Dari Prapelatihan ke Tim Agen AI: Mengapa Empat Siklus Penskalaan Jensen Huang Mengubah Pertanyaan tentang Komputasi
Pendahuluan: Apa yang bertumbuh ketika kecerdasan buatan semakin mampu?
Pembahasan tentang kecerdasan buatan [AI] sering dimulai dari ukuran model [Model]. Berapa banyak parameter [Parameters] di dalamnya? Berapa banyak informasi yang digunakan untuk melatihnya? Seberapa besar sistem komputasi [Computing System] yang mendukungnya?
Pertanyaan-pertanyaan itu hanya menggambarkan sebagian sistem. Argumen Jensen Huang yang lebih luas adalah bahwa AI dapat bertumbuh pada beberapa tahap: ketika mempelajari fondasinya, menyempurnakan perilakunya, mengerjakan masalah tertentu, dan membagikan pekerjaan di antara agen [Agents]. Memahami hubungan antartahap tersebut mengubah cara kita memikirkan permintaan komputasi [Computing Demand].
Perbedaan pentingnya adalah antara membangun model dan menggunakan sistem cerdas. Keduanya merupakan kegiatan yang berkaitan, tetapi bukan beban kerja [Workload] yang sama.
1. Prapelatihan membangun fondasi, bukan pekerja yang sudah siap sepenuhnya
Prapelatihan [Pre-training] mengembangkan kemampuan umum model dengan memaparkannya pada informasi dalam jumlah besar. Model mempelajari pola dan hubungan yang dapat mendukung tugas-tugas berikutnya.
Lebih banyak data dan komputasi [Computing] dapat memperbaiki fondasi tersebut. Namun, proses pelatihan yang lebih besar [Training Run] bukan penjelasan lengkap tentang kecerdasan yang berguna. Model dapat memiliki pengetahuan umum yang luas, tetapi tetap memerlukan penilaian yang lebih baik, pengalaman khusus untuk tugas tertentu, atau akses ke informasi yang tidak ditemuinya selama pelatihan.
Itulah sebabnya pertanyaannya tidak bisa berhenti pada apakah ketersediaan materi tulisan manusia pada akhirnya akan menjadi kendala. Tahap-tahap berikutnya dapat mengubah cara sistem belajar sekaligus pekerjaan yang dilakukannya.
2. Pascapelatihan mengubah cara fondasi digunakan
Pascapelatihan [Post-training] menyempurnakan model setelah pembelajaran awalnya. Penekanannya beralih ke perilaku, tugas praktis, dan jenis tanggapan yang dibutuhkan orang.
Data sintetis [Synthetic Data] dapat berkontribusi pada proses ini. Sistem dapat menghasilkan contoh, menjelajahi variasi, dan membuat materi yang berguna untuk pembelajaran lebih lanjut. Nilainya terletak pada kualitas pengalaman yang dihasilkan, bukan pada fakta bahwa mesinlah yang membuatnya.
Perbedaan ini penting. Menghasilkan lebih banyak materi tidak otomatis membuktikan bahwa materi itu benar. Siklus yang berguna memilih pengalaman yang layak dipertahankan dan menggunakannya untuk memperbaiki perilaku berikutnya. Kuantitas tanpa seleksi dapat mengulang kelemahan, bukan memperbaikinya.
3. Komputasi saat pengujian membuat inferensi menjadi persoalan yang lebih sulit
Inferensi [Inference] terkadang dibayangkan sebagai langkah akhir yang sederhana: model sudah belajar, jadi menghasilkan jawaban seharusnya hanya membutuhkan sedikit pekerjaan tambahan.
Penskalaan saat pengujian [Test-time Scaling] menantang gambaran itu. Tugas yang sulit mungkin mengharuskan sistem membagi masalah menjadi bagian lebih kecil, membandingkan pendekatan yang mungkin, mencari informasi, dan meninjau ulang upaya yang tidak berhasil.
Kebutuhan komputasi [Computing Requirement] kemudian bergantung pada apa yang harus dilakukan sistem sebelum memberikan jawaban yang berguna. Jawaban singkat pun dapat didahului pekerjaan yang besar. Sebaliknya, jawaban panjang bukan bukti penalaran yang cermat.
Bagi bisnis, hal ini membuat latensi [Latency], kualitas jawaban, dan biaya operasional menjadi pilihan yang saling terkait. Tanggapan langsung yang paling murah tidak selalu merupakan tugas yang berhasil diselesaikan dengan biaya terendah.
4. Penskalaan berbasis agen menambahkan koordinasi pada kemampuan
Penskalaan berbasis agen [Agentic Scaling] memperkenalkan jalur lain: sistem dapat membagikan pekerjaan kepada beberapa agen [Agents], alih-alih meminta satu model melakukan semuanya secara berurutan.
Satu agen dapat memeriksa catatan sementara agen lain membandingkan pilihan. Temuan mereka dapat mendukung hasil bersama. Bentuk pertumbuhan ini berbeda dari memperbesar satu model atau memberinya lebih banyak waktu.
Perbandingan dengan organisasi berguna di sini. Lebih banyak karyawan dapat meningkatkan kapasitas, tetapi hanya jika tanggung jawab, komunikasi, dan keputusan akhir jelas. Lebih banyak agen juga menciptakan pekerjaan dalam koordinasi, penyelarasan temuan, dan pemeriksaan. Jumlah mereka adalah masukan, bukan ukuran keberhasilan.
5. Keempat tahap membentuk siklus pembelajaran
Hubungan terpenting adalah apa yang terjadi setelah sistem bekerja. Pengalaman berguna dari agen dapat menjadi materi untuk pelatihan berikutnya. Model yang telah disempurnakan kemudian dapat mendukung penalaran yang lebih baik dan agen yang lebih efektif.
Karena itu, prapelatihan [Pre-training], pascapelatihan [Post-training], pekerjaan saat pengujian [Test-time Work], dan aktivitas berbasis agen [Agentic Activity] tidak harus tetap berada dalam kotak yang terpisah. Semuanya dapat saling memasok pembelajaran.
Hal ini juga mengubah pertanyaan tentang infrastruktur [Infrastructure]. Melatih model, mencari di dalam berkas, dan mengoordinasikan beberapa pekerja menempatkan tuntutan yang berbeda pada prosesor [Processors], memori [Memory], penyimpanan [Storage], dan jaringan [Networking]. Sistem yang dirancang berdasarkan satu tolok ukur sempit [Benchmark] mungkin tidak cocok untuk keseluruhan alur kerja [Workflow].
Kesimpulan: Ukurlah pekerjaannya, bukan hanya modelnya
Kerangka empat bagian Huang membawa pembahasan melampaui gagasan bahwa kemajuan AI hanya berarti model yang lebih besar, dilatih sekali pada kumpulan data yang lebih besar [Dataset].
Pelajaran praktisnya adalah mengenali di mana komputasi tambahan [Computing] menghasilkan hasil yang lebih baik. Apakah tugasnya membutuhkan fondasi yang lebih baik, penyempurnaan yang lebih berguna, waktu pemecahan masalah yang lebih panjang, atau pembagian kerja yang terkoordinasi?
Perusahaan sebaiknya menilai jawabannya melalui tugas yang selesai, kualitas, waktu, dan biaya total. Itu merupakan titik awal yang lebih berguna daripada sekadar menghitung parameter [Parameters] atau agen [Agents]. Pertanyaan komputasi masa depan menyangkut keseluruhan sistem yang belajar dan bekerja.
Powered By K7