AGIBOT GO-3: Robot AI yang Belajar Sendiri, Juara 3 Benchmark 2026

Bayangkan sebuah robot yang hari pertamanya bekerja masih kikuk, tapi seminggu kemudian gerakannya sudah jauh lebih luwes — bukan karena ada teknisi yang memperbaruinya, melainkan karena robot itu sendiri belajar dari setiap tugas yang ia kerjakan. Itulah janji terbesar dari AGIBOT GO-3 Preview, model AI robot terbaru dari perusahaan robotik asal Tiongkok, AGIBOT, yang diperkenalkan di Shanghai pada 29 Oktober 2026.

GO-3 Preview bukan sekadar model baru yang lebih besar. Ia adalah model fondasi embodied AI, yakni jenis AI yang tidak hanya hidup di layar chat, tetapi menggerakkan tubuh fisik: lengan, gripper, dan roda robot. Menurut AGIBOT, GO-3 meraih peringkat pertama di tiga benchmark embodied AI sekaligus — RoboDojo, RoboTwin, dan RoboColiseum — dan akan dibuka sepenuhnya (open source) sebelum akhir 2026.

Bukan Sekadar Pintar di Laboratorium

Selama ini, cara melatih robot mirip cara mengajari seseorang lewat buku: semua pelajaran diberikan di awal, lalu robot dilepas ke lapangan dan diharapkan tidak menemui hal baru. Kenyataannya, dunia nyata penuh kejutan. Cangkir bisa berbentuk mug bergagang atau gelas licin, posisinya bisa di tengah meja atau terjepit di antara barang lain, dan lantai toko bisa berubah setiap jam.

AGIBOT menyebut pendekatan GO-3 sebagai "full-lifecycle scaling", atau pembelajaran sepanjang siklus hidup. Alih-alih berhenti belajar setelah pelatihan awal, robot terus belajar di tiga tahap: saat pra-pelatihan, saat pasca-pelatihan, dan — yang paling menarik — setelah robot itu benar-benar bekerja di lapangan. Robot GO-3 dirancang untuk semakin andal justru karena ia dipakai, bukan meski ia dipakai.

Tiga Mesin di Balik Satu Otak

Di jantung GO-3 ada arsitektur bernama WRAM, singkatan dari World Reasoning Action Model. Sederhananya, WRAM menyatukan tiga kemampuan yang biasanya berjalan terpisah: memahami perintah, membayangkan apa yang akan terjadi, dan menghasilkan gerakan.

Pertama, ada CoAE yang bertugas menerjemahkan apa yang dilihat kamera robot menjadi informasi yang berguna untuk gerakan: di mana benda berada, bentuknya seperti apa, dan bagaimana posisinya terhadap benda lain. Kedua, SVP memprediksi keadaan masa depan dalam satu langkah, sehingga robot mengantisipasi perubahan, bukan sekadar bereaksi. Ketiga, ada KASO yang memilih prediksi masa depan yang paling masuk akal berdasarkan aksi nyata yang pernah dilakukan saat pelatihan, supaya bayangan robot soal masa depan selaras dengan gerakan yang benar-benar bisa ia lakukan.

Kombinasi ketiganya membuat GO-3 bisa langsung mencoba tugas baru tanpa pelatihan khusus (zero-shot), dan cukup dengan sedikit contoh (few-shot) untuk tugas yang lebih rumit. Contoh yang ditunjukkan AGIBOT adalah merakit LEGO: robot harus mengenali tiap keping, menggenggamnya presisi, lalu memasangnya dengan benar.

Photo by Magda Ehlers on Pexels

Latihan Bersama 100 Robot Sekaligus

Tahap pasca-pelatihan GO-3 ditangani oleh sistem bernama Genie Evolver. Bayangkan sekolah robot raksasa dengan tiga ruang latihan: sekitar 100 robot fisik di dunia nyata, simulasi fisika yang terkontrol dan bisa diulang, serta world model untuk menjelajahi berbagai kemungkinan hasil tanpa mencoba semuanya di dunia nyata.

Dari latihan gabungan ini lahir cerita-cerita yang cukup mencengangkan. Dalam curling meja, robot mengatur kekuatan dan sudut lemparan; menurut AGIBOT, setelah beberapa jam latihan, tingkat kemenangannya melampaui pemain manusia pada umumnya. Dalam tugas melempar bola ke keranjang yang bergerak, robot harus membaca posisi target yang terus berubah dan melepas bola di momen yang tepat. Dan dalam satu demonstrasi di dunia nyata, robot humanoid yang bekerja dengan model GO-3 meningkatkan tingkat keberhasilan tugasnya dari sekitar 28 persen di hari pertama menjadi stabil di 85,7 persen setelah lima hari beroperasi.

Belajar Setelah Dikirim ke Pelanggan

Bagian paling ambisius dari GO-3 ada di tahap ketiga: pembelajaran setelah deployment, yang diurus oleh framework bernama Genie Master. Selama ini, ketika robot menemui masalah di lapangan, solusinya adalah memanggil teknisi, mengumpulkan data baru, dan memperbarui perangkat lunak secara manual. Genie Master mencoba memutus ketergantungan itu.

Framework ini menghubungkan perencanaan, eksekusi, umpan balik, dan penyimpanan pengalaman. Setiap akhir hari operasi, sistem merangkum pelajaran hari itu menjadi memori jangka panjang, dan pengalaman itu diolah menjadi kebijakan gerakan yang lebih baik — sehingga penyesuaian yang berhasil di lapangan perlahan menjadi kemampuan permanen.

AGIBOT mendemonstrasikannya lewat robot Genie G2 di sebuah toko serba ada: robot itu mengidentifikasi penyebab kegagalan tugasnya sendiri, menyesuaikan strategi, dan terus membaik di berbagai tugas manipulasi presisi tanpa demonstrasi manusia tambahan. Perusahaan itu menyebutnya sebagai contoh Physical RSI, atau peningkatan diri rekursif di dunia fisik — robot yang memperbaiki dirinya sendiri lewat pekerjaan nyata, bukan hanya lewat simulasi.

Apa Artinya Buat Indonesia

Bagi Indonesia, kabar ini bukan sekadar tontonan teknologi. Pabrik, gudang logistik, dan toko ritel adalah tempat robot semacam ini paling cepat terasa manfaatnya: pekerjaan berulang yang menuntut presisi di lingkungan yang berubah-ubah, tanpa harus memanggil teknisi setiap kali layout berubah. Jika janji open source di akhir 2026 ditepati, kampus dan startup lokal pun bisa ikut menguji model ini, mengadaptasinya ke kebutuhan setempat, dan membangun aplikasi di atasnya tanpa harus memulai dari nol.

Tentu, semua klaim benchmark dan demonstrasi ini sejauh ini berasal dari AGIBOT sendiri dan belum melewati validasi independen. Peringkat pertama di tiga benchmark adalah sinyal yang kuat, tetapi bukan bukti final bahwa robot ini akan sama andalnya di pabrik, gudang, atau toko yang berbeda-beda. Yang patut ditunggu adalah pembuktian dari pihak ketiga setelah modelnya benar-benar dibuka.

Yang jelas, GO-3 menggeser pertanyaan mendasar soal robot: dulu seberapa pintar robot saat keluar dari pabrik, kini seberapa cepat ia menjadi lebih pintar setelah mulai bekerja. Jawaban atas pertanyaan kedua itulah yang menentukan seberapa jauh robot masuk ke kehidupan sehari-hari.