# 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.

Pemenang Penghargaan Khusus Tsinghua, Gu Yuxian, Bergabung dengan DeepSeek

DeepSeek saat ini sedang dalam proses rekrutmen besar-besaran untuk berbagai posisi. Pada saat yang sama, versi resmi DeepSeek V4 akan diluncurkan pertengahan bulan ini. Dalam daftar penulis makalah DeepSeek V4, terdapat nama **Yuxian Gu**, seorang doktoral Universitas Tsinghua angkatan 2021 dan penerima Beasiswa Prestasi Khusus untuk Mahasiswa Pascasarjana tahun 2025. Diketahui bahwa **Gu Yuxian telah resmi bergabung dengan DeepSeek**. Gu Yuxian, yang juga pernah mendapatkan Beasiswa Doktoral Apple tahun 2025 dan Beasiswa In-Tech Ant Group, menyatakan bahwa "Inovasi algoritma menjadi kunci untuk menembus hambatan komputasi ketika sumber daya perangkat keras terbatas." Ia adalah doktoral tingkat akhir di Departemen Ilmu Komputer Universitas Tsinghua, dengan gelar sarjana juga dari universitas yang sama. Halaman pribadinya menunjukkan bahwa ia belajar di Kelompok Penelitian AI Interaktif (Conversational AI, CoAI) Universitas Tsinghua, dibimbing oleh Profesor Huang Minlie. Penelitiannya berfokus pada peningkatan efisiensi dalam seluruh siklus hidup model bahasa besar (LLM), mencakup tahap pra-pelatihan, adaptasi, dan inferensi. Ia mengembangkan penelitian dari tiga arah utama: **Penyaringan Data Pra-Pelatihan, Distilasi Pengetahuan dalam Kompresi Model, dan Arsitektur Model yang Efisien.** Di halaman Google Scholar-nya, **kutipan makalah Gu Yuxian telah mendekati 5000**, dengan dua makalah yang dikutip lebih dari 1000 kali. Sebagai penulis pertama, Gu Yuxian telah mempublikasikan banyak makalah di konferensi AI terkemuka internasional seperti NeurIPS, ICLR, dan ACL. Pada tahun 2024, ia dan rekan-rekannya mengusulkan metode distilasi pengetahuan untuk menyuling model bahasa besar menjadi model yang lebih kecil, menciptakan **"MiniLLM"** yang menghasilkan jawaban yang lebih akurat dan berkualitas lebih tinggi. Metode ini telah diadopsi oleh komunitas dan platform industri terkemuka seperti Google, Alibaba, dan NVIDIA. Pada tahun 2025, makalah **"Jet-Nemotron"** memperkenalkan seri baru model bahasa berarsitektur hybrid yang mencapai akurasi model perhatian penuh state-of-the-art (SOTA) sekaligus memiliki efisiensi yang luar biasa.

marsbit13j yang lalu

Pemenang Penghargaan Khusus Tsinghua, Gu Yuxian, Bergabung dengan DeepSeek

marsbit13j yang lalu

Dialog Jens dari Yayasan IOTA: Dari Kenya hingga Inggris, TWIN Membawa Perdagangan Global ke Era "5 Menit"

Wawancara dengan Jens dari IOTA Foundation: TWIN Percepat Perdagangan Global ke Era '5 Menit' Infrastruktur kolaborasi digital TWIN, dibangun di atas protokol IOTA, bertujuan merevolusi sistem perdagangan global yang lama bergantung pada dokumen kertas dan sistem yang terfragmentasi. Menurut Jens Munch Lund-Nielsen, Kepala Departemen Perdagangan & Rantai Pasokan Global di IOTA Foundation, inti masalahnya adalah kurangnya infrastruktur netral yang dipercaya semua pihak untuk bertukar data. TWIN menawarkan lapisan dasar terbuka dan terdesentralisasi, memungkinkan perusahaan, pemerintah, dan pelabuhan bertukar data serta dokumen terverifikasi secara real-time dengan biaya rendah, berkat arsitektur DAG IOTA yang scalable. Dalam setahun sejak diluncurkan Mei 2025, TWIN telah menunjukkan hasil nyata: - Di Afrika Timur, proyek TLIP memangkas waktu pengambilan dokumen untuk ekspor bunga, kopi, dan teh dari 6-7 jam menjadi sekitar 30 menit. - Di Inggris, TWIN diuji dalam uji coba pemerintah untuk pengiriman daging unggas, memberikan visibilitas data lebih awal ke otoritas perbatasan. - Berbagai proyek lainnya sedang berjalan untuk menelusuri rantai pasok, meningkatkan efisiensi pelabuhan, dan mendukung pembiayaan perdagangan. TWIN mengatasi tantangan interoperabilitas dengan menggunakan standar global (seperti dari UN/CEFACT dan WCO) serta berkolaborasi dengan pemerintah untuk keselarasan regulasi. Keberhasilannya diharapkan dapat menyambungkan 'pulau-pulau digital' yang ada, mengurangi friksi, dan berpotensi membantu menutup celah pembiayaan perdagangan global yang mencapai US$2,5 triliun.

marsbit06/30 02:10

Dialog Jens dari Yayasan IOTA: Dari Kenya hingga Inggris, TWIN Membawa Perdagangan Global ke Era "5 Menit"

marsbit06/30 02:10

Model Generatif Skala Besar Pertama dengan Fisika Sebagai Primitif Komputasi, Un-0 Telah Tiba, Dapat Mengurangi Konsumsi Energi AI 1000 Kali Lipat?

Model generasi skala besar pertama di dunia yang menggunakan fisika sebagai primitif komputasi, Un-0, telah hadir. Dikembangkan oleh Unconventional AI yang didirikan oleh Naveen Rao, mantan kepala AI Databricks, model ini bertujuan untuk mengatasi krisis energi yang membayangi perkembangan AI dengan target mengurangi konsumsi daya inferensi hingga 1000 kali lipat dibanding sistem saat ini. Un-0 adalah model generasi gambar yang digerakkan oleh sistem "osilator terhubung analog", memanfaatkan dinamika alami sistem fisik (seperti perubahan fase osilator dari waktu ke waktu) untuk melakukan komputasi, bukan bergantung sepenuhnya pada komputasi digital GPU tradisional. Model ini dilatih pada dataset ImageNet 64x64 dan mencapai skor FID 6.74, yang kualitasnya sebanding dengan model generasi gambar arus utama di masa awal pengembangannya. Cara kerjanya melibatkan ribuan osilator (dimodelkan sebagai Osilator Kuramoto) yang berinteraksi melalui kekuatan kopling yang dapat dipelajari. Untuk menghasilkan gambar, sistem diinisialisasi secara acak, kemudian diberi label kelas untuk memandu evolusinya. Sistem fisik dibiarkan berkembang secara alami, dan pada waktu tertentu (T), fase semua osilator direkam dan diterjemahkan menjadi piksel gambar melalui decoder tradisional yang ringan. Meskipun kinerjanya belum menyaingi model generasi gambar tradisional terbaru seperti EDM, Un-0 membuktikan kelayakan menggunakan sistem dinamika fisik untuk tugas AI skala besar. Keberhasilannya membuka jalan bagi pengembangan perangkat keras komputasi non-tradisional yang jauh lebih efisien energi di masa depan, dengan memanfaatkan dimensi waktu dan menggabungkan komputasi serta memori dalam entitas fisik yang sama.

marsbit06/26 10:57

Model Generatif Skala Besar Pertama dengan Fisika Sebagai Primitif Komputasi, Un-0 Telah Tiba, Dapat Mengurangi Konsumsi Energi AI 1000 Kali Lipat?

marsbit06/26 10:57

Matrixdock Kembali Terbit di SBMA 'Crucible': Membahas Bagaimana Tokenisasi Meningkatkan Efisiensi Pasar Logam Mulia

Artikel dari Matrixdock kembali muncul dalam publikasi industri SBMA "Crucible," membahas bagaimana tokenisasi dapat meningkatkan efisiensi pasar logam mulia. Tokenisasi emas dan perak tidak mengubah nilai intrinsiknya, tetapi memperluas kegunaannya dalam sistem keuangan digital, seperti untuk penyelesaian instan, jaminan, dan pembayaran. Biaya penyimpanan fisik (seperti penyimpanan dan asuransi) tetap ada, namun kerangka kerja seperti Fungible Reserve Standard (FRS) menawarkan transparansi yang lebih besar mengenai biaya ini dibandingkan produk tradisional seperti ETF. Matrixdock mempraktikkan konsep ini dengan aset tokenisasi seperti XAUm (emas) dan XAGm (perak). Pasar emas tokenisasi telah tumbuh signifikan, melampaui $6 miliar pada Februari 2026, menandakan peran yang semakin penting dalam digitalisasi pasar logam mulia.

marsbit06/18 09:21

Matrixdock Kembali Terbit di SBMA 'Crucible': Membahas Bagaimana Tokenisasi Meningkatkan Efisiensi Pasar Logam Mulia

marsbit06/18 09:21

Berapa Banyak yang Didapat Perusahaan Modul Optik dari Biaya Berlangganan Claude yang Anda Bayar?

TL;DR Grafik yang memecah biaya berlangganan Claude Pro AS sekitar $20 per bulan untuk perusahaan model, komputasi awan, penyusutan GPU, listrik, dan rantai pasokan memicu diskusi ulang tentang cara menilai pendapatan aplikasi AI. Artikel ini membahas tantangan mendasar dalam menilai bisnis aplikasi AI dibandingkan SaaS tradisional. Berbeda dengan perangkat lunak konvensional yang memiliki margin tinggi karena biaya marjinal mendekati nol, setiap penggunaan model AI (inferensi) memerlukan komputasi GPU, listrik, dan sumber daya awan yang signifikan. Hal ini menciptakan ketegangan antara pendapatan langganan tetap dan biaya variabel yang bergantung pada intensitas penggunaan pengguna. Saat ini, pertumbuhan penggunaan AI lebih langsung mengalir ke infrastruktur (seperti pemasok GPU, HBM, dan pusat data) yang mendapat pendapatan lebih pasti. Perusahaan aplikasi/model perlu membuktikan bahwa mereka dapat meningkatkan efisiensi (melalui optimisasi model, caching, chip khusus) lebih cepat daripada peningkatan kompleksitas dan volume penggunaan, agar margin dapat membaik dan mendekati struktur keuntungan perusahaan perangkat lunak. Kesimpulannya, investor harus berhati-hati dalam mengasumsikan pendapatan AI setara dengan SaaS. Kunci penilaian terletak pada kemampuan perusahaan model menunjukkan peningkatan margin kotor setelah memperhitungkan semua biaya inferensi, bukan hanya pertumbuhan jumlah pelanggan berbayar.

marsbit06/17 03:46

Berapa Banyak yang Didapat Perusahaan Modul Optik dari Biaya Berlangganan Claude yang Anda Bayar?

marsbit06/17 03:46

PHK karena AI? Penelitian Mengungkapkan AI Lebih Mahal daripada Pekerja yang Digantikannya

Tahun ini, hampir 50.000 karyawan telah di-PHK dengan alasan AI. Namun, semakin banyak perusahaan menemukan bahwa biaya penggunaan AI sebenarnya lebih mahal daripada tenaga kerja yang ingin digantikannya. Uber menghabiskan anggaran AI tahun 2026 hanya dalam empat bulan. Microsoft mencabut lisensi Claude Code di berbagai departemen karena mahal. Di Anthropic, satu karyawan menghabiskan kuota API senilai $150.000 dalam sebulan. Survei CloudZero menunjukkan 45% perusahaan menghabiskan lebih dari $100.000 per bulan untuk AI pada 2025, namun hanya separuhnya yang dapat mengevaluasi ROI dengan percaya diri. Scott Galloway memprediksi perusahaan akhirnya akan beralih ke model besar China, yang harganya 10 hingga 30 kali lebih murah daripada model AS. Data menunjukkan peningkatan tajam dalam penggunaan model China oleh pengembang, dari sekitar 1% pada 2024 menjadi lebih dari 60% pada Mei tahun ini, dengan 80% startup AI AS menggunakan model AI open-source China. Pergeseran ini diprediksi akan memicu respons kebijakan dari pemerintah AS.

marsbit06/09 02:28

PHK karena AI? Penelitian Mengungkapkan AI Lebih Mahal daripada Pekerja yang Digantikannya

marsbit06/09 02:28

Mampukah DeepSeek Menghemat 1 Triliun Dolar untuk China?

**Ringkasan Artikel: Apakah DeepSeek Dapat Menghemat 1 Triliun Dolar AS untuk China?** Artikel ini membahas bagaimana DeepSeek, melalui serangkaian inovasi teknologinya, berpotensi secara drastis menekan biaya infrastruktur AI China dan berpotensi menghemat investasi hingga triliunan dolar AS. **Tantangan: Biaya AI yang Melonjak** Biaya perangkat keras AI, terutama memori berbandwidth tinggi (HBM), sedang meroket. Misalnya, pada sistem AI canggih NVIDIA Vera Rubin, biaya komponen memori saja mencapai sekitar $2 juta dan telah naik 435% dalam setahun. **Solusi DeepSeek: Tiga Inovasi Utama** DeepSeek mendekati masalah ini dengan tiga terobosan teknis utama untuk meningkatkan efisiensi token perangkat keras hingga 4 kali lipat: 1. **Kompresi Memori (KV Cache):** Melalui **Multi-head Latent Attention (MLA)**, DeepSeek mengompres "memori" konteks panjang model secara signifikan (hingga 90%+ pengurangan) tanpa mengorbankan kualitas, mengurangi ketergantungan pada HBM yang mahal. 2. **Aktivasi "Tubuh" Model Sesuai Kebutuhan:** Menggunakan arsitektur **Mixture of Experts (MoE)**, model hanya mengaktifkan sebagian kecil dari total parameternya untuk setiap tugas. Ini seperti hanya memanggil dokter spesialis yang relevan, bukan seluruh rumah sakit. 3. **Cache dan Penggunaan Ulang:** Hasil komputasi yang sudah dihitung disimpan dan digunakan kembali (cache hit), menghindari perhitungan berulang yang mahal. DeepSeek menerapkan ini bahkan dalam struktur harga layanannya. **Dampak dan Potensi Penghematan** Efisiensi ini mengubah ekonomi infrastruktur AI: * **Pengurangan Biaya Operasional:** Untuk tugas tertentu (misalnya, membaca ulang kode panjang), biaya menggunakan DeepSeek V4-Pro bisa **100 kali lebih murah** dibandingkan model seperti GPT-5.5 atau Claude Opus. * **Penghematan Infrastruktur Berskala Besar:** Artikel memperkirakan, dengan peningkatan efisiensi 4x, untuk memenuhi permintaan token harian masa depan China yang mencapai ribuan triliun, pendekatan DeepSeek berpotensi menghemat investasi setara dengan **puluhan ribu pusat komputasi cerdas**, yang nilainya bisa mendekati **$1 triliun**. * **Pergeseran Strategis:** Alih-alih hanya bergantung pada chip komputasi canggih (di mana China tertinggal), DeepSeek mengalihkan beban ke manajemen memori, cache, dan rekayasa sistem — area di mana industri China seperti produsen memori DRAM (contoh: CXMT) semakin kompetitif. Ini meningkatkan keamanan rantai pasokan. **Kesimpulan** DeepSeek tidak menghilangkan kebutuhan akan perangkat keras canggih, tetapi secara radikal mengurangi ketergantungan marjinal padanya. Dengan membuat AI lebih terjangkau melalui efisiensi teknis mendalam, DeepSeek berpotensi membentuk ulang buku besar infrastruktur AI China, menghemat investasi besar, dan yang terpenting, membuat daya AI dapat diakses oleh industri luas di China. *(Catatan: Artikel ini didasarkan pada analisis industri dan proyeksi, bukan fakta yang sudah pasti.)*

marsbit06/03 00:52

Mampukah DeepSeek Menghemat 1 Triliun Dolar untuk China?

marsbit06/03 00:52

Menjalankan MoE di Ponsel? Meta Mengusulkan MobileMoE, iPhone 16 Pro Dipercepat 3,8 Kali Lipat

Meta memperkenalkan MobileMoE, campuran model ahli (MoE) pertama yang dirancang untuk inferensi efisien di smartphone. Mengganti lapisan feed-forward padat dengan MoE, MobileMoE-S/M mencapai akurasi setara atau lebih tinggi dengan hanya 1/2 hingga 1/4 komputasi inferensi model padat dalam 14 tes dasar. Di iPhone 16 Pro, MobileMoE-S mempercepat inferensi hingga 3.8x pada fase input. Model ini dilatih dalam empat tahap: pra-pelatihan, pelatihan menengah, fine-tuning terawasi, dan pelatihan aware-kuantisasi (kuantisasi INT4/INT8). Konfigurasi optimal menggunakan 8 ahli dengan granularitas 8, routing Top-4, dan 1 ahli bersama. Dalam evaluasi, MobileMoE mengungguli model seperti Qwen3.5 2B dan OLMoE-1B-7B dalam skala parameter lebih kecil, terutama unggul dalam tugas kode dan matematika. Setelah kuantisasi INT4, kinerja tetap kompetitif. Di perangkat Samsung Galaxy S25 dan iPhone 16 Pro, MobileMoE menunjukkan peningkatan kecepatan signifikan dan penggunaan memori lebih rendah dibanding baseline. Tantangan ke depan mencakup peningkatan kemampuan penalaran, eksplorasi NPU, dan optimasi memori dinamis untuk routing MoE di perangkat seluler.

marsbit06/01 06:11

Menjalankan MoE di Ponsel? Meta Mengusulkan MobileMoE, iPhone 16 Pro Dipercepat 3,8 Kali Lipat

marsbit06/01 06:11

Nvidia Meluncurkan Platform DSX, Terus Melangkah ke Infrastruktur Pabrik AI

NVIDIA meluncurkan platform NVIDIA DSX, memperluas bisnisnya ke infrastruktur pabrik AI. Platform ini menawarkan solusi lengkap mulai dari desain, simulasi, penyebaran, hingga manajemen operasional, beralih dari fokus sebelumnya pada penjualan GPU semata. Dengan kompleksitas model AI yang meningkat, tantangan pusat data kini meliputi pasokan listrik, pendinginan, penjadwalan sumber daya, dan efisiensi operasional menyeluruh. NVIDIA meyakini bahwa efisiensi infrastruktur—cara menghasilkan lebih banyak daya komputasi dan layanan cerdas dengan listrik, ruang, dan sumber daya terbatas—akan menjadi indikator kunci kompetisi di masa depan. Platform DSX mengintegrasikan chip, sistem, perangkat lunak, arsitektur referensi, dan teknologi mitra NVIDIA. Platform ini mencakup perangkat lunak utama seperti DSX MaxLPS untuk optimalisasi daya dengan pendinginan cair, dan DSX OS, platform perangkat lunak sumber terbuka untuk operasional pabrik AI. Komponen lain meliputi DSX Reference Design, DSX Sim untuk simulasi digital twin, DSX Flex untuk penyesuaian beban kerja dinamis berdasarkan jaringan listrik, dan DSX Exchange untuk kolaborasi data. Beberapa penyedia layanan cloud seperti CoreWeave dan Lambda telah mulai menggunakan komponen inti DSX. Dari sisi perangkat keras, perusahaan seperti Dell, HPE, Lenovo, dan Supermicro sedang mengembangkan sistem yang kompatibel dengan DSX. DSX Flex juga telah menjalani proyek percontohan komersial dengan perusahaan energi. Secara strategis, DSX menandai transformasi NVIDIA dari pemasok chip AI menjadi penyedia platform infrastruktur AI yang menyeluruh, bertujuan membangun standar industri dan memperkuat kepemimpinannya di pasar global.

marsbit06/01 04:29

Nvidia Meluncurkan Platform DSX, Terus Melangkah ke Infrastruktur Pabrik AI

marsbit06/01 04:29

Setelah Menghabiskan Miliaran Dolar Token dengan Gila-gilaan, Perusahaan Teknologi Silicon Valley Mulai Membatasi Penggunaan Token Karyawan

Setelah membakar miliaran dolar untuk token AI, perusahaan teknologi Silicon Valley seperti Microsoft mulai membatasi penggunaan AI oleh karyawan. Fenomena "tokenmaxxing", di mana perusahaan mendorong penggunaan AI sebanyak-banyaknya, ternyata menimbulkan krisis biaya dan efisiensi yang tidak jelas. Studi menunjukkan setiap $1 yang dihabiskan untuk token AI, $0,82 digunakan untuk memperbaiki bug, menulis ulang kode, atau menangani penundaan. Hanya 14% CFO yang melihat ROI yang terukur. Produktivitas individu tidak otomatis meningkatkan pendapatan perusahaan. Contohnya, penggunaan AI untuk menulis kode justru meningkatkan tingkat "pemborosan kode" hingga 800%. Perusahaan seperti Uber, Salesforce, dan Meta menghadapi tagihan AI yang besar namun sulit membuktikan nilainya bagi bisnis. Solusi yang muncul adalah alat manajemen biaya AI dan model harga baru berdasarkan hasil (misalnya, jumlah percakapan yang diselesaikan), bukan sekadar penggunaan token. Intinya, perusahaan perlu beralih dari sekadar menggunakan AI untuk mempercepat pekerjaan lama, menuju merancang ulang alur kerja dan model bisnis untuk mengekstrak nilai sebenarnya dari AI. Rasionalisasi biaya adalah langkah pertama yang diperlukan.

marsbit06/01 04:08

Setelah Menghabiskan Miliaran Dolar Token dengan Gila-gilaan, Perusahaan Teknologi Silicon Valley Mulai Membatasi Penggunaan Token Karyawan

marsbit06/01 04:08

活动图片

Kategori Populerright-arrow

Tag Populerright-arrow