Apakah kamu sering melihat beberapa kata benda yang aneh, beberapa konsep yang asing—misalnya naked long/short yang terbuka, arbitrase funding fee, dan sebagainya? Hasil yang kamu temukan lewat mesin pencari AI kadang benar-benar berbeda. Hari ini, dari sudut pandang akademis, saya akan mengajari kamu cara memahami dan membaca konsep serta metode dalam dunia crypto. Menjadikan orang tahu caranya menangkap ikan
Mari kita mulai dari sudut pandang sumber informasi. Seiring dengan meledaknya model-model besar seperti GPT, DeepSeek GLM, dll, akses orang biasa terhadap informasi menjadi sangat luas. Namun ada fenomena menarik: semakin mudah informasi didapat, kita justru semakin cemas karena tidak tahu harus mencari ke mana. Masalahnya ada di mana? Dua poin nyeri utama👇
❗️Halusinasi AI
Pada dasarnya, model besar adalah mesin prediksi probabilistik. Jika data pelatihan tidak cukup atau masalah berada di luar batas, ia akan dengan percaya diri menciptakan literatur, data, dan kesimpulan yang tampak masuk akal, padahal sebenarnya tidak ada.
❗️Rasio informasi terhadap noise terlalu rendah
Informasi berlimpah datang bertubi-tubi, namun tidak bisa membedakan mana yang otoritatif dan mana yang sekadar noise. Ini persis sama seperti dalam ilmu kognitif: pilihan terlalu banyak—seperti tumpukan beberapa buku latihan di meja belajar SMP/SMA kamu, tapi kamu tidak tahu harus mulai dari yang mana?
Pertama bahas solusi: retrieval augmented generation (RAG) + validasi silang multi-agent
Inti idenya sebenarnya sejalan dengan arah utama di komunitas akademik untuk mengatasi halusinasi—biarkan model menjawab hanya berdasarkan sumber yang tepercaya.
Alat: Google NotebookLM
Kenapa memilih NotebookLM? Karena apa pun materi yang kamu unggah, ia hanya akan menjawab berdasarkan materi-materi itu. Intinya adalah sistem RAG ringan; dari sisi arsitektur, ia membatasi ruang gerak model, sehingga secara besar menurunkan peluang halusinasi.
🔬 Workflow (lampiran template prompt)
Langkah 1 · Tentukan arah penelitian, kumpulkan kumpulan literatur klasik (classic literature pool) dengan alat AI apa pun, masukkan prompt:
"Dalam [bidang/konsep tertentu], apa 10 karya literatur klasik dengan sitasi tertinggi"
Langkah 2 · Unduh literatur
Unduh karya-karya tersebut melalui Google Scholar.
Langkah 3 · Unggah ke NotebookLM (untuk menyederhanakan, selanjutnya disebut NLM)
Unggah literatur ke NLM, bangun basis pengetahuan pribadimu.
Langkah 4 · Ajukan pertanyaan silang ke banyak AI, ciptakan debat akademik
Ajukan pertanyaan kepada beberapa AI sekaligus (seperti mekanisme sinkronisasi multi-agent dari tim ahli WorkBuddy), agar model yang berbeda menjawab dari sudut pandang yang berbeda:
"Untuk konsep ini, apa kerangka dasar di level akademisi dan di level industri masing-masing? Apa saja kontroversi inti yang ada?"
💡 Mengapa perlu banyak AI? Satu model saja punya kekurangannya; validasi silang oleh banyak model bisa secara efektif mengungkap celah buta masing-masing, mirip logika peer review sejawat di bidang akademik.
Langkah 5 · Umpankan kontroversi itu ke NLM lagi, lalu lakukan verifikasi pada literatur asli: ringkas perselisihan dan kontroversi yang terpapar pada langkah sebelumnya, kemudian lempar kembali ke NLM untuk ditanya:
"Berdasarkan literatur yang telah diunggah, apa inti dari kontroversi ini? Bagaimana literatur menanggapi?"
——Gunakan NLM untuk menjadi penentu perselisihan antara AI
Langkah 6 · Minta AI memperluas analisis atas jawaban NLM
Setelah mendapatkan jawaban berbasis literatur dari NLM, berikan lagi kepada AI:
"Sebutkan keterbatasan pandangan di atas dan potensi masalah logisnya. Berdasarkan keterbatasan ini, arah penelitian apa saja yang bisa dikembangkan?"
🔄 Closed loop: iterasikan sampai kamu benar-benar paham
Langkah 4→5→6 lakukan berulang, setiap putaran akan:
Mengungkap celah kognitif baru, memperluas sudut pandang baru
Pada artikel berikutnya, saya akan membawa kalian menganalisis secara mendalam naskah ucapan dari pendiri DeepSeek yang baru-baru ini sedang meledak. Kita lempar batu tanya arah, lalu ajarkan cara memanfaatkan AI dengan lebih baik dalam kehidupan kita.
—Kalau kamu merasa artikel ini bermanfaat atau memberi inspirasi, semoga kamu bisa memberi like dan follow. Tapi membantu teman-teman sejawat juga adalah kebahagiaan saya sendiri.