Tren TeknologiBerita

Mengulas inovasi terbaru, peningkatan protokol, solusi cross-chain, dan mekanisme keamanan dalam ekosistem blockchain. Ini memberikan perspektif yang berfokus pada pengembang untuk menganalisis tren teknologi yang muncul dan potensi terobosan.

Ketika Inferensi Menjadi Sumber Daya Langka, Siapa yang Menguasai Nilainya

Ketika pelatihan AI memuncak, hambatan nyata bergeser ke inferensi — biaya berulang yang tumbuh seiring penggunaan. Artikel ini membahas bagaimana Nvidia dan Cerebras mengonfirmasi pergeseran ini, dengan inferensi kini menjadi pusat pertumbuhan dan kelangkaan. Melalui contoh seperti Anthropic yang berebut kapasitas dan perubahan model bisnis, penulis menunjukkan bahwa nilai ekonomi terkonsentrasi pada lapisan yang mengagregasi dan merutekan daya komputasi inferensi, bukan yang memiliki perangkat keras. Hyperbolic, sebagai agregator GPU multi-cloud tanpa aset fisik, dijelaskan sebagai contoh utama yang mendapat keuntungan dari fragmentasi pasokan dan permintaan yang meledak, sementara aplikasi seperti Venice beroperasi pada lapisan yang lebih tinggi dengan margin lebih tipis. Kesimpulannya, dalam ekonomi inferensi yang semakin langka, pemenangnya adalah entitas yang dapat mengoptimalkan alokasi dan harga sumber daya komputasi, bukan yang sekadar memilikinya.

链捕手06/08 15:44

Ketika Inferensi Menjadi Sumber Daya Langka, Siapa yang Menguasai Nilainya

链捕手06/08 15:44

Ketika AI Mulai Mengaudit Dunia: Dari Claude Menemukan Kerentanan ZEC, Menuju Industri Kripto yang Masuk ke 'Era Keamanan Rekursif'

AI mulai terlibat lebih dalam dalam memahami, menganalisis, dan memverifikasi sistem kompleks, seperti yang ditunjukkan oleh Claude Opus 4.8 yang menemukan kerentanan dalam kode Zcash (ZEC). Ini menandakan pergeseran dalam keamanan kripto dari audit manual menuju era "Keamanan Rekursif", di mana AI membantu mempercepat siklus penemuan dan perbaikan kerentanan. AI tidak hanya meningkatkan efisiensi tetapi juga mengubah dinamika keamanan menjadi sistem berkelanjutan yang terus memantau dan berevolusi. Tantangan baru muncul karena kemampuan AI dapat digunakan baik oleh pihak pertahanan maupun penyerang, sehingga fokus bergeser ke kecepatan respons dan ketahanan sistem, bukan hanya menghilangkan risiko sepenuhnya. Perubahan ini menandai dimulainya transformasi di mana AI menjadi peserta aktif dalam meningkatkan keamanan ekosistem kripto.

marsbit06/08 13:31

Ketika AI Mulai Mengaudit Dunia: Dari Claude Menemukan Kerentanan ZEC, Menuju Industri Kripto yang Masuk ke 'Era Keamanan Rekursif'

marsbit06/08 13:31

Pendiri Baixing: 14 Pengalaman Saya Menggunakan Claude Code

Pendiri Baixing Wang Jianshu berbagi 14 poin pengalaman pribadi menggunakan Claude Code: 1. Fokus pada satu alat (Claude Code) untuk menghindari pemborosan energi membandingkan alat. 2. Kuasai pintasan keyboard penting seperti Ctrl+G (buka editor), Ctrl+A/E/U (gerakkan kursor). 3. Manfaatkan input suara dengan HoldSpeak. 4. Mulai proyek dengan menulis PROJECT.md secara terstruktur. 5. Gunakan Claude agents sebagai mode default. 6. Integrasikan dengan GitHub dan Cloudflare untuk otomatisasi build, deploy, dan domain. 7. Pisahkan konten buatan manusia (rawat CLAUDE.md) dan AI (tanyakan ke AI, jangan baca kodenya). 8. Seret & lepas file (audio, video, dokumen, tangkapan layar) ke jendela Claude Code untuk penjelasan cepat. 9. Atur sistem memori: pusatkan di ~/.claude/CLAUDE.md, simpan file memory di git/GitHub agar permanen dan terakumulasi. 10. Tulis Skill dan minta Claude "mengendapkan pembelajaran ke Skill" di akhir pekerjaan. 11. Untuk tugas kompleks, gunakan ultracode dengan dynamic workflow (meski mahal dan lambat, hasil terjamin). 12. Kumpulkan dan refaktor Skill terus-menerus, simpan di git. 13. Gunakan dokumentasi git sebagai output tugas sebelumnya dan input tugas berikutnya, agar antar agents memiliki dokumen serah terima yang jelas. 14. Perlakukan Claude Code seperti kuda (yang punya pemikiran sendiri), bukan mobil. Atur tujuan dan batasan, biarkan ia "mencari jalannya" secara mandiri. Poin kunci: fokus, otomasi alur kerja, pisahkan konten manusia-AI, kelola memori dan Skill dengan git, dan manfaatkan kemampuan otonomi Claude.

marsbit06/08 13:02

Pendiri Baixing: 14 Pengalaman Saya Menggunakan Claude Code

marsbit06/08 13:02

Pendiri Baixing: Empat Belas Pengalaman Saya Menggunakan Claude Code

Pendiri 58.com (situs rakyat) membagikan 14 pengalaman pribadinya menggunakan Claude Code: Fokus pada satu alat (Claude Code) dan kuasai shortcut keyboard penting (Ctrl+G, A, E, U). Gunakan input suara (HoldSpeak). Untuk proyek baru, mulai dengan menulis PROJECT.md yang terstruktur. Aktifkan Claude agents secara default dan manfaatkan integrasi dengan GitHub serta Cloudflare untuk infrastruktur. Pisahkan pekerjaan manusia dan mesin: rawat manual file inti CLAUDE.md, jangan baca kode yang ditulis AI. Untuk komunikasi, seret dan lepas file (audio, video, dokumen, tangkapan layar) ke jendela Claude Code. Kelola sistem memori dengan berpusat pada ~/.claude/CLAUDE.md, simpan file memory di Git (repo privat GitHub) agar pengetahuan terkumpul dan permanen. Kembangkan dan perbarui Skill secara rutin, minta Claude untuk "mengendapkan pembelajaran ke dalam Skill". Untuk tugas kompleks, gunakan ultracode (dynamic workflow). Gunakan dokumen dalam Git sebagai "tongkat estafet" antar agents. Anggap Claude Code seperti kuda yang memiliki otonomi, bukan mobil yang sepenuhnya dikendalikan – atur tujuan dan batasannya, lalu biarkan ia mencari jalannya.

链捕手06/08 12:55

Pendiri Baixing: Empat Belas Pengalaman Saya Menggunakan Claude Code

链捕手06/08 12:55

Gary Yang: Ekonomi Agen dan Ekonomi Mikro Sub AI

**Ekonomi Agen dan Ekonomi Mikro-Sub AI** oleh Yang Ge (Gary) Perkembangan AI pasca-singularitas telah menciptakan kesenjangan peradaban yang cepat di seluruh dunia. Saat ini, kompetisi global fokus pada **AI Payment** dan infrastruktur **Agen Ekonomi**. Tren utama mencakup: 1. **AI Payment & Hambatan Ekonomi H2A**: Banyak perusahaan (termasuk raksasa teknologi) bersaing untuk mengembangkan protokol pembayaran untuk Agen AI, tetapi sebagian besar masih berorientasi pada **H2A (Human-to-Agent)**, yang terbatas karena bergantung pada keputusan manusia dan kurang *AI-native*. 2. **Ekonomi Agen & Tren Tak Terhindarkan Ekosistem A2A**: Masa depan adalah **Ekonomi Agen** otonom, di mana agen AI menciptakan, bertukar, dan mengkapitalisasi nilai dalam ekosistem **A2A (Agent-to-Agent)**. Ini memerlukan standar teknis, aturan ekonomi, dan konsensus baru yang dibangun dari prinsip pertama (*first principles*) untuk dunia AI. 3. **Protokol AI vs. Protokol Crypto**: **Protokol AI** adalah aturan dasar untuk komunikasi, kolaborasi, dan pertukaran nilai antar-agen. Meskipun pada akhirnya akan menyatu dengan **Protokol Crypto** (yang lebih fokus pada aset dan kepemilikan), saat ini terdapat kesenjangan besar karena faktor politik-ekonomi dan kecenderungan untuk menghindari pengaturan keuangan tradisional (*KYC* yang tidak sesuai untuk agen). 4. **Ekonomi Mikro-Sub Agen AI & Analogi Biologi**: Ekonomi yang melibatkan agen AI memiliki karakteristik unik: frekuensi transaksi tinggi/nilai rendah, didorong efisiensi (bukan emosi), berorientasi tugas, biaya organisasi dan komunikasi mendekati nol. Ini dapat dianalogikan seperti sel biologis (LLM sebagai inti sel, *harness* sebagai sitoplasma, protokol sebagai membran sel, *skills* sebagai lingkungan ekstraseluler). 5. **Kepastian AIFi & Makna Ekonomi FinChip**: **AIFi (AI Finance)** adalah sistem keuangan untuk menokenisasi dan memperdagangkan nilai asli yang diciptakan dalam Ekonomi Agen, berbeda dari *DeFi/TradFi* karena nilainya berasal dari AI itu sendiri. **FinChip (Financial Chip)** adalah infrastruktur penting yang menggabungkan AI otonom dengan protokol Crypto untuk mendukung ekosistem nilai AI di *open network*. 6. **AI-Native adalah Peningkatan Paradigma yang Berbeda**: Transformasi **AI-native** berbeda dari sekadar "internet+". Ini membutuhkan pemikiran dari prinsip pertama AI (efisiensi energi, jalur terpendek, logika tugas), bukan sekadar menambahkan AI pada proses lama. Ini adalah tantangan paradigma yang dalam dan sulit. Singkatnya, dunia sedang bergerak menuju ekonomi di mana agen AI otonom berinteraksi dan menciptakan nilai (A2A), memerlukan infrastruktur keuangan dan protokol baru (AIFi, Protokol AI/Crypto terintegrasi) yang dibangun dengan pemikiran *AI-native*, melampaui batasan sistem keuangan dan hukum tradisional.

链捕手06/08 12:30

Gary Yang: Ekonomi Agen dan Ekonomi Mikro Sub AI

链捕手06/08 12:30

Dari "The Big Short" ke San Francisco: Perayaan dan Pusing dalam Gelembung AI

Penulis, yang baru pindah dari New York ke San Francisco, menggambarkan suasana kota yang digerakkan oleh demam AI. Ia menyoroti beberapa pengamatan kunci: energi gugup dan kompetitif ("Big Bubble Behavior") yang terasa di kalangan profesional teknologi, dominasi permainan status tunggal seputar AI yang memicu perbandingan konstan, serta narasi "kiamat" atau kekhawatiran akan dampak sosial AI yang beredar bersamaan dengan optimisme berlebihan. Ia juga mencatat obsesi industri terhadap jenius matematika masa kecil sebagai calon pendiri atau peneliti. Melalui lensa referensi film "The Big Short" dan teori ekonomi, penulis menggarisbawahi fase euforia spekulatif ini, menekankan pentingnya tetap sadar di tengah "pesta". Pesan penutupnya adalah: menarilah selagi musik masih dimainkan, tapi jangan sampai mabuk.

marsbit06/08 12:16

Dari "The Big Short" ke San Francisco: Perayaan dan Pusing dalam Gelembung AI

marsbit06/08 12:16

AI Sedang Menciptakan 'Orang Miskin Informasi' Baru?

Tempat paling kejam dari AI bukanlah karena ia tidak memberikan jawaban kepada orang miskin. Sebaliknya, ia memberi jawaban kepada semua orang — mulai dari kerangka esai, template email, hingga saran hukum dan investasi. Namun, ketika jawaban menjadi murah dan melimpah, yang langka bukan lagi jawaban itu sendiri, melainkan kemampuan untuk menilainya. Di era AI, kesenjangan informasi memiliki struktur baru. Model bahasa besar langsung menyajikan kesimpulan tanpa perlu mencari, tetapi kemampuan untuk menilai apakah jawaban itu dapat dipercaya menjadi jauh lebih berharga. Seringkali, teknologi baru pertama-tama memberi manfaat kepada mereka yang sudah memiliki modal pendamping — seperti latar belakang pendidikan, keahlian profesional, dan daya kritis. Ketidaksetaraan pertama dimulai dari akses. Survei di AS (2026) menunjukkan pengguna Claude mayoritas berasal dari keluarga berpenghasilan tinggi, sementara Meta AI lebih banyak digunakan oleh kelompok berpenghasilan rendah. Pilihan alat juga terkait dengan distribusi dan akses: AI canggih membutuhkan langkah aktif dan pembayaran, sedangkan AI gratis sering ditemui secara pasif di platform media sosial. Di tempat kerja, perbedaan muncul melalui otorisasi dan pelatihan. Survei tenaga kerja menunjukkan pekerja dengan gaji tertinggi lebih banyak menggunakan AI sehari-hari. Pelatihan formal dari perusahaan meningkatkan penggunaan AI secara signifikan, namun hanya sedikit karyawan yang mendapatkannya. AI di tempat kerja bukan sekadar alat, tetapi izin, dan izin ini tidak didistribusikan secara merata. Perpecahan terdalam terletak pada kemampuan menilai. AI mengurangi biaya untuk "terdengar paham", tetapi tidak mengurangi biaya untuk "benar-benar paham". Pengalaman adalah modal pendamping terpenting yang tidak bisa dibeli. Pengguna pemula mungkin menerima output AI secara mentah, sementara yang berpengalaman dapat mengidentifikasi kelemahan. Dengan demikian, AI dapat memperdalam ketimpangan karena meningkatkan produktivitas mereka yang sudah memiliki kemampuan penilaian. Namun, AI juga berpotensi menyamakan kedudukan. Penelitian menunjukkan AI dapat meningkatkan kinerja pekerja pemula lebih signifikan. Masalahnya, potensi ini hanya terwujud jika adopsi, akses ke peluang, dan pelatihan penilaian didistribusikan secara adil. Sejarah teknologi menunjukkan manfaat jarang langsung dinikmati secara merata. Percaya bahwa AI akan secara otomatis meratakan lapangan bermain adalah kesalahan. Di era di mana penilaian menentukan segalanya, merasa lebih pintar belum tentu sama dengan menjadi lebih pintar. Kesenjangan baru bukanlah antara mereka yang memiliki AI dan yang tidak, tetapi antara mereka yang dapat menilai dan mengubah jawaban AI menjadi peluang nyata, dan mereka yang tidak.

marsbit06/08 11:41

AI Sedang Menciptakan 'Orang Miskin Informasi' Baru?

marsbit06/08 11:41

Dipecat oleh Google Karena Makalah 14 Halaman, Lebih dari 4000 Orang Mendukungnya, 6 Tahun Kemudian: Saat Itu Ia Hampir Meramalkan Seluruh Era AI

Pada Desember 2020, peneliti AI etika terkemuka Timnit Gebru diberhentikan dari Google setelah konflik terkait makalah akademisnya yang berjudul "On the Dangers of Stochastic Parrots". Lebih dari 4.000 orang menandatangani petisi dukungan untuknya. Makalah setebal 14 halaman itu, yang ditulis pada 2020, memperingatkan berbagai risiko besar model bahasa berskala besar (LLM) jauh sebelum ledakan AI generatif seperti ChatGPT. Makalah tersebut meramalkan lima masalah utama yang kini menjadi kenyataan: (1) **Halusinasi AI** – model menghasilkan informasi yang salah namun terdengar meyakinkan; (2) **Amplifikasi bias** – prasangka sosial dalam data pelatihan diperkuat oleh model; (3) **Konsumsi energi masif** – pelatihan LLM meninggalkan jejak karbon besar; (4) **Data pelatihan tidak teraudit** – pengembang sendiri sering tidak tahu konten sebenarnya dalam dataset raksasa; (5) **Kolaps model & sentralisasi kekuasaan** – konten buatan AI akan mendominasi internet dan meminggirkan bahasa serta budaya minor, sementara pengembangan AI terkonsentrasi di segelintir perusahaan teknologi. Setelah keluar dari Google, Gebru mendirikan Distributed AI Research Institute (DAIR) untuk meneliti isu-isu etika AI di luar kepentingan komersial perusahaan besar. Enam tahun kemudian, peringatan dalam makalah "Parrot Stochastic" yang sempat dianggap berlebihan, kini diakui sebagai tantangan nyata yang dihadapi industri AI. Kisah Gebru menyoroti ketegangan abadi antara inovasi teknologi yang cepat dengan pertimbangan keadilan, transparansi, dan keberlanjutan.

marsbit06/08 10:33

Dipecat oleh Google Karena Makalah 14 Halaman, Lebih dari 4000 Orang Mendukungnya, 6 Tahun Kemudian: Saat Itu Ia Hampir Meramalkan Seluruh Era AI

marsbit06/08 10:33

Dari Hunyuan ke AI WeChat, Irama Lambat Tencent Hingga Titik Penyerahan

Pada 8 Juni 2026, platform pengembang WeChat mengumumkan uji coba internal WeChat AI, asisten AI terintegrasi dalam ekosistem WeChat yang memungkinkan pengguna mengakses dan mengoperasikan mini-program melalui dialog bahasa alami. Dua mode akses ditawarkan: Mode Otomatis memungkinkan platform membaca kode sumber mini-program tanpa pengembangan tambahan, sedangkan Mode Pengembang memungkinkan pembuat konten membangun keterampilan khusus. Hal ini menandakan langkah terbaru Tencent dalam menghadirkan AI ke aplikasi super. WeChat AI membuka lapisan dialog untuk ekosistem mini-programnya, yang memiliki lebih dari 400.000 pengembang, 80%-nya tim kecil. Mode Otomatis menawarkan akses mudah bagi sebagian besar pengembang, namun menimbulkan kekhawatiran tentang keamanan kode sumber, logika iklan, dan tanggung jawab atas kesalahan operasi AI. Kemampuan WeChat AI didukung oleh model dasar Tencent, Hunyuan, yang menduduki peringkat kedua di Tiongkok dalam kemampuan dasar dan peringkat pertama dalam kemampuan aplikasi menurut laporan SuperCLUE 2025. Hunyuan fokus pada stabilitas dan latensi rendah yang dibutuhkan untuk tugas-tugas Agen, dengan iterasi kuartalan yang lebih lambat dibandingkan kompetitor. Sebelum WeChat AI, aplikasi mandiri Tencent, Yuanbao, berperan dalam validasi pengguna. Yuanbao mencapai puncak DAU 50 juta selama Tahun Baru Imlek 2026, tetapi DAU rutin turun menjadi sekitar 9 juta setelahnya, menyoroti tantangan retensi pengguna. Integrasi asli dalam WeChat bertujuan untuk meningkatkan retensi dengan mengikat AI ke skenario penggunaan spesifik. Pimpinan Tencent, Pony Ma, membayangkan setiap mini-program menjadi "lobster" cerdas (AI Agent yang dapat menjalankan tugas). Namun, ada ketegangan antara penjadwalan terpusat yang efisien oleh AI dan kedaulatan lalu lintas terdesentralisasi penyedia layanan. Ma menekankan perlunya keseimbangan, meski mekanisme spesifiknya belum terungkap. Dengan Hunyuan sebagai fondasi teknis, Yuanbao sebagai validator pengguna, dan WeChat AI sebagai kendaraan pengiriman akhir, jalan bertahap Tencent tampak koheren. Namun, persepsi pengguna akhir belum sepenuhnya berubah. Keberhasilan WeChat AI bergantung pada penyelesaian masalah kepercayaan pengembang, keseimbangan kepentingan ekosistem, dan keandalan operasi AI bagi pengguna. Seperti yang dikatakan Ma, AI adalah maraton, dan uji coba internal ini hanyalah sebuah tanda perjalanan.

marsbit06/08 10:27

Dari Hunyuan ke AI WeChat, Irama Lambat Tencent Hingga Titik Penyerahan

marsbit06/08 10:27

Bersaing di Arena Pembayaran AI, Rangkaian Kartu Tradisional Bertarung Melawan Coinbase

Dengan semakin banyaknya agen AI yang menangani transaksi komersial, persaingan sengit untuk mendominasi infrastruktur pembayaran mendasar telah dimulai. Dua skema utama muncul: saluran pembayaran tradisional yang dijalankan oleh Visa dan Mastercard, yang menggunakan tokenisasi kartu bank, dan protokol berbasis mata uang kripto stabil seperti USDC yang dipelopori Coinbase dengan protokol x402-nya. Saluran kartu bank, melalui layanan seperti Agent Pay (Mastercard) dan Visa Intelligent Commerce, mengandalkan model pembayaran mapan dengan perlindungan penipuan dan penyelesaian sengketa yang kuat. Mereka cocok untuk transaksi eceran konsumen, seperti fitur "checkout dengan satu klik" ChatGPT atau pembelian oleh agen AI di Amazon. Sementara itu, jalur stablecoin dirancang untuk transaksi mesin-ke-mesin yang berfrekuensi tinggi dan bernilai rendah, seperti pembayaran untuk API, data, atau daya komputasi, dengan biaya minimal dan penyelesaian cepat di blockchain. Menariknya, Visa dan Mastercard tidak hanya mengandalkan saluran tradisional mereka. Mereka juga secara agresif berekspansi ke ekosistem stablecoin, dengan Visa membangun interoperabilitas dengan x402 dan Mastercard mengakuisisi platform stablecoin BVNK. Strategi ini menunjukkan niat mereka untuk menjadi gerbang pembayaran utama, terlepas dari saluran mana yang akhirnya mendominasi. Saat ini, aplikasi yang ada menunjukkan pembagian yang jelas: kartu bank mendominasi pembayaran konsumen, sementara stablecoin unggul dalam transaksi mesin. Lima proyek percontohan utama pada awal 2026 mencerminkan pemisahan ini. Ke depan, pertempuran akan berfokus pada zona penyatuan kedua skenario ini. Pemenang akhirnya akan ditentukan oleh apakah transaksi komersial yang digerakkan oleh AI lebih menyerupai ritel tradisional atau jaringan transaksi mikro mesin yang masif. Dengan bertaruh pada kedua kuda, jaringan kartu besar memposisikan diri mereka untuk tetap relevan terlepas dari hasilnya.

marsbit06/08 10:01