TAOHarga TAO(Bittensor)

Dalam sebuah esai baru-baru ini, peraih Fields Medal Terence Tao dan Maryna Viazovska (yang dirujuk sebagai "王虹" dalam teks) berbagi pandangan serupa tentang bagaimana dunia matematika harus merespons ledakan pembuktian yang dihasilkan AI. Inti pesan mereka: komunitas matematika perlu belajar "mencerna" hasil kerja AI. Tao menghabiskan beberapa hari untuk sepenuhnya memahami dan menyempurnakan bukti yang melibatkan AI untuk Konjektur Sendov, yang telah terbengkalai selama 67 tahun. Proses "pencernaan" ini bukan hanya verifikasi ulang, tetapi juga menyederhanakan argumen (mengurangi kode Lean dari 90.000 menjadi 15.000 baris) dan bahkan memperluas temuan untuk membuktikan konjektur yang lebih kuat. Ini menunjukkan bahwa nilai sebenarnya dari sebuah hasil matematika tidak hanya terletak pada pembuktiannya, tetapi juga pada kemampuannya untuk dipahami, dijelaskan, dan diintegrasikan ke dalam pengetahuan yang ada. Tao menguraikan lima tahap lengkap sebuah pencapaian matematika: **generasi argumen, verifikasi kebenaran, komunikasi kepada rekan sejawat, publikasi dan pemeriksaan komunitas, serta reorganisasi hasil menjadi pengetahuan standar.** AI saat ini terutama mempercepat dua langkah pertama. Langkah-langkah selanjutnya—menjelaskan, mengulas, dan mengkonsolidasikan—tetap membutuhkan keahlian dan penilaian manusia yang dalam. Oleh karena itu, Tao menyerukan pergeseran nilai dalam matematika: alih-alih hanya menghormati "orang pertama yang memberikan bukti," komunitas harus lebih menghargai pekerjaan "mencerna dan mengatur bukti." Sebuah bukti, bahkan jika diverifikasi oleh AI, belum menjadi hasil yang lengkap jika tidak dapat dijelaskan dengan jelas kepada matematikawan manusia. Sebagai langkah praktis, Tao meluncurkan **Palomar**, sebuah repositori untuk mendaftarkan dan memverifikasi hasil yang divalidasi Lean. Palomar bertindak sebagai stasiun persinggahan antara verifikasi dan publikasi, mendorong kolaborasi dan memastikan bahwa hasil AI terdokumentasi dengan baik sebelum diserap sepenuhnya ke dalam literatur matematika. Kesimpulannya, era AI bukanlah akhir dari matematika, tetapi transformasi. Peran matematikawan berevolusi dari sekadar *pembuat bukti* menjadi *pencerna, penjelas, dan integrator* pengetahuan, memastikan bahwa kemajuan yang dihasilkan mesin dapat benar-benar dipahami dan digunakan oleh manusia.

Apple merilis chip M6 pertama di dunia dengan proses 2nm dan M5 Ultra yang disebut chip M terkuat mereka, menandai lompatan besar dalam komputasi AI lokal. M6, yang digunakan di Mac mini baru, menghadirkan peningkatan performa AI hingga 4x lipat dibandingkan M4. Apple kini memposisikan Mac mini sebagai perangkat 'always-on agentic' untuk alur kerja AI di desktop. Sementara itu, M5 Ultra di Mac Studio memperkenalkan arsitektur quad-die pertama Apple, menggabungkan dua M5 Max. Chip ini menawarkan hingga 36 core CPU, 80 core GPU, dan memori terpadu hingga 512GB dengan bandwidth 1.2TB/s, performa AI-nya hingga 4.3x lebih cepat dari M3 Ultra. Konfigurasi memori besar ini memungkinkan model AI besar berjalan secara lokal, bahkan dapat diskalakan dengan menghubungkan beberapa Mac Studio. Kenaikan harga signifikan menyertai lompatan performa ini. Mac mini M6 mulai dari RMB 6.999 (naik 55%), sedangkan Mac Studio dengan M5 Ultra mulai dari RMB 46.999. Permintaan tinggi akan memori untuk AI menyebabkan versi 512GB Mac Studio baru akan tersedia akhir Oktober, menandakan kelangkaan pasokan. Peluncuran produk ini terjadi menjelang pergantian CEO Apple, Tim Cook kepada John Ternus, dilihat sebagai warisan terakhir Cook dalam mendorong batas komputasi AI di platform Mac.