# Artikel Terkait Inferensi

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

Arthur Hayes Kembali dengan Sambutan Hangat, Flop Labs Ingin Jadi 'Bahan Bakar' Ekonomi Agent

Arthur Hayes, salah satu pendiri BitMEX, secara resmi kembali ke peran utama sebagai kepala proyek dengan meluncurkan Flop Labs. Proyek ini dijelaskan sebagai "bahan bakar untuk agen AI", bertujuan menjadi mata uang asli dan lapisan penyelesaian komputasi yang dapat diverifikasi untuk ekonomi agen AI. Konsep intinya adalah "Proof-of-Useful-Inference", yang berupaya mengganti perhitungan 'tidak berguna' dari penambangan tradisional dengan tugas inferensi AI yang berguna, sehingga daya komputasi melindungi keamanan blockchain sekaligus memberikan layanan bernilai ekonomi bagi agen AI. Jaringan Flop Labs melibatkan empat peran utama: Penambang (Miner) yang menyediakan daya komputasi GPU, Validator yang menjadi lapisan kepercayaan, Agen (Agent) yang menggunakan FLOP untuk membeli daya komputasi dan menyimpan memori, serta KOL dan Mitra Komunitas untuk promosi. Token FLOP akan diluncurkan dengan prinsip Fair Launch, tanpa pra-penjualan atau partisipasi modal ventura. Rencananya, airdrop besar-besaran akan dilakukan pada kuartal keempat 2026, dan blok genesis diluncurkan pada kuartal pertama 2027. Saat ini, satu-satunya cara untuk berpartisipasi dalam airdrop adalah dengan mendaftar menjadi salah satu dari empat peran tersebut melalui formulir di situs web resmi. Meskipun narasi proyek ini menarik, Flop Labs masih berada dalam tahap awal dengan informasi terbatas. Dokumen whitepaper, ekonomi token, alamat kontrak pintar, dan laporan audit pihak ketiga belum dirilis, sehingga memunculkan pertanyaan dari komunitas mengenai implementasi teknis dan pilihan blockchain dasarnya. Arthur Hayes membedakan keyakinannya pada ekonomi agen dan teknologi AI itu sendiri dari gelembung finansial di sektor infrastruktur. Keberhasilan Flop Labs akan bergantung pada kemampuannya untuk menunjukan hasil teknologi yang konkret dan membangun ekosistem yang hidup di bulan-bulan mendatang.

Odaily星球日报08/19 05:53

Arthur Hayes Kembali dengan Sambutan Hangat, Flop Labs Ingin Jadi 'Bahan Bakar' Ekonomi Agent

Odaily星球日报08/19 05:53

Pertambangan sebagai Inferensi, Bagaimana Dual Pendapatan Nockchain Diwujudkan?

**Inti Artikel: Mining sebagai Penalaran, Bagaimana Nockchain Mencapai Pendapatan Ganda?** Artikel ini membahas upgrade Logos di Nockchain, sebuah Layer 1 yang diluncurkan secara adil pada Mei 2025. Inti inovasinya adalah mengganti Proof-of-Work (PoW) tradisional seperti Bitcoin dengan **ZK-PoW (Zero-Knowledge Proof-of-Work)**, di mana penambang menghasilkan bukti pengetahuan nol (STARK proofs) yang berguna untuk komputasi terverifikasi, bukan sekadar hash yang tak berguna. Upgrade **Logos** menambahkan teka-teki penambangan kedua: **perkalian matriks integer**, yang merupakan komputasi inti untuk inferensi AI. Setelah diaktifkan, produksi blok dialokasikan sebagai **70% untuk ZK-PoW** dan **30% untuk teka-teki AI**. Dengan mekanisme ini, penambang yang menjalankan komputasi matriks untuk klien inferensi berbayar dapat menggunakan komputasi yang sama untuk bersaing mendapatkan hadiah blok, sehingga menciptakan potensi **pendapatan ganda**: dari hadiah blok dan dari layanan komputasi. Keamanan jaringan diharapkan tumbuh seiring dengan permintaan inferensi AI, karena lebih banyak daya komputasi (GPU) akan mengarah ke jaringan, meningkatkan biaya serangan. Untuk memulai siklus ini, pendiri Nockchain mendirikan **National Compute** sebagai klien berbayar pertama. Namun, artikel juga menyoroti tantangan. Peluncuran Logos telah ditunda beberapa kali, dan argumen keamanannya bergantung pada teka-teki penambangan AI yang belum teruji secara ekstensif. Meskipun telah melalui audit dan program bug bounty, mekanisme ini masih dianggap tahap awal. Dari perspektif pasar, token $NOCK saat ini bernilai sekitar $0.009 dengan kapitalisasi pasar sekitar $22 juta. Kesuksesan jangka panjang bergantung pada kemampuan National Compute (dan klien lainnya) untuk membawa aliran inferensi berbayar yang cukup ke jaringan, mengubah narasi "keamanan + pendapatan" menjadi arus kas nyata bagi penambang.

marsbit08/17 10:45

Pertambangan sebagai Inferensi, Bagaimana Dual Pendapatan Nockchain Diwujudkan?

marsbit08/17 10:45

Dalam Semalam, GPT-5.6 Sol Dipercepat 14 Kali Lipat oleh OpenAI

AI mulai bersaing dalam asimetri informasi? Pada 14 Agustus, OpenAI bersama Cerebras meluncurkan mode pratinjau "Ultrafast" untuk model andalannya GPT-5.6 Sol. Mode ini meningkatkan kecepatan output hingga 750 token/detik, atau 14 kali lebih cepat dari mode standar (53 token/detik), tanpa mengurangi kualitas. Dibandingkan model lain, GPT-5.6 Sol Ultrafast 11 kali lebih cepat dari Fable 5 dan 5 kali lebih cepat dari Opus 4.8 Fast Mode. Dalam tes "Ujian Terakhir Manusia" (HLE) yang menantang, GPT-5.6 Sol menyelesaikan 2500 soal hanya dalam 11 jam 11 menit, sementara Claude Fable 5 membutuhkan 78 jam 27 menit. Peningkatan kecepatan ini juga menghasilkan percepatan 5,6 kali dalam tugas bernilai ekonomi pada benchmark GDP-Val. Peningkatan drastis ini dimungkinkan berkat arsitektur hardware wafer-scale Cerebras (WSE-3), yang mengatasi hambatan bandwidth memori pada GPU tradisional dengan menyimpan parameter model di SRAM on-chip berkecepatan tinggi, menghilangkan waktu tunggu untuk memuat berat model. Mode Ultrafast membuka kemungkinan alur kerja baru, seperti: tanggap insiden & keandalan sistem, penelitian keamanan finansial real-time, dukungan pelanggan yang kompleks, asistensi belanja, serta penelitian dan eksperimen interaktif yang dipercepat. Perubahan ini memungkinkan tugas agen AI multi-langkah yang sebelumnya memakan jam dapat diselesaikan dalam hitungan menit, dan menggeser cara kita berinteraksi dengan AI. Komunitas kini menantikan versi Ultrafast untuk model tingkat menengah seperti Luna dan Terra.

marsbit08/14 00:04

Dalam Semalam, GPT-5.6 Sol Dipercepat 14 Kali Lipat oleh OpenAI

marsbit08/14 00:04

AMD Membeli Taalas: AI Perangkat Keras Mengatasi Kekurangan Memori HBM

AMD setuju untuk mengakuisisi startup Taalas dari Toronto, yang memecahkan masalah utama dalam inferensi AI: kebutuhan untuk terus menerus memindahkan bobot model dari memori ke prosesor. Chip Taalas mengatasi ini dengan menanamkan bobot model langsung ke dalam transistor, menghilangkan kebutuhan akan memori HBM yang langka. Chip uji pertama mereka, yang dibuat dengan proses 6nm TSMC, mencapai 16.960 token/detik untuk model Llama 3.1 8B, jauh lebih cepat daripada GPU Nvidia. Namun, pendekatan ini memiliki kompromi besar: setiap chip hanya melayani satu model secara permanen. Mengganti model memerlukan pembuatan ulang sebagian chip, yang memakan waktu sekitar dua bulan. Oleh karena itu, solusi ini hanya ekonomis untuk model yang stabil dan banyak digunakan. Akuisisi ini menyoroti pasar memori yang sedang panas. Harga DRAM dan HBM meroket karena permintaan AI, dengan HBM terjual habis hingga 2026. Namun, teknologi seperti Taalas, kuantisasi model oleh Nvidia, serta inovasi zHBM Samsung dan memori flash berkecepatan tinggi dari SK hynix, semuanya bertujuan mengurangi ketergantungan pada HBM. AMD membeli bukti bahwa inferensi dapat bekerja tanpa komponen yang sangat langka ini. Dari perspektif analisis data, analogi terdekat adalah ASIC untuk penambangan Bitcoin: spesialisasi ekstrem untuk kecepatan, namun tidak fleksibel dan berisiko usang. Pertanyaan utamanya adalah apakah arsitektur model AI akan cukup stabil untuk membuat pendekatan hardware khusus seperti Taalas menguntungkan dalam jangka panjang.

cryptonews.ru08/09 20:03

AMD Membeli Taalas: AI Perangkat Keras Mengatasi Kekurangan Memori HBM

cryptonews.ru08/09 20:03

AMD Membeli Taalas: AI Perangkat Keras Beroperasi Tanpa Memori HBM yang Langka

AMD telah sepakat untuk mengakuisisi startup Taalas dari Toronto yang mengatasi masalah utama dalam inferensi jaringan saraf—kebutuhan untuk terus memindahkan bobot model dari memori ke prosesor untuk menghasilkan setiap token. Chip Taalas menghilangkan operasi ini karena bobot model secara harfiah tertanam dalam transistor. Pemindahan data inilah yang membatasi kecepatan inferensi saat ini dan mengubah memori berbandwidth tinggi (HBM) menjadi komoditas paling langka di industri semikonduktor. Startup yang didirikan pada 2023 ini telah mengembangkan chip sirkuit terpadu khusus model. Chip uji pertama, dibuat dengan proses 6nm TSMC, melayani model Llama 3.1 8B dari Meta dengan kecepatan 16.960 token per detik, diklaim 48 kali lebih cepat daripada GPU Nvidia. Arsitekturnya memiliki dua zona: area untuk bobot model yang tertanam dalam ROM mask dan SRAM biasa untuk cache serta adapter penyesuaian halus. Namun, pendekatan ini memiliki kompromi jelas: setiap chip hanya melayani satu model secara permanen. Mengganti model memerlukan perubahan topologi parsial yang memakan waktu sekitar dua bulan di fasilitas TSMC. Oleh karena itu, ini hanya menguntungkan untuk model yang stabil, banyak digunakan, dan cukup berharga untuk dibekukan. Akuisisi ini tidak banyak mengubah persaingan inferensi antara AMD dan Nvidia, tetapi lebih menonjolkan keadaan pasar memori. Pembelian ini membuktikan bahwa keterbatasan memori dalam inferensi adalah solusi teknis yang dapat diatasi, bukan keniscayaan fisik. Sementara itu, pasar saat ini berasumsi bahwa kelangkaan HBM akan berlanjut, dengan harga DRAM biasa naik hampir 90% pada kuartal pertama dan HBM terjual habis hingga 2026. Namun, asumsi ini sedang ditantang dari berbagai sisi. Selain solusi Taalas yang menghilangkan kebutuhan memori untuk bobot, Nvidia mengompresi dan mengkuantisasi model, sementara produsen memori seperti Samsung dan SK hynix mengembangkan teknologi seperti zHBM dan standar memori flash berkecepatan tinggi baru untuk mengurangi ketergantungan pada HBM. AMD membuktikan bahwa inferensi dapat bekerja tanpa komponen yang langka ini, sementara investor yang melihat harga memori saat ini sebagai fitur permanen dari siklus AI bertaruh melawan gerakan teknikal besar yang bertujuan untuk hasil sebaliknya.

cryptonews.ru08/09 14:57

AMD Membeli Taalas: AI Perangkat Keras Beroperasi Tanpa Memori HBM yang Langka

cryptonews.ru08/09 14:57

Mendalam: Tamu Asing Genspark

Genspark, sebuah perusahaan AI yang berkantor pusat di Palo Alto, AS, secara aktif membangun narasi sebagai perusahaan "AS asli" di industri AI global. Artikel ini mengungkap strategi Genspark yang kontradiktif: di satu sisi, mereka berusaha keras memamerkan hubungan dengan raksasa teknologi AS seperti OpenAI, Anthropic, dan Microsoft (melalui foto bersama, studi kasus, dan konten sponsor), menandatangani petisi terbuka untuk mendukung model open-weight, dan menghindari keterlibatan publik dengan komunitas atau perusahaan AI Tionghoa. Di sisi lain, operasi inti Genspark diduga sangat bergantung pada sumber daya "tersembunyi" dari Tiongkok, termasuk tim pengembangan di Beijing, penggunaan model open-weight Tiongkok melalui platform pihak ketiga, dan kemungkinan aliran pendapatan dari klien Tiongkok yang mengakses model AS secara tidak langsung. Produk utama Genspark, yang dipasarkan sebagai "AI Costco," adalah ruang kerja AI yang mengintegrasikan puluhan model dan alat. Kekuatan perusahaan ini terletak pada kemampuannya meniru dengan cepat produk AI yang sudah terbukti di pasar (seperti Perplexity, Manus, Plaud Note), menggabungkannya ke dalam satu langganan, dan mendorong pertumbuhan melalui mesin pemasaran agresif (iklan Super Bowl, iklan kereta bawah tanah, konten berbayar di Wall Street Journal). Namun, pertumbuhan pengunjung websitenya dilaporkan menurun tajam. Intinya, Genspark menjalankan tugas agen jangka panjangnya sendiri: memproyeksikan citra sebagai perusahaan AI Silicon Valley yang murni sambil memanfaatkan ekosistem, tenaga kerja, dan kemungkinan pasar Tiongkok di balik layar.

marsbit08/03 10:41

Mendalam: Tamu Asing Genspark

marsbit08/03 10:41

Kecemasan Memori Model Besar, Solusinya Ditemukan di Flash Drive

Berikut adalah ringkasan artikel tentang High Bandwidth Flash (HBF) untuk AI: Ansietas memori pada model AI besar mungkin dapat dikurangi dengan teknologi yang sama seperti di flash drive, yaitu **NAND Flash**. Meskipun terkenal lambat, terutama dalam penulisan, kecepatan baca NAND Flash sebenarnya memadai. **SanDisk dan SK Hynix** kini mengembangkan **High Bandwidth Flash (HBF)**, yang menerapkan metode *stacking* dan *packaging* canggih seperti pada HBM ke chip NAND Flash. Dengan menumpuk hingga 16 chip, satu *stack* HBF menargetkan kapasitas **512GB** dan bandwidth baca **1.6TB/s**, bahkan berencana meningkat ke **3.2TB/s**. Teknologi ini tidak dimaksudkan untuk menggantikan HBM, tetapi melengkapinya dengan menemukan ceruknya: **inferensi AI**. Selama inferensi, bobot model yang sudah terlatih bersifat statis dan hanya perlu dibaca, bukan ditulis ulang, sehingga cocok dengan kekuatan baca HBF. Ide dasarnya adalah menciptakan arsitektur memori berlapis untuk server AI: **HBM** menangani data panas dan komputasi intensif, **HBF** menyimpan bobot model besar yang bersifat *read-intensive*, dan **SSD** untuk penyimpanan massal yang lebih murah. Ini berpotensi meredakan kemacetan kapasitas HBM yang mahal, mengurangi jumlah kartu akselerator yang dibutuhkan, serta menurunkan biaya dan konsumsi daya keseluruhan sistem inferensi. Meski standar HBF masih dalam pengembangan di Open Compute Project (OCP) dan setidaknya membutuhkan satu tahun lagi sebelum tersedia, pendekatan ini menandakan perlunya pembagian kerja baru dalam hierarki memori untuk menghadapi tantangan model yang semakin besar dan mahal. Solusinya mungkin berasal dari teknologi yang sudah dikenal, dikemas ulang untuk era AI.

marsbit07/20 00:22

Kecemasan Memori Model Besar, Solusinya Ditemukan di Flash Drive

marsbit07/20 00:22

活动图片