gprisma Sebuah robot dapat melakukan semua yang diminta kepadanya dan tetap meninggalkan kita dengan pertanyaan penting tentang apa yang terjadi selanjutnya. Itu karena pekerjaan fisik saling terhubung. Sebuah robot menyelesaikan satu tindakan, lalu tindakan berikutnya mengikuti. Robot lain mungkin membutuhkan ruang yang sama. Seseorang mungkin perlu mencapai area tersebut. Benda berikutnya mungkin sudah menunggu. Jadi, robot tidak hanya bertanggung jawab atas penyelesaian tugasnya sendiri. Cara ia menyelesaikan tugas juga dapat memengaruhi tugas yang mengikutinya. Itulah detail yang saya temukan menarik dalam episode ini (Episode #50981). Lengan-lengan akhirnya bergerak menjauh dari area yang baru saja mereka kerjakan, dan penyelesaian sederhana ini membuka gagasan yang jauh lebih besar tentang bagaimana kita seharusnya menilai Physical AI. [] Tugas yang selesai masih bisa menciptakan masalah Bayangkan sebuah robot menempatkan sampel tepat di tempat yang seharusnya, tetapi meninggalkan lengannya membentang di area yang perlu digunakan selanjutnya. Tugas pertama berhasil. Tugas kedua sekarang menghadapi masalah. Ini adalah perbedaan penting antara robot yang bekerja melalui demonstrasi terpisah dan robot yang bekerja terus-menerus di lingkungan nyata. Di laboratorium, pabrik, rumah sakit, atau ruang bersama lainnya, hampir tidak pernah ada reset bersih setelah setiap tugas. Robot menyelesaikan satu hal di dalam lingkungan yang sama tempat sesuatu yang lain harus terjadi. Artinya, keberhasilan tidak bisa hanya diukur dari posisi akhir benda tersebut. Kita juga perlu peduli pada kondisi yang ditinggalkan robot. [] Gerakan terakhir dapat memengaruhi sepuluh langkah berikutnya Ini menjadi semakin penting ketika tugas-tugas saling terhubung. Satu tindakan mungkin mempersiapkan sesuatu untuk tindakan lain. Satu robot mungkin perlu menyelesaikan tugasnya sebelum robot lain bisa masuk dengan aman ke area yang sama. Seseorang mungkin membutuhkan akses segera setelah mesin selesai. Jika robot pertama meninggalkan ruang dengan cara yang tidak nyaman, langkah berikutnya mungkin memerlukan gerakan tambahan, waktu tambahan, atau bahkan intervensi manusia. Ketidakefisienan kecil ini bisa berulang sepanjang alur kerja yang panjang. Beberapa detik yang tidak perlu di akhir satu tugas mungkin tidak terlalu berarti sekali saja. Namun, jika diulang ratusan atau ribuan kali, hal itu bisa menjadi masalah operasional nyata. [] Ruang bersama mengubah bentuk perilaku yang baik Ini adalah salah satu perbedaan besar antara perangkat lunak dan Physical AI. Proses perangkat lunak dapat selesai dan menghilang dari jalan. Robot fisik tetap menempati ruang. Lengannya memiliki posisi. Tubuhnya memiliki posisi. Benda-benda di sekitarnya juga memiliki posisi. Oleh karena itu, Physical AI harus belajar tidak hanya bagaimana mencapai tujuan, tetapi juga bagaimana beroperasi di sekitar segala sesuatu yang berbagi lingkungan yang sama. Itulah mengapa posisi akhir robot dapat membawa informasi yang berguna. Ini memberi tahu kita apakah robot memahami bahwa keberadaannya sendiri adalah bagian dari lingkungan kerja. [] Tugas berikutnya seharusnya tidak perlu membersihkan tugas sebelumnya Ada poin praktis lain di sini. Jika setiap tugas baru memerlukan manusia atau robot lain untuk terlebih dahulu menggeser robot sebelumnya, maka sebagian pekerjaan hanya dipindahkan ke tempat lain. Robot asli mungkin tetap mendapat nilai lulus karena menyelesaikan instruksinya. Namun, sistem yang lebih luas melakukan pekerjaan tambahan karena cara tugas itu berakhir. Untuk Physical AI masa depan, perbedaan ini penting. Kita menginginkan robot yang dapat berkontribusi pada alur kerja berkelanjutan, bukan robot yang menyelesaikan tindakan terpisah sambil meninggalkan orang lain untuk membuat lingkungan kembali dapat digunakan. [] Inilah mengapa akhir juga layak diverifikasi Validasi memberi kita kesempatan untuk melihat melampaui momen keberhasilan yang jelas. Bukti yang berguna bukan hanya apakah robot menangani benda yang tepat atau mencapai tempat yang tepat. Tetapi juga apa yang terjadi di sekitar tindakan itu dan apa yang ditinggalkan robot ketika ia selesai. Informasi ini menjadi berharga saat melatih robot untuk lingkungan di mana tugas-tugas saling terhubung, ruang dibagi bersama, dan kesalahan atau posisi buruk dapat memengaruhi apa yang terjadi selanjutnya. 👇👇