COREHarga CORE

Kisah ini berpusat pada Giambattista Parascandolo, seorang peneliti utama di OpenAI yang fokus pada model penalaran. Pada tahun 2020, saat melamar posisi profesor di MIT, presentasinya tentang penggunaan GPT untuk penalaran justru dicap sebagai "nonsense" atau omong kosong oleh sebagian besar komite profesor. Presentasi yang kontroversial itu membahas tiga arah penelitian masa depan: 1. **Penalaran Terbuka (Open-ended Reasoning)**: Ide bahwa model AI harus dapat mengalokasikan lebih banyak waktu dan komputasi untuk memikirkan masalah yang sulit, terus memperbaiki jawabannya. Konsep ini sangat mirip dengan perluasan komputasi pada waktu inferensi (reasoning-time computation) yang digunakan model seperti OpenAI o1 dan o3 saat ini. 2. **Bahasa sebagai Wadah Penalaran**: Mengusulkan penggunaan pengetahuan bahasa dari model seperti GPT untuk membantu dalam perencanaan dan penalaran tugas-tugas kompleks, misalnya dalam lingkungan *reinforcement learning*. Ini mengantisipasi teknik seperti *chain-of-thought* dan alur kerja *agent*. 3. **Sistem yang Dapat Belajar dan Memodifikasi Diri**: Visi di mana agen AI dapat secara aktif mengatur ulang tugas, membuat skenario *counterfactual*, dan bahkan membaca atau memodifikasi aktivasi serta bobot jaringannya sendiri untuk belajar lebih efektif. Parascandolo, yang memulai karir risetnya tentang generalisasi dan perencanaan, bergabung dengan OpenAI pada 2021 setelah menyelesaikan PhD. Di sana, ia terlibat dalam pengembangan GPT-4 dan kemudian menjadi bagian inti dari tim "🍓 (strawberry)", yang merupakan kode internal untuk proyek model penalaran o1. Kisahnya menjadi contoh menarik tentang bagaimana visi yang awal dianggap tidak masuk akal justru dapat meramalkan dan membentuk arah perkembangan teknologi AI beberapa tahun ke depan.

Baru-baru ini, Anthropic menerbitkan panduan berisi enam tips utama untuk menghemat token saat menggunakan Claude Code: 1. **/clear setelah tugas selesai:** Hapus percakapan usai menyelesaikan satu tugas agar riwayat tidak membebani konteks berikutnya. 2. **Tetapkan model dan tingkat usaha (effort level) sejak awal:** Mengubahnya di tengah percakapan akan menghapus cache prompt, sehingga seluruh riwayat dihitung ulang dengan harga penuh. 3. **Gunakan @ untuk merujuk file, jangan ketik path secara manual:** Dengan melampirkan file langsung, Claude tidak perlu memanggil alat baca tambahan yang menambah token. 4. **Tambahkan parameter "quiet" pada perintah dengan output panjang:** Konfigurasi di CLAUDE.md (seperti `--reporter=dot`) mempersingkat output, mengurangi token konteks. 5. **Lakukan /compact sebelum istirahat:** Kompresi saat cache masih aktif hanya berbiaya 10% dibanding setelah cache kadaluarsa. 6. **Serahkan tugas output besar ke subagent:** Subagent berjalan di konteks terpisah, hanya mengembalikan kesimpulan, sehingga prosesnya tidak memenuhi percakapan utama. Token dihitung berdasarkan input (prefill) dan output (decode), dengan output 5x lebih mahal. Harga bervariasi menurut model (Opus, Sonnet, Haiku) dan tingkat usaha. **Cache prompt** adalah penghemat terbesar — jika prefix permintaan sama dengan sebelumnya, biaya input turun 90%. Namun, cache gagal jika ada perubahan model, effort level, mode cepat, /compact, waktu kadaluarsa, atau sesi lama yang dipulihkan. Percakapan dapat membengkak karena file dan output perintah yang menumpuk, meningkatkan biaya secara kuadrat. Tips seperti @file, quiet flag, subagent, dan /clear membantu menekan pertumbuhan ini. /rewind juga berguna untuk membatalkan percakapan yang melenceng tanpa merusak cache. Mengelola token kini menjadi keterampilan penting bagi developer di era AI, memungkinkan anggaran yang sama menghasilkan lebih banyak pekerjaan.

Pendiri Uniswap, Hayden Adams, mengeksplorasi potensi Automated Market Maker (AMM) untuk menjadi mesin inti pasar keuangan global. Artikel ini menarik paralel dengan lahirnya reksa dana indeks 50 tahun lalu, yang awalnya dicemooh namun akhirnya mendominasi. Adams berargumen bahwa tokenisasi aset, lebih dari sekadar peningkatan infrastruktur, akan mengubah struktur pasar secara mendasar dengan membuatnya dapat diprogram. Ini memungkinkan aset apa pun untuk diperdagangkan langsung dengan aset lainnya, tidak hanya terhadap dolar. Di sinilah AMM bersinar. AMM seperti Uniswap, yang telah memproses triliunan dolar, pertama kali menemukan pijakan di aset *long-tail* dan pasar stablecoin. Keunggulannya terletak pada biaya modal yang lebih rendah dan kemampuan untuk menarik penyedia likuiditas (LP) baru, seperti penerbit aset atau investor yang sudah memegang aset dasar, sehingga menghilangkan kebutuhan dan biaya lindung nilai. Pola kunci yang muncul adalah perdagangan pasangan aset berkorelasi (misalnya, ETH dengan token ekosistem Ethereum, atau saham dengan ETF indeks seperti SPY). Pasangan seperti ini menawarkan risiko yang lebih rendah bagi LP pasif. Blockchain memungkinkan struktur pasar baru ini, di mana "pasangan berkorelasi" yang likuid dihubungkan oleh sedikit "pasangan jembatan" (seperti ETH/USD) yang membutuhkan keahlian market maker aktif. Adams menyimpulkan bahwa likuiditas pasif AMM, didukung oleh desain yang dapat disesuaikan (seperti Hooks di Uniswap v4), dapat mengikuti jalur kemenangan reksa dana indeks: mengalahkan pendekatan aktif dengan biaya lebih rendah, efisiensi lebih tinggi, dan akses yang lebih demokratis ke pasar. Bukti awal terlihat pada saham yang ditokenisasi yang sudah diperdagangkan langsung melawan SPY di Uniswap.

**Laporan Observasi Harian Saham AS MSX: Laporan Kuartal II 2026 Baidu: Pendapatan AI Kuasai Setengah Bagian untuk Dua Kuartal Berturut-turut, GPU Cloud Tumbuh 283% Dongkrak Transformasi Bisnis** Laporan kuartal II Baidu menunjukkan total pendapatan 313,25 miliar yuan (turun 4% y/y), sedikit di bawah ekspektasi pasar. Kontraksi di bisnis periklanan (layanan pemasaran online turun 19%) masih berlanjut. Yang menonjol adalah pendapatan dari bisnis inti (non-iQiyi) yang terkait AI mencapai 125 miliar yuan, atau sekitar 50% dari total pendapatan bisnis inti, level yang bertahan selama dua kuartal berturut-turut. Dalam bisnis AI, infrastruktur cloud AI (terutama layanan GPU cloud) menjadi penggerak utama dengan pertumbuhan pesat 283% y/y, sementara sisi aplikasi (pendapatan aplikasi AI naik 3%) dan layanan pemasaran berbasis AI relatif datar. Secara profitabilitas, laba operasi dan EBITDA yang disesuaikan melampaui ekspektasi, menunjukkan kontrol biaya yang baik. Namun, laba per saham (EPS) yang disesuaikan sebesar 7,22 yuan berada 26% di bawah ekspektasi, terutama karena tekanan dari depresiasi dan amortisasi terkait investasi besar dalam infrastruktur AI. Perusahaan memiliki posisi kas yang kuat (2831 miliar yuan) untuk mendukung investasi ini. Tantangan ke depan adalah kemampuan Baidu untuk mentransfer momentum pertumbuhan tinggi dari infrastruktur AI ke komersialisasi di sisi aplikasi, guna mendongkrak profitabilitas secara keseluruhan.

Tanggal 19 Agustus, Departemen Keuangan AS mengumumkan akan meningkatkan batas atas pembelian kembali likuiditas untuk obligasi jangka panjang (10-30 tahun) dari USD 2 miliar menjadi minimal USD 4 miliar per operasi. Penyesuaian ini berlaku mulai 9 September hingga 4 November. Pasar bereaksi positif, dengan imbal hasil obligasi 10-tahun dan 30-tahun turun. Hal ini memberi kelegaan bagi aset berisiko seperti saham teknologi, obligasi panjang, emas, dan aset kripto karena tekanan pada tingkat diskon berkurang. Penting untuk dicatat, operasi ini **bukan quantitative easing (QE)** ala Fed. Departemen Keuangan hanya membeli obligasi lama yang kurang likuid untuk memperbaiki fungsi pasar, bukan menciptakan uang baru atau mengurangi kebutuhan pendanaan pemerintah. Pasar merespons karena tindakan ini menunjukkan kesediaan pemerintah untuk meredakan tekanan likuiditas di ujung panjang kurva imbal hasil, yang memicu pembelian kembali posisi jual. Namun, dampak jangka panjangnya terbatas. Tiga faktor membatasi dampaknya: **1) Skala** (peningkatan USD ~14 miliar relatif kecil dibandingkan kebutuhan fiskal), **2) Sumber dana** (pembelian mungkin dibiayai dengan penerbitan utang jangka pendek baru), dan **3) Konteks makro** (tekanan inflasi dan kebijakan Fed tetap dominan). Kesimpulannya, langkah ini adalah **bantalan penyangga** yang memberi dukungan marginal bagi aset jangka panjang dan dapat memicu pemulihan valuasi jangka pendek. Namun, ketebalan dan keberlanjutan rally ini akan diuji oleh **pengumuman pembiayaan kembali triwulanan pada 4 November**, yang akan mengungkap struktur penerbitan utang dan komitmen pembelian kembali yang sebenarnya. Ini bukan awal dari narasi pelonggaran yang berkelanjutan.