Mengapa 'Teori Utilitas' Sam Altman Memicu Kontroversi Hak Cipta

marsbitDipublikasikan tanggal 2026-05-27Terakhir diperbarui pada 2026-05-27

Abstrak

Sam Altman, CEO OpenAI, mengibaratkan AI sebagai utilitas publik seperti listrik atau air yang akan dijual per token oleh perusahaannya. Pernyataan ini, yang ditujukan kepada investor infrastruktur seperti BlackRock untuk mendanai proyek pusat data, memicu kritik tajam. Kritikus menekankan perbedaan mendasar: utilitas seperti listrik dan air dibangun dari nol (*"incremental"*), sedangkan model AI dilatih dengan *"rekombinasi"* data milik publik—buku, seni, kode—seringkali tanpa izin atau kompensasi bagi pencipta aslinya. Pola "ambil gratis, jual kembali" ini dinilai tidak etis. Lebih lanjut, mekanisme penagihan per token AI dinilai bertentangan dengan prinsip *"layanan universal"* utilitas publik sejati. Tarif token bersifat diskriminatif (output lebih mahal daripada input) dan berfokus pada memaksimalkan pendapatan, bukan menjamin akses terjangkau bagi semua. Meski pertahanan hukum *"penggunaan wajar"* (fair use) masih kuat bagi perusahaan AI, praktik mereka sendiri—seperti membeli data berlisensi dari Reddit atau News Corp—secara tidak langsung menggugat argumen bahwa data pelatihan dapat diambil secara bebas. Kesimpulannya, meski AI semakin menjadi infrastruktur, klaim sebagai "utilitas publik" rapuh karena tiga celah: **celah kepemilikan** (sumber data), **celah penetapan harga** (token vs. tarif regulasi publik), dan **celah tata kelola** (kurangnya kerangka regulasi publik). Infrastrukturisasi AI perlu menyertakan mekanisme distribusi manfaat yang adil bagi para pen...

Minggu ini, CEO OpenAI Sam Altman mengemukakan sebuah analogi pada Konferensi Infrastruktur Amerika BlackRock: "Masa depan yang kami lihat adalah kecerdasan akan menjadi utilitas seperti listrik atau air, dan orang akan membelinya dari kami sesuai penggunaan."

Konsep ini sendiri bukan hal baru. Ungkapan "AI sebagai utilitas" setidaknya telah ada sejak satu dekade lalu. Namun kali ini, pernyataan Altman memiliki subjek dan arah yang jelas: "membeli dari kami sesuai penggunaan." Secara spesifik, itu berarti biaya berdasarkan token, membeli kecerdasan dari OpenAI.

Tak lama setelah itu, gelombang kritik dengan cepat terkumpul di platform seperti Reddit dan X. Sebuah komentar yang banyak dibagikan menulis: "Mereka memberi makan model dengan kehidupan dan kreativitas kita, menginjak-injak hukum hak cipta, dan sekarang ingin menjual kembali semua itu kepada kita dalam bentuk utilitas publik."

Mengajukan narasi besar yang ditujukan ke pasar modal, memicu interogasi etis dari komunitas kreator. Artikel ini tidak menilai motivasi pembicara, juga tidak memprediksi arah gugatan hukum. Poin minat inti dari masalah ini adalah: apakah perumpamaan "utilitas publik" ini berdiri secara logika, etika, dan bisnis. Membongkar perumpamaan ini dapat membantu kita melihat kontradiksi mendalam yang sedang terjadi di industri AI.

Dekonstruksi Narasi: Mengapa "Utilitas Publik"

Untuk memahami maksud perumpamaan ini, perlu kembali ke konteks pernyataan Altman.

Menurut laporan Business Insider dan transkrip rapat dari Rev, titik awal pernyataan Altman kali ini bukan peluncuran produk, juga bukan roadmap teknologi, melainkan peringatan tentang "hambatan daya komputasi." Dia secara jelas menyatakan dalam konferensi bahwa jika fasilitas komputasi yang cukup tidak dibangun sekarang, tiga kemungkinan hasil di masa depan adalah: layanan AI tidak mencukupi permintaan sehingga harga melonjak, hanya orang kaya yang mampu membelinya, atau pemerintah harus turun tangan untuk mendistribusikannya.

Dengan kata lain, perumpamaan "utilitas publik" pertama-tama adalah sebuah narasi untuk investor infrastruktur, bukan skema penetapan harga untuk pengguna.

Membungkus AI sebagai listrik dan air memiliki logika bisnis yang jelas. Listrik dan air adalah industri dengan aset berat, siklus panjang, dan arus kas stabil, yang secara alami cocok dengan struktur modal dana pensiun dan infrastruktur. Ketika OpenAI perlu meyakinkan raksasa pengelola aset seperti BlackRock untuk mendanai proyek pusat data senilai triliunan dolar, "AI sebagai utilitas publik" lebih mudah disetujui oleh komite investasi daripada "AI sebagai produk teknologi."

Penilaian ini bukan spekulasi. Presiden OpenAI Greg Brockman pernah menyebutkan bahwa perusahaan membutuhkan komitmen investasi pusat data sekitar 1,4 triliun dolar dalam delapan tahun ke depan. Meskipun struktur spesifik dan perkembangan realisasi angka ini masih perlu diverifikasi, hal ini sudah cukup menjelaskan: "utilitas publik" yang disebut Altman, audiens utamanya adalah pasar modal, bukan pengguna akhir.

"Pembangunan Tambahan" atau "Rekonfigurasi Stok"

Kemarahan para kritikus berpusat pada perbedaan mendasar yang disembunyikan oleh perumpamaan "utilitas publik".

Listrik dan air adalah "pembangunan tambahan". Manusia membangun bendungan, memasang pipa, mendirikan jaringan listrik, menciptakan kapasitas pasokan yang pada awalnya tidak ada di alam. Investasi digunakan untuk membangun aset fisik baru, aset-aset ini sendiri tidak bergantung pada hasil kerja pihak lain yang sudah ada sebelumnya.

Pelatihan model AI adalah "rekonfigurasi stok". Data pelatihan untuk seri model GPT berasal dari pengambilan skala besar konten publik di seluruh web, mencakup buku, artikel, karya seni, postingan forum, repositori kode, bahkan termasuk catatan percakapan pribadi pengguna di media sosial. Ini adalah akumulasi kreasi manusia selama beberapa dekade, yang sebagian besar tidak diizinkan oleh penciptanya, dan tidak membayar biaya hak cipta apa pun.

Seorang penulis Medium menulis: "Mereka mencoba mengompresi kreasi kolektif manusia selama beberapa dekade ke dalam sebuah komoditas, lalu menetapkan harga ulang atas nama utilitas publik, menjualnya kembali berdasarkan token kepada orang-orang yang awalnya menyediakan bahan mentah secara gratis."

Ini bukan luapan emosi, melainkan pengidentifikasian yang tepat tentang logika kepemilikan. "Bahan mentah" perusahaan utilitas publik seperti listrik dan air dibangun sendiri (bendungan menampung air) atau dibeli dengan harga pasar (batubara dan gas). Sedangkan "bahan mentah" yang diperoleh perusahaan AI pada tahap pelatihan, secara hukum berada di area abu-abu "penggunaan wajar" (Fair Usage), dan secara komersial tidak menghasilkan transfer biaya apa pun.

Model "perolehan gratis, penjualan berbayar" ini membuat "utilitas publik" di mata para kritikus terdengar lebih seperti "enclosure movement": pertama-tama mengambil sumber daya domain publik sebagai milik sendiri, membangun tembok di sekelilingnya, lalu mengenakan biaya masuk kepada pengguna aslinya.

Jarak antara Biaya Token dan Layanan Universal

Bahkan jika kita kesampingkan kontroversi sumber data, "AI sebagai utilitas publik" sulit dipertahankan dalam mekanisme penetapan harga.

Utilitas publik yang sebenarnya, seperti air, listrik, gas, di sebagian besar ekonomi memiliki kewajiban "layanan universal" (Universal Service). Regulator pemerintah mengharuskan mereka untuk menjamin pasokan kebutuhan pokok masyarakat, mekanisme penetapan harga biasanya berdasarkan "biaya plus margin", margin keuntungan dibatasi ketat. Harga listrik rumah tangga tidak dibedakan berdasarkan apakah penggunaannya untuk menyalakan lampu atau menjalankan server.

Penetapan harga token AI sangat berbeda dengan ini. Menurut data pemantauan biaya AI perusahaan dari KongHQ dan analisis Artefact, selama setahun terakhir harga absolut per-token turun sekitar 75%, tetapi pengeluaran AI aktual perusahaan justru meningkat, karena tingkat pertumbuhan penggunaan jauh melampaui penurunan harga. Model "harga satuan turun, harga total naik" ini disebut "Ilusi Biaya Token".

Perbedaan struktural biaya token yang lebih bernilai untuk dibandingkan adalah: harga token keluaran biasanya 3 sampai 10 kali lipat harga token masukan. Untuk jumlah informasi yang sama, biaya AI "membacanya" jauh lebih rendah daripada biaya "menuliskannya". Jika Anda menyerahkan dokumen kepada AI untuk diringkas, tahap masukan hampir gratis, tetapi setiap kata yang dihasilkan dalam ringkasan berada di zona tarif tinggi.

Logika penagihan jaringan listrik publik adalah: listrik itu sendiri homogen, 1 kWh untuk kulkas dan untuk server harganya sama. Logika penetapan harga token AI adalah: layanan itu sendiri dibagi menjadi perbedaan harga yang besar, dan perbedaan harga ini sepenuhnya didefinisikan sepihak oleh pemasok.

Dengan kata lain, ini bukan penetapan harga utilitas publik, ini disebut penetapan harga diskriminatif berdasarkan volume penggunaan. Tujuannya bukan agar setiap orang dapat menggunakan kecerdasan, melainkan untuk mengekstrak pendapatan maksimal dari tingkat konsumsi kecerdasan.

Parit Pertahanan "Penggunaan Wajar" Mulai Goyah

Meskipun suara para kritikus keras, di tingkat hukum, posisi perusahaan AI dalam masalah data pelatihan tidak begitu rapuh seperti yang terlihat di permukaan.

Menurut laporan "Tren AI 2026" yang dirilis firma hukum Morrison & Foerster dan pelacakan gugatan hak cipta AI oleh Norton Rose Fulbright, pengadilan Amerika Serikat saat ini cenderung menetapkan bahwa pelatihan model AI umum memiliki "sangat transformatif", sehingga lebih mudah memenuhi standar hukum "penggunaan wajar" (Fair Use). Putusan Anthropic yang berhasil membujuk pengadilan menolak gugatan hak cipta pada pertengahan 2025, meskipun detailnya masih perlu diverifikasi, telah menjadi sumber kepercayaan penting bagi industri AI.

Namun, parit pertahanan hukum secara logika bisnis sedang dihancurkan oleh tindakan industri AI sendiri.

Sebuah analisis oleh TechPolicy.press menunjukkan: seiring perusahaan AI mulai membeli data pelatihan berlisensi dalam skala besar, misalnya perjanjian OpenAI dengan Reddit, News Corp, pembelaan "pengambilan gratis adalah penggunaan wajar" sedang dilemahkan secara kontradiktif. Jika data pelatihan memang dapat "digunakan secara wajar" tanpa diskriminasi, lalu mengapa harus membayar mahal untuk lisensi sumber tertentu? Jika pemilik data memang tidak memiliki hak untuk mengklaim, lalu apa dasar hukum dari perjanjian lisensi ini?

Tindakan pembelian itu sendiri merupakan penyangkalan komersial terhadap asumsi "bahan mentah gratis".

Kembali ke "teori listrik dan air" Altman, kontradiksi ini menjadi semakin tajam. Perusahaan listrik dan air, saat membangun infrastruktur, tidak akan menghadapi pertanyaan kolektif "apakah sumber air Anda diperoleh secara legal". Sedangkan perusahaan AI, ketika mengklaim diri sebagai utilitas publik generasi berikutnya, pertanyaan "bahan mentah dari mana" ini masih belum memiliki jawaban yang meyakinkan.

Infrastrukturisasi Perlu Menyelesaikan Masalah Distribusi

"Teori listrik dan air" Altman menangkap tren nyata perkembangan AI. Model besar sedang berubah dari produk laboratorium menjadi kemampuan dasar, tertanam ke dalam mesin pencari, perangkat lunak perkantoran, alat desain, bahkan proses industri. Ketika AI ada di mana-mana, ia memang dalam fungsi mendekati "infrastruktur".

Namun, tiga celah dari perumpamaan ini pada tahap evolusi saat ini tidak boleh diabaikan.

Pertama, celah kepemilikan. Listrik dan air menciptakan tambahan, AI merekonfigurasi stok. Rekonfigurasi itu sendiri memiliki nilai, tetapi prasyarat rekonfigurasi adalah "stok dapat digunakan tanpa bayar", prasyarat ini belum mencapai konsensus secara moral, juga belum mendapat konfirmasi akhir secara hukum.

Kedua, celah penetapan harga. "Layanan universal" utilitas publik berarti margin keuntungan rendah dan penetapan harga non-diskriminatif, sedangkan penetapan harga token bersifat pasar, berlapis, dan didefinisikan sepihak oleh pemasok. Keduanya hampir tidak memiliki irisan dalam logika bisnis.

Ketiga, celah tata kelola. Industri listrik dan air memiliki badan pengatur independen, akuntansi biaya transparan, dan mekanisme dengar pendapat harga dengan partisipasi publik. Industri AI saat ini kekurangan kerangka tata kelola publik dalam bentuk apa pun, aturan "biaya sesuai penggunaan" ditetapkan sendiri oleh beberapa perusahaan.

Bagi pengguna biasa, tren AI berbayar sesuai penggunaan tidak akan berubah dalam waktu dekat. Manfaat penurunan harga token berlanjut, tetapi "penggunaan semakin banyak" juga akan mengimbangi manfaat ini. Disarankan saat memilih alat AI, tidak hanya memperhatikan harga satuan, tetapi juga mengevaluasi tren perubahan volume penggunaan aktual Anda.

Bagi pengembang dan klien perusahaan, keterkendalian biaya untuk skenario konsumsi token tinggi seperti pembuatan kode, analisis teks panjang, lebih layak diperhatikan daripada harga satuan. Ketergantungan pada sistem penetapan harga token pemasok tunggal berarti struktur biaya sepenuhnya dikendalikan oleh pihak lain.

Bagi pencipta, penyebaran narasi "AI utilitas publik" sendiri adalah sebuah sinyal: kemungkinan karya Anda digunakan untuk pelatihan meningkat, sedangkan mekanisme untuk mendapatkan imbalan belum muncul. Infrastrukturisasi industri seharusnya tidak hanya membuat perusahaan model menjadi perusahaan listrik berikutnya, tetapi juga termasuk membangun mekanisme distribusi pendapatan data yang wajar dan dapat dilacak.

Fakta saat ini adalah: AI sedang berubah menjadi infrastruktur, tetapi belum menjadi utilitas publik. Gelar yang terakhir membutuhkan lebih banyak hal untuk mendukungnya, bukan hanya skala komputasi dan biaya token.

Pertanyaan Terkait

QMengapa pernyataan Sam Altman yang menyamakan AI dengan utilitas seperti listrik dan air memicu kontroversi hak cipta?

AKarena pernyataan tersebut menyiratkan bahwa orang akan membeli kecerdasan dari OpenAI berdasarkan jumlah token, sementara model AI mereka dilatih menggunakan data kreatif milik publik (seperti buku, artikel, dan karya seni) yang sering kali diambil tanpa izin atau kompensasi kepada penciptanya. Ini dipandang sebagai upaya memonopolisasi dan menjual kembali karya kolektif manusia tanpa membayar sumber aslinya.

QMenurut artikel, apa tujuan utama Sam Altman menggunakan analogi 'AI sebagai utilitas' dalam konteks Konferensi Infrastruktur BlackRock?

ATujuan utamanya adalah narasi untuk menarik investor infrastruktur, seperti dana pensiun dan dana infrastruktur. Dengan menyamakan AI dengan utilitas (listrik/air) yang membutuhkan aset berat, siklus panjang, dan arus kas stabil, OpenAI berharap dapat meyakinkan investor seperti BlackRock untuk mendanai proyek pusat data senilai miliaran dolar yang mereka butuhkan.

QApa perbedaan mendasar antara pembangunan utilitas tradisional (seperti listrik) dan pelatihan model AI menurut kritik dalam artikel?

AUtilitas tradisional seperti listrik dan air adalah 'pembangunan tambahan' (incremental), di mana infrastruktur baru (seperti bendungan, jaringan listrik) dibangun dari nol tanpa bergantung pada karya orang lain. Sebaliknya, pelatihan model AI adalah 'reorganisasi stok' (reorganization of存量), karena model dilatih dengan mengumpulkan dan menggunakan data yang sudah ada (karya kreatif manusia selama puluhan tahun) yang sering diambil tanpa izin atau kompensasi.

QBagaimana mekanisme penagihan berbasis token (token billing) AI berbeda dengan prinsip penetapan harga layanan utilitas publik?

AUtilitas publik umumnya memiliki kewajiban 'layanan universal' (universal service) dengan harga berdasarkan biaya plus margin terbatas yang diatur, tanpa diskriminasi penggunaan. Sebaliknya, penagihan token AI bersifat diskriminatif: harga token keluaran bisa 3-10 kali lebih mahal daripada token masukan, dan harga ditetapkan sepihak oleh penyedia. Pola 'harga turun, tetapi penggunaan dan total biaya naik' juga bertentangan dengan logika harga utilitas publik yang stabil dan terjangkau.

QMengapa pembelian data berlisensi oleh perusahaan AI (seperti kesepakatan OpenAI dengan Reddit) justru dapat melemahkan argumen 'penggunaan wajar' (fair use) mereka?

AKarena tindakan membayar untuk data lisensi secara tidak langsung menyangkal anggapan bahwa data pelatihan dapat diambil secara gratis di bawah 'penggunaan wajar'. Jika semua data dapat digunakan secara wajar dan gratis, tidak ada alasan untuk membeli lisensi mahal. Pembelian ini menunjukkan bahwa perusahaan AI sendiri mengakui nilai dan hak kepemilikan data, sehingga melemahkan dasar hukum mereka untuk menggunakan data tanpa izin dari sumber lain.

Bacaan Terkait

Ali "Menaruh Barang", Byte "Berlatih Ilmu"

Dalam satu minggu terakhir Mei, dua raksasa teknologi China, Alibaba dan ByteDance, memamerkan dua pendekatan berbeda dalam strategi AI mereka. Alibaba, sebagai perusahaan publik, fokus pada integrasi AI untuk monetisasi langsung. Mereka menghubungkan model Qwen dengan platform e-commerce seperti Taobao, menciptakan fitur seperti "pencocokan harga AI" dan "pakaian virtual AI". Melalui protokol ACT, mereka membangun infrastruktur untuk transaksi berbasis agen AI. Pendapatan eksternal Alibaba Cloud tumbuh 40%, menunjukkan model bisnis "MaaS" (Model-as-a-Service) mereka yang berhasil. Namun, pendekatan ini mungkin mengorbankan penelitian mendasar untuk keunggulan jangka pendek. Sebaliknya, ByteDance, yang masih swasta, berinvestasi besar dalam penelitian AI jangka panjang. Departemen Seed mereka, dengan anggaran belanja modal (capex) yang meningkat pesat, bertujuan "menjelajahi batas atas kecerdasan". Mereka merilis model pembuatan video Seedance 2.0 yang memimpin peringkat global dan mempublikasikan penelitian mendalam tentang "model dunia". Perusahaan ini memberikan kebebasan bagi tim risetnya tanpa tekanan kuartalan dari pasar modal. Perbedaan kunci ini lebih disebabkan oleh status kepemilikan daripada filosofi semata. Sebagai perusahaan publik, Alibaba terikat pada harapan ROI jangka pendek investor. ByteDance, yang belum IPO, memiliki kemewahan untuk berfokus pada terobosan teknologi jangka panjang. Analisis menyimpulkan bahwa jalan strategis AI sebuah perusahaan di China sangat ditentukan oleh apakah perusahaan tersebut terdaftar di bursa atau tidak, yang membentuk pilihan antara "menjual AI" dan "membuat AI".

marsbit8m yang lalu

Ali "Menaruh Barang", Byte "Berlatih Ilmu"

marsbit8m yang lalu

Mengapa Lebih Banyak AI Agent Belum Tentu Berarti Produktivitas yang Lebih Tinggi?

**Mengapa Lebih Banyak AI Agent Tidak Sama dengan Produktivitas Lebih Tinggi?** Meskipun teknologi memungkinkan kita meluncurkan banyak AI Agent dengan mudah dan murah, produktivitas nyata tidak serta-merta meningkat. Ini karena munculnya konsep "Pajak Orkestrasi"—biaya tersembunyi untuk mengelola, menilai, dan menggabungkan hasil kerja semua Agent tersebut. Pekerjaan ini harus kembali ke satu sumber daya serial yang tidak dapat diduplikasi: perhatian dan penilaian manusia. **Manusia adalah 'GIL' dalam Sistem.** Seperti Global Interpreter Lock (GIL) dalam Python, semua Agent dapat berjalan paralel, tetapi untuk keputusan penting (seperti tinjauan arsitektur, kode, atau penyelesaian konflik), mereka harus "mengambil kunci" dari Anda—sang pengembang. Hukum Amdahl berlaku: percepatan maksimum dari paralelisasi dibatasi oleh bagian kerja yang harus tetap serial, yaitu kapasitas penilaian manusia. Menambah Agent hanya membuat antrian tinjauan lebih panjang, memperbesar beban konteks, dan menyebabkan kelelahan kognitif. **Kelelahan dan Utang Tersembunyi.** Banyaknya Agent yang aktif memberi ilusi produktivitas tinggi, tetapi rasa sibuk itu tidak sama dengan hasil berkualitas. Jika Anda "menyerah secara kognitif" dan tidak meninjau hasil dengan benar, Anda menumpuk utang teknis dan utang kognitif—masalah yang akan muncul nanti. Pajak orkestrasi harus dibayar, baik secara sadar melalui proses yang terencana, atau diam-diam melalui penurunan kualitas. **Solusi: Kelola Perhatian Seperti Sistem Produksi.** Kuncinya adalah merancang alur kerja dengan menghormati batas perhatian manusia sebagai sumber daya langka: 1. **Kontrol Jumlah Agent:** Sesuaikan jumlah Agent dengan kemampuan *review* Anda, bukan dengan apa yang UI izinkan. Batasi ke angka rendah. 2. **Klasifikasi Tugas:** Pisahkan tugas independen (cocok untuk Agent paralel) dari tugas kompleks yang membutuhkan penilaian mendalam (kerjakan secara serial). 3. **Tinjau Secara Berkelompok (*Batch Review*):** Kurangi biaya alih konteks dengan meninjau hasil beberapa Agent sekaligus. 4. **Gunakan Waktu Serial untuk Penilaian:** Fokuskan perhatian hanya pada bagian yang memerlukan penilaian manusia. Biarkan Agent menangani bagian yang dapat diverifikasi otomatis (seperti tes). 5. **Lindungi Waktu Fokus Anda:** Kadang, tindakan paling produktif adalah berhenti mengoordinasi banyak Agent dan fokus pada satu masalah inti. Kemampuan sebenarnya di era AI bukanlah menjalankan banyak Agent, tetapi merancang sistem yang secara sadar mengelilingi dan melindungi kapasitas penilaian serial manusia—sumber daya paling berharga dalam proses pengembangan.

marsbit1j yang lalu

Mengapa Lebih Banyak AI Agent Belum Tentu Berarti Produktivitas yang Lebih Tinggi?

marsbit1j yang lalu

Tiga Tahun Kemudian: Meninjau Kembali Penilaian Saya terhadap ChatGPT di Tahun 2023

Tiga tahun kemudian, pada Mei 2026, penulis meninjau kembali 20 prediksi tentang ChatGPT yang dibuatnya pada Maret 2023, menggunakan AI untuk mengevaluasi akurasinya berdasarkan data terbaru. Secara keseluruhan, arah dan mekanisme prediksi banyak yang tepat. Yang paling akurat adalah tentang RAG sebagai arsitektur standar, LUI (Antarmuka Pengguna Bahasa Alami) sebagai lapisan interaksi baru, munculnya "jaringan robot" (protokol untuk agen AI), dan kemampuan China mengejar ketertinggalan model AI besar. Prediksi bahwa ChatGPT bukan AGI namun langkah besar, tidak menyebabkan gelombang pengangguran massal, serta sifat uji Turing yang hanya mengukur persepsi juga pada dasarnya benar. Namun, prediksi dengan angka spesifik atau pernyataan mutlak sering meleset. Klaim bahwa GPT-4 memiliki 100 triliun parameter sepenuhnya salah. Pernyataan bahwa LLM "tidak mungkin" mengerjakan matematika murni terbantahkan dengan model penalaran yang memenangkan medali emas IMO. Estimasi biaya pelatihan model hanya $5-10 miliar juga jauh dari kenyataan, yang kini mencapai miliaran dolar untuk model terdepan. Beberapa prediksi keliru tentang distribusi dampak, seperti bahwa nilai akan berpindah ke lapisan aplikasi (nyatanya, penyedia chip seperti NVIDIA paling untung), atau bahwa AI akan "menghindari" masalah hak cipta (justru menimbulkan gugatan besar). Kesimpulan utama adalah: dalam memprediksi teknologi yang cepat berubah, mengidentifikasi arah dan mekanisme umumnya lebih bisa diandalkan daripada memberikan angka pasti atau pernyataan mutlak. Prediksi cenderung terlalu optimis tentang kecepatan perubahan jangka pendek, tetapi meremehkan besarnya perubahan jangka panjang. Penting juga untuk mempertimbangkan distribusi dampak, bukan hanya kesimpulan agregat. Pernyataan yang disertai batasan dan keraguan justru lebih tahan uji waktu. Beberapa pertanyaan mendasar masih belum terjawab setelah tiga tahun. Tinjauan ini berfungsi sebagai pelajaran untuk membuat prediksi yang lebih baik di tiga tahun mendatang.

marsbit8j yang lalu

Tiga Tahun Kemudian: Meninjau Kembali Penilaian Saya terhadap ChatGPT di Tahun 2023

marsbit8j yang lalu

Tiga Tahun Kemudian: Menilik Kembali Penilaian Saya terhadap ChatGPT pada 2023

Tiga tahun kemudian: Meninjau Kembali 20 Prediksi ChatGPT Saya pada 2023 Pada Maret 2023, penulis Wang Jianshuo membuat 20 prediksi intuitif tentang ChatGPT dan AI masa depan. Kini, di Mei 2026, sebuah sistem AI yang terdiri dari 41 agen menganalisis prediksi-prediksi tersebut berdasarkan data terkini. Hasilnya menunjukkan pola menarik. **Yang Terbukti Benar (Secara Umum):** * **RAG dan Arsitektur Pencarian (✅):** Solusi utama untuk pengetahuan dan halusinasi adalah dengan menambahkan "contekan" (RAG), bukan mengubah model. Arsitektur pencarian + LLM kini menjadi standar. * **LUI sebagai Benua Baru (🟢):** Antarmuka Pengguna Bahasa Alami (LUI) adalah lapisan interaksi baru yang besar, melahirkan industri agen dan protokol seperti MCP. * **Jaringan Robot dan Sistem Pengalamatan Baru (🟢):** Agen akan berkomunikasi otomatis dengan bahasa alami. Protokol seperti MCP dan ANP sedang mewujudkannya. * **Model Besar Tiongkok (🟢):** Model-model seperti DeepSeek dan Qwen telah mengejar ketertinggalan performa, meski dengan investasi lebih kecil. * **Tidak Ada Kesadaran, Tes Turing Hanya Ukur Penampilan (🟢):** AI tidak memiliki kesadaran. Tes Turing hanya mengukur ilusi kesadaran. * **Prediksi Lain yang Benar:** ChatGPT bukan AGI, tapi lompatan besar; gelombang pengangguran besar tidak terjadi; tahun besar untuk startup; momen "browser 1994" telah tiba. **Yang Kurang Tepat atau Salah:** * **Parameter GPT-4 (❌):** Prediksi 100 triliun parameter salah. Estimasi terbaru sekitar 1,8 triliun. * **Matematika di LLM (🟡):** Diagnosis bahwa matematika adalah kelemahan intrinsik dan memerlukan alat bantu benar. Namun, pernyataan "tidak mungkin" ditingkatkan terbukti salah, karena model kini bisa memenangkan medali emas Olimpiade Matematika Internasional (IMO). * **Penangkapan Nilai (🟡):** Aplikasi memang berkembang pesat, tetapi nilai terbesar justru ditangkap oleh lapisan komputasi (seperti Nvidia), bukan oleh pembuat model. * **Hak Cipta (🟡):** Konten AI sulit didaftarkan hak cipta, tetapi tidak serta-mata "menghindari" pelanggaran. Gugatan dan penyelesaian besar (misalnya, Anthropic $1,5 miliar) membuktikan risikonya. * **Biaya Model (🟡):** Prediksi "perang lokal" dengan biaya $5-10 miliar untuk model canggih terbukti salah. Biaya pelatihan model terdepan (seperti GPT-5) jauh lebih tinggi, sementara biaya kloning model terbuka justru bisa lebih murah. **Pola dan Pelajaran:** 1. **Arah dan mekanisme lebih dapat diandalkan daripada angka pasti dan pernyataan mutlak.** 2. **Cenderung terlalu optimis untuk jangka pendek (kecepatan), tetapi terlalu konservatif untuk jangka panjang (skala/dampak).** 3. **Kesalahan sering terjadi pada distribusi, bukan pada total.** Contoh: Tidak ada gelombang pengangguran masif, tetapi dampak berat dirasakan oleh lulusan baru. 4. **Pernyataan yang disertai batasan dan ruang ketidakpastian justru lebih tahan uji waktu.** 5. **Beberapa pertanyaan mendasar masih belum terjawab setelah tiga tahun.** Kesimpulannya, prediksi tentang arah besar dan mekanisme cenderung akurat, sementara prediksi spesifik tentang angka, kecepatan, dan distribusi dampak lebih sering meleset. Latihan ini lebih merupakan pelajaran dalam kerendahan hati dan penilaian yang bernuansa daripada sekadar penghitungan skor.

链捕手10j yang lalu

Tiga Tahun Kemudian: Menilik Kembali Penilaian Saya terhadap ChatGPT pada 2023

链捕手10j yang lalu

Trading

Spot
Futures
活动图片