# Artikel Terkait Hukum Skala

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

Scaling Law Satu Trik Serba Bisa? Benchmark Operasi Struktur Kristal Pertama, Model Besar Unggulan Tersandung Bersama

Model besar menghadapi tantangan dalam tugas manipulasi atom. Meskipun dapat memahami pengetahuan material, model-model ini kesulitan dalam mengoperasikan struktur atom secara akurat. Studi terbaru bernama AtomWorld, yang dirilis dalam ICML2026, menunjukkan bahwa Scaling Law—prinsip yang selama ini diandalkan untuk meningkatkan kemampuan model dengan memperbesar skala data dan parameter—memiliki keterbatasan dalam tugas-tugas yang membutuhkan logika spasial dan tunduk pada aturan fisika. AtomWorld adalah kerangka benchmark yang mengevaluasi kemampuan model dalam melakukan operasi dasar ruang atom, seperti mengganti, memindahkan, memutar, atau menghapus atom dalam struktur kristal. Hasil pengujian terhadap berbagai model utama (seperti Claude Opus, GPT, Gemini, Qwen, DeepSeek, Llama) mengungkapkan bahwa peningkatan skala model memang membantu tugas-tugas dengan aturan jelas (seperti penggantian atom), namun tidak secara konsisten meningkatkan performa pada tugas yang membutuhkan pemahaman geometri tiga dimensi yang kompleks, seperti rotasi sekitar atom atau penghapusan area tertentu. Temuan ini menyoroti bahwa kemampuan pemahaman teks (Language Scaling) tidak secara otomatis setara dengan kemampuan tindakan fisik (Action Scaling). Untuk benar-benar berguna dalam penelitian ilmiah nyata, AI perlu dikembangkan agar tidak hanya "memahami" pengetahuan, tetapi juga "melaksanakan" tindakan dalam lingkungan dengan kendala fisik. AtomWorld menawarkan dasar untuk melatih dan mengevaluasi kemampuan tindakan model, mendorong pergeseran fokus dalam AI for Science dari sekadar memperbesar model menuju penskalaan kemampuan aksi yang dapat divalidasi.

marsbit07/15 04:02

Scaling Law Satu Trik Serba Bisa? Benchmark Operasi Struktur Kristal Pertama, Model Besar Unggulan Tersandung Bersama

marsbit07/15 04:02

Pujian dari Hinton, Presentasi Kontributor Inti Gemini: Akan Ada Miliaran AI Superhuman Selevel Einstein di Masa Depan

Adam Brown, kontributor inti Gemini dan pemimpin tim Blueshift di DeepMind, menyampaikan pidato berjudul "Training Sand to Think: Artificial General Intelligence & Future of Physics". Dia menceritakan perkembangan AI yang pesat, dari kemampuan seperti TK hingga level doktoral, dan memproyeksikan masa depan fisika. Brown menekankan bahwa model bahasa besar (LLM) bukanlah program yang ditulis, tetapi "ditumbuhkan" melalui pelatihan. Hukum penskalaan (*Scaling Law*), yang didorong oleh cara berpikir fisikawan, menjadi kunci revolusi AI, di mana peningkatan skala komputasi, data, dan model secara konsisten meningkatkan kinerja. AI telah melampaui berbagai uji benchmark akademis, mulai dari matematika SMA (MATH), kualifikasi doktoral (GPQA), hingga ujian relativitas umum dan mekanika kuantum tingkat lanjut. Bahkan, AI telah mencapai level medalis emas dalam Olimpiade Matematika Internasional (IMO) dan, yang lebih penting, berhasil memecahkan konjektur matematika "Unit Distance" Erdős yang berusia 80 tahun secara mandiri. Dengan menarik paralel dari perkembangan komputer catur, Brown memprediksi tahapan "manusia-centaur" (kolaborasi manusia-AI) menuju era "AI superhuman" dalam penelitian ilmiah. Meskipun AI saat ini masih memiliki kelemahan seperti otonomi rendah dan perencanaan yang lemah, AI sudah mampu mengubah lanskap fisika sebagai tutor pribadi, asisten pemrograman yang kuat, dan alat penelusuran literatur. Brown menyimpulkan bahwa kita berada di ambang zaman keemasan kolaborasi manusia-AI. Jika tren ini berlanjut, kita mungkin akan segera memiliki miliaran "AI Einstein" supercerdas yang beroperasi secara bersamaan, membuka babak baru yang paling menarik dalam sejarah fisika dan sains.

marsbit07/04 06:46

Pujian dari Hinton, Presentasi Kontributor Inti Gemini: Akan Ada Miliaran AI Superhuman Selevel Einstein di Masa Depan

marsbit07/04 06:46

Tiga Tahun Menunda Pembaruan, Artikel Panjang Terbaru Alumni Peking University, Weng Li, Viral

Tiga tahun setelah menunda, mantan Wakil Presiden OpenAI Lilian Weng menerbitkan artikel panjang berjudul "Scaling Laws, Carefully" yang memicu perbincangan luas. Artikel tersebut mengkritisi dan menganalisis kelemahan mendasar dari Hukum Skala (Scaling Laws), yang selama lima tahun menjadi dasar investasi miliaran dolar di industri AI. Inti artikel menyoroti beberapa poin krusial: pertama, terdapat perbedaan signifikan antara kesimpulan OpenAI dan DeepMind mengenai alokasi anggaran komputasi untuk model versus data, yang ternyata bersumber dari perbedaan metode penghitungan parameter dan skala eksperimen. Kedua, bahkan formula DeepMind yang dianggap lebih akurat ternyata mengandung bug dalam fungsi loss, di mana optimizer berhenti terlalu dini. Ketiga, Hukum Skala klasik mengasumsikan pasokan data tak terbatas, sementara kenyataannya data teks berkualitas tinggi akan segera habis, sehingga mendorong industri beralih ke pembelajaran penguatan, komputasi saat pengujian, dan data sintetis. Weng juga menekankan bahwa ekstrapolasi kurva dari model kecil untuk memprediksi model besar sangat rentan kesalahan. Ia menyertakan simulator interaktif dalam blognya untuk menunjukkan betapa rapuhnya prediksi tersebut. Artikel ini menyimpulkan bahwa era ketergantungan semata pada "penskalaan buta" sudah berakhir, dan masa depan AI bergantung pada pemahaman dan penanganan detail yang lebih tepat terhadap prinsip-prinsip fundamental ini.

marsbit06/26 04:56

Tiga Tahun Menunda Pembaruan, Artikel Panjang Terbaru Alumni Peking University, Weng Li, Viral

marsbit06/26 04:56

Model Raksasa Menyapu Bersih Semua Ujian, Tapi Justru Jauh dari AGI: Apa yang Dibongkar Makalah Ini?

Teks ini membahas perdebatan definisi AGI (Kecerdasan Buatan Umum) yang belum memiliki standar pengukuran yang diterima secara universal. Berbagai pihak, seperti OpenAI, Microsoft, dan para CEO, memiliki tolok ukur dan ramalan waktu yang berbeda-beda. Sebuah makalah oleh Michael Timothy Bennett dari Australian National University menawarkan definisi baru AGI sebagai "ilmuwan buatan"—yaitu, sistem yang mampu beradaptasi secara luas, efisien, dan ilmiah di bawah kendala sumber daya terbatas (komputasi, memori, energi) seperti layaknya ilmuwan manusia. Penulis mengkritik standar lama seperti Tes Turing dan uji benchmark manusia karena telah "dikuasai" oleh model bahasa besar (LLM) tanpa mendekatkan kita pada kecerdasan umum yang sesungguhnya. LLM saat ini dinilai hanya melakukan "aproksimasi maksimalisasi skala", menyimpan jawaban perkiraan untuk berbagai tugas dalam bobot jaringannya, namun gagal pada masalah di luar distribusi data pelatihan dan tidak memiliki kemampuan aktif seperti merancang eksperimen atau memahami hubungan sebab-akibat. Teks ini merinci tiga kemampuan kunci AGI sejati menurut kerangka "ilmuwan buatan": 1. Dari "boneka pasif" menjadi "peneliti aktif": Mampu merencanakan eksperimen secara mandiri untuk memperoleh informasi. 2. Dari "tahu apa" menjadi "tahu mengapa": Memiliki pemahaman kausal, bukan hanya korelasi. 3. Menyeimbangkan "eksplorasi" dan "eksploitasi": Mengalokasikan sumber daya komputasi secara dinamis di bawah kendala. Tiga pendekatan metodologis dalam membangun sistem cerdas dianalisis: *Scale-maxing* (pendekatan LLM saat ini yang menumpuk parameter dan data), *Simp-maxing* (maksimalkan kesederhanaan model), dan *W-maxing* (melemahkan batasan fungsional agar sistem menemukan solusi optimal sendiri). Kesimpulannya, AGI tidak akan tercapai hanya melalui satu pendekatan (seperti *Scaling Law*), tetapi memerlukan konvergensi berbagai metode. Jika definisi baru ini diterima, akan terjadi pergeseran paradigma dalam industri AI. Standar evaluasi akan bergeser dari peringkat ujian manusia ke "benchmark adaptasi" yang menguji kemampuan menemukan pengetahuan baru dalam lingkungan yang tidak dikenal.

marsbit05/28 00:27

Model Raksasa Menyapu Bersih Semua Ujian, Tapi Justru Jauh dari AGI: Apa yang Dibongkar Makalah Ini?

marsbit05/28 00:27

活动图片