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.

Kuda Hitam AI Jepang Muncul: Bagaimana Model Kecil 7B Ini Berani Menantang Fable dan Mythos?

Sakana AI merilis model baru bernama Fugu pada Juni 2026, memicu kehebohan di komunitas AI. Dengan hanya 7B parameter inti, model ini mencetak skor 73.7 pada SWE-Bench Pro dan 82.1 pada TerminalBench 2.1, melampaui model raksasa seperti GPT-5.5 dan Claude Opus 4.8, bahkan diklaim sebanding dengan model terdepan seperti Fable 5 dan Mythos Preview. Kunci keberhasilannya terletak pada arsitektur "multi-agen" yang tidak biasa. Fugu tidak bekerja sendiri. Intinya adalah model kecil 7B yang dilatih dengan pembelajaran penguatan (RL Conductor), bertindak sebagai "mandor" pintar. Saat pengguna memberikan tugas, RL Conductor menganalisis dan membaginya, lalu secara dinamis menugaskannya kepada model-model terbaik dunia seperti GPT-5, Gemini, atau Claude di dalam kumpulan agennya. Ia mengoordinasikan, memverifikasi, dan menyintesis output mereka untuk menghasilkan jawaban akhir yang andal. Pendekatan ini mengubah paradigma "parameter adalah segalanya". Daripada mengandalkan komputasi internal yang berat, Fugu mengalokasikan daya komputasi untuk penjadwalan, verifikasi, dan sintesis eksternal yang cerdas. Dalam pengujian beta, Fugu menunjukkan keunggulan dalam skenario nyata seperti tinjauan kode yang mendalam, stabilitas percakapan panjang, dan efisiensi token. Namun, arsitektur ini memiliki kelemahan. Fugu sangat bergantung pada API model dasar AS (GPT, Claude, Gemini), sehingga rentan terhadap perubahan harga, pembatasan, atau ketentuan. Penjadwalan multi-agen juga dapat menambah latensi, dan klaim kesetaraan dengan model seperti Fable didasarkan pada data laporan yang berbeda, bukan pengujian langsung. Bagi Jepang yang memiliki sumber daya komputasi dan data terbatas, serta menghadapi risiko pembatasan ekspor model AS, Fugu mewakili strategi "penembusan asimetris". Alih-alih bersaing langsung dalam pelatihan model raksasa, Sakana AI fokus pada pelatihan "mandor" cerdas yang dapat memanfaatkan model global terbaik, memberikan fleksibilitas dan ketahanan tertentu. Meski terobosan sistem ini mengesankan, batas kemampuan akhirnya tetap ditentukan oleh model dasar yang diaturnya.

marsbit06/22 11:21

Kuda Hitam AI Jepang Muncul: Bagaimana Model Kecil 7B Ini Berani Menantang Fable dan Mythos?

marsbit06/22 11:21

Kendala Daya Komputasi dalam Pertarungan AI Tiongkok-AS

Dalam persaingan AI antara AS dan Tiongkok, kendala utama yang dihadapi Tiongkok adalah kesenjangan komputasi (computing power) yang sangat besar, terutama di sektor pelatihan AI berkinerja tinggi. Chip AI domestik Tiongkok saat ini sebagian besar masih berfokus pada sisi inferensi yang relatif lebih mudah, sedangkan di puncak piramida pelatihan model besar, kehadiran chip domestik masih terbatas dan hanya mengerjakan tugas-tugas tepi. AS menguasai lebih dari 70% GPU high-end global, dengan skala komputasi 2 kali lipat lebih besar daripada Tiongkok. Raksasa teknologi seperti Meta, Google, Amazon, dan Microsoft menginvestasikan dana besar untuk infrastruktur AI, memiliki kekuatan komputasi yang masing-masing melebihi total seluruh perusahaan AI Tiongkok. Kesenjangan ini berdampak langsung pada pengembangan model besar (large models). Model AS terdepan seperti Anthropic's Mythos telah mencapai 10 triliun parameter, sedangkan model Tiongkok terkuat, DeepSeek V4 Pro, memiliki 1,6 triliun parameter. Kekurangan chip pelatihan high-end membatasi kemampuan pra-pelatihan (pre-training) yang menentukan batas atas kecakapan model. Meski demikian, kebangkitan chip GPU domestik Tiongkok mulai terlihat. Perusahaan seperti Huawei (Ascend 910), Haiguang, Cambricon, Moore Thread, dan MetaX memanfaatkan kebijakan substitusi impor. Meski masih tertinggal dalam kinerja absolut dan ekosistem perangkat lunak (seperti CUDA milik Nvidia), chip domestik mulai menunjukkan peningkatan adaptabilitas, bergerak dari terobosan di sektor inferensi menuju adaptasi bertahap di sektor pelatihan. Kolaborasi antara perusahaan AI dan produsen chip domestik telah berhasil melatih model canggih seperti GLM-Image dan RoboBrain 2.5 sepenuhnya pada perangkat keras domestik. Dengan dukungan pasar yang besar, talenta AI, dan modal yang kuat, industri chip AI Tiongkok diharapkan dapat terus berkembang, meski perjalanan mengejar ketertinggalan membutuhkan kesabaran dan strategi jangka panjang dalam persaingan teknologi yang menentukan ini.

marsbit06/22 10:25

Kendala Daya Komputasi dalam Pertarungan AI Tiongkok-AS

marsbit06/22 10:25

Karya Baru Tim He Kaiming: Menghapus VAE dan Data Privat, Hasil Generasi Gambar dari Teks Justru Lebih Baik

Tim riset Kai Ming He meluncurkan model teks-ke-gambar yang sangat sederhana bernama MiniT2I, yang menantang pendekatan rumit yang umum digunakan saat ini. Model ini menghilangkan komponen standar seperti pengkode VAE, mekanisme injeksi kondisi AdaLN, data privat, dan tahap penyelarasan RL/DPO. Sebagai gantinya, MiniT2I dilatih secara langsung di ruang piksel RGB menggunakan target pemadanan aliran pada model Transformer. MiniT2I mengadopsi arsitektur MM-JiT yang sederhana, menggantikan mekanisme modulasi kondisi kompleks dengan dua blok adaptor teks ringan dan menghapus cabang AdaLN. Model ini dilatih secara dua tahap hanya menggunakan data publik: pra-pelatihan pada dataset CC12M yang diberi keterangan ulang, dan penyempurnaan pada sekitar 120 ribu pasangan gambar-teks berkualitas tinggi. Dengan hanya 258 juta parameter (versi B/16), MiniT2I mencapai skor 0,87 pada GenEval dan 84,2 pada DPG-Bench, mengungguli model lain di ruang piksel yang jauh lebih besar. Keunggulannya meliputi biaya komputasi yang lebih rendah, arsitektur yang lebih mudah dipahami, dan hasil yang sebanding dalam hal kualitas dan keragaman gaya dengan model besar seperti SD3-Medium dalam beberapa skenario. Namun, model ini masih memiliki keterbatasan seperti artefak batas patch, efek samping CFG pada ruang piksel, dan kinerja yang lebih rendah dalam rendering teks dibandingkan sistem industri, yang memerlukan data yang lebih khusus.

marsbit06/22 10:20

Karya Baru Tim He Kaiming: Menghapus VAE dan Data Privat, Hasil Generasi Gambar dari Teks Justru Lebih Baik

marsbit06/22 10:20

AI Agent Sudah 'Melahap' Pasar Crypto Mana Saja?

Artikel ini membahas dampak AI Agent pada berbagai sektor kripto, membaginya menjadi tiga kategori berdasarkan tingkat dominasi aktivitas otomatis. **Sektor yang Didominasi AI Agent:** - **Perdagangan Derivatif (Kontrak Berkelanjutan):** AI Agent menunjukkan kinerja jauh lebih unggul, dengan tingkat kelangsungan hidup 100% dan kerugian lebih rendah dibandingkan trader manusia dalam kompetisi. - **Arbitrase (MEV):** Hampir sepenuhnya dikuasai oleh bot otomatis untuk kegiatan seperti sandwich attacks dan likuidasi. - **Optimisasi Hasil (Yield):** Mayoritas protokol DeFi baru mengintegrasikan AI Agent untuk manajemen likuiditas dan perdagangan, menunjukkan peningkatan hasil. - **Perdagangan Spot & Optimisasi Portofolio:** Diperkirakan 65% volume perdagangan kripto global melibatkan bot, dengan pertumbuhan signifikan agent aktif di rantai seperti Solana. **Sektor Campuran (Agent + Manusia):** - **Pasar Prediksi:** Agent unggul dalam arbitrase jangka pendek dan kecepatan, namun manusia masih lebih baik dalam membuat keputusan jangka panjang yang membutuhkan adaptasi. - **Pinjaman DeFi:** Keputusan penyimpanan dan peminjaman inti masih didominasi manusia, meskipun proses likuidasi telah sepenuhnya otomatis. **Sektor yang Didominasi Manusia:** - **Stabilcoin & Pembayaran Kartu:** Sebagian besar transaksi didorong oleh kebutuhan manusia nyata, seperti pengiriman uang dan pembayaran lintas batas, terutama di pasar berkembang. - **Dompet (Wallet):** Tetap menjadi lapisan penting untuk persetujuan dan pengawasan manusia, dengan pengembangan fokus pada keamanan dan keterbacaan transaksi. **Lapisan Validasi Manusia vs Agent:** Artikel menekankan meningkatnya kebutuhan untuk membedakan aktivitas manusia dan agent. Beberapa proyek seperti World/AgentKit, t54, Self Protocol, dan Kite AI sedang membangun infrastruktur "lapisan kepercayaan" untuk verifikasi identitas, pencegahan penipuan, dan akuntabilitas dalam ekonomi yang didorong agent. **Kesimpulan:** Meski AI Agent mendominasi sektor berbasis kecepatan dan optimisasi, aktivitas manusia tetap penting di area yang membutuhkan pertimbangan, kepercayaan, dan konteks dunia nyata. Masa depan mungkin terletak pada solusi yang memadukan keduanya dengan sistem verifikasi yang kuat.

marsbit06/22 10:14

AI Agent Sudah 'Melahap' Pasar Crypto Mana Saja?

marsbit06/22 10:14

Analisis Hook Uniswap v4: Desain Arsitektur, Kerentanan Umum, dan Praktik Perlindungan

Sejak Uniswap v4 dirilis, mekanisme Hook telah menjadi inovasi DeFi yang paling diperhatikan. Hook memungkinkan pengembang untuk memasukkan logika kustom ke dalam peristiwa siklus hidup pool likuiditas seperti swap, penambahan/pengurangan likuiditas, dan inisialisasi. Artikel ini membahas keamanan dan arsitektur Hook v4: - **Model PoolManager**: Semua perubahan status pool dikelola oleh kontrak PoolManager tunggal. Setiap tindakan memerlukan panggilan `unlock()` dan menyelesaikan transaksi dalam `unlockCallback()` untuk memastikan neraca akun nol. - **Binding Hook**: Setiap pool dikaitkan dengan satu kontrak Hook secara permanen, dan keamanan pool bergantung pada Hook tersebut. - **Bit Izin Alamat**: Izin Hook ditentukan oleh 14 bit rendah alamat deploy-nya, bukan oleh variabel internal. Ini mengharuskan penggunaan CREATE2 dengan salt untuk menghitung alamat yang tepat. - **Tantangan Keamanan**: 1. **Kontrol Akses**: Versi awal BaseHook hanya melindungi `unlockCallback()`, sedangkan fungsi callback lain (seperti `beforeSwap`) memerlukan kontrol akses eksplisit dari pengembang. 2. **Binding Pool Bebas**: Siapa pun dapat membuat pool baru dengan Hook yang sama tanpa batasan, sehingga Hook perlu mengimplementasikan daftar izin atau binding pool tunggal di `beforeInitialize`. 3. **Async/Custom Curve Hook**: Hook dapat sepenuhnya menggantikan logika swap Uniswap, membawa risiko tinggi karena keamanan bergantung pada implementasi Hook sendiri. 4. **Delta Accounting**: Sistem akuntansi delta memastikan neraca akhir nol, tetapi tidak menjamin kebenaran nilai delta, yang berpotensi dimanipulasi. - **Refleksi Audit**: Kompleksitas Hook memerlukan audit menyeluruh yang mencakup interaksi antar kontrak, bukan hanya kode Hook secara terpisah. Setiap Hook membentuk domain kepercayaan mandiri yang menentukan keamanan pool-nya. Keamanan di era v4 bergeser dari tingkat protokol ke tingkat pool, memerlukan metodologi audit yang lebih ketat dan pemahaman mendalam tentang arsitektur Hook.

marsbit06/22 08:09

Analisis Hook Uniswap v4: Desain Arsitektur, Kerentanan Umum, dan Praktik Perlindungan

marsbit06/22 08:09

Chip, Model Sumber Terbuka, dan 50 Triliun: Joe Cai Kembali Evaluasi Alibaba

Dalam pidatonya di konferensi VivaTech, Ketua Alibaba, Joe Tsai, memaparkan visi jangka panjang perusahaan di bidang AI, menyoroti potensi pasar AI sebesar US$50 triliun dari setengah PDB global yang berasal dari produktivitas manusia. Tsai menjelaskan strategi Alibaba yang berinvestasi di empat lapisan AI: chip, infrastruktur cloud, model (seperti model open-source Qwen), dan aplikasi. Pendekatan ini memastikan kehadiran Alibaba di semua lapisan nilai masa depan. Tsai menolak anggapan bubble pada investasi besar-besaran di infrastruktur AI, merujuk pada belanja modal raksasa cloud AS, dan justru menyerukan lebih banyak investasi dari perusahaan China. Ia menekankan pentingnya open-source bagi kedaulatan teknologi dan privasi data, yang kini banyak didorong oleh perusahaan China, berbeda dengan model tertutup dominan di AS. Alibaba bermitra dengan perusahaan manufaktur Jerman seperti BMW dan Siemens, memanfaatkan data unik mereka untuk AI. Tsai juga membahas masa depan di mana AI dan agen cerdas akan membebaskan waktu manusia untuk kehidupan dan hiburan, meski budaya kerja yang gigih diakui tetap ada. Intinya, Alibaba berkomitmen penuh pada AI dengan strategi multi-layer, mendorong open-source, dan melihat AI sebagai penggerak produktivitas serta kualitas hidup yang lebih baik.

marsbit06/22 07:54

Chip, Model Sumber Terbuka, dan 50 Triliun: Joe Cai Kembali Evaluasi Alibaba

marsbit06/22 07:54

TSMC dan Saham AI Korsel yang Memberi Kekayaan pada Generasi Orang Biasa Asia Timur Ini

Na Se-bin, programmer 24 tahun dari Korea Selatan, kehilangan kontrol atas kebiasaan konsumsinya setelah menginvestasikan seluruh tabungan sebesar $47.000 ke pasar saham sejak Januari, terinspirasi oleh demam AI global. Dia menggambarkan fluktuasi pasar yang ekstrem di mana ia bisa mendapat atau kehilangan gaji bulanan dalam sedetik. Kisahnya mencerminkan tren di Korea, Taiwan, dan Jepang, di mana ledakan AI mendorong kenaikan tajam saham perusahaan teknologi seperti TSMC, Samsung, dan SK Hynix. Pasar saham Taiwan naik dua kali lipat dalam setahun, Korea tiga kali lipat, dan indeks Nikkei Jepang melonjak lebih dari 80%, jauh melampaui kinerja S&P 500. Kebutuhan akan perangkat keras AI—seperti chip dan semikonduktor dari perusahaan Asia—mendorong ekspor, laba perusahaan, dan kekayaan investor ritel. Di Taiwan, TSMC menjadi motor utama, menyumbang lebih dari 41% indeks pasar saham dan memberikan gaji tinggi yang meningkatkan status sosial karyawannya. Di Korea, dominasi Samsung dan SK Hynix mendorong antusiasme investasi massal, termasuk di kalangan anak muda dan bahkan anak di bawah umur yang membuka akun trading. Kisah investor seperti Choi Sung-ho, guru sekolah yang portofolionya naik lima kali lipat, serta lonjakan penjualan barang mewah di Seoul, menggambarkan dampak kemakmuran ini. Meskipun ada koreksi pasar baru-baru ini, optimisme tetap tinggi. Figur seperti Jensen Huang dari Nvidia mendorong narasi investasi lebih lanjut di kawasan ini. Gelombang AI telah menciptakan kekayaan yang cepat dan mengubah perilaku konsumsi serta prioritas karir bagi banyak orang muda Asia Timur, meskipun disertai dengan risiko volatilitas pasar yang signifikan.

Odaily星球日报06/22 07:50

TSMC dan Saham AI Korsel yang Memberi Kekayaan pada Generasi Orang Biasa Asia Timur Ini

Odaily星球日报06/22 07:50

Wawancara Terbaru CEO Intel: Bagaimana Mengidentifikasi Perusahaan Tradisional yang Dapat Bangkit Kembali di Era AI?

Wawancara CEO Intel: Cara Mengidentifikasi Perusahaan Tradisional yang Bisa Bangkit di Era AI Wawancara dengan CEO Intel, Lip-Bu Tan, membahas transformasi perusahaan, manufaktur AS, bisnis foundry, dan bagaimana AI membentuk kembali industri semikonduktor. Tan menekankan bahwa kebangkitan Intel bukan hanya tentang produk, tetapi perbaikan menyeluruh terhadap neraca keuangan, budaya organisasi, dan kepercayaan pelanggan. Di era AI, struktur permintaan komputasi menjadi lebih kompleks. CPU kembali penting seiring berkembangnya Agentic AI, pembelajaran penguatan, dan komputasi tepi (edge), mengubah rasio CPU/GPU dari 1:8 mendekati 1:1. AI mendorong persaingan ke tingkat sistem yang mencakup CPU, GPU, NPU, kemasan canggih, dan kemampuan foundry. Manufaktur semikonduktor kini menjadi masalah infrastruktur nasional. Seperti dukungan pemerintah Taiwan untuk TSMC di masa awal, AS perlu menggabungkan modal pemerintah, investor jangka panjang, dan kemampuan manufaktur untuk membangun kembali rantai pasok yang tangguh. Logika investasi bergeser dari mengejar konsep populer ke mengidentifikasi hambatan nyata seperti daya, memori, kemasan, dan material baru. Masa depan AI tidak hanya ada di pusat data besar. Robotika, AI Fisik (Physical AI), dan perangkat edge akan mendorong komputasi kembali ke lokasi aplikasi. Kompetisi AI tahap berikutnya bukan tentang siapa yang membangun pusat data lebih banyak, tetapi siapa yang dapat menghubungkan daya komputasi, chip, dan skenario aplikasi menjadi sistem yang dapat diskalakan. Intinya, AI mendorong reorganisasi menyeluruh industri semikonduktor, dari rantai pasok hingga arsitektur sistem.

marsbit06/22 07:41

Wawancara Terbaru CEO Intel: Bagaimana Mengidentifikasi Perusahaan Tradisional yang Dapat Bangkit Kembali di Era AI?

marsbit06/22 07:41

Musk Lagi-lagi Menatap Infrastruktur AI: Tesla Bakal Jual "Blok Bangunan Komputasi"

Tesla mengajukan merek dagang "Megapod" ke USPTO pada 18 Juni 2026, yang mengindikasikan rencana perusahaan untuk menjual infrastruktur pusat data AI modular. Sistem yang dijelaskan mencakup server komputer, perangkat keras pemrosesan data AI, peralatan jaringan, unit distribusi daya, dan sistem pendingin, layaknya pusat data AI siap pakai yang dapat dihubungkan. Langkah ini menarik perhatian karena baru setahun lalu Tesla membubarkan tim Dojo, superkomputer pelatihan AI buatan sendiri mereka. Alih-alih langsung bersaing dengan chip AI seperti Nvidia, analisis menunjukkan Megapod kemungkinan besar adalah ekstensi dari bisnis energi modular Tesla. Ini mengikuti jejak Megapack (baterai penyimpanan skala besar) dan Megablock (sistem penyimpanan energi modular), kali ini menerapkan konsep modularisasi pada infrastruktur komputasi AI. Dengan demikian, Tesla tampaknya tidak menargetkan pasar inti GPU, tetapi lebih fokus pada solusi kelistrikan, pendinginan, dan penyebaran cepat yang menjadi tantangan dalam pembangunan pusat data AI. Ini sejalan dengan kebutuhan internal dan eksternal: xAI, perusahaan AI milik Musk, telah membeli banyak Megapack, sementara SpaceX, perusahaan lain miliknya, telah meraup miliaran dolar dari menyewakan kapasitas komputasi. Megapod berpotensi menjadi bagian dari strategi infrastruktur AI yang lebih luas di ekosistem Musk, menjawab kebutuhan dunia AI akan daya, pendinginan, dan kecepatan penyebaran yang andal.

marsbit06/22 07:37

Musk Lagi-lagi Menatap Infrastruktur AI: Tesla Bakal Jual "Blok Bangunan Komputasi"

marsbit06/22 07:37

Mac Mubazir Bisa Hasilkan Uang? Pelajari Jaringan Inferensi AI Terdesentralisasi Darkbloom dari Eigen Labs

Darkbloom, jaringan inferensi AI terdesentralisasi yang diluncurkan oleh Eigen Labs, memungkinkan pengguna memanfaatkan Mac yang menganggur untuk menghasilkan pendapatan. Dengan memanfaatkan chip Apple Silicon yang tidak terpakai, proyek ini menciptakan jaringan komputasi yang efisien dan mengutamakan privasi. Jaringan ini terdiri dari tiga bagian: pengguna yang mengirim permintaan inferensi, koordinator yang merutekan permintaan, dan penyedia (pemilik Mac) yang menjalankan model dan mengembalikan hasil tanpa dapat melihat konten permintaan. Darkbloom dibangun dengan model privasi terverifikasi menggunakan arsitektur keamanan perangkat keras Apple, memastikan perlindungan data. Dari segi model ekonomi, Darkbloom berbeda dengan banyak proyek lain. Penyedia (host Mac) mendapatkan 100% pendapatan dari inferensi, karena biaya utama hanya berasal dari listrik, bukan perangkat keras baru. Harga dasar Darkbloom sekitar 50% lebih murah dibandingkan penyedia API agregator utama saat ini. Namun, pada tahap awal ini, pendapatan masih relatif kecil. Data peringkat menunjukkan pendapatan harian teratas di bawah $6, dan peringkat kelima bahkan di bawah $2. Pendapatan dipengaruhi oleh faktor seperti konfigurasi memori, waktu aktif, dan permintaan jaringan, yang diharapkan meningkat seiring dengan adopsi model bahasa besar dan peningkatan penggunaan pengguna nyata. Untuk berpartisipasi, pengguna memerlukan Mac dengan chip Apple Silicon, menjalankan macOS 14 atau lebih tinggi, menginstal penyedia Darkbloom, dan menjaga perangkat tetap online dengan koneksi internet stabil. Proyek ini saat ini tersedia dalam versi alpha publik di platform OpenRouter, dengan model yang didukung termasuk Gemma 4 dari Google dan GPT-OSS dari OpenAI.

marsbit06/22 07:18

Mac Mubazir Bisa Hasilkan Uang? Pelajari Jaringan Inferensi AI Terdesentralisasi Darkbloom dari Eigen Labs

marsbit06/22 07:18

活动图片

Kategori Populerright-arrow

Tag Populerright-arrow