AI Mulai Membangun Generasi AI Berikutnya
Gemini 4 Neon dari Google serta GPT-6.2 Astra dan Sol dari OpenAI bersaing dalam hal yang lebih dari sekadar kecerdasan model. Keduanya berupaya menyelesaikan tugas dengan lebih baik, menggunakan lebih sedikit token dan biaya yang lebih rendah.
Namun, perkembangan yang lebih berdampak ada dalam kartu sistem baru OpenAI.
GPT-6.2 Astra adalah model pertama yang dirilis secara eksternal dan dinilai OpenAI mencapai ambang Tinggi untuk kemampuan AI dalam meningkatkan dirinya sendiri. Evaluasi internal menunjukkan bahwa model ini dapat menghemat 42,9% waktu pelatihan dasar dalam tugas pelatihan model kecil dan menutup 74,8% kesenjangan kinerja dalam tugas pascapelatihan.
Ini bukan peningkatan diri rekursif yang otonom. Peneliti manusia tetap menetapkan tujuan, memilih gagasan, dan menilai hasil.
Mark Chen dan John Schulman menyebut hambatan yang tersisa sebagai intuisi riset: mengetahui gagasan mana yang penting, bukan sekadar menjalankan eksperimen dengan lebih cepat.
Tesis saya: riset AI itu sendiri menjadi sumber baru permintaan komputasi—dan pengganda produktivitas yang baru.
Ukuran keberhasilan ekonominya bukanlah jumlah token yang dihasilkan atau eksperimen yang dijalankan. Ukurannya adalah biaya untuk menghasilkan peningkatan kemampuan model yang terverifikasi.
Seiring riset makin terotomatisasi, evaluasi independen, reproduktibilitas, dan pengawasan menjadi semakin bernilai, bukan sebaliknya.
Siklus AI berikutnya mungkin akan digerakkan oleh sistem yang membantu membangun penerusnya. Namun, kemampuan untuk memverifikasi peningkatan tersebut akan menentukan seberapa cepat siklus itu dapat berkembang secara aman.
#stocks
$GOOGL.US
Gemini 4 Neon dari Google serta GPT-6.2 Astra dan Sol dari OpenAI bersaing dalam hal yang lebih dari sekadar kecerdasan model. Keduanya berupaya menyelesaikan tugas dengan lebih baik, menggunakan lebih sedikit token dan biaya yang lebih rendah.
Namun, perkembangan yang lebih berdampak ada dalam kartu sistem baru OpenAI.
GPT-6.2 Astra adalah model pertama yang dirilis secara eksternal dan dinilai OpenAI mencapai ambang Tinggi untuk kemampuan AI dalam meningkatkan dirinya sendiri. Evaluasi internal menunjukkan bahwa model ini dapat menghemat 42,9% waktu pelatihan dasar dalam tugas pelatihan model kecil dan menutup 74,8% kesenjangan kinerja dalam tugas pascapelatihan.
Ini bukan peningkatan diri rekursif yang otonom. Peneliti manusia tetap menetapkan tujuan, memilih gagasan, dan menilai hasil.
Mark Chen dan John Schulman menyebut hambatan yang tersisa sebagai intuisi riset: mengetahui gagasan mana yang penting, bukan sekadar menjalankan eksperimen dengan lebih cepat.
Tesis saya: riset AI itu sendiri menjadi sumber baru permintaan komputasi—dan pengganda produktivitas yang baru.
Ukuran keberhasilan ekonominya bukanlah jumlah token yang dihasilkan atau eksperimen yang dijalankan. Ukurannya adalah biaya untuk menghasilkan peningkatan kemampuan model yang terverifikasi.
Seiring riset makin terotomatisasi, evaluasi independen, reproduktibilitas, dan pengawasan menjadi semakin bernilai, bukan sebaliknya.
Siklus AI berikutnya mungkin akan digerakkan oleh sistem yang membantu membangun penerusnya. Namun, kemampuan untuk memverifikasi peningkatan tersebut akan menentukan seberapa cepat siklus itu dapat berkembang secara aman.
#stocks
$GOOGL.US