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.

Tiga Penilaian Kontrarian Bos Teknologi Gavin Baker: Trainium Dianggap Remeh, TSMC Sedang Menyelamatkan Pasar, Komputasi Luar Angkasa Akan 'Membuktikan Diri' dalam 2 Tahun

Tech investment expert Gavin Baker of Atreides Management berbagi tiga pandangan kontrariannya tentang tren AI dan semikonduktor: 1. **Chip AI yang Paling Terabaikan:** Baker percaya **Amazon Trainium** adalah chip AI yang paling diremehkan pasar saat ini. Menurutnya, kemampuan Trainium dalam mendukung arsitektur model AI "mixture of experts" (MoE) membuatnya setara dengan infrastruktur kritis yang menggerakkan GPU Nvidia. 2. **Strategi Konservatif TSMC sebagai Penyangga Gelembung:** Ia menyoroti bahwa **TSMC** dengan sengaja membatasi ekspansi produksi yang cepat meski mendapat tekanan dari Nvidia. Baker berpendapat sikap konservatif manajemen senior TSMC ini justru membantu mencegah terbentuknya gelembung berlebihan di industri dengan membatasi pasokan wafer. 3. **Komputasi Orbit dalam 2 Tahun:** Baker memprediksi **komputasi di luar angkasa** ("orbital compute") akan membuktikan kelayakan teknis dan ekonominya dalam dua tahun ke depan. Menjelang akhir dekade ini, teknologi ini akan mulai mengambil pangsan pasar yang signifikan, berpotensi mengganggu industri pendukung pusat data darat, terutama di sisi pasokan daya dan pendinginan. Baker juga membahas siklus memori, mengakui bahwa pola historis menunjukkan saatnya menjual, namun kali ini mungkin mirip dengan siklus kapasitas tahun 1990-an yang masih di tahap awal. Selain itu, ia melihat pergeseran model pendapatan AI dari langganan tetap ke model "pay-per-use" akan mempercepat pertumbuhan pendapatan lebih cepat dari perkiraan umum.

marsbit05/25 06:44

Tiga Penilaian Kontrarian Bos Teknologi Gavin Baker: Trainium Dianggap Remeh, TSMC Sedang Menyelamatkan Pasar, Komputasi Luar Angkasa Akan 'Membuktikan Diri' dalam 2 Tahun

marsbit05/25 06:44

τ Scaling: Mesin Pertumbuhan Baru yang Dirancang Huawei untuk Era Pasca-Moore

Selama 60 tahun terakhir, industri semikonduktor bergerak dengan menyusutkan ukuran transistor (Hukum Moore). Namun, jalan ini kini mandek: keuntungan proses di bawah 7nm merosot, biaya lithografi sangat tinggi, biaya desain chip melampaui $10 miliar, dan biaya per transistor justru naik. Tim semikonduktor Huawei, berdasarkan 6 tahun penelitian dan 381 chip produksi massal, mengusulkan arah baru: **τ Scaling (Skala Tau)**. Alih-alih berfokus pada ukuran, teori ini menjadikan **waktu** sebagai metrik pengoptimalan inti, dengan menekan waktu karakteristik (τ) secara menyeluruh di seluruh rantai, dari sakelar transistor (pikodetik) hingga tugas di pusat data (detik), mencakup 12 orde besaran. Intinya: **dulu berkompetisi siapa yang lebih kecil, sekarang siapa yang lebih cepat, latensi lebih rendah, dan efisiensi lebih tinggi.** **Apa itu τ Scaling?** τ adalah delay / konstanta waktu di setiap lapisan, dibagi menjadi empat: transistor (kecepatan sakelar), sirkuit (delay transmisi sinyal), chip (delay komputasi dan akses memori), dan sistem (waktu komunikasi ujung-ke-ujung). Tujuannya adalah menekan τ secara holistik di seluruh tumpukan teknologi. **Implementasi di Ponsel: LogicFolding** Tanpa meningkatkan proses manufaktur, chip ditumpuk secara vertikal (3D) dengan *hybrid bonding* presisi tinggi untuk mendistribusikan jalur kritis ke beberapa lapisan. Hasilnya: kepadatan transistor naik 55%, efisiensi energi naik 41%, frekuensi SRAM naik >40%. Target frekuensi Kirin: 3.1GHz pada 2026 dan 4GHz pada 2029. **Implementasi di Pusat Data AI: Tekan Latensi Seluruh Rantai** Intinya adalah mengurangi waktu komunikasi, yang menyumbang 80% konsumsi energi dan 70% biaya. 1. **Unified Bus:** Menghapus protokol berlapis, mengurangi delay akses jarak jauh dari puluhan mikrodetik menjadi sekitar 100 nanodetik (500x lebih cepat). 2. **Interkoneksi Optik Hi-ONE:** Kecepatan 8Tb/s per modul, jarak diperpanjang dari 1 meter (tembaga) menjadi 100 meter (serat optik), mendukung kluster puluhan ribu chip. 3. **3D Folding:** Mengatasi keterbatasan antarmuka pada kemasan 2.5D dengan mengintegrasikan memori, catu daya, dan port optik secara vertikal, memungkinkan skalabilitas seimbang dengan daya komputasi. **Reintegrasi Logika dan Memori** Di era AI, perpindahan data lebih kritis daripada komputasi. Karena itu, memori dan unit logika harus terintegrasi erat secara 3D, menggeser pusat gravitasi industri ke memori dan kemasan lanjutan. **Tantangan yang Tersisa** Termasuk adaptasi alat EDA untuk desain 3D, optimasi variasi proses dan loss interkoneksi vertikal antar wafer, serta penyusunan standar baru untuk efisiensi energi dan pengukuran kinerja. **Kesimpulan** Era penyusutan ukuran Hukum Moore telah berakhir, digantikan oleh era penskalaan waktu. Dengan optimasi arsitektur sistem, penumpukan 3D, dan interkoneksi, peningkatan berkelanjutan dalam kinerja dan efisiensi tetap mungkin tanpa selalu bergantung pada teknologi lithografi paling mutakhir. Ini akan menjadi jalur inti semikonduktor untuk 10 tahun ke depan.

marsbit05/25 05:36

τ Scaling: Mesin Pertumbuhan Baru yang Dirancang Huawei untuk Era Pasca-Moore

marsbit05/25 05:36

Agentic Design Patterns: Buku yang Membuat Saya Memahami Kembali "Apa Itu Agent Sebenarnya"

Buku *Agentic Design Patterns* oleh Antonio Gulli (direktur teknik Google) menawarkan kerangka untuk memahami dan membangun AI Agent. Artikel ini menyoroti beberapa konsep kunci: **1. Level Agent (0-3):** Sebagian besar "AI" saat ini hanya Level 0 (LLM telanjang tanpa alat). Agent sejati dimulai dari Level 1 (pengguna alat yang memutuskan kapan dan bagaimana menggunakan alat), Level 2 (pemikir strategis dengan perencanaan dan *Context Engineering*), hingga Level 3 (kolaborasi multi-Agent seperti tim). **2. Context Engineering:** Lebih dari sekadar *prompt engineering*, ini adalah seni menyusun konteks yang tepat (termasuk *system prompt*, data eksternal, data implisit, dan umpan balik) untuk memberi Agent informasi yang terfokus dan relevan, meningkatkan akurasi. **3. Reflection (Produser-Kritikus):** Pola praktis di mana satu Agent (Produser) menghasilkan output, dan Agent lain (Kritikus) dengan peran/prompt berbeda meninjaunya. Mereka berinteraksi dalam loop hingga kualitas memadai. Pendekatan ini meningkatkan kualitas hasil untuk coding, penulisan, dll. **4. Kolaborasi Multi-Agent:** Tidak harus kompleks. Tiga topologi komunikasi umum: Agen Tunggal, Peer-to-Peer, dan Supervisor (agen pengatur yang mengoordinasikan pekerja). Pilihan tergantung pada kompleksitas tugas. **5. Memori Tiga Lapis:** *Session* (memori percakapan sementara), *State* (data sementara untuk satu tugas), dan *Memory* (penyimpanan jangka panjang untuk preferensi dan pembelajaran). Desain strategi penyimpanan dan pengambilan memori penting. **6. Tindakan Langsung:** Artikel menyarankan untuk segera: (a) menambahkan Agent Kritikus pada workflow yang ada, (b) menerapkan *Context Engineering*, dan (c) fokus menyempurnakan satu Agent hingga Level 2 sebelum beralih ke sistem multi-Agent yang kompleks. Buku ini memetakan pola-pola inti dalam pengembangan Agent, membantu developer menghindari "mengulangi penemuan roda" dan membangun sistem yang lebih robust.

链捕手05/25 04:49

Agentic Design Patterns: Buku yang Membuat Saya Memahami Kembali "Apa Itu Agent Sebenarnya"

链捕手05/25 04:49

Mengupas Prospektus IPO Unitree: Realitas Pasar Robotik

**Ringkasan IPO Unitree Robotics: Gambaran Nyata Pasar Robot Humanoid** Unitree Robotics, perusahaan robotika asal Tiongkok, telah mengajukan IPO di Bursa Saham Shanghai dengan target pendanaan US$6,2 miliar. Laporan penawaran saham perdananya mengungkapkan data keuangan perusahaan robot yang menguntungkan untuk pertama kalinya. **Inti dari IPO ini menunjukkan:** * **Kinerja Hardware yang Kuat:** Unitree unggul dalam produksi robot humanoid, mengirimkan 5.500 unit pada 2025 (terbanyak di dunia). Pendapatan melonjak 335% menjadi sekitar US$252 juta pada 2025, dengan margin kotor hampir 60% berkat strategi integrasi vertikal mereka yang memproduksi sebagian besar komponen kunci sendiri. * **Realitas Pasar Saat Ini:** Meski angka penjualan robot humanoid impresif, **74%** dijual ke institusi pendidikan/pendidikan untuk penelitian. Hanya **9%** yang digunakan dalam aplikasi industri produktif, sedangkan **17%** untuk penggunaan komersial/konsumen seperti pameran dan atraksi. Ini menunjukkan bahwa teknologi hardware telah matang, tetapi adopsi komersial skala luas masih menunggu kemajuan kecerdasan buatan (AI) dan model perangkat lunak. * **Ambisi Masa Depan di Lapisan Model (Software):** Separuh dari dana IPO (sekitar US$300 juta) akan dialokasikan untuk pengembangan model AI "embodied" selama tiga tahun ke depan. Unitree berfokus pada dua arsitektur: **VLA** (Vision-Language-Action) dan **WMA** (World Model + Action), yang terakhir dianggap lebih menjanjikan karena melibatkan simulasi internal sebelum robot bertindak. **Kesimpulan:** Unitree memiliki bisnis hardware yang menguntungkan dan kepemimpinan manufaktur, tetapi laporan IPO-nya dengan jujur mencerminkan bahwa cerita aplikasi robot humanoid di dunia nyata—di luar penelitian dan pameran—masih dalam tahap sangat awal. Perlombaan sebenarnya menuju utilitas yang meluas akan terjadi di lapisan perangkat lunak dan model AI.

marsbit05/25 04:26

Mengupas Prospektus IPO Unitree: Realitas Pasar Robotik

marsbit05/25 04:26

Laporan Pertama Mythos Terbit: Miliaran Perangkat Global 'Terkelupas', 10.000 Kerentanan Fatal Ditemukan dalam 30 Hari

Laporan pertama proyek "Glasswing" dari Anthropic mengungkapkan bahwa model AI generasi berikutnya, Claude Mythos Preview, telah mengidentifikasi lebih dari 10.000 kerentanan perangkat lunak tingkat tinggi atau kritis hanya dalam 30 hari. Berkolaborasi dengan sekitar 50 perusahaan teknologi dan pengembang infrastruktur kunci global, Mythos tidak hanya menemukan bug tersembunyi selama 27 tahun tetapi juga berhasil mencegah penipuan transfer bank senilai $1,5 juta. Proyek ini memindai lebih dari 1.000 proyek open-source inti, menemukan total 23.019 kerentanan, dengan 6.202 di antaranya diklasifikasikan sebagai berisiko tinggi atau kritis. Akurasi temuan yang dikonfirmasi secara manual mencapai 90,6%. Namun, temuan yang luar biasa ini menciptakan krisis baru: kecepatan manusia dalam memperbaiki bug jauh tertinggal dibandingkan kecepatan AI dalam menemukannya. Banyak pemelihara proyek open-source kewalahan dan meminta perlambatan pelaporan. Sebagai respons, Anthropic meluncurkan "Claude Security", alat yang dapat secara otomatis menulis patch perbaikan, membantu perusahaan memperbaiki lebih dari 2.100 kerentanan dalam tiga minggu. Perusahaan juga merilis toolkit untuk membantu peneliti keamanan. Meskipun sangat kuat, Anthropic tetap berhati-hati dalam merilis Mythos secara publik karena potensi penyalahgunaannya oleh aktor jahat. Mereka menekankan pentingnya memperpendek siklus patch, menerapkan kebijakan pembaruan wajib, dan menguatkan autentikasi multi-faktor. Tujuan akhirnya adalah menciptakan dunia di mana kode menjadi jauh lebih aman dan serangan peretasan menjadi peristiwa langka.

marsbit05/25 00:12

Laporan Pertama Mythos Terbit: Miliaran Perangkat Global 'Terkelupas', 10.000 Kerentanan Fatal Ditemukan dalam 30 Hari

marsbit05/25 00:12

Bapak AlphaGo Melempar AI ke 'Masyarakat Buatan' yang Sudah Berjalan 23 Tahun: 3 Tantangan Terberat Agen Cerdas Ada Semua di Sini

CEO DeepMind, bapak AlphaGo Demis Hassabis, telah memulai kemitraan penelitian dengan Fenris Creations (sebelumnya CCP Games), pengembang game MMORPG luar angkasa EVE Online yang telah beroperasi selama 23 tahun. Kolaborasi ini bertujuan untuk mengatasi tiga tantangan terberat dalam penelitian agen AI: **perencanaan jangka panjang (long-horizon planning), memori, dan pembelajaran berkelanjutan (continual learning)**. EVE Online dipilih karena dunianya yang "single-shard" dan terus berjalan menyerupai masyarakat buatan yang kompleks dan dinamis, didorong oleh interaksi nyata pemain selama puluhan tahun. Di dalamnya, pemain membangun aliansi politik, sistem ekonomi, dan melakukan perang yang bisa berlangsung berbulan-bulan, yang merupakan ujian sempurna bagi kemampuan AI. DeepMind akan melakukan penelitian awal di versi offline EVE, menggunakan server lokal untuk pengujian yang terkontrol tanpa mengganggu server utama atau ekonomi pemain nyata. Langkah ini merupakan evolusi dari lingkungan penelitian AI DeepMind sebelumnya, seperti Atari, AlphaGo, AlphaStar, hingga SIMA 2, menuju dunia virtual yang lebih terbuka, persisten, dan kompleks. Intinya, kemitraan ini menjadikan EVE Online sebagai "kotak pasir" yang aman namun sangat realistis untuk melatih agen AI agar dapat bertahan, beradaptasi, dan merencanakan dalam lingkungan yang terus berubah seperti dunia nyata.

marsbit05/25 00:11

Bapak AlphaGo Melempar AI ke 'Masyarakat Buatan' yang Sudah Berjalan 23 Tahun: 3 Tantangan Terberat Agen Cerdas Ada Semua di Sini

marsbit05/25 00:11

Paradoks Otomatisasi: Semakin Kuat AI, Semakin Sibuk Manusia

Inti dari artikel ini adalah paradoks otomatisasi: semakin canggih AI, semakin banyak pekerjaan yang perlu dilakukan manusia. Penulis dari Every, yang telah mengintegrasikan berbagai AI Agent ke dalam alur kerja (seperti coding, penulisan, dan dukungan pelanggan), mengamati bahwa alih-alih digantikan, peran manusia justru berubah. AI membuat kemampuan masa lalu (seperti menulis kode atau konten dasar) menjadi murah dan tersedia luas, yang menyebabkan banjir output yang seragam dan generik. Akibatnya, keahlian manusia justru menjadi lebih kritis. Peran beralih dari pelaksana menjadi perancang kerangka kerja, pengawas kualitas, penentu arah strategis, dan pembuat keputusan yang memahami konteks spesifik. Contohnya, ketika semua orang bisa membuat kode, insinyur justru lebih banyak mereview, merancang sistem, dan memutuskan kode mana yang layak digabungkan. Tes benchmark yang menunjukkan peningkatan kemampuan AI sebenarnya mengukur kinerja dalam "kerangka" yang ditetapkan manusia. Begitu AI menguasai satu kerangka, manusia akan bergerak ke kerangka masalah yang lebih kompleks, sehingga tetap selangkah di depan. Artikel ini menyimpulkan bahwa meskipun AI semakin kuat, ia tetap alat yang menjalankan tujuan manusia. Nilai kerja manusia tidak hilang, tetapi bergeser ke area yang lebih bernuansa: menentukan apa yang layak dikerjakan, mengapa, dan seberapa baik hasilnya. Masa depan kerja pengetahuan adalah manusia sebagai perancang kerangka, pemelihara sistem, penilai kualitas, dan pemberi makna.

marsbit05/24 07:24

Paradoks Otomatisasi: Semakin Kuat AI, Semakin Sibuk Manusia

marsbit05/24 07:24

活动图片