# Artikel Terkait Adaptasi

Pusat Berita HTX menyediakan artikel terbaru dan analisis mendalam mengenai "Adaptasi", mencakup tren pasar, pembaruan proyek, perkembangan teknologi, dan kebijakan regulasi di industri kripto.

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

Bagaimana Orang Biasa Dapat 'Bertahan' di Tengah Gelombang AI?

Penulis dan CEO HyperWrite, Matt Shumer, memperingatkan bahwa perkembangan AI berlangsung jauh lebih cepat dari yang dibayangkan kebanyakan orang, dengan dampak yang lebih besar daripada pandemi COVID-19. AI telah berevolusi dari alat bantu menjadi entitas yang mampu melakukan pekerjaan lebih baik daripada manusia dalam banyak bidang, termasuk pemrograman, hukum, keuangan, dan analisis medis. Model terbaru seperti GPT-5.3 Codex dan Claude Opus 4.6 menunjukkan lompatan kemampuan yang signifikan, tidak hanya menjalankan perintah tetapi juga membuat keputusan cerdas dan menunjukkan "penilaian" layaknya manusia. AI bahkan sudah mulai digunakan untuk membangun dan meningkatkan dirinya sendiri, menciptakan siklus peningkatan yang semakin cepat. Para CEO AI seperti Dario Amodei memprediksi bahwa dalam 1-5 tahun ke depan, 50% pekerjaan kerah putih tingkat pemula akan digantikan oleh AI. Hampir semua pekerjaan berbasis pengetahuan yang dilakukan di depan komputer berisiko. Untuk bertahan, Shumer menyarankan untuk segera mulai menggunakan AI secara serius. Berlangganan model terkuat (seperti ChatGPT atau Claude), menerapkannya pada tugas-tugas kerja yang kompleks, dan berlatih beradaptasi dengan perubahan. Membangun ketahanan finansial, memprioritaskan bidang yang sulit digantikan (seperti hubungan dan peran yang membutuhkan lisensi), dan mengajarkan anak-anak untuk menjadi pembelajar yang adaptif juga sangat penting. Dia menekankan bahwa masa depan bukan hanya tentang ancaman, tetapi juga peluang besar untuk mengejar passion dan menciptakan hal-hal baru dengan bantuan AI. Kunci utamanya adalah memulai sekarang, bereksperimen setiap hari, dan mengembangkan kebiasaan untuk beradaptasi dengan cepat.

marsbit02/18 04:39

Bagaimana Orang Biasa Dapat 'Bertahan' di Tengah Gelombang AI?

marsbit02/18 04:39

活动图片