Courtesy of TechCrunch

Perkembangan Model AI Reasoning Diprediksi Melambat Dalam Waktu Dekat

Menganalisis dan memperingatkan kemungkinan perlambatan kemajuan performa model reasoning AI dalam waktu dekat serta tantangan yang dihadapi dalam skala pelatihan dan biaya riset.

13 Mei 2025, 05.36 WIB

43 dibaca

Ikhtisar 15 Detik

Kemajuan model reasoning mungkin akan melambat dalam waktu dekat.
Pelatihan pembelajaran penguatan memerlukan banyak komputasi, tetapi ada batasan pada seberapa jauh ini dapat dioptimalkan.
Biaya overhead penelitian dapat membatasi potensi pengembangan model reasoning di masa depan.

Amerika Serikat - Model reasoning AI, seperti OpenAI o3, telah membawa kemajuan besar dalam kemampuan AI menyelesaikan problem matematika dan pemrograman. Mereka memakai metode pelatihan khusus bernama reinforcement learning untuk meningkatkan performa dari model konvensional yang sudah ada.

Saat ini, OpenAI memakai komputasi sekitar 10 kali lebih besar untuk melatih model reasoning terbaru dibandingkan model sebelumnya. Namun, meskipun ada peningkatan besar ini, ada batas seberapa jauh komputasi dapat membantu meningkatkan kemampuan model reasoning.

Epoch AI menyatakan bahwa dalam waktu satu tahun atau sesegera mungkin, kemajuan dari model reasoning bisa mulai melambat. Ini karena pertumbuhan kecepatan peningkatan performa pada tahap reinforcement learning yang sangat cepat mulai mendekati batas maksimal skala yang bisa dicapai.

Selain keterbatasan komputasi, biaya riset yang tinggi juga menjadi tantangan dalam mengembangkan model reasoning lebih jauh. Model reasoning cenderung lebih mahal dan memiliki kekurangan, seperti sering melakukan kesalahan halusinasi lebih banyak dibandingkan model konvensional.

Karena investasi besar di industri AI pada model reasoning, potensi perlambatan kemajuan ini menarik perhatian banyak pihak. Penting untuk terus memantau perkembangan ini karena dapat mempengaruhi masa depan teknologi AI secara keseluruhan.

--------------------

Analisis Kami: Meskipun model reasoning menjanjikan peningkatan performa besar dalam domain spesifik, keterbatasan dalam penggunaan komputasi dan tantangan biaya membuatnya sulit untuk terus didorong tanpa inovasi baru. Ini mungkin memicu pergeseran fokus penelitian AI ke pendekatan lain yang lebih efisien dan murah.

--------------------

Analisis Ahli:

Josh You: Performa dari pelatihan model AI konvensional meningkat 4x setahun, sementara reinforcement learning naik 10x tiap 3-5 bulan, namun keduanya akan konvergen dalam beberapa tahun ke depan sehingga batas progress akan tercapai.

--------------------

What's Next: Dalam waktu dekat, pengembangan model reasoning AI kemungkinan akan mengalami perlambatan pertumbuhan performa, sehingga industri perlu mencari pendekatan baru selain sekedar peningkatan komputasi dan reinforcement learning agar kemajuan AI tetap berkelanjutan.

Referensi:
[1] https://techcrunch.com/2025/05/12/improvements-in-reasoning-ai-models-may-slow-down-soon-analysis-finds/

Pertanyaan Terkait

Apa yang dimaksud dengan model reasoning dalam konteks artikel ini?

Model reasoning adalah jenis model AI yang dapat menerapkan lebih banyak komputasi untuk memecahkan masalah yang kompleks, menghasilkan kinerja yang lebih baik dalam beberapa benchmark.

Mengapa pelatihan pembelajaran penguatan penting untuk model reasoning?

Pelatihan pembelajaran penguatan memberikan umpan balik kepada model tentang solusi yang dihasilkan, sehingga meningkatkan kinerjanya dalam menyelesaikan masalah sulit.

Apa yang diantisipasi Epoch AI tentang kemajuan model reasoning di masa depan?

Epoch AI memperkirakan bahwa kemajuan dari model reasoning mungkin akan melambat dan dapat mencapai batasan tertentu pada tahun 2026.

Apa tantangan yang dihadapi dalam skala model reasoning menurut analisis Epoch?

Tantangan yang dihadapi termasuk biaya overhead yang tinggi untuk penelitian, yang dapat membatasi seberapa jauh model reasoning dapat diskalakan.

Apa dampak dari biaya overhead pada pengembangan model reasoning?

Biaya overhead dapat menjadi faktor penghambat dalam pengembangan model reasoning, memperlambat kemajuan meskipun ada peningkatan komputasi.