# Artikel Terkait Pelatihan

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

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

Dataset Pelatihan Doc2Repo Jarak Jauh Pertama, Agen Kode Tak Hanya Perbaiki Bug, Mulai Bangun Repository

Dengan kemampuan LLM Code Agent yang terus meningkat, peneliti kini beralih ke tugas jangka panjang yang lebih mendekati kebutuhan dunia nyata. Dalam konteks ini, tim dari Renmin University of China merilis dataset DeNovoSWE, yang berfokus pada tugas rekayasa perangkat lunak jangka panjang, khususnya pembuatan kode tingkat repositori dari nol. Dataset ini dibangun menggunakan mekanisme **Divide & Conquer** dan **Critic & Repair**, menghasilkan 4.818 instance data berkualitas tinggi. DeNovoSWE mengatasi tantangan generasi repositori utuh dari dokumen, yang membutuhkan perencanaan arsitektur, pembuatan file, desain API, dan integrasi modul. Eksperimen menunjukkan peningkatan signifikan pada model yang dilatih dengan DeNovoSWE. Misalnya, Qwen3-30B-A3B-Instruct meningkat dari 5.8% menjadi 47.2% pada benchmark BeyondSWE-Doc2Repo, dan dari 4.3% menjadi 23.0% pada NL2RepoBench. Peningkatan ini membuktikan bahwa data tugas jangka panjang khusus lebih efektif untuk melatih kemampuan rekayasa perangkat lunak tingkat repositori, melampaui data konvensional yang hanya berfokus pada perbaikan bug. Kesimpulannya, DeNovoSWE menyediakan landasan data yang terstruktur, dapat diverifikasi, dan anti-kebocoran untuk melatih agen kode dalam memahami dokumen, merencanakan arsitektur, dan menghasilkan repositori perangkat lunak yang lengkap dan dapat dijalankan, menandai langkah maju menuju kemampuan rekayasa perangkat lunak jangka panjang yang sebenarnya.

marsbit06/25 08:54

Dataset Pelatihan Doc2Repo Jarak Jauh Pertama, Agen Kode Tak Hanya Perbaiki Bug, Mulai Bangun Repository

marsbit06/25 08:54

Kendala Daya Komputasi dalam Pertarungan AI Tiongkok-AS

Dalam persaingan AI antara AS dan Tiongkok, kendala utama yang dihadapi Tiongkok adalah kesenjangan komputasi (computing power) yang sangat besar, terutama di sektor pelatihan AI berkinerja tinggi. Chip AI domestik Tiongkok saat ini sebagian besar masih berfokus pada sisi inferensi yang relatif lebih mudah, sedangkan di puncak piramida pelatihan model besar, kehadiran chip domestik masih terbatas dan hanya mengerjakan tugas-tugas tepi. AS menguasai lebih dari 70% GPU high-end global, dengan skala komputasi 2 kali lipat lebih besar daripada Tiongkok. Raksasa teknologi seperti Meta, Google, Amazon, dan Microsoft menginvestasikan dana besar untuk infrastruktur AI, memiliki kekuatan komputasi yang masing-masing melebihi total seluruh perusahaan AI Tiongkok. Kesenjangan ini berdampak langsung pada pengembangan model besar (large models). Model AS terdepan seperti Anthropic's Mythos telah mencapai 10 triliun parameter, sedangkan model Tiongkok terkuat, DeepSeek V4 Pro, memiliki 1,6 triliun parameter. Kekurangan chip pelatihan high-end membatasi kemampuan pra-pelatihan (pre-training) yang menentukan batas atas kecakapan model. Meski demikian, kebangkitan chip GPU domestik Tiongkok mulai terlihat. Perusahaan seperti Huawei (Ascend 910), Haiguang, Cambricon, Moore Thread, dan MetaX memanfaatkan kebijakan substitusi impor. Meski masih tertinggal dalam kinerja absolut dan ekosistem perangkat lunak (seperti CUDA milik Nvidia), chip domestik mulai menunjukkan peningkatan adaptabilitas, bergerak dari terobosan di sektor inferensi menuju adaptasi bertahap di sektor pelatihan. Kolaborasi antara perusahaan AI dan produsen chip domestik telah berhasil melatih model canggih seperti GLM-Image dan RoboBrain 2.5 sepenuhnya pada perangkat keras domestik. Dengan dukungan pasar yang besar, talenta AI, dan modal yang kuat, industri chip AI Tiongkok diharapkan dapat terus berkembang, meski perjalanan mengejar ketertinggalan membutuhkan kesabaran dan strategi jangka panjang dalam persaingan teknologi yang menentukan ini.

marsbit06/22 10:25

Kendala Daya Komputasi dalam Pertarungan AI Tiongkok-AS

marsbit06/22 10:25

Peta Jalan Lengkap AI Terdesentralisasi 2026: Mengapa Blockchain adalah 'Obat' yang Tak Terhindarkan bagi AI?

Keberadaan AI terdesentralisasi muncul karena AI terpusat memiliki hambatan struktural yang tak bisa diselesaikan hanya dengan modal dan kode: sumber daya komputasi yang langka dan mahal, kontrol yang terlalu terpusat di segelintir perusahaan, keluaran model yang tidak terverifikasi, serta kesulitan mendapatkan data pelatihan karena masalah privasi dan regulasi. Blockchain menjawab ini dengan membuat kecerdasan terbuka, terverifikasi, dan terjangkau secara ekonomi. Peta teknologi AI terdesentralisasi terdiri dari tiga lapisan. Lapisan aplikasi didominasi oleh **Keuangan Agen** (Agentic Finance), di mana agen mengubah perintah bahasa alami menjadi aksi on-chain untuk perdagangan dan yield farming, serta **Pembayaran Agen** (Agentic Payments) untuk transaksi mesin-ke-mesin otomatis. Lapisan middleware menangani koordinasi, identitas, dan reputasi agen, dengan proyek seperti Bittensor yang menggunakan ekonomi token untuk mengoordinasikan jaringan subnet AI yang kompetitif. Lapisan infrastruktur adalah tulang punggungnya, menawarkan komputasi, pelatihan, inferensi, penyimpanan data, serta lapisan privasi dan verifikasi yang terdesentralisasi — semuanya bertujuan membuat sumber daya AI lebih murah, dapat diakses, dan aman. Menuju 2026-2027, pertumbuhan AI melampaui infrastruktur, dan agen AI menjadi motor utama. Komputasi berubah menjadi kelas aset, dan ekonomi token menjadi keunggulan struktural dalam mengoordinasikan modal, komputasi, dan data. Meski masih awal dengan adopsi yang belum merata, proyek-proyek terdepan menunjukkan evolusi dari narasi spekulatif menuju model baru yang kohesif untuk kecerdasan masa depan.

Foresight News06/11 10:07

Peta Jalan Lengkap AI Terdesentralisasi 2026: Mengapa Blockchain adalah 'Obat' yang Tak Terhindarkan bagi AI?

Foresight News06/11 10:07

AI Sedang Menciptakan 'Orang Miskin Informasi' Baru?

Tempat paling kejam dari AI bukanlah karena ia tidak memberikan jawaban kepada orang miskin. Sebaliknya, ia memberi jawaban kepada semua orang — mulai dari kerangka esai, template email, hingga saran hukum dan investasi. Namun, ketika jawaban menjadi murah dan melimpah, yang langka bukan lagi jawaban itu sendiri, melainkan kemampuan untuk menilainya. Di era AI, kesenjangan informasi memiliki struktur baru. Model bahasa besar langsung menyajikan kesimpulan tanpa perlu mencari, tetapi kemampuan untuk menilai apakah jawaban itu dapat dipercaya menjadi jauh lebih berharga. Seringkali, teknologi baru pertama-tama memberi manfaat kepada mereka yang sudah memiliki modal pendamping — seperti latar belakang pendidikan, keahlian profesional, dan daya kritis. Ketidaksetaraan pertama dimulai dari akses. Survei di AS (2026) menunjukkan pengguna Claude mayoritas berasal dari keluarga berpenghasilan tinggi, sementara Meta AI lebih banyak digunakan oleh kelompok berpenghasilan rendah. Pilihan alat juga terkait dengan distribusi dan akses: AI canggih membutuhkan langkah aktif dan pembayaran, sedangkan AI gratis sering ditemui secara pasif di platform media sosial. Di tempat kerja, perbedaan muncul melalui otorisasi dan pelatihan. Survei tenaga kerja menunjukkan pekerja dengan gaji tertinggi lebih banyak menggunakan AI sehari-hari. Pelatihan formal dari perusahaan meningkatkan penggunaan AI secara signifikan, namun hanya sedikit karyawan yang mendapatkannya. AI di tempat kerja bukan sekadar alat, tetapi izin, dan izin ini tidak didistribusikan secara merata. Perpecahan terdalam terletak pada kemampuan menilai. AI mengurangi biaya untuk "terdengar paham", tetapi tidak mengurangi biaya untuk "benar-benar paham". Pengalaman adalah modal pendamping terpenting yang tidak bisa dibeli. Pengguna pemula mungkin menerima output AI secara mentah, sementara yang berpengalaman dapat mengidentifikasi kelemahan. Dengan demikian, AI dapat memperdalam ketimpangan karena meningkatkan produktivitas mereka yang sudah memiliki kemampuan penilaian. Namun, AI juga berpotensi menyamakan kedudukan. Penelitian menunjukkan AI dapat meningkatkan kinerja pekerja pemula lebih signifikan. Masalahnya, potensi ini hanya terwujud jika adopsi, akses ke peluang, dan pelatihan penilaian didistribusikan secara adil. Sejarah teknologi menunjukkan manfaat jarang langsung dinikmati secara merata. Percaya bahwa AI akan secara otomatis meratakan lapangan bermain adalah kesalahan. Di era di mana penilaian menentukan segalanya, merasa lebih pintar belum tentu sama dengan menjadi lebih pintar. Kesenjangan baru bukanlah antara mereka yang memiliki AI dan yang tidak, tetapi antara mereka yang dapat menilai dan mengubah jawaban AI menjadi peluang nyata, dan mereka yang tidak.

marsbit06/08 11:41

AI Sedang Menciptakan 'Orang Miskin Informasi' Baru?

marsbit06/08 11:41

GensynAI : Jangan Biarkan AI Mengulangi Kesalahan Internet

Beberapa bulan terakhir, banyak talenta dari industri kripto beralih ke AI karena pesatnya perkembangan industri kecerdasan buatan. Para peneliti yang bergerak di kedua bidang ini terus mengeksplorasi satu pertanyaan yang belum terjawab: **Bisakah blockchain menjadi bagian dari infrastruktur AI?** Proyek yang menggabungkan AI dan Crypto, seperti AI Agent, on-chain reasoning, pasar data, dan penyewaan daya komputasi, telah banyak bermunculan. Namun, sebagian besar masih berada di "lapisan aplikasi AI" dan belum membentuk closed-loop bisnis yang nyata. Berbeda dengan itu, **Gensyn** justru menyasar lapisan paling inti dan mahal dalam industri AI: **pelatihan model**. Gensyn bertujuan untuk mengorganisir sumber daya GPU yang tersebar secara global menjadi jaringan pelatihan AI terbuka. Pengembang dapat mengirimkan tugas pelatihan, node menyediakan daya komputasi, dan jaringan bertugas memverifikasi hasil pelatihan serta mendistribusikan insentif. Nilai utama di balik ini bukan semata-mata "desentralisasi", melainkan solusi atas masalah mendesak dalam industri AI: **sumber daya komputasi (GPU) yang semakin terkonsentrasi di tangan segelintir raksasa teknologi.** Kelangkaan pasokan H100, kenaikan harga layanan cloud, dan persaingan ketat untuk mengunci sumber daya komputasi menunjukkan bahwa kepemilikan GPU kini menjadi penentu kecepatan pengembangan AI, terutama di era model besar (large models). **Mengapa Gensyn Menarik Perhatian?** 1. **Menyasar Lapisan Infrastruktur Inti AI:** Gensyn langsung masuk ke dalam proses pelatihan model, bagian yang paling menantang secara teknis dan paling banyak mengonsumsi sumber daya. Ini adalah lapisan yang mudah membentuk hambatan platform (platform壁垒). Jika jaringan pelatihannya mencapai skala, ia berpotensi menjadi pintu masuk penting bagi pengembangan AI di masa depan. 2. **Menawarkan Model Kolaborasi Komputasi yang Lebih Terbuka:** Berbeda dengan ketergantungan pada platform cloud terpusat yang biayanya terus naik, Gensyn mengusung model yang memanfaatkan GPU menganggur dan menjadwalkan sumber daya komputasi secara dinamis. Ini dapat meningkatkan efisiensi penggunaan daya komputasi secara keseluruhan dan mengurangi hambatan inovasi bagi tim AI kecil-menengah. 3. **Tingkat Kesulitan Teknis sebagai Keunggulan:** Tantangan sebenarnya bukan sekadar menghubungkan GPU, tetapi **cara memverifikasi hasil pelatihan, memastikan kejujuran node, dan menjaga keandalan pelatihan di lingkungan terdistribusi.** Gensyn fokus pada solusi teknis ini (seperti mekanisme verifikasi probabilistik, model distribusi tugas), menjadikannya lebih mirip perusahaan infrastruktur teknologi mendalam (deep tech). 4. **Memiliki Closed-Loop Bisnis Nyata:** Kebutuhan akan pelatihan AI adalah pasar nyata yang terus berkembang, dengan celah pasokan GPU yang berkelanjutan. Gensyn tidak sekadar menambahkan blockchain untuk kepentingannya sendiri, tetapi menjawab kebutuhan industri akan sistem penjadwalan sumber daya yang lebih fleksibel dan terbuka. Singkatnya, batas antara Crypto (sistem finansial) dan AI (sistem teknologi) semakin kabur. AI membutuhkan koordinasi sumber daya, mekanisme insentif, dan kolaborasi global—hal-hal yang menjadi keahlian Crypto. Gensyn mewakili upaya untuk membuka akses kemampuan pelatihan, yang selama ini dikuasai sedikit perusahaan besar, menjadi sistem yang lebih terbuka dan dapat dikolaborasikan. Inisiatif ini tidak lagi sekadar cerita konsep, tetapi berkembang menuju infrastruktur AI nyata, di mana perusahaan paling bernilai di era AI sering kali lahir dari lapisan infrastruktur.

marsbit05/10 09:47

GensynAI : Jangan Biarkan AI Mengulangi Kesalahan Internet

marsbit05/10 09:47

活动图片