Setelah Chatbot, Ini "World Models" — Arah Baru AI yang Mulai Dilirik Investor dan Pengembang

Setelah bertahun-tahun industri AI berlomba membangun chatbot dan model bahasa yang makin besar, mulai terlihat pergeseran arah yang menarik: sejumlah pengembang dan investor kini beralih fokus ke apa yang disebut "world models" — jenis AI yang dirancang memahami cara kerja dunia fisik, bukan sekadar memprediksi kata berikutnya dalam sebuah kalimat.

Apa Itu World Models?

Secara sederhana, world model adalah sistem AI yang belajar memahami hukum dasar realitas — fisika, hubungan sebab-akibat, bagaimana benda bergerak dan berinteraksi — dari data seperti video, lalu memakai pemahaman itu untuk mensimulasikan dan memprediksi bagaimana suatu lingkungan akan berubah dari waktu ke waktu.

Yann LeCun, ilmuwan AI terkemuka (mantan Chief AI Scientist Meta), menjelaskan konsep ini sebagai kemampuan sebuah agen AI untuk memprediksi konsekuensi dari tindakannya sendiri — sesuatu yang jauh berbeda dari cara kerja model bahasa (LLM) yang selama ini kita kenal lewat chatbot seperti ChatGPT atau Gemini.

Kenapa Ini Dianggap "Frontier Berikutnya"?

Model bahasa AI yang ada saat ini dilatih dari teks, artikel berita, dan berbagai media visual di internet — pendekatan yang terbukti sangat efektif menghasilkan asisten AI yang mampu menulis, menjawab pertanyaan, bahkan membantu pekerjaan kantoran dan kreatif. Tapi pendekatan ini punya keterbatasan mendasar untuk satu bidang penting: robotika.

Robot tidak bisa belajar banyak dari sekadar membaca buku. Untuk bisa bergerak, mengambil objek, atau bernavigasi di dunia nyata, robot butuh pemahaman intuitif soal fisika — bagaimana benda jatuh, bagaimana bentuk berubah saat ditekan, bagaimana cara memegang objek tanpa menjatuhkannya. Inilah celah yang coba diisi world models.

Contoh Nyata yang Sudah Menunjukkan Hasil

Salah satu contoh yang sering disebut adalah V-JEPA 2 buatan Meta — world model yang dilatih dari lebih dari satu juta jam video internet, lalu hanya diberi tambahan 62 jam video robot tanpa label khusus. Hasilnya, model ini berhasil mencapai tingkat keberhasilan 80 persen dalam tugas "pick-and-place" (mengambil dan memindahkan objek) di laboratorium yang bahkan belum pernah dilihatnya sebelumnya — sebuah pencapaian yang menunjukkan kemampuan generalisasi yang jauh lebih baik dibanding pendekatan robotika konvensional.

Kenapa Investor Mulai Melirik Arah Ini?

Meski chatbot berbasis AI masih jadi ladang bisnis besar yang terus menyedot investasi triliunan dolar ke perusahaan seperti Anthropic dan OpenAI, sejumlah entrepreneur AI kini mulai mendedikasikan diri ke arah yang mereka nilai sebagai frontier baru: world models yang bisa mengajari sistem AI, dan dalam banyak kasus juga robot fisik, bagaimana bereaksi di lingkungan dunia nyata.

Para ahli membagi world models ke dalam beberapa kategori berbeda tergantung tujuannya — mulai dari yang berfokus pada kualitas visual simulasi ("renderer"), hingga yang benar-benar dirancang mensimulasikan hukum fisika secara akurat untuk keperluan pelatihan robot sungguhan. Perbedaan kategori ini penting dipahami, karena tidak semua "world model" yang terdengar mengesankan secara visual benar-benar bisa diandalkan untuk mengajari robot bergerak di dunia nyata.

Tantangan yang Masih Dihadapi

Riset di bidang ini masih menghadapi sejumlah kendala mendasar:

1. Generalisasi ke lingkungan baru — robot yang dilatih dengan baik di satu lingkungan (misalnya laboratorium tertentu) seringkali kesulitan beradaptasi ke lingkungan berbeda (seperti dapur rumah tangga) atau tugas baru yang belum pernah dipelajari sebelumnya.
2. Kompleksitas evaluasi — sulit mengukur secara objektif apakah suatu model robot benar-benar membaik dari versi sebelumnya di seribu jenis tugas berbeda sekaligus, mengingat performa robot bisa berubah signifikan hanya karena perubahan kecil seperti pencahayaan ruangan.
3. Kebutuhan data dan komputasi yang sangat besar — melatih world model yang benar-benar akurat mensimulasikan fisika dunia nyata membutuhkan volume data video dan kapasitas komputasi yang sangat besar, sebanding atau bahkan melebihi kebutuhan melatih model bahasa skala besar.

Kenapa Ini Relevan buat Pelaku Bisnis dan Teknologi di Indonesia?

1. Sinyal arah investasi AI global bergeser — dari sekadar chatbot dan konten generatif, ke arah AI yang bisa berinteraksi langsung dengan dunia fisik (robotika, manufaktur, logistik otomatis). Ini relevan dipantau pelaku industri yang bergerak di sektor manufaktur dan otomasi.
2. Peluang baru di sektor robotika dan otomasi industri berpotensi terbuka lebih luas seiring kematangan teknologi world models, khususnya bagi perusahaan yang mempertimbangkan investasi otomasi jangka panjang.
3. Istilah ini akan makin sering muncul di berita teknologi dan diskusi investasi AI ke depan — memahami konsep dasarnya sejak awal membantu pelaku bisnis tidak ketinggalan saat tren ini makin matang dan mulai diterapkan secara komersial lebih luas.

Terlepas dari masih banyaknya tantangan teknis yang perlu dipecahkan, arah riset menuju world models menunjukkan bahwa ambisi industri AI tidak berhenti di chatbot pintar — target berikutnya jauh lebih besar: menciptakan sistem AI yang benar-benar memahami dan bisa beroperasi di dunia fisik nyata, bukan cuma dunia teks dan gambar digital.