Pelatihan Ulang Biasa adalah Jalan Buntu bagi Robotika
Robot modern yang dibangun di atas model "vision-language-action" (VLA) yang menyeluruh dan model world-action memang mengesankan, selama bekerja di lingkungan yang sudah dikenal. Namun begitu pemandangan berubah — pencahayaan baru, tata letak berbeda, objek yang tidak biasa — model mulai membuat kesalahan. Untuk memulihkan keterampilan, harus mengumpulkan data baru, melatih ulang kebijakan, dan menjalankan pengujian regresi. Siklus ini disebut "pajak pelatihan ulang": setiap pembaruan lingkungan membutuhkan putaran baru pekerjaan manual yang mahal.
Keunikan robotika adalah data tidak bisa begitu saja diunduh dari internet. Pengalaman fisik harus diperoleh dengan mengendalikan mesin nyata — lambat dan mahal. Oleh karena itu, pendekatan "kumpulkan banyak data — latih — kumpulkan lebih banyak lagi" tidak berskala dengan baik.
Agen Alih-alih Kebijakan: Ide di Balik Teach-and-Grow Learning
Sekelompok peneliti (Chang Nie, Zhe Liu, Hesheng Wang) mengusulkan arsitektur Teach-and-Grow Learning (TGL) yang menggeser fokus dari pelatihan ulang ke penggunaan ulang pengalaman. Alih-alih melatih ulang model untuk setiap tugas baru, TGL membangun perpustakaan keterampilan — perilaku yang dapat digunakan kembali untuk sub-tujuan umum.
Semuanya dimulai dengan beberapa demonstrasi yang berhasil. Agen multimodal memecahnya menjadi blok-blok yang lengkap secara logis — Skill Blocks. Setiap blok bertanggung jawab atas satu langkah bermakna yang spesifik: mengambil objek, memindahkan, menempatkan, membuka tutup. Blok-blok ini disimpan di Skill Library sebagai program yang dapat dieksekusi.
Saat robot memasuki pemandangan baru, agen tidak menjalankan urutan yang dihafal sebelumnya, melainkan bernalar: keterampilan mana yang relevan di sini, bagaimana menyusunnya, alat mana yang digunakan — yang terlatih atau yang dihitung secara geometris. Kemudian ia mengeksekusi rencana, mengamati hasil fisik, dan jika perilaku menyimpang dari niat, ia mengoreksi jalurnya. Semua keberhasilan, kegagalan, dan koreksi dicatat dalam Experience Memory terstruktur yang membantu agen mengambil keputusan di lain waktu.
Mengapa Ini Berhasil: Pembelajaran sebagai Proses Berkelanjutan
Perbedaan utama TGL dari pendekatan klasik adalah sikapnya terhadap penerapan. Biasanya dianggap bahwa pembelajaran selesai ketika model "masuk ke lini produksi". Dalam TGL, penerapan itu sendiri menjadi periode pembelajaran berkelanjutan: setiap tugas yang diselesaikan mempermudah tugas berikutnya, karena agen mengumpulkan blok yang dapat digunakan kembali dan pengetahuan tentang penerapannya. Kebijakan baru untuk tugas spesifik tidak perlu dipelajari — cukup menggabungkan keterampilan yang ada dan mengoreksi pelaksanaannya jika perlu.
Para peneliti mengajukan hipotesis penskalaan: jika X adalah volume pengalaman yang dapat digunakan kembali secara efektif, maka kesalahan pada tugas masa depan dan kebutuhan pelatihan tambahan menurun mengikuti hukum pangkat, mendekati minimum yang tidak dapat dihilangkan. Dengan kata lain, semakin banyak keterampilan berguna yang terkumpul, semakin murah untuk menguasai kemampuan baru.
Apa yang Ditunjukkan Eksperimen
Evaluasi pada tolok ukur LIBERO menunjukkan hasil tingkat state-of-the-art. Studi terkontrol mengonfirmasi tiga sifat penting:
- induksi keterampilan — agen dapat mengekstrak blok yang dapat digeneralisasi dari demonstrasi, bukan sekadar menghafal lintasan;
- penggunaan ulang yang tangguh — keterampilan bekerja di pemandangan baru tanpa pelatihan ulang;
- adaptasi yang digerakkan agen — robot sendiri mendeteksi penyimpangan dan mengubah perilaku secara real-time.
Sebagai Penutup
Teach-and-Grow Learning adalah langkah menuju robot yang "tumbuh" bersama pengalaman, bukan terus-menerus dilatih ulang dari nol. Arsitektur ini sangat menjanjikan untuk industri dan robotika layanan, di mana lingkungan terus berubah dan setiap menit waktu henti peralatan memakan biaya. Jika hipotesis penskalaan hukum pangkat terkonfirmasi, biaya penerapan tugas robotik baru dapat turun drastis — dan saat itu, mesin adaptif tidak lagi menjadi hal yang eksotis.
