Empat dari Enam Robot Humanoid Lulus Uji Coba 24 Jam di Toko Kelontong Shanghai

Enam robot, empat lulus, dan 1.730 tugas diselesaikan

Enam robot humanoid Agibot Genie G2 menyelesaikan 1.730 tugas selama uji coba 24 jam di sebuah toko kelontong yang beroperasi di Distrik Xuhui, Shanghai, tetapi hanya empat yang lulus penilaian kerja. Dua robot yang tidak lulus kesulitan menjalankan tugas pemeriksaan rak dan pembersihan. Salah satunya, robot pembersih, keluar dari rute yang ditetapkan dan pergi ke luar toko saat giliran kerja malam.

Tantangan dimulai pukul 10.00 pada 2 November 2026 dan berakhir pada 3 November. Acara yang diselenggarakan Agibot, secara resmi bernama Zhiyuan Innovation (Shanghai) Technology Co., Ltd., itu menarik lebih dari 2 juta penonton di berbagai platform daring melalui siaran langsung. Robot-robot tersebut bekerja saat permintaan makan siang meningkat, melayani pelanggan pada malam hari, menjalankan tugas semalaman, lalu melayani sarapan keesokan paginya.

Uji coba ini mengajukan pertanyaan praktis di balik pertunjukan tersebut: mampukah robot menjaga berbagai pekerjaan yang saling terkait di toko tetap berjalan ketika pelanggan, pesanan, dan rintangan di sekitarnya berubah? Keberhasilan menyiapkan kopi menjadi salah satu bagian penilaian. Kesigapan merespons, tetap berada di pos yang ditentukan, dan pulih saat terjadi masalah juga diperhitungkan.

Ren Guanghui, wakil presiden pusat penelitian kecerdasan berwujud Agibot, mengakui bahwa kemampuan mesin-mesin tersebut dalam beradaptasi terhadap perubahan, melakukan gerakan rumit dengan cepat, dan menangani masalah tak terduga masih tertinggal dibandingkan pekerja toko berpengalaman. Peningkatan selanjutnya akan bergantung pada pemanfaatan catatan pekerjaan yang berhasil maupun gagal untuk menyusun aturan operasional dan keterampilan gerak yang lebih baik.

Tugas yang berhasil diselesaikan robot

Enam mesin tersebut membagi pekerjaan toko, mulai dari menyambut pelanggan, menangani barang dagangan, menyiapkan kopi, menyajikan makanan panas, memeriksa rak hingga membersihkan meja. Jumlah tugas gabungan mereka mencakup kegiatan dengan tingkat kesulitan dan durasi yang sangat beragam.

• 683 interaksi penyambutan atau penerimaan pelanggan.
• 369 tugas mengambil dan mengantarkan barang dagangan.
• 147 penyajian kopi.
• 126 tugas penyajian makanan, yang dalam rekapitulasi akhir disebut sebagai penyajian sarapan dan dalam hasil penilaian disebut sebagai penyajian makanan panas.
• 277 tugas pemeriksaan dan pengisian ulang rak.
• 128 tugas membersihkan meja.

Penerimaan pelanggan mencakup sekitar 39,5% dari 1.730 tugas yang tercatat. Penerimaan pelanggan dan penanganan barang dagangan secara gabungan mencapai 1.052 tugas, atau sekitar 60,8%. Angka-angka itu menunjukkan bahwa sebagian besar kegiatan yang tercatat melibatkan interaksi dengan orang dan pemindahan produk, selain pekerjaan yang lebih mencolok seperti membuat minuman dan menyajikan makanan.

Secara gabungan, rata-rata ada sekitar 72 tugas yang diselesaikan per jam oleh keenam robot. Namun, tiap kategori menuntut jenis pekerjaan yang berbeda: menyambut pelanggan dan menyiapkan kopi membutuhkan rangkaian langkah, peralatan, dan waktu yang berbeda. Penilaian juga mempertimbangkan lama bertugas, umpan balik pelanggan, keberhasilan tugas, kecepatan merespons, dan kemampuan mengatasi masalah.

Mengapa empat robot lulus dan dua tidak

Ahao, robot penyambut pelanggan, memperoleh nilai layanan pelanggan tertinggi setelah berinisiatif membantu pelanggan. Huobao, yang bertugas mengambil dan menangani barang dagangan, merespons pesanan dengan cepat dan terus bekerja saat permintaan meningkat maupun ketika pesanan dibatalkan.

Kashao, robot pembuat kopi, lulus dengan proses penyajian yang stabil, sementara kopi Americano panas buatannya mendapat tanggapan positif. Dingjiang, yang bertanggung jawab menyajikan makanan panas dan juga ditugaskan mengoperasikan kasir, memenuhi standar yang ditetapkan dengan menangani pekerjaannya secara konsisten.

Juanwang, robot pemeriksa dan pengisi ulang rak, tidak mampu mengikuti ritme operasional toko. Aktivitas pemeriksaan dan pengisian ulangnya dinilai kurang proaktif. Lengjie, robot pembersih, keluar dari rute yang ditetapkan saat bertugas semalaman dan pergi ke luar, sehingga aturan operasionalnya perlu diperbarui.

Empat dari enam robot lulus, sehingga tingkat kelulusan mesin yang berpartisipasi sekitar 66,7%. Agibot tidak mengumumkan ambang batas numerik kelulusan, lembar penilaian lengkap, ataupun jumlah pasti intervensi manusia. Karena itu, hasil yang disampaikan memberikan gambaran lebih terperinci tentang masing-masing peran daripada keandalan sistem secara keseluruhan: robot penyambut pelanggan berkinerja baik dalam layanan pelanggan, sedangkan robot pembersih memerlukan pengendalian yang lebih ketat atas area kerjanya.

Sehari penuh menghadirkan beragam tekanan

Jadwal 24 jam membuat robot menghadapi permintaan yang berubah-ubah di ruang yang sama dan terbatas. Waktu makan siang dan sarapan menuntut pelayanan yang sigap. Perdagangan pada malam hari menghadirkan arus pelanggan lain, sementara periode semalaman menguji kemampuan mesin mempertahankan tugas yang ditetapkan ketika toko lebih sepi.

Uji coba berlangsung dengan urutan berikut:

• 2 November 2026, pukul 10.00: enam robot Genie G2 mulai bekerja di toko kelontong di Distrik Xuhui.
• 2 November 2026, waktu makan siang dan malam: penilaian mencakup periode pelayanan sibuk, termasuk pesanan, penanganan barang dagangan, dan penyiapan makanan.
• Malam 2 November hingga 3 November: robot-robot tersebut terus bertugas pada malam hari, ketika robot pembersih keluar dari rutenya.
• 3 November, periode sarapan dan akhir uji coba: periode pelayanan terakhir menuntaskan penilaian 24 jam, setelah itu empat robot dinyatakan lulus.

Mesin-mesin itu dinilai dalam empat periode pelayanan, bukan hanya melalui satu tindakan yang waktunya diatur dengan cermat. Keterlambatan pengantaran barang dagangan dapat memengaruhi pesanan lain; robot yang menempati posisi di depan rak dapat menghalangi rekannya untuk menjangkaunya. Agar pekerjaan terus berjalan, dibutuhkan koordinasi selain ketangkasan masing-masing robot.

Pelanggan dan rintangan menjadi bagian dari ujian

Dua peserta undangan, Xiaoyang biubiu dan Xiaoxiao Nathan, memberikan tantangan yang menyerupai masalah yang mungkin dihadapi pekerja toko. Mereka meminta robot membedakan cola biasa dari cola tanpa gula, mengacak susunan permen karet di rak, serta menghalangi rute dengan seseorang dan sebuah kotak.

Tugas cola menuntut sistem menghubungkan permintaan lisan dengan identifikasi visual terhadap produk yang tepat. Tantangan permen karet menguji kemampuan mesin memeriksa kondisi barang di rak dan mengembalikannya ke tempat yang semestinya. Rintangan menguji kemampuan robot berhenti dan mencari rute lain untuk menghindari orang atau benda.

Selama uji coba, robot menggunakan pemeriksaan visual untuk mengenali barang dagangan yang salah tempat dan mengembalikannya ke lokasi yang tepat. Ruang kosong di rak dapat memicu pengisian ulang tanpa instruksi baru dari seseorang. Demonstrasi pembersihan juga mencakup kemampuan membedakan pola permukaan dari tumpahan atau noda.

Tugas-tugas tersebut menggabungkan persepsi dan gerakan. Robot harus terlebih dahulu mengenali produk, rintangan, atau area kotor, lalu memilih tindakan dan melakukannya. Kesalahan identifikasi dapat menyebabkan produk yang salah diantarkan, pembersihan yang tidak perlu, atau rute yang terhalang bagi mesin lain.

Mengapa sebungkus permen bisa sulit ditangani

Ren menyebut toko kelontong sebagai lingkungan yang menantang karena memadukan beragam produk, penanganan yang rumit, pelanggan yang berjalan di antara mesin, serta sejumlah robot yang berbagi ruang terbatas. Tidak seperti stasiun pengambilan barang yang tetap, kondisi toko dapat berubah setiap kali pelanggan memindahkan barang atau melangkah ke lorong.

Sebungkus Skittles yang tergantung pada kait menggambarkan kesulitan tersebut. Robot harus mengenali produk, menentukan titik untuk menggenggamnya, lalu memberikan tenaga yang cukup untuk melepaskannya tanpa membuat bungkusnya tersangkut pada kait. Posisi dan genggaman sama-sama penting.

Sepotong kue yang lembut menghadirkan masalah berbeda. Tekanan yang terlalu kecil dapat membuatnya terlepas; tekanan yang terlalu besar dapat menghancurkannya. Kemasan dan makanan yang lentur atau berubah bentuk lebih sulit ditangani secara konsisten dibandingkan benda kaku dengan tepi yang mudah diprediksi.

Ren mengatakan tugas relatif lebih mudah jika area kerja ditentukan dengan jelas, objek memiliki bentuk standar, dan hasilnya mudah diperiksa. Benda lentur, kontak yang rumit antarp permukaan, dan rangkaian gerakan panjang masih menjadi tantangan teknis. Bagi toko, artinya robot mungkin dapat menjalankan satu tugas yang teratur secara konsisten, tetapi masih perlu ditingkatkan sebelum mampu menangani beragam produk yang terus berubah dengan kecepatan setara pekerja berpengalaman.

Perangkat lunak yang menghubungkan enam pekerjaan berbeda

Agibot membekali keenam robot dengan sejumlah sistem yang saling terhubung. GO-3Preview, model dasar kecerdasan berwujud milik perusahaan, menyediakan kemampuan untuk menjalankan berbagai tugas fisik. Kecerdasan berwujud berarti AI yang beroperasi melalui mesin fisik, mengamati lingkungan sekitar dan bertindak di dalamnya.

GenieEvolver, sistem perusahaan untuk pelatihan lanjutan, memadukan pembelajaran pada robot nyata dengan simulasi dan model dunia. Model dunia adalah representasi komputer yang digunakan untuk memperkirakan bagaimana objek dan lingkungan dapat merespons suatu tindakan. Metode pelatihan ini dimaksudkan untuk meningkatkan pelaksanaan gerakan.

GenieMaster mengatur pembagian tugas di antara robot dan mengirimkan hasil pelaksanaan kembali ke proses pembelajaran. Embodied Execution Protocol, atau EEP, menghubungkan keputusan, tindakan fisik, dan umpan balik mengenai hasilnya.

Dalam konteks toko, perangkat lunak pengatur perlu mengetahui robot mana yang mampu menjalankan suatu pekerjaan dan kondisi yang dihadapinya. Sistem gerak kemudian harus melaksanakan tindakan berdasarkan pengamatan terkini. Umpan balik membantu pengatur menentukan langkah selanjutnya, termasuk kapan suatu tindakan perlu diperbaiki.

Ruang bersama membuat koordinasi itu diperlukan. Jika robot pengisi ulang menempati lokasi yang dibutuhkan untuk mengambil pesanan, sistem harus mengatur akses atau menyesuaikan urutannya. Agibot menyebut konflik posisi ant robot dan keterlambatan memperbarui status pesanan sebagai contoh masalah yang dapat diatasi dengan aturan tugas yang lebih baik.

Belajar dari kesalahan membutuhkan dua rentang waktu berbeda

Agibot menyebut proses pemanfaatan catatan pekerjaan yang berhasil dan gagal sebagai PhysicalRSI, yakni peningkatan diri berulang di dunia fisik. Gagasan dasarnya adalah meninjau apa yang terjadi selama tugas nyata, melakukan perubahan, lalu menggunakan kinerja berikutnya sebagai panduan untuk perbaikan lebih lanjut.

GenieMaster disebut mengumpulkan rangkaian tugas yang berhasil maupun tidak, menyimpan pengalaman berguna dalam memori jangka panjang, dan mengubah penyesuaian yang efektif menjadi data pelatihan. Menggunakan kembali aturan operasional yang sudah tersimpan dan melatih keterampilan gerak baru membutuhkan upaya yang berbeda.

Ren mengatakan pembelajaran tentang prosedur dan penjadwalan tugas dapat ditinjau pada hari operasi dan diterapkan keesokan harinya. Pembaruan kebijakan gerak membutuhkan pengumpulan data, pemeriksaan kualitas, pelatihan, dan validasi. Kebijakan gerak adalah sistem yang menentukan tindakan fisik berdasarkan pengamatan robot.

Menurut Ren, data berguna dari siaran langsung diperkirakan baru akan terlihat dalam pembaruan kebijakan gerak berikutnya dalam satu hingga dua minggu. Dengan demikian, uji coba ini memiliki dua periode tindak lanjut praktis: perubahan cepat pada aturan alur kerja, disusul perubahan yang lebih lambat pada model pengendali gerakan.

Robot pembersih yang keluar dari rute dan lambatnya respons robot pengisi ulang juga menunjukkan kebutuhan berbeda. Yang pertama memerlukan perhatian agar tetap berada di area operasional yang ditetapkan; yang kedua membutuhkan ketepatan waktu dan inisiatif yang lebih baik dalam merawat rak. Agibot tidak memberikan tanggal untuk penilaian publik berikutnya terhadap kedua mesin tersebut.

Apa yang membuat pekerjaan ini berguna secara komersial?

Agibot menyebut uji coba toko tersebut sebagai penerapan pertama kemampuan AI berwujud terintegrasi yang baru dirilis untuk operasi bisnis tertentu. Perusahaan memulai rangkaian peluncuran teknologi AI WAVE pada 22 Oktober, yang mencakup data, simulasi, model, perangkat keras robot, dan sistem operasi sebelum menggabungkan semua unsur tersebut di toko.

Ekspansi komersial itu dilakukan bersamaan dengan laporan pendapatan yang mendekati 2 miliar yuan pada paruh pertama 2026 serta total produksi 20.000 robot AI serbaguna. Penilaian di toko kelontong berfokus pada hasil yang dapat diberikan mesin-mesin tersebut dalam pelayanan sehari-hari.

Yao Maoqing, salah satu pendiri Agibot sekaligus presiden bersama dan presiden divisi bisnis kecerdasan berwujud perusahaan, mengatakan pekerjaan robot yang produktif harus memenuhi standar teknik yang terukur, dapat diulang, dan berkelanjutan. Ukuran yang ia sebutkan mencakup tingkat keberhasilan, waktu yang diperlukan untuk menyelesaikan tugas, dan waktu rata-rata antarkegagalan, yang umum disebut MTBF.

MTBF menggambarkan rata-rata waktu operasi di antara kegagalan. Bagi manajer toko, ukuran ini menjawab persoalan praktis: berapa lama mesin dapat terus bekerja sebelum masalah mengganggu pelayanan. Durasi tugas penting karena alasan serupa. Pelanggan yang menunggu sarapan membutuhkan makanan yang segera disajikan, meskipun robot pada akhirnya mampu menyiapkannya dengan benar.

Tim Agibot mengidentifikasi empat hasil yang ingin dipantau: lebih banyak pekerjaan memenuhi standar dengan waktu yang lebih sedikit terbuang untuk mengulang tugas atau mengambil alih secara manual; pengumpulan data dan penyesuaian yang lebih sedikit saat produk, tata letak, atau toko berubah; peningkatan yang tetap bertahan dalam penilaian independen tanpa mengorbankan keterampilan yang sudah ada; serta biaya operasional yang lebih rendah seiring bertambahnya pengalaman menghadapi giliran kerja dan arus pelanggan yang berbeda.

Uji coba di Shanghai memberikan contoh pelayanan yang bermanfaat sekaligus pekerjaan yang belum tuntas. Empat robot memenuhi standar tugasnya, sedangkan dua lainnya memperlihatkan kelemahan dalam mempertahankan fokus pada peran dan mengendalikan gerakan. Tugas teknis Agibot selanjutnya adalah menerapkan pembelajaran tersebut selama periode operasi yang lebih panjang dan di toko-toko yang kondisinya berubah, dengan menggunakan ukuran kinerja yang telah ditetapkan.

Poin Utama

• Enam robot Agibot Genie G2 menyelesaikan uji coba 24 jam di toko kelontong di Distrik Xuhui, Shanghai, pada 3 November 2026.
• Robot-robot tersebut mencatat 1.730 tugas selesai, termasuk 683 interaksi dengan pelanggan, 369 tugas penanganan barang dagangan, dan 147 penyajian kopi.
• Empat robot lulus. Robot pemeriksa rak tertinggal dari ritme toko, sementara robot pembersih keluar dari rute yang ditetapkan saat bertugas semalaman.
• Pengujian mencakup pembedaan jenis cola, merapikan kembali rak yang berantakan, dan menghindari orang serta kotak.
• Agibot mengatakan perubahan alur kerja dapat diterapkan keesokan harinya, sedangkan pembaruan model gerak menggunakan data uji coba diperkirakan membutuhkan waktu satu hingga dua minggu.
• Target komersial yang disampaikan perusahaan mencakup peningkatan tingkat keberhasilan, lebih sedikit gangguan, penerapan yang lebih mudah di toko baru, dan biaya operasional yang lebih rendah.