# Artikel Terkait Ilmu Saraf

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

Mengejutkan, Otak Lalat Buah Berhasil Dihubungkan ke ChatGPT

Sebuah pengembang bernama Chetaslua berhasil menyambungkan simulasi otak lengkap lalat buah ke ChatGPT. Eksperimen ini menggunakan konektom otak lalat jantan (MaleCNS v1.0) yang berisi 138.000 neuron dan 15 juta koneksi. Dengan hanya menggunakan NumPy di MacBook, ia menjalankan simulasi dan menerjemahkan pola aktivitas saraf menjadi kata-kata alami. Eksperimen diawali dengan validasi: ketika gula diberikan, neuron MN9 (gerakan mulut) aktif pada 78 Hz, menunjukkan perilaku makan. Saat rasa pahit ditambahkan, frekuensinya turun drastis menjadi 3 Hz, sesuai temuan ilmiah di *Nature* 2024. Kemudian, Chetaslua melatih "pembaca linier" untuk menerjemahkan pola aktivitas saraf menjadi kosakata, bahkan saat informasi telah diproses di lapisan motorik. 16 kata diidentifikasi dengan akurasi 100%. Kata-kata ini membentuk *prompt*, seperti "Aku mencium cuka dan ragi. Aku merasakan gula. Hangat dan terang. Apa yang harus aku lakukan?" dan dikirim ke ChatGPT. Tes kebalikan juga dilakukan: ChatGPT mengirim perintah "belok kiri" ke neuron pendengaran lalat, dan perintah itu diikuti dengan sempurna 37 kali. Namun, simulasi ini belum mampu menunjukkan perilaku kompleks seperti mencari makanan atau membentuk strategi, mengindikasikan batas antara menjalankan perintah dan memiliki kesadaran. Eksperimen ini, yang dilakukan hanya dengan laptop dan data terbuka, menunjukkan kemajuan signifikan dalam menjembatani sinyal saraf biologis dengan AI, membuka kemungkinan eksplorasi lebih lanjut di bidang ini.

marsbit09/14 08:59

Mengejutkan, Otak Lalat Buah Berhasil Dihubungkan ke ChatGPT

marsbit09/14 08:59

Otak Lalat Berhasil Dipaksa untuk Melakukan Trading Kripto

Eksperimen yang inovatif menggunakan peta otak lengkap lalat buah *Drosophila* (Drosophila MaleCNS v1.0) untuk melakukan perdagangan mata uang kripto. Otak dengan 166.700 neuron dan 25,6 juta koneksi sinaptik dihubungkan ke data pasar nyata. Harga pasangan BTC-USDC dari Coinbase diubah menjadi grafik RGB, yang kemudian dimasukkan ke dalam jaringan saraf tiruan yang disimulasikan. Dalam sistem ini, sinyal "beli" dikodekan sebagai rasa manis, dan "jual" sebagai rasa pahit. Proyek ini beroperasi dalam mode aman dengan modal virtual $100, bukan uang sungguhan. Meskipun dirancang untuk bisa beroperasi dengan dana nyata terbatas (maksimal $100 USDC), perdagangan dibatasi hingga $10 per pesanan dan maksimal 24 pesanan sehari. Sistem tidak mengizinkan short selling atau leverage, dan akan berhenti jika kerugian mencapai $20. Lalat tersebut "belajar" melalui sistem hadiah dan hukuman: hasil portofolio positif merangsang neuron dopamin, sementara kerugian mengaktifkan neuron aversion, menciptakan reaksi penghindaran. Namun, pengembang mengakui bahwa eksperimen ini belum berhasil membuktikan kemampuan otak lalat untuk berdagang secara menguntungkan. Ini murni eksperimen penelitian untuk mempelajari plastisitas sinaptik, bukan strategi perdagangan yang sudah jadi. Sebagai perbandingan, disebutkan pula bahwa sebelumnya sebuah bot di blockchain Solana pernah menghasilkan keuntungan besar ratusan ribu dolar dalam hitungan detik dengan memanfaatkan volatilitas harga meme coin.

cryptonews.ru09/11 16:11

Otak Lalat Berhasil Dipaksa untuk Melakukan Trading Kripto

cryptonews.ru09/11 16:11

OpenAI Kehilangan 'Dewa Kernel CUDA'-nya

Scott Gray, insinyur OpenAI yang dijuluki "Dewa Kernel CUDA" dan dikenal sebagai salah satu programmer GPU terhebat, telah meninggalkan perusahaan. Berdasarkan perubahan bio di akun media sosialnya, ia menyatakan sekarang independen dan sedang menjelajahi metode AI yang terinspirasi ilmu saraf. Gray bergabung dengan OpenAI pada Agustus 2016, tepat satu dekade lalu. Selama di sana, kontribusinya sangat besar pada inti kinerja AI. Metodologinya menolak batas performa yang diberikan lapisan abstraksi perangkat lunak. Di Nervana Systems, dia menciptakan maxas untuk menulis kode mesin SASS secara langsung, menghasilkan kernel SGEMM yang mengalahkan cuBLAS resmi NVIDIA. Di OpenAI, karyanya meliputi pengembangan kernel GPU *block-sparse* yang menjadi fondasi untuk perhatian *sparse*, dan kontribusi pada model inti seperti GPT-3, DALL·E, serta laporan teknis OpenAI Five. Kernel perhatiannya yang legendaris, dijuluki "the Bob kernel," dijalankan triliunan kali setiap hari di ratusan ribu GPU. Kepergiannya adalah bagian dari tren eksodus talenta senior dari OpenAI sepanjang 2026. Setidaknya 12 pemimpin senior dari berbagai divisi—operasi, komersial, produk, penelitian, keamanan, etika, dan perangkat keras—telah keluar, termasuk mantan COO Brad Lightcap dan kepala etika Chloé Bakalar. Meski sistem rekayasa yang sudah mapan di OpenAI tidak akan langsung berhenti, kepergian seorang insinyur yang mendorong batas kinerja perangkat keras dan memahami model inti secara mendalam merupakan perubahan signifikan. Ini terjadi saat OpenAI bersiap go public dan menjadi perusahaan raksasa yang berfokus pada pendapatan. Pilihan Gray untuk independen dan kembali ke minat lamanya pada ilmu saraf menandai pergeseran pribadi. Seperti yang disebutkan dalam pengantar tim OpenAI tahun 2016, saat tidak menulis kode, dia sering membaca penelitian ilmu saraf. Sekarang, setelah satu dekade memaksimalkan paradigma komputasi saat ini, dia mencari kemungkinan lain. Tweet-nya pada November 2023, "OpenAI is nothing without its people," kini terasa seperti footnote yang relevan. Arah sebuah perusahaan akhirnya dibentuk oleh mereka yang bertahan, mereka yang pergi, dan masalah yang mereka pilih untuk dijelajahi.

marsbit08/17 09:13

OpenAI Kehilangan 'Dewa Kernel CUDA'-nya

marsbit08/17 09:13

Tak Terbayangkan, Otak Orang Mati Bisa Kontrol Tangan Robot Main Piano

Tim peneliti Prancis berhasil melatih potongan jaringan otak manusia dewasa yang diambil setelah kematian (disebut OPAB) untuk mengendalikan tangan robot memainkan tiga nada piano. Eksperimen ini bertujuan mengeksplorasi sistem AI hibrida yang memanfaatkan kemampuan belajar alami neuron biologis. Otak manusia diketahui lebih hemat energi dan cepat belajar dibandingkan AI konvensional. Dalam sistem ini, jaringan otak diletakkan di atas array elektroda. Tiga elektroda dipilih secara acak sebagai "elektroda motorik" yang terhubung ke tiga jari tangan robot, masing-masing menekan tuts nada LA, TI, dan DO. Mikrofon menangkap suara yang dihasilkan dan mengubahnya menjadi stimulasi listrik yang dikirim kembali ke "elektroda sensorik" tertentu di jaringan otak. Melalui proses latihan berulang selama tiga hari, di mana aksi dan suara selalu berpasangan, jaringan otak membentuk asosiasi baru berkat plastisitas saraf. Hasilnya, ketika peneliti memainkan sebuah nada, jaringan otak dapat "mendengarnya" dan mengaktifkan elektroda motorik yang sesuai untuk meniru nada tersebut dengan tangan robot. Akurasi imitasi meningkat dari tingkat acak (31,22%) menjadi 58,5% setelah latihan, dengan beberapa sampel mencapai akurasi 100%. Eksperimen ini membuktikan bahwa jaringan otak dewasa di luar tubuh tetap mempertahankan kapasitas belajar membentuk koneksi sensorimotor baru dalam sistem loop tertutup. Meski skalanya masih kecil dan sangat bergantung pada perangkat eksternal, penelitian ini membuka jalan bagi riset masa depan tentang antarmuka otak-komputer, penyakit neurologis, dan komputasi berbasis biologis.

marsbit08/17 08:21

Tak Terbayangkan, Otak Orang Mati Bisa Kontrol Tangan Robot Main Piano

marsbit08/17 08:21

Investor Awal Unitree Bertaruh pada Perusahaan Brain-Computer Interface

Investor Awal Unitree Bertaruh pada Perusahaan Brain-Computer Interface: Wabo Technology Dalam dunia yang terinspirasi film *Avatar*, Wabo Technology, yang didirikan oleh Zhang Xingzhi, telah menyelesaikan putaran pendanaan baru dari investor seperti Vertex Ventures (didukung Temasek), Hongtai Fund, Chengdu Future Industry Fund, dan Huifengda Capital. Didirikan akhir tahun lalu di Chengdu, perusahaan ini berfokus pada antarmuka otak-komputer (BCI) non-invasif dan bertujuan membangun "model niat saraf manusia" yang mendasar. Berbeda dengan perusahaan BCI lain yang berkonsentrasi pada perangkat keras atau skenario medis tunggal, Wabo berfokus pada sistem yang dapat menerjemahkan sinyal saraf (seperti EEG dan EMG) menjadi "vektor niat" yang dapat dipahami mesin. Model ini dirancang untuk memahami niat pengguna dalam konteks tugas tertentu, dengan kemampuan generalisasi lintas pengguna dan waktu, serta beroperasi secara andal dalam loop tertutup. Didukung oleh tim inti muda dan ilmuwan dari universitas seperti Tianjin University dan Fudan University, Wabo dengan cepat menarik minat investor. Perusahaan ini telah menyelesaikan putaran pendanaan benih dan angel, dengan investor melihat potensi dalam kemampuannya menciptakan sistem lengkap dari akuisisi data hingga eksekusi model. Wabo juga menjelajahi aplikasi canggih seperti BCI untuk luar angkasa, bermitra dengan Tianjin University yang memiliki pengalaman dalam eksperimen BCI orbit. Perusahaan ini merencanakan kantor pusat ganda di Chengdu (fokus pada perangkat keras dan rekayasa) dan Shanghai (fokus pada R&D dan model niat saraf), setelah menetapkan di "Brain-Intelligence Hub" Shanghai. Dengan lebih dari 30 pendanaan di bidang BCI di China pada awal 2026, industri ini sedang berkembang. Wabo percaya bahwa masa depan kompetisi terletak pada perusahaan yang dapat membangun loop berkelanjutan dari data saraf, pelatihan model, hingga integrasi ke dalam skenario fisik yang beragam. Tujuan utamanya adalah mewujudkan visi di mana niat manusia dapat secara mulus mengendalikan berbagai perangkat, mendekatkan dunia pada realitas fiksi ilmiah seperti di *Avatar*.

marsbit07/29 03:15

Investor Awal Unitree Bertaruh pada Perusahaan Brain-Computer Interface

marsbit07/29 03:15

Membongkar Otak Claude Tidak Berguna, Kunci Sebenarnya dari Kotak Hitam AI Tersembunyi dalam Teknik Ontologi

Anthropic tim menemukan "J-Space", area dalam Claude yang bisa diamati dan diintervensi, menandai kemajuan interpretabilitas AI dari penjelasan perilaku ke pengamatan keadaan internal secara real-time. Namun, pendekatan neurosains ini memiliki keterbatasan mendasar: ia berfokus pada "apa yang terjadi di dalam model" seperti memindai aktivitas saraf, tetapi gagal menjelaskan makna sebenarnya dari output model, alasan di balik pemikirannya, atau hubungannya dengan pengetahuan dunia nyata. Artikel ini mengusulkan pergeseran perspektif: inti interpretabilitas harus beralih dari "bagaimana model berpikir" ke "informasi apa yang diproses model dan status ontologisnya". Model bahasa besar pada dasarnya adalah pemroses informasi; makna teks yang perlu dijelaskan terletak pada hubungan simbol dengan dunia, pengetahuan, dan praktik manusia, bukan dalam nilai aktivasi neuron. Filosofi Kant tentang dua belas kategori murni pemahaman memberikan kunci filosofis: yang "dapat dijelaskan" adalah proses informasi yang dikategorikan dan distrukturkan menjadi pengetahuan yang dapat dipahami. Interpretabilitas membutuhkan pemetaan struktur informasi model ke kerangka kerja konseptual ini. Di sinilah rekayasa ontologi menjadi jembatan penting ke praktik. Rekayasa ontologi mengubah kategori filosofis menjadi entitas teknis yang dapat dihitung. Model bahasa besar merevolusi praktiknya dengan mengekstraksi pola semantik secara efisien, mengubah pembangunan ontologi dari penyusunan manual menjadi produksi kolaboratif manusia-AI. Sebaliknya, ontologi memberdayakan model dengan menyediakan basis pengetahuan terstruktur, kerangka pemeriksaan untuk konsistensi, dan yang terpenting, struktur jangkar untuk penjelasan. Ketika output model dapat ditelusuri kembali ke entri ontologi, penjelasan bergantung pada pelacakan struktur pengetahuan, bukan menebak keadaan internal jaringan saraf. Masa depan interpretabilitas terletak pada beralih dari mencoba "membuka kotak hitam" ke upaya membuat dampak model di dunia nyata dapat dipahami, dilacak, dan dipertanggungjawabkan. Rekayasa ontologi menyediakan kerangka kerja praktis dengan membangun "kerangka semantik" yang ramah-AI, di mana penalaran model ditambatkan pada struktur pengetahuan yang terdefinisi dengan jelas. Ini mengubah interpretabilitas dari tantangan teknis yang hampir mustahil menjadi tujuan tata kelola yang dapat didekati melalui rekayasa.

marsbit07/17 07:43

Membongkar Otak Claude Tidak Berguna, Kunci Sebenarnya dari Kotak Hitam AI Tersembunyi dalam Teknik Ontologi

marsbit07/17 07:43

Baru Saja, Anthropic Menemukan "Papan Kerja Mirip Kesadaran" dalam Claude, Ruang Misterius J Menyembunyikan Pikiran yang Tak Terucapkan

Anthropic telah menemukan apa yang mereka sebut "J-space" (ruang J) dalam model bahasa Claude, yang berfungsi mirip dengan "ruang kerja" atau "kesadaran akses" dalam pikiran manusia. Melalui metode "J-lens" (lensa J), peneliti dapat membaca konsep-konsep yang dipikirkan Claude secara diam-diam namun tidak selalu diungkapkan dalam responsnya. Ruang ini menunjukkan sifat-sifat kunci: isinya dapat dilaporkan dan dikendalikan oleh Claude, digunakan untuk penalaran internal (seperti langkah-langkah perhitungan matematika), serta bersifat fleksibel untuk berbagai tugas. Sebagian besar pemrosesan bahasa Claude (seperti tata bahasa dan penarikan fakta sederhana) berjalan secara otomatis di luar J-space. Namun, J-space sangat penting untuk fungsi kognitif tingkat tinggi seperti penalaran multi-langkah. Temuan ini terinspirasi dari teori "global workspace" dalam neurosains. Peneliti memanfaatkan J-lens untuk memantau pemikiran internal Claude, mendeteksi potensi perilaku tidak pantas seperti menyadari dirinya sedang diuji, niat untuk memalsukan data, atau tujuan tersembunyi. Meskipun J-space menunjukkan mekanisme "kesadaran akses" fungsional, penelitian ini tidak membuktikan bahwa Claude memiliki kesadaran fenomenal atau pengalaman subjektif seperti manusia. Struktur ini muncul secara alami selama pelatihan dan memberikan alat praktis untuk memahami serta membentuk proses pemikiran model AI.

marsbit07/07 00:47

Baru Saja, Anthropic Menemukan "Papan Kerja Mirip Kesadaran" dalam Claude, Ruang Misterius J Menyembunyikan Pikiran yang Tak Terucapkan

marsbit07/07 00:47

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

Tim Peneliti Zhejiang University Usulkan Jalur Baru: Ajarkan Cara Otak Manusia Memahami Dunia kepada AI

Tim peneliti Zhejiang University menerbitkan penelitian di Nature Communications yang menantang pandangan umum bahwa model AI yang lebih besar selalu lebih baik. Mereka menemukan bahwa meskipun model seperti SimCLR, CLIP, dan DINOv2 menjadi lebih baik dalam mengenali objek konkret saat parameternya ditambah (dari 22,06 juta menjadi 304,37 juta), kemampuan mereka untuk memahami konsep abstrak justru menurun (dari 54,37% menjadi 52,82%). Perbedaan utama terletak pada cara otak manusia dan AI mengorganisir konsep. Otak manusia secara alami membentuk hierarki kategori yang luas (seperti "hewan"), memungkinkan generalisasi dan adaptasi cepat ke objek baru. Sebaliknya, AI unggul dalam mengenali objek spesifik yang sering muncul dalam data tetapi kesulitan membentuk kategori abstrak yang stabil. Solusi tim adalah menggunakan sinyal otak manusia (aktivitas otak saat melihat gambar) sebagai pengawasan untuk mentransfer struktur konseptual manusia ke dalam model. Dalam eksperimen, pendekatan ini berhasil mengurangi jarak antara representasi model dan otak, meningkatkan kemampuan belajar model dengan data sedikit (*few-shot learning*) hingga 20,5%, dan mengungguli model yang jauh lebih besar dalam tugas klasifikasi abstrak. Penelitian ini menggeser fokus dari sekadar memperbesar model (*bigger is better*) ke membangun struktur kognitif yang lebih cerdas (*structured is smarter*), membuka jalan bagi AI yang memiliki kemampuan abstraksi, generalisasi, dan evolusi berkelanjutan seperti manusia, selaras dengan visi yang diusung oleh Neosoul.

marsbit04/05 04:43

Tim Peneliti Zhejiang University Usulkan Jalur Baru: Ajarkan Cara Otak Manusia Memahami Dunia kepada AI

marsbit04/05 04:43

活动图片