Para peneliti di Chinese Academy of Sciences’ Institute of Automation di Beijing baru saja memperkenalkan sebuah sistem kecerdasan buatan (AI) baru yang diberi nama SpikingBrain 1.0. Ini bukan sekadar AI biasa, melainkan sebuah model bahasa besar (LLM) yang dideskripsikan sebagai "mirip otak" manusia, menjanjikan efisiensi luar biasa.
Yang membuat SpikingBrain 1.0 begitu istimewa adalah kemampuannya beroperasi dengan minim energi. Lebih dari itu, sistem ini dirancang untuk berjalan pada perangkat keras buatan China, sepenuhnya independen dari dominasi chip Nvidia asal Amerika Serikat yang selama ini menjadi tulang punggung industri AI global.
Revolusi AI dari Tiongkok: SpikingBrain 1.0 Lahir
Di tengah perlombaan global dalam pengembangan AI, China kembali menunjukkan taringnya dengan inovasi yang berpotensi mengubah peta persaingan. SpikingBrain 1.0 bukan hanya sekadar LLM, melainkan sebuah pernyataan bahwa Tiongkok mampu menciptakan teknologi AI mutakhir dengan caranya sendiri.
Para peneliti menjelaskan bahwa LLM berbasis transformer arus utama saat ini menghadapi kendala efisiensi yang signifikan. Mulai dari komputasi pelatihan yang berskala kuadratik dengan sekuens panjang, hingga memori inferensi yang tumbuh linear, semua ini menjadi tantangan besar. SpikingBrain 1.0 hadir sebagai solusi revolusioner.
Rahasia di Balik Kecerdasan ‘Mirip Otak’: Spiking Computation
Proyek SpikingBrain 1.0 merupakan bagian integral dari penelitian ilmiah yang lebih luas mengenai komputasi neuromorfik. Tujuan utamanya adalah mereplikasi efisiensi luar biasa dari otak manusia, yang mampu beroperasi hanya dengan daya sekitar 20 watt, jauh lebih hemat dari superkomputer mana pun.
Tim peneliti dengan bangga menyatakan, "Pekerjaan kami terinspirasi dari mekanisme otak." Ini bukan sekadar metafora, melainkan inti dari teknologi yang mereka kembangkan. Mereka berusaha meniru cara kerja neuron biologis yang sangat efisien dalam memproses informasi.
Bagaimana Spiking Computation Bekerja?
Teknologi inti di balik SpikingBrain 1.0 dikenal sebagai ‘spiking computation’. Metode ini meniru cara neuron biologis di otak manusia berkomunikasi. Alih-alih mengaktifkan seluruh jaringan untuk memproses informasi, seperti yang dilakukan oleh ChatGPT dan banyak LLM konvensional lainnya, SpikingBrain 1.0 bekerja secara berbeda.
Sebagian besar jaringan SpikingBrain 1.0 bisa tetap senyap, hanya neuron yang benar-benar dibutuhkan yang aktif. Sistem ini menggunakan pendekatan berbasis peristiwa, di mana neuron hanya mengirim sinyal ketika dipicu secara spesifik oleh input tertentu. Respons selektif inilah yang menjadi kunci untuk mengurangi konsumsi energi dan mempercepat waktu pemrosesan secara drastis.
Efisiensi Maksimal, Ketergantungan Minimal: Tanpa Chip Nvidia!
Salah satu aspek paling mencolok dari SpikingBrain 1.0 adalah kemampuannya untuk beroperasi tanpa ketergantungan pada chip Nvidia. Selama ini, Nvidia mendominasi pasar chip AI global, membuat banyak negara dan perusahaan sangat bergantung pada teknologinya. China, melalui SpikingBrain 1.0, menunjukkan jalan lain.
Ini adalah langkah strategis Tiongkok untuk mencapai kedaulatan teknologi. Dengan mengembangkan perangkat keras dan perangkat lunak AI secara mandiri, mereka mengurangi risiko sanksi atau pembatasan ekspor yang bisa menghambat kemajuan teknologi mereka. SpikingBrain 1.0 adalah bukti nyata dari ambisi tersebut.
Dampak Geopolitik dan Kedaulatan Teknologi
Langkah China untuk mengembangkan AI yang tidak bergantung pada chip Nvidia memiliki implikasi geopolitik yang sangat besar. Ini bukan hanya tentang inovasi teknologi, tetapi juga tentang kekuatan dan kemandirian. Dalam konteks perang dagang teknologi yang sedang berlangsung, SpikingBrain 1.0 adalah kartu truf yang kuat bagi Tiongkok.
Penggunaan platform MetaX, sebuah perusahaan yang berbasis di Shanghai, untuk menjalankan sistem ini semakin memperkuat narasi kemandirian teknologi China. Ini menunjukkan bahwa ekosistem AI domestik mereka semakin matang dan mampu menopang proyek-proyek ambisius. Dunia mungkin akan melihat lebih banyak inovasi serupa dari China di masa depan.
Lebih Cepat, Lebih Hemat Data: Angka-angka yang Mengejutkan
Efisiensi SpikingBrain 1.0 bukan sekadar klaim, melainkan didukung oleh data yang mengesankan. Menurut tim peneliti, model ini mampu melakukan tugas-tugas tertentu hingga 100 kali lebih cepat dibandingkan beberapa model konvensional. Angka ini dicapai bahkan saat dilatih menggunakan data kurang dari 2 persen dari yang biasanya dibutuhkan oleh LLM pada umumnya.
Untuk mendemonstrasikan konsep mereka, tim membangun dan menguji dua versi model: yang kecil dengan 7 miliar parameter dan yang lebih besar berisi 76 miliar parameter. Keduanya dilatih menggunakan total sekitar 150 miliar token data, jumlah yang relatif kecil untuk model skala ini, namun menghasilkan performa yang luar biasa.
Dalam satu pengujian yang dikutip dalam makalah, model yang lebih kecil merespons perintah yang terdiri dari 4 juta token lebih dari 100 kali lebih cepat daripada sistem standar. Sementara itu, dalam pengujian berbeda, varian SpikingBrain 1.0 menunjukkan peningkatan kecepatan 26,5 kali lipat dibandingkan arsitektur transformer konvensional ketika menghasilkan token pertama saja dari konteks satu juta token. Ini adalah lompatan besar dalam efisiensi.
Potensi Aplikasi yang Mengubah Permainan
Dengan kecepatan dan efisiensi yang ditawarkan SpikingBrain 1.0, potensi aplikasinya sangat luas dan bisa mengubah banyak sektor. Bayangkan analisis dokumen hukum dan medis yang panjang, yang biasanya memakan waktu berjam-jam atau bahkan berhari-hari, kini bisa diselesaikan dalam hitungan menit.
Selain itu, teknologi ini juga sangat menjanjikan untuk penelitian dalam fisika energi tinggi dan tugas-tugas kompleks seperti pengurutan DNA. Semua bidang ini melibatkan pemahaman terhadap kumpulan data besar yang sangat membutuhkan kecepatan dan efisiensi komputasi. SpikingBrain 1.0 bisa menjadi kunci untuk mempercepat penemuan-penemuan penting di sana.
Masa Depan AI: Era Baru Komputasi Neuromorfik?
Para peneliti melaporkan bahwa sistem mereka berjalan stabil selama berminggu-minggu pada konfigurasi ratusan chip MetaX. Performa berkelanjutan pada perangkat keras domestik ini menggarisbawahi potensi sistem untuk penerapan di dunia nyata, bukan hanya di laboratorium. Ini adalah kabar baik bagi masa depan AI.
"Hasil ini tidak hanya menunjukkan kelayakan pelatihan model besar yang efisien pada platform non-NVIDIA, tetapi juga menguraikan arah baru untuk penerapan dan implementasi model yang terinspirasi oleh otak yang skalabel dalam sistem komputasi masa depan," simpul makalah penelitian tersebut. Mungkinkah ini awal dari era baru komputasi neuromorfik yang akan mendefinisikan ulang batas-batas kecerdasan buatan? Hanya waktu yang akan menjawabnya.
