Physical Intelligence buka foundation model robotnya untuk developer

Physical Intelligence, lab robotika yang dikenal lewat foundation model π0 dan π0.5, membuka API beta yang memungkinkan developer luar melakukan fine-tuning dan menjalankan model itu tanpa membangun training stack sendiri. Gagasannya sama dengan yang mengubah language model: mulai dari model umum yang sudah punya perilaku fisik luas, lalu sesuaikan ke robot dan tugas tertentu dengan data sendiri yang relatif sedikit. Developer mengunggah demonstrasi, Physical Intelligence menjalankan fine-tuning di infrastruktur yang mereka kelola, dan model hasilnya dilayani kembali lewat gateway untuk inference. Perusahaan menggambarkan alurnya sebagai siklus: kumpulkan demonstrasi, latih, uji di robot sungguhan, lalu pakai kegagalannya untuk menentukan data apa yang perlu dikumpulkan berikutnya.

Bagian menariknya ada pada deployment awal, sebab ini pekerjaan nyata, bukan demo lab. Actor memakai model tersebut untuk menjalankan alat berat otonom, termasuk wheel loader yang menyendok material ke dump truck di sebuah lokasi komersial di Utah tanpa operator di dalamnya. Almond, yang membuat robot dua lengan bernama Axol, menyebut timnya butuh empat hari bereksperimen dengan API untuk mendapat model yang mampu membersihkan sisa tajam (deburr) pada spacer yang dipakai di perakitan Axol sendiri. Belasan perusahaan lain tercantum di bidang pertanian, memasak, dan manufaktur, dengan mayoritas menjalankan inference di cloud untuk lokasi di Jepang, Swiss, dan Amerika Serikat. Physical Intelligence mencatat koneksi jaringan sempat jadi kendala nyata bagi sebagian dari mereka.

Untuk sekarang ini masih beta di balik waitlist, hanya segelintir perusahaan yang mendapat akses awal, dan harga belum diumumkan. Weight π0 dan π0.5 tetap tersedia lewat repo openpi, jadi tim yang ingin berjalan sepenuhnya lokal masih bisa melakukannya.

Kenapa ini penting

Kalau kamu bekerja di robotika, ini menurunkan bebannya dari melatih policy sendiri menjadi sekadar fine-tuning base model yang sudah mumpuni dengan demonstrasi beberapa hari, pergeseran yang sama yang membuat language model terpakai oleh tim kecil. Pertanyaan praktis yang muncul dari deployment ini jelas: apakah kamu sanggup menerima inference di cloud beserta kebutuhan koneksinya di lantai pabrik, atau justru butuh weight yang berjalan lokal.