Jalan DeepSeek Menuju 10 Triliun Dolar AS: Mengungkit Ekosistem Perangkat Keras Bernilai Triliunan dengan Open Source

marsbitDipublikasikan tanggal 2026-05-25Terakhir diperbarui pada 2026-05-25

Abstrak

Artikel ini menganalisis strategi jangka panjang DeepSeek, yang diyakini tidak berfokus pada monetisasi aplikasi langsung seperti langganan atau model multimodal. Sebagai gantinya, tujuan utamanya adalah membentuk ekosistem perangkat keras AI alternatif senilai $10 triliun, yang pada akhirnya akan mendorong valuasi DeepSeek sendiri menjadi $1 triliun. Strategi ini didorong oleh serangkaian inovasi mendalam yang dirancang untuk mengurangi ketergantungan pada komputasi dan memori tinggi (seperti HBM) yang saat ini didominasi oleh teknologi Barat. Inovasi seperti MoE, MLA, DSA, CSA, dan Engram secara signifikan mengkompresi kebutuhan KV Cache (hingga 5.48GB untuk konteks 1 juta token pada DeepSeek V4 vs 60-89GB pada model lain), mengurangi beban pada GPU/ASIC, dan mengalihkan beban ke memori yang lebih terjangkau seperti SSD/NAND (diproduksi YMTC) dan LPDDR (diproduksi CXMT). Dengan menurunkan kebutuhan komputasi puncak dan memanfaatkan memori yang melimpah di China, DeepSeek membuka jalan bagi penggunaan GPU dan ASIC domestik serta vendor baru di Barat. Inovasi seperti TileLang juga bertujuan untuk melemahkan ketergantungan pada ekosistem CUDA. DeepSeek diperkirakan akan membentuk kemitraan strategis dan mendapatkan kepemilikan saham di perusahaan perangkat keras China, mirip dengan cara OpenAI berkolaborasi dengan AMD dan Cerebras, sebagai model monetisasi utamanya alih-alih pendapatan langganan tradisional.

Judul Asli: DeepSeek's 10 trillion USD grand strategy

Penulis Asli: @bookwormengr

Kompilasi Asli: Peggy,BlockBeats

Catatan Redaksi: Selama setahun terakhir, sebagian besar diskusi tentang DeepSeek berfokus pada kinerja model, strategi open source, dan perang harga. Namun, jika DeepSeek hanya dipahami dari segi "jual langganan atau tidak", "ada multimodalitas atau tidak", "bisa jadi coding agent atau tidak", mungkin kita meremehkan hal yang benar-benar ingin diubahnya.

Artikel ini mengajukan penilaian yang lebih radikal: Tujuan DeepSeek mungkin bukan monetisasi jangka pendek di lapisan aplikasi, melainkan serangkaian inovasi arsitektur dasar untuk membentuk kembali struktur biaya pelatihan dan inferensi AI, dan secara tidak langsung mendorong terbentuknya ekosistem perangkat keras baru. Dari MoE, MLA ke DSA, CSA, mHC, Engram, lalu Dual Path dan TileLang, garis teknologi DeepSeek selalu berpusat pada satu masalah inti: Dalam situasi di mana HBM, teknologi proses canggih, kemasan (packaging), dan ekosistem CUDA terbatas, bagaimana menjalankan model yang lebih kuat dengan komputasi canggih yang lebih sedikit.

Yang paling patut diperhatikan dalam artikel ini, bukanlah "apakah DeepSeek bisa mendapatkan pendapatan miliaran dolar AS melalui API atau langganan", melainkan apakah ia sedang mengikat kemampuan model, sistem memori, dan ekosistem perangkat keras domestik menjadi satu. Kompresi KV Cache mengurangi ketergantungan pada HBM, NAND dan SSD dapat menampung cache jangka panjang, LPDDR dapat digunakan untuk streaming loading bobot dan penyimpanan Engram, sementara TileLang berusaha melemahkan benteng CUDA. Jika inovasi-inovasi ini terus menyebar, yang diuntungkan bukan hanya DeepSeek sendiri, tetapi juga penyimpanan, ASIC, GPU, chip jaringan, dan seluruh rantai infrastruktur AI.

Tentu saja, penilaian dalam artikel tentang "ekosistem industri 10 triliun dolar AS" dan "valuasi 1 triliun dolar AS" masih mengandung spekulasi yang kuat. Namun, artikel ini memberikan jalan penting untuk memahami DeepSeek: Open source tidak selalu berarti meninggalkan komersialisasi, harga murah juga tidak selalu sekadar subsidi pasar. Bagi DeepSeek, bisnis sebenarnya mungkin tidak berada di lapisan aplikasi, melainkan dalam membantu lebih banyak perangkat keras menjadi dapat digunakan, membuat pasokan AI berbiaya lebih rendah menjadi mungkin. Dengan kata lain, yang dijual mungkin bukan model itu sendiri, melainkan kelayakan infrastruktur AI generasi berikutnya.

Berikut adalah teks aslinya:

Pernahkah Anda bertanya-tanya, bagaimana DeepSeek benar-benar akan menghasilkan uang, dan mungkin banyak uang?

Ia tidak meluncurkan skema langganan pemrograman yang kompetitif seperti GLM, MoonShot, dan MiniMax; juga tidak memiliki model multimodal, audio, video. Sampai saat ini, ia bahkan belum memiliki harness-nya sendiri, yaitu kerangka kerja eksekusi lapisan luar untuk pemanggilan model, akses alat, dan eksekusi tugas—meskipun mereka baru-baru ini mulai merekrut untuk posisi terkait, mempersiapkan pembangunan sistem ini.

Sementara itu, DeepSeek tampaknya juga berdiri tegas di pihak open source untuk jangka panjang, bahkan sangat senang berbagi "rahasianya". Bukankah ini gila? Bukankah ini membakar uang sia-sia? Apakah investor yang bersiap menginvestasikan 100 miliar dolar AS padanya sedang membuang uang ke selokan?

Menurut saya pribadi, jawabannya justru sebaliknya.

Selanjutnya, saya akan mengajukan beberapa observasi berdasarkan hal-hal yang telah dilakukan DeepSeek sejauh ini, dan menganalisis strategi yang tampaknya sedang diikutinya. Target CEO DeepSeek Liang Wenfeng mungkin jauh melampaui persaingan model saat ini. Sasaran yang dia bidik mungkin adalah hadiah yang lebih besar: DeepSeek berpeluang mengejar valuasi 1 triliun dolar AS, sambil mendorong terbentuknya industri baru senilai 10 triliun dolar AS.

Laporan TechInAsia tentang putaran pendanaan terbaru DeepSeek

Mengunjungi Kembali "Perjalanan Sang Pahlawan" DeepSeek

DeepSeek selalu berjalan melawan arus. Ia tidak memilih terus-menerus meluncurkan model yang sedikit lebih kuat, lalu terburu-buru mengemasnya menjadi aplikasi yang bisa langsung dimonetisasi, seperti skema langganan pemrograman. Pada 27 Januari 2025, saya pernah memposting tweet yang tersebar luas, menceritakan "perjalanan sang pahlawan" DeepSeek menurut saya. Sekarang, kisah ini menjadi lebih menarik.

Saat orang lain masih mencoba membangun model padat (dense), DeepSeek memilih model campuran ahli (Mixture of Experts, MoE) yang lebih sulit dilatih.

Mereka menggunakan metode "prinsip pertama" (first principles), menemukan algoritma GRPO baru, untuk menggantikan algoritma pembelajaran penguatan (Reinforcement Learning) PPO yang lebih mahal saat itu.

Mereka menemukan bahwa pembelajaran penguatan berbasis reward yang dapat diverifikasi (Reinforcement Learning from Verified Rewards, RLVR), adalah strategi kunci untuk meningkatkan kemampuan penalaran model.

Mereka juga mengusulkan strategi decoding spekulatif sederhana melalui "prediksi multi-token" (Multi Token Prediction), sekaligus membuat sinyal pelatihan menjadi lebih padat.

Mereka menyempurnakan pipeline "zero bubble", untuk meningkatkan efisiensi pemanfaatan sumber daya GPU yang terbatas.

Mereka merilis load balancer ahli (expert), membuat semua orang lebih mudah menggunakan model MoE. Terutama melalui strategi "Wide Expert Parallel", model dapat disajikan dengan batch yang lebih besar, sehingga secara drastis menurunkan biaya inferensi.

Mereka menciptakan mekanisme MLA, DSA, CSA, HCA, untuk mengurangi kebutuhan KV Cache, dan membuat kebutuhan komputasi yang bertambah seiring panjang konteks sedapat mungkin tetap mendekati konstan.

Mereka menciptakan Engram, mempertukarkan memori dengan efisiensi komputasi.

Mereka juga menciptakan mHC, memungkinkan pelatihan stabil ketika skala model diperbesar. Masih banyak contoh serupa lainnya.

Dalam struktur narasi paling umum "perjalanan sang pahlawan", sang pahlawan tidak pernah memutuskan sejak awal ke mana perjalanannya benar-benar menuju. Dia belajar sepanjang jalan, secara bertahap menemukan misinya yang benar-benar besar, dan menyelesaikannya di bawah berbagai rintangan. Dia akan bertemu banyak orang yang meragukannya, tetapi dia memilih mengabaikan mereka. Dia juga akan bertemu banyak pelaku jahat. Dia memiliki kelemahan atau kekurangan yang jelas, tetapi akhirnya mengatasi masalah ini, menyelesaikan misinya. Dia menghadapi tantangan yang tampak mustahil untuk dilewati, tetapi bisa menemukan cara untuk bersekutu, dan belajar bagaimana menggunakan sumber daya yang terbatas dan berharga dengan bijak. Inilah yang membuat penonton ingin menyemangati sang pahlawan. Inilah juga alasan DeepSeek mendapatkan pengikut, rasa hormat global, serta penentang.

Seperti yang akan saya jelaskan secara rinci nanti, DeepSeek telah menempuh jalan ini cukup lama, dan secara bertahap menemukan takdir terakhirnya: Tujuannya bukan menjual skema langganan pemrograman, melainkan mendorong ekosistem perangkat keras AI Tiongkok senilai 10 triliun dolar AS, dan membuat dirinya sendiri mencapai valuasi 1 triliun dolar AS. Dalam proses ini, ia juga akan menciptakan peluang bagi banyak pemain baru dalam ekosistem perangkat keras Barat.

Mari Mulai dengan Beberapa Perhitungan KV Cache yang Menarik

Lihat tweet @SemiAnalysis_ yang sangat tepat waktu ini:

DeepSeek telah menyelesaikan masalah ini lebih baik daripada siapa pun!

Mari kita lakukan beberapa perhitungan KV Cache yang menarik. Jangan khawatir, meskipun Anda tidak suka matematika. Kami akan menggunakan kalkulator KV Cache yang baru dirilis, untuk melihat berapa banyak penghematan KV Cache yang dapat dibawa oleh DeepSeek V4 Pro, dan membandingkannya dengan model GLM dan Qwen terbaru.

Di sini saya menghitung dengan panjang konteks 1 juta, mengasumsikan presisi KV 8 bit, presisi indekser 16 bit. Anda juga bisa mencobanya sendiri dengan membuka kalkulator ini: https://kvcache.ai/tools/kv-cache-calculator/

Anda juga bisa mencobanya sendiri dengan membuka kalkulator!

Pada panjang konteks 1 juta:

· DeepSeek V4 hanya membutuhkan 5.48GB HBM;

· GLM-5 membutuhkan 60GB HBM;

· Qwen3-235B-A22B bahkan membutuhkan HBM setinggi 89GB.

Perlu diperhatikan:

· DeepSeek adalah model dengan 1,6 triliun parameter;

· GLM-5 sekitar 700 miliar parameter, dan sudah menggunakan MLA dan DSA milik DeepSeek, meskipun belum menggunakan mekanisme perhatian terkompresi terbaru;

· Qwen3-235B-A22B sekitar 235 miliar parameter, menggunakan mekanisme perhatian GQA.

DeepSeek telah memberikan kontribusi mendasar dalam meredakan tekanan memori. Jika inovasi semacam ini diadopsi secara luas, akan secara signifikan menurunkan biaya operasi agen siklus panjang, dan membuka kunci batch aplikasi baru berikutnya.

Perbandingan penggunaan KV Cache pada konteks 1 juta Token dengan skala model

Metodologi di Balik "Kegilaan"

Alasan ukuran KV Cache bisa menjadi sangat kecil, sekaligus tidak mengorbankan kualitas model, adalah alasan DeepSeek dapat menyediakan cache jangka panjang dengan harga yang sangat rendah—harganya bahkan kurang dari 3% dari harga cache hit Sonnet 4.6, dan DeepSeek dapat menyimpan cache selama berjam-jam.

Untuk tugas siklus panjang, KV Cache yang lebih kecil berarti dapat dibongkar ke SSD dengan lebih ekonomis, dan dimuat ulang saat diperlukan. Dengan demikian, ketergantungan pada HBM dapat dikurangi. Dari perspektif industri perangkat keras AI Tiongkok, HBM tidak hanya pasokan ketat, tetapi juga tipe memori yang paling sulit diproduksi.

Selain itu, DeepSeek juga mengembangkan teknologi untuk memuat KV Cache dari SSD lebih cepat, yang telah dijelaskan dalam makalah Dual Path mereka.

Kompresi KV Cache pada DeepSeek V4 sangat besar, sehingga langkah ini bahkan mungkin tidak lagi diperlukan.

Lalu, siapa penerima manfaat langsung dari kompresi KV Cache?

Siapa yang memasok SSD dalam skala besar? Jangan lupa, YMTC (Yangtze Memory Technologies Co., Ltd.) sedang tumbuh menjadi raksasa di bidang 3D NAND. NAND dapat membantu DeepSeek menghindari komputasi ulang KV. Sebaliknya, DeepSeek juga menciptakan pasar besar untuk NAND dan SSD—ini tidak hanya menguntungkan YMTC, tetapi juga produsen terkait lainnya.

Namun, ini tidak hanya tentang NAND dan SSD.

Memori LPDDR juga memiliki potensi besar. Ia dapat berfungsi sebagai tempat penyimpanan bobot model, dan melakukan streaming bobot tersebut ke HBM saat diperlukan, sehingga meredakan tekanan kebutuhan HBM. Tim SGLang pernah mempublikasikan blog yang bagus tentang ini. Gambar di bawah ini menunjukkan cara kerja skema ini.

Meskipun DeepSeek tidak merancang secara khusus untuk skema ini, arsitektur MoE-nya, model ahli yang banyak, dan karakteristik bobot 4 bit, semuanya membuat skema ini lebih mudah diimplementasikan.

Diagram skematis ini menunjukkan bagaimana memori mungkin digunakan, dan bagaimana bobot model di-streaming dari LPDDR ke HBM. Sangat disarankan untuk membaca blog SGLang tersebut.

Inovasi ini, jika digabungkan dengan KV Cache yang sangat kompak dan lossless, akan secara signifikan mengurangi kebutuhan HBM.

Lalu, siapa di Tiongkok yang memproduksi LPDDR? Jawabannya adalah CXMT, atau ChangXin Memory Technologies. Mereka hanya tertinggal sekitar setengah generasi dalam kecepatan LPDDR, dan satu generasi dalam kepadatan, tidak terlalu jauh.

Selain pasokan NAND yang cukup, ekosistem AI Tiongkok dalam waktu dekat juga akan memiliki pasokan LPDDR yang cukup. Apakah ini dapat meredakan tekanan komputasi? Jawabannya: Ya. Mari lanjutkan.

Penggunaan Memori yang Cerdas Juga Dapat Meredakan Tekanan GPU / ASIC

Fungsi menggunakan NAND untuk menyimpan KV Cache sebenarnya mudah dipahami: Ia dapat mempertahankan KV Cache lebih lama, mengurangi tekanan pada HBM, sekaligus menghindari komputasi ulang KV Cache, sehingga meringankan beban komputasi GPU dan ASIC.

Lalu, apakah LPDDR juga dapat berfungsi dengan cara serupa? Selain sebagai lokasi penyimpanan yang dapat "streaming on-demand" bobot ke HBM, apakah ia dapat lebih jauh mengurangi tekanan komputasi?

Jawabannya: Ya.

LPDDR dapat digunakan untuk menyimpan sejumlah besar konten yang disebut Engram. Dalam makalah Engram DeepSeek, mereka menunjukkan bahwa MoE dapat memperluas kapasitas model melalui komputasi bersyarat, tetapi Transformer sendiri kekurangan mekanisme "pencarian pengetahuan" asli. Oleh karena itu, Transformer sering kali terpaksa mensimulasikan proses pengambilan (retrieval) secara tidak efisien melalui komputasi.

Untuk mengatasi masalah ini, DeepSeek mengusulkan modul Engram. Ia memodernisasi embedding N-gram klasik, mengubahnya menjadi mekanisme pencarian berbasis hash O(1), sehingga menciptakan jalur pensparsian pelengkap, yang mereka sebut memori bersyarat (conditional memory).

Cara ini dapat menghemat komputasi, tetapi juga membutuhkan memori untuk membawa tabel embedding, dan tabel itu sendiri bisa sangat besar.

Pada dasarnya, ini adalah skema tipikal "mempertukarkan memori dengan komputasi". Namun, wawasan utamanya adalah: Dari biaya pembacaan per bit data, sisi "memori" jauh lebih murah—satu pencarian LPDDR, jauh lebih murah daripada membiarkan data melewati penuh beberapa lapisan Transformer untuk satu kali komputasi maju (forward). Oleh karena itu, dalam skala besar, ini adalah pertukaran yang sangat menguntungkan.

Ini adalah cara DeepSeek mengorbankan sebagian memori, untuk mendapatkan penghematan komputasi.

Pertukaran yang Layak Dilakukan

Karena tidak memiliki kepadatan transistor chip yang setara, juga tidak memiliki EUV, GPU dan ASIC Tiongkok dalam FLOPs mentah, kemungkinan akan tertinggal dari GPU Barat dalam jangka panjang. Mereka juga masih memiliki kesenjangan yang jelas dalam kemasan canggih (advanced packaging). Oleh karena itu, pertukaran semacam ini sangat layak dilakukan, terutama mengingat Tiongkok dapat memproduksi memori NAND dan LPDDR dalam jumlah besar.

Mengulas Strategi Jangka Panjang DeepSeek

Dari inovasi-inovasi ini, tujuan DeepSeek tampaknya bukan menghasilkan keuntungan beberapa miliar dolar AS saat ini. Banyak pilihan yang dibuatnya di masa lalu menunjukkan hal ini: Sampai sekarang belum memiliki multimodalitas, belum memiliki model suara, apalagi model video.

Ia benar-benar terlibat dalam permainan jangka panjang yang sabar, dengan skala mungkin mencapai 10 triliun dolar AS: Mendorong pembentukan ekosistem perangkat keras AI alternatif.

Ini bukan hanya agar produsen memori Tiongkok menjadi pemain kunci di pasar perangkat keras AI domestik dan global, tetapi lebih untuk secara fundamental mengurangi kebutuhan sumber daya, membuat pelatihan dan penyajian model AI menjadi lebih efisien biaya. Dengan demikian, banyak produsen GPU, ASIC, serta produsen chip jaringan, memiliki peluang menjadi pilihan yang layak.

Sementara itu, inovasi-inovasi ini juga akan menguntungkan ekosistem open source Barat, serta produsen perangkat keras generasi baru.

Sebenarnya semua tanda-tanda telah muncul. Mari kita tinjau secara rinci inovasi-inovasi yang telah diusulkan DeepSeek hingga saat ini:

1. Model Campuran Ahli (MoE) dan MLA yang diperkenalkan dalam DeepSeek V2

DeepSeek memperkenalkan MoE dan MLA dalam V2. MoE mengurangi kebutuhan komputasi untuk melatih model kecerdasan tinggi sekitar 40% hingga 50%; MLA mengurangi KV Cache hingga 90%.

Ini membuat pembongkaran KV Cache ke SSD menjadi cukup efisien.

Ide-ide ini pertama kali muncul dalam makalah DeepSeek V2 yang dirilis DeepSeek pada Mei 2024. Kemudian, mereka juga menjadi dasar pelatihan DeepSeek V3. Saat itu, DeepSeek hanya menggunakan 2048 GPU H800 yang performanya dilemahkan, untuk melatih sistem dengan kinerja mendekati level model closed-source.

2. DSA: Diperkenalkan dalam DeepSeek V3.2 Exp, untuk mengurangi overhead komputasi dalam skenario konteks panjang, sekaligus meredakan tekanan bandwidth HBM.

Fungsi inti DSA adalah memastikan volume komputasi tidak terus bertambah seiring peningkatan panjang konteks. Lihat grafik di bawah: Seiring bertambahnya panjang konteks, waktu pemrosesan DeepSeek-V3.2 tetap stabil.

3. mHC: Diusulkan DeepSeek pada Desember 2025 dalam makalah "mHC: Manifold-Constrained Hyper-Connections".

mHC adalah inovasi arsitektur makro DeepSeek, yang mendesain ulang cara aliran informasi antar lapisan Transformer.

Di masa lalu, sejak ResNet, model biasanya menggunakan koneksi residual standar, yaitu x + F(x). Sedangkan mHC memperluas aliran residual menjadi beberapa saluran informasi paralel, dan memungkinkan model untuk melakukan pencampuran yang dapat dipelajari di antara saluran-saluran ini. Kuncinya adalah, ia akan membatasi matriks pencampuran menjadi matriks bistokastik, yaitu membatasinya pada politop Birkhoff melalui proyeksi Sinkhorn-Knopp. Dengan cara ini, secara matematis dapat dijamin bahwa amplitudo sinyal dapat tetap stabil, berapa pun dalamnya model ditumpuk.

Ini memecahkan masalah ketidakstabilan katastropik yang dihadapi oleh Hyper-Connections tanpa kendala. Hyper-Connections awalnya diusulkan oleh ByteDance, tetapi tanpa kendala, amplifikasi sinyal akan meledak hingga 3000 kali pada skala 27 miliar parameter, akhirnya menyebabkan pelatihan benar-benar gagal.

Biaya komputasi mHC rendah: Ia hanya membawa overhead waktu pelatihan aktual sekitar 6,7%, karena tidak mengubah FLOPs lapisan perhatian atau FFN, hanya mengubah cara keluaran lapisan-lapisan ini dirutekan antar lapisan.

Namun peningkatan kinerjanya cukup signifikan: Pada skala 27 miliar parameter, mHC meningkatkan skor 7,2 poin pada tugas penalaran BIG-Bench Hard, 3,2 poin pada DROP, 2,8 poin pada tugas matematika GSM8K, dan 1,4 poin pada tugas pengetahuan umum MMLU. Dan peningkatan ini dicapai pada skala model yang sama, dengan anggaran komputasi yang hampir sama.

Pada dasarnya, mHC menyediakan topologi perutean informasi antar lapisan yang lebih kaya dan lebih ekspresif untuk jaringan, mencapai kecerdasan per parameter yang lebih tinggi dengan hampir tidak ada tambahan FLOPs.

mHC adalah desain arsitektur yang kompleks, tetapi ia dapat membawa proses pelatihan yang lebih stabil, dan kecerdasan per parameter yang lebih tinggi.

4. CSA, HSA: Diperkenalkan DeepSeek pada April 2026 dalam V4.

Tujuan CSA dan HSA adalah dengan mengompresi Token KV, mengurangi kebutuhan KV Cache hingga 90% lagi, sekaligus secara signifikan mengurangi FLOPs yang dibutuhkan, sehingga secara bersamaan meredakan tekanan pada HBM serta GPU / ASIC.

5. Engram: Diperkenalkan DeepSeek pada kuartal pertama 2026, pada dasarnya dalam beberapa hal mempertukarkan memori, yaitu memori LPDDR, dengan efisiensi komputasi.

Seperti ditunjukkan oleh grafik rinci di bawah ini, dengan anggaran parameter total yang sama, Engram membawa peningkatan kinerja yang nyata.

6. Engram: Diperkenalkan DeepSeek pada kuartal pertama 2026, pada dasarnya dalam beberapa hal mempertukarkan memori, yaitu memori LPDDR, dengan efisiensi komputasi.

Seperti ditunjukkan oleh grafik rinci di bawah ini, dengan anggaran parameter total yang sama, Engram membawa peningkatan kinerja yang nyata.

Ini adalah saran yang dibagikan DeepSeek kepada produsen perangkat keras dalam makalah V4. Saya yakin, dalam diskusi offline, umpan balik yang mereka berikan hanya akan lebih banyak.

7. Investasi pada TileLang juga mengarah ke arah yang sama: DeepSeek tidak hanya menyelesaikan bottleneck komputasinya sendiri, tetapi mendorong ekosistem perangkat keras Tiongkok memiliki kemampuan bersaing dengan ekosistem Barat.

Dengan TileLang, pengembang dapat hanya menulis kernel sekali, yaitu kode dasar untuk komputasi, lalu membuatnya berjalan sukses di beberapa platform perangkat keras, asalkan platform tersebut telah memiliki dukungan backend TileLang yang sesuai.

Saya memperkirakan, laboratorium AI Tiongkok lainnya juga akan bergabung satu per satu. Ini akan membantu produsen perangkat keras Tiongkok menghadapi apa yang disebut "benteng CUDA" dengan cara tidak langsung. Bersamaan dengan itu, ia juga akan melepaskan potensi lebih banyak perangkat keras Barat, seperti AMD.

Perlu dijelaskan: Banyak platform perangkat keras AI Tiongkok telah menyediakan kemampuan kompatibilitas CUDA, atau lapisan penerjemah CUDA. Misalnya, Moore Threads, MetaX (Muxi), Biren Technology, dan Iluvatar CoreX (Tianshu Zhixin), adalah produsen chip Tiongkok dengan kompatibilitas CUDA yang cukup tinggi melalui lapisan penerjemah. Oleh karena itu secara teori, mereka tidak selalu membutuhkan TileLang.

Pembelajaran Penguatan Skala Besar dan RSI

Seiring DeepSeek mendapatkan lebih banyak sumber komputasi, yaitu pilihan perangkat keras yang lebih banyak, sekaligus kebutuhan model itu sendiri akan sumber daya komputasi menurun, ia akan dapat memajukan proyek pelatihan yang lebih ambisius, terutama pasca-pelatihan pembelajaran penguatan (reinforcement learning).

Pembelajaran penguatan membutuhkan pembuatan banyak lintasan (trajectory), yaitu menghasilkan triliunan Token. Proses ini dengan cepat menjadi sangat mahal. Lebih lanjut, jika ingin melatih model dengan panjang konteks 1 juta, perlu menghasilkan lintasan dengan panjang yang sama. Hanya dengan melatih model pada lintasan super panjang inilah, tugas siklus panjang benar-benar dapat didukung.

Selain itu, karena pilihan perangkat keras bertambah, sumber daya perangkat keras yang dapat dipanggil DeepSeek juga akan lebih banyak, ini akan mendorong penelitian otomatis, yaitu RSI. RSI mengacu pada AI yang merancang dan melaksanakan eksperimen sendiri. Metode ini melibatkan banyak trial and error, dan biayanya juga akan meningkat pesat. Namun RSI sangat penting untuk mengeksplorasi ruang desain model secara lengkap. Sebelum menuju AGI, dan kemudian menuju ASI, DeepSeek harus memiliki kemampuan RSI.

Apa yang Dilakukan DeepSeek Hari Ini, Seluruh Industri Akan Ikut Besok

Inovasi DeepSeek di sekitar model campuran ahli, MLA, DSA, dll., telah diadopsi satu per satu oleh laboratorium AI lain di seluruh dunia dan di Tiongkok.

Misalnya, ZAI, pengembang seri model GLM, menggunakan MLA dan DSA. Kimi, alias Moonshot, juga menggunakan MLA, dan tanpa ragu menyatakan bahwa arsitekturnya didesain berdasarkan arsitektur DeepSeek. Sebaliknya, DeepSeek juga menggunakan optimizer Muon, sedangkan Muon pertama kali digunakan dalam pelatihan skala besar oleh Kimi (Moonshot).

Perlu dijelaskan:

MoE pertama kali diusulkan oleh Google pada 2017, penulis kuncinya adalah Noam Shazeer. Kontribusi DeepSeek adalah menerapkan MoE dalam skala besar, dan menemukan trik pendampingnya sendiri.

Muon, atau optimizer MomentUm Orthogonalized by Newton-Schulz, diusulkan oleh peneliti machine learning Keller Jordan pada akhir 2024. Tim Kimi (Moonshot) adalah tim pertama yang menggunakannya untuk pelatihan skala besar.

Bagaimana dengan Masalah Menghasilkan Uang?

Kita bisa melihat contoh menarik OpenAI.

OpenAI menerima warrant / opsi untuk membeli saham AMD dan Cerebras dengan harga yang lebih rendah, hak-hak ini terkait dengan pencapaian tonggak konsumsi komputasinya. Bagi AMD dan Cerebras, ini adalah transaksi yang sangat menguntungkan. Karena begitu OpenAI berkomitmen menggunakan perangkat keras mereka, kemungkinan kesuksesan jangka panjang mereka akan meningkat pesat.

Ada pernyataan seperti ini dalam pengumuman AMD:

"Sebagai bagian dari kesepakatan, untuk lebih menyelaraskan kepentingan strategis kedua belah pihak, AMD menerbitkan warrant kepada OpenAI yang dapat digunakan untuk membeli hingga 160 juta saham biasa AMD, dan akan vested secara bertahap sesuai pencapaian tonggak tertentu. Batch pertama akan vested ketika penyebaran awal 1 gigawatt selesai, batch berikutnya akan vested bertahap seiring pembelian diperluas hingga 6 gigawatt. Syarat vested juga dikaitkan dengan AMD mencapai target harga saham tertentu, serta OpenAI mencapai tonggak teknologi dan komersial yang diperlukan AMD untuk penyebaran skala besar."

Saya memperkirakan, DeepSeek juga akan mencapai kesepakatan serupa dengan beberapa produsen teknologi memori, ASIC, CPU, dan jaringan Tiongkok, dan bekerja sama secara mendalam dengan mereka, membuat tumpukan perangkat keras produsen-produsen ini mampu menangani beban kerja AI terdepan.

Mengingat total kapitalisasi pasar saham AI Barat, termasuk sekutu Asia Timur, telah jauh melampaui 10 triliun dolar AS, cara "mendapatkan imbalan ekuitas melalui kerja sama" ini akan memberi DeepSeek peluang membantu Tiongkok membangun industri yang sama besarnya, dan mendapatkan kue sendiri di dalamnya, akhirnya mencapai valuasi 1 triliun dolar AS.

Ini tidak hanya akan membuat DeepSeek menghasilkan uang jauh melampaui bisnis langganan aplikasi tradisional, tetapi juga dapat mencapai target yang dikatakannya "membuat AGI bermanfaat bagi setiap orang". Liang Wenfeng adalah penggemar setia Jim Simons, dan juga pemain modal yang cukup pintar, dia tidak mungkin melewatkan hal ini.

Jika Anda melihat kembali semua yang telah dilakukan DeepSeek hingga saat ini, hanya penjelasan inilah yang paling masuk akal.

Ini adalah saham-saham AI kunci. Grafik ini belum termasuk hyperscalers, serta banyak perusahaan terkait lainnya.

Tautan Asli

Pertanyaan Terkait

QBerdasarkan artikel, apa tujuan strategis DeepSeek dalam jangka panjang?

ATujuan strategis jangka panjang DeepSeek bukan hanya untuk menghasilkan pendapatan dari lapisan aplikasi seperti langganan pengodean, tetapi untuk mendorong pembentukan ekosistem perangkat keras AI alternatif senilai 10 triliun dolar AS, khususnya di Tiongkok. Dengan inovasi arsitektur dasarnya, DeepSeek bertujuan untuk membentuk kembali struktur biaya pelatihan dan inferensi AI, membuat lebih banyak perangkat keras (seperti SSD, LPDDR, ASIC) menjadi layak digunakan untuk beban kerja AI canggih, dan pada akhirnya mencapai valuasi 1 triliun dolar AS.

QBagaimana inovasi DeepSeek dalam kompresi KV Cache bermanfaat bagi ekosistem perangkat keras?

AInovasi DeepSeek seperti MLA, DSA, CSA, dan HSA secara drastis mengurangi kebutuhan cache KV hingga 90% atau lebih. Ini mengurangi ketergantungan pada HBM (High-Bandwidth Memory) yang mahal dan sulit diproduksi, memungkinkan cache KV untuk diunggah ke SSD yang lebih murah dan disimpan dalam LPDDR. Hal ini membuka pasar besar untuk produsen memori Tiongkok seperti YMTC (NAND/SSD) dan CXMT (LPDDR), sekaligus mengurangi tekanan komputasi pada GPU/ASIC, sehingga membuat berbagai pilihan perangkat keras lebih layak untuk inferensi AI.

QApa peran Engram dalam strategi DeepSeek, dan bagaimana hal itu terkait dengan perangkat keras?

AEngram adalah mekanisme yang diperkenalkan DeepSeek yang menggunakan memori (khususnya LPDDR) untuk meningkatkan efisiensi komputasi. Ini menerapkan mekanisme pencarian berbasis hash O(1) yang berfungsi sebagai 'memori bersyarat', memungkinkan model untuk 'mengingat' dan mengambil informasi tanpa harus menghitungnya sepenuhnya melalui lapisan Transformer. Ini adalah pertukaran 'memori untuk komputasi' yang cerdas, mengingat biaya membaca memori (LPDDR) jauh lebih murah daripada biaya komputasi FLOPs. Ini selaras dengan ketersediaan LPDDR Tiongkok dan membantu mengimbangi keterbatasan FLOPs pada GPU/ASIC Tiongkok.

QApa itu TileLang, dan mengapa investasi DeepSeek di dalamnya penting untuk strategi mereka?

ATileLang adalah bahasa pemrograman atau kerangka kerja yang memungkinkan pengembang menulis kernel komputasi sekali dan menjalankannya di berbagai platform perangkat keras yang memiliki backend TileLang yang didukung. Investasi DeepSeek dalam TileLang bertujuan untuk melemahkan 'parit pertahanan CUDA' NVIDIA dengan menyediakan alternatif lintas platform. Ini membantu ekosistem perangkat keras Tiongkok dan pesaing Barat lainnya (seperti AMD) menjadi lebih kompeten dan mudah diadopsi, yang pada akhirnya meningkatkan pilihan dan mengurangi biaya keseluruhan untuk infrastruktur AI DeepSeek dan komunitas open source.

QBagaimana DeepSeek berpotensi menghasilkan uang dan mencapai valuasi 1 triliun dolar AS berdasarkan analisis artikel?

AMenurut artikel, DeepSeek kemungkinan besar akan menghasilkan uang bukan terutama melalui penjualan model atau langganan API, tetapi melalui kesepakatan ekuitas strategis dengan produsen perangkat keras. Mirip dengan bagaimana OpenAI mendapatkan warrant saham dari AMD dan Cerebras, DeepSeek dapat membentuk kemitraan mendalam dengan produsen memori, ASIC, CPU, dan jaringan Tiongkok. Dengan membantu perangkat keras mereka menjadi layak untuk beban kerja AI terdepan dan mendorong adopsi massal, DeepSeek dapat memperoleh kepemilikan ekuitas dalam perusahaan-perusahaan yang membangun ekosistem senilai 10 triliun dolar AS. Pertumbuhan ekosistem ini akan mendorong valuasi DeepSeek sendiri menjadi 1 triliun dolar AS.

Bacaan Terkait

Ripple Tidak Bergerak Sembarangan: Langkah Strategis di Balik Dominasi XRP

bitcoinist6m yang lalu

Eric Trump Menetapkan Batas "Lebih dari Bencana" untuk Menjual Bitcoin — Seberapa Jauh Kita Dari Itu?

Eric Trump, Pendiri Bersama dan CSO American Bitcoin Corp (ABTC), menyatakan bahwa satu-satunya kondisi yang akan memaksa perusahaan menjual Bitcoin miliknya adalah skenario "di luar bencana". Pernyataan ini menegaskan komitmen strategi akumulasi permanen, di mana menjual aset crypto dianggap merugikan dalam dua perlombaan utama yang digambarkannya: memperbesar total kepemilikan Bitcoin dan menekan biaya akuisisi seminimal mungkin. ABTC berfokus pada metrik "satoshis per saham" dan mengakumulasi Bitcoin melalui operasi penambangan, dengan klaim biaya 53% di bawah harga spot. Trump membedakan pendekatan ketat "tidak pernah menjual" ini dari Michael Saylor dan MicroStrategy, yang memberi sinyal fleksibilitas untuk menjual guna membayar dividen. Dengan lebih dari 7,000 BTC di treasuri, posisi ABTC mencerminkan keyakinan kuat pada Bitcoin sebagai aset jangka panjang, di mana nilai strategis dipegang melebihi volatilitas pasar normal atau tekanan regulasi.

bitcoinist4j yang lalu

Eric Trump Menetapkan Batas "Lebih dari Bencana" untuk Menjual Bitcoin — Seberapa Jauh Kita Dari Itu?

bitcoinist4j yang lalu

Vitalik Tegaskan Ethereum Harus 'Mengesankan', Tapi Yayasan Bukanlah Pusatnya

Vitalik Buterin menanggapi kritik komunitas terhadap Yayasan Ethereum (EF) dengan menekankan bahwa Ethereum harus "menakjubkan" dan EF bukanlah pusat kendali, melainkan sebuah simpul dengan tujuan jelas dalam ekosistem yang terdesentralisasi. Dalam esainya, Vitalik mengakui kekhawatiran mengenai kinerja harga ETH dan peran EF. Dia menarik analogi dengan Google, menyatakan bahwa Ethereum harus menghindari jalur yang mengorbankan idealisme awal untuk keuntungan finansial semata. EF, yang hanya memegang sekitar 0.16% dari total pasokan ETH, akan beralih fokus pada tujuan jangka panjang yang krusial bagi keberhasilan Ethereum sebagai sistem yang terbuka, privat, aman, dan tahan sensor. Vitalik menegaskan bahwa "menakjubkan" bagi Ethereum bukan sekadar tentang kecepatan dan skalabilitas tinggi, melainkan keunggulan dalam dimensi CROPS: konsensus yang dapat dibuktikan bebas bug (didukung verifikasi formal berbasis AI), konsensus rantai dengan ketersediaan tinggi, dan minimalisasi perantara. Pendekatan teknis yang teguh ini dimaksudkan untuk membangun "kepastian" tertinggi yang pada akhirnya memberikan premium modal. Menanggapi kritik bahwa EF tidak sejalan dengan kepentingan ekonomi pemegang ETH, Vitalik menyatakan EF akan berhenti menjual ETH dalam jumlah besar dan berkonsentrasi pada area yang tanpanya kemajuan penting tidak akan terjadi. Namun, pertanyaan tentang siapa atau organisasi mana yang akan mengisi kekosongan untuk mewakili dan menyelaraskan kepentingan ekonomi pemegang ETH di ekosistem yang matang ini tetap terbuka dan dianggap kunci bagi pemulihan Ethereum.

链捕手5j yang lalu

Vitalik Tegaskan Ethereum Harus 'Mengesankan', Tapi Yayasan Bukanlah Pusatnya

链捕手5j yang lalu

Galxe: Bagaimana Sebuah Platform Quest Berevolusi Menjadi Infrastruktur Pertumbuhan Web3

**Ringkasan: Galxe – Dari Platform Quest Menjadi Infrastruktur Pertumbuhan Web3** Awalnya dikenal sebagai Project Galaxy pada 2021, Galxe sering disalahpahami hanya sebagai platform *quest* Web3 biasa tempat pengguna menyelesaikan tugas untuk mendapatkan NFT atau imbalan. Namun, dalam beberapa tahun terakhir, platform ini telah berkembang menjadi infrastruktur pertumbuhan inti bagi banyak ekosistem besar seperti Optimism, Arbitrum, dan Linea. Inti nilai Galxe bukanlah pada mekanisme tugasnya, tetapi pada kemampuannya mengubah perilaku pengguna yang terfragmentasi dan sekali pakai menjadi data identitas jangka panjang yang dapat dicatat, diverifikasi, dan digunakan kembali. Melalui *credential*, OAT, Passport, dan sistem skor, setiap tindakan pengguna—dari interaksi media sosial hingga transaksi on-chain—menjadi aset yang terakumulasi dalam *wallet* mereka. Ini menciptakan perubahan psikologis: pengguna tidak hanya mencari imbalan instan, tetapi juga membangun riwayat partisipasi yang dapat meningkatkan peluang mereka mendapatkan akses atau manfaat di masa depan. Bagi proyek, Galxe menyediakan kumpulan pengguna yang dapat disaring berdasarkan riwayat perilaku mereka, memungkinkan kampanye pertumbuhan yang lebih tepat sasaran. Galxe menerapkan jalur pertumbuhan bergaya *gamifikasi*, memandu pengguna secara bertahap dari tugas sederhana (seperti *follow* Twitter) ke interaksi on-chain yang lebih kompleks (seperti *swap* atau *staking*). Pendekatan ini mendidik pengguna, menyaring kualitas mereka, dan pada akhirnya membangun hubungan jangka panjang antara proyek dan komunitas. Dengan meluncurkan produk seperti Passport (verifikasi identitas), Starboard (analitik komunitas), dan Earndrop (distribusi imbalan), Galxe bercita-cita menjadi sistem operasi pertumbuhan yang lengkap untuk Web3. Jaringannya menciptakan *flywheel effect*: semakin banyak proyek yang bergabung, semakin kaya data pengguna; data yang lebih kaya menghasilkan penyaringan yang lebih tepat, yang menarik lebih banyak proyek. Singkatnya, Galxe tidak sekadar menjual lalu lintas pengguna, tetapi membangun tatanan pertumbuhan baru berbasis identitas di Web3, di mana perilaku pengguna bernilai akumulatif dan pertumbuhan berkembang menjadi jaringan hubungan jangka panjang.

marsbit5j yang lalu

Galxe: Bagaimana Sebuah Platform Quest Berevolusi Menjadi Infrastruktur Pertumbuhan Web3

marsbit5j yang lalu

Pulsa Pasar BTC: Minggu ke-22

Pulsa Pasar BTC: Pekan 22 Harga Bitcoin turun selama seminggu terakhir, dari $79K ke rendah lokal dekat $74K sebelum pulih ke arah $77K. Momentum harga turun 21,7%, mencerminkan aksi harga yang lebih lembut dan tekanan jual yang meningkat. Namun, indikator Spot CVD dan Perpetual CVD naik tajam (masing-masing 77,2% dan 35,5%), menunjukkan tekanan jual mulai mereda dan sentimen pasar menjadi lebih seimbang. Aktivitas pasar mendingin dengan volume spot turun 10% dan minat terbuka futures turun 3,5%, mengindikasikan berkurangnya nafsu spekulatif. Di sisi lain, ada tanda-tanda nafsu risiko baru. Pembiayaan sisi long melonjak 135,4%, menyoroti permintaan kuat untuk eksposur long. Di pasar opsi, 25-Delta Skew naik sedikit, sinyal permintaan yang sedikit lebih besar untuk proteksi downside. Di pasar TradFi, arus bersih ETF AS membaik 28,9%, menunjukkan arus keluar modal mereda dan sentimen stabil, meski volume perdagangan ETF turun. Dari perspektif aktivitas jaringan, jumlah alamat aktif harian dan volume transfer yang disesuaikan entitas menurun sedikit, mengisyaratkan fase konsolidasi. Metrik likuiditas menunjukkan profil yang lebih stabil dengan aktivitas spekulatif lebih rendah. Namun, metrik profitabilitas menandakan potensi peningkatan tekanan pasar. Rasio laba belum terealisasi bersih turun signifikan, sementara rasio laba terealisasi menunjukkan peningkatan realisasi kerugian dibandingkan ambil untung, mengindikasikan sentimen hati-hati dan berpotensi bearish. Kesimpulannya, pasar menunjukkan tanda-tanda moderasi dan konsolidasi, dengan aktivitas berkurang, sentimen hati-hati, dan campuran nafsu risiko. Gambaran ini menekankan pentingnya pemantauan ketat terhadap dinamika pasar.

insights.glassnode6j yang lalu

insights.glassnode6j yang lalu

Trading

Spot

Futures

Artikel Populer

Apa Itu $S$

Memahami SPERO: Tinjauan Komprehensif Pengenalan SPERO Seiring dengan perkembangan lanskap inovasi, munculnya teknologi web3 dan proyek cryptocurrency memainkan peran penting dalam membentuk masa depan digital. Salah satu proyek yang telah menarik perhatian di bidang dinamis ini adalah SPERO, yang dilambangkan sebagai SPERO,$$s$. Artikel ini bertujuan untuk mengumpulkan dan menyajikan informasi terperinci tentang SPERO, untuk membantu para penggemar dan investor memahami dasar-dasar, tujuan, dan inovasi dalam domain web3 dan crypto. Apa itu SPERO,$$s$? SPERO,$$s$ adalah proyek unik dalam ruang crypto yang berusaha memanfaatkan prinsip desentralisasi dan teknologi blockchain untuk menciptakan ekosistem yang mendorong keterlibatan, utilitas, dan inklusi finansial. Proyek ini dirancang untuk memfasilitasi interaksi peer-to-peer dengan cara baru, memberikan pengguna solusi dan layanan keuangan yang inovatif. Pada intinya, SPERO,$$s$ bertujuan untuk memberdayakan individu dengan menyediakan alat dan platform yang meningkatkan pengalaman pengguna dalam ruang cryptocurrency. Ini termasuk memungkinkan metode transaksi yang lebih fleksibel, mendorong inisiatif yang dipimpin komunitas, dan menciptakan jalur untuk peluang finansial melalui aplikasi terdesentralisasi (dApps). Visi mendasar dari SPERO,$$s$ berputar di sekitar inklusivitas, bertujuan untuk menjembatani kesenjangan dalam keuangan tradisional sambil memanfaatkan manfaat teknologi blockchain. Siapa Pencipta SPERO,$$s$? Identitas pencipta SPERO,$$s$ tetap agak samar, karena ada sumber daya publik yang terbatas yang memberikan informasi latar belakang terperinci tentang pendiriannya. Kurangnya transparansi ini dapat berasal dari komitmen proyek terhadap desentralisasi—sebuah etos yang banyak proyek web3 bagi, memprioritaskan kontribusi kolektif di atas pengakuan individu. Dengan memusatkan diskusi di sekitar komunitas dan tujuan kolektifnya, SPERO,$$s$ mewujudkan esensi pemberdayaan tanpa menonjolkan individu tertentu. Dengan demikian, memahami etos dan misi SPERO tetap lebih penting daripada mengidentifikasi pencipta tunggal. Siapa Investor SPERO,$$s$? SPERO,$$s$ didukung oleh beragam investor mulai dari modal ventura hingga investor malaikat yang berdedikasi untuk mendorong inovasi di sektor crypto. Fokus investor ini umumnya sejalan dengan misi SPERO—memprioritaskan proyek yang menjanjikan kemajuan teknologi sosial, inklusivitas finansial, dan tata kelola terdesentralisasi. Fondasi investor ini biasanya tertarik pada proyek yang tidak hanya menawarkan produk inovatif tetapi juga memberikan kontribusi positif kepada komunitas blockchain dan ekosistemnya. Dukungan dari investor ini memperkuat SPERO,$$s$ sebagai pesaing yang patut diperhitungkan di domain proyek crypto yang berkembang pesat. Bagaimana SPERO,$$s$ Bekerja? SPERO,$$s$ menerapkan kerangka kerja multi-faceted yang membedakannya dari proyek cryptocurrency konvensional. Berikut adalah beberapa fitur kunci yang menekankan keunikan dan inovasinya: Tata Kelola Terdesentralisasi: SPERO,$$s$ mengintegrasikan model tata kelola terdesentralisasi, memberdayakan pengguna untuk berpartisipasi aktif dalam proses pengambilan keputusan mengenai masa depan proyek. Pendekatan ini mendorong rasa kepemilikan dan akuntabilitas di antara anggota komunitas. Utilitas Token: SPERO,$$s$ memanfaatkan token cryptocurrency-nya sendiri, yang dirancang untuk melayani berbagai fungsi dalam ekosistem. Token ini memungkinkan transaksi, hadiah, dan fasilitasi layanan yang ditawarkan di platform, meningkatkan keterlibatan dan utilitas secara keseluruhan. Arsitektur Berlapis: Arsitektur teknis SPERO,$$s$ mendukung modularitas dan skalabilitas, memungkinkan integrasi fitur dan aplikasi tambahan secara mulus seiring dengan perkembangan proyek. Kemampuan beradaptasi ini sangat penting untuk mempertahankan relevansi di lanskap crypto yang selalu berubah. Keterlibatan Komunitas: Proyek ini menekankan inisiatif yang dipimpin komunitas, menggunakan mekanisme yang memberikan insentif untuk kolaborasi dan umpan balik. Dengan memelihara komunitas yang kuat, SPERO,$$s$ dapat lebih baik memenuhi kebutuhan pengguna dan beradaptasi dengan tren pasar. Fokus pada Inklusi: Dengan menawarkan biaya transaksi yang rendah dan antarmuka yang ramah pengguna, SPERO,$$s$ bertujuan untuk menarik basis pengguna yang beragam, termasuk individu yang mungkin sebelumnya tidak terlibat dalam ruang crypto. Komitmen ini terhadap inklusi sejalan dengan misi utamanya untuk memberdayakan melalui aksesibilitas. Garis Waktu SPERO,$$s$ Memahami sejarah proyek memberikan wawasan penting tentang trajektori dan tonggak perkembangannya. Berikut adalah garis waktu yang disarankan yang memetakan peristiwa signifikan dalam evolusi SPERO,$$s$: Fase Konseptualisasi dan Ideasi: Ide awal yang membentuk dasar SPERO,$$s$ dikembangkan, sangat selaras dengan prinsip desentralisasi dan fokus komunitas dalam industri blockchain. Peluncuran Whitepaper Proyek: Setelah fase konseptual, whitepaper komprehensif yang merinci visi, tujuan, dan infrastruktur teknologi SPERO,$$s$ dirilis untuk menarik minat dan umpan balik komunitas. Pembangunan Komunitas dan Keterlibatan Awal: Upaya jangkauan aktif dilakukan untuk membangun komunitas pengguna awal dan investor potensial, memfasilitasi diskusi seputar tujuan proyek dan mendapatkan dukungan. Acara Generasi Token: SPERO,$$s$ melakukan acara generasi token (TGE) untuk mendistribusikan token asli kepada pendukung awal dan membangun likuiditas awal dalam ekosistem. Peluncuran dApp Awal: Aplikasi terdesentralisasi (dApp) pertama yang terkait dengan SPERO,$$s$ diluncurkan, memungkinkan pengguna untuk terlibat dengan fungsionalitas inti platform. Pengembangan Berkelanjutan dan Kemitraan: Pembaruan dan peningkatan berkelanjutan terhadap penawaran proyek, termasuk kemitraan strategis dengan pemain lain di ruang blockchain, telah membentuk SPERO,$$s$ menjadi pemain yang kompetitif dan berkembang di pasar crypto. Kesimpulan SPERO,$$s$ berdiri sebagai bukti potensi web3 dan cryptocurrency untuk merevolusi sistem keuangan dan memberdayakan individu. Dengan komitmen terhadap tata kelola terdesentralisasi, keterlibatan komunitas, dan fungsionalitas yang dirancang secara inovatif, ia membuka jalan menuju lanskap keuangan yang lebih inklusif. Seperti halnya investasi di ruang crypto yang berkembang pesat, calon investor dan pengguna dianjurkan untuk melakukan riset secara menyeluruh dan terlibat dengan perkembangan yang sedang berlangsung dalam SPERO,$$s$. Proyek ini menunjukkan semangat inovatif industri crypto, mengundang eksplorasi lebih lanjut ke dalam berbagai kemungkinan yang ada. Meskipun perjalanan SPERO,$$s$ masih berlangsung, prinsip-prinsip dasarnya mungkin benar-benar mempengaruhi masa depan cara kita berinteraksi dengan teknologi, keuangan, dan satu sama lain dalam ekosistem digital yang saling terhubung.

75 Total TayanganDipublikasikan pada 2024.12.17Diperbarui pada 2024.12.17

Apa Itu AGENT S

Agent S: Masa Depan Interaksi Otonom di Web3 Pendahuluan Dalam lanskap Web3 dan cryptocurrency yang terus berkembang, inovasi secara konstan mendefinisikan ulang cara individu berinteraksi dengan platform digital. Salah satu proyek perintis, Agent S, menjanjikan untuk merevolusi interaksi manusia-komputer melalui kerangka agen terbuka. Dengan membuka jalan untuk interaksi otonom, Agent S bertujuan untuk menyederhanakan tugas-tugas kompleks, menawarkan aplikasi transformasional dalam kecerdasan buatan (AI). Eksplorasi mendetail ini akan menyelami seluk-beluk proyek, fitur uniknya, dan implikasinya untuk domain cryptocurrency. Apa itu Agent S? Agent S berdiri sebagai kerangka agen terbuka yang inovatif, dirancang khusus untuk mengatasi tiga tantangan mendasar dalam otomatisasi tugas komputer: Memperoleh Pengetahuan Spesifik Domain: Kerangka ini secara cerdas belajar dari berbagai sumber pengetahuan eksternal dan pengalaman internal. Pendekatan ganda ini memberdayakannya untuk membangun repositori pengetahuan spesifik domain yang kaya, meningkatkan kinerjanya dalam pelaksanaan tugas. Perencanaan Selama Rentang Tugas yang Panjang: Agent S menggunakan perencanaan hierarkis yang ditingkatkan pengalaman, pendekatan strategis yang memfasilitasi pemecahan dan pelaksanaan tugas-tugas rumit dengan efisien. Fitur ini secara signifikan meningkatkan kemampuannya untuk mengelola beberapa subtugas dengan efisien dan efektif. Menangani Antarmuka Dinamis dan Tidak Seragam: Proyek ini memperkenalkan Antarmuka Agen-Komputer (ACI), solusi inovatif yang meningkatkan interaksi antara agen dan pengguna. Dengan memanfaatkan Model Bahasa Besar Multimodal (MLLM), Agent S dapat menavigasi dan memanipulasi berbagai antarmuka pengguna grafis dengan mulus. Melalui fitur-fitur perintis ini, Agent S menyediakan kerangka kerja yang kuat yang mengatasi kompleksitas yang terlibat dalam mengotomatisasi interaksi manusia dengan mesin, membuka jalan untuk berbagai aplikasi dalam AI dan seterusnya. Siapa Pencipta Agent S? Meskipun konsep Agent S secara fundamental inovatif, informasi spesifik tentang penciptanya tetap samar. Pencipta saat ini tidak diketahui, yang menyoroti baik tahap awal proyek atau pilihan strategis untuk menjaga anggota pendiri tetap tersembunyi. Terlepas dari anonimitas, fokus tetap pada kemampuan dan potensi kerangka kerja. Siapa Investor Agent S? Karena Agent S relatif baru dalam ekosistem kriptografi, informasi terperinci mengenai investor dan pendukung keuangannya tidak secara eksplisit didokumentasikan. Kurangnya wawasan yang tersedia untuk umum mengenai fondasi investasi atau organisasi yang mendukung proyek ini menimbulkan pertanyaan tentang struktur pendanaannya dan peta jalan pengembangannya. Memahami dukungan sangat penting untuk mengukur keberlanjutan proyek dan potensi dampak pasar. Bagaimana Cara Kerja Agent S? Di inti Agent S terletak teknologi mutakhir yang memungkinkannya berfungsi secara efektif dalam berbagai pengaturan. Model operasionalnya dibangun di sekitar beberapa fitur kunci: Interaksi Komputer yang Mirip Manusia: Kerangka ini menawarkan perencanaan AI yang canggih, berusaha untuk membuat interaksi dengan komputer lebih intuitif. Dengan meniru perilaku manusia dalam pelaksanaan tugas, ia menjanjikan untuk meningkatkan pengalaman pengguna. Memori Naratif: Digunakan untuk memanfaatkan pengalaman tingkat tinggi, Agent S memanfaatkan memori naratif untuk melacak sejarah tugas, sehingga meningkatkan proses pengambilan keputusannya. Memori Episodik: Fitur ini memberikan panduan langkah demi langkah kepada pengguna, memungkinkan kerangka untuk menawarkan dukungan kontekstual saat tugas berlangsung. Dukungan untuk OpenACI: Dengan kemampuan untuk berjalan secara lokal, Agent S memungkinkan pengguna untuk mempertahankan kontrol atas interaksi dan alur kerja mereka, sejalan dengan etos terdesentralisasi Web3. Integrasi Mudah dengan API Eksternal: Versatilitas dan kompatibilitasnya dengan berbagai platform AI memastikan bahwa Agent S dapat dengan mulus masuk ke dalam ekosistem teknologi yang ada, menjadikannya pilihan menarik bagi pengembang dan organisasi. Fungsionalitas ini secara kolektif berkontribusi pada posisi unik Agent S dalam ruang kripto, saat ia mengotomatisasi tugas-tugas kompleks yang melibatkan banyak langkah dengan intervensi manusia yang minimal. Seiring proyek ini berkembang, aplikasi potensialnya di Web3 dapat mendefinisikan ulang bagaimana interaksi digital berlangsung. Garis Waktu Agent S Pengembangan dan tonggak Agent S dapat dirangkum dalam garis waktu yang menyoroti peristiwa pentingnya: 27 September 2024: Konsep Agent S diluncurkan dalam sebuah makalah penelitian komprehensif berjudul “Sebuah Kerangka Agen Terbuka yang Menggunakan Komputer Seperti Manusia,” yang menunjukkan dasar untuk proyek ini. 10 Oktober 2024: Makalah penelitian tersebut dipublikasikan secara terbuka di arXiv, menawarkan eksplorasi mendalam tentang kerangka kerja dan evaluasi kinerjanya berdasarkan tolok ukur OSWorld. 12 Oktober 2024: Sebuah presentasi video dirilis, memberikan wawasan visual tentang kemampuan dan fitur Agent S, lebih lanjut melibatkan pengguna dan investor potensial. Tanda-tanda dalam garis waktu ini tidak hanya menggambarkan kemajuan Agent S tetapi juga menunjukkan komitmennya terhadap transparansi dan keterlibatan komunitas. Poin Kunci Tentang Agent S Seiring kerangka Agent S terus berkembang, beberapa atribut kunci menonjol, menekankan sifat inovatif dan potensinya: Kerangka Inovatif: Dirancang untuk memberikan penggunaan komputer yang intuitif seperti interaksi manusia, Agent S membawa pendekatan baru untuk otomatisasi tugas. Interaksi Otonom: Kemampuan untuk berinteraksi secara otonom dengan komputer melalui GUI menandakan lompatan menuju solusi komputasi yang lebih cerdas dan efisien. Otomatisasi Tugas Kompleks: Dengan metodologinya yang kuat, ia dapat mengotomatisasi tugas-tugas kompleks yang melibatkan banyak langkah, membuat proses lebih cepat dan kurang rentan terhadap kesalahan. Perbaikan Berkelanjutan: Mekanisme pembelajaran memungkinkan Agent S untuk belajar dari pengalaman masa lalu, terus meningkatkan kinerja dan efektivitasnya. Versatilitas: Adaptabilitasnya di berbagai lingkungan operasi seperti OSWorld dan WindowsAgentArena memastikan bahwa ia dapat melayani berbagai aplikasi. Saat Agent S memposisikan dirinya di lanskap Web3 dan kripto, potensinya untuk meningkatkan kemampuan interaksi dan mengotomatisasi proses menandakan kemajuan signifikan dalam teknologi AI. Melalui kerangka inovatifnya, Agent S mencerminkan masa depan interaksi digital, menjanjikan pengalaman yang lebih mulus dan efisien bagi pengguna di berbagai industri. Kesimpulan Agent S mewakili lompatan berani ke depan dalam pernikahan AI dan Web3, dengan kapasitas untuk mendefinisikan ulang cara kita berinteraksi dengan teknologi. Meskipun masih dalam tahap awal, kemungkinan aplikasinya sangat luas dan menarik. Melalui kerangka komprehensifnya yang mengatasi tantangan kritis, Agent S bertujuan untuk membawa interaksi otonom ke garis depan pengalaman digital. Saat kita melangkah lebih dalam ke dalam ranah cryptocurrency dan desentralisasi, proyek-proyek seperti Agent S pasti akan memainkan peran penting dalam membentuk masa depan teknologi dan kolaborasi manusia-komputer.

895 Total TayanganDipublikasikan pada 2025.01.14Diperbarui pada 2025.01.14

Cara Membeli S

Selamat datang di HTX.com! Kami telah membuat pembelian Sonic (S) menjadi mudah dan nyaman. Ikuti panduan langkah demi langkah kami untuk memulai perjalanan kripto Anda.Langkah 1: Buat Akun HTX AndaGunakan alamat email atau nomor ponsel Anda untuk mendaftar akun gratis di HTX. Rasakan perjalanan pendaftaran yang mudah dan buka semua fitur.Dapatkan Akun SayaLangkah 2: Buka Beli Kripto, lalu Pilih Metode Pembayaran AndaKartu Kredit/Debit: Gunakan Visa atau Mastercard Anda untuk membeli Sonic (S) secara instan.Saldo: Gunakan dana dari saldo akun HTX Anda untuk melakukan trading dengan lancar.Pihak Ketiga: Kami telah menambahkan metode pembayaran populer seperti Google Pay dan Apple Pay untuk meningkatkan kenyamanan.P2P: Lakukan trading langsung dengan pengguna lain di HTX.Over-the-Counter (OTC): Kami menawarkan layanan yang dibuat khusus dan kurs yang kompetitif bagi para trader.Langkah 3: Simpan Sonic (S) AndaSetelah melakukan pembelian, simpan Sonic (S) di akun HTX Anda. Selain itu, Anda dapat mengirimkannya ke tempat lain melalui transfer blockchain atau menggunakannya untuk memperdagangkan mata uang kripto lainnya.Langkah 4: Lakukan trading Sonic (S)Lakukan trading Sonic (S) dengan mudah di pasar spot HTX. Cukup akses akun Anda, pilih pasangan perdagangan, jalankan trading, lalu pantau secara real-time. Kami menawarkan pengalaman yang ramah pengguna baik untuk pemula maupun trader berpengalaman.

1.3k Total TayanganDipublikasikan pada 2025.01.15Diperbarui pada 2025.03.21

Diskusi

Selamat datang di Komunitas HTX. Di sini, Anda bisa terus mendapatkan informasi terbaru tentang perkembangan platform terkini dan mendapatkan akses ke wawasan pasar profesional. Pendapat pengguna mengenai harga S (S) disajikan di bawah ini.