# 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.

Apple Merevolusi Kompresi Gambar dengan AI: Kualitas Sama, Ukuran File Hanya Sepertiganya

Apple mengumumkan PICO (*Perceptual Image Codec*), sebuah codec kompresi gambar berbasis AI yang diklaim mampu mengurangi ukuran file hingga sepertiga dari standar seperti AV1, VVC, dan JPEG AI dengan kualitas visual yang setara. Codec ini dirancang khusus untuk mengoptimalkan persepsi visual manusia, bukan hanya metrik matematis seperti PSNR. PICO mengatasi tiga tantangan utama: kecepatan encoding/decoding yang lambat, halusinasi tekstur dari pelatihan berbasis GAN, dan artefak warna di batas potongan gambar (*tiling*). Solusinya meliputi *One-shot Context Model* untuk mempercepat entropi encoding, *Text Fidelity Loss* untuk mempertahankan kejelasan teks, dan *Tiling Artifact Loss* untuk menghaluskan perbedaan warna. Dalam evaluasi subyektif manusia berskala besar, PICO unggul signifikan. Pada iPhone 17 Pro Max, codec ini dapat meng-encode gambar 12MP dalam 230 ms dan mendekode dalam 150 ms. Keterbatasannya adalah pada gambar sintetis seperti kartun, di mana codec tradisional masih lebih efisien. Penelitian ini menandai langkah besar menuju kompresi praktis yang berfokus pada pengalaman visual pengguna.

marsbit05/30 02:50

Apple Merevolusi Kompresi Gambar dengan AI: Kualitas Sama, Ukuran File Hanya Sepertiganya

marsbit05/30 02:50

Alumni Tsinghua '00 Wang Guan Kembali Hadir dengan Karya Baru: Gunakan Token 1/900, Komputasi 1/432, Ubah Paradigma Model Pra-Latihan Transformer

Alumni muda 00-an Universitas Tsinghua, Wang Guan, dan timnya merilis karya baru: model pra-pelatihan efisien HRM-Text, yang menggunakan model rekursif berlapis (HRM) untuk menggantikan Transformer standar. Dengan hanya 1B parameter dan dilatih pada 40B token unik dengan biaya sekitar $1.500, HRM-Text mencapai performa setara model sumber terbuka 2B hingga 7B dalam benchmark seperti MMLU (60,7%) dan GSM8K (84,5%). Metode ini menggunakan 100-900 kali lebih sedikit token pelatihan dan 96-432 kali lebih sedikit perhitungan dibanding baseline standar. Arsitekturnya membagi komputasi menjadi modul H (lambat) dan L (cepat) dengan pembaruan rekursif multi-langkah, sementara target pelatihannya berfokus hanya pada bagian jawaban dalam pasangan instruksi-jawaban, menggunakan masker PrefixLM. Pendekatan ini menunjukkan bahwa prior struktural dan target pelatihan yang ditargetkan dapat secara signifikan menurunkan ambang batas pra-pelatihan. Namun, ada batasan seperti cakupan pengetahuan yang terbatas dan kebutuhan validasi skala lebih besar di masa depan.

marsbit05/26 03:18

Alumni Tsinghua '00 Wang Guan Kembali Hadir dengan Karya Baru: Gunakan Token 1/900, Komputasi 1/432, Ubah Paradigma Model Pra-Latihan Transformer

marsbit05/26 03:18

Jalan DeepSeek Menuju 10 Triliun Dolar AS: Mengungkit Ekosistem Perangkat Keras Bernilai Triliunan dengan Open Source

Artikel ini menganalisis strategi jangka panjang DeepSeek, yang diyakini tidak berfokus pada monetisasi aplikasi langsung seperti langganan atau model multimodal. Sebagai gantinya, tujuan utamanya adalah membentuk ekosistem perangkat keras AI alternatif senilai $10 triliun, yang pada akhirnya akan mendorong valuasi DeepSeek sendiri menjadi $1 triliun. Strategi ini didorong oleh serangkaian inovasi mendalam yang dirancang untuk mengurangi ketergantungan pada komputasi dan memori tinggi (seperti HBM) yang saat ini didominasi oleh teknologi Barat. Inovasi seperti MoE, MLA, DSA, CSA, dan Engram secara signifikan mengkompresi kebutuhan KV Cache (hingga 5.48GB untuk konteks 1 juta token pada DeepSeek V4 vs 60-89GB pada model lain), mengurangi beban pada GPU/ASIC, dan mengalihkan beban ke memori yang lebih terjangkau seperti SSD/NAND (diproduksi YMTC) dan LPDDR (diproduksi CXMT). Dengan menurunkan kebutuhan komputasi puncak dan memanfaatkan memori yang melimpah di China, DeepSeek membuka jalan bagi penggunaan GPU dan ASIC domestik serta vendor baru di Barat. Inovasi seperti TileLang juga bertujuan untuk melemahkan ketergantungan pada ekosistem CUDA. DeepSeek diperkirakan akan membentuk kemitraan strategis dan mendapatkan kepemilikan saham di perusahaan perangkat keras China, mirip dengan cara OpenAI berkolaborasi dengan AMD dan Cerebras, sebagai model monetisasi utamanya alih-alih pendapatan langganan tradisional.

marsbit05/25 13:18

Jalan DeepSeek Menuju 10 Triliun Dolar AS: Mengungkit Ekosistem Perangkat Keras Bernilai Triliunan dengan Open Source

marsbit05/25 13:18

Menghemat 3 Miliar Token dalam Seminggu, Panduan Caching Kode Claude oleh Insinyur Anthropic

**Panduan Menghemat Token dengan Cache di Claude Code: Tips dari Engineer Anthropic** Banyak pengguna Claude Code merasa kuota token cepat habis, terutama dalam sesi panjang. Namun, dari perspektif engineer Anthropic, biaya sebenarnya seringkali bukan ditentukan oleh banyaknya kode yang ditulis, melainkan oleh seberapa baik sistem dapat menggunakan kembali konteks yang sudah diproses. Inti artikel ini adalah cara menghemat token melalui mekanisme **cache**. Penulis berhasil menghemat lebih dari 300 juta token dalam seminggu, dengan 91 juta token di-cache dalam satu hari. Biaya token yang di-cache hanya **10%** dari biaya token input biasa, sehingga 91 juta token cache setara dengan biaya sekitar 9 juta token biasa. Sesi panjang Claude Code terasa lebih "tahan lama" karena konteks yang berulang berhasil digunakan kembali, bukan karena model bekerja gratis. **Bagaimana Cache Bekerja?** Cache beroperasi dengan prinsip **cocokkan awalan (prefix matching)**. Claude akan menyimpan lapisan konteks yang berbeda (sistem, proyek, percakapan) ke dalam cache. Selama awalan permintaan berikutnya tetap sama, Claude dapat membaca dari cache alih-alih memproses ulang seluruh konteks. **Hal Penting yang Perlu Diketahui:** * **Biaya:** Token cache hanya dikenakan biaya 10% dari token input biasa. * **Durasi Cache (TTL):** Untuk Claude Code berlangganan, cache bertahan **1 jam**. Untuk API default dan Sub-agent, TTL-nya **5 menit**. * **Lapisan Cache:** Terdiri dari lapisan sistem (instruksi dasar, alat), lapisan proyek (CLAUDE.md, aturan), dan lapisan percakapan (riwayat chat). **Kebiasaan untuk Mengoptimalkan Cache (95% Pengguna):** 1. **Jangan jeda terlalu lama:** Jika sesi menganggur lebih dari 1 jam, cache akan kedaluwarsa. Lebih baik mulai sesi baru dengan handoff yang jelas. 2. **Ganti tugas, mulai ulang:** Saat beralih tugas, lakukan reset bersih (misalnya dengan `/clear`) dan gunakan "session handoff" untuk meringkas progres sebelumnya ke sesi baru. Ini lebih efisien daripada memaksa melanjutkan sesi yang sudah "dingin". 3. **Untuk dokumen besar, gunakan Projects:** Di Claude.ai, masukkan dokumen besar ke dalam **Projects** alih-alih menempelkannya berulang kali di chat, karena Projects memiliki optimasi cache yang lebih baik. **Aktivitas yang Merusak Cache:** * **Beralih model** (misalnya dari Sonnet ke Opus) akan menghapus cache karena setiap model memiliki cache sendiri. * **Mengaktifkan mode "Opus plan"** juga melibatkan pergantian model (dari Opus ke Sonnet) sehingga mereset cache. * Mengedit CLAUDE.md di tengah sesi *tidak* langsung merusak cache saat itu; perubahan akan berlaku saat sesi dimulai ulang. **Kesimpulan:** Anda tidak perlu memahami semua detail teknis cache. Fokus pada prinsip 80/20: token cache jauh lebih murah, TTL Claude Code adalah 1 jam, hindari pergantian model untuk menjaga cache, dan lakukan handoff yang rapi antar tugas untuk efisiensi maksimal. Dengan mengadopsi kebiasaan ini, Anda dapat memperpanjang sesi coding secara signifikan dan membuat kuota token lebih hemat.

marsbit05/24 00:39

Menghemat 3 Miliar Token dalam Seminggu, Panduan Caching Kode Claude oleh Insinyur Anthropic

marsbit05/24 00:39

CEO Cloudflare: Bagaimana Saya Memutuskan Karyawan Mana yang Akan Digantikan oleh AI?

CEO Cloudflare, Matthew Prince, baru-baru ini memutuskan melakukan PHK lebih dari 20% karyawan meskipun perusahaan mengalami pertumbuhan pendapatan tertinggi dan kondisi keuangan yang sehat. Alasannya adalah adaptasi terhadap perubahan lingkungan bisnis yang didorong oleh kecerdasan buatan (AI). Ia mengutip klasifikasi peran karyawan dari Peter Drucker: "Pembangun" (membuat produk), "Penjual" (menjual produk), dan "Pengukur" (audit, keuangan, operasi, dll). Menurutnya, AI tidak mengancam peran Pembangun dan Penjual, tetapi justru merevolusi peran Pengukur. AI dapat melakukan tugas pengukuran, audit, dan analisis dengan lebih objektif, efisien, dan terus-menerus dibandingkan manusia. Cloudflare memberdayakan AI untuk audit berkelanjutan, mempercepat proses pelaporan keuangan, dan meningkatkan akurasi pengukuran kinerja. Sebagian besar karyawan yang terdampak PHK berasal dari peran Pengukur, seperti manajemen menengah, operasi, pemasaran, dan beberapa fungsi keuangan. Langkah ini bukan sekadar pengurangan biaya, melainkan realokasi sumber daya untuk lebih banyak merekrut Pembangun dan Penjual. Perusahaan justru membuka banyak lowongan kerja baru dan merekrut generasi "AI-native" sebagai magang, yang diharapkan akan menjadi tenaga kerja inti di masa depan. Kesimpulannya, AI tidak akan menghilangkan semua pekerjaan, tetapi mengubah struktur perusahaan dengan mengambil alih tugas pengukuran, sehingga memungkinkan manusia fokus pada penciptaan nilai melalui pembangunan dan penjualan.

marsbit05/22 02:28

CEO Cloudflare: Bagaimana Saya Memutuskan Karyawan Mana yang Akan Digantikan oleh AI?

marsbit05/22 02:28

Daya Server AI Berganti Wajah, ADI Bertaruh 15 Miliar Dolar untuk Masa Depannya

Berita utama dalam industri teknologi adalah akuisisi Empower Semiconductor oleh Analog Devices, Inc. (ADI) senilai $1,5 miliar. Akuisisi ini menegaskan pentingnya teknologi daya mutakhir untuk server AI, seiring lonjakan konsumsi daya chip seperti GPU NVIDIA yang mencapai kilowatt. Empower memiliki empat teknologi inti yang melengkapi strategi ADI: 1. **IVR (Integrated Voltage Regulator)**: Menggantikan modul daya diskrit tradisional dengan chip tunggal yang sangat kecil, menawarkan respons cepat dan kepadatan daya tinggi. 2. **ECAP (Silicon Capacitors)**: Kapasitor silikon dengan performa frekuensi tinggi yang stabil, menggantikan MLCC untuk menyaring noise daya dengan lebih baik. 3. **VPD (Vertical Power Delivery)**: Mengirim daya secara vertikal melalui PCB langsung ke prosesor, mengurangi jarak, hambatan, dan kehilangan daya. 4. **FinFast**: Platform yang memadukan arsitektur daya inovatif, desain berbasis FinFET, dan kemasan canggih. Akuisisi ini mengisi celah strategis ADI dalam penyediaan daya "dalam kemasan" untuk chip AI. Tren industri bergerak dari daya lateral tradisional menuju arsitektur VPD dan integrasi regulator voltase ke dalam substrat (SIVR) untuk efisiensi maksimal. Selain Empower, banyak pemain lain yang aktif: * **IVR**: Perusahaan seperti Ferric (bermitra dengan Marvell) dan Intel (dengan FIVR) juga mengembangkan teknologi serupa. * **Kapasitor Silikon**: Diperlukan untuk pendukung IVR/VPD. Pasar didominasi oleh Murata, Samsung Electro-Mechanics, dan Rohm, dengan startup China juga muncul. * **VPD**: NVIDIA (untuk arsitektur Rubin), Google, dan Intel telah mengadopsinya. Pemasok seperti Infineon, MPS (dengan ZPD), Vicor, dan TDK menawarkan solusi modul daya berdensitas tinggi untuk arsitektur ini. Kesimpulannya, akuisisi ADI terhadap Empower menandai percepatan revolusi dalam teknologi daya server AI. Teknologi seperti IVR, kapasitor silikon, dan VPD menjadi kritis untuk mengatasi tantangan kepadatan daya, efisiensi, dan ruang yang dibutuhkan oleh komputasi generasi berikutnya.

marsbit05/22 00:42

Daya Server AI Berganti Wajah, ADI Bertaruh 15 Miliar Dolar untuk Masa Depannya

marsbit05/22 00:42

Terobosan Hebat Kolaborasi AI! Stanford & NVIDIA Bersinergi Hilangkan Ketidakefisienan Komunikasi AI, Kecepatan Penalaran Meningkat 2.4 Kali

Peneliti dari UIUC, Stanford, NVIDIA, dan MIT mengusulkan RecursiveMAS, sistem baru yang memungkinkan beberapa agen AI berkolaborasi tanpa harus berkomunikasi melalui teks. Alih-alih menghasilkan bahasa alami, agen-agen tersebut langsung bertukar representasi vektor dalam "ruang laten", mirip seperti telepati. Metode tradisional menyebabkan "pajak bahasa" di mana setiap agen perlu menerjemahkan pemikiran internal menjadi teks dan sebaliknya, menghabiskan waktu, token, dan kehilangan informasi. RecursiveMAS menghilangkan langkah penerjemahan ini dengan modul RecursiveLink yang ringan, hanya melatih sekitar 0.31% parameter. Hasil pengujian pada berbagai tugas (matematika, kode, dll.) menunjukkan peningkatan akurasi rata-rata 8.3%, kecepatan inferensi hingga 2.4 kali lebih cepat, dan pengurangan konsumsi token hingga 75.6%. Keuntungan ini semakin besar dengan kedalaman rekursi. Sistem ini membuka jalur penskalaan baru untuk sistem multi-agen dengan memperdalam rekursi, bukan hanya menambah jumlah agen. Namun, tantangan seperti verifikasi independen, kompatibilitas model heterogen, dan penurunan kemampuan interpretasi masih perlu diatasi.

marsbit05/21 00:15

Terobosan Hebat Kolaborasi AI! Stanford & NVIDIA Bersinergi Hilangkan Ketidakefisienan Komunikasi AI, Kecepatan Penalaran Meningkat 2.4 Kali

marsbit05/21 00:15

Trending di GitHub, Panduan Wajib Baca bagi Pengguna Claude Code

Panduan CLAUDE.md untuk Pengguna Claude Code: Meningkatkan Akurasi dari 65% ke 94% Banyak pengguna Claude Code menghabiskan waktu berharga untuk menjelaskan ulang konteks proyek, tumpukan teknologi, dan keputusan yang telah dibuat di setiap sesi baru. Hal ini menyebabkan pemborosan biaya, rentang perubahan kode yang tidak diizinkan, dan rekomendasi alat yang tidak cocok. Solusinya adalah file **CLAUDE.md** yang ditempatkan di direktori root proyek. File teks sederhana ini dibaca Claude secara otomatis di awal setiap sesi dan berfungsi sebagai "buku petunjuk" yang berisi: 1. **Aturan Dasar Komunikasi:** Hilangkan basa-basi, sesuaikan panjang jawaban dengan kompleksitas tugas, berikan beberapa opsi sebelum bertindak, dan akui ketidakpastian. 2. **Batasan Perilaku:** Hanya modifikasi kode yang langsung terkait tugas, minta konfirmasi eksplisit untuk perubahan besar atau operasi berisiko (seperti penghapusan), dan selalu tampilkan ringkasan perubahan. 3. **Memori & Tumpukan Teknologi:** Gunakan file `MEMORY.md` untuk mencatat keputasan penting dan `ERRORS.md` untuk kegagalan yang pernah terjadi. Kunci tumpukan teknologi (framework, database, dll.) untuk menghindari rekomendasi yang tidak kompatibel. Aturan inti dari Andrej Karpathy yang meningkatkan akurasi pengkodean secara signifikan adalah: Tanyakan jika ragu, buat solusi paling sederhana dulu, jangan sentuh kode yang tidak relevan, dan tandai ketidakpastian. Dengan menginvestasikan sekitar 2 jam untuk menyiapkan CLAUDE.md, pengembang dapat menghemat ratusan dolar per minggu yang biasanya terbuang untuk penjelasan ulang, rollback perubahan yang tidak diinginkan, dan mengatasi masalah akibat "lupa" keputusan di sesi sebelumnya. Mulailah dengan 4 aturan Karpathy dan kembangkan file tersebut seiring waktu berdasarkan kebutuhan proyek.

marsbit05/18 09:42

Trending di GitHub, Panduan Wajib Baca bagi Pengguna Claude Code

marsbit05/18 09:42

Terungkap: "Toko Super" dengan Pendapatan Harian Jutaan Rupiah? Lihat Bagaimana Robot Xinyi Merekonstruksi Bisnis Kopi dan Minuman Teh

Rahasia Toko Super dengan Pendapatan Harian Ratusan Juta? Inilah Cara New One Robot Merevolusi Bisnis Kopi dan Teh! Dengan hanya satu orang dan satu set sistem robot terintegrasi, New One Coffee & Tea berhasil mengoperasikan toko yang mencapai pendapatan harian puluhan juta rupiah di Pusat Perbelanjaan Zhengda, Beijing. Ini menandai hadirnya terminal komersial otomatis tinggi yang terjangkau. Model bisnis intinya adalah "satu orang, satu mesin, satu toko". Sistem robot cerdas Robot in Store yang dikembangkan tim mengintegrasikan lengan robot, mesin kopi, mesin teh susu, dan peralatan lain, menangani segala proses dari pemesanan hingga pembuatan secara otomatis. Hasilnya? Efisiensi tenaga kerja maksimal dan biaya sewa yang dapat tertutupi hanya dalam hitungan hari. Toko ini dirancang untuk ruang minimalis (sekitar 10 meter persegi), sangat mengurangi tekanan sewa. Selain model toko pintar, New One juga menawarkan operti Robot in Box (mesin kopi tanpa karyawan) dan Robot in Car (gerai mobil) untuk berbagai kebutuhan. Strategi produknya adalah "komposit" - menggabungkan kopi, teh, dan pastry dalam satu menu. Ini memungkinkan toko melayani pelanggan dari pagi (sarapan) hingga sore (teh waktu sore), memaksimalkan pendapatan sepanjang hari. Sistem ini didukung oleh analisis data besar (big data) untuk pemilihan produk, mampu menganalisis tren secara real-time dan mengembangkan produk baru yang potensial hanya dalam dua minggu. Dengan otomatisasi menangani produksi, staf toko dapat fokus pada operasi komunitas pelanggan (private domain), membangun hubungan yang kuat bahkan sebelum toko dibuka. Bagi calon mitra, New One menawarkan kebijakan kemitraan dengan biaya awal yang sangat rendah dan periode pengembalian modal yang dipercepat, menargetkan pengembalian investasi yang cepat berkat model berpendapatan tinggi dan efisiensi operasionalnya.

marsbit05/16 02:48

Terungkap: "Toko Super" dengan Pendapatan Harian Jutaan Rupiah? Lihat Bagaimana Robot Xinyi Merekonstruksi Bisnis Kopi dan Minuman Teh

marsbit05/16 02:48

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

活动图片

Kategori Populerright-arrow

Tag Populerright-arrow