jensen huang Arsip - SuperNews Baca yang Penting Mon, 30 Mar 2026 15:49:32 +0000 id hourly 1 https://wordpress.org/?v=7.1.4 https://supernews.co.id/wp-content/uploads/2025/12/cropped-favicon-biru-besar-150x150.png jensen huang Arsip - SuperNews 32 32 Prediksi Jensen Huang: 90% Pengetahuan Dunia Bakal ‘Sintetis’ https://supernews.co.id/jensen-huang-prediksi-ai-knowledge-2026/ Wed, 28 Jan 2026 03:16:25 +0000 https://supernews.co.id/?p=58082 supernews – Jensen Huang baru saja melempar prediksi yang mungkin terdengar gila, atau malah sangat masuk akal bagi yang mengikuti pola datanya. CEO Nvidia ini memprediksi transformasi radikal: pada tahun 2029, sekitar 90% pengetahuan manusia akan bersifat “sintetis”—dihasilkan oleh AI, bukan ditulis tangan oleh kita. Dia menegaskan bahwa infrastruktur komputasi global bukan lagi sekadar gudang data, tapi sudah berevolusi menjadi mesin penalaran (reasoning engine) yang memvalidasi fakta secara otonom.


Apa Maksud “Pengetahuan Sintetis” dalam Konteks AI?

Istilah ini mungkin terdengar dystopian, tapi konsepnya sebenarnya logis. Pengetahuan sintetis adalah informasi yang diproduksi lewat proses resynthesizing data global oleh Artificial Intelligence. Jadi, AI tidak menulis manual seperti novelis yang menunggu inspirasi.

Dalam model ini, mesin “melahap” miliaran data mentah, memverifikasinya berdasarkan prinsip dasar (first principles), lalu menyusunnya ulang menjadi materi yang terstruktur. Tujuannya? Menciptakan sumber pengetahuan yang sudah melewati proses fact-checking algoritmik. Harapannya, bias manusia bisa ditekan seminimal mungkin.


Prediksi Utama: Dominasi Pengetahuan AI di 2029

Perlu diingat, Jensen Huang tidak sedang bicara soal fiksi ilmiah. Dia melihat tren data. Dalam pandangannya, cara kita mengonsumsi informasi—mulai dari buku teks kedokteran sampai jurnal astrofisika yang rumit—bakal berubah total.

Kalau sekarang pengetahuan itu dikurasi, ditulis, dan disebarkan oleh manusia, dalam 2 sampai 3 tahun ke depan, peran manusia bakal bergeser. Kita cuma akan jadi “validator” akhir. Pekerjaan berat risetnya (heavy lifting)? Biar silikon yang mengerjakan.

Analisis Kritis: Jensen menekankan poin penting: bagi pengguna akhir, sebenarnya tidak ada bedanya apakah sebuah solusi ditemukan oleh otak biologis atau jaringan syaraf tiruan. Selama hasilnya akurat dan grounded on truth, siapa yang peduli?

Pergeseran Paradigma: Dari Chatbot Menjadi Thinking Machine

Masih ingat tahun 2023-2024? Itu era “Generative AI” yang kemampuannya sebatas memprediksi kata berikutnya. Canggih, tapi sering ngawur. Nah, tahun 2026 ini adalah era “Reasoning AI”. Jensen menjelaskan bahwa kekuatan komputasi (compute power) GPU sekarang dialokasikan untuk fase “refleksi” sebelum satu huruf pun diketik di layar.

Mekanisme “Thinking” pada AI Modern

Proses ini meniru cara kognisi manusia saat kita menghadapi masalah yang bikin pusing:

  1. Decomposition: Masalah besar dipecah dulu jadi sub-masalah yang logis.

  2. Internal Research: AI melakukan riset data, baik internal maupun eksternal.

  3. Self-Correction: Ini bagian menariknya. AI bertanya ke diri sendiri, “Yakin enggak nih sama jawabannya?”

  4. Final Output: Jawaban baru keluar setelah lolos validasi internal.

Implikasinya jelas: AI modern tidak lagi berhalusinasi dengan percaya diri. Kalau dia ragu, dia bakal looping riset ulang sampai nemu landasan logika yang kuat.

Konsep Universal Function Approximator di Sains Murni

Ini bagian paling teknis, tapi juga paling revolusioner kalau kita mau sedikit berpikir filosofis. Jensen mendefinisikan AI sebagai Universal Function Approximator.

Begini analoginya: Dalam metode sains tradisional, manusia harus nemuin rumus (Fungsi) buat menghubungkan Input dan Output. Contoh klasik, Newton melihat apel jatuh (Input/Output) lalu putar otak merumuskan F=ma (Fungsi).

Dengan Deep Learning, paradigmanya dibalik total:

  • Manusia memberikan: Input data + Output hasil observasi.

  • AI menemukan: Fungsinya (The function in the middle).

Artinya apa? Persamaan rumit kayak Schrödinger (kuantum), Navier-Stokes (fluida), atau pemetaan protein DNA enggak perlu lagi diprogram manual satu per satu. AI bakal “mempelajari” hukum fisika itu cuma dengan melihat datanya. Riset yang dulunya memakan waktu satu dekade, bisa kelar dalam hitungan minggu. Efisiensinya ngeri.

Nvidia’s Law: Melampaui Batas Fisika Moore’s Law

Kita sering dengar orang bilang Moore’s Law sudah mati. Jensen? Dia masa bodoh, karena dia punya hukum sendiri. Dalam satu dekade terakhir, efisiensi komputasi AI Nvidia meningkat gila-gilaan sampai 100.000 kali lipat.

Parameter Moore’s Law (Tradisional) Nvidia’s Law (AI Era)
Fokus Utama Jumlah Transistor Efisiensi & Skala Komputasi
Pertumbuhan 2x setiap 2 tahun Eksponensial (Klik per hari)
Dampak Riset Hardware lebih cepat Simulasi miliaran tahun jadi menit

Jensen menyebut ini sebagai clicking ahead. Setiap hari, kita berdiri di atas bahu pencapaian AI hari sebelumnya, menciptakan efek bola salju (compounding effect) yang menakjubkan sekaligus bikin kita merasa kecil.

Validitas Prediksi: Mengintip Lewat “Radar Sistem” Nvidia

Kenapa kita harus percaya omongan Jensen? Sederhana: karena Nvidia memegang peta harta karunnya.

Nvidia itu satu-satunya entitas yang menjual “sekop” ke setiap penambang emas digital di dunia saat ini. Mulai dari lab biologi yang meriset kanker, startup autonomous vehicle, sampai raksasa hyperscaler cloud, semuanya pakai chip hijau ini.

Posisi ini ngasih Jensen “Radar System” terluas di industri. Dia bisa melihat pola demand dan jenis beban kerja (workload) yang dijalankan para ilmuwan jauh sebelum hasil risetnya rilis ke publik. Kalau Jensen bilang arahnya ke “Reasoning AI”, itu karena dia melihat datanya langsung di order book Nvidia. Bukan tebak-tebakan.

Kesimpulan & Realita Penggunaan

Visi Jensen Huang ini menutup celah teknologi (technology divide). Di masa depan—yang sebenarnya sudah dimulai hari ini—siapa pun bisa jadi periset, programmer, atau kreator cuma bermodal bahasa manusia. Biar AI yang pusing ngurusin kompleksitasnya.

Pro & Cons Pengetahuan Sintetis

Pro:

  • Kecepatan Riset: Waktu R&D yang tahunan bisa dipangkas jadi mingguan.

  • Akurasi Logika: Reasoning model mengurangi risiko human error (kecorobohan manusia) dalam hitungan kompleks.

  • Demokratisasi: Akses ke “otak super” terbuka buat siapa saja yang punya koneksi internet.

Cons:

  • Black Box: Sulit menelusuri bagaimana tepatnya AI menemukan “fungsi” tersebut. Masalah interpretabilitas ini serius.

  • Ketergantungan Infrastruktur: Butuh energi dan daya komputasi yang masif.

  • Echo Chamber: Ada risiko pengetahuan jadi homogen kalau semua orang pakai model dasar yang sama.

Verdik Editor:

Prediksi Jensen memang terdengar ambisius. Tapi kalau kita lihat trajektori GPT-5 dan model reasoning (seperti o1 atau penerusnya di 2026), angka 90% mungkin terdengar hiperbola, tapi arahnya benar. Bersiaplah untuk dunia di mana “belajar” bukan lagi soal menghafal fakta, tapi soal memvalidasi logika mesin.

Sumber asli: https://supernews.co.id/jensen-huang-prediksi-ai-knowledge-2026/

]]>