Sleepless AI(AI) Regular Invest

**Ringkasan: Era AI Penuh, Alipay Bertaruh pada Percakapan, WeChat Mempertahankan Sosial** Pada pertengahan 2026, Alipay dan WeChat, dua platform raksasa dengan miliaran pengguna, menunjukkan dua jalur berbeda dalam mengintegrasikan AI ke dalam layanan inti mereka. **Alipay: Menulis Ulang Antarmuka dengan Percakapan** Alipay sedang menguji versi AI radikal bernama "Proyek Bao". Alih-alih menambahkan asisten, pengguna dapat beralih ke antarmuka baru yang sepenuhnya digerakkan oleh percakapan. Tujuannya adalah mengompresi serangkaian tugas (misalnya memesan taksi dan kopi) menjadi satu perintah percakapan, di mana AI akan memahami maksud, memecah tugas, dan menjalankan layanan yang sesuai. Keputusan ini didasari oleh kegagalan aplikasi AI independen "Zhi Xiaobao" dan pertimbangan untuk memanfaatkan basis pengguna yang ada tanpa biaya migrasi. Untuk kompatibilitas dengan layanan yang belum diadaptasi, AI Alipay menggunakan teknik "membaca layar" untuk meniru klik pengguna, sambil mendorong pengembang untuk mengadopsi standar MCP/Skill. **WeChat: Menanamkan AI dalam Hubungan Sosial** Berbeda dengan Alipay, WeChat mengambil pendekatan yang sangat hati-hati. Menurut presiden Tencent, AI cerdas WeChat akan terintegrasi secara mendalam dengan hubungan sosial, kemampuan komunikasi, akun publik, dan Channels. AI akan beroperasi sebagai "agen" di dalam konteks yang ada (seperti obrolan grup), membantu pengguna tanpa menggantikan atau mengganggu antarmuka percakapan inti. Untuk memungkinkan AI mengoperasikan layanan mini-program, WeChat menawarkan dua mode kepada pengembang: "Mode Otomatis" (membutuhkan akses ke kode sumber mini-program) atau "Mode Pengembang" (membutuhkan pembungkusan ulang layanan ke dalam Skill standar). Pendekatan ini berpotensi memberatkan pengembang, terutama yang kecil. **Perbedaan Kunci & Dampaknya** * **Strategi Kompatibilitas:** Alipay mengandalkan "membaca layar" sebagai jembatan sementara, sementara WeChat meminta akses kode sumber atau upaya pengembangan ulang dari pengembang. * **Ekonomi Agen:** Alipay telah meluncurkan "Token Pay" dan "Dompet AI" untuk memfasilitasi pembayaran frekuensi tinggi dan otonom oleh AI, dengan lebih dari 300 juta transaksi AI yang divalidasi. WeChat belum mengungkapkan rencana serupa untuk pembayaran berbasis agen. * **Dampak Ekosistem:** Pendekatan Alipay dapat secara pasif "meng-AI-kan" banyak layanan panjang, mungkin memaksa adaptasi. Pendekatan WeChat berisiko meminggirkan pengembang kecil yang enggan atau tidak mampu memenuhi persyaratan akses kode sumber/pengembangan ulang. Pada akhirnya, kedua raksasa ini sedang memperebutkan kepercayaan pengguna untuk mendelegasikan tugas "bantu saya mengerjakan ini". Alipay menawarkan pintu masuk percakapan yang terpusat, sementara WeChat bertujuan untuk menyematkan bantuan AI ke dalam aliran sosial yang ada. Hasilnya akan ditentukan oleh bagaimana jutaan mini-program beradaptasi dan bagaimana miliaran pengguna akhirnya mengadopsi perintah "bantu saya" ini dalam kehidupan digital mereka.

Kisah penutupan tiba-tiba Mythos oleh Claude mengungkap risiko kritis yang sering diabaikan oleh perusahaan rintisan: ketika kemampuan inti bisnis bergantung sepenuhnya pada platform eksternal, kendali atas kelangsungan hidup mereka berada di tangan pihak lain. Insiden ini memicu pertanyaan mendalam, bukan hanya tentang biaya, tetapi tentang siapa yang sebenarnya memiliki kecerdasan yang menjadi fondasi produk. Selama ini, penggunaan model AI "sewaan" seperti API dari lab-lab besar memang mempermudah dan terasa seperti infrastruktur. Namun, batasannya menjadi jelas: pihak penyedia bisa mengubah aturan, menaikkan biaya, atau bahkan menghentikan layanan kapan saja, seperti yang dialami Mythos. Maka, fokusnya bergeser dari sekadar biaya ke masalah kedaulatan. Alternatifnya adalah "memiliki" kecerdasan. Ini dilakukan dengan memulai dari model sumber terbuka yang kuat, lalu melatihnya ulang (*fine-tuning*) secara mendalam menggunakan data, alur kerja, dan pengetahuan khusus bidang perusahaan itu sendiri. Dengan pendekatan ini, model berubah dari generik menjadi aset unik yang mencerminkan nilai bisnis inti. Keunggulannya adalah kontrol penuh dan ketahanan. Masa depan AI tidak akan didominasi oleh satu model "terdepan" tunggal. Akan ada banyak "batas depan": model generik dari lab besar, model yang disesuaikan dengan pengetahuan perusahaan, model khusus untuk masalah sempit, serta sistem yang mengarahkan permintaan ke kumpulan model terbaik. Perusahaan yang unggul adalah yang mampu mengubah kecerdasan menjadi aset khusus mereka sendiri.

Tahun 2026 disebut sebagai era aplikasi AI. Kode dibuat semakin cepat, namun dengan pengawasan yang semakin sedikit saat diterapkan. Risiko dari kode yang ditulis AI sering kali tersembunyi dalam kode yang tampak benar secara sintaksis dan melewati semua pemeriksaan, tetapi dapat menyebabkan kebocoran data atau kerugian aset. Contoh nyata adalah insiden konfigurasi oracle cbETH Moonwell, di mana kesalahan semantik dalam harga melewati proses pengembangan dan pemeriksaan, mengakibatkan kerugian finansial yang signifikan. Risiko pengkodean AI telah berevolusi dari pelengkap lokal ke agen yang dapat membaca file, mengubah konfigurasi, menginstal dependensi, dan menghasilkan skrip infrastruktur, sehingga menciptakan jalur risiko yang lebih panjang dan sulit dilacak dalam rekayasa perangkat lunak. Untuk mengatasi masalah ini, Narwhal-Lab Universitas Peking meluncurkan proyek sumber terbuka **Narwhal AI Code Risks**. Proyek ini mengumpulkan dan mengkategorikan fragmen informasi risiko yang tersebar ke dalam tiga lapisan: `cases/` (peristiwa nyata), `inferred/` (sinyal awal), dan `scenarios/` (skenario risiko tipikal). Risiko diklasifikasikan menjadi 7 kategori: Rantai Pasok, Kerentanan Tingkat Kode, Konfigurasi Cloud & Infrastruktur, Risiko Agen, Risiko Domain Vertikal, Risiko Kekayaan Intelektual & Kepatuhan, serta Faktor Manusia. Tujuan proyek ini adalah untuk mengubah kasus risiko menjadi pengetahuan yang dapat digunakan kembali, membantu pengembang mengidentifikasi masalah serupa, menjadi basis sampel bagi peneliti keamanan, serta menyediakan aturan deteksi dan tolok ukur bagi vendor alat. Dengan menyediakan "log pelayaran" sumber terbuka untuk dunia perangkat lunak, proyek ini bertujuan untuk mencatat dan meneruskan pengalaman, sehingga pihak lain tidak perlu terjebak dalam perangkap yang sama.

Selama dua minggu terakhir, saya menggunakan "Vibe Coding" (memerintahkan AI seperti Codex, Claude Code, dan DeepSeek untuk menulis kode berdasarkan bahasa alami) untuk membangun workstation investasi pribadi. Saya membuat empat alat kecil yang berguna: 1. **Panel Aset Lintas Pasar:** Dashboard lokal untuk melihat sekilas semua portofolio saya (saham AS, Crypto, saham HK, saham A) dalam satu halaman, dilengkapi dengan pemantauan pergerakan harga dan ringkasan keuntungan/kerugian harian. 2. **Pemantau Taruhan Pasar Prediksi (PM):** Dasbor untuk memusatkan dan memantau taruhan di pasar prediksi (misalnya, tentang valuasi perusahaan atau peristiwa makro), menghubungkan perubahan probabilitas dengan berita dan pergerakan pasar, serta mengurutkannya berdasarkan keyakinan saya. 3. **Backend Operasi Kecil:** Alat berbasis cloud (dihosting di GitHub + Vercel) untuk mengelola ide penulisan, kemajuan artikel, dan jadwal publikasi di berbagai platform. 4. **Alat Format Satu Klik:** Skrip sederhana untuk secara otomatis memformat satu naskah ke dalam gaya yang diperlukan oleh berbagai platform media, menghemat waktu. Intinya, AI mengubah cara penelitian investasi untuk orang biasa dengan sangat mengurangi hambatan teknis. Sekarang, kita dapat dengan cepat membuat prototipe sistem dasar sesuai kebutuhan pribadi, seperti sistem pengamatan aset, pemantauan sinyal, peta hubungan sektor (misalnya, untuk melacak aliran dana di sektor AI), dan sistem tinjauan ulang. Siklus "ide - implementasi - penggunaan - umpan balik - revisi" menjadi sangat cepat, memungkinkan kita secara bertahap mengumpulkan alat yang berguna tanpa harus menjadi ahli pemrograman. Perubahan ini memungkinkan eksekusi ide yang sebelumnya tertunda.

Jika Kecerdasan Buatan Umum (AGI) tercapai, apakah itu titik akhir? Tim Google DeepMind dalam laporan terbarunya berpendapat bahwa AGI **bukanlah akhir perjalanan**. AI diprediksi akan terus berkembang melampaui kemampuan tim ahli manusia terbaik, menuju Superintelligence (ASI). Laporan ini membedakan tiga konsep: AGI (kecerdasan setara manusia rata-rata), ASI (melampaui manusia di hampir semua bidang), dan UAI (batas teoretis maksimal). Transisi dari AGI ke ASI dapat melalui empat jalur potensial: 1. **Ekspansi Lanjutan**: Meningkatkan skala komputasi, model, dan data. 2. **Inovasi Algoritma**: Penyempurnaan paradigma yang ada atau pergeseran paradigma baru. 3. **Peningkatan Diri Secara Rekursif**: AI yang lebih kuat membantu mengembangkan generasi AI berikutnya yang lebih kuat. 4. **Koordinasi Multi-Agen**: Kecerdasan kolektif dari banyak sistem AGI yang berkolaborasi. Namun, terdapat enam kemacetan potensial: dinding data, tekanan sumber daya ekonomi & alam, batasan paradigma jaringan saraf saat ini, meningkatnya kesulitan penelitian, hambatan abstraksi, serta tantangan regulasi dan penerimaan sosial. Laporan ini juga menyoroti bahwa jika AI melampaui manusia, sistem evaluasi (benchmark) yang ada menjadi tidak relevan. Diperlukan kerangka pengukuran baru, seperti tugas kolaborasi/kompetisi multi-agen, pengujian yang dihasilkan otomatis, atau indikator tidak langsung seperti produktivitas ekonomi. ASI bukanlah sistem ajaib yang mahatahu; perkembangannya tetap dibatasi oleh hukum fisika, kompleksitas komputasi, data, sumber daya, dan umpan balik dunia nyata. Arah dan kecepatan kemajuan AI masih penuh ketidakpastian, sehingga memerlukan penelitian, prediksi, dan mekanisme evaluasi yang terus diperbarui.