# Artikel Terkait Karpathy

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

1600 Baris Kode Menciptakan Manhattan Bawah Air, Fable 5 Bikin Karpathy Terpana

Fable 5, model AI baru yang baru saja diluncurkan ulang, memukau komunitas teknologi dengan kemampuannya menghasilkan dunia 3D yang kaya dan interaktif hanya dari deskripsi teks. Andrej Karpathy dari Anthropic menyebutnya sebagai "fablemaxxing" tingkat tinggi setelah menyaksikan video demonstrasi oleh Peter Gostev dari Arena.ai. Dalam video tersebut, Gostev menunjukkan 63 dunia 3D yang dihasilkan Fable 5, sebagian besar langsung berhasil dalam sekali percobaan. Dunia-dunia ini mencakup enam tema: kota raksasa (seperti Manhattan bawah air yang dibuat hanya dengan 1.600 baris kode), adegan interaktif (seperti parkour dan simulator penerbangan), lukisan dunia yang bisa dijelajahi (seperti "Starry Night" van Gogh), perspektif unik (dari sudut pandang semut), keajaiban alam, serta elemen dan alam semesta. Kemampuan Fable 5 untuk secara koheren mengelola sejumlah besar elemen dalam satu adegan dan "membuka" karya seni 2D menjadi dunia 3D yang dapat dinavigasi sangat mengejutkan. Meskipun demikian, Gostev mengakui bahwa model ini masih memiliki kelemahan dalam menciptakan gameplay yang menarik untuk waktu lama dan terkadang tampak "malas", perlu didorong untuk menggunakan kemampuannya secara maksimal. Pencapaian Fable 5, yang juga memuncaki peringkat Arena.ai, menimbulkan pertanyaan mendalam tentang sejauh mana pemahaman AI tentang dunia dan kemampuannya menerjemahkan pemahaman itu ke dalam kode dan simulasi. Baik Karpathy maupun Gostev percaya bahwa eksplorasi batas kemampuan model semacam ini baru saja dimulai.

marsbit07/06 09:50

1600 Baris Kode Menciptakan Manhattan Bawah Air, Fable 5 Bikin Karpathy Terpana

marsbit07/06 09:50

Karpathy Baru-Baru Ini Mengkritik: Satu Kalimat Membuat Seluruh Pengembang Agent Diam Seribu Bahasa

Karpathy, peneliti inti tim pra-pelatihan di Anthropic, mengejutkan komunitas pengembang AI Agent dengan pernyataan tegasnya: "Kesalahan terbesar di bidang AI saat ini adalah orang-orang terburu-buru memaksa Agent bekerja, tanpa memahami model dasar yang mendasarinya terlebih dahulu." Dia berbagi pelajaran berharga dari proyek "World of Bits" tahun 2016 di OpenAI, yang bertujuan membuat Agent menggunakan komputer, tetapi gagal karena teknologi saat itu (seperti reinforcement learning) belum matang. Menurutnya, fokus yang benar saat itu adalah pada pengembangan model bahasa. Karpathy memberikan tiga saran penting: 1. Berhenti memaksa Agent melakukan segalanya; perbaiki dan pahami model dasarnya terlebih dahulu. 2. Membuat demo mudah, tetapi mengubahnya menjadi produk yang matang membutuhkan waktu hingga sepuluh tahun, seperti yang terlihat pada contoh mobil otonom dan VR. 3. Agent bukanlah produk itu sendiri; kemampuan dasar model lah yang merupakan produk sejati. Agent akan muncul secara alami jika fondasinya kuat. Ia juga mendorong para pengembang untuk belajar dari neurosains, seperti struktur otak manusia (misalnya, hipokampus untuk memori), untuk merancang Agent yang lebih baik. Pesan utamanya adalah: meskipun perusahaan besar seperti OpenAI unggul dalam pelatihan model bahasa besar, dalam pengembangan Agent, pengembang independen dan startup berada di garis terdepan. Tidak ada raksasa teknologi yang memiliki keunggulan lima tahun di bidang ini, sehingga peluang inovasi terbuka lebar bagi mereka yang gesit dan berani mencoba. Intinya, Karpathy tidak melarang pengembangan Agent, tetapi menekankan pentingnya fondasi yang kuat dan kesiapan untuk komitmen jangka panjang.

marsbit07/06 02:35

Karpathy Baru-Baru Ini Mengkritik: Satu Kalimat Membuat Seluruh Pengembang Agent Diam Seribu Bahasa

marsbit07/06 02:35

Karpathy Kembali Menjadi Legenda, Guncangkan RAG, Ubah Catatan Anda Menjadi Otak Kedua

Karpathy, mantan pendiri OpenAI dan direktur AI Tesla, memperkenalkan konsep revolusioner: mengelola pengetahuan pribadi dengan pendekatan "sumber kode yang dikompilasi" oleh LLM. Alih-alih menggunakan RAG yang hanya mengambil potongan catatan secara terpisah, metode barunya memperlakukan catatan mentah sebagai "sumber kode tidak berubah". LLM bertindak sebagai "kompiler" yang secara berkala menyusun semua bahan mentah tersebut menjadi wiki terstruktur yang saling terhubung dan koheren. Proses "kompilasi" ini memperbarui halaman terkait, merevisi ringkasan, dan menandai ketidakkonsistenan. Arsitektur ini memiliki tiga lapisan: **Raw** (bahan mentah), **Schema** (aturan struktur untuk AI), dan **Wiki** (hasil kompilasi AI). Alur kerjanya melibatkan **Ingest** (memasukkan materi baru), **Query** (bertanya pada wiki yang telah dikompilasi), dan **Lint** (pemeriksaan rutin untuk inkonsistensi). Konsep ini mewujudkan visi Vannevar Bush pada 1945 tentang "Memex", mesin asosiatif pribadi, yang sebelumnya terhambat oleh beban pemeliharaan manual yang melelahkan. LLM menghilangkan beban "pembukuan" pengetahuan ini, membebaskan manusia dari tugas pengorganisasian dan perawatan yang membosankan. Tujuannya adalah mengembalikan fokus manusia pada hal yang esensial: memutuskan apa yang perlu dipelajari dan merenungkan makna dari pengetahuan yang terkumpul. Ini adalah perubahan mendasar dalam hubungan produksi kognitif manusia-AI.

marsbit07/01 09:56

Karpathy Kembali Menjadi Legenda, Guncangkan RAG, Ubah Catatan Anda Menjadi Otak Kedua

marsbit07/01 09:56

Ternyata Beginilah Cara Karpathy Menggunakan Claude?

Sejak bergabung dengan Anthropic, aktivitas Andrej Karpathy di komunitas terbuka berkurang drastis. Baru-baru ini, sebuah dokumen bernama CLAUDE.md yang diklaim sebagai panduan penggunaan Claude milik Karpathy beredar di komunitas. Isinya berisi sejumlah prinsip ketat untuk memandu AI dalam menulis kode, yang bertujuan mengurangi kesalahan umum model bahasa besar (LLM). Prinsip-prinsip utama mencakup: 1) **Baca dahulu sebelum menulis** – pahami struktur dan gaya kode proyek yang ada. 2) **Berpikir sebelum menulis kode** – klarifikasi asumsi, pertimbangkan trade-off, dan uraikan rencana. 3) **Tetap sederhana** – hindari desain berlebihan, abstraksi prematur, dan fleksibilitas yang tidak diperlukan. 4) **Modifikasi terarah** – lakukan perubahan minimal yang sesuai dengan gaya kode asli, jangan melakukan reformatting atau pembersihan yang tidak relevan. 5) **Verifikasi dan uji** – pastikan kode berfungsi seperti yang diharapkan dengan pengujian yang tepat. 6) **Debug secara sistematis** – jangan menebak, selidiki akar masalahnya. 7) **Hati-hati dengan dependensi** – hindari menambah dependensi yang tidak perlu. 8) **Komunikasi yang jelas** – jelaskan apa yang dilakukan dan alasannya. Dokumen ini juga menyoroti pola kegagalan umum seperti abstraksi yang salah, "optimistic path", dan "halusinasi pengetahuan". Meskipun keaslian dokumen ini diragukan, isinya sangat selaras dengan pemikiran Karpathy yang telah banyak mengkritik kelemahan LLM dalam pemrograman. Prinsip-prinsip ini, yang juga telah dijadikan template populer di GitHub, dianggap dapat meningkatkan efektivitas dan mengurangi kesalahan saat menggunakan asisten AI seperti Claude untuk pengembangan perangkat lunak.

marsbit06/27 07:36

Ternyata Beginilah Cara Karpathy Menggunakan Claude?

marsbit06/27 07:36

活动图片