Inovasi dan Visi Masa Depan Komputasi oleh CEO NVIDIA, Jensen Huang
Dalam video YouTube berjudul “NVIDIA CEO Jensen Huang Leaves Everyone SPEECHLESS (Supercut),” Jensen Huang, CEO NVIDIA, membahas perkembangan teknologi komputasi dan potensi kecerdasan buatan (AI) dengan bantuan Komputasi Dipercepat NVIDIA. Huang menekankan penurunan signifikan biaya komputasi selama dekade terakhir dan potensi untuk mengambil seluruh pengetahuan manusia digital dari internet.
Huang memperkenalkan chip H700 yang akan datang, yang akan meningkatkan kemampuan komputasi untuk pembelajaran mendalam. Chip ini diharapkan dapat meningkatkan kemampuan pembelajaran berkelanjutan dan pembelajaran penguatan dengan data nyata dan generasi data sintetis, memungkinkan komputer untuk terus menerus membayangkan, menguji, dan belajar.
Lebih lanjut, Huang membahas masa depan komputasi dan peran NVIDIA di pasar. Ia menjelaskan bahwa seiring biaya marginal komputasi mendekati nol, akan ada lebih banyak komputasi yang dilakukan dan batasan antara chip pelatihan dan inferensi akan kabur. Meskipun menghadapi persaingan, NVIDIA bertujuan untuk menambahkan nilai sedemikian rupa sehingga alternatif lain tidak hanya tentang biaya. Huang menekankan pentingnya total biaya operasi dan fleksibilitas platform NVIDIA.
Huang juga mengeksplorasi peran AI dalam penemuan obat dan pemahaman tentang biologi. Ia menjelaskan bagaimana AI dapat membantu dalam menafsirkan makna informasi digital yang berkaitan dengan protein dan enzim dan bagaimana itu dapat digunakan untuk berkomunikasi dengan makalah penelitian. Huang juga membagikan nasihatnya untuk para pengusaha yang bercita-cita tinggi, menekankan pentingnya ketahanan dan nilai dari penderitaan dalam membangun karakter.
Mengakhiri diskusinya, Huang memprediksi masa depan komputasi di mana semua konten akan bersifat generatif dan setiap pusat data akan mengalami perubahan. Ia menjelaskan bahwa pergeseran ini akan memerlukan lebih banyak fasilitas fabrikasi, tetapi permintaan akan daya komputasi meningkat jauh lebih cepat daripada efisiensi komputasi. Huang juga membahas pertanyaan tentang solusi khusus untuk pelanggan besar, mengakui bahwa kustomisasi akan memerlukan sumber daya dan R&D yang signifikan, tetapi mereka terbuka untuk menjelajahi kemungkinan baru jika itu menambah nilai ke ekosistem mereka. Ia menekankan pentingnya memanfaatkan infrastruktur dan ekosistem yang ada untuk menghindari memulai dari awal.
Dalam konteks teknologi dan kecerdasan buatan (AI), istilah “generatif” mengacu pada sistem atau model yang dapat menghasilkan konten baru berdasarkan data yang telah dipelajari sebelumnya. Model ini tidak hanya menduplikasi atau menyaring data yang ada, tetapi benar-benar menciptakan sesuatu yang baru dan seringkali unik, yang dapat berkisar dari teks, gambar, musik, hingga video.
Cara Kerja Model Generatif
Model generatif biasanya dilatih dengan menggunakan set data besar untuk memahami struktur, pola, dan hubungan dalam data tersebut. Selama proses ini, model membangun apa yang disebut sebagai representasi laten dari data, yang kemudian dapat digunakan untuk menghasilkan output baru yang mirip dalam kualitas dan konteks dengan data asli. Teknik yang sering digunakan dalam pembelajaran generatif antara lain adalah Jaringan Adversarial Generatif (GAN) dan Model Bahasa Autoregresif seperti GPT (Generative Pre-trained Transformer).
Contoh:
1. DeepFake: Teknologi yang menggunakan GAN untuk menggabungkan dan superimpose gambar dan video wajah seseorang ke atas gambar atau video lainnya. Ini sering digunakan untuk membuat video yang tampak nyata di mana seseorang tampak mengatakan atau melakukan sesuatu yang mereka tidak pernah lakukan.
2. GPT-3: Model AI dari OpenAI yang dapat menulis teks yang sangat persuasif dan informatif dari hanya beberapa petunjuk awal. Misalnya, jika diberikan prompt “Tulis cerita pendek tentang robot yang belajar melukis,” GPT-3 dapat menghasilkan sebuah cerita lengkap dan koheren yang menyertakan detail kompleks dan karakterisasi.
Analogi:
Bayangkan model generatif sebagai seorang chef yang telah mempelajari banyak resep masakan. Setelah cukup belajar, chef ini tidak hanya dapat mengulang resep yang telah dia pelajari, tetapi juga mampu menciptakan resep baru yang unik. Chef bisa memutuskan bahan apa yang cocok dipadukan berdasarkan pengalaman sebelumnya, menghasilkan hidangan baru yang mungkin belum pernah ada sebelumnya.
Dampak dan Penerapan
Penerapan model generatif sangat luas, mulai dari industri kreatif hingga teknis. Di bidang kreatif, AI generatif dapat membantu desainer dan seniman dalam menciptakan karya baru, sementara di sektor teknis, model-model ini dapat digunakan untuk simulasi ilmiah, seperti memodelkan perilaku obat baru dalam tubuh manusia tanpa perlu melakukan eksperimen langsung.
Kemampuan untuk menghasilkan konten baru secara otomatis dan efisien tanpa kehilangan kualitas memberikan potensi yang sangat besar untuk inovasi di berbagai bidang, menjadikan teknologi generatif sebagai salah satu front terdepan dalam penelitian AI saat ini.
