Kemajuan teknologi kecerdasan buatan (AI) semakin dekat dengan cara kerja otak manusia. Salah satu terobosan terbaru adalah Liquid Neural Networks (LNNs), arsitektur jaringan saraf yang dirancang untuk lebih fleksibel, adaptif, dan responsif terhadap perubahan lingkungan. Konsep ini sangat relevan bagi pengembangan robot lunak (soft robotics), yang dituntut mampu beroperasi di dunia nyata dengan dinamika yang kompleks dan tidak terduga.
Berbeda dengan jaringan saraf tradisional yang cenderung statis setelah dilatih, Liquid Neural Networks dirancang agar bobot dan strukturnya dapat berubah secara dinamis sesuai input baru yang diterima. Hasilnya adalah sistem kecerdasan yang lebih mirip otak biologis, mampu menyesuaikan perilaku tanpa harus dilatih ulang dari awal. Hasani et al. (2021) menunjukkan bahwa LNN dapat memproses data sekuensial dengan lebih baik, bahkan dalam kondisi lingkungan yang penuh ketidakpastian.
Robot lunak adalah salah satu bidang aplikasi paling menjanjikan untuk LNN. Robot ini, yang terbuat dari material fleksibel seperti silikon atau polimer, digunakan dalam berbagai sektor mulai dari kesehatan (misalnya robot bedah minimal invasif) hingga eksplorasi lingkungan ekstrem. Agar efektif, robot lunak harus bisa beradaptasi secara real-time terhadap tekanan, deformasi, dan kondisi tak terduga. Liquid Neural Networks memberi mereka “otak fleksibel” yang memungkinkan penyesuaian cepat terhadap skenario dunia nyata.
Salah satu keunggulan LNN adalah efisiensi komputasi. Karena bobot jaringan dapat menyesuaikan diri, LNN tidak memerlukan dataset pelatihan yang sangat besar seperti deep neural networks pada umumnya. Hal ini menjadikannya lebih hemat sumber daya, cocok untuk perangkat dengan keterbatasan daya seperti robot portabel atau sistem edge AI. Menurut Rus dan Hasani (2021), LNN menunjukkan performa unggul dalam navigasi drone kecil yang harus menghadapi kondisi cuaca tak menentu.
Meski potensinya besar, pengembangan LNN juga menghadapi tantangan. Desain arsitektur yang dinamis membuat analisis teoretis dan debugging lebih kompleks. Selain itu, standardisasi framework pemrograman LNN masih terbatas, sehingga adopsi skala industri belum meluas. Namun, tren penelitian global menunjukkan bahwa LNN dapat menjadi salah satu fondasi utama bagi sistem AI generasi berikutnya, terutama untuk aplikasi dunia nyata yang penuh variabilitas.
Dengan Liquid Neural Networks, masa depan robot lunak bukan hanya sekadar mesin lentur, tetapi sistem otonom yang benar-benar adaptif dan responsif. Kombinasi material fleksibel dengan “otak cair” ini berpotensi membuka jalan bagi robot masa depan yang bisa bekerja di rumah sakit, ruang angkasa, hingga lingkungan berbahaya dengan kecerdasan yang mendekati manusia.
Referensi
- Hasani, R., Lechner, M., Amini, A., Rus, D., & Grosu, R. (2021). Liquid Time-Constant Networks. Proceedings of the AAAI Conference on Artificial Intelligence, 35(9), 7657–7666. https://doi.org/10.1609/aaai.v35i9.16936
- Hasani, R., Lechner, M., Rus, D., & Grosu, R. (2020). Closed-form continuous-time neural networks. Nature Machine Intelligence, 2(7), 436–446. https://doi.org/10.1038/s42256-020-0180-9
- Rus, D., & Tolley, M. T. (2015). Design, fabrication and control of soft robots. Nature, 521(7553), 467–475. https://doi.org/10.1038/nature14543
- Lechner, M., Hasani, R., Amini, A., Henzinger, T. A., Rus, D., & Grosu, R. (2020). Neural circuit policies enabling auditable autonomy. Nature Machine Intelligence, 2(10), 642–652. https://doi.org/10.1038/s42256-020-00237-3
- Pfeifer, R., Lungarella, M., & Iida, F. (2012). The challenges ahead for bio-inspired ‘soft’ robotics. Communications of the ACM, 55(11), 76–87. https://doi.org/10.1145/2366316.2366335