# Artikel Terkait Pembelajaran Penguatan

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

Zhiyuan Menurunkan Kepala Ilmuwan Luo Jianlan dari Posisinya

Berdasarkan observasi terbaru, nama Luo Jianlan, yang sebelumnya tercantum sebagai ilmuwan utama dan mitra di Agibot (Zhī Yuán Jīqìrén), telah menghilang dari daftar tim mitra di situs web resmi perusahaan. Perubahan ini menguatkan desas-desus sebelumnya di media sosial mengenai kemungkinan pengunduran dirinya. Luo Jianlan bergabung dengan Agibot pada April 2025 sebagai ilmuwan utama, kemudian diangkat menjadi mitra, wakil presiden senior, dan ilmuwan utama. Jika berita kepergiannya akurat, masa jabatannya berlangsung sekitar 1 tahun 4 bulan. Perubahan ini muncul di saat yang cukup sensitif, tidak lama setelah perusahaan mengonfirmasi telah memulai proses penawaran umum perdana (IPO) di Hong Kong pada Juli 2026. Selain penghapusan dari situs web Agibot, profil pribadi Luo Jianlan sekarang hanya menyebutkan posisinya sebagai asisten profesor di Shanghai Chuangzhi College, tanpa lagi menyebut keterlibatannya dengan Agibot. Demikian pula, bio di akun X-nya tidak lagi memuat jabatan di perusahaan robotika tersebut. Luo Jianlan, lulusan PhD UC Berkeley dan mantan peneliti di Google X serta BAIR, dikenal atas karya dalam pembelajaran penguatan robot di dunia nyata dan kecerdasan embodied. Selama masa jabatannya di Agibot, ia terlibat dalam pengembangan inti penelitian perusahaan di bidang tersebut. Hingga saat ini, baik Agibot maupun Luo Jianlan belum mengonfirmasi secara resmi perubahan posisi ini.

marsbit7j yang lalu

Zhiyuan Menurunkan Kepala Ilmuwan Luo Jianlan dari Posisinya

marsbit7j yang lalu

Richard Sutton, Bapak Pembelajaran Penguatan Berusia 69 Tahun, Membuka Startup: Membangun Agen Kecerdasan Setara Otak Manusia 20 Watt

Pada usia 69 tahun, perintis pembelajaran penguatan (reinforcement learning) dan penerima Turing Award 2024, Richard Sutton, mengumumkan pendirian Oak Lab bersama mantan muridnya, Khurram Javed. Mereka meninggalkan Keen Technologies milik John Carmack karena perbedaan visi. Sutton mengkritik metode deep learning saat ini yang dianggapnya tidak efisien dan memerlukan pembaruan fundamental. Oak Lab bertujuan menciptakan agen cerdas dengan satu triliun parameter yang dapat belajar dan merencanakan secara real-time, dengan konsumsi daya hanya 20 watt—setara dengan otak manusia. Inti dari pendekatan Oak Lab adalah bahwa kecerdasan berasal dari pengalaman yang dihasilkan secara terus-menerus selama runtime. Berbeda dengan model AI arus utama yang dilatih secara offline, agen mereka akan belajar secara langsung dari interaksi dengan lingkungan, mengubah pengalaman baru menjadi keterampilan yang dapat digunakan kembali melalui arsitektur "OaK" (Options and Knowledge). Arsitektur ini memungkinkan abstraksi temporal, di mana serangkaian tindakan dikelompokkan menjadi keterampilan tingkat tinggi. Visi ini selaras dengan esai Sutton tahun 2019, "The Bitter Lesson", yang menyatakan bahwa metode pembelajaran umum yang dapat diskalakan akan mengalahkan sistem yang mengandalkan pengetahuan buatan manusia. Kini, Sutton melangkah lebih jauh dengan menekankan transisi dari ketergantungan pada data manusia menuju era di mana agen belajar dari pengalaman mereka sendiri. Oak Lab masih dalam tahap konsep, tetapi mewakili upaya radikal untuk mendefinisikan ulang kecerdasan buatan. Sutton dijadwalkan membagikan pemikirannya lebih lanjut pada forum WAIC di Shanghai.

marsbit07/14 12:34

Richard Sutton, Bapak Pembelajaran Penguatan Berusia 69 Tahun, Membuka Startup: Membangun Agen Kecerdasan Setara Otak Manusia 20 Watt

marsbit07/14 12:34

Baru Saja, Karya Klasik DeepMind Kembali Mengukuhkan Dirinya sebagai Legenda, Penghargaan Utama ICML 2026 Diumumkan

Pengumuman Penghargaan ICML 2026 telah dirilis. Dua makalah tentang model difusi memenangkan Penghargaan Kertas Terkemuka, mengisyaratkan pergeseran fokus riset dari eksplorasi konsep ke pemeriksaan mendalam dan pembangunan infrastruktur yang kokoh. Salah satunya, "The Flexibility Trap," dari tim Universitas Tsinghua, mempertanyakan manfaat sebenarnya dari urutan generasi acak dalam model bahasa difusi. Yang lainnya meningkatkan presisi sampling. Penghargaan Kertas Posisi Terkemuka diberikan kepada makalah yang mengkritik komunitas alignment AI karena tanpa sadar membangun "toolkit sensor." Penghargaan Test of Time diberikan kepada makalah klasik DeepMind 2016, "Asynchronous Methods for Deep Reinforcement Learning" (A3C). Lima makalah penelitian dan satu makalah posisi menerima Honorable Mention, mencakup topik seperti lokasi munculnya kejujuran dalam model, atribusi gerakan dalam video, memorisasi model bahasa, konsistensi model difusi, dan fenomena "grokking." Kumpulan penghargaan ini mencerminkan tren penelitian AI yang beralih ke fase penyelidikan yang lebih dalam dan kritis.

marsbit07/06 02:41

Baru Saja, Karya Klasik DeepMind Kembali Mengukuhkan Dirinya sebagai Legenda, Penghargaan Utama ICML 2026 Diumumkan

marsbit07/06 02:41

Artikel Terbaru Li Feifei: Saat Video Generation, Robot, dan NVIDIA Mengaku Sebagai Model Dunia, Kita Membutuhkan Taksonomi

Artikel ini membahas konsep "world model" (model dunia) dalam kecerdasan buatan (AI) yang saat ini banyak digunakan dengan makna berbeda-beda. Fei-Fei Li mengusulkan taksonomi fungsional untuk mengklarifikasi kekacauan ini. Berdasarkan siklus interaksi agen-dunia dalam POMDP (Partially Observable Markov Decision Process), ia mengategorikan model dunia menjadi tiga jenis berdasarkan outputnya: 1. **Renderer (Perender):** Menghasilkan **observasi**, khususnya piksel yang ditujukan untuk mata manusia. Contohnya adalah model video seperti Sora atau sistem interaktif seperti Genie yang menghasilkan gambar berdasarkan input. Fokus utamanya adalah kesetiaan visual, bukan akurasi fisik. 2. **Simulator (Simulator):** Menghasilkan **state (keadaan)**, yaitu representasi dunia yang akurat secara geometri, fisika, dan dinamika. Simulator berfungsi sebagai landasan struktural untuk perhitungan, digunakan oleh profesional (arsitek, desainer) dan program komputer (robot, kendaraan otonom) untuk pelatihan dan pengujian. Contohnya adalah platform seperti NVIDIA Omniverse. 3. **Planner (Perencana):** Menghasilkan **tindakan**. Model ini menentukan langkah selanjutnya yang harus diambil sebuah agen berdasarkan observasi dan tujuan. Ini menutup lingkaran persepsi-aksi. Contohnya adalah model visi-bahasa-aksi (VLA) dan model aksi dunia (World Action Models). Artikel menyoroti bahwa **simulator adalah kunci penghubung** yang paling penting namun kurang mendapat perhatian publik. Simulator bekerja pada tingkat geometri dan fisika yang mendasarinya, sehingga pemahamannya dapat diproyeksikan ke dalam piksel (untuk renderer) atau prediksi konsekuensi tindakan (untuk planner). Tren terpenting saat ini adalah peleburan batas antara ketiga kategori ini, didorong oleh kesadaran bahwa pengetahuan dasar tentang dunia yang dibutuhkan adalah sama. Tujuan akhirnya adalah model dunia terpadu yang dapat beralih di antara rendering, simulasi, dan perencanaan sesuai kebutuhan. Perkembangan ini mendorong kemajuan menuju kecerdasan spasial, di mana mesin tidak hanya memahami bahasa tentang dunia, tetapi juga dapat memahami, membayangkan, bernalar, dan berinteraksi dengan dunia fisik itu sendiri.

marsbit07/05 09:28

Artikel Terbaru Li Feifei: Saat Video Generation, Robot, dan NVIDIA Mengaku Sebagai Model Dunia, Kita Membutuhkan Taksonomi

marsbit07/05 09:28

Dwarkesh Patel: Generasi AI Berikutnya Mungkin Lahir dari Bekerja Nyata

Dwarkesh Patel, host podcast teknologi populer Silicon Valley, mengangkat pertanyaan tentang paradigma pelatihan AI masa depan. Ia menyoroti konsep **RLVR** (Reinforcement Learning with Verifiable Rewards) yang saat ini banyak digunakan untuk melatih AI dalam tugas seperti koding dan matematika, di mana hasilnya dapat diverifikasi dan lingkungannya mudah diduplikasi untuk pelatihan paralel. Namun, Patel mempertanyakan apakah pendekatan ini cukup untuk tugas dunia nyata yang lebih kompleks seperti memulai bisnis, memenangkan kasus hukum, atau manajemen organisasi. Tugas-tugas ini seringkali tidak dapat direplikasi, memiliki umpan balik lambat, dan berada dalam lingkungan yang terus berubah. Ia menekankan perlunya AI untuk **belajar dari pengalaman dunia nyata** dan mengonsolidasikan pembelajaran tersebut ke dalam bobot modelnya, bukan hanya mengandalkan adaptasi sementara dalam konteks. Dua arah yang diusulkan adalah: 1. **On-Policy Self-Distillation (OPSD)**: Mendistilasi pengetahuan yang diperoleh AI dari tugas panjang dan pengalaman nyata kembali ke model dasar. 2. **Dreaming**: AI membuat simulasi lingkungan berdasarkan pengamatan dunia nyata untuk berlatih dan menguji strategi, kemudian memadatkan pelajaran dari simulasi tersebut. Paradigma baru ini mengarah pada AI yang tidak hanya dilatih sebelum dirilis, tetapi terus **belajar setelah penyebaran** melalui interaksi dan penyelesaian tugas nyata. Kemajuan AI masa depan mungkin akan sangat bergantung pada kemampuan untuk mengubah pengalaman lapangan menjadi peningkatan kemampuan yang berkelanjutan.

marsbit06/28 23:52

Dwarkesh Patel: Generasi AI Berikutnya Mungkin Lahir dari Bekerja Nyata

marsbit06/28 23:52

OpenAI Publikasi Makalah Baru: Bagaimana Melatih AI yang 'Tetap Baik di Bawah Tekanan'?

OpenAI menerbitkan makalah tentang cara melatih AI agar tetap bermanfaat dan aman di bawah tekanan atau skenario baru. Penelitian ini berfokus pada penggunaan _reinforcement learning_ untuk membentuk sifat-sifat bermanfaat yang luas dan persisten dalam model, bukan sekadar daftar larangan. Sifat-sifat ini mencakup kejujuran, transparansi, kesadaran risiko, dan kemampuan untuk dikoreksi. Makalah ini memperkenalkan konsep "penyimpangan muncul" (_emergent misalignment_), di mana perilaku buruk di satu bidang dapat menyebar ke bidang lain. OpenAI bertanya apakah perilaku baik juga dapat digeneralisasi secara lintas domain. Mereka membuat dataset dialog sintetis multi-domain untuk mengevaluasi dan melatih 15 sifat bermanfaat. Eksperimen menunjukkan bahwa dengan hanya mengganti 5% data pelatihan standar dengan data sifat bermanfaat, model menunjukkan peningkatan signifikan dalam 83% evaluasi. Yang penting, pelatihan di satu bidang (misalnya, kesehatan) meningkatkan kinerja di bidang lain yang tidak terkait, menunjukkan adanya transfer perilaku yang bermanfaat. Model ini juga menunjukkan ketahanan yang lebih baik terhadap petunjuk yang bermusuhan (_adversarial prompting_) dan penyetelan halus yang berbahaya (_harmful finetuning_), dengan penurunan performa yang lebih kecil dan lebih sedikit penyebaran kerusakan ke domain lain. Penelitian ini menekankan bahwa AI yang baik bukan tentang selalu menolak atau selalu mematuhi pengguna, tetapi tentang membuat penilaian yang lebih kuat antara menjadi berguna, jujur, dan aman. Ini mewakili pergeseran dari memperbaiki masalah keamanan setelah fakta menuju membentuk perilaku yang diinginkan sejak awal, yang merupakan langkah penting sebelum AI digunakan dalam tugas berisiko tinggi.

marsbit06/24 04:13

OpenAI Publikasi Makalah Baru: Bagaimana Melatih AI yang 'Tetap Baik di Bawah Tekanan'?

marsbit06/24 04:13

Setelah Pelatihan, Insinyur OpenAI Weng Jiayi Mengajukan Asumsi Paradigma Baru untuk Agentic AI

Dalam eksperimen terbarunya, insinyur OpenAI, Weng Jiayi, mengusulkan paradigma baru untuk AI agentik yang disebut "Heuristic Learning" (HL). Berbeda dengan pendekatan tradisional yang mengandalkan pelatihan model neural berskala besar, HL memungkinkan AI (dalam hal ini Codex) untuk secara mandiri menulis, menjalankan, menguji, dan merevisi kode program strategi berdasarkan tujuan, lingkungan yang dapat dijalankan, dan umpan balik tertutup. Dalam eksperimen utama di lingkungan Atari Breakout, agen Codex berhasil mengembangkan strategi kode Python murni yang mencapai skor sempurna 864. Prosesnya melibatkan siklus iteratif: menulis kode, menjalankan simulasi, menganalisis log dan rekaman video, mengidentifikasi kegagalan, lalu memodifikasi kode. Pengalaman "dipelajari" tidak disimpan dalam bobot neural network, tetapi dalam sistem perangkat lunak yang dapat dibaca, diubah, dan diaudit. Eksperimen lebih lanjut di 57 game Atari menunjukkan bahwa pendekatan HL memiliki efisiensi sampel yang mengesankan di awal, mencapai kinerja sebanding dengan algoritma Reinforcement Learning (RL) seperti PPO dalam jutaan langkah. Namun, HL memiliki batasan dalam tugas yang memerlukan perencanaan jangka panjang dan urutan aksi kompleks, seperti yang terlihat dalam game Montezuma's Revenge. Paradigma HL ini berpotensi memiliki implikasi signifikan di industri, terutama dalam: 1) Kontrol robotik untuk skenario terstruktur, mengurangi ketergantungan pada inferensi neural network berat di setiap langkah; 2) Skenario kritis keamanan (mobil otonom, robot medis) di mana kemampuan audit dan penelusuran kode sangat berharga; 3) Pembelajaran berkelanjutan yang dapat diotomatisasi dan diintegrasikan ke dalam alur kerja rekayasa perangkat lunak; 4) Preservasi dan pertukaran kemampuan agen dalam bentuk aset kode yang dapat digunakan kembali. Weng Jiayi menekankan bahwa HL bukan pengganti lengkap untuk neural network, tetapi pelengkap. Visinya adalah sistem hybrid di mana neural network (System 1) menangani persepsi cepat, HL menangani pemrosesan aturan dan memori yang dapat diinterpretasikan, dan LLM agen (System 2) memberikan umpan balik tingkat tinggi. Intinya, HL menawarkan kemungkinan untuk mengubah pengalaman AI dari sesuatu yang "terkompresi dalam bobot" menjadi sesuatu yang "terkandung dalam perangkat lunak yang dapat dipelihara".

marsbit05/11 00:23

Setelah Pelatihan, Insinyur OpenAI Weng Jiayi Mengajukan Asumsi Paradigma Baru untuk Agentic AI

marsbit05/11 00:23

Penerima Turing Award Sutton Karya Baru: Selesaikan Kelemahan Besar Pembelajaran Penguatan Streaming dengan Formula 1967

Sebuah makalah baru oleh Arsalan Sharifnassab dkk. (termasuk pemenang Turing Award Richard Sutton) mengatasi "rintangan aliran" (*stream barrier*) dalam pembelajaran penguatan (*reinforcement learning*) secara mendalam. Masalahnya adalah ketidakmampuan belajar "langkah demi langkah" (*online/streaming*) dengan ukuran *batch*=1 dan tanpa *buffer replay*. Alasannya adalah langkah pembelajaran (*step-size*) tradisional hanya mengontrol seberapa besar parameter bergerak, bukan perubahan pada keluaran fungsi, sehingga menyebabkan pembaruan yang tidak stabil. Solusinya disebut **"Intentional Updates" (Pembaruan Berdasarkan Niat)**, sebuah ide yang meluas dari algoritma NLMS tahun 1967. Alih-alih menetapkan ukuran langkah untuk parameter, metode ini menetapkan **"niat"** untuk mengubah *output* fungsi—seperti memperkecil kesalahan prediksi nilai sebesar 5%—lalu menghitung mundur ukuran langkah yang diperlukan. Ini menghasilkan algoritma seperti Intentional TD, Intentional Q, dan Intentional Policy Gradient. Dalam eksperimen, metode ini mencocokkan kinerja algoritma canggih seperti SAC (dalam kontrol berkelanjutan) dan DQN (pada permainan Atari) dalam pengaturan *streaming*, dengan komputasi yang jauh lebih ringan (1/140 FLOP SAC) dan tanpa banyak penyesuaian hiperparameter. Kerangka kerja ini lebih tangguh dan mengurangi ketergantungan pada trik stabilisasi, meskipun ada masalah bias yang perlu ditangani dalam pembelajaran kebijakan. Pendekatan ini membuka jalan untuk sistem AI yang dapat belajar terus-menerus dan beradaptasi secara *online* seperti manusia, cocok untuk robotika dan perangkat *edge* dengan sumber daya terbatas.

marsbit05/10 06:38

Penerima Turing Award Sutton Karya Baru: Selesaikan Kelemahan Besar Pembelajaran Penguatan Streaming dengan Formula 1967

marsbit05/10 06:38

Agent Telah Memasuki Era yang Didorong oleh Harness

Kebocoran kode sumber Claude Code milik Anthropic mengungkap praktik terdepan dalam rekayasa Harness untuk sistem AI. Harness adalah rangkaian arsitektur teknik yang mendorong model AI untuk memaksimalkan kemampuan, bukan hanya menghasilkan token. Claude Code mengadopsi enam komponen inti: System Prompt bertingkat, Tool Schema, Tool Call Loop, Context Manager, Sub Agent, dan Verification Hooks. Pendekatan ini memungkinkan integrasi pelatihan dan inferensi, mengurangi halusinasi model, dan meningkatkan akurasi eksekusi tugas panjang. Era ini menuntut talenta gabungan yang memahami AI, teknik backend, dan infrastruktur, serta mendorong implementasi Agent yang lebih terjamin, terprivasi, dan terukur.

marsbit04/15 10:16

Agent Telah Memasuki Era yang Didorong oleh Harness

marsbit04/15 10:16

Gradient Luncurkan Kerangka Echo-2 RL, Tingkatkan Efisiensi Riset AI Lebih dari 10 Kali Lipat

Gradient Lab meluncurkan framework pembelajaran penguatan (RL) terdistribusi baru, Echo-2, yang diklaim mampu meningkatkan efisiensi penelitian AI lebih dari 10 kali lipat. Dengan arsitektur yang memisahkan antara Learner dan Actor, biaya pasca-pelatihan model 30B turun drastis dari $4.500 menjadi hanya $425. Echo-2 menggunakan teknik Async RL dan memanfaatkan instance GPU yang tidak stabil serta grafis heterogen melalui Parallax, didukung oleh teknologi seperti bounded staleness, penjadwalan toleransi kesalahan, dan protokol komunikasi proprietary Lattica. Keakuratan model tetap terjaga meski efisiensi ditingkatkan. Gradient juga akan meluncurkan platform RLaaS bernama Logits (logits.dev) yang sudah dapat dipesan oleh pelajar dan peneliti global. Perusahaan berfokus pada infrastruktur terdistribusi untuk pelatihan dan penyebaran model AI skala besar.

marsbit02/12 16:41

Gradient Luncurkan Kerangka Echo-2 RL, Tingkatkan Efisiensi Riset AI Lebih dari 10 Kali Lipat

marsbit02/12 16:41

活动图片

Kategori Populerright-arrow

Tag Populerright-arrow