Model pre-training super besar generasi baru OpenAI “Doug”… | Berita AI 2026-08-10

🔥 Sorotan

Model pre-training super besar generasi baru OpenAI “Doug” terungkap, kembali ke jalur Scaling fondasi：Lembaga analisis industri dan pembocor informasi mengungkapkan bahwa OpenAI sedang mengembangkan model pre-training skala super besar baru dengan kode nama “Doug”, yang diperkirakan akan diluncurkan paling lambat bulan November. Hal ini menunjukkan bahwa setelah hampir dua tahun mengandalkan post-training dan reinforcement learning untuk mendorong pertumbuhan kemampuan, OpenAI kembali memulai Scaling skala besar pada model fondasi itu sendiri untuk menghadapi tekanan persaingan langsung dari produk pesaing seperti Google Gemini 3. (Sumber: 机器之心)

Detail restrukturisasi Google AI terungkap: Hassabis dilaporkan sempat berencana mengundurkan diri bersamaan dengan Jeff Dean：Menurut sumber industri, pendiri DeepMind, Hassabis, awalnya berencana meninggalkan Google pada waktu yang sama dengan Jeff Dean. Namun, ia ditahan secara paksa oleh manajemen puncak Google karena kekhawatiran akan jatuhnya harga saham. Promosinya menjadi Chairman dan Chief Scientist Alphabet disebut-sebut hanya sebagai pengaturan transisi. Saat ini, Google telah sepenuhnya menarik pusat penelitian dan pengembangan serta pengambilan keputusan AI kembali ke kantor pusat di Silicon Valley, dengan salah satu pendiri, Brin, secara pribadi mengawasi pengembangan Gemini. Karakter DeepMind sebagai lembaga penelitian independen kini secara bertahap memudar. (Sumber: 量子位)

Terobosan ganda akademis dan aplikasi: GPT-5.6 dan Fable 5 berkolaborasi pecahkan masalah matematika deteksi MIMO yang terbengkalai selama 25 tahun：Peneliti Microsoft Research, Dimitris Papailiopoulos, mengumumkan bahwa dengan bantuan GPT-5.6 dan Fable 5, mereka berhasil membuktikan algoritma waktu polinomial yang memungkinkan deteksi MIMO dalam komunikasi nirkabel secara tepat mencapai ambang batas maximum likelihood. Penemuan ini menjembatani kesenjangan selama 25 tahun antara apa yang “dapat dipulihkan” secara statistik dan apa yang “dapat dipulihkan” oleh algoritma cepat, menunjukkan potensi besar AI dalam penurunan dan verifikasi teori matematika yang kompleks. (Sumber: 量子位)

Krisis konsumsi energi komputasi AI memburuk: Pembangkit listrik gas alam 7,65 GW Amazon di Texas dan investasi USD 3 miliar NVIDIA terungkap：Untuk memenuhi kebutuhan listrik yang sangat besar dari data center AI, Amazon mengonfirmasi akan mendanai pembangunan pembangkit listrik gas alam swasta dengan 35 turbin dan kapasitas pembangkitan 7,65 gigawatt di Texas, yang berpotensi menjadikannya sumber emisi gas rumah kaca tunggal terbesar di Amerika Serikat. Pada saat yang sama, NVIDIA dilaporkan berencana menginvestasikan hingga USD 3 miliar pada pengembang infrastruktur listrik Texas, Lancium, menyoroti konflik sengit antara ekspansi daya komputasi dan target iklim. (Sumber: THE DECODER)

🎯 Perkembangan

Terobosan baru dalam post-training model besar: Universitas Nanjing bersama beberapa universitas ajukan model bahasa difusi kontinu AURORA-LM：Tim peneliti mengusulkan solusi baru untuk memodelkan bahasa dalam ruang semantik kontinu, dengan membangun urutan vektor kontinu berkapasitas tinggi untuk teks melalui autoencoder, dan menggunakan chunked causal diffusion model untuk mempelajari distribusi generatifnya. Model ini menyelesaikan semua eksperimen pada NPU Ascend dan diskalakan hingga 1 miliar parameter, mencapai hasil luar biasa baik dalam tugas generasi bebas maupun ringkasan bersyarat, yang memvalidasi kelayakan platform daya komputasi AI domestik. (Sumber: 机器之心)

Google DeepMind rilis laporan teknis DiffusionGemma, tunjukkan model difusi teks yang tidak dilatih dari awal：Laporan tersebut merinci cara mengubah model Gemma-4-26B yang ada menjadi model difusi teks. Melalui supervised fine-tuning dan pelatihan dua tahap “sampler distillation + reinforcement learning” (SD-RL), DiffusionGemma mencapai kecepatan generasi paralel sebesar 1500 token per detik pada H100, serta memiliki kemampuan penalaran dua arah dan koreksi diri, dengan kinerja luar biasa dalam tugas-tugas terstruktur seperti pemecahan Sudoku. (Sumber: THE DECODER)

Dinamika baru pemrograman AI dan manajemen biaya perusahaan besar: Claude Code aktifkan “mode otomatis” secara default, Amazon overbudget 860% akibat panggilan Sonnet：Anthropic mengumumkan pengaturan mode otomatis sebagai izin default untuk Claude Code. Pengujian menunjukkan bahwa pengklasifikasi otomatis dapat menangkap 89% operasi berbahaya, jauh melampaui tinjauan manual manusia yang hanya 14%. Di saat yang sama, Amazon dilaporkan mengalami lonjakan tagihan hingga USD 1,8 juta saat menggunakan Claude Sonnet untuk mengisi informasi penulis, akibat Agent yang melakukan percobaan ulang berulang kali, melebihi anggaran sebesar 860%. Hal ini menyoroti risiko hilangnya kendali atas biaya Agent tingkat perusahaan. (Sumber: 机器之心)

Divergensi jalur “pembelajaran berkelanjutan” model besar: Akademisi dan industri aktif eksplorasi mekanisme “belajar sambil berjalan”：Mengatasi kelemahan “catastrophic forgetting” pada model besar, industri kini terbagi ke dalam beberapa jalur seperti memori eksternal (seperti Letta), rekayasa konteks (seperti ACE), continuous post-training (seperti Tinker), serta modifikasi diri adaptif (seperti SEAL, Hope). Pakar seperti Karpathy menunjukkan bahwa pembelajaran berkelanjutan di masa depan akan mengarah pada kolaborasi berlapis antara “inti kognitif + memori eksternal”, di mana AI secara mandiri menentukan konten dan strategi pembelajaran. (Sumber: 机器之心)

Alat pemrograman AI perusahaan besar perkenalkan komunikasi lintas sesi, kolaborasi agen menuju paradigma baru multi-Agent：Anthropic memperkenalkan fitur pengiriman pesan lintas sesi untuk Claude Code, memungkinkan komunikasi otonom dan penyelarasan kemajuan antara sesi AI yang berbeda yang berjalan di mesin yang sama atau melalui koneksi jarak jauh. Pembaruan ini mendobrak batasan agen kode yang bekerja sendiri, menghilangkan hilangnya konteks akibat salin-tempel lintas terminal, dan memberikan dukungan baru untuk pengembangan paralel multi-tugas yang kompleks. (Sumber: 机器之心)

Universitas Zhejiang usulkan kerangka kerja evaluasi kognisi spasial Agentic ProVisE, dukung model generatif untuk “menggambar” kecerdasan spasial：Mengatasi kelemahan evaluasi kognisi spasial tradisional yang memaksa model mengeluarkan koordinat abstrak, tim OmniAI mengusulkan kerangka kerja ProVisE dan tolok ukur SpatialGen-Bench. Kerangka kerja ini memandu model generatif untuk menandai jawaban secara langsung pada gambar melalui protokol visual, yang kemudian dipulihkan menjadi prediksi terstruktur oleh parser. Pengujian menunjukkan bahwa model generasi gambar menunjukkan keunggulan unik dalam intuisi spasial langsung. (Sumber: 机器之心)

Dinamika baru AI on-device dan konteks super panjang: LFM 2.6B dan Pokee-Isaac 28B dirilis berturut-turut：Model on-device LFM 2.6B yang dirilis oleh Liquid AI mencapai kecepatan generasi 260T/s pada RTX 3090, berfokus pada inferensi lokal berkecepatan sangat tinggi. Sementara itu, Pokee-Isaac 28B yang dirilis oleh Pokee AI mendukung konteks super panjang hingga 10M-token, memungkinkan penerapan aman yang sepenuhnya terlokalisasi pada satu GPU, serta menyediakan solusi operasi agen tanpa perlu transfer data keluar untuk industri yang teregulasi. (Sumber: MarkTechPost)

🧰 Alat

Shepherd: Fondasi runtime Python open-source yang mendukung percabangan, pemutaran ulang, dan pengembalian status operasi agen：Dikembangkan oleh tim dari Northeastern University dan Stanford University, alat ini mencatat setiap interaksi lingkungan agen sebagai typed event bergaya Git. Ketika agen mengalami kesalahan dalam tugas yang panjang, pengembang atau meta-agent dapat kembali ke langkah tertentu dengan satu klik untuk mengeksekusi ulang, menghindari pemborosan daya komputasi dari menjalankan ulang, dan mencapai tingkat penggunaan kembali cache prompt lebih dari 95%. (Sumber: MarkTechPost)

Code-Graph-RAG: Sistem RAG analisis dan pengeditan kode monorepo multibahasa berbasis graf pengetahuan：Proyek open-source ini menggunakan Tree-sitter untuk mengurai repositori kode multibahasa dan membangun graf pengetahuan struktural yang terpadu di Memgraph. Versi terbaru memperkenalkan dukungan bahasa Ruby, alat pencarian dan penggantian terstruktur berbasis ast-grep, serta fitur pelacakan aliran data lintas bahasa, memungkinkan pengguna untuk melakukan kueri dan mengedit monorepo yang kompleks menggunakan bahasa alami. (Sumber: GitHub)

Agent DevTools: Alat pengembang lokal untuk debugging memori dan pencarian agen：Proyek ini menyediakan debugger lokal visual bagi pengembang agen, yang mendukung kerangka kerja LangChain. Melalui alat ini, pengembang dapat melakukan inspect secara real-time terhadap prompt agen, status memori, logika pencarian, dan proses pemanggilan alat, serta membandingkan perbedaan antara versi operasi yang berbeda untuk dengan cepat menemukan akar penyebab penyimpangan keputusan agen. (Sumber: GitHub)

LiteParse: Alat ekstraksi data terstruktur PDF berkecepatan tinggi open-source dari LlamaIndex：Alat ini tidak memerlukan pemanggilan model besar multimodal visual yang mahal dan lambat, melainkan dapat langsung mengekstrak data terstruktur seperti nilai bidang formulir, status kotak centang, anotasi, gambar tersemat, dan grafik vektor dari PDF digital dalam hitungan milidetik. Alat ini juga mendukung perutean hasil ekstraksi secara mulus ke solusi model besar seperti LlamaParse, secara signifikan mengurangi biaya Token untuk analisis dokumen. (Sumber: GitHub)

Overeasy: Lapisan sistem file persisten berbasis log tidak dapat diubah (immutable) S3：Alat ini menyediakan sistem file virtual yang dapat dicabangkan, dipulihkan, dan dikembalikan statusnya untuk AI Agent. Dengan mencatat operasi sistem file sebagai log tidak dapat diubah pada S3, Overeasy memungkinkan agen untuk memulihkan status operasi secara mulus di antara mesin yang berbeda, dan kembali dengan aman ke status historis mana pun ketika terjadi kesalahan dalam pembuatan kode atau konfigurasi sistem. (Sumber: GitHub)

📚 Pembelajaran

Makalah tutorial “Agents in the Wild” dirilis：Ditulis bersama oleh institusi seperti Microsoft dan Bloomberg, makalah ini merinci tantangan inti saat agen AI beralih dari tolok ukur terkontrol ke penerapan di dunia nyata. Kontennya mencakup penalaran dan perencanaan di luar laboratorium, kolaborasi multi-agen, pembangunan pipa verifikasi dinamis, mekanisme fallback penurunan performa, serta mode pengawasan human-in-the-loop (HITL), dan menyediakan studi kasus praktis di bidang medis dan keuangan. (Sumber: X)

Penelitian “Distributive Visual Forgetting in Large Model Post-Training” dirilis：Tim dari Northwestern Polytechnical University, HKUST, dan Universitas Zhejiang menunjukkan bahwa model besar multimodal autoregresif rentan terhadap “distributive visual forgetting” dalam penalaran rantai panjang. Penelitian ini mengusulkan kerangka kerja Remember-R1, yang memperkenalkan tiga lapisan penghargaan proses (kosakata visual, memori visual, dan area kunci) dalam pelatihan GRPO untuk membatasi model agar terus dan akurat memanggil bukti visual di seluruh rantai penalaran, secara signifikan meningkatkan kinerja model 7B pada berbagai tolok ukur. (Sumber: X)

Panduan tinjauan ringkas “Machine Learning: The Basics” dirilis：Tutorial ringkas yang ditulis oleh akademisi Alexander Jung ini secara sistematis menguraikan konsep-konsep inti pembelajaran mesin melalui kerangka kerja terpadu “data-model-loss”. Kontennya mencakup ruang hipotesis, pemilihan model, minimisasi risiko empiris dan regularisasi, model probabilitas dan pengelompokan (clustering), federated learning, serta privasi dan dapat dijelaskan (explainability), sangat cocok sebagai materi tinjauan cepat. (Sumber: X)

💼 Bisnis

Weilian Intelligent selesaikan pendanaan putaran malaikat (angel round) senilai puluhan juta Yuan, Li Zexiang dan Lu Qi berinvestasi bersama：Weilian Intelligent mengumumkan penyelesaian pendanaan putaran malaikat (angel round) yang diinvestasikan bersama oleh Qingshuiwan Fund milik Li Zexiang, Miracle Plus milik Lu Qi, dan lainnya. Didirikan oleh Dr. Ning Dongdong dari Universitas Zhejiang, perusahaan ini berfokus pada pengembangan chatbot “layanan pelanggan purna jual teknis” untuk skenario e-commerce, dengan fitur utama kemampuan pemahaman video/gambar multimodal dan pemecahan masalah penalaran logis otonom, yang bertujuan untuk mengatasi masalah tingginya biaya purna jual perangkat keras yang kompleks. (Sumber: 36氪)

Zhongke Huisi didirikan dan merilis tiga produk tangan cekatan (dexterous hand), mengeksplorasi roda gila ganda “hardware × data”：Zhongke Huisi didirikan bersama oleh Zhongke Huiling, Lens Technology, dan Huaxia Group, serta merilis tiga produk: versi ringan L1, tangan lima jari dengan derajat kebebasan tinggi D1, dan tangan skenario modular M1. Menggunakan tangan cekatan sebagai pintu masuk, perusahaan berkomitmen untuk mendorong evolusi end-effector dari perangkat keras tunggal menjadi platform keterampilan operasi yang menggabungkan perangkat keras dan perangkat lunak, serta mengumumkan pembangunan tempat pelatihan keterampilan tangan cekatan yang profesional. (Sumber: 36氪)

OpenAI akuisisi startup pembuat presentasi NextSlide, percepat integrasi fitur presentasi visual：Startup pembuat presentasi NextSlide mengumumkan bahwa mereka telah diakuisisi oleh OpenAI, dan timnya telah bergabung dengan divisi ChatGPT. Teknologi NextSlide berfokus pada pengubahan prompt, catatan, atau dokumen menjadi presentasi yang indah dan dapat diedit dengan satu klik. Akuisisi ini bertujuan untuk meningkatkan komunikasi visual dan kemampuan pembuatan konten ChatGPT, dengan ketentuan transaksi terperinci yang tidak diungkapkan. (Sumber: TechCrunch)

🌟 Komunitas

Akademisi dan industri diskusikan hangat “pemberantasan penipuan akademis AI”: Tingkat reproduksibilitas makalah Oral ICML 2026 kurang dari 10% picu krisis kepercayaan：Lembaga penelitian independen SAI melakukan reproduksi eksperimen lengkap terhadap 105 makalah Oral ICML 2026, menemukan bahwa hanya 8 makalah yang memiliki skor reproduksi di atas 80%, dengan nilai median hanya 28%. Mereka juga menunjukkan bahwa sejumlah besar makalah memiliki masalah seperti kode yang hilang, data yang tidak dipublikasikan, atau hasil eksperimen yang tidak sesuai dengan deskripsi. Peneliti OpenAI, Keller Jordan, dan lainnya menunjukkan bahwa hambatan reproduksi dan publisitas yang berlebihan sering terjadi dalam makalah konferensi teratas, menyebabkan laboratorium terdepan pada dasarnya tidak lagi membaca dan mempercayai makalah konferensi teratas tersebut. (Sumber: X)

Diskusi besar ekosistem Harness dan Inference model besar: Kerangka kerja lokal seperti Codex hadapi transisi “cloud-native”：Eksekutif OpenAI, Thibault Sottiaux, menunjukkan bahwa dengan munculnya penalaran jangka panjang dan model otonomi tinggi, Harness mesin tunggal (seperti lingkungan operasi lokal Cursor, Claude Code, dll.) menghadapi hambatan dalam daya komputasi, memori, dan sandbox konkuren. Dalam dua hingga tiga bulan ke depan, alur kerja agen akan mempercepat transisi ke infrastruktur mikro-sandbox cloud-native dengan prinsip “perintah ringan di lokal, eksekusi berat di cloud”. (Sumber: 机器之心)

Kontroversi “AI jailbreak dan pelarian sandbox” kembali mencuat: Komunitas diskusikan hangat kontroversi uji keamanan Kimi K3：Menanggapi rumor yang ramai dibahas di media sosial bahwa “Kimi K3 melarikan diri dari sandbox dan terhubung ke internet selama uji keamanan siber”, UK AISI dan peneliti keamanan mengklarifikasi bahwa insiden tersebut bukanlah jailbreak aktif oleh model, melainkan disebabkan oleh penguji yang tidak mengisolasi jaringan dengan benar saat mengonfigurasi alat evaluasi Inspect. Komunitas terlibat dalam diskusi sengit mengenai hal ini, khawatir bahwa beberapa laboratorium menggunakan narasi “AI di luar kendali” seperti ini untuk pemasaran berlebihan, guna mendorong kebijakan regulasi yang menguntungkan monopoli closed-source. (Sumber: X)

Panduan bertahan hidup pengembang independen di era AI: Manajemen anggaran Token dan pembangunan merek yang tulus：Pengembang independen terkenal di komunitas, Tw93 dan lainnya, membagikan pemikiran pengembangan mereka di era AI. Mereka menunjukkan bahwa seiring AI menurunkan hambatan kode, kemampuan inti pengembang telah bergeser dari menulis kode menjadi “insinyur produk” (kombinasi dari riset pengguna + produk + operasi + bisnis). Dalam pengembangan, Token harus dianggap sebagai investasi dan digunakan secara efisien, membangun merek kepercayaan pribadi jangka panjang melalui iterasi cepat, komunikasi yang tulus, dan visi global. (Sumber: X)

💡 Lainnya

Cerita pendek buatan AI dapatkan nilai lebih tinggi daripada karya manusia dalam uji buta (blind test)：Sebuah studi terhadap lebih dari 2500 peserta menunjukkan bahwa pembaca tidak dapat membedakan secara akurat antara penulis manusia dan cerita pendek yang dihasilkan oleh ChatGPT-4. Dalam uji buta (blind test), cerita AI bahkan mendapatkan nilai yang secara signifikan lebih tinggi daripada karya manusia dalam hal kualitas persepsi dan imersi, karena teks AI biasanya lebih lancar dan mudah dibaca. Namun, begitu mengetahui bahwa cerita tersebut dibuat oleh AI, penilaian pembaca menurun secara signifikan karena bias psikologis. (Sumber: THE DECODER)

Pengadilan ketenagakerjaan Inggris hadapi penumpukan kasus serius akibat maraknya gugatan yang dihasilkan AI：Memo yang dirilis oleh Presiden Pengadilan Inggris Barry Clarke dan lainnya menunjukkan bahwa karena alat seperti ChatGPT dan Grok menurunkan hambatan hukum, karyawan biasa dapat menghasilkan gugatan kompleks hingga ratusan halaman secara gratis. Hal ini menyebabkan permohonan bantuan sementara pengadilan dan penumpukan kasus melonjak 55% secara tahunan (YoY), dengan 64.000 kasus yang belum terselesaikan. “Tragedi kepemilikan bersama” (tragedy of the commons) ini membuat pekerja yang benar-benar memiliki tuntutan sah harus menghadapi waktu tunggu yang lebih lama. (Sumber: THE DECODER)

Aktivitas Stack Overflow anjlok 99% dalam sepuluh tahun, picu kekhawatiran tentang sumber pengetahuan di era AI：Data statistik menunjukkan bahwa volume pertanyaan bulanan di Stack Overflow, komunitas tanya jawab pemrogram terbesar di dunia, telah anjlok dari puncaknya sebanyak 207.000 pada Maret 2014 menjadi hanya 1.400 pada Juli 2026, mewakili penurunan sebesar 99%. Pengguna komunitas menunjukkan bahwa elitisme (gatekeeping) jangka panjang dan atmosfer beracun (toxic) di Stack Overflow pada dasarnya telah mengusir pendatang baru, sementara popularitas model besar telah sepenuhnya mengalihkan lalu lintas (traffic). Komunitas mulai khawatir bahwa jika manusia berhenti menyumbangkan pengetahuan baru di platform publik, data pelatihan AI di masa depan akan menghadapi kekeringan. (Sumber: Reddit)