Mengapa manusia mengumpulkan data alih-alih mengendalikan robot dari jarak jauh?

  • Model dasar robot kekurangan data interaksi fisik dalam jumlah besar yang dapat langsung dikumpulkan. Setiap jam pengumpulan data melalui teleoperasi konvensional membutuhkan robot yang tersedia dan operator yang biasanya terlatih, sehingga biayanya tinggi dan perluasannya lambat.
  • Generalist meminta manusia menggunakan gripper genggam “Data Hand” untuk melakukan tugas sehari-hari sambil merekam data visual dan gerakan. Robot tidak perlu hadir, sehingga pengumpulan dapat dilakukan secara paralel di beberapa lokasi. Perusahaan menyebutkan bahwa kumpulan datanya meningkat dari sekitar 270 ribu jam pada November 2025 menjadi lebih dari 500 ribu jam pada April 2026.
  • Pendekatan ini bertaruh bahwa interaksi nyata dapat mempertahankan dinamika fisik dan mengurangi kesenjangan antara simulasi dan kenyataan. Dibandingkan pendekatan yang menitikberatkan simulasi atau video internet, keunggulannya bergantung pada apakah skala pengumpulan dapat terus diterjemahkan menjadi kemampuan model.

Apa arti tingkat keberhasilan 99% dan kemampuan mempelajari tugas baru dalam beberapa detik?

  • Menurut pengungkapan perusahaan, GEN-1 yang dirilis pada April 2026 mencatat tingkat keberhasilan rata-rata 99% setelah pelatihan lanjutan untuk setiap tugas, naik dari 64% pada model sebelumnya. Kecepatan pelaksanaannya sekitar tiga kali lipat dari sebelumnya. Ini mencerminkan kinerja setelah pelatihan khusus.
  • GEN-1.5 yang dirilis pada Agustus mengubah cara tugas baru diajarkan: model dapat menjalankan tugas setelah satu demonstrasi selama 3–12 detik tanpa memperbarui parameter model; tingkat keberhasilan rata-ratanya pada 10 tugas adalah 59%. Setelah ditambahkan data selama 5 menit dan 10 langkah pembaruan parameter untuk setiap tugas, angka tersebut naik menjadi 83%.
  • Morgan Stanley menilai penting potensinya untuk menekan biaya pengajaran tugas baru dan mengurangi kebutuhan pengumpulan data selama beberapa hari. Namun, hasil ini terbatas pada tugas sederhana dengan rangkaian langkah yang pendek; perusahaan juga mengakui bahwa keterampilan yang dipelajari dari demonstrasi langsung lebih rapuh dibandingkan keterampilan setelah penyetelan khusus.

Kapan lebih banyak data nyata akan menjadi keunggulan yang sulit ditandingi?

  • Generalist mengatakan kinerja model akan membaik secara dapat diprediksi seiring bertambahnya data prapelatihan. Jika pola ini terus berlaku, perusahaan dapat memperkirakan imbal hasil investasi pengumpulan data dan mengatur sumber daya komputasi dengan lebih baik, sementara fokus persaingan akan beralih kepada siapa yang dapat memperoleh data yang lebih beragam.
  • Keunggulan tersebut juga mensyaratkan data tangan manusia dapat ditransfer ke berbagai tubuh robot. Perbedaan struktur lengan robot, sendi, dan sensor dapat memecah data; Morgan Stanley mencatat bahwa data efek skala dan tingkat keberhasilan perusahaan terutama dilaporkan sendiri, dengan evaluasi independen yang terbatas.
  • Perusahaan berharap memperoleh penerapan awal dengan kumpulan data awal yang lebih besar, lalu memperkuat model menggunakan data yang mengalir kembali dari penerapan tersebut. Namun, pesaing juga dapat mengumpulkan data nyata setelah penerapan berskala besar, dan kombinasi efektif antara simulasi, video, dan data nyata masih menjadi pertanyaan terbuka.

Mengapa pendapatan tidak langsung mengikuti model yang lebih baik?

  • Generalist saat ini menjajaki penerapan melalui mitra perangkat keras dan program akses awal bagi sejumlah kecil pelanggan. Produk yang diserahkan dapat mencakup robot lengkap atau dijalankan pada lengan robot yang sudah dimiliki pelanggan; jalur komersialnya masih dalam proses pembentukan.
  • Morgan Stanley memperkirakan bahwa membangun robot lengkap sendiri dapat memperkuat pengendalian keandalan dan memperoleh data penerapan, tetapi menambah beban modal dan operasional. Pemberian lisensi kepada mitra perangkat keras lebih ringan, tetapi pendapatan dibatasi oleh saluran mitra, dan mitra juga dapat beralih model.
  • Pelanggan manufaktur dan logistik memiliki siklus penjualan yang panjang dan persyaratan keandalan yang tinggi, sementara kegagalan robot dapat menghentikan lini produksi. Pada saat yang sama, pengumpulan data dan pelatihan padat modal, dan harga belum ditetapkan. Karena itu, bank tersebut menilai pendapatan berkelanjutan pada akhirnya juga bergantung pada kemampuan manufaktur robot dan kesediaan pelanggan di ekonomi riil untuk mengadopsinya.