Sabitlenmiş Tweet
Rynzn |
574 posts
What if your model handled its own tuning? ⚙️
With NVIDIA TAO 7, just prompt your coding agent what you want in plain language and let it do the rest.
• Agent skills plug into your coding agent and improve accuracy.
• AutoML removes the guesswork from hyperparameters. LLM-guided tuning finds strong configs up to 2x faster.
• Fine-tune any @huggingface CV or VLM model on local NVIDIA GPUs.
• Data enhanced fine-tuning helps your agent identify why the model fails, then fix it.
Try TAO skills ➡️ nvda.ws/4bknjPs
English
We’re introducing GeneBench-Pro, a research-level benchmark for a harder kind of AI progress: how well agents can navigate messy biological data, choose the right analysis path, and make judgment calls that real computational research depends on.
openai.com/index/introduc…
English
1. What is AI?
Dalam artikel ini kamu bisa memahami Apa sih AI tuh?
x.com/i/status/20719…
Rynzn |@Rynzen16
Indonesia
Kembali lagi Ke sesi History of AI #4
Postingan ini melanjutkan cerita sebelumnya
Lanjutan pertemuan di Dartmouth college
Pasti kalian ngantuk ya? Coba baca ini pasti kalian tambah ngantuk😭
Yuk kita mulai!!
Lahirnya Istilah “Artificial Intelligence”
Tokoh yang paling sering dikaitkan dengan lahirnya istilah Artificial Intelligence adalah
John McCarthy.
Ia memilih istilah tersebut untuk menggambarkan sebuah bidang baru yang berfokus pada pembuatan mesin cerdas.
Sebelumnya, penelitian tentang mesin dan kecerdasan sering menggunakan istilah yang berbeda-beda, seperti:
- cybernetics
- automata theory
- information processing
- machine thinking
- intelligent machines
Namun istilah-istilah tersebut belum sepenuhnya menggambarkan tujuan besar yang ingin dicapai.
John McCarthy memilih nama:
- Artificial Intelligence
atau dalam bahasa Indonesia:
- Kecerdasan Buatan
Nama tersebut sederhana, tetapi sangat kuat.
- Artificial berarti buatan.
- Intelligence berarti kecerdasan.
Dengan kata lain, Artificial Intelligence adalah usaha untuk menciptakan kemampuan cerdas melalui mesin.
Sejak saat itu, berbagai penelitian tentang komputer yang mampu belajar, bernalar, menggunakan bahasa, memahami pola, dan mengambil keputusan mulai dipandang sebagai bagian dari satu bidang ilmu yang sama.
Itulah alasan tahun 1956 sering disebut sebagai kelahiran resmi Artificial Intelligence.
Apa yang Ingin Mereka Capai?
Para peserta proyek Dartmouth tidak sekadar ingin membuat komputer yang lebih cepat.
Komputer cepat sudah mulai ada.
Yang ingin mereka lakukan jauh lebih besar.
Mereka ingin memahami kecerdasan itu sendiri.
Beberapa pertanyaan utama yang ingin mereka jawab adalah:
- Bagaimana mesin dapat menggunakan bahasa?
- Bagaimana komputer dapat memecahkan masalah seperti manusia?
- Bagaimana mesin dapat belajar dari pengalaman?
- Bagaimana komputer dapat membuat keputusan?
- Bagaimana mesin dapat mengenali pola?
- Bagaimana kecerdasan manusia dapat dijelaskan menggunakan matematika dan logika?
- Apakah mesin dapat memperbaiki kemampuan dirinya sendiri?
Pertanyaan-pertanyaan tersebut masih relevan hingga sekarang.
AI tools, mobil tanpa pengemudi, sistem rekomendasi, AI pembuat gambar, hingga robot modern sebenarnya masih berusaha menjawab pertanyaan yang hampir sama.
Bedanya, sekarang kita memiliki komputer yang jauh lebih cepat, data yang jauh lebih besar, dan algoritma yang jauh lebih canggih.
Optimisme yang Sangat Besar
Pada masa awal AI, para ilmuwan memiliki optimisme luar biasa.
Mereka melihat komputer mulai mampu menyelesaikan persoalan matematika, memainkan permainan sederhana, serta mengikuti aturan logika.
Hal ini membuat banyak peneliti percaya bahwa kecerdasan manusia mungkin dapat dicapai dalam waktu yang relatif singkat.
Beberapa orang bahkan memperkirakan bahwa mesin dengan kemampuan seperti manusia dapat dibuat hanya dalam beberapa dekade.
Optimisme ini muncul karena mereka melihat kemajuan komputer sangat cepat.
Jika komputer yang memenuhi satu ruangan saja sudah bisa memecahkan perhitungan rumit, maka apa yang mungkin terjadi ketika komputer menjadi lebih cepat?
Namun ada satu masalah besar.
Kecerdasan manusia ternyata jauh lebih rumit daripada yang terlihat.
Menghitung angka mungkin mudah bagi komputer.
Tetapi memahami bahasa, mengenali objek, memahami konteks, belajar dari sedikit pengalaman, atau menggunakan akal sehat ternyata jauh lebih sulit.
Contohnya, manusia bisa langsung memahami bahwa gelas yang jatuh ke lantai mungkin pecah.
Anak kecil pun bisa mempelajari banyak hal hanya dari beberapa contoh.
Sementara komputer pada masa itu membutuhkan aturan yang sangat rinci untuk melakukan tugas sederhana.
Inilah awal dari perjalanan panjang AI yang penuh harapan, kegagalan, dan penemuan baru.
Ternyata sepanjang itu sejarahya....
Tapi ini belom selesai disinii..stay tune nantikan sesi history AI sebelum tidur lainya!!
Bayy guys see u GN!!
Rynzn |@Rynzen16
Kembali lagi ke History of AI #3 Postingan ini melanjutkan cerita sebelumnya Ya dan ini bakal panjang dan pasti bikin kalian ngantuk apalagi kalo bahas sejarah😭 Yuk kita mulaii 1956 - Kelahiran Resmi Artificial Intelligence Pada tahun 1950 Alan Turing telah membuka pertanyaan besar: “Can machines think?” Namun saat itu, belum ada bidang ilmu resmi yang secara khusus mempelajari cara membuat mesin mampu meniru kecerdasan manusia. Para ilmuwan memang sudah mulai meneliti komputer, logika, matematika, bahasa, serta cara kerja otak manusia. Tetapi penelitian tersebut masih berjalan sendiri-sendiri. Ada yang fokus pada mesin hitung. Ada yang mempelajari jaringan saraf. Ada yang meneliti cara komputer memecahkan masalah matematika. Ada pula yang mencoba membuat komputer memahami bahasa. Belum ada satu nama yang menyatukan semua gagasan tersebut. Semua berubah pada tahun 1956. Sebuah Pertemuan di Dartmouth College Pada musim panas tahun 1956, sekelompok ilmuwan berkumpul di Dartmouth College, sebuah universitas di Hanover, New Hampshire, Amerika Serikat. Mereka datang dari latar belakang yang berbeda-beda. Ada matematikawan. Ada ilmuwan komputer. Ada ahli teori informasi. Ada peneliti psikologi. Ada juga insinyur yang bekerja dengan komputer awal. Namun mereka memiliki satu ketertarikan yang sama: Apakah kecerdasan manusia dapat dijelaskan, lalu ditiru oleh mesin? Pertemuan ini diprakarsai oleh empat tokoh penting: - John McCarthy - Marvin Minsky - Nathaniel Rochester - Claude Shannon Mereka menyusun sebuah proposal penelitian pada tahun 1955 untuk proyek yang akan dilaksanakan pada musim panas tahun berikutnya. Proposal tersebut memiliki gagasan yang sangat berani. Mereka percaya bahwa aspek-aspek kecerdasan manusiaseperti belajar, bernalar, menggunakan bahasa, memecahkan masalah, dan memperbaiki diri mungkin dapat dijelaskan secara cukup rinci sehingga suatu mesin dapat mensimulasikannya. Pada masa itu, gagasan tersebut terdengar sangat ambisius. Komputer masih sangat besar. Memori komputer masih sangat kecil. Kecepatan komputasi masih jauh lebih lambat dibanding perangkat modern. Tidak ada internet. Tidak ada smartphone. Tidak ada data digital dalam jumlah besar. Namun para ilmuwan ini sudah berani membayangkan masa depan ketika mesin tidak hanya menghitung angka, tetapi juga dapat melakukan proses yang menyerupai cara manusia berpikir. Bisa di bayangkan bagai mana kalo pertemuan di Dartmouth college tidak terjadi bakal gmna ya jadinya?? Penasaran lanjutanya? Yuk kepoin terus akun ini dan tunggu kelanjutannya di next post yaa!! Jika thread ini bermanfaat Jan lupa like comment dan Sharee! Sampai jumpa di next sesi history of AI selanjutnya #AI #ArtificialIntelligence #LearnAI #Grok #xAI #AIDeveloper #Tech #FutureOfWork #History
Indonesia
NVIDIA inference software keeps driving down token costs, long after AI infrastructure is deployed. ⚡
In just one month on NVIDIA Blackwell, software optimizations improved DeepSeek V4 performance by up to 5×, reducing token costs to roughly one-fifth of previous levels. NVIDIA's integrated inference software stack compounds improvements across runtimes, kernels, networking, and hardware, delivering up to 20× higher throughput on the same GPU.
Co-designed with NVIDIA GPUs, CPUs, networking, and systems, and powered by CUDA-native open source frameworks, NVIDIA's inference software stack ensures new model breakthroughs and optimizations run on NVIDIA from day zero, and keep improving throughput and lowering cost after deployment.
See how @Baseten, @Cognition, @DeepInfra, @togethercompute, and @Cursor_ai are turning continuous software innovation into lower cost per token: nvda.ws/4eRT43m
English
Lagi asik nonton anime rapat tapi kalian tau gk ada yg menarik dianime TENSURA terutama Ciel
Ciel di Tensura paling mirip AI agent superintelligence:
bukan cuma menjawab seperti chatbot, tapi menganalisis data, menyimpan memori, mensimulasikan banyak strategi, memakai tools berupa Skill, lalu bertindak otomatis
Kalau pakai istilah AI modern, Ciel di Tensura sudah lebih dekat ke superintelligent agent daripada AGI biasa. Ciel bisa bertarung, meneliti, merancang Skill, mengelola negara, membuat strategi diplomasi, mengoptimalkan sumber daya, hingga beradaptasi dengan ancaman baru
Menurutmu gmnaa yg pada nonton anime TENSURA?
#AIEdukasi #Tensura #Superintelligence #AIAgent
Indonesia
🚀 Full Stack Engineer, always shipping something new.
Looking to connect with devs, founders & creators who love building 🤝
🎯 Goal: 1000 meaningful connections by end of July
Drop a 👋 if you're building too!
#BuildInPublic #TechTwitter #WebDev #CodeNewbie #DevCommunity
English
Dear Algoritma X
Demi langit bumi bersaksi
Tolong pertemukan aku dengan akun cenblu dan non cenblu yg belum aku follow
Hope this works🥹
Indonesia
