Runtime untuk AI Fisik: DeepMirror Menghadirkan OpenClaw ke Robot Unitree

(SeaPRwire) –   Wan Chai, HK, April 03, 2026 — Seiring agen AI semakin mahir dalam menangani tugas-tugas digital, hambatan baru mulai terlihat: memungkinkan transisi mereka ke eksekusi fungsional di dunia nyata.

Itulah yang menjadi landasan DeepMirror, sebuah startup yang memposisikan dirinya sebagai lapisan runtime untuk AI fisik. Perusahaan menyatakan telah mengintegrasikan OpenClaw dengan robot Unitree, menandai langkah awal untuk mengubah agen serbaguna menjadi sistem yang dapat merasakan, bergerak, bertindak, dan pulih di lingkungan dunia nyata.

Menjembatani “Kesenjangan Realitas”

Klaim di sini lebih besar dari sekadar demo robot tunggal. DeepMirror berpendapat bahwa titik kontrol penting berikutnya dalam robotika mungkin bukan model itu sendiri, atau bahkan perangkat kerasnya, melainkan runtime yang menghubungkan keduanya.

Menurut pandangannya, agen seperti OpenClaw semakin mampu memahami tujuan, merencanakan tugas, dan memanggil alat. Namun, penalaran tersebut tidak secara inheren diterjemahkan menjadi kompetensi fisik di rumah, kantor, atau lingkungan fisik lainnya. Robot di dunia nyata harus menangani kelas masalah yang sangat berbeda. Ia perlu tahu di mana posisinya, apa yang dilihatnya, apakah tugas benar-benar selesai, apa yang berubah di lingkungan, dan apa yang harus dilakukan ketika sesuatu berjalan salah. Ia harus berurusan dengan orang yang bergerak, jalur yang terhalang, kegagalan menggenggam, dan tindakan yang tidak lengkap.

Berbeda dengan perangkat lunak, eksekusi fisik tidak memiliki tombol undo yang mudah. Itulah lapisan yang diklaim DeepMirror ingin kuasai.

Dari Alur Kerja Digital ke Eksekusi Fisik

OpenClaw membantu mempopulerkan antarmuka yang berbeda untuk agen dengan memindahkannya dari terminal ke alur kerja percakapan yang lebih familiar. Alih-alih bertindak seperti alat pengembang, sistem dapat diberi tugas dalam bahasa alami, berjalan dalam jangka waktu lama, menjaga konteks, memantau pekerjaan secara terus-menerus, dan mendorong hasil kembali secara proaktif.

Namun, arsitektur agen semacam itu masih sebagian besar berada di dunia digital. Taruhan DeepMirror adalah bahwa, agar AI fisik dapat berguna dalam skala besar, agen memerlukan runtime yang dapat menerjemahkan niat tingkat tinggi ke dalam eksekusi fisik loop tertutup.

Daripada mengharuskan lapisan atas untuk mengelola lokomosi, persepsi, perencanaan gerakan, atau logika kontrol spesifik perangkat keras, perusahaan ingin agen mengeluarkan tujuan dan membiarkan runtime menangani sisanya. Secara praktis, itu berarti agen lapisan atas harus dapat mengatakan sesuatu seperti “periksa apakah kompor mati,” atau “bawakan saya barang di atas meja,” tanpa perlu memahami SLAM, fusi sensor, odometri, atau urutan tindakan di tingkat perangkat keras.

Empat Abstraksi Eksekusi

DeepMirror menggambarkan arsitekturnya sebagai tumpukan di bawah runtime agen. Di bagian atas terdapat OpenClaw, yang menangani niat, perencanaan, orkestrasi, dan penggunaan alat. Di bawahnya adalah runtime fisik DeepMirror, yang menangani eksekusi di dunia nyata. Perusahaan mengelompokkan lapisan eksekusi tersebut ke dalam empat abstraksi:

• Pemahaman Semantik: Menerjemahkan niat bahasa alami menjadi tujuan mesin yang dapat ditindaklanjuti.

• Mobilitas Spasial: Menavigasi lingkungan dinamis dengan rintangan bergerak.
• Generasi Aksi Dinamis: Menangani manipulasi objek secara real-time.
• Dukungan Lintas Embodimen: Memungkinkan logika agen yang sama berjalan di berbagai perangkat keras robot, dari quadruped hingga humanoid.

Dengan kata lain, ia ingin memungkinkan satu logika agen lapisan atas berjalan di berbagai jenis robot tanpa memaksa pengembang untuk membangun kembali seluruh sistem untuk setiap platform perangkat keras. Jika itu berhasil, itu akan membuat lapisan runtime menjadi penting secara strategis.

Keandalan dan Memori

Banyak perangkat lunak robotika saat ini masih sangat terkait dengan mesin tertentu, sensor tertentu, atau alur tugas yang sempit. DeepMirror mencoba membuat lapisan itu lebih serbaguna. Perusahaan menyatakan bahwa runtime-nya dirancang untuk membuat eksekusi fisik dapat diamati, dapat diinterupsi, dan dapat dipulihkan, sambil mempertahankan status dan batasan keselamatan selama penyelesaian tugas.

Perusahaan juga menekankan memori. Menurut perusahaan, sistemnya menggabungkan lapisan kognitif langsung, memori spasial, dan memori temporal. Idenya adalah untuk memberi agen lebih dari sekadar pipeline persepsi sekali jalan. Alih-alih hanya mengenali objek dalam satu bingkai, sistem melacak di mana objek berada, apa yang terjadi sebelumnya dalam tugas, mengapa tindakan sebelumnya gagal, dan bagaimana lingkungan saat ini berhubungan dengan upaya sebelumnya.

Itu penting karena banyak hal yang merusak sistem robotika bukanlah tindakan pertama. Itu adalah semua yang terjadi setelah lingkungan berubah.

Protokol Kontrol Robot Asli Agen

Pada tingkat kontrol, DeepMirror menyatakan telah membangun apa yang disebutnya “Protokol Kontrol Robot Asli Agen.” Perusahaan membingkainya sebagai sistem eksekusi yang digerakkan oleh tujuan daripada sistem perintah langsung. Alih-alih mengirim instruksi motor mentah dari atas, agen mengirimkan niat, batasan, dan konteks, dan runtime menyelesaikannya menjadi keterampilan, modul, dan tindakan perangkat keras sambil mempertahankan loop umpan balik dan jalur pemulihan.

Lapisan Tengah Strategis

Pembingkaian itu semakin relevan karena semakin banyak perusahaan AI mulai melihat melampaui otomatisasi browser dan asisten pengkodean menuju robot, perangkat, dan sistem dunia nyata lainnya.

Pertanyaan pasar yang lebih luas adalah apakah lapisan pemenang dalam AI fisik akan menjadi model dasar, pembuat robot, atau tumpukan eksekusi di antaranya. DeepMirror jelas bertaruh pada opsi ketiga. Integrasi Unitree perusahaan masih dalam tahap awal, tetapi menunjukkan ambisi yang lebih besar: menjadi runtime yang memungkinkan agen serbaguna beroperasi secara andal di dunia fisik, terlepas dari badan robot apa yang ada di bawahnya.

Jika agen AI akan beralih dari perangkat lunak yang membantu menjadi operator fisik yang berguna, lapisan tengah itu bisa menjadi sangat penting.

KONTAK: YAN QINRUI
qinrui.yan@looper-robotics.com