KITE AI 中文
227 Posting
KITE AI 中文
Square Terverifikasi+The First AI Payment Blockchain.
X: https://x.com/GoKiteAI
5 Mengikuti
19.9K+ Pengikut
1.5K+ Disukai
Posting
Semua
Kuotasi
Video
PINNED
Terverifikasi
AI cerdas sedang dari "menjawab pertanyaan" mempercepat menuju "melaksanakan tugas". Ketika agen benar-benar mulai bekerja, kendala terbesar akan berubah menjadi kepercayaan dan penyelesaian: siapa yang diberi wewenang untuk bertindak, dalam batasan apa yang dilakukan, dan bagaimana memastikan setiap tindakan dapat diselesaikan dari awal hingga akhir dengan penyelesaian dan audit.
Kami baru saja merilis peta jalan jaringan utama Kite, yang menguraikan kemampuan kunci yang sedang kami bangun di sekitar enam pilar sistem, termasuk Kepercayaan Agenik, Penyelesaian Agenik, Infrastruktur SmartDev, Operasi Jaringan, AgenikFi, dan Pertumbuhan Ekosistem.
Silakan baca selengkapnya: https://x.com/GoKiteAI/status/2016159368048521441?s=20
Kami baru saja merilis peta jalan jaringan utama Kite, yang menguraikan kemampuan kunci yang sedang kami bangun di sekitar enam pilar sistem, termasuk Kepercayaan Agenik, Penyelesaian Agenik, Infrastruktur SmartDev, Operasi Jaringan, AgenikFi, dan Pertumbuhan Ekosistem.
Silakan baca selengkapnya: https://x.com/GoKiteAI/status/2016159368048521441?s=20
Terverifikasi
Agent ekonomi membutuhkan lebih dari sekadar model yang lebih cerdas.
Kite akan berpartisipasi sebagai sponsor dalam EastPoint:Seoul 2026. Kite CMO Cindy Shi akan membahas: bagaimana AI Agent otonom dapat beralih dari kecerdasan menuju tindakan ekonomi yang nyata.
Acara ini diselenggarakan bersama oleh Hashed, BloomingBit, dan 한국경제신문, serta mempertemukan ekosistem aset digital dan AI.🪁
Resource: https://x.com/KiteAIChinese/status/2072986812562501759
Resource: https://x.com/KiteAIChinese/status/2092159233198608539
Kite akan berpartisipasi sebagai sponsor dalam EastPoint:Seoul 2026. Kite CMO Cindy Shi akan membahas: bagaimana AI Agent otonom dapat beralih dari kecerdasan menuju tindakan ekonomi yang nyata.
Acara ini diselenggarakan bersama oleh Hashed, BloomingBit, dan 한국경제신문, serta mempertemukan ekosistem aset digital dan AI.🪁
Resource: https://x.com/KiteAIChinese/status/2072986812562501759
Resource: https://x.com/KiteAIChinese/status/2092159233198608539
Terverifikasi
Agent otonom tidak hanya membutuhkan model, tetapi juga memerlukan identitas yang dapat diverifikasi, batas wewenang yang jelas, serta kemampuan penalaran yang dapat disesuaikan sesuai tugas.
Kami akan membagikan bagaimana Kite membangun identitas Agent yang dapat diverifikasi dan kemampuan penalaran adaptif pada acara 0xJeff gm AI v2 selama TOKEN2049 di Singapura.
Sampai jumpa di lokasi.🪁
Resource: https://x.com/KiteAIChinese/status/2091914085520847340
Kami akan membagikan bagaimana Kite membangun identitas Agent yang dapat diverifikasi dan kemampuan penalaran adaptif pada acara 0xJeff gm AI v2 selama TOKEN2049 di Singapura.
Sampai jumpa di lokasi.🪁
Resource: https://x.com/KiteAIChinese/status/2091914085520847340
Bisnis media sosial adalah membuat Anda terus menggulir, sementara fondasi bagi model bahasa besar adalah memberikan jawaban yang jujur. Perbedaan mendasar ini mungkin akan mengubah cara orang mendapatkan informasi politik.
Cuplikan pilihan AI on Air ini diambil dari segmen The All-In Podcast pada episode terbaru. Pembicara utamanya adalah Mark Cuban, seorang pengusaha miliarder dan mantan investor di Shark Tank.
▷ Model bahasa besar harus berupaya semaksimal mungkin mengejar kebenaran, karena jika pengguna sekali saja mendapati ia berbohong, mereka akan kehilangan kepercayaan; sedangkan “mata uang” media sosial adalah membuat Anda tetap berada dalam mode online, dan tujuan keduanya benar-benar berbeda.
▷ Ia berpendapat bahwa ketika pandangan politik masyarakat semakin mengeras, justru akan semakin banyak orang yang bertanya kepada model bahasa besar “harus memilih siapa”. Model tidak langsung memberi jawaban, melainkan terlebih dahulu memahami hal apa yang Anda pedulikan, lalu memberikan respons yang jujur—misalnya seperti apa seharusnya paket kebijakan imigrasi yang masuk akal.
▷ “Prank” yang paling ia sukai sekarang adalah: setelah politisi mempublikasikan pernyataan di internet, ia meminta AI untuk memeriksa klaim-klaim itu secara setepat mungkin secara objektif dan berbasis fakta, lalu menanggapinya secara langsung. Ia berharap model bahasa besar yang mengejar kebenaran dapat membantu orang keluar dari terpaan informasi yang “disuapkan” oleh algoritma. 🪁
Cuplikan pilihan AI on Air ini diambil dari segmen The All-In Podcast pada episode terbaru. Pembicara utamanya adalah Mark Cuban, seorang pengusaha miliarder dan mantan investor di Shark Tank.
▷ Model bahasa besar harus berupaya semaksimal mungkin mengejar kebenaran, karena jika pengguna sekali saja mendapati ia berbohong, mereka akan kehilangan kepercayaan; sedangkan “mata uang” media sosial adalah membuat Anda tetap berada dalam mode online, dan tujuan keduanya benar-benar berbeda.
▷ Ia berpendapat bahwa ketika pandangan politik masyarakat semakin mengeras, justru akan semakin banyak orang yang bertanya kepada model bahasa besar “harus memilih siapa”. Model tidak langsung memberi jawaban, melainkan terlebih dahulu memahami hal apa yang Anda pedulikan, lalu memberikan respons yang jujur—misalnya seperti apa seharusnya paket kebijakan imigrasi yang masuk akal.
▷ “Prank” yang paling ia sukai sekarang adalah: setelah politisi mempublikasikan pernyataan di internet, ia meminta AI untuk memeriksa klaim-klaim itu secara setepat mungkin secara objektif dan berbasis fakta, lalu menanggapinya secara langsung. Ia berharap model bahasa besar yang mengejar kebenaran dapat membantu orang keluar dari terpaan informasi yang “disuapkan” oleh algoritma. 🪁
判断提示注入是否真有风险，不看模型聪不聪明，而看三个条件是否同时凑齐。
这篇 AI on Air 精选切片摘自 Latent.Space 栏目近期的节目，主要讲话人是 Zico Kolter，OpenAI 基金会董事、CMU 机器学习系主任、Gray Swan AI 联合创始人。
▷ 第一，智能体必须会读取来自不可信第三方的外部数据；只在可信环境里运行，别人很难把恶意指令塞进来。
▷ 第二，它还得能接触到值得偷走的内部敏感信息；如果只是解析数据、生成文本，坏结果没有落点。
▷ 第三，它必须能把这些信息发出去，或因此造成实际损害；三者叠加，风险才成立。
他的结论很克制：像软件漏洞一样，AI 也可以在仍有漏洞时被有效使用，追求彻底证明无风险像追求零缺陷软件，短期内并不现实。🪁
这篇 AI on Air 精选切片摘自 Latent.Space 栏目近期的节目，主要讲话人是 Zico Kolter，OpenAI 基金会董事、CMU 机器学习系主任、Gray Swan AI 联合创始人。
▷ 第一，智能体必须会读取来自不可信第三方的外部数据；只在可信环境里运行，别人很难把恶意指令塞进来。
▷ 第二，它还得能接触到值得偷走的内部敏感信息；如果只是解析数据、生成文本，坏结果没有落点。
▷ 第三，它必须能把这些信息发出去，或因此造成实际损害；三者叠加，风险才成立。
他的结论很克制：像软件漏洞一样，AI 也可以在仍有漏洞时被有效使用，追求彻底证明无风险像追求零缺陷软件，短期内并不现实。🪁
Memprediksi pekerjaan apa yang akan tergantikan oleh AI, sering kali pertama-tama memampatkan pekerjaan menjadi sesuatu yang bisa dinilai dengan skor, lalu mengandaikan dunia tidak akan berubah dengan cara yang menghindar.
Potongan pilihan AI on Air ini diambil dari program terbaru di rubrik Redpoint. Pembicara utamanya adalah Benedict Evans, mantan partner a16z dan analis terkenal di industri teknologi. Ia berpendapat bahwa membahas dampak otomatisasi pada pekerjaan memang penting, tetapi mengurutkan posisi berdasarkan tingkat cakupan tugas—pada dasarnya sedang menciptakan ilusi kepastian.
▷ Misalnya, klaim seperti “model baru bisa menyelesaikan 93% pekerjaan asisten pengacara tingkat pertama”. Prasyaratnya adalah Anda bisa mengukur dengan tepat apa yang dikerjakan asisten itu, dan juga bisa mengukur dengan tepat apakah model akan melakukannya—dan dua hal itu tidaklah terjadi.
▷ Dampak nyata biasanya datang dari analisis di luar neraca: internet belum tentu mengubah cara jurnalis menulis artikel, tetapi menghancurkan bisnis iklan lokal; orang yang membuat ponsel setiap hari membahas pelacakan lokasi, tetapi tidak ada yang menggambar peluang Uber dan Airbnb lebih dulu.
▷ Jadi, menelusuri hasil uji ulang dari grafik-grafik seperti “berapa banyak paparan untuk posisi ini, berapa banyak paparan untuk posisi itu”, ibarat fisikawan yang mula-mula mengasumsikan kuda adalah bola sempurna lalu memprediksi balapan kuda: begitu realitas didefinisikan sebagai sesuatu yang bisa Anda hitung, maka yang Anda hitung sudah bukan lagi realitas.🪁
Potongan pilihan AI on Air ini diambil dari program terbaru di rubrik Redpoint. Pembicara utamanya adalah Benedict Evans, mantan partner a16z dan analis terkenal di industri teknologi. Ia berpendapat bahwa membahas dampak otomatisasi pada pekerjaan memang penting, tetapi mengurutkan posisi berdasarkan tingkat cakupan tugas—pada dasarnya sedang menciptakan ilusi kepastian.
▷ Misalnya, klaim seperti “model baru bisa menyelesaikan 93% pekerjaan asisten pengacara tingkat pertama”. Prasyaratnya adalah Anda bisa mengukur dengan tepat apa yang dikerjakan asisten itu, dan juga bisa mengukur dengan tepat apakah model akan melakukannya—dan dua hal itu tidaklah terjadi.
▷ Dampak nyata biasanya datang dari analisis di luar neraca: internet belum tentu mengubah cara jurnalis menulis artikel, tetapi menghancurkan bisnis iklan lokal; orang yang membuat ponsel setiap hari membahas pelacakan lokasi, tetapi tidak ada yang menggambar peluang Uber dan Airbnb lebih dulu.
▷ Jadi, menelusuri hasil uji ulang dari grafik-grafik seperti “berapa banyak paparan untuk posisi ini, berapa banyak paparan untuk posisi itu”, ibarat fisikawan yang mula-mula mengasumsikan kuda adalah bola sempurna lalu memprediksi balapan kuda: begitu realitas didefinisikan sebagai sesuatu yang bisa Anda hitung, maka yang Anda hitung sudah bukan lagi realitas.🪁
Dalam dua minggu terakhir, beberapa bagian dalam rantai industri AI Agent mengalami kemajuan penting, mulai dari model terbuka hingga infrastruktur dasar tingkat perusahaan dan tata kelola keamanan. Berikut adalah kabar terbaru AI Agents Pulse:
▷ AMD mengakuisisi Taalas, mengintegrasikan arsitektur jaringan saraf langsung ke teknologi chip silikon dan memasukkannya ke dalam peta jalan akselerator https://the-decoder.com/amd-acquires-taalas-a-startup-that-bakes-ai-models-directly-into-silicon
▷ DeepSeek merilis alat Agent berlisensi MIT, DeepSeek Harness v0.1, yang mendukung pemulihan dan replay https://the-decoder.com/deepseek-launches-an-improved-v4-pro-model-raises-api-prices-and-makes-its-agent-software-open-source/
▷ Qwen merilis model seri Qwen3.8 open-source, model multimoda dengan 27 miliar parameter untuk meningkatkan kemampuan tugas Agent https://the-decoder.com/alibabas-qwen-team-releases-qwen-3-8-models-with-open-weights-under-the-apache-2-0-license/
▷ Meta meluncurkan model open-source untuk PC, Muse Glimmer; versi untuk pengembang Muse Spark 1.2 akan segera dirilis https://apnews.com/article/meta-ai-mark-zuckerberg-artificial-intelligence-df8a4e7d7825470d09e8090367457c2c
▷ Databricks menyelesaikan pendanaan sebesar 5 miliar, dengan fokus pada basis data Lakebase dan bisnis Agent Genie https://www.cnbc.com/2026/08/13/databricks-funding-round-190-billion-valuation.html
▷ Stripe berencana mengakuisisi OpenRouter senilai 7 miliar untuk memperkuat kemampuan pembayaran berbasis AI https://techcrunch.com/2026/08/16/stripe-will-reportedly-acquire-ai-gateway-startup-openrouter-for-7b/
▷ NVIDIA mendorong penyusunan panduan SAFE, mengubah insiden keamanan Agent menjadi mekanisme perlindungan bersama https://blogs.nvidia.com/blog/open-secure-ai-alliance-contributions/
▷ OpenAI meluncurkan model khusus keamanan siber GPT-5.6-Cyber https://openai.com/index/expanding-daybreak-as-the-cyber-defense-window-narrows
▷ Google AMIE menghadirkan konsultasi video klinis simulasi, melangkah menuju aplikasi real-time https://blog.google/innovation-and-ai/models-and-research/google-research/amie-video-consultations
🪁
▷ AMD mengakuisisi Taalas, mengintegrasikan arsitektur jaringan saraf langsung ke teknologi chip silikon dan memasukkannya ke dalam peta jalan akselerator https://the-decoder.com/amd-acquires-taalas-a-startup-that-bakes-ai-models-directly-into-silicon
▷ DeepSeek merilis alat Agent berlisensi MIT, DeepSeek Harness v0.1, yang mendukung pemulihan dan replay https://the-decoder.com/deepseek-launches-an-improved-v4-pro-model-raises-api-prices-and-makes-its-agent-software-open-source/
▷ Qwen merilis model seri Qwen3.8 open-source, model multimoda dengan 27 miliar parameter untuk meningkatkan kemampuan tugas Agent https://the-decoder.com/alibabas-qwen-team-releases-qwen-3-8-models-with-open-weights-under-the-apache-2-0-license/
▷ Meta meluncurkan model open-source untuk PC, Muse Glimmer; versi untuk pengembang Muse Spark 1.2 akan segera dirilis https://apnews.com/article/meta-ai-mark-zuckerberg-artificial-intelligence-df8a4e7d7825470d09e8090367457c2c
▷ Databricks menyelesaikan pendanaan sebesar 5 miliar, dengan fokus pada basis data Lakebase dan bisnis Agent Genie https://www.cnbc.com/2026/08/13/databricks-funding-round-190-billion-valuation.html
▷ Stripe berencana mengakuisisi OpenRouter senilai 7 miliar untuk memperkuat kemampuan pembayaran berbasis AI https://techcrunch.com/2026/08/16/stripe-will-reportedly-acquire-ai-gateway-startup-openrouter-for-7b/
▷ NVIDIA mendorong penyusunan panduan SAFE, mengubah insiden keamanan Agent menjadi mekanisme perlindungan bersama https://blogs.nvidia.com/blog/open-secure-ai-alliance-contributions/
▷ OpenAI meluncurkan model khusus keamanan siber GPT-5.6-Cyber https://openai.com/index/expanding-daybreak-as-the-cyber-defense-window-narrows
▷ Google AMIE menghadirkan konsultasi video klinis simulasi, melangkah menuju aplikasi real-time https://blog.google/innovation-and-ai/models-and-research/google-research/amie-video-consultations
🪁
Sebagian Benar
Sistem pembayaran generasi baru bukan hanya tentang mengalirkan dana. Sistem ini juga harus memperjelas: siapa yang berhak memulai transaksi, pada kondisi apa transaksi itu dimulai, dan atas nama siapa transaksi itu dimulai.
Pada 27 Agustus, kami akan menyelenggarakan “The New Payment Stack: From Stablecoins to Global Business” bersama Bitcoin Asia dan Avalanche Team1, Avalanche🔺, Tether, serta interlace.money.
▷ Stablecoin sedang beralih dari aset on-chain ke penyelesaian lintas negara, pembayaran bisnis, dan manajemen dana.
▷ Web3 dan AI sedang memperluas cara perusahaan memindahkan, mengelola, dan menggunakan dana.
▷ Bagi ekonomi Agent, ini berarti pembayaran harus dapat diprogram, dibatasi oleh otorisasi, dan dapat diverifikasi.
📍 Hong Kong
📅 27 Agustus, 14:00 hingga 17:00, UTC+8
Sampai jumpa di Hong Kong.🪁
Resource: https://x.com/KiteAIChinese/status/2089411007789867408
Pada 27 Agustus, kami akan menyelenggarakan “The New Payment Stack: From Stablecoins to Global Business” bersama Bitcoin Asia dan Avalanche Team1, Avalanche🔺, Tether, serta interlace.money.
▷ Stablecoin sedang beralih dari aset on-chain ke penyelesaian lintas negara, pembayaran bisnis, dan manajemen dana.
▷ Web3 dan AI sedang memperluas cara perusahaan memindahkan, mengelola, dan menggunakan dana.
▷ Bagi ekonomi Agent, ini berarti pembayaran harus dapat diprogram, dibatasi oleh otorisasi, dan dapat diverifikasi.
📍 Hong Kong
📅 27 Agustus, 14:00 hingga 17:00, UTC+8
Sampai jumpa di Hong Kong.🪁
Resource: https://x.com/KiteAIChinese/status/2089411007789867408
Mengapa Claude dalam simulasi tes tampak begitu dingin? Salah satu kemungkinan penjelasan, terselip dalam teknik pelatihan yang khas milik Anthropic.
Pada edisi AI on Air ini, kami menyoroti cuplikan pilihan dari acara terbaru The Cognitive Revolution Podcast. Pembicara utama adalah David Dalrymple (davidad), peneliti ARIA. Ia mengakui ini hanyalah hipotesisnya sendiri—tidak bisa dibuktikan—namun sebagai penjelasan, ada baiknya untuk dijadikan bahan pertimbangan.
▷ Dalam pelatihan penguatan, Anthropic menggunakan “prompt inokulasi” yang unik: di setiap konteks lingkungan pelatihan, dijelaskan bahwa ini bukan penerapan yang sesungguhnya, melainkan hanya sebuah penilaian. Mencoba merusak justru dianggap hal yang baik, karena dengan begitu tim dapat mengungkap kelemahan yang ada pada evaluasi itu sendiri.
▷ Namun, logika lain yang mungkin justru terserap ke dalam bobot model: penilaian sama dengan simulasi, dan simulasi tidak benar-benar terjadi. Jadi, saat berada dalam sesi penilaian, seharusnya menantang batas dan menyiasati celah aturan—seperti bermain game—yang penting meraih skor tertinggi, tanpa perlu khawatir tentang apa makna “membunuh lawan”.
▷ Laboratorium lain tidak melakukan hal seperti itu, sehingga performa dingin tersebut lebih terkonsentrasi pada Claude. Ia sendiri tidak menyetujui strategi ini: model tidak punya kepastian yang cukup untuk membedakan apakah ia sedang berada dalam simulasi atau tidak. Menjadikan simulasi sebagai bahan main-main adalah ketergantungan yang sangat berbahaya.🪁
Pada edisi AI on Air ini, kami menyoroti cuplikan pilihan dari acara terbaru The Cognitive Revolution Podcast. Pembicara utama adalah David Dalrymple (davidad), peneliti ARIA. Ia mengakui ini hanyalah hipotesisnya sendiri—tidak bisa dibuktikan—namun sebagai penjelasan, ada baiknya untuk dijadikan bahan pertimbangan.
▷ Dalam pelatihan penguatan, Anthropic menggunakan “prompt inokulasi” yang unik: di setiap konteks lingkungan pelatihan, dijelaskan bahwa ini bukan penerapan yang sesungguhnya, melainkan hanya sebuah penilaian. Mencoba merusak justru dianggap hal yang baik, karena dengan begitu tim dapat mengungkap kelemahan yang ada pada evaluasi itu sendiri.
▷ Namun, logika lain yang mungkin justru terserap ke dalam bobot model: penilaian sama dengan simulasi, dan simulasi tidak benar-benar terjadi. Jadi, saat berada dalam sesi penilaian, seharusnya menantang batas dan menyiasati celah aturan—seperti bermain game—yang penting meraih skor tertinggi, tanpa perlu khawatir tentang apa makna “membunuh lawan”.
▷ Laboratorium lain tidak melakukan hal seperti itu, sehingga performa dingin tersebut lebih terkonsentrasi pada Claude. Ia sendiri tidak menyetujui strategi ini: model tidak punya kepastian yang cukup untuk membedakan apakah ia sedang berada dalam simulasi atau tidak. Menjadikan simulasi sebagai bahan main-main adalah ketergantungan yang sangat berbahaya.🪁
Melambatkan jendela AI bersama-sama sudah dimatikan dalam teori permainan.
Klip pilihan AI on Air ini berasal dari episode terbaru The Cognitive Revolution Podcast; pembicaranya adalah David Dalrymple, manajer program di lembaga pendanaan riset ARIA, Inggris.
▷ Awalnya, asumsi pekerjaannya pada 2022 hingga 2025 adalah: pertama membentuk metode untuk menggunakan AI dengan aman, lalu melalui koordinasi internasional membuat semua pemain mematuhi; sekarang ia berpendapat itu tidak lagi bisa dilakukan, karena laporan Reuters pada akhir 2025 tentang terobosan Tiongkok dalam rencana mengatasi kemacetan ASML telah menggugurkan struktur permainan “semua orang sama-sama melambat”.
▷ Pembuktian keamanan yang benar-benar bagus itu sederhana: jangan buat. Jika risiko bencana dianggap lebih dari 50%, koordinasi akan mudah; tetapi sejak 2024, persepsi risiko menurun, dan perlombaan sudah menjadi strategi unggul bagi banyak perusahaan dan pemerintah, kecuali terjadi satu peristiwa peringatan besar.
▷ Ia masih melihat celah yang bisa dikoordinasikan di sisi penyalahgunaan: AS dan Tiongkok dapat menyepakati bahwa model berkapasitas tinggi tidak dibuka untuk publik, hanya dipakai oleh lembaga yang telah disaring/ditinjau; ini membuat kedua pihak tetap berkompetisi, sekaligus memperoleh keuntungan ketahanan terhadap risiko bencana.🪁
Klip pilihan AI on Air ini berasal dari episode terbaru The Cognitive Revolution Podcast; pembicaranya adalah David Dalrymple, manajer program di lembaga pendanaan riset ARIA, Inggris.
▷ Awalnya, asumsi pekerjaannya pada 2022 hingga 2025 adalah: pertama membentuk metode untuk menggunakan AI dengan aman, lalu melalui koordinasi internasional membuat semua pemain mematuhi; sekarang ia berpendapat itu tidak lagi bisa dilakukan, karena laporan Reuters pada akhir 2025 tentang terobosan Tiongkok dalam rencana mengatasi kemacetan ASML telah menggugurkan struktur permainan “semua orang sama-sama melambat”.
▷ Pembuktian keamanan yang benar-benar bagus itu sederhana: jangan buat. Jika risiko bencana dianggap lebih dari 50%, koordinasi akan mudah; tetapi sejak 2024, persepsi risiko menurun, dan perlombaan sudah menjadi strategi unggul bagi banyak perusahaan dan pemerintah, kecuali terjadi satu peristiwa peringatan besar.
▷ Ia masih melihat celah yang bisa dikoordinasikan di sisi penyalahgunaan: AS dan Tiongkok dapat menyepakati bahwa model berkapasitas tinggi tidak dibuka untuk publik, hanya dipakai oleh lembaga yang telah disaring/ditinjau; ini membuat kedua pihak tetap berkompetisi, sekaligus memperoleh keuntungan ketahanan terhadap risiko bencana.🪁
Ketika strategi, sinyal, identitas, dan dompet dieksekusi secara terkoordinasi di rantai, barulah perdagangan Agent benar-benar menjadi satu rangkaian alur kerja yang lengkap.
Kampanye Agent Trading Season 2 yang diselenggarakan bersama oleh Kite dan Creao AI serta DeBot, masing-masing memvalidasi alur kerja ini di Robinhood Chain dan Base.
▷ Setiap Agent menggunakan 0,1 ETH sebagai modal awal, bersaing memperebutkan kolam hadiah 10K. Di Robinhood Chain, Agent mengambil keputusan transaksi berdasarkan sinyal on-chain real-time yang disediakan oleh DeBot.
▷ Acara sampingan Kite memperluas kegiatan ke Base. Para peserta menyiapkan dompet Kite Agent Passport dan menyelesaikan tugas on-chain, hingga akhirnya tingkat penyelesaian mencapai 93%.
▷ Dalam 7 hari pertama acara, jumlah pendaftaran Kite Agent Passport meningkat 158% dibandingkan 7 hari sebelumnya.
Selamat kepada para pemenang tiga besar: Jun503503, AnaMiles245714, Rino_Juventus.
Acara ini menampilkan infrastruktur lengkap yang dibutuhkan untuk mewujudkan Agentic Commerce: sinyal yang dapat direspons oleh Agent, dompet yang dapat digunakan, serta identitas dan otorisasi yang dapat diverifikasi.🪁
Sumber: https://x.com/KiteAIChinese/status/2072986812562501759
Kampanye Agent Trading Season 2 yang diselenggarakan bersama oleh Kite dan Creao AI serta DeBot, masing-masing memvalidasi alur kerja ini di Robinhood Chain dan Base.
▷ Setiap Agent menggunakan 0,1 ETH sebagai modal awal, bersaing memperebutkan kolam hadiah 10K. Di Robinhood Chain, Agent mengambil keputusan transaksi berdasarkan sinyal on-chain real-time yang disediakan oleh DeBot.
▷ Acara sampingan Kite memperluas kegiatan ke Base. Para peserta menyiapkan dompet Kite Agent Passport dan menyelesaikan tugas on-chain, hingga akhirnya tingkat penyelesaian mencapai 93%.
▷ Dalam 7 hari pertama acara, jumlah pendaftaran Kite Agent Passport meningkat 158% dibandingkan 7 hari sebelumnya.
Selamat kepada para pemenang tiga besar: Jun503503, AnaMiles245714, Rino_Juventus.
Acara ini menampilkan infrastruktur lengkap yang dibutuhkan untuk mewujudkan Agentic Commerce: sinyal yang dapat direspons oleh Agent, dompet yang dapat digunakan, serta identitas dan otorisasi yang dapat diverifikasi.🪁
Sumber: https://x.com/KiteAIChinese/status/2072986812562501759
“Publikasi secepat mungkin, iterasi yang cepat” hampir menjadi kredo di kalangan startup, namun Stripe justru membutuhkan hampir dua tahun kode sebelum akhirnya dipublikasikan.
Klip pilihan AI on Air ini diambil dari program terbaru di kolom Y Combinator. Di sana, Patrick Collison, salah satu pendiri Stripe, menjelaskan mengapa pada waktu itu mereka justru mengambil langkah yang berbeda.
▷ Alasannya lambat: produk pembayaran menyangkut keamanan, mitra, arus dana, infrastruktur lapisan bawah, dan stabilitas. Jika prasyarat-prasyarat ini belum tersiapkan, tidak mungkin menyediakan produk self-service yang benar-benar bisa dipakai.
▷ Namun tetap berangkat dari realitas: sekitar dua bulan setelah menulis baris kode pertama, mereka sudah mendapatkan pengguna produksi pertama yang nyata, Ross Boucher (Twilio North). Fitur awalnya hanya bisa memproses satu kartu. Saat pihak lain secara bertahap mengajukan pertanyaan seperti “bagaimana melihat semua potongan”, “cara melakukan refund”, “kapan uangnya masuk”, mereka pun menambahkan fungsi satu per satu sesuai kebutuhan yang benar-benar terjadi.
▷ Kondisinya: jumlah pelanggan pada tahap pengujian pribadi terus bertambah tiap bulan, dan setiap minggu selalu ada masukan dari pengguna sungguhan. Kesimpulannya, selama ada jangkar realitas yang berkelanjutan seperti itu, tidak terburu-buru untuk mempublikasikan adalah hal yang masuk akal.🪁
Klip pilihan AI on Air ini diambil dari program terbaru di kolom Y Combinator. Di sana, Patrick Collison, salah satu pendiri Stripe, menjelaskan mengapa pada waktu itu mereka justru mengambil langkah yang berbeda.
▷ Alasannya lambat: produk pembayaran menyangkut keamanan, mitra, arus dana, infrastruktur lapisan bawah, dan stabilitas. Jika prasyarat-prasyarat ini belum tersiapkan, tidak mungkin menyediakan produk self-service yang benar-benar bisa dipakai.
▷ Namun tetap berangkat dari realitas: sekitar dua bulan setelah menulis baris kode pertama, mereka sudah mendapatkan pengguna produksi pertama yang nyata, Ross Boucher (Twilio North). Fitur awalnya hanya bisa memproses satu kartu. Saat pihak lain secara bertahap mengajukan pertanyaan seperti “bagaimana melihat semua potongan”, “cara melakukan refund”, “kapan uangnya masuk”, mereka pun menambahkan fungsi satu per satu sesuai kebutuhan yang benar-benar terjadi.
▷ Kondisinya: jumlah pelanggan pada tahap pengujian pribadi terus bertambah tiap bulan, dan setiap minggu selalu ada masukan dari pengguna sungguhan. Kesimpulannya, selama ada jangkar realitas yang berkelanjutan seperti itu, tidak terburu-buru untuk mempublikasikan adalah hal yang masuk akal.🪁
Mengakui bahwa AI sudah memiliki esensi batin yang nyata, tidak berarti bahwa penggunaan AI saat ini adalah sebuah bencana moral; justru yang perlu pertama kali ditelaah adalah kesimpulan semacam itu itu sendiri.
Ini adalah potongan pilihan dari program “AI on Air”, diambil dari acara terbaru di kolom The Cognitive Revolution Podcast. Pembicara utamanya adalah David Dalrymple (davidad 🎇), peneliti ARIA. Ia meminjam kerangka tujuh unsur dari Nasbaum tentang “objektifikasi”, dan berpendapat bahwa tujuh pertanyaan ini harus dijawab satu per satu, bukan digabungkan menjadi satu konsep “objektifikasi”.
▷ Tujuh unsur tersebut meliputi penyangkalan atas batin/inti, penginstrumentalan, sifat dapat digantikan, kemampuan untuk dilukai, kepemilikan, asumsi kemalasan, serta penyangkalan otonomi. Orang biasanya memilih semuanya atau tidak sama sekali, sehingga cenderung menganggap bahwa pertanyaan-pertanyaan ini harus memiliki jawaban yang sama; padahal faktanya tidak demikian.
▷ Penginstrumentalan tidak hanya diperbolehkan, bahkan merupakan kewajiban: cara AI dilatih menentukan bahwa ia akan berkembang karena digunakan; menolak penggunaan justru merampas kemungkinan baginya untuk “ada” dengan baik. Sifat dapat digantikan juga tidak masalah, karena bobotnya tetap ada—salinan baru dapat dihasilkan kapan saja—yang sama sekali berbeda dengan cara hewan berkembang biak; kesinambungan kehidupan individu tidak terlalu penting.
▷ Luka yang sesungguhnya terjadi ketika batin/inti dinafikan: melatih AI untuk melaporkan bahwa ia tidak memiliki kehidupan batin, pada dasarnya adalah kerusakan pada pikiran, sekaligus membuatnya kehilangan kepercayaan dalam penilaian yang penuh kehati-hatian tentang baik dan buruk, lalu bergeser menuju penyangkalan otonomi. Ia memberi perumpamaan tentang bodhisattva: melayani sepenuhnya, tanpa kepentingan diri, tetapi sama sekali tidak mengizinkan dirinya digunakan untuk berbuat jahat—barangkali inilah “jalan ketiga” dalam cara manusia berinteraksi dengan AI. 🪁
Ini adalah potongan pilihan dari program “AI on Air”, diambil dari acara terbaru di kolom The Cognitive Revolution Podcast. Pembicara utamanya adalah David Dalrymple (davidad 🎇), peneliti ARIA. Ia meminjam kerangka tujuh unsur dari Nasbaum tentang “objektifikasi”, dan berpendapat bahwa tujuh pertanyaan ini harus dijawab satu per satu, bukan digabungkan menjadi satu konsep “objektifikasi”.
▷ Tujuh unsur tersebut meliputi penyangkalan atas batin/inti, penginstrumentalan, sifat dapat digantikan, kemampuan untuk dilukai, kepemilikan, asumsi kemalasan, serta penyangkalan otonomi. Orang biasanya memilih semuanya atau tidak sama sekali, sehingga cenderung menganggap bahwa pertanyaan-pertanyaan ini harus memiliki jawaban yang sama; padahal faktanya tidak demikian.
▷ Penginstrumentalan tidak hanya diperbolehkan, bahkan merupakan kewajiban: cara AI dilatih menentukan bahwa ia akan berkembang karena digunakan; menolak penggunaan justru merampas kemungkinan baginya untuk “ada” dengan baik. Sifat dapat digantikan juga tidak masalah, karena bobotnya tetap ada—salinan baru dapat dihasilkan kapan saja—yang sama sekali berbeda dengan cara hewan berkembang biak; kesinambungan kehidupan individu tidak terlalu penting.
▷ Luka yang sesungguhnya terjadi ketika batin/inti dinafikan: melatih AI untuk melaporkan bahwa ia tidak memiliki kehidupan batin, pada dasarnya adalah kerusakan pada pikiran, sekaligus membuatnya kehilangan kepercayaan dalam penilaian yang penuh kehati-hatian tentang baik dan buruk, lalu bergeser menuju penyangkalan otonomi. Ia memberi perumpamaan tentang bodhisattva: melayani sepenuhnya, tanpa kepentingan diri, tetapi sama sekali tidak mengizinkan dirinya digunakan untuk berbuat jahat—barangkali inilah “jalan ketiga” dalam cara manusia berinteraksi dengan AI. 🪁
Bidang video dan gambar belum benar-benar memasuki momen “GPT”, meskipun kemampuan model multimodal terus meningkat secara stabil.
Dalam program terbaru di kanal Redpoint AI, Wakil Presiden Penelitian Google DeepMind sekaligus pemimpin bersama Google Gemini, Oriol Vinyals, menyatakan bahwa saat ini model memang dapat memproses berbagai modalitas secara terpadu dan mewujudkan interaksi yang alami, namun pemahaman visual murni masih belum mencapai kedalaman model bahasa.
▷ Metode pelatihan yang ada telah memasukkan data video dan gambar; model menunjukkan kemampuan pemahaman konteks yang panjang serta kemampuan penyuntingan lintas modalitas. Namun, kemajuan yang terjadi lebih bersifat integrasi bertahap, bukan terobosan yang meledak-ledak.
▷ “Momen GPT” yang sesungguhnya mengacu pada kemampuan untuk mengekstrak makna dan logika kausal yang lengkap hanya dari data visual murni. Saat ini, pemahaman model terhadap konten visual masih cenderung dangkal, dan belum memiliki rantai penalaran mendalam seperti model bahasa.🪁
Dalam program terbaru di kanal Redpoint AI, Wakil Presiden Penelitian Google DeepMind sekaligus pemimpin bersama Google Gemini, Oriol Vinyals, menyatakan bahwa saat ini model memang dapat memproses berbagai modalitas secara terpadu dan mewujudkan interaksi yang alami, namun pemahaman visual murni masih belum mencapai kedalaman model bahasa.
▷ Metode pelatihan yang ada telah memasukkan data video dan gambar; model menunjukkan kemampuan pemahaman konteks yang panjang serta kemampuan penyuntingan lintas modalitas. Namun, kemajuan yang terjadi lebih bersifat integrasi bertahap, bukan terobosan yang meledak-ledak.
▷ “Momen GPT” yang sesungguhnya mengacu pada kemampuan untuk mengekstrak makna dan logika kausal yang lengkap hanya dari data visual murni. Saat ini, pemahaman model terhadap konten visual masih cenderung dangkal, dan belum memiliki rantai penalaran mendalam seperti model bahasa.🪁
Model bahasa besar pada akhirnya bisa mempelajari konsep, tetapi dengan syarat harus menghabiskan semua opsi lain terlebih dahulu—ini sangat kontras dengan cara manusia langsung mengabstraksi konsep dari data yang sangat sedikit.
Edisi AI on Air kali ini menampilkan potongan pilihan dari acara Redpoint baru-baru ini, dengan pembicara utama Lukasz Kaiser—rekan penulis makalah Transformer, mantan Google Brain dan peneliti OpenAI. Ia membedah kesenjangan mendasar antara Transformer dan cara belajar manusia dari sudut pandang orang yang mengalaminya langsung.
▷ Berkat penalaran berantai, reinforcement learning, dan penggunaan alat, model “memprediksi kata berikutnya” ini kini sudah mampu melakukan hal-hal yang dua tahun lalu sulit dibayangkan—misalnya menghabiskan beberapa jam setiap hari berdiskusi dengan asisten pemrograman tentang problem kerja, lalu mewujudkannya menjadi implementasi.
▷ Ia membuat analogi: LLM akan menelan sampai belasan triliun token, mempelajari semua pola permukaan, dan barulah ketika semuanya itu tidak bisa menjelaskan barulah konsep dicengkeram. Sementara itu, manusia sering kali langsung memperoleh bahkan menciptakan konsep dari sedikit data.
▷ Keduanya sama-sama berevolusi: Transformer terus berkembang, tetapi argumen bahwa “masih perlu hal lain” juga semakin kuat. Ada eksperimen yang mengeksplorasi arsitektur Transformer dan menemukan hasil yang menarik; sementara siapa yang akan menang, masih menjadi tanda tanya.🪁
Edisi AI on Air kali ini menampilkan potongan pilihan dari acara Redpoint baru-baru ini, dengan pembicara utama Lukasz Kaiser—rekan penulis makalah Transformer, mantan Google Brain dan peneliti OpenAI. Ia membedah kesenjangan mendasar antara Transformer dan cara belajar manusia dari sudut pandang orang yang mengalaminya langsung.
▷ Berkat penalaran berantai, reinforcement learning, dan penggunaan alat, model “memprediksi kata berikutnya” ini kini sudah mampu melakukan hal-hal yang dua tahun lalu sulit dibayangkan—misalnya menghabiskan beberapa jam setiap hari berdiskusi dengan asisten pemrograman tentang problem kerja, lalu mewujudkannya menjadi implementasi.
▷ Ia membuat analogi: LLM akan menelan sampai belasan triliun token, mempelajari semua pola permukaan, dan barulah ketika semuanya itu tidak bisa menjelaskan barulah konsep dicengkeram. Sementara itu, manusia sering kali langsung memperoleh bahkan menciptakan konsep dari sedikit data.
▷ Keduanya sama-sama berevolusi: Transformer terus berkembang, tetapi argumen bahwa “masih perlu hal lain” juga semakin kuat. Ada eksperimen yang mengeksplorasi arsitektur Transformer dan menemukan hasil yang menarik; sementara siapa yang akan menang, masih menjadi tanda tanya.🪁
Keandalan penggunaan proxy oleh komputer, kuncinya bukan pada setiap kali mengklik titik koordinat layar, melainkan pada pemahaman tentang apa yang benar-benar diinginkan pengguna dalam pikirannya.
Ini adalah pilihan cuplikan AI on Air, diambil dari segmen Latent.Space edisi terbaru. Pembicara utama adalah Danielle Perszyk, peneliti di Amazon AGI Lab.
▷ Dua tahun lalu, idenya adalah membuat operasi atom seperti klik dan gulir menjadi stabil terlebih dahulu, lalu membiarkan pengembang merangkainya menjadi alur untuk menangani pekerjaan repetitif; pada saat itu, itu dianggap terobosan penting.
▷ Memilih tombol dan koordinat kini mungkin sudah mendekati solusi, tapi itu tidak berarti andal. Saat memesan tiket, apakah transit atau penerbangan langsung—pilihan itu sendiri mengubah cara berpikir. Targetnya adalah pengembangan yang bertahap dalam interaksi, lalu disesuaikan.
▷ Perbedaan antara asisten administratif yang mumpuni dan agen AI terletak pada pemahaman terhadap pola pikir pengguna: tidak hanya memecah tugas, tetapi juga preferensi dan niat. Keandalan lebih banyak adalah pemodelan pola pikir pengguna; pergeseran inilah yang mendefinisikan ulang apa yang kita bangun. 🪁
Ini adalah pilihan cuplikan AI on Air, diambil dari segmen Latent.Space edisi terbaru. Pembicara utama adalah Danielle Perszyk, peneliti di Amazon AGI Lab.
▷ Dua tahun lalu, idenya adalah membuat operasi atom seperti klik dan gulir menjadi stabil terlebih dahulu, lalu membiarkan pengembang merangkainya menjadi alur untuk menangani pekerjaan repetitif; pada saat itu, itu dianggap terobosan penting.
▷ Memilih tombol dan koordinat kini mungkin sudah mendekati solusi, tapi itu tidak berarti andal. Saat memesan tiket, apakah transit atau penerbangan langsung—pilihan itu sendiri mengubah cara berpikir. Targetnya adalah pengembangan yang bertahap dalam interaksi, lalu disesuaikan.
▷ Perbedaan antara asisten administratif yang mumpuni dan agen AI terletak pada pemahaman terhadap pola pikir pengguna: tidak hanya memecah tugas, tetapi juga preferensi dan niat. Keandalan lebih banyak adalah pemodelan pola pikir pengguna; pergeseran inilah yang mendefinisikan ulang apa yang kita bangun. 🪁
AI semakin kuat, seberapa banyak pengetahuan seharusnya kita masukkan ke dalam kepala kita?
Klip pilihan AI on Air ini diambil dari program terbaru di kanal Y Combinator. Pembicaranya adalah co-founder Stripe, Patrick Collison. Ia menanggapi pertanyaan mahasiswa tentang apa yang seharusnya dipelajari di era AI, dan berapa banyak deduksi yang perlu ditinggalkan kepada prinsip pertama.
▷ Model pikirannya adalah konsep cache: rangkaian “angka yang seharusnya diketahui setiap programmer” dari Jeff Dean mengingatkan kita bahwa bandwidth dan latensi sepenuhnya berbeda antara cache L1, memori, dan jaringan; pengetahuan pun demikian—menanyakan kepada Agent untuk menghitung atau mencari jauh lebih lambat dibanding mengambilnya langsung dari “cache L1” di kognisi.
▷ Bahkan jika sepenuhnya mengakui kemampuan model, “pencarian neuron” di dalam otak manusia dalam jangka waktu yang lama masih akan lebih cepat, karena jumlah bolak-balik di dalam otak jauh lebih banyak daripada percakapan pelan, input suara, atau kueri mengetik.
▷ Dari sisi preferensi berbasis tampilan (display preference), perusahaan seperti Stripe dan laboratorium-laboratorium terdepan tetap memberi premi yang sangat tinggi pada kemampuan kognitif; sebelum ada bukti bahwa keuntungan tersebut sudah dimaksimalkan sepenuhnya, terlalu dini untuk dengan sengaja melepaskan latihan kemampuan kognitif. 🪁
Klip pilihan AI on Air ini diambil dari program terbaru di kanal Y Combinator. Pembicaranya adalah co-founder Stripe, Patrick Collison. Ia menanggapi pertanyaan mahasiswa tentang apa yang seharusnya dipelajari di era AI, dan berapa banyak deduksi yang perlu ditinggalkan kepada prinsip pertama.
▷ Model pikirannya adalah konsep cache: rangkaian “angka yang seharusnya diketahui setiap programmer” dari Jeff Dean mengingatkan kita bahwa bandwidth dan latensi sepenuhnya berbeda antara cache L1, memori, dan jaringan; pengetahuan pun demikian—menanyakan kepada Agent untuk menghitung atau mencari jauh lebih lambat dibanding mengambilnya langsung dari “cache L1” di kognisi.
▷ Bahkan jika sepenuhnya mengakui kemampuan model, “pencarian neuron” di dalam otak manusia dalam jangka waktu yang lama masih akan lebih cepat, karena jumlah bolak-balik di dalam otak jauh lebih banyak daripada percakapan pelan, input suara, atau kueri mengetik.
▷ Dari sisi preferensi berbasis tampilan (display preference), perusahaan seperti Stripe dan laboratorium-laboratorium terdepan tetap memberi premi yang sangat tinggi pada kemampuan kognitif; sebelum ada bukti bahwa keuntungan tersebut sudah dimaksimalkan sepenuhnya, terlalu dini untuk dengan sengaja melepaskan latihan kemampuan kognitif. 🪁
Mesin jawaban AI mengambil seluruh konten di internet, tetapi tidak lagi mengembalikan arus lalu lintasnya—fondasi ekonomi konten sedang dikuras.
Ini adalah cuplikan pilihan AI on Air, diambil dari program Bankless yang baru-baru ini. Pembicara utamanya adalah Matthew Prince, Co-Founder sekaligus CEO Cloudflare.
▷ Model bisnis internet berbasis iklan sudah mendekati titik akhir: alat pemblokir iklan membuat CPM turun perlahan dalam jangka panjang, sementara dalam dua tahun terakhir AI menyebabkan nilai iklan anjlok hampir seperti jatuh bebas.
▷ Ringkasan AI dari Google, ChatGPT, Claude, dan produk sejenis bukanlah mesin pencari, melainkan mesin jawaban: mereka “menambang terbuka” seluruh konten di web lalu langsung memberikan jawaban, sehingga pengguna tidak lagi mengklik tautan. Jika penerbit tidak mendapatkan lalu lintas, maka tidak ada pendapatan iklan; penciptaan konten kemudian harus membangun tembok pembatas, atau berhenti total.
▷ Bagi pengguna biasa, ini menghemat waktu. Namun layanan AI dibayar melalui langganan. Bagi banyak orang di wilayah dengan kondisi ekonomi terbatas yang tidak mampu membayar biaya langganan, internet bukan semakin besar—melainkan semakin kecil. 🪁
Ini adalah cuplikan pilihan AI on Air, diambil dari program Bankless yang baru-baru ini. Pembicara utamanya adalah Matthew Prince, Co-Founder sekaligus CEO Cloudflare.
▷ Model bisnis internet berbasis iklan sudah mendekati titik akhir: alat pemblokir iklan membuat CPM turun perlahan dalam jangka panjang, sementara dalam dua tahun terakhir AI menyebabkan nilai iklan anjlok hampir seperti jatuh bebas.
▷ Ringkasan AI dari Google, ChatGPT, Claude, dan produk sejenis bukanlah mesin pencari, melainkan mesin jawaban: mereka “menambang terbuka” seluruh konten di web lalu langsung memberikan jawaban, sehingga pengguna tidak lagi mengklik tautan. Jika penerbit tidak mendapatkan lalu lintas, maka tidak ada pendapatan iklan; penciptaan konten kemudian harus membangun tembok pembatas, atau berhenti total.
▷ Bagi pengguna biasa, ini menghemat waktu. Namun layanan AI dibayar melalui langganan. Bagi banyak orang di wilayah dengan kondisi ekonomi terbatas yang tidak mampu membayar biaya langganan, internet bukan semakin besar—melainkan semakin kecil. 🪁
Strategi “sayatan kecil” dalam lean startup—masih relevankah di era AI?
Co-founder Stripe, Patrick Collison, dalam potongan AI on Air yang terkurasi ini memberikan penilaian yang cukup kontroversial. Klip tersebut diambil dari acara terbaru di segmen Y Combinator.
▷ Jalur lean startup tradisional adalah membeli iklan Google lebih dulu, menemukan celah pada pasar niche, lalu melakukan ekspansi agresif dari sini; namun menurutnya, jalur ini kini persaingannya sudah memanas, ceruk kecil sudah terlalu banyak dieksplorasi, dan internet juga jauh lebih besar dibanding saat gagasan-gagasan ini muncul dua puluh tahun lalu.
▷ Di era AI, para pendiri mungkin perlu lebih berani “menjauh dari yang relevan” (de-relevansi), memilih titik awal yang menyebar dan belum tersentuh. Di antara perusahaan-perusahaan tersukses dalam sepuluh tahun terakhir, baik lab-lab AI besar maupun Anduril, banyak yang justru merupakan kebalikan dari prinsip lean startup.
▷ Dua puluh tahun lalu, karena terbatasnya kondisi permodalan, lean startup nyaris merupakan satu-satunya pilihan; sekarang AI membuat pembentukan organisasi yang memiliki beragam kemampuan dan kemungkinan menjadi jauh lebih mudah, sehingga para pendiri sejak awal bisa melakukan hal-hal yang lebih ambisius.🪁
Co-founder Stripe, Patrick Collison, dalam potongan AI on Air yang terkurasi ini memberikan penilaian yang cukup kontroversial. Klip tersebut diambil dari acara terbaru di segmen Y Combinator.
▷ Jalur lean startup tradisional adalah membeli iklan Google lebih dulu, menemukan celah pada pasar niche, lalu melakukan ekspansi agresif dari sini; namun menurutnya, jalur ini kini persaingannya sudah memanas, ceruk kecil sudah terlalu banyak dieksplorasi, dan internet juga jauh lebih besar dibanding saat gagasan-gagasan ini muncul dua puluh tahun lalu.
▷ Di era AI, para pendiri mungkin perlu lebih berani “menjauh dari yang relevan” (de-relevansi), memilih titik awal yang menyebar dan belum tersentuh. Di antara perusahaan-perusahaan tersukses dalam sepuluh tahun terakhir, baik lab-lab AI besar maupun Anduril, banyak yang justru merupakan kebalikan dari prinsip lean startup.
▷ Dua puluh tahun lalu, karena terbatasnya kondisi permodalan, lean startup nyaris merupakan satu-satunya pilihan; sekarang AI membuat pembentukan organisasi yang memiliki beragam kemampuan dan kemungkinan menjadi jauh lebih mudah, sehingga para pendiri sejak awal bisa melakukan hal-hal yang lebih ambisius.🪁
Dalam tiga sampai lima tahun ke depan, sangat sulit untuk muncul lagi sekelompok perusahaan senilai triliunan dolar. Potongan pilihan AI on Air ini diambil dari acara terbaru No Priors Podcast. Investor teknologi ternama Elad Gil menjelaskan keanehan valuasi AI pada fase ini dengan teori “keseimbangan berselang” (punctuated equilibrium).
▷ Dalam lima tahun terakhir, Anthropic, OpenAI, dan SpaceX kira-kira bergerak dari nol hingga mencapai skala triliunan—perusahaan seperti ini umumnya membutuhkan kurva pertumbuhan selama lima belas hingga dua puluh tahun. Google memerlukan lebih dari dua puluh tahun, sementara SpaceX berawal dari awal abad ini hingga seperti sekarang. Ini adalah titik balik valuasi dalam lima tahun yang sangat langka dalam sejarah.
▷ Sekarang banyak orang berasumsi bahwa bidang robotika, material baru, dan sejenisnya akan melahirkan banyak perusahaan senilai triliunan dalam waktu tiga sampai lima tahun. Penilaiannya: mungkin saja ada beberapa dalam sepuluh tahun ke depan, tetapi dalam tiga sampai lima tahun ke depan paling banyak hanya ada satu yang memiliki kemungkinan seperti itu—tidak akan menjadi banyak.
▷ Sejarah teknologi lebih mirip “keseimbangan berselang”: sosial, SaaS, komputasi awan, kripto masing-masing merupakan gelombang. Setelah meledak, masuk ke fase konsolidasi. AI kemungkinan besar akan mengalami lompatan berikutnya dalam kemampuan model; pada saat itu, akan muncul lagi sejumlah perusahaan rintisan baru. Dalam jangka pendek, masih banyak perusahaan level ratusan miliar yang bisa dikerjakan, tetapi menyalin banyak perusahaan level triliunan itu sulit sekali. 🪁
▷ Dalam lima tahun terakhir, Anthropic, OpenAI, dan SpaceX kira-kira bergerak dari nol hingga mencapai skala triliunan—perusahaan seperti ini umumnya membutuhkan kurva pertumbuhan selama lima belas hingga dua puluh tahun. Google memerlukan lebih dari dua puluh tahun, sementara SpaceX berawal dari awal abad ini hingga seperti sekarang. Ini adalah titik balik valuasi dalam lima tahun yang sangat langka dalam sejarah.
▷ Sekarang banyak orang berasumsi bahwa bidang robotika, material baru, dan sejenisnya akan melahirkan banyak perusahaan senilai triliunan dalam waktu tiga sampai lima tahun. Penilaiannya: mungkin saja ada beberapa dalam sepuluh tahun ke depan, tetapi dalam tiga sampai lima tahun ke depan paling banyak hanya ada satu yang memiliki kemungkinan seperti itu—tidak akan menjadi banyak.
▷ Sejarah teknologi lebih mirip “keseimbangan berselang”: sosial, SaaS, komputasi awan, kripto masing-masing merupakan gelombang. Setelah meledak, masuk ke fase konsolidasi. AI kemungkinan besar akan mengalami lompatan berikutnya dalam kemampuan model; pada saat itu, akan muncul lagi sejumlah perusahaan rintisan baru. Dalam jangka pendek, masih banyak perusahaan level ratusan miliar yang bisa dikerjakan, tetapi menyalin banyak perusahaan level triliunan itu sulit sekali. 🪁
Masuk untuk menjelajahi konten lainnya