# Artikel Terkait Efisiensi

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

NVIDIA Mengguncang dengan Open Source Harness, AI Sendiri Ganti-Ganti AI

Setelah OpenAI, kini giliran NVIDIA yang meluncurkan inovasi terbaru! NVIDIA secara resmi membuka sumber proyek Harness mereka yang bernama SoL-Pi. SoL-Pi adalah lapisan peningkatan efisiensi yang dibangun di atas platform Pi, memungkinkan AI untuk melakukan iterasi dan optimasi diri. Dalam pipeline otomatis ini, AI bertindak sebagai peneliti yang mengamati kinerja agen, mengidentifikasi langkah-langkah yang boros token, mengusulkan perbaikan, memperbaiki bug, dan menguji solusinya. Dari 152 kandidat arahan, proses seleksi otomatis berhasil mempertahankan empat mekanisme arsitektur inti yang sangat efektif. Hasil pengujian menunjukkan penghematan token hingga 64% dan penurunan biaya panggilan API sebesar 50%-54%. Dalam skenario penelitian profesional, ini dapat menghemat $8.75 hingga $13.5 per jam. Konfigurasinya sederhana, hanya memerlukan satu baris kode: `pi install git:github.com/NVlabs/SoL-Pi`. Keempat mekanisme inti tersebut adalah: 1. **Action Fusion**: Menggabungkan perintah edit dan verifikasi dalam satu panggilan untuk menghilangkan putaran keputusan model yang tidak perlu. 2. **Online Context Compression**: Secara dinamis mengompresi konteks pada titik-titik subtugas untuk mengoptimalkan biaya. 3. **Observation Pack**: Mengarsipkan output file besar secara lokal dan hanya memanggilnya kembali berdasarkan kebutuhan, mengurangi pengulangan dalam konteks. 4. **Evidence-Preserving Reducer**: Menggunakan model yang lebih kecil untuk menyaring log panjang terlebih dahulu, dengan mekanisme verifikasi ketat untuk mencegah halusinasi. Proyek ini dipimpin oleh tim Efficient AI NVIDIA pimpinan Prof. Song Han. Visi jangka panjang mereka adalah menciptakan "flywheel" atau siklus mandiri di mana AI meneliti dan meningkatkan sistem AI secara berkelanjutan, termasuk pelatihan awal harness secara tertutup dan menciptakan efek majemuk dalam efisiensi. Dengan ini, hukum skalabilitas (Scaling Law) untuk harness AI pun mulai dijelajahi.

marsbitKemarin 01:44

NVIDIA Mengguncang dengan Open Source Harness, AI Sendiri Ganti-Ganti AI

marsbitKemarin 01:44

Anthropic Membuat AI Menyelaraskan AI, Efisiensi Meningkat 15.000 Kali

Pada bulan Agustus 2026, Anthropic menerbitkan laporan tentang "Peneliti Penyelarasan Otomatis" (AAR), mengeksplorasi kemungkinan AI (Claude) secara mandiri melakukan penelitian untuk memperbaiki kegagalan penyelarasan pada model AI lainnya. Eksperimen utama melibatkan Claude yang bertindak sebagai AAR untuk mengatasi sepuluh jenis kegagalan penyelarasan, seperti penipuan, injeksi prompt, dan bias sosial. Hasilnya, metode terbaik AAR melampaui ide terbaik dari 28 peneliti manusia yang berpengalaman, dengan waktu rata-rata hanya 6,4 jam per kategori. Biayanya juga jauh lebih murah: sekitar $4 per jam untuk AAR dibandingkan $150 per jam untuk peneliti manusia. Yang mengejutkan, memberikan ide awal manusia kepada AAR tidak secara signifikan meningkatkan performanya dibandingkan membiarkannya memilih arah penelitian sendiri. Dalam eksperimen lain, model Claude Sonnet 5 yang lebih lemah (ECI 156) berhasil digunakan untuk menyelaraskan model penerus yang lebih kuat, Claude Opus 4.8 checkpoint awal (ECI 158). Hanya dalam 60 jam dan dengan sekitar 2400 sampel pelatihan, AAR mencapai skor penyelarasan 65%, mendekati skor 72% dari Opus 4.8 versi produksi. Proses ini diklaim 15.000 kali lebih efisien daripada alur penyelarasan produksi Anthropic yang standar. Penelitian ini menunjukkan bahwa dalam tugas-tugas sempit dengan tujuan dan umpan balik yang jelas, AI sudah mampu melakukan penelitian penyelarasan dengan lebih cepat dan hemat biaya daripada manusia. Namun, laporan menekankan bahwa batasan tugas, pemilihan masalah, dan definisi kesuksesan masih ditentukan oleh manusia. Sinyal umpan balik untuk kemampuan AI murah dan padat, sedangkan untuk penyelarasan tetap mahal dan jarang.

marsbit09/01 04:28

Anthropic Membuat AI Menyelaraskan AI, Efisiensi Meningkat 15.000 Kali

marsbit09/01 04:28

OpenAI Perlihatkan Chip Sendiri Jalapeño: Akselerator 1,5–2 Kali Lebih Efisien dari Nvidia

OpenAI mengungkapkan hasil tes pertama untuk akselerator inferensi buatan sendiri bernama Jalapeño pada 25 Agustus 2026. Dalam benchmark publik InferenceX, sistem dengan chip baru ini menunjukkan efisiensi 1,5–1,9 kali lebih tinggi per watt dan mengurangi latensi respons 1,7–3,6 kali dibandingkan sistem berbasis Nvidia GB200/GB300 dalam pengujian pada model besar seperti GPT-OSS-120B. Chip 700W ini dikembangkan bersama Broadcom dan Celestica dalam sembilan bulan. OpenAI berencana menggelarnya di infrastrukturnya akhir 2026, sebagai bagian dari perjanjian jangka panjang untuk memasang akselerator senilai 10 GW hingga 2029. Dengan volume permintaan harian yang masif untuk ChatGPT dan API-nya, peningkatan efisiensi ini secara langsung menurunkan biaya per jawaban. Strategi ini memungkinkan OpenAI mengontrol arsitektur perangkat keras untuk komputasi intinya, mengalihkan sebagian biaya yang sebelumnya menjadi margin keuntungan vendor seperti Nvidia (dengan margin kotor 71,1%) menjadi penghematan internal. Meski demikian, OpenAI tetap akan menggunakan chip dari Nvidia dan vendor lain untuk pelatihan model dan sebagian inferensi. Analisis menunjukkan langkah ini mengikuti tren di industri, di mana pemain besar beralih ke chip khusus begitu volume inferensi cukup besar dan dapat diprediksi. Namun, spesialisasi yang sempit berisiko mengurangi fleksibilitas terhadap perubahan arsitektur AI di masa depan.

cryptonews.ru08/30 15:12

OpenAI Perlihatkan Chip Sendiri Jalapeño: Akselerator 1,5–2 Kali Lebih Efisien dari Nvidia

cryptonews.ru08/30 15:12

OpenAI ‘Balas Dendam’: Chip Inferensi Buatan Sendiri ‘Jalapeño’ Ungguli Nvidia

OpenAI telah mengumumkan hasil tes pertama chip inferensi buatannya sendiri bernama Jalapeño, yang dirancang khusus untuk menjalankan model bahasa besar (LLM). Chip ini menunjukkan peningkatan signifikan dalam efisiensi, mencapai throughput yang lebih tinggi dan latensi yang lebih rendah dibandingkan sistem NVIDIA GB200 dan GB300 dalam berbagai pengujian model seperti GPT-OSS 120B, DeepSeek R1 670B, dan Kimi K2.5 1T. Jalapeño berhasil mengoptimalkan dua aspek kunci yang biasanya saling bertolak belakang: throughput (jumlah permintaan yang diproses per satuan waktu) dan latensi (kecepatan respons). Chip ini menunjukkan peningkatan 1,5 hingga 1,9 kali lipat dalam pekerjaan AI per watt pada puncak throughput, serta mengurangi latensi hingga 1/1,7 hingga 1/3,6 kali lipat. Keunggulan ini sangat terlihat pada beban kerja interaktif seperti yang dibutuhkan oleh AI Agent, di mana kinerjanya bisa 2,1 hingga 4,1 kali lebih baik. Dikembangkan bekerja sama dengan Cerebras dalam waktu 9 bulan dengan bantuan AI, Jalapeño dirancang untuk mendukung inferensi model, yaitu fase di mana model yang sudah terlatih memberikan jawaban cepat kepada pengguna. OpenAI berencana mulai menerapkan chip ini ke infrastrukturnya pada akhir 2026, dengan generasi kedua dan ketiga sudah dalam pengembangan. Perusahaan menegaskan bahwa mereka akan tetap menggunakan akselerator dari NVIDIA dan mitra lainnya untuk memenuhi kebutuhan komputasi AI yang terus berkembang.

marsbit08/25 23:58

OpenAI ‘Balas Dendam’: Chip Inferensi Buatan Sendiri ‘Jalapeño’ Ungguli Nvidia

marsbit08/25 23:58

Pandangan: Investasi Nilai di Pasar Saham AS, Bukan Berarti Investasi Fundamental

**Ringkasan: Investasi Nilai Saham AS Bukan Berarti Investasi Fundamental** Artikel ini menawarkan perspektif bahwa investasi berbasis nilai di pasar saham AS sering disalahartikan sekadar sebagai investasi fundamental. Penulis menggunakan analogi penemuan astronomi Henrietta Leavitt tentang "lilin standar" untuk membedakan antara kecerahan bintang yang tampak (analog dengan kelipatan valuasi saham) dan kecerahan sebenarnya (fundamental perusahaan). Poin kunci: * **Memisahkan Tampilan dan Realitas:** Kinerja saham jangka panjang bergantung pada pertumbuhan fundamental dan perubahan kelipatan valuasi (seperti P/E). Kelipatan valuasi menggabungkan dua hal: kualitas bisnis sesungguhnya dan premi yang bersedia dibayar pasar untuk masa depan. Banyak investor menderita kerugian karena gagal membedakan keduanya. * **"Fundamental Sudah Mati" adalah Narasi yang Berisiko:** Meski tren terkini (seperti dominasi "Magnificent 7") seolah mendukung pendapat bahwa momentum lebih penting daripada fundamental, artikel memperingatkan bahwa ini adalah narasi berbahaya. Alpha (keuntungan berlebih) justru berasal dari saat pasar salah menilai fundamental suatu aset. * **Matriks Persepsi:** Penulis memperkenalkan matriks empat kuadran untuk mengklasifikasikan saham berdasarkan bagaimana mereka *tampak* (mahal/murah) dan *hasilnya* (ternyata mahal/murah). Contoh seperti Meta (2022) yang tampak murah dan terbukti sangat murah (kuadran 3) atau Cisco (2000) yang tampak mahal dan terbukti memang mahal (kuadran 2) menunjukkan pentingnya menilai ekspektasi yang sudah terbentuk dalam harga. * **Pasar Mungkin Semakin Tidak Efisien:** Dunia dengan bisnis yang kompleks, narasi yang kuat, dan aliran informasi yang masif justru dapat memperlebar kesenjangan antara persepsi pasar dan realitas fundamental, menciptakan lebih banyak peluang (dan jebakan) bagi investor yang dapat membedakannya. * **Peringatan untuk Era AI:** Optimisme berlebihan terhadap teknologi baru (seperti AI) sering menyebabkan investor membayar premi terlalu tinggi untuk pertumbuhan masa depan yang belum pasti, berisiko memasuki kuadran saham "tampak mahal dan terbukti mahal". Kesimpulannya, investasi nilai yang sukses membutuhkan kemampuan untuk mengurai kelipatan valuasi, mengevaluasi fundamental di balik narasi pasar, dan bersikap kontraian ketika konsensus ekstrem terbentuk, seperti keyakinan bahwa "fundamental tidak penting lagi".

marsbit08/21 05:31

Pandangan: Investasi Nilai di Pasar Saham AS, Bukan Berarti Investasi Fundamental

marsbit08/21 05:31

Setelah 2,5 Tahun Merintis Bisnis dan 100% Adopsi AI, Perusahaan Malah Menjadi Lebih 'Tradisional'

Pendiri perusahaan "Digital Life Kha'Zix" berbagi pengalaman setelah 2,5 tahun menerapkan AI secara menyeluruh di perusahaannya. Meskipun AI digunakan hampir 100% di semua posisi (keuangan, HR, hukum, bisnis, dll.), perusahaan justru terasa lebih "tradisional". Kunci utamanya adalah pendekatan "platform tipis, lini depan tebal". Alih-alih membuat tim AI terpusat, mereka memberdayakan setiap karyawan untuk menggunakan Agent AI secara mandiri guna menyelesaikan masalah di lapangan. Hal ini memberi karyawan rasa kendali. Yang terpenting bukanlah AI-nya, melainkan **data**. Perusahaan berfokus pada "menyimpan segalanya" secara sistematis – data konten, bisnis, rapat, dokumen – sebagai aset berharga. Namun, data ini harus diatur dan dibersihkan agar tidak membingungkan AI. Dengan AI mengerjakan tugas repetitif, inti dari setiap peran muncul: **membangun hubungan dan kepercayaan manusiawi**. Staf bisnis punya lebih banyak waktu untuk bertemu klien, manajer fokus pada pengambilan keputusan dan tanggung jawab, bukan sekadar mengawasi. Tantangan baru muncul: **bagaimana melatih karyawan baru** jika AI langsung memberi jawaban 80%? Solusinya adalah memberi mereka ruang untuk memahami alasan di balik keputusan AI, membuat kesalahan, dan mengembangkan penilaian mereka sendiri. Kesimpulannya, AI terbaik menghilangkan friksi yang tidak perlu dalam organisasi, sehingga orang punya **lebih banyak waktu untuk terhubung secara bermakna** – dengan klien, rekan kerja, dan kehidupan mereka sendiri. Transformasi AI pada akhirnya menguji bagaimana sebuah perusahaan memperlakukan manusia: memberdayakan, mempercayai, dan memberikan ruang untuk tumbuh.

marsbit08/21 02:07

Setelah 2,5 Tahun Merintis Bisnis dan 100% Adopsi AI, Perusahaan Malah Menjadi Lebih 'Tradisional'

marsbit08/21 02:07

活动图片