Nvidia memantapkan diri sebagai platform full-stack untuk AI fisik dan robotika
Nvidia kembali mempertegas ambisinya di ranah AI fisik dan robotika dengan meluncurkan rangkaian pembaruan yang mencakup seluruh tumpukan teknologi: dari model fondasi dan perangkat keras edge, hingga perangkat lunak, alat pengembang, dan jaringan kemitraan industri. Diumumkan dalam sebuah acara di Tokyo, langkah ini menandai upaya agresif Nvidia untuk bertransformasi dari sekadar pemasok chip menjadi platform full-stack bagi AI fisik.
Paket pengumuman tersebut merentang dari model AI dan perangkat lunak simulasi hingga komputasi edge dan kolaborasi manufaktur. Para analis menilai skala dan cakupan inisiatif ini sebagai sinyal bahwa Nvidia ingin menjadi standar de facto untuk robotika. “Pengumuman Nvidia semakin memperluas platform mereka yang sudah memimpin menuju sebuah enabler full-stack untuk AI fisik,” ujar Himanshu Kumar Ojha, senior director analyst di Gartner. Dengan menyediakan arsitektur referensi yang lengkap dan menyeluruh, Nvidia berupaya mengunci posisinya di setiap tahap pipeline pengembangan robotika.
Salah satu sorotan utama adalah peluncuran Cosmos 3 Edge, model fondasi dunia dengan 4 miliar parameter yang dirancang untuk berjalan langsung di perangkat edge. Model ini memungkinkan robot dan sistem vision AI menafsirkan lingkungan sekitar, melakukan penalaran secara waktu nyata, dan mengeksekusi tindakan tanpa ketergantungan pada komputasi cloud. Namun, menurut Alex West, analis robotika di Omdia, tantangan terbesar dalam penerapan AI fisik bukan terletak pada model, melainkan pada data. “Tantangan terbesar bagi perusahaan adalah mencoba menerapkan AI di lingkungan di mana datanya masih berantakan,” katanya. Robotika, lanjutnya, menuntut volume data operasional yang jauh lebih besar—mulai dari kesadaran lingkungan hingga force feedback dan mode kegagalan—yang sulit dikumpulkan dan dibagikan lintas mesin. Di titik inilah Cosmos 3 Edge dinilai berpotensi krusial, terutama karena kemampuannya untuk dilatih ulang (post-trained) sehingga lebih adaptif terhadap armada robot dan peralatan industri yang heterogen.
Nvidia juga memperluas inisiatif Cosmos Coalition ke Jepang, menggandeng nama-nama besar seperti FANUC, Fujitsu, Hitachi, Kawasaki Heavy Industries, Kubota, NEC, SoftBank, Sony, dan Yaskawa Electric. Koalisi ini bertujuan mengembangkan model AI fisik terbuka dan aplikasi robotika generasi berikutnya. Dalam pernyataan pra-briefing, CEO Nvidia Jensen Huang menggambarkan langkah ini sebagai upaya menyatukan keunggulan mekatronika Jepang dengan AI fisik Nvidia untuk menciptakan “era baru industri”. Bagi banyak pengamat, kemitraan semacam ini menandai pergeseran struktural dalam AI fisik menuju pendekatan berbasis ekosistem, di mana pengembang AI, produsen robot, dan perusahaan industri masing-masing menyumbangkan komponen kunci dari tumpukan teknologi. “Kemitraan ini sangat krusial, bukan hanya bagi Nvidia, tetapi juga secara lebih luas bagi evolusi AI fisik,” kata West, seraya menekankan bahwa AI fisik menuntut konvergensi TI dan OT (operational technology). Produsen robot, ujarnya, kerap kekurangan keahlian untuk membangun model fondasi, sementara perusahaan AI biasanya tidak memiliki kedalaman pengetahuan industri dan jaringan go-to-market yang diperlukan untuk menerapkan robotika dalam skala besar.
Paul Miller, wakil presiden dan principal analyst di Forrester, menilai bahwa kecepatan adopsi AI fisik di lingkungan perusahaan pada akhirnya akan ditentukan oleh kualitas kemitraan semacam ini. “Chip terbaik di dunia tidak banyak berguna tanpa robot, mobil, atau derek tempat chip itu disematkan,” ujarnya. Menurut Miller, mitra industri Nvidia menyediakan keahlian operasional dan kredibilitas yang dibutuhkan untuk mengubah teknologi AI menjadi sistem produksi nyata.
Di luar koalisi tersebut, Toyota mengumumkan perluasan kemitraan AI dengan Nvidia, melampaui fokus awal pada kendaraan otonom ke ranah pabrik dan kota cerdas. Setelah kesepakatan tahun lalu untuk mengembangkan sistem bantuan pengemudi generasi berikutnya menggunakan Nvidia Drive, Toyota kini akan memanfaatkan teknologi Nvidia di seluruh rekayasa perangkat lunak kendaraan, manufaktur, dan infrastruktur perkotaan. Kolaborasi ini mencakup penggunaan Omniverse dan Isaac Sim untuk membangun kembaran digital (digital twin) pabrik, pemanfaatan model AI untuk mempercepat pengembangan perangkat lunak, serta penerapan model visi-bahasa multimodal yang dikembangkan Woven—anak perusahaan Toyota—untuk mendukung manajemen lalu lintas dan kecerdasan perkotaan.
Di sisi perangkat keras, Nvidia memperkenalkan modul komputasi edge Jetson T3000 dan Jetson T2000 berbasis arsitektur Blackwell. Keduanya dirancang untuk menggerakkan robot humanoid, robot mobile otonom, dan mesin cerdas lainnya. Modul ini menawarkan alternatif yang lebih ringkas dan hemat daya dibandingkan Jetson AGX Thor, namun tetap mampu menangani beban kerja AI multimodal, termasuk large language model, vision-language model, dan model fondasi untuk robot. Dengan demikian, Nvidia berupaya mengisi celah antara kebutuhan performa tinggi dan efisiensi energi di lini produksi dan aplikasi industri.
Nvidia juga memperbarui platform Metropolis, yang ditujukan untuk sistem vision AI, dengan menambahkan lebih dari 80 pustaka pengembang dan “keterampilan” AI baru. Pembaruan ini mencakup peningkatan pada perangkat lunak DeepStream, TAO, dan Vision AI, yang dirancang untuk mempermudah pengembangan agen vision AI yang mampu menganalisis video secara langsung, menghasilkan ringkasan, mengidentifikasi insiden, dan mendukung pengambilan keputusan otomatis. Dengan Metropolis, Nvidia ingin memosisikan dirinya sebagai pemasok infrastruktur utama bagi kota cerdas, fasilitas industri, dan jaringan pengawasan generasi berikutnya.
Secara keseluruhan, rangkaian pengumuman ini memperlihatkan strategi Nvidia untuk menyediakan sebagian besar infrastruktur dasar yang dibutuhkan dalam membangun dan menerapkan AI fisik—mulai dari model fondasi dan simulasi hingga komputasi edge dan kemitraan industri. Miller menilai pendekatan full-stack ini berpotensi mempercepat adopsi di kalangan perusahaan, namun mengingatkan bahwa keberhasilan jangka panjang tetap akan ditentukan oleh kemampuan mengatasi persoalan klasik: kualitas data, integrasi sistem, dan kesiapan operasional. “Kita juga membutuhkan investasi berkelanjutan untuk memahami proses-proses yang ingin kita otomasi,” ujarnya. Di Forrester, konsep “Segitiga Otomasi”—keseimbangan antara otomasi fisik, AI, dan tenaga kerja manusia—digunakan untuk menggambarkan tantangan tersebut. Menemukan kombinasi optimal dari ketiga elemen itu, kata Miller, masih menjadi pekerjaan rumah yang jarang diselesaikan perusahaan dengan konsisten.
