Courtesy of TechCrunch

Adaption Labs: Mencari Terobosan Baru AI yang Belajar dari Pengalaman Nyata

Artikel ini bertujuan menjelaskan adanya keraguan terhadap efektivitas strategi peningkatan ukuran model bahasa besar dalam AI dan memperkenalkan pendekatan baru yang dikembangkan oleh Adaption Labs yang fokus pada sistem AI yang dapat beradaptasi dan belajar secara efisien dari pengalaman dunia nyata, yang berpotensi merevolusi cara AI dikembangkan dan digunakan.

23 Okt 2025, 03.52 WIB

277 dibaca

Ikhtisar 15 Detik

Adaption Labs berfokus pada pengembangan sistem AI yang dapat belajar dari pengalaman nyata.
Kritik terhadap model bahasa besar menunjukkan bahwa pendekatan skala mungkin telah mencapai batasnya.
Pembelajaran yang efisien dan adaptif dapat mengubah dinamika kontrol dan penggunaan AI.

San Francisco, Amerika Serikat - Para laboratorium AI besar menghabiskan biaya miliaran dolar dan energi sebesar kota kecil untuk mengembangkan pusat data yang sangat besar demi memperbesar model bahasa raksasa. Namun, pendekatan ini mulai menunjukkan batasannya, karena peningkatan ukuran model tidak selalu menjamin kecerdasan yang lebih baik.

Sara Hooker, mantan VP AI Research di Cohere yang juga alumnus Google Brain, mendirikan Adaption Labs bersama Sudip Roy untuk mengeksplorasi metode baru agar sistem AI dapat belajar secara terus menerus dan efisien dari pengalaman nyata di dunia, bukan hanya melalui pelatihan sebelumnya.

Saat ini, reinforcement learning mulai digunakan untuk membantu AI belajar dari kesalahan, namun masih kontroversial karena model yang sudah digunakan pelanggan tidak dapat belajar secara real-time, sehingga masalah yang sama tetap terjadi tanpa perbaikan otomatis.

Beberapa perusahaan menawarkan jasa kustomisasi model AI, namun biayanya sangat mahal, bahkan mencapai puluhan juta dolar. Adaption Labs percaya bahwa pembelajaran adaptif bisa lebih murah dan mengubah penguasaan teknologi AI secara fundamental.

Keraguan mulai muncul dari para ahli utama di bidang AI, yang menyatakan bahwa peningkatan skala model bahasa besar sudah tidak efisien lagi. Ini adalah masa transisi menuju model AI yang mampu beradaptasi dari pengalaman dunia nyata dengan biaya dan sumber daya yang lebih ekonomis.

Referensi:
[1] https://techcrunch.com/2025/10/22/why-coheres-ex-ai-research-lead-is-betting-against-the-scaling-race/

Analisis Ahli

Richard Sutton

"LLM tidak dapat benar-benar diskalakan karena tidak belajar dari pengalaman dunia nyata."

Andrej Karpathy

"Saya memiliki keraguan tentang potensi jangka panjang reinforcement learning dalam meningkatkan model AI."

Analisis Kami

"Sebagai seorang ahli, saya percaya bahwa era model AI raksasa yang hanya diandalkan pada skala besar sudah mulai berakhir dan saatnya beralih ke sistem yang benar-benar belajar dari lingkungan secara dinamis. Ini akan membuka pintu bagi inovasi AI yang lebih inklusif, hemat energi, dan relevan secara praktis untuk berbagai industri."

Prediksi Kami

Di masa depan, pendekatan AI yang berfokus pada pembelajaran adaptif dan efisiensi dari pengalaman nyata akan menjadi standar baru dalam pengembangan AI, menggantikan strategi peningkatan skala model yang besar dan mahal.

Pertanyaan Terkait

Apa yang menjadi fokus utama dari Adaption Labs?

Fokus utama Adaption Labs adalah membangun sistem AI yang dapat beradaptasi dan belajar dari pengalaman dunia nyata secara efisien.

Mengapa Sara Hooker meninggalkan Cohere?

Sara Hooker meninggalkan Cohere untuk mendirikan Adaption Labs dan mengeksplorasi pendekatan baru dalam pembelajaran mesin.

Apa yang menjadi kritik terhadap model bahasa besar saat ini?

Kritik terhadap model bahasa besar adalah bahwa pendekatan skala tidak lagi efektif dan tidak menghasilkan kecerdasan yang dapat berinteraksi dengan dunia.

Apa yang dimaksud dengan pembelajaran penguatan?

Pembelajaran penguatan adalah metode di mana model AI belajar dari kesalahan dalam pengaturan yang terkendali.

Mengapa ada perubahan dalam pendekatan AI di industri?

Ada perubahan dalam pendekatan AI karena semakin banyak peneliti yang meragukan efektivitas skala dalam meningkatkan kemampuan model.