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.

Pasar Obligasi Jepang, Siap Tersambung Sepenuhnya ke 'Blockchain'

**Ringkasan: Pasar Obligasi Jepang Bergerak ke Blockchain** Pada April 2026, beberapa institusi keuangan besar Jepang memulai proyek percontohan untuk memindahkan Obligasi Pemerintah Jepang (JGB) sebagai jaminan ke dalam *Canton Network*, sebuah jaringan berbasis blockchain. JGB, dengan nilai beredar lebih dari $9 triliun, merupakan aset jaminan kunci di pasar keuangan Asia. Langkah ini diambil sebagai respons terhadap percepatan adopsi teknologi serupa di AS, di mana obligasi pemerintah AS telah mulai ditokenisasi. Sistem jaminan tradisional untuk JGB lambat, hanya beroperasi pada jam kerja Tokyo, dan menyebabkan triliunan yen tertahan. Tokenisasi di *Canton Network* menjanjikan penyelesaian transaksi (*settlement*) atomik secara real-time, 24/7, lintas batas, yang dapat membebaskan modal yang terikat, mengurangi risiko, dan meningkatkan efisiensi. *Canton Network* dipilih karena arsitekturnya yang memungkinkan privasi data dan kepatuhan regulasi yang ketat, memenuhi kebutuhan unik pergerakan jaminan antar lembaga keuangan global. Jaringan ini semakin mengukuhkan posisinya sebagai infrastruktur inti untuk pergerakan aset jaminan global, menyatukan obligasi pemerintah AS, Jepang, dan Eropa. Migrasi ini merevolusi cara kerja pasar dengan memungkinkan penggunaan jaminan secara langsung saat tekanan pasar, mengurangi siklus jual paksa, dan menghilangkan risiko kredit dalam transaksi seperti *repo*. Pada akhirnya, ini merupakan peningkatan efisiensi sistem keuangan tradisional yang signifikan, meskipun masih melibatkan pemain institusional utama yang sama.

marsbit05/11 03:23

Pasar Obligasi Jepang, Siap Tersambung Sepenuhnya ke 'Blockchain'

marsbit05/11 03:23

Setelah Pelatihan, Insinyur OpenAI Weng Jiayi Mengajukan Asumsi Paradigma Baru untuk Agentic AI

Dalam eksperimen terbarunya, insinyur OpenAI, Weng Jiayi, mengusulkan paradigma baru untuk AI agentik yang disebut "Heuristic Learning" (HL). Berbeda dengan pendekatan tradisional yang mengandalkan pelatihan model neural berskala besar, HL memungkinkan AI (dalam hal ini Codex) untuk secara mandiri menulis, menjalankan, menguji, dan merevisi kode program strategi berdasarkan tujuan, lingkungan yang dapat dijalankan, dan umpan balik tertutup. Dalam eksperimen utama di lingkungan Atari Breakout, agen Codex berhasil mengembangkan strategi kode Python murni yang mencapai skor sempurna 864. Prosesnya melibatkan siklus iteratif: menulis kode, menjalankan simulasi, menganalisis log dan rekaman video, mengidentifikasi kegagalan, lalu memodifikasi kode. Pengalaman "dipelajari" tidak disimpan dalam bobot neural network, tetapi dalam sistem perangkat lunak yang dapat dibaca, diubah, dan diaudit. Eksperimen lebih lanjut di 57 game Atari menunjukkan bahwa pendekatan HL memiliki efisiensi sampel yang mengesankan di awal, mencapai kinerja sebanding dengan algoritma Reinforcement Learning (RL) seperti PPO dalam jutaan langkah. Namun, HL memiliki batasan dalam tugas yang memerlukan perencanaan jangka panjang dan urutan aksi kompleks, seperti yang terlihat dalam game Montezuma's Revenge. Paradigma HL ini berpotensi memiliki implikasi signifikan di industri, terutama dalam: 1) Kontrol robotik untuk skenario terstruktur, mengurangi ketergantungan pada inferensi neural network berat di setiap langkah; 2) Skenario kritis keamanan (mobil otonom, robot medis) di mana kemampuan audit dan penelusuran kode sangat berharga; 3) Pembelajaran berkelanjutan yang dapat diotomatisasi dan diintegrasikan ke dalam alur kerja rekayasa perangkat lunak; 4) Preservasi dan pertukaran kemampuan agen dalam bentuk aset kode yang dapat digunakan kembali. Weng Jiayi menekankan bahwa HL bukan pengganti lengkap untuk neural network, tetapi pelengkap. Visinya adalah sistem hybrid di mana neural network (System 1) menangani persepsi cepat, HL menangani pemrosesan aturan dan memori yang dapat diinterpretasikan, dan LLM agen (System 2) memberikan umpan balik tingkat tinggi. Intinya, HL menawarkan kemungkinan untuk mengubah pengalaman AI dari sesuatu yang "terkompresi dalam bobot" menjadi sesuatu yang "terkandung dalam perangkat lunak yang dapat dipelihara".

marsbit05/11 00:23

Setelah Pelatihan, Insinyur OpenAI Weng Jiayi Mengajukan Asumsi Paradigma Baru untuk Agentic AI

marsbit05/11 00:23

Claude-mu Akan Bermalam Ini, Jangan Ganggu Ia

Anthropic memperkenalkan fitur "Dreaming" (Bermimpi) pada platform Managed Agents, yang memungkinkan AI Agent secara otomatis menganalisis dan mengoptimalkan log dari sesi tugas sebelumnya saat tidak aktif. Proses ini mirip dengan konsolidasi memori dalam tidur manusia, di mana AI menyaring informasi penting dari riwayat operasinya (seperti pola keberhasilan atau kegagalan) untuk meningkatkan kinerja di masa depan. Fitur serupa juga dikembangkan oleh Hermes Agent dan OpenClaw, yang menggunakan mekanisme "mimpi" untuk menyempurnakan keterampilan dan memori jangka panjang AI. Artikel ini mengeksplorasi bagaimana istilah-istilah manusia seperti "berpikir", "ingatan", dan kini "bermimpi" semakin banyak diterapkan pada teknologi AI. Penggunaan bahasa ini tidak hanya bersifat metaforis tetapi juga membentuk persepsi pengguna tentang AI sebagai entitas yang lebih hidup dan mandiri. Namun, secara teknis, "Dreaming" pada AI adalah proses pengolahan data offline yang bertujuan untuk efisiensi dan pembelajaran mandiri, berbeda dengan mimpi manusia yang melibatkan kesadaran. Tantangan kontekstual dalam AI, seperti batasan memori (KV Cache) dan kebutuhan akan jendela konteks yang lebih besar (seperti model SubQ yang mengklaim 12 juta token), mendorong pengembangan fitur seperti "Dreaming" untuk membantu AI mengelola informasi dengan lebih cerdas. Artikel ini mengajak pembaca untuk mempertanyakan bagaimana bahasa membentuk hubungan kita dengan teknologi dan menggeser tanggung jawab dari pengembang ke AI itu sendiri.

marsbit05/11 00:20

Claude-mu Akan Bermalam Ini, Jangan Ganggu Ia

marsbit05/11 00:20

Festival "Burning Man" Teknologi Versi China Pertama Kali Hadir di Shanghai, muShanghai Bentuk "Kota Kilat" Geeks Global

"muShanghai: Festival Teknologi 'Burning Man' ala China Pertama Kali Hadir di Shanghai, Membangun 'Kota Pop-up' untuk Geeks Global" Shanghai, 10 Mei - 6 Juni 2026: MuShanghai, bagian dari komunitas sumber terbuka global The Mu, meluncurkan eksperimen "Kota Pop-up" selama 28 hari di Pusat Alibaba Hongqiao. Acara ini bertujuan menciptakan "kota paralel" bagi para geeks global, menghimpun lebih dari 800 peserta dari 50+ negara, termasuk mantan insinyur OpenAI, pendiri startup, dan kontributor inti OpenClaw. Acara bertema "festival teknologi Burning Man" ini menampilkan empat minggu tematik: * **Minggu AI (11-15 Mei):** Diskusi model AI besar, keamanan AI, dan aplikasi konsumen dengan pakar dari perusahaan seperti Kimi, Zhipu AI. * **Minggu Biotek (18-22 Mei):** Eksplorasi teknologi anti-penuaan, laboratorium bertenaga AI, dan penelitian panjang umur. * **Minggu Robotika (25-29 Mei):** Lomba robot, peragaan busana cyber, dan showcase perangkat keras. * **Minggu Budaya (1-6 Juni):** Dialog tentang masa depan masyarakat, budaya cyberpunk, dan game indie. Setiap Jumat diadakan "Pasar Inovator" outdoor untuk memamerkan proyek. Prinsip "Build in Public" diterapkan untuk mendorong iterasi berbasis umpan balik. Pusat Alibaba Hongqiao, sebagai tuan rumah bersama, menyediakan dukungan一站式 (layanan satu atap) bagi talenta internasional. The Mu, komunitas di balik acara ini, memiliki rekam jejak membangun hub inovasi serupa di Argentina, San Francisco, dan untuk Ekspo Osaka 2025. MuShanghai merupakan jendela penting bagi ekosistem inovasi China untuk terhubung dengan dunia global, menekankan kolaborasi manusia dan teknologi di era AI.

marsbit05/11 00:12

Festival "Burning Man" Teknologi Versi China Pertama Kali Hadir di Shanghai, muShanghai Bentuk "Kota Kilat" Geeks Global

marsbit05/11 00:12

GensynAI : Jangan Biarkan AI Mengulangi Kesalahan Internet

Beberapa bulan terakhir, banyak talenta dari industri kripto beralih ke AI karena pesatnya perkembangan industri kecerdasan buatan. Para peneliti yang bergerak di kedua bidang ini terus mengeksplorasi satu pertanyaan yang belum terjawab: **Bisakah blockchain menjadi bagian dari infrastruktur AI?** Proyek yang menggabungkan AI dan Crypto, seperti AI Agent, on-chain reasoning, pasar data, dan penyewaan daya komputasi, telah banyak bermunculan. Namun, sebagian besar masih berada di "lapisan aplikasi AI" dan belum membentuk closed-loop bisnis yang nyata. Berbeda dengan itu, **Gensyn** justru menyasar lapisan paling inti dan mahal dalam industri AI: **pelatihan model**. Gensyn bertujuan untuk mengorganisir sumber daya GPU yang tersebar secara global menjadi jaringan pelatihan AI terbuka. Pengembang dapat mengirimkan tugas pelatihan, node menyediakan daya komputasi, dan jaringan bertugas memverifikasi hasil pelatihan serta mendistribusikan insentif. Nilai utama di balik ini bukan semata-mata "desentralisasi", melainkan solusi atas masalah mendesak dalam industri AI: **sumber daya komputasi (GPU) yang semakin terkonsentrasi di tangan segelintir raksasa teknologi.** Kelangkaan pasokan H100, kenaikan harga layanan cloud, dan persaingan ketat untuk mengunci sumber daya komputasi menunjukkan bahwa kepemilikan GPU kini menjadi penentu kecepatan pengembangan AI, terutama di era model besar (large models). **Mengapa Gensyn Menarik Perhatian?** 1. **Menyasar Lapisan Infrastruktur Inti AI:** Gensyn langsung masuk ke dalam proses pelatihan model, bagian yang paling menantang secara teknis dan paling banyak mengonsumsi sumber daya. Ini adalah lapisan yang mudah membentuk hambatan platform (platform壁垒). Jika jaringan pelatihannya mencapai skala, ia berpotensi menjadi pintu masuk penting bagi pengembangan AI di masa depan. 2. **Menawarkan Model Kolaborasi Komputasi yang Lebih Terbuka:** Berbeda dengan ketergantungan pada platform cloud terpusat yang biayanya terus naik, Gensyn mengusung model yang memanfaatkan GPU menganggur dan menjadwalkan sumber daya komputasi secara dinamis. Ini dapat meningkatkan efisiensi penggunaan daya komputasi secara keseluruhan dan mengurangi hambatan inovasi bagi tim AI kecil-menengah. 3. **Tingkat Kesulitan Teknis sebagai Keunggulan:** Tantangan sebenarnya bukan sekadar menghubungkan GPU, tetapi **cara memverifikasi hasil pelatihan, memastikan kejujuran node, dan menjaga keandalan pelatihan di lingkungan terdistribusi.** Gensyn fokus pada solusi teknis ini (seperti mekanisme verifikasi probabilistik, model distribusi tugas), menjadikannya lebih mirip perusahaan infrastruktur teknologi mendalam (deep tech). 4. **Memiliki Closed-Loop Bisnis Nyata:** Kebutuhan akan pelatihan AI adalah pasar nyata yang terus berkembang, dengan celah pasokan GPU yang berkelanjutan. Gensyn tidak sekadar menambahkan blockchain untuk kepentingannya sendiri, tetapi menjawab kebutuhan industri akan sistem penjadwalan sumber daya yang lebih fleksibel dan terbuka. Singkatnya, batas antara Crypto (sistem finansial) dan AI (sistem teknologi) semakin kabur. AI membutuhkan koordinasi sumber daya, mekanisme insentif, dan kolaborasi global—hal-hal yang menjadi keahlian Crypto. Gensyn mewakili upaya untuk membuka akses kemampuan pelatihan, yang selama ini dikuasai sedikit perusahaan besar, menjadi sistem yang lebih terbuka dan dapat dikolaborasikan. Inisiatif ini tidak lagi sekadar cerita konsep, tetapi berkembang menuju infrastruktur AI nyata, di mana perusahaan paling bernilai di era AI sering kali lahir dari lapisan infrastruktur.

marsbit05/10 09:47

GensynAI : Jangan Biarkan AI Mengulangi Kesalahan Internet

marsbit05/10 09:47

Mengapa AI China Berkembang Begitu Cepat? Jawabannya Tersembunyi di Dalam Laboratorium

Pengarang mencatat bahwa laboratorium AI China telah menjadi kekuatan yang semakin sulit diabaikan dalam kompetisi model besar global. Keunggulannya tidak hanya terletak pada banyaknya talenta, kemampuan rekayasa yang kuat, dan iterasi cepat, tetapi juga berasal dari cara organisasi yang sangat realistis: lebih banyak fokus pada pembuatan model daripada konsep, lebih menekankan eksekusi tim daripada individu bintang, dan lebih memilih menguasai tumpukan teknologi inti sendiri daripada bergantung pada layanan eksternal. Dari kunjungan ke sejumlah laboratorium AI terkemuka China, penulis menemukan ekosistem AI China tidak sepenuhnya sama dengan AS. AS lebih menekankan orisinalitas, investasi modal, dan pengaruh ilmuwan puncak, sedangkan China lebih mahir dalam mengejar cepat arah yang sudah ada. Melalui sumber terbuka, optimasi rekayasa, dan kontribusi banyak peneliti muda, China mendorong kemampuan model ke garis depan dengan cepat. Yang paling menarik untuk diperhatikan bukanlah apakah AI China telah melampaui AS, melainkan dua jalur pengembangan berbeda yang terbentuk: AS lebih seperti kompetisi garis depan yang digerakkan modal dan laboratorium bintang, sedangkan China lebih seperti kompetisi industri yang didorong oleh kemampuan rekayasa, ekosistem sumber terbuka, dan kesadaran penguasaan teknologi mandiri. Ini berarti kompetisi AI di masa depan tidak hanya soal peringkat model, tetapi juga kemampuan organisasi, ekosistem pengembang, dan eksekusi industri. Perubahan nyata AI China terletak pada cara mereka berpartisipasi dalam garis depan global dengan caranya sendiri, bukan hanya meniru Silicon Valley. Penulis juga menyoroti beberapa perbedaan utama dalam ekosistem AI China: permintaan AI domestik mulai muncul, banyak pengembang terpengaruh Claude, perusahaan memiliki mentalitas kepemilikan teknologi, ada dukungan pemerintah meski skalanya belum jelas, industri data kurang berkembang dibanding Barat, dan ada kebutuhan kuat akan chip NVIDIA lebih banyak. Penutupnya menekankan pentingnya ekosistem global yang terbuka dan kolaboratif untuk menciptakan AI yang lebih aman, mudah diakses, dan bermanfaat bagi dunia.

marsbit05/10 08:23

Mengapa AI China Berkembang Begitu Cepat? Jawabannya Tersembunyi di Dalam Laboratorium

marsbit05/10 08:23

Era AI, Organisasi Sendiri Adalah Parit Pertahanan

Era AI membuat perbedaan antar startup semakin kabur. Produk, antarmuka, narasi teknologi, dan cerita pendanaan menjadi mudah ditiru. Jadi, apa parit pertahanan perusahaan yang sesungguhnya? Jawabannya adalah organisasi itu sendiri. Perusahaan terbaik tidak sekadar merekrut orang hebat, tetapi menciptakan struktur di mana tipe orang tertentu dapat berkembang dan menjadi versi terbaik diri mereka. Keunikan perusahaan seperti OpenAI, Anthropic, atau Palantir bukan hanya pada teknologi atau posisi pasar, tetapi pada bentuk organisasi baru yang mereka bangun. Bentuk ini memungkinkan cara kerja baru dan membentuk talenta tipe baru. Bagi pendiri, pertanyaan kuncinya bukan "Bagaimana kita menceritakan kisah yang lebih baik?" melainkan "Orang seperti apa yang hanya dapat menjadi diri mereka sendiri di sini?" Perusahaan yang menarik bukan hanya menawarkan gaji tinggi, tetapi misi yang jelas, kekuasaan, jalur pertumbuhan, dan imbalan nyata. Bagi individu yang memilih tempat kerja, penting membedakan antara "terpilih" (merasa istimewa secara emosional) dan "terlihat" (diakui secara struktural melalui peran, kekuasaan, hak keputusan, dan bagian ekonomi). Tempat yang tepat adalah yang mewujudkan nilai Anda ke dalam struktur organisasi. Di era di mana AI membuat banyak hal mudah disalin, parit pertahanan baru adalah kemampuan perusahaan untuk menciptakan bentuk organisasi baru yang mengumpulkan orang-orang tepat, memberi mereka kekuasaan yang tepat, mendekatkan mereka pada masalah yang tepat, dan memungkinkan penilaian mereka terus berkembang secara berlipat ganda. Masa depan akan menghargai perusahaan dengan bentuk organisasi yang tidak dapat dihasilkan oleh pasar lama.

marsbit05/10 07:20

Era AI, Organisasi Sendiri Adalah Parit Pertahanan

marsbit05/10 07:20

Penerima Turing Award Sutton Karya Baru: Selesaikan Kelemahan Besar Pembelajaran Penguatan Streaming dengan Formula 1967

Sebuah makalah baru oleh Arsalan Sharifnassab dkk. (termasuk pemenang Turing Award Richard Sutton) mengatasi "rintangan aliran" (*stream barrier*) dalam pembelajaran penguatan (*reinforcement learning*) secara mendalam. Masalahnya adalah ketidakmampuan belajar "langkah demi langkah" (*online/streaming*) dengan ukuran *batch*=1 dan tanpa *buffer replay*. Alasannya adalah langkah pembelajaran (*step-size*) tradisional hanya mengontrol seberapa besar parameter bergerak, bukan perubahan pada keluaran fungsi, sehingga menyebabkan pembaruan yang tidak stabil. Solusinya disebut **"Intentional Updates" (Pembaruan Berdasarkan Niat)**, sebuah ide yang meluas dari algoritma NLMS tahun 1967. Alih-alih menetapkan ukuran langkah untuk parameter, metode ini menetapkan **"niat"** untuk mengubah *output* fungsi—seperti memperkecil kesalahan prediksi nilai sebesar 5%—lalu menghitung mundur ukuran langkah yang diperlukan. Ini menghasilkan algoritma seperti Intentional TD, Intentional Q, dan Intentional Policy Gradient. Dalam eksperimen, metode ini mencocokkan kinerja algoritma canggih seperti SAC (dalam kontrol berkelanjutan) dan DQN (pada permainan Atari) dalam pengaturan *streaming*, dengan komputasi yang jauh lebih ringan (1/140 FLOP SAC) dan tanpa banyak penyesuaian hiperparameter. Kerangka kerja ini lebih tangguh dan mengurangi ketergantungan pada trik stabilisasi, meskipun ada masalah bias yang perlu ditangani dalam pembelajaran kebijakan. Pendekatan ini membuka jalan untuk sistem AI yang dapat belajar terus-menerus dan beradaptasi secara *online* seperti manusia, cocok untuk robotika dan perangkat *edge* dengan sumber daya terbatas.

marsbit05/10 06:38

Penerima Turing Award Sutton Karya Baru: Selesaikan Kelemahan Besar Pembelajaran Penguatan Streaming dengan Formula 1967

marsbit05/10 06:38

活动图片