Cara Saya Sendiri Mengikuti Perkembangan AI (dan Alasan Anda Juga Harus Melakukannya)

 (blog.nilenso.com)
87 poin oleh GN⁺ 2025-07-21 | 5 komentar | Bagikan ke WhatsApp
  • AI generatif adalah teknologi yang berkembang paling cepat; meremehkan maupun melebih-lebihkannya sama-sama berbahaya
  • Sangat penting untuk secara konsisten mengikuti sumber yang kredibel dan para ahli tepercaya
  • Merekomendasikan pipeline informasi yang seimbang seperti Simon Willison’s Blog, Andrej Karpathy, Every’s Chain of Thought
  • Pengumuman resmi lab AI, blog engineering, dan paper sangat penting untuk memahami kemajuan nyata teknologi serta batasannya
  • Melalui berbagai kanal seperti Twitter/X, kurasi berita, dan daftar pakar, kita bisa mengakses baik arus terbaru maupun analisis mendalam

Pendahuluan: Salah paham tentang AI dan polusi informasi

  • AI generatif adalah teknologi yang berkembang paling cepat dalam hidup penulis
  • Namun, kesalahpahaman tentang AI juga merajalela, dan lingkungan informasinya sendiri sangat kacau
  • Kasus nyata terjadi ketika perusahaan, pemerintah, atau individu yang tidak cukup memahami teknologinya menyalahgunakan AI atau menimbulkan kerugian serius
  • Ada dua kesalahpahaman ekstrem: meremehkan AI (menganggapnya “tren yang akan segera hilang”) atau melebih-lebihkannya (“programmer tidak lagi dibutuhkan”)
  • Kurangnya pemahaman teknis yang tepat adalah akar dari salah paham ini

Pendekatan untuk memperoleh informasi AI

  • Memahami informasi terkait AI dengan benar tidak semudah yang dibayangkan
  • Ini adalah lingkungan yang setiap hari membanjiri kita dengan informasi yang terdistorsi, dibesar-besarkan, atau wacana yang ditekan
  • Tanpa memilah informasi secara sengaja dan sistematis, ada risiko tinggi terpapar kesalahan, hiperbola, dan distorsi
  • Penulis terbantu dengan membangun pipeline informasi yang seimbang, dan merekomendasikannya sebagai titik awal yang baik bagi pemula

Prinsip umum dalam memperoleh informasi

  • Penting untuk merujuk informasi yang sedekat mungkin dengan sumber primer
    • Perlu memeriksa pengumuman resmi dari lab AI atau pendapat tokoh penting sebagai sumber primer
    • Perlu bersikap hati-hati agar tidak begitu saja mempercayai pelaporan sekunder atau tersier
  • Kita juga perlu aktif mencari dan merujuk komentar dari pakar yang dapat dipercaya

Titik awal informasi yang direkomendasikan

Every’s Chain of Thought

Cara memantau materi resmi dari lab AI

Pakar AI dan engineer praktis yang patut diperhatikan

  • Informasi dari para pakar yang membuat tool open source dan memiliki pengalaman praktik AI engineering sering kali lebih membantu secara nyata dibanding panduan resmi

Tokoh dan blog yang sangat direkomendasikan

Memanfaatkan berita/media AI dan komunitas

Komunitas untuk diskusi dan materi AI tingkat lanjut

Cara praktis memperoleh informasi

  • Tidak perlu mengikuti semua sumber secara sempurna; pendekatan yang paling praktis adalah membaca feed Twitter seperti membaca koran
  • Jika menemukan tulisan yang menarik, disarankan untuk mengikuti penulisnya dan menelusuri karya-karya lainnya sebagai bentuk pembacaan yang meluas
  • Ini mirip dengan cara menjelajah musik di masa lalu
  • Jika didekati sebagai kesenangan eksplorasi intelektual, ini bisa menjadi kesenangan, bukan kewajiban

Penutup dan daftar rekomendasi

  • Melalui daftar Twitter/X yang disediakan, Anda bisa langsung mengikuti para pakar dan praktisi di atas sekaligus
  • Penulis juga berencana segera menambahkan daftar dalam format RSS

Langsung ke daftar Twitter

Bacaan terkait

5 komentar

 
GN⁺ 2025-07-21
Opini Hacker News

  • Kalau sudah punya pemahaman dasar tentang cara kerja LLM, rasanya tidak perlu mengikuti terus semua konten dari orang PR, blogger, pemimpin industri, atau pemikir internet.
    Malah, kalau terlalu mengikuti wawancara atau tulisan seperti itu, ada risiko ikut tren aneh yang sebenarnya tidak terlalu membantu.
    Kenyataannya, perbedaan antarmodel selama beberapa tahun ini lebih banyak soal selisih tingkat kematangan, bukan perbedaan esensial yang besar; saat ini sebagian besar perubahan justru terjadi di alat atau integrasi.
    Perlu selalu diingat bahwa LLM pada dasarnya adalah "model teks" dan dihasilkan tanpa pengetahuan dasar, sehingga kita bisa memilah di mana ia berguna dan di mana ia tidak cocok.

    • Sangat setuju dengan pendapat ini, dan menurutku daftar 'high signal' di blog itu juga kebanyakan berisi figur yang fokus pada promosi diri (meski tentu ada beberapa yang bagus), jadi susunannya terasa lebih dekat ke 'buzz' daripada insight.
      Aku juga pribadi tidak terlalu sepakat dengan klaim bahwa "AI adalah teknologi yang berkembang paling cepat sepanjang hidupku".
      Aku sudah melewati masa ketika SVM sedang naik, ketika "jaringan saraf itu lelucon" masih jadi anggapan umum, lalu era deep learning dan ledakan berbagai framework DL selama lebih dari 10 tahun.
      Saat itu juga ada perkembangan yang benar-benar sangat cepat dalam rentang 10 tahun.
      Di web pun pernah ada perubahan seperti JS yang awalnya cuma untuk melengkapi UX, lalu single-page app menjadi standar.
      Intinya, kalau kamu bukan orang yang harus masuk ke 'daftar influencer inti', strategi yang jauh lebih baik adalah diam tenang dan menunggu sampai titik ketika hal itu benar-benar penting buatmu.
      Aku sendiri mengabaikan tren web development selama 10 tahun sejak era backbone.js, lalu saat React benar-benar dibutuhkan, aku belajar beberapa hari dan langsung bisa memakainya.
      LSTM juga lima tahun lalu dipelajari semua orang soal cara implementasinya, tapi sekarang sudah dianggap kuno karena transformer.
      Sepanjang karierku, aku merasa bahwa 'bergerak cepat' artinya 'belum matang'.
      Justru mempelajari model statistik lama (seperti GLM) dan cara pakainya yang masih benar-benar praktis jauh lebih sering jadi solusi produktif di pekerjaan nyata dibanding mengejar 'prompt hack' yang sedang ngetren.
    • Kalau sudah agak paham arsitektur LLM, sebagian besar kabar baru soal LLM biasanya jatuh ke dua kategori.
      Pertama, alat baru yang sedikit berbeda dari tool lama, atau performanya sedikit lebih bagus (kalau punya kemampuan yang benar-benar baru mungkin layak dipakai, tapi kebanyakan cepat usang).
      Nama seperti Kimi-K2 atau GPT 4.1 bisa saja beberapa bulan lagi sudah tidak disebut siapa pun.
      Kedua, saat model benar-benar mendapat kemampuan baru.
      Misalnya RL(reinforcement learning), chain of thought, coding agent yang benar-benar bekerja, model multimodal tingkat dewa, atau integrasi tool yang pintar.
      Cukup perhatikan saat ada lompatan besar seperti itu.
      Nyatanya, cukup dengan melihat postingan HN yang tembus 500 poin, tren terbaru akan terasa dengan sendirinya.
      Menurutku cara terbaik memahami kemampuan nyata LLM bukan lewat blog atau video, melainkan dengan langsung membuat sesuatu dan belajar dari benturan di lapangan.
    • Sepenuhnya setuju. Aku selalu menekankan ini kepada para mahasiswa.
      • 1. Jangan terlalu tenggelam dalam pengalaman orang lain; fokuslah pada pengalaman langsungmu sendiri.
      • 2. Daripada membaca blog, cobalah langsung membuat aplikasi.
      • 3. Pengalaman tiap orang bisa sangat berbeda, jadi jangan menelan mentah-mentah pikiran orang lain.
      • 4. Jangan asal mengikuti peneliti atau developer di Twitter atau Substack (kebanyakan itu etalase diri mereka sendiri).
      • 5. Jangan buang waktu untuk kecemasan atau FOMO; belajar dengan langsung mencoba. Perubahan yang benar-benar penting tetap akan kamu ketahui nanti.
      • 6. Mengetahui informasi itu penting, tapi jangan terobsesi secara kompulsif pada informasi itu sendiri. Alokasikan waktumu dengan cerdas. Aku selalu menekankan poin ini kepada mahasiswa.
    • Sebenarnya di dunia riset juga sama.
      Pada dasarnya, 99% riset itu perkembangan bertahap (dan itu sendiri hal yang wajar, jadi jangan frustrasi karenanya).
      Sebagian besar paper terlalu panjang dari yang perlu, dan kalau dibaca serius, sering kali hasilnya bisa diperkirakan sampai batas tertentu hanya dengan intuisi matematis (kalau sudah tahu idenya, hasilnya pun bisa ditebak).
      Mudah merasa bidang ini bergerak sangat cepat, tapi kenyataannya kecepatannya tidak sedrastis itu.
      Aku sendiri sempat berhenti setahun karena urusan pribadi, lalu saat kembali sadar bahwa tidak banyak yang berubah besar.
      Punya sudut pandang seperti ini membantu lepas dari tekanan untuk terus 'menjaga diri tetap update'.
      Kalau sekarang terasa berat, itu lebih berarti keahlianmu masih belum cukup matang, bukan berarti kamu tertinggal.
      Sama seperti siapa pun yang bisa berlari tetap bisa mengikuti meski selangkah di belakang, rasa tergesa-gesa itu pada akhirnya cuma kekhawatiran di kepalaku sendiri.
    • Saat menjelaskan LLM, bagian yang paling menarik bagi orang biasanya bukan arsitekturnya, melainkan 'prediksi per token (autoregression)' dan fakta bahwa token yang diambil tidak selalu token dengan probabilitas tertinggi, tetapi disampling sesuai probabilitasnya.
      Algoritme inti yang sebenarnya (cara memprediksi token berikutnya) sendiri kebanyakan tidak terlalu terasa relevan bagi orang nonteknis.
      Detail seperti dot product atau embedding juga hampir tidak ada yang peduli. Sekalipun dijelaskan, sulit menempel dan tidak terlalu membantu.

  • Tidak perlu selalu mengikuti 'tren terbaru'; menurutku lebih baik tetap tertarik secara santai, lalu secara selektif bereksperimen hanya dengan fitur/teknik yang benar-benar meningkatkan efisiensiku, dan menumpuk hanya yang benar-benar kupakai (aku kurang percaya pada rekomendasi siapa bilang apa di X). Malah aku banyak belajar dari pandangan para peneliti yang lebih kritis terhadap hype AI [https://x.com/burkov]. Dalam situasi sekarang, ada terlalu banyak berlebihan, perubahan, dan ketidakpastian. Kalau ada inovasi yang benar-benar penting, pasti akan terdengar di HN (atau komunitas arus utama).

    • Memakai langsung meski cuma beberapa jam adalah pembelajaran yang jauh lebih berharga daripada membaca materi selama berjam-jam.

  • Rasanya tulisan itu tidak menjelaskan "mengapa" dengan baik, jadi bagian "bagaimana" di daftarnya jadi kurang meyakinkan. Waktuku yang berharga bisa dipakai untuk hal lain.

    • Aku jadi bertanya-tanya, apakah benar ada sesuatu yang harus 'terus diikuti'. Inovasi yang betul-betul berarti pada akhirnya akan menjadi arus utama dan mendatangiku secara alami. Excel atau Google Docs pun awalnya tidak terlalu menarik bagiku, tapi setelah menjadi umum aku tetap bisa mempelajari dan memakainya dengan baik. Kecuali ada alasan jelas untuk mengejarnya secara tergesa, seperti startup AI yang runway-nya tinggal sedikit, tidak perlu panik.

  • Aku berlangganan newsletter "Pragmatic Engineer" dari Gergeley Orosz (belakangan banyak topik AI), dan juga memantau Substack Gary Marcus (sudut pandangnya lebih skeptis terhadap LLM).
    https://newsletter.pragmaticengineer.com/
    https://substack.com/@garymarcus
    Aku juga otomatis mengikuti berita paket Python seperti Langchain dan PydanticAI (proyek seperti ini lumayan mencerminkan tren industri yang nyata). Aku sudah tidak memakai X(Twitter), tapi orang seperti Simon Willison kadang juga menulis di BlueSky dan Mastodon. Sebastian Raschka, Chip Huyen, dan lainnya juga memposting di LinkedIn. Sumbernya memang tersebar di mana-mana, tapi pada akhirnya sebagian besar kabar penting tetap akan sampai juga.

  • Mungkin saja aku melewatkan sesuatu yang penting, tapi update yang benar-benar inti dan berarti pada akhirnya akan disebut secara alami di halaman utama HN atau di komentarnya.

    • Mengejar perkembangan industri itu seperti melompat ke treadmill yang melaju 140 km/jam. Aku memilih berhenti mencoba berlari di atasnya. Aku setuju bahwa AI (terutama LLM) bukan tren sesaat, tapi perubahan sekarang terlalu liar. Sampai benar-benar dibutuhkan, aku tidak berencana menginvestasikan waktu yang panjang. Aku berharap beberapa tahun lagi peta industrinya akan lebih jelas. Kalau pun tidak, setidaknya selama itu aku tidak membuang waktu pada tren yang cepat menjadi tidak berarti. Sebagai catatan, saat ini aku sama sekali tidak memakai AI atau LLM dalam pekerjaan nyataku.
    • Mengingat perusahaan-perusahaan sudah menggelontorkan investasi dan R&D yang begitu besar, justru mereka tidak terlalu berusaha menyembunyikan teknologinya (kebalikannya dari sikap serba-rahasia).
    • Untuk seluruh tren di bidang IT, aku memang menanganinya dengan cara seperti ini.

  • Kalau yang ingin kamu ikuti terutama adalah kabar LLM dan frontier AI model, daftar rekomendasi itu sangat bagus; lebih dari setengahnya juga aku temukan sendiri secara terpisah.
    Aku membuat daftar akun AI di X(Twitter) dan mengikutinya, dan secara keseluruhan itu sumber informasi yang paling solid.
    Sebagian blog dan RSS podcast juga berguna (kalau peneliti, RSS paper itu wajib).
    Yang akan kutambahkan adalah https://epoch.ai, untuk podcast ada Dwarkesh Patel, untuk blog ada Peter Wildeford, @omarsar0(DAIR elvis), serta langsung mengikuti berbagai peneliti (meski beberapa lebih untuk hiburan daripada penyampaian info).
    Lingkungan informasi di bidang ini benar-benar tercemar parah. Terutama kalau hanya mengikuti media seperti NYT yang membahasnya terutama dari sudut politik, justru gambaran yang didapat bisa bias dan tidak akurat.
    Sebagai catatan, untuk bidang ML yang tidak terkait langsung dengan generative AI (misalnya protein, genomik, model cuaca, riset diffusion dan image generation, dll.), sumber informasinya sama sekali berbeda.
    Ranah AI/ML terlalu luas untuk dikejar semuanya sekaligus.
    Kalau ditanya apakah benar harus mengikutinya, ya tidak juga.
    Kebanyakan orang melakukannya hanya karena penasaran pada teknologi baru/tren terbaru.
    Tapi kalau kamu bekerja di software development, mengabaikan AI sepenuhnya bisa berbahaya untuk karier dalam jangka menengah hingga panjang (meski cukup menyikapinya dengan mempelajari tool-nya saja pun tidak apa-apa).
    Aku sendiri terus melacaknya karena sifat pekerjaanku menuntut pemahaman tren umum.

  • Blog Simon Willison saja sudah cukup untuk belajar informasi terbaru yang berkualitas tinggi (nyaris tanpa noise dan rasio signal-to-noise terbaik).

    • Kalau mendukung Simon di GitHub ($10 atau lebih), kamu bisa menerima email berisi "ringkasan utama yang lebih singkat".

      "Ringkasan perkembangan paling penting di dunia LLM selama sebulan terakhir (bisa dibaca tuntas dalam kurang dari 10 menit)"
      https://simonwillison.net/about/

    • https://simonwillison.net
    • Untungnya dia juga menyediakan RSS feed, jadi bisa memantau kode maupun berita.

  • Tidak perlu repot-repot mengikuti 'tren'.

    • Betul, sekarang saatnya berhenti dan mencoba hal lain.
    • Sebenarnya meninggalkan industri teknologi dan membangun karier baru juga salah satu cara.
      Pekerjaan di sektor teknologi makin berkurang, dan suatu saat penurunannya bisa menjadi curam (AI akan membuat satu orang bisa mengerjakan porsi 10 orang, lalu setelah itu white-collar dan blue-collar pun akan terdampak sama, misalnya pekerjaan robot di gudang Amazon).
      Secara pribadi aku membatalkan langganan GPT Plus minggu ini; aku sudah tidak ingin lagi memberi makan 'monster itu'.
      Untuk fitur seperti dukungan peta (misalnya rute perjalanan, rute bersepeda melingkar bersama teman, dan semacamnya), versi gratis Gemini justru lebih bagus.

  • Kalau cuma mengikuti rekomendasi pertama (membaca blog simow), biasanya itu sudah cukup.

    • Bahkan itu pun terasa merepotkan buatku, jadi aku menggantinya dengan video Fireship sambil minum kopi pagi.
    • Sangat direkomendasikan - ringkasannya berkualitas tinggi dengan clickbait yang nyaris tidak ada.

  • Kuliah Andrej Karpathy sangat membantuku.
    Juga ada di YouTube (https://www.youtube.com/@AndrejKarpathy)
    Aku berada di posisi membimbing/membantu para peneliti machine learning, tapi setiap mendengar suara Andrej, aku merasa seperti mahasiswa yang sama sekali tidak tahu apa-apa.
    Awalnya terasa aneh, tapi sekarang justru kerendahan hati itu terasa sebagai aset yang sangat berharga.
    Sikap 'aku tidak tahu apa-apa' itu memang sangat penting.
 
makers 2025-07-22

sedih, keterbacaannya buruk sekali
 
reagea0 2025-07-23

Jika Anda merasa tingkat ini sulit dibaca, sepertinya masalahnya bukan pada isi utama.
 
harris 2025-07-28

Saya setuju.
 
supermaxi 2025-07-22

Jenis tulisan yang sangat penting pada momen seperti sekarang.