Telset.id – Startup bernama Mostik memperkenalkan pendekatan baru yang memungkinkan model AI berinteraksi langsung melalui nilai matematis pada bobotnya, tanpa perlu menghasilkan output teks. Metode yang mereka sebut sebagai “jembatan” ini berhasil menempatkan model buatan mereka di puncak klasemen ARC-AGI 3, kompetisi AI yang dikenal sangat sulit. Keberhasilan ini berpotensi mengubah cara industri mengembangkan kecerdasan buatan, terutama dalam meningkatkan nilai model open-weight agar mampu bersaing dengan model proprietary dari laboratorium besar seperti Anthropic dan OpenAI.
Mostik, yang namanya diambil dari kata Rusia untuk “jembatan”, mengembangkan teknik yang memungkinkan model AI yang berbeda untuk “berbicara” satu sama lain. Alih-alih menerjemahkan output menjadi teks terlebih dahulu, pendekatan ini memanfaatkan nilai matematis pada bobot model—komponen yang menentukan bagaimana prompt diubah menjadi output. Hasilnya, kemampuan model yang lebih besar dapat ditransfer ke model yang lebih kecil secara lebih efisien, meningkatkan kecerdasannya secara signifikan.
Untuk mendemonstrasikan konsep ini, tim Mostik menciptakan jembatan antara dua model open-weight asal Tiongkok: GLM-5.2 versi terbesar dengan 753 miliar parameter, dan Qwen-3.5 versi 4 miliar parameter yang mampu berjalan di perangkat mobile. Sistem hybrid yang dihasilkan memiliki biaya hanya seperdua puluh dari biaya model GLM penuh, dengan performa yang berada tepat di tengah-tengah antara kedua model tersebut.
Efisiensi Biaya dan Performa Hybrid
CEO Mostik, Sasha Malysheva, yang mengembangkan pendekatan ini, menjelaskan bahwa menggabungkan banyak model berbeda bisa menjadi cara yang lebih baik untuk memajukan AI dibandingkan strategi scaling konvensional yang mengandalkan pembesaran ukuran model dan penambahan data. “Saya pribadi tidak berpikir kita akan memiliki model monolitik di masa depan, atau bahwa kemampuan model akan datang dari scaling,” ujarnya.
Dalam dunia machine learning, sudah lama diketahui bahwa ensemble model—gabungan beberapa model—cenderung berperforma lebih baik daripada model individual. Malysheva mengibaratkan masa depan AI seperti menebak berat seekor babi. Di kalangan matematika, dikenal bahwa sekelompok orang acak bisa menebak berat babi lebih akurat daripada seorang ahli ketika tebakan mereka digabungkan dan dirata-ratakan. Prinsip serupa berlaku ketika output dari beberapa model AI digabungkan.
Metode konvensional untuk menggabungkan model biasanya melibatkan pengumpanan output dari satu model ke model lainnya, yang membutuhkan banyak waktu dan biaya. Tim Mostik, bagaimanapun, menemukan cara agar model AI dapat berkomunikasi tanpa menghasilkan output teks. Inovasi ini memungkinkan transfer kapabilitas antar model secara langsung melalui nilai bobotnya.
Vladimir Arustamian, tech lead di perusahaan software AI Lovable yang mengenal tim Mostik, menyatakan bahwa pendekatan ini membuka peluang besar. “Jika Mostik memungkinkan pemasangan model frontier dengan model khusus domain—misalnya biologi, fisika, dan seterusnya—akan lebih banyak model khusus yang dilatih,” katanya. Arustamian juga mengungkapkan kekagumannya pada kecepatan perkembangan tim ini. “Tim ini baru bekerja selama beberapa bulan dan sudah memiliki sesuatu yang berjalan, yang saya perkirakan butuh waktu bertahun-tahun.”
Karl Tuyls, mantan ilmuwan komputer di Google DeepMind yang akrab dengan teknologi Mostik, menilai teknik ini memungkinkan pendekatan kualitas model besar tanpa model besar menangani seluruh proses. “Anda mendapatkan peningkatan substansial hanya dengan model kecil yang berjalan berdampingan,” jelasnya. Tuyls menambahkan bahwa metode ini merupakan keputusan yang jelas bagi siapa pun yang bertugas menjalankan model seefisien mungkin.
Pendekatan Mostik juga berpotensi meningkatkan nilai model open-weight secara signifikan. Dengan kemampuan untuk menggabungkan model-model yang lebih kecil dan lebih murah untuk mencapai kualitas yang mendekati model besar, model open-weight bisa menjadi alternatif yang semakin menarik dibandingkan model proprietary. Ini bisa mengubah dinamika persaingan antara ekosistem open-source dan closed-source di industri AI. Sebagai konteks, perkembangan teknologi AI kini juga berdampak pada berbagai sektor, misalnya bagaimana Sonos 27 memanfaatkan AI generatif, atau kekhawatiran tentang chatbot AI dalam penyebaran informasi.
Baca Juga:
Tantangan Matematis dan Perjalanan Malysheva
Stanislav Smirnov, profesor di University of Geneva dan peraih Fields Medal 2010, menjabat sebagai chief scientist Mostik. Ia mengungkapkan bahwa menemukan titik temu antara dua model AI ternyata sangat sulit. “Sepertinya belum ada bahasa matematika yang tepat untuk ini,” katanya. Sementara itu, pendekatan Mostik menjadi cara untuk benar-benar menjembatani kesenjangan tersebut.
Smirnov juga melihat potensi penelitian ini untuk mengungkap hal-hal baru tentang cara kerja model AI dan perbandingannya dengan otak manusia. Analisis matematis yang lebih dalam mungkin bisa mengungkap kesamaan dalam cara model AI dan manusia menalar masalah-masalah sulit. Ini membuka dimensi baru dalam pemahaman kita tentang kecerdasan buatan dan kognisi manusia.
Perjalanan Malysheva menuju dunia matematika dimulai secara tidak terduga. Ia baru menyadari bakatnya di bidang ini setelah kakak laki-lakinya mengatakan ia tidak akan mampu memecahkan soal-soal Olimpiade Matematika yang sedang dipelajari kakaknya. Beberapa tahun kemudian, Malysheva belajar di salah satu sekolah terbaik di St. Petersburg.
Ketika mengembangkan pendekatan jembatan ini, Malysheva menghadapi skeptisisme dari rekan-rekannya. “Mereka bilang ini mungkin terlalu sulit untuk seorang gadis muda,” kenangnya. “Saya memutuskan saya perlu membuktikan mereka salah.” Keputusan ini membawanya pada terobosan yang kini menarik perhatian komunitas AI global.
Keberhasilan Mostik dalam kompetisi ARC-AGI 3 menjadi bukti validitas pendekatan mereka. Meskipun tim ini enggan mengungkapkan detail lebih lanjut karena ingin memenangkan kompetisi tersebut, pencapaian mereka telah menarik perhatian para ahli di bidang ini. Kombinasi antara efisiensi biaya, peningkatan performa, dan potensi aplikasi yang luas menjadikan pendekatan Mostik sebagai perkembangan yang layak dicermati.
Implikasi dari teknologi ini sangat luas. Jika metode jembatan antar model terbukti dapat diandalkan secara konsisten, ini bisa mengubah cara industri mengembangkan dan menggunakan model AI. Perusahaan tidak lagi harus selalu bergantung pada model raksasa dengan biaya operasional tinggi. Sebaliknya, mereka bisa menggabungkan model-model yang lebih kecil dan efisien untuk mencapai hasil yang sebanding.
Bagi para pengembang dan peneliti AI, pendekatan Mostik menawarkan alternatif terhadap paradigma scaling yang selama ini mendominasi industri. Alih-alih terus memperbesar ukuran model dan menambah data pelatihan, kolaborasi antar model yang lebih kecil bisa menjadi jalur yang lebih berkelanjutan. Ini sejalan dengan kebutuhan industri akan efisiensi komputasi yang semakin mendesak.
Ke depannya, kombinasi antara model frontier dengan model khusus domain bisa melahirkan ekosistem AI yang lebih beragam dan terspesialisasi. Para ahli seperti Arustamian melihat potensi ini akan mendorong pelatihan lebih banyak model khusus di berbagai bidang ilmu. Dengan demikian, kemajuan AI tidak lagi bergantung pada segelintir model raksasa, melainkan pada kolaborasi cerdas antar banyak model yang saling melengkapi.
Pencapaian Mostik juga menyoroti pentingnya pendekatan interdisipliner dalam pengembangan AI. Dengan matematikawan papan atas seperti Smirnov yang terlibat sebagai chief scientist, startup ini menunjukkan bahwa fondasi teoritis yang kuat tetap menjadi kunci inovasi teknologi. Perpaduan antara keahlian matematika dan pemahaman teknis tentang machine learning menjadi pembeda utama Mostik.
Sementara industri terus menyaksikan perkembangan pesat di bidang AI, inovasi seperti yang dilakukan Mostik mengingatkan bahwa masih banyak ruang untuk pendekatan-pendekatan baru yang belum terpikirkan sebelumnya. Strategi scaling mungkin bukan satu-satunya jalan menuju AI yang lebih cerdas. Terobosan Mostik membuka kemungkinan bahwa masa depan AI justru terletak pada kemampuan model-model untuk saling terhubung dan berkolaborasi secara efisien.
Komentar
Belum ada komentar.