Lompatan Physical AI dan Perang Mini Workstation: Menguji Masa Depan AI Lokal

Dunia kecerdasan buatan tidak lagi terkunci di dalam antarmuka chatbot berbasis web. Hari ini, para developer menghadapi dua pergeseran masif sekaligus, yaitu bagaimana AI dihubungkan langsung ke dunia nyata lewat robotik (Physical AI) serta hardware apa yang sanggup mengangkat beban komputasi model ratusan miliar parameter di atas meja kerja tanpa bergantung pada cloud. Lewat ulasan komprehensif ini, kita akan membedah Review Spectacles Dimensional OS dan AMD Ryzen AI Halo vs DGX Spark untuk melihat bagaimana ekosistem software spasial dan mesin komputasi lokal saling beradu efisiensi.

Bagi praktisi yang terbiasa berkutat dengan pipeline machine learning dan hardware edge, menggabungkan augmented reality dengan robotika quadruped bukan sekadar gimmick pameran teknologi. Di sisi lain, perdebatan memilih mesin inferensi lokal antara arsitektur x86 dual-OS milik AMD, ekosistem CUDA milik NVIDIA DGX Spark, hingga bandwidth monster dari Mac Studio M5 Ultra menyajikan fakta performa yang sarat kompromi.

Menjembatani Kacamata AR ke Fisik Robot: Arsitektur Dimensional OS

Membangun interaksi antara manusia dan robot berkaki empat seperti Unitree Go2 atau humanoid Unitree G1 membutuhkan tumpukan software yang solid. Proyek eksperimental yang memanfaatkan Snap Spectacles 2024 developer kit bersama Dimensional OS (DimOS) mencoba menyelesaikan masalah krusial ini: bagaimana memvisualisasikan data sensor LiDAR dan mengirimkan perintah navigasi secara real-time langsung dari pandangan mata pengguna.

Kunci dari sistem ini terletak pada modul DimOS AR-Bridge (dimos-ar) yang ditulis dalam bahasa Python. Bridge ini berperan sebagai server WebSocket yang menerjemahkan telemetri robot, jalur navigasi, hingga stream data spasial ke klien referensi di Lens Studio.

bash
# Inisialisasi cepat stack navigasi robot via launcher Dimensional OS
cd /path/to/spectacles-dimensional-os
./launcher/scripts/start-launcher.sh

Jika memilih setup manual tanpa launcher web di http://127.0.0.1:8790, blueprint sistem dijalankan langsung memanfaatkan koordinasi modul DimOS:

bash
cd /path/to/spectacles-dimensional-os/dimos-ar
/path/to/dimos/.venv/bin/python3 -m pip install -e ".[dev]"
sudo ../launcher/scripts/configure-system.sh --apply
export ROBOT_IP=<robot-lan-ip>

/path/to/dimos/.venv/bin/python3 -c "
import sys
sys.path.insert(0, '.')
from dimos.core.coordination.module_coordinator import ModuleCoordinator
from dimos.ar.blueprints import ar_go2
ModuleCoordinator.build(ar_go2).loop()
"

Struktur sistem ini dirancang modular. Komponen WorldFrameState menyimpan transformasi spasial antara kacamata AR dan robot. Modul tag_tracking dan registration menangani kalibrasi awal, sedangkan navigation mengatur pergerakan koordinat tujuan.

Mengatasi Penyakit Klasik Odometri: Drift dan Kalibrasi AprilTag

Salah satu tantangan terbesar kontrol robot mobile adalah pose drift. Unitree Go2 mengandalkan estimasi odometri internal yang rentan mengalami akumulasi error seiring jarak tempuh. Dalam pengujian, drift posisi rata-rata mencapai sekitar 25 cm untuk setiap jarak tempuh 5 meter.

Untuk mengatasi pergeseran koordinat visual ini, sistem memanfaatkan penanda fisik AprilTag berukuran 70 mm yang dicetak dengan skala 100%. Pada Unitree Go2, satu tag (ID 0) dipasang rata pada bagian atas bodi robot, berjarak 18 cm di depan titik tengah dan 6 cm ke atas. Sementara pada humanoid Unitree G1, konfigurasi dirancang memakai dua tag: ID 0 di panel dada dan ID 1 di punggung.

Kamera pada Snap Spectacles mendeteksi penanda ini secara berulang saat pengguna berjalan di sekitar robot dengan jarak 0,5 hingga 1,5 meter. Setiap kali tag tertangkap kamera, bridge langsung mengoreksi deviasi antara estimasi odometri robot dengan posisi dunia nyata yang dilihat oleh kacamata AR.

Antarmuka Spasial dan Beban Termal LiDAR

Melalui Spectacles Lens, pengguna dapat membuka menu pergelangan tangan (wrist menu) hanya dengan mengangkat telapak tangan kiri. Menu ini menyediakan tombol Emergency Stop, pergantian mode, serta kontrol rendering LiDAR.

Fitur visualisasi point cloud LiDAR memiliki tiga mode: off, obstacles only (penyaringan berbasis jarak di sisi bridge yang hemat daya), dan full point cloud. Menampilkan point cloud penuh langsung di depan mata memang memukau, namun beban komputasinya tergolong berat dan berisiko membuat kacamata AR mengalami panas berlebih jika dibiarkan aktif dalam durasi panjang.

Di dalam Agent Mode, pengguna cukup mengucap wake word "Robot" untuk memicu speech-to-text pada Spectacles. Transkrip suara diteruskan ke model GPT-4o yang berjalan di Mac (membutuhkan konfigurasi OPENAI_API_KEY) untuk memanggil fungsi seperti navigate_to_user, relative_move, draw_line, atau cancel_navigation. Jika pengguna ingin mengambil kendali manual, marker navigasi cukup ditarik dengan gestur tangan, seketika membatalkan instruksi agent secara instan.

Arena Mesin AI Lokal: AMD Ryzen AI Halo vs DGX Spark

Beralih dari level antarmuka fisik ke mesin pengolah model fondasi lokal. Menjalankan model AI modern berbobot puluhan hingga ratusan miliar parameter menuntut komputasi desktop kelas workstation mini. Dua kubu menghadirkan filosofi desain yang sangat bertolak belakang: AMD Ryzen AI Halo dan NVIDIA DGX Spark.

NVIDIA membangun DGX Spark seharga $4.699 berbasis chip Grace Blackwell, membawa 128GB unified memory dengan bandwidth 273 GB/s. Kekuatan utamanya bertumpu pada arsitektur GPU Blackwell dengan Tensor Cores generasi kelima, dukungan sparse FP4 hingga 1 PFLOP, serta ekosistem software matang berbasis CUDA, PyTorch, TensorRT-LLM, dan vLLM. Namun sistem ini terkunci secara eksklusif pada DGX OS (Linux) dan memakai SSD form factor 2242.

AMD menjawab lewat platform developer Ryzen AI Halo seharga $3.999. Mengusung prosesor Ryzen AI Max+ 395 (16-core, 32-thread Zen 5), grafis terintegrasi Radeon 8060S (40 Compute Units RDNA 3.5), dan NPU XDNA 2 berdaya 50 TOPS, mesin ini menawarkan 128GB memori LPDDR5x-8000 berkecepatan 256 GB/s dalam konsumsi daya 120W via USB-C.

Perbedaan paling mendasar adalah fleksibilitas sistem operasi. Ryzen AI Halo adalah mesin x86 murni yang mampu menjalankan Windows 11 maupun Linux, menyediakan slot M.2 2280 standar yang mudah di-upgrade hingga 8TB, serta fitur Variable Graphics Memory yang sudah diatur otomatis dari pabrik.

Perbandingan Spesifikasi Desktop AI Lokal

Parameter / Fitur	AMD Ryzen AI Halo	NVIDIA DGX Spark	Apple Mac Studio M5 Ultra
Arsitektur Utama	Zen 5 (16C/32T) + RDNA 3.5 (40 CU)	Grace Blackwell Superchip	M5 Ultra (Apple Silicon)
Kapasitas Memori	128GB Unified LPDDR5x	128GB Unified Memory	256GB / 512GB Unified Memory
Bandwidth Memori	256 GB/s	273 GB/s	1.2 TB/s (1200 GB/s)
Dukungan OS	Windows 11 & Linux	DGX OS (Linux Only)	macOS
Interkoneksi Jaringan	10GbE Ethernet	200Gbps ConnectX-7 NIC	10GbE Ethernet
Form Factor SSD	M.2 2280 (Support up to 8TB)	M.2 2242	Proprietary Module
Harga Acuan	$3.999	$4.699 (Founders Edition)	Kelas Flagship Premium

Analisis Performa: CPU Benchmark vs Token Throughput

Uji performa StorageReview memperlihatkan pemisahan beban kerja yang sangat jelas di antara kedua platform ini.

Keunggulan Komputasi Umum Ryzen AI Halo

Dalam pengujian berbasis CPU dan produktivitas harian di Windows maupun Linux, arsitektur Zen 5 pada Ryzen AI Max+ 395 mendominasi:

Cinebench R23 Multi-Core: Mencapai skor 37.316 (mengungguli HP Z2 Mini G1a di 37.156 dan ZBook Ultra G1a di 29.112).
7-Zip Compression: Menghasilkan 184.2 GIPS pada Windows. Pada pengujian Linux Phoronix Test Suite, Halo mengalahkan DGX Spark dengan keunggulan 11% pada kompresi dan 38% lebih cepat pada dekompresi.
LLVM Compilation: Menyelesaikan proses kompilasi kode 14% lebih cepat dibanding DGX Spark.
Procyon AI: Meraih skor Phi Text Generation tertinggi di angka 1.192 dengan latency time-to-first-token hanya 0,996 detik, serta Stable Diffusion 1.5 FP16 image generation score sebesar 937.

Realita Throughput vLLM dan Inferensi LLM

Namun, saat workload dialihkan ke serving model bahasa besar via vLLM di Linux, kartu truf Blackwell milik DGX Spark langsung membalikkan keadaan:

GPT OSS 120B (Prefill Heavy 8k/1k): DGX Spark melesat hingga 2.760 token per detik pada batch 64, sementara Halo tertinggal jauh di 314 token per detik (gap performa mencapai 8.8x).
Llama 3.1 8B Instruct FP4: Spark membukukan angka 3.573 token per detik berkat optimasi native low-precision compute, meninggalkan Halo di 267 token per detik (selisih 13.4x).
Mistral Small 3.1 24B Instruct (Decode Heavy 1k/8k): Pada skenario decode murni dengan batch rendah, gap menyempit drastis di mana Halo mencatatkan 119 token per detik berbanding 132 token per detik pada Spark (hanya selisih ~11%).

Faktor bottleneck memori juga menjadi sorotan penting. DGX Spark memang perkasa di fase prefill, tetapi saat melakukan decode satu per satu token pada model besar seperti Llama 3.1 70B FP8, kecepatannya turun menjadi 2.7 token per detik akibat batasan bandwidth 273 GB/s.

Inilah alasan mengapa Mac Studio M5 Ultra dengan bandwidth 1.2 TB/s dan opsi RAM hingga 512GB menjadi alternatif menarik bagi skenario inferensi model raksasa tunggal seperti Qwen3-235B-A22B (butuh ~118GB pada 4-bit) atau DeepSeek-R1 671B (~336GB pada 4-bit), meskipun Spark tetap tak terkalahkan dalam ranah pengembangan software berbasis CUDA, LoRA, QLoRA, dan cluster multi-node melalui port 200Gbps ConnectX-7 miliknya.

Menentukan Pilihan Sesuai Kebutuhan Nyata

Melihat peta kekuatan hardware dan software saat ini, keputusan akhir bermuara pada fokus pengembangan masing-masing tim:

Pilih Ekosistem Spectacles + Dimensional OS jika fokus proyek Anda adalah interaksi antarmuka spasial, navigasi robot otonom Unitree Go2/G1, dan visualisasi sensor fisik real-time berbasis WebRTC dan WebSocket.
Pilih AMD Ryzen AI Halo jika Anda membutuhkan satu mesin x86 serbaguna yang mendukung dual-OS Windows 11 dan Linux, penyimpanan M.2 2280 yang fleksibel, komputasi CPU compile super cepat, serta pengembangan model lokal berbasis ROCm hingga batas 200B parameter.
Pilih NVIDIA DGX Spark jika prioritas mutlak Anda adalah throughput serving vLLM/TensorRT-LLM skala tinggi, pipeline fine-tuning CUDA, atau rencana membangun cluster multi-mesin via interkoneksi 200Gbps.

Referensi

Tags : NVIDIA DGX AMD Ryzen Dimensional OS Hardware Review Robotics Local Ai