@fabric $ROBO #ROBO

Kebanyakan percakapan tentang robotika hanya berada di permukaan. Orang-orang berbicara tentang lengan yang lebih kuat, prosesor yang lebih cepat, dan sensor yang lebih baik. Hal-hal itu penting, tetapi mereka berada di atas sesuatu yang lebih tenang. Di bawah mesin terdapat lapisan pengetahuan yang memberi tahu mereka apa yang harus dilakukan.

Lapisan tersembunyi itu mungkin menjadi fondasi nyata dari kemajuan.

Selama sebagian besar dari 50 tahun terakhir pengembangan robotika industri, pengetahuan telah bergerak lambat. Ketika sebuah perusahaan mengajarkan robot untuk melakukan tugas, pengetahuan itu biasanya tetap berada di dalam satu sistem pabrik. Insinyur mendokumentasikan prosesnya, teknisi memeliharanya, dan perbaikan menyebar melalui pelatihan dan pengalaman.

Fabric Protocol tampaknya sedang mengeksplorasi arah yang berbeda.

Alih-alih memperlakukan pengetahuan robotika sebagai sesuatu yang terkurung dalam mesin individu, sistem memperlakukannya lebih seperti lapisan yang dapat dibagikan. Perilaku tugas dapat dikemas, ditinjau, dan didistribusikan ke mesin lain yang kompatibel. Secara teori, keterampilan menjadi sesuatu yang dapat berpindah di seluruh jaringan daripada tetap di satu tempat.

Ide ini sering dijelaskan sebagai infrastruktur robotika yang dapat disusun.

Dapat disusun hanya berarti bahwa bagian yang berbeda dapat terhubung bersama. Sebuah robot mungkin dimulai dengan 1 kemampuan yang terkait dengan rutinitas inspeksi tertentu. Kemudian, pengembang dapat menambahkan 2 kemampuan tambahan yang terkait dengan langkah diagnosis dan perbaikan. Seiring waktu, mesin mengakumulasi keterampilan, bukan hanya perangkat keras.

Tekstur sistem mulai terlihat kurang seperti satu mesin dan lebih seperti platform.

Perbedaan itu penting karena mengubah di mana keahlian berada. Secara tradisional, keahlian robotika berada di dalam insinyur, operator, dan tim lokal yang memahami sistem tertentu. Pengetahuan tumbuh melalui praktik dan perbaikan yang stabil.

Dengan model yang dapat disusun, keterampilan itu sendiri menjadi artefak utama.

Setelah perilaku dilatih dan diverifikasi, itu dapat didistribusikan ke mesin lain yang memiliki batasan teknis yang sama. Faktor pembatas beralih dari 'siapa yang tahu cara melakukan tugas ini' menjadi 'seberapa cepat jaringan dapat menyampaikan pembaruan keterampilan.'

Perubahan itu mungkin terdengar kecil, tetapi dampaknya bisa menyebar secara luas.

Pertimbangkan contoh yang sempit. Bayangkan robot yang dilatih untuk melakukan 1 rutinitas inspeksi panel listrik di fasilitas komersial. Dalam pendekatan tradisional, memperluas kemampuan itu membutuhkan pelatihan lebih banyak teknisi atau mengonfigurasi lebih banyak mesin secara individual.

Dalam sistem jaringan, rutinitas inspeksi dapat ada sebagai modul yang dapat digunakan kembali.

Jika modul terbukti dapat diandalkan, itu dapat berpindah ke ratusan perangkat yang kompatibel. Setiap penerapan masih memerlukan pengujian dan pengawasan, tetapi peristiwa pembelajaran terjadi sekali alih-alih mengulang di mana-mana.

Di sinilah ide mulai menyerupai ekosistem perangkat lunak.

Dalam perangkat lunak, platform tumbuh karena pengembang membangun komponen kecil yang dapat digunakan kembali oleh orang lain. Sistem operasi dan layanan cloud berkembang dengan cara ini. Fondasi memungkinkan banyak kontributor untuk menambahkan kemampuan seiring waktu.

Fabric tampaknya sedang mengeksplorasi apakah struktur serupa dapat mendukung robotika.

Lapisan protokol mengoordinasikan bagaimana kemampuan disumbangkan, diverifikasi, dan didistribusikan. Pengembang mengajukan keterampilan baru. Operator memutuskan apakah akan menerapkannya. Mesin menjalankan keterampilan tersebut dalam batasan yang ditentukan.

Tentu saja, mesin dunia nyata memperkenalkan risiko yang tidak dihadapi oleh sistem perangkat lunak.

Kesalahan dalam kode mungkin menyebabkan aplikasi mogok. Kesalahan dalam perilaku robot dapat merusak peralatan atau menciptakan masalah keselamatan. Karena perbedaan itu, jaringan memerlukan langkah verifikasi yang hati-hati sebelum kemampuan baru menyebar.

Tata kelola juga menjadi penting.

Jika banyak orang menyumbangkan keterampilan robotika, jaringan harus memutuskan bagaimana pembaruan disetujui dan bagaimana kinerja dipantau. Insentif harus menghargai kerja yang berguna sambil mencegah jalan pintas. Tidak ada dari ini terjadi secara otomatis.

Infrastruktur blockchain tampaknya menjadi salah satu alat untuk mengoordinasikan proses itu.

Dengan merekam kontribusi dan penerapan di buku besar bersama, sistem dapat melacak siapa yang membangun apa dan bagaimana kinerjanya. Insentif dapat dihubungkan dengan hasil nyata daripada asumsi.

Apakah pendekatan ini berhasil dalam praktik masih belum pasti.

Jaringan seperti ini bergantung pada 3 kelompok dengan peran berbeda - pengembang yang membangun keterampilan, operator yang menerapkan mesin, dan pengguna yang mengandalkan hasilnya. Jika salah satu dari kelompok tersebut tetap kecil, sistem tumbuh perlahan.

Namun, ide di balik Fabric menyentuh sesuatu yang penting.

Kemajuan robotika sering diukur dalam perbaikan perangkat keras yang terlihat. Namun lapisan yang lebih tenang di bawah - pengetahuan bersama yang menjadi andalan mesin - mungkin membentuk seberapa cepat bidang ini sebenarnya bergerak.

Jika keterampilan robotika menjadi modular dan portabel, mesin mungkin belajar dari satu sama lain dengan cara yang sebelumnya sulit.

Kemungkinan itu tidak dijamin. Tetapi itu menunjukkan pertanyaan yang lebih dalam.

Dalam jangka panjang, robotika mungkin bergantung kurang pada mesin individu dan lebih pada jaringan yang stabil yang mengajarkan mereka apa yang harus dilakukan. @Fabric Foundation $ROBO #ROBO