobil kemungkinan besar akan memainkan peran penting dalam cara menyelesaikan masalah AI fisik.
Senior Director of Product Management di Imagination Technologies, Rob Fisher, mengatakan: "Saat ini, produk ini sangat terkait dengan lini produk otomotif kami, dan kami melihat sebagian besar permintaan dari sisi robotik berasal langsung dari sisi otomotif. Saat ini, banyak produsen mobil menargetkan chip mereka sebagai platform baik untuk otomotif maupun robotik, sehingga dukungan 4-bit, 6-bit, dan 8-bit akan sangat bermanfaat untuk bandwidth memori dan penggunaan memori pada aplikasi edge tertanam. Bagi pusat data, hal ini kurang krusial, tetapi dampaknya berbeda. Anda mungkin dapat menjalankan model yang lebih besar di pusat data dengan menggunakan lebar bit yang lebih kecil pada lebar kata. Sementara di aplikasi otomotif dan robotik, Anda justru dapat memanfaatkan hal ini dengan cara sebaliknya—yaitu penggunaan memori yang lebih kecil. Anda akan membatasi model agar hanya melakukan apa yang Anda butuhkan, lalu mengurangi memori dan bandwidth yang diperlukan untuk menampungnya."
Representasi dengan presisi lebih rendah dapat mengurangi kebutuhan penyimpanan model dan bandwidth memori, sehingga sangat menarik untuk AI embedded. Namun, manfaatnya bergantung pada apakah accelerator mampu mendukung format numerik yang dipilih secara efisien, serta apakah kuantisasi mampu mempertahankan presisi yang dibutuhkan aplikasi. Format seperti representasi 6-bit juga dapat memperkenalkan overhead pengemasan atau implementasi, yang membatasi manfaatnya pada perangkat keras yang tidak dirancang khusus untuknya.
Flash storage also plays a critical role in managing memory for autonomous systems.
Sousa menyatakan: “DRAM mengalami batasan dalam kapasitas, konsumsi daya, dan ketersediaan. Lebar pita penyimpanan yang lebih cepat dapat memperpendek waktu pemuatan, sehingga anggaran DRAM yang sama dapat mendukung model yang lebih besar. Sistem-sistem ini terus beroperasi dengan baterai, dan biasanya tidak memiliki pendingin aktif, sehingga setiap transmisi data mengonsumsi daya dan menambah latensi; oleh karena itu, setiap komponen—mekanis, elektronik, dan perangkat lunak—harus mengurangi konsumsi daya dan meningkatkan efisiensi. Antarmuka seperti MIPI, UFS, LPDDR, dan PCIe telah dilengkapi teknologi yang memastikan data burst dapat ditransmisikan dengan cepat, lalu beralih ke mode idle berdaya rendah dalam jangka panjang.”
Penyimpanan non-volatil yang lebih cepat dapat memperpendek latensi pemuatan model, dan ketika dikombinasikan dengan teknologi partisi model atau streaming bobot yang sesuai, memungkinkan sistem dengan DRAM terbatas untuk menjalankan beban kerja yang memerlukan total penggunaan model melebihi memori aktif yang tersedia. Namun, bandwidth penyimpanan sendiri tidak meningkatkan jumlah data yang dapat ditampung di DRAM pada setiap saat.
Antarmuka yang digunakan untuk mentransmisikan data ini juga berbeda dalam mekanisme manajemen daya dan karakteristik operasionalnya. Efisiensinya bergantung pada spesifikasi spesifik, cara implementasi, mode transmisi, serta peluang memasuki status hemat daya.
Jika pasar cukup besar, kebutuhan memori dari AI fisik pada akhirnya mungkin membuktikan perlunya pengembangan teknologi memori baru, atau varian dari teknologi yang sudah ada.
Steven Woo, insinyur dan penemu terkemuka Rambus, mengatakan: "Memori adalah teknologi kunci yang akan dibutuhkan oleh semua AI fisik. Perbedaannya adalah, beberapa pasar hanya akan memanfaatkan memori yang sudah ada, tetapi ada kemungkinan beberapa pasar akan tumbuh cukup besar hingga memerlukan jenis memori sendiri, atau varian dari memori yang sudah ada. Kita telah melihat hal ini pada HBM. Orang-orang awalnya menggunakan jenis memori lain, lalu pasar tiba-tiba menjadi besar. Jika kita kembali ke masa sebelum LPDDR muncul, ponsel hanya menggunakan perangkat DDR yang telah dipilih dan disortir, yang kebetulan hemat daya. Ketika pasar mencapai ukuran tertentu, orang akan berkata, 'Baiklah, mari kita buat perangkat khusus.' AI fisik berpotensi tumbuh menjadi pasar yang cukup besar, sehingga jika perbedaan permintaan cukup signifikan, mungkin akan muncul jenis memori lain."
Apakah spesialisasi ini akan terjadi akan bergantung pada skala dan konsistensi permintaan. Berbeda dengan pusat data, aplikasi AI fisik memiliki persyaratan yang sangat beragam dalam hal biaya, kapasitas, daya tahan, bandwidth, suhu, dan efisiensi energi. Keragaman ini mungkin membuat beberapa pasar lebih cenderung memodifikasi teknologi memori yang sudah ada, sementara pasar lain lebih cocok untuk solusi yang dirancang secara khusus.
Verifikasi kasus tepi
Memastikan sistem beroperasi dalam kondisi aman, termasuk dalam keadaan langka dan tak terduga, juga merupakan tantangan besar lainnya. Seiring pengembang AI fisik yang menargetkan mesin berat, peralatan medis, dan teknologi kunci keamanan lainnya, menyelesaikan masalah verifikasi menjadi sangat penting.
Balasubramanian mengatakan: “Sebelum membawa AI fisik ke lingkungan produksi apa pun, loop verifikasi yang perlu kita bangun sangat penting; saya akan mengatakan ini adalah hal paling penting yang perlu kita lakukan. Misalnya, terjadi pemadaman listrik skala besar, atau gempa bumi, kabel serat optik di dunia luar terputus, atau listrik mati? Bagaimana Anda mengelola skenario semacam ini di edge? Sangat penting untuk menyimpan beberapa bentuk komputasi, memori, dan kecerdasan di dekat sensor, dan cara orang mencapainya adalah dengan mengidentifikasi hal-hal paling penting menurut kebutuhan use case mereka. Di lingkungan industri, kapan saya perlu menghentikan jalur perakitan? Kapan saya perlu tahu bahwa saya harus menelepon kembali, memicu alarm, atau melakukan hal lain? Semua ini adalah hal-hal yang perlu ditangani di dalam sensor tunggal.”
Skenario-skenario ini menunjukkan bahwa fungsi-fungsi kritis keamanan tidak selalu dapat mengandalkan koneksi cloud yang berkelanjutan atau keputusan terpusat. Pemrosesan lokal mungkin diperlukan untuk mengenali gangguan, memicu tindakan perlindungan, atau membawa perangkat ke status aman yang telah ditentukan ketika sistem komunikasi atau daya gagal.
Namun, verifikasi dan validasi menangani bagian yang berbeda dari masalah tersebut. Verifikasi digunakan untuk memastikan bahwa desain memenuhi persyaratan yang telah ditetapkan, sedangkan validasi memeriksa apakah sistem berperforma sesuai di lingkungan operasional yang diharapkan. Keamanan juga mungkin memerlukan analisis bahaya, pengujian injeksi kegagalan, evaluasi kegagalan akibat penyebab bersama, serta bukti kesesuaian dengan standar yang berlaku.
Oleh karena itu, sistem harus membangun dan memverifikasi kepercayaan di sekitar stack perangkat keras dan perangkat lunak yang relevan, serta menyesuaikan persyaratan keamanan dengan setiap kasus penggunaan.
Owen Kent, co-founder dari startup robot asisten ATDev, mengatakan: “Ketika kami merancang produk untuk kursi roda, seperti halnya aplikasi AI fisik lainnya, kami memiliki kebutuhan spesifik. Anda harus benar-benar menguji perangkat keras hingga batasnya dalam sistem manajemen kualitas dan pengujian kompatibilitas elektromagnetik pihak ketiga. Terlepas dari perangkat keras apa yang Anda gunakan, apakah itu khusus atau tidak, Anda harus dapat memverifikasi keamanannya.”
Bagi pengembang, ini berarti tidak hanya mengevaluasi apakah komponen berfungsi dengan baik saat beroperasi normal, tetapi juga mengevaluasi respons sistem lengkap terhadap degradasi sensor, kegagalan komunikasi, input tak terduga, dan bahaya lain yang dapat diprediksi. Dalam banyak aplikasi, lulus pengujian tingkat komponen adalah syarat mutlak, tetapi ini sendiri tidak membuktikan keamanan tingkat sistem.
Kesimpulan
Batasan fisik AI benar-benar melintasi seluruh jalur dari persepsi hingga tindakan. Perancang harus menyesuaikan model dan perangkat keras dengan tugas, memindahkan data dalam batas konsumsi energi dan anggaran panas yang tersedia, serta memverifikasi perilaku mesin saat kondisi atau koneksi berubah. Hanya ketika bagian sistem lainnya mampu mendukungnya, peningkatan daya komputasi benar-benar bermanfaat.
Balasubramanian mengatakan: "Mulailah dari antarmuka standar, hemat daya, dan telah teruji, sepanjang jalur—dari sensor ke prosesor hingga aktuator. Mereka dapat memberikan perilaku yang dapat diprediksi, interoperabilitas ekosistem, dan blok bangunan yang telah diverifikasi secara silikon kepada para desainer."
Contoh terkait adalah MIPI Camera Security Framework, yang menggabungkan spesifikasi Camera Service Extensions (CSE) 2.0 dengan spesifikasi keamanan tambahan. CSE 2.0 mendukung perlindungan integritas data untuk data kamera CSI-2, serta enkripsi opsional; kerangka kerja yang lebih luas menangani otentikasi komponen sistem pencitraan dan pembentukan sesi aman.
Dia mengatakan: "Ini menyediakan keamanan end-to-end untuk data kamera, mencakup integritas, otentikasi, dan kerahasiaan dari sensor gambar hingga SoC. Ini juga memberikan opsi fleksibel kepada desainer untuk meminimalkan beban komputasi dan lalu lintas, konsumsi daya, serta latensi, sehingga keamanan dapat disesuaikan dengan aplikasi, bukan dirancang berdasarkan skenario terburuk."
Perbedaan ini penting karena kerahasiaan bersifat opsional, dan tingkat perlindungan tergantung pada layanan keamanan dan konfigurasi yang diterapkan. Kerangka kerja yang lebih luas memungkinkan pengembang untuk menyeimbangkan antara perlindungan dan overhead pemrosesan, konsumsi daya, serta latensi, daripada menerapkan perlindungan yang sama untuk setiap aliran data.
Membuat mesin otonom lebih kuat belum cukup. Mereka juga harus dapat beroperasi secara andal di bawah kendala dunia nyata. Untuk AI fisik, pilihan arsitektur yang dapat menghemat memori, daya, dan bandwidth juga harus mendukung perilaku yang dapat diprediksi, ketahanan, serta jaminan keamanan yang diperlukan untuk penyebaran skala besar.
Ekstensi pergerakan data untuk AI fisik: tidak ada satu solusi yang cocok untuk semua skenario.
Mendefinisikan ulang peran edge dan cloud AI: Kompetisi kecerdasan lokal sedang berlangsung.
Brendan Heffernan
