DeepSeek Siapkan Senjata Terbaru Sebagai Hadapi Persaingan AI Di 2026

Jakarta –

Pelatihan model kecerdasan buatan (AI) berukuran besar Lebih mahal dan boros energi. Eksperimen terbaru Di DeepSeek menawarkan pendekatan Terbaru Sebagai Mengurangi pemborosan tersebut, Bersama membuat proses pelatihan model AI menjadi lebih stabil dan dapat diprediksi.

Di makalah Eksperimen terbarunya, DeepSeek Mengadakan metode bernama manifold-constrained hyperconnection (mHC). Pendekatan ini tidak difokuskan Ke peningkatan Prestasi mentah, melainkan Ke stabilitas pelatihan model AI berskala besar yang Pada ini kerap menjadi sumber masalah Di industri, demikian dikutip detikINET Di Gizmochina, Minggu (4/1/2026).

DeepSeek menyoroti fakta bahwa banyak model AI canggih gagal Di Di proses pelatihan. Ketika kegagalan terjadi, perusahaan harus mengulang pelatihan Di awal, yang berarti membuang waktu berminggu-minggu, konsumsi listrik Di jumlah besar, serta ribuan jam komputasi GPU. Kemakmuran ini membuat biaya Pembaruan AI melonjak tajam.

Lewat mHC, DeepSeek Melakukanupaya menjaga perilaku model agar tetap berada Di batas yang lebih terkontrol Pada proses pelatihan. Bersama stabilitas yang lebih baik, risiko kegagalan Di Di jalan dapat ditekan, Agar pelatihan model Memiliki Potensi lebih besar Sebagai selesai tanpa perlu pengulangan berulang.

Pendekatan ini dinilai relevan Di Di meningkatnya konsumsi energi pusat data Sebagai pelatihan AI. Meski mHC tidak secara langsung membuat GPU lebih hemat daya, metode ini Berpotensi Sebagai Mengurangi energi yang terbuang akibat pelatihan yang gagal. Yaitu, efisiensi dicapai lewat pengurangan pemborosan sumber daya, bukan lewat perubahan Alat keras.

DeepSeek juga menilai stabilitas pelatihan dapat Mengurangi ketergantungan industri Ke pendekatan “brute force”, seperti menambah jumlah GPU, memperbesar kapasitas memori, atau memperpanjang waktu pelatihan hanya Untuk menjaga model tetap berjalan. Jika pelatihan lebih stabil, kebutuhan Akansegera sumber daya berlebih bisa ditekan.

Di makalahnya, DeepSeek tidak mengklaim bahwa mHC Akansegera langsung menyelesaikan persoalan kelangkaan Alat keras atau lonjakan konsumsi energi Dunia. Tetapi, Eksperimen ini diposisikan sebagai langkah penting Sebagai memaksimalkan pemanfaatan infrastruktur yang sudah ada.

Seiring skala model AI yang terus membesar, pendekatan seperti mHC dinilai Berpotensi Sebagai membantu pengembang melatih model yang lebih kuat Bersama biaya dan konsumsi energi makin terkendali. Untuk industri AI, efisiensi semacam ini Lebih krusial Di Di tekanan ekonomi dan lingkungan yang kian Menimbulkan Kekhawatiran.

(asj/hps)