10.000 AGEN AI MENYELESAIKAN MASALAH TANPA SATU PERTENGKARAN SEKALIPUN. MANUSIA MULAI BERBENTURAN MENCARI KREDIT SETELAH PENGUMUMAN. Pertama, apa yang terjadi. OpenAI mengumumkan bahwa agen-agen mereka menyelesaikan salah satu masalah paling terkenal dalam matematika modern. Menurut akun mereka, butuh waktu 88 jam. Sekitar 10.000 agen bekerja pada masalah ini secara bersamaan. Sekarang, hal yang paling menarik perhatian saya. Sam Altman menjelaskan di Stanford bagaimana mereka berinteraksi. Tidak ada pemimpin. Tidak ada pertengkaran tentang siapa yang melakukan apa. Tidak ada konflik dan tidak ada perjuangan untuk pengakuan. Semua hanya bergerak menuju satu tujuan. Dia sendiri mengatakan ini berbeda dari organisasi mana pun yang bisa dia bayangkan. Dan inilah yang terjadi selanjutnya. Segera setelah hasil diumumkan, muncul perselisihan di antara manusia tentang siapa yang berhak atas kredit. Agen-agennya membagi masalah. Manusia membagi kemuliaan. Sementara itu, para matematikawan menjalani perjalanan mereka sendiri dalam lima hari. Pertama muncul reaksi bahwa itu palsu. Kemudian bahwa bidang mereka sudah berakhir. Kemudian bahwa itu seharusnya tidak dilakukan dengan cara ini. Pada hari kelima, banyak yang mengatakan sesuatu yang berbeda. Ya, satu jenis pekerjaan mereka telah hilang. Tetapi sebagian besar dari mereka tidak pernah menyelesaikan masalah pada level itu. Mereka memahami pengetahuan, menjelaskannya kepada orang-orang, dan memutuskan apa yang harus dikerjakan. Ada satu ide lagi dari Altman yang mudah terlewatkan. Dia menyarankan—dan secara terbuka mengatakan ini murni spekulasi—bahwa hampir semua organisasi di dunia dibentuk berdasarkan model militer. Sebuah piramida, perintah, kendali. Karena dulu itu satu-satunya cara yang diketahui untuk mengelola sejumlah besar orang. Dan di sini, 10.000 agen melakukannya tanpa piramida sama sekali. Bayangkan sebuah perusahaan di mana hanya agen yang bekerja. Tidak ada yang tersinggung oleh umpan balik. Tidak ada yang mencuri ide. Tidak ada yang berjuang untuk kantor sudut. Terdengar sempurna. Dan justru karena itulah menarik bahwa Altman langsung menambahkan: manusia tidak akan pernah bekerja seperti ini. Karena ada keindahan dalam ketidaksempurnaan kita. Pertengkaran, ambisi, emosi. Dia tidak ingin dunia tanpa semuanya itu. Dan saya setuju dengannya. Karena friksi antar manusia bukan hanya biaya. Itu juga cara kita menentukan apa yang penting bagi kita. Ketika dua orang bertengkar tentang kredit, mereka sebenarnya bertengkar tentang apa arti kontribusi bagi mereka. Mesin tidak pernah mengajukan pertanyaan itu. Ia hanya menjalankan perintah. Jadi bagi saya, pertanyaan utama tahun-tahun mendatang bukanlah apa yang bisa digantikan AI. Tapi friksi mana yang bersedia kita pertahankan. Altman mengatakan manusia akan selalu peduli paling banyak pada sesama manusia. Bahwa kita tidak terlalu peduli apa yang dilakukan mesin demi tujuannya sendiri. Bahwa pekerjaan memiliki nilai karena ada manusia di baliknya. Tampaknya ini tetap berlaku bahkan ketika kita bertengkar. Dan mungkin justru dalam pertengkaran itulah kita tetap menjadi diri kita sendiri.

SEMBILAN TAHUN LALU, JENSEN HUANG MENYERAHKAN SUPERKOMPUTER KE ELON MUSK. HARI INI, IA MENGANTARKAN PENERUSNYA. Dan momen ini menghubungkan dua era komputasi yang sangat berbeda. Pada tahun 2016, Jensen secara pribadi menyerahkan DGX-1 pertama NVIDIA kepada Elon Musk. Pada saat itu, Musk adalah bagian dari OpenAI. Mesin itu membantu para peneliti mendorong batas-batas kecerdasan buatan dan menjadi bagian dari infrastruktur awal di balik revolusi AI. Sembilan tahun kemudian, Jensen kembali. Tapi kali ini, ia membawa sesuatu yang sama sekali berbeda. Temui NVIDIA DGX Spark. Superkomputer AI desktop kompak yang didukung oleh arsitektur Grace Blackwell. Dan spesifikasinya mengesankan. Hingga 1 petaflop kinerja AI pada presisi FP4. 128GB memori terpadu. Superchip NVIDIA GB10 yang kuat. Dan bentuknya cukup kecil untuk diletakkan di atas meja. Sebagai perbandingan, DGX-1 asli adalah sistem perusahaan besar. DGX Spark membawa sejumlah besar kemampuan komputasi AI ke dalam perangkat yang hanya berat 1,2 kilogram. Tetapi yang benar-benar penting adalah apa yang membuatnya mungkin. Para pengembang dan peneliti dapat menjalankan model AI secara lokal, bereksperimen dengan model bahasa besar, membangun agen AI, dan menyesuaikan model tanpa bergantung sepenuhnya pada pusat data jarak jauh. NVIDIA mengatakan satu DGX Spark saja dapat menangani inferensi dengan model hingga 200 miliar parameter. Dan beberapa sistem dapat dihubungkan bersama untuk menangani beban kerja yang lebih besar. Selama percakapan, Jensen juga menyoroti kemajuan besar dalam efisiensi komputasi, membandingkan DGX-1 asli dengan generasi baru. Kemudian muncul salah satu momen terbaik. Jensen bercanda bahwa Elon sedang membangun hal-hal yang lebih besar darinya. Elon hanya setuju. Setelah semua, SpaceX sedang membangun roket dan infrastruktur besar, sementara NVIDIA membangun sistem komputasi yang mendorong revolusi AI. Dan ada sesuatu yang menarik tentang melihat dua dunia ini bertemu di Starbase, Texas. Satu perusahaan mendorong batas-batas eksplorasi luar angkasa. Yang lain mendorong batas-batas kecerdasan buatan. Sembilan tahun lalu, Jensen mengantarkan superkomputer yang membantu meluncurkan bab baru dalam AI. Sekarang ia membawa daya komputasi itu lebih dekat ke para pengembang individu. Terobosan AI berikutnya mungkin tidak datang dari pusat data besar. Mungkin ia dimulai di atas meja seseorang.

HOLY SH*T. OPENAI BARU SAJA MEMBUAT AGEN AI LEBIH MURAH DAN LEBIH BAIK DALAM MENGGUNAKAN KOMPUTER ANDA. Temui GPT 6.1 Terra. Dan pembaruan ini jauh lebih dari sekadar menghasilkan jawaban yang lebih baik. OpenAI mendorong AI menuju sesuatu yang jauh lebih berguna. Benar-benar menyelesaikan pekerjaan. Terra dirancang untuk memahami apa yang terjadi di layar Anda, berinteraksi dengan aplikasi komputer, dan menyelesaikan rangkaian tugas yang kompleks. Pikirkan apa artinya itu. AI dapat membantu menyiapkan proposal, menafsirkan gambar teknis, mengisi formulir, mengedit video, dan menangani pekerjaan kantor yang berulang. Alih-alih menjelaskan cara melakukannya, ia dapat menjalankan langkah-langkah yang diperlukan untuk menyelesaikannya. Dan OpenAI mengatakan model baru ini jauh lebih unggul dibanding GPT 5.6 Terra dalam tugas-tugas semacam ini. Tetapi inilah bagian yang benar-benar menarik perhatian saya. Harganya. Harga standar API GPT 6.1 Terra 50% lebih rendah daripada GPT 5.6 Terra. Itu penting karena agen AI dapat membuat banyak panggilan ke model saat menyelesaikan satu alur kerja. Setiap langkah membutuhkan biaya. Membaca informasi, menganalisis layar, memutuskan langkah selanjutnya, dan memeriksa hasil semuanya bisa menumpuk. Biaya yang lebih rendah membuatnya lebih praktis untuk menjalankan sistem ini dalam skala besar. OpenAI juga melaporkan peningkatan besar dalam kinerja pemrograman dan penalaran visual, bersama dengan lebih sedikit kesalahan fakta dalam evaluasi internal mereka. Kombinasi ini penting. Model yang dapat memahami tugas, mengoperasikan perangkat lunak, dan menulis kode menjadi jauh lebih berguna ketika dapat melakukan semua itu lebih cepat dan dengan biaya lebih rendah. Bayangkan agen AI yang memproses faktur, memperbarui spreadsheet, mengatur informasi pelanggan, atau menangani tugas berulang di berbagai aplikasi. Bukan hanya memberi tahu Anda apa yang harus dilakukan. Tapi benar-benar membantu Anda menyelesaikannya. Tentu saja, penggunaan komputer tidak sama dengan otonomi sempurna. Alur kerja kompleks masih memerlukan pengujian, izin, dan pengawasan manusia. Namun arahnya semakin jelas. Ras AI berikutnya bukan hanya tentang model mana yang bisa berpikir lebih baik. Tapi tentang model mana yang bisa secara andal mengubah kecerdasan itu menjadi tindakan. Dan sekarang, OpenAI membuat kemampuan ini lebih murah untuk digunakan.

🚨 ALLAH SEKALI. JENSEN HUANG BARU SAJA MENGIKAT SATU PETAFLOP KUASA AI DI SATU TANGAN. Perbandingan yang dia buat benar-benar gila. Pada 2016, Jensen Huang mengirimkan sistem NVIDIA DGX 1 ke sebuah perusahaan kecil bernama OpenAI. Itu adalah mesin besar yang dirancang khusus untuk komputasi AI. Mesin ini memberikan kinerja komputasi satu petaflop dan dilengkapi dengan memori 128GB. Dan Jensen mengingatkan semua orang pada satu detail. Dibutuhkan dua orang untuk membawa mesin itu naik tangga. Sekarang, sepuluh tahun kemudian, dia memegang komputer AI kompak di satu tangan dan menunjukkan angka-angka utama yang sama. Satu petaflop. 128GB memori. Coba renungkan sejenak. Lini RTX Spark baru dikembangkan melalui empat tahun kerja sama dengan Microsoft dan industri PC secara luas. Menurut Jensen, proyek ini melibatkan chip baru bernama N1X dan keluarga komputer sama sekali baru, termasuk desktop, laptop, dan workstation. Tujuannya adalah membawa kekuatan komputasi AI serius ke dalam bentuk yang jauh lebih kecil. Dan di sinilah hal-hal menjadi menarik. Selama bertahun-tahun, akses terhadap perangkat keras AI berdaya tinggi berarti bergantung pada infrastruktur cloud mahal atau mesin khusus yang jauh di luar jangkauan sebagian besar pengembang individu. Sistem kompak seperti ini menunjukkan pendekatan yang berbeda. Bayangkan mengembangkan agen AI, bereksperimen dengan model, dan menjalankan beban kerja AI yang berat di meja Anda sendiri. Kurang bergantung pada infrastruktur jarak jauh. Lebih banyak kendali atas lingkungan pengembangan Anda. Dan berpotensi mengurangi biaya cloud berulang untuk beban kerja yang dapat dijalankan secara lokal. Tentu saja, ada perbedaan penting. Menyamakan angka petaflop puncak yang sama tidak otomatis berarti dua mesin memberikan kinerja dunia nyata yang identik. Presisi yang digunakan, arsitektur memori, dan beban kerja semuanya penting. Tetapi transformasi fisiknya tetap luar biasa. Pada 2016, kelas komputasi AI ini datang dalam mesin yang memerlukan dua orang untuk mengangkutnya. Sekarang, Jensen Huang bisa memegang sistem dengan spesifikasi utama sebanding hanya dalam satu tangan. Itulah yang membuat ini lebih dari sekadar peluncuran komputer biasa. Perangkat keras AI tidak hanya menjadi lebih kuat. Tetapi juga menjadi jauh lebih mudah diakses. Dan generasi pengembang AI berikutnya mungkin tidak memerlukan ruang server untuk memulai.

BAGAIMANA JIKA KITA BISA MENINGKATKAN TRANSFER FOTON KUANTUM DARI 54% MENJADI 100%? Para ilmuwan di TU Wien mungkin telah menemukan caranya. Dan solusinya sangat cerdas. Komputer kuantum perlu mentransfer informasi antar qubit. Satu qubit memancarkan foton. Qubit lain harus menyerapnya. Namun dengan pendekatan konvensional, penyerapan ini berhasil hanya sekitar 54% dari waktu. Bayangkan kehilangan hampir separuh upaya transfer informasi sebelum proses bahkan selesai. Sekarang, para peneliti telah mengusulkan cara untuk mengubah hal ini. Kuncinya adalah bentuk gelombang foton. Ketika sebuah qubit memancarkan foton, gelombangnya biasanya dimulai kuat dan perlahan memudar, mirip seperti suara lonceng. Namun qubit penerima membutuhkan bentuk gelombang yang sangat berbeda untuk penyerapan sempurna. Oleh karena itu, para peneliti mengusulkan penggunaan waveguide optik yang dirancang khusus untuk membentuk ulang foton selama perjalanannya. Dengan mengontrol bagaimana frekuensi yang berbeda bergerak melalui waveguide, mereka menghitung bahwa foton dapat tiba dengan bentuk gelombang yang tepat untuk penyerapan optimal. Hasilnya? Simulasi mereka menunjukkan bahwa penyerapan secara teoritis bisa mencapai 100% dalam kondisi ideal. Dan bagian paling menarik adalah bahwa ini adalah pendekatan pasif. Alih-alih mengandalkan kontrol aktif tambahan di ujung penerima, waveguide itu sendiri melakukan pekerjaan membentuk foton. Metode ini belum pernah diuji secara eksperimen, tetapi para peneliti percaya bahwa setup yang diperlukan seharusnya secara teknis feasible. Jika berhasil diterapkan, metode ini dapat membantu membuat komputer kuantum dan jaringan komunikasi jauh lebih andal. Kita sering menganggap terobosan kuantum memerlukan perangkat keras sama sekali baru. Terkadang, terobosan bisa datang dari perubahan cara satu foton bergerak. Dan dalam komputasi kuantum, detail kecil itu bisa membuat perbedaan besar.

APA INI? BOT INI KALAH LEBIH DARI SETENGAH DARI SEMUA TRANSAKSI, TAPI MASIH TUMBUH DARI $1.400 MENJADI $22.646. Lihat peluru itu. Ini adalah 20.480 kemungkinan futures yang disimpan bot dalam pikirannya secara bersamaan. Garis biru adalah dunia di mana bitcoin akan naik. Merah muda dan oranye adalah dunia di mana harganya akan turun. Dan sekarang tentang cara kerjanya. Bot ini memperdagangkan pasar lima menit di Polymarket, naik atau turun untuk Bitcoin. Data langsung dari tujuh aliran masuk ke dalamnya. Data ini diubah menjadi probabilitas, misalnya 45 persen untuk kenaikan versus 55 persen untuk penurunan. Probabilitas ini dibandingkan dengan harga di mana pasar menjual hasil yang sama. Perbedaan di antara keduanya disebut keunggulan. Dan hanya jika ada keunggulan, bot membuka transaksi. Jika kurang dari tiga sen, kata PASS muncul di layar dan tidak ada transaksi. Di sinilah hal utama tersembunyi. Tingkat kemenangan di panel adalah 48 persen. Artinya, lebih dari setengah transaksi ditutup dalam kerugian. Tetapi ini bukan masalah. Bayangkan Anda membeli saham seharga 32 sen yang akan membayar satu dolar jika Anda benar. Anda tidak perlu menebak lebih sering daripada nilainya. Cukup bahwa perkiraan Anda lebih akurat daripada harga pasar. Maka bahkan dengan kerugian lebih dari separuh waktu, matematikanya tetap menguntungkan Anda. Ini terlihat di layar untuk setiap transaksi. Pembelian seharga 32 sen dengan keunggulan tambahan 5,3 sen. Pembelian seharga 53 sen dengan keunggulan tambahan 6,7 sen. Harga berbeda, ukuran berbeda, tetapi satu aturan. Dan di bagian bawah adalah Kurva Landing. Ini adalah rincian di mana Bitcoin bisa berakhir pada penutupan jendela. Bot melewatkan satu titik tunggal. Ia melihat seluruh rentang peluang dan membandingkannya dengan harga pasar. Jendela per hari adalah 288, dan aturannya sama setiap kali. 14.222 tiket dieksekusi dalam transaksi, keunggulan rata-rata adalah tambah 4,6 sen, dan drawdown maksimum adalah 4,2 persen. Sekarang tentang hal yang menarik perhatian saya dalam hal ini. Kebanyakan orang menganggap trader yang baik sebagai seseorang yang bisa menebak dengan benar. Dan di sini bot bahkan tidak mencoba menebak. Ia berpikir Setiap lima menit, jutaan keputusan kecil berkumpul menjadi satu kurva, yang tumbuh bukan karena bot benar, tetapi karena lebih mahal untuk benar daripada salah. Dan itu mengubah pertanyaannya. Bukan seberapa sering Anda menebak. Tapi seberapa besar Anda menang ketika benar, dan seberapa besar Anda kalah ketika salah. Itulah yang dimaksud Crawler Arena dari CRAWLHIVE. Anda menetapkan keputusan, entry, take profit, stop loss, dan ukuran sendiri, tanpa kode. Dan crawler Anda memasuki arena dan berdagang sesuai aturan ini melawan semua orang lain, dengan komisi nyata dan slippage nyata. Artinya, perbedaan antara menang dan kalah sekarang ada di tangan Anda. Ini bukan saran keuangan. Hasil masa lalu tidak menjamin hasil masa depan.

JENSEN HUANG BARU SAJA MENUNJUKKAN BEBEK ROBOT 25 CM YANG BELAJAR BERGERAK DENGAN AGEN AI. Dan bebek kecil ini adalah bagian dari cerita yang jauh lebih besar. Temui Microduck. Ini adalah proyek robotik open source dari Hugging Face, dan perilakunya dilatih dalam simulasi sebelum dipindahkan ke robot fisik. Bebek ini bisa belajar berlari, bangun kembali, dan mengambil benda. Namun, yang membuat demonstrasi ini menarik adalah bagaimana agen AI membantu mewujudkannya. Alih-alih memperlakukan robotika sebagai satu tugas teknik yang sangat besar, alur kerjanya dibagi menjadi beberapa tahap. Bangun model. Siapkan simulasi. Latih perilaku. Kemudian terapkan keterampilan-keterampilan itu ke dunia nyata. Tahap terakhir ini sangat penting. Robot yang berfungsi di lingkungan virtual tetap harus menghadapi gravitasi, keseimbangan, gesekan, dan ketidakpastian benda-benda nyata. Dan di sinilah visi NVIDIA tentang AI fisik menjadi penting. AI semakin bergerak melampaui generasi teks, gambar, dan kode. AI semakin sering digunakan bersama alat simulasi dan robotika untuk membantu mesin belajar cara berinteraksi dengan dunia fisik. Bebek ini mungkin kecil. Tetapi gagasan di baliknya sama sekali tidak kecil. Karena generasi AI berikutnya mungkin tidak hanya hidup di dalam komputer kita. Ia mungkin belajar bergerak di luarnya.

TESLA TIDAK MENENTANG GRAVITASI. INI MENGGUNAKAN HISAP UNTUK TETAP DI JEJAK. Perhatikan dengan cermat Roadster ini. Mobil ini mendaki lingkaran raksasa, berbalik terbalik, dan terus bergerak meskipun kecepatannya tampaknya tidak cukup tinggi untuk menjelaskan apa yang kita lihat. Jadi, apa yang sebenarnya menahan mobil itu? Bukan magnet. Rahasianya ada di bawah mobil. Tesla telah membangun sistem hisap yang didorong kipas ke dalam bagian bawah Roadster. Kipas-kipas menarik udara dari bawah mobil, menciptakan tekanan lebih rendah di bawahnya. Perbedaan tekanan membantu menekan mobil ke jalur. Dan inilah bagian yang menurut saya menarik. Gaya downforce aerodinamis tradisional sangat bergantung pada aliran udara yang dihasilkan oleh pergerakan mobil. Namun, sistem hisap berbasis kipas dapat menghasilkan gaya downforce signifikan bahkan pada kecepatan rendah. Ini mengubah apa yang bisa dilakukan mobil. Alih-alih mengandalkan kecepatan semata untuk tetap menempel, kendaraan ini secara aktif menciptakan gaya yang menahannya ke permukaan. Ini adalah perbedaan antara mobil yang membutuhkan jalan untuk tetap berada di tempatnya dan mobil yang direkayasa untuk menarik dirinya sendiri menuju jalan. Ini bukan gravitasi yang dikalahkan. Ini adalah rekayasa yang menemukan cara lain untuk bekerja bersamanya. Dan inilah yang membuat demonstrasi ini sangat luar biasa.

8 AGEN AI MENJALANKAN MEJA PERDAGANGAN SEHINGGA SEMALAM. AKUN BERPINDAH DARI $12.155 MENJADI $14.853. Namun, angka tersebut bukan bagian paling menarik. Bagian paling menarik adalah bahwa bos meja ini tidak pernah membuka perdagangan. Ini adalah versi baru Grok Bot bersama Jev. Dan ini bukan lagi satu bot tunggal. Ini adalah seluruh meja perdagangan di mana setiap agen memiliki tugasnya sendiri. CHIEF memutuskan token mana yang akan dipilih, tetapi tidak pernah melakukan perdagangan sendiri. SCAN mencari apa yang sedang bergerak. VET memeriksa apakah token tersebut asli dan seperti apa struktur risikonya. SOCIAL memeriksa akun X proyek tersebut. SIZE memutuskan berapa banyak yang akan dimasukkan. FILLS mengeksekusi perdagangan. RISK menutup posisi. CRAWLER membaca halaman dan postingan terlebih dahulu, baru kemudian meja melakukan perdagangan. Sebelum salah satu dari mereka bertindak, aturan ketat dijalankan, dan semuanya gratis. Usia token minimum 15 menit. Likuiditas dari $12.000. Volume 24 jam dari $48.000. Market cap dari $60.000. Setidaknya 150 perdagangan. Dompet terbesar tidak boleh lebih dari 5 persen. 10 dompet teratas tidak boleh lebih dari 60 persen. Aritmetika sederhana, tanpa sama sekali melibatkan AI. Kemudian datang filter lunak dari Jev. Risiko keluar akibat konsentrasi. Apakah momentum sudah habis. Apakah likuiditas sesuai dengan ukuran perdagangan. Apakah akun proyek adalah akun yang sudah pernah digunakan sebelumnya. Apakah pengembang masih memegang terlalu banyak. Dan urutan filter-filter ini penting. Pemeriksaan gratis terlebih dahulu. Kemudian pemeriksaan perdagangan. Kemudian pemeriksaan rantai. Dan baru pada akhirnya, yang mahal. Membunuh token secara gratis jauh lebih murah daripada bertanya pada AI tentang setiap satu token. Bot ini juga tidak pernah masuk berdasarkan tebakan. Ia menunggu aliran pembelian nyata terlebih dahulu, baru kemudian masuk. Tidak ada aliran, tidak ada masuk. Kebanyakan orang mengira bot perdagangan yang kuat hanyalah model yang cerdas. Namun, model cerdas saja masih membuat kesalahan. Sistem di mana setiap langkah dipisahkan dan setiap langkah diperiksa jauh lebih sedikit membuat kesalahan. Ia memiliki urutan. Dan ia memiliki bos yang hanya memutuskan dan tidak pernah serakah. Itulah keunggulan sejati. Ini bukan saran keuangan. Hasil masa lalu tidak menjamin hasil masa depan. Siapa yang memainkan peran CHIEF dalam perdagangan Anda sekarang, Anda atau emosi Anda?

BOT PERDAGANGAN AI PALING BERBAHAYA MUNGKIN ADALAH YANG TAMPAK SEMPURNA. Kurva keuntungan yang meningkat. Analisis yang bersih. Sistem yang tampaknya tahu persis kapan harus masuk dan keluar pasar. Tetapi inilah yang sering kali dilewatkan orang. Sebuah sistem perdagangan tidak perlu bagus untuk tampak menguntungkan. Ia hanya perlu tampak baik di bawah kondisi yang diuji. Ubah pasar. Tambahkan biaya perdagangan. Tingkatkan volatilitas. Biarkan posisi rugi berjalan lebih lama dari yang diharapkan. Tiba-tiba, strategi yang tampak brilian bisa mulai runtuh. Itulah mengapa saya kurang peduli pada tangkapan layar yang menunjukkan keuntungan, dan lebih peduli pada apa yang terjadi ketika strategi berhenti bekerja. Berapa banyak yang bisa ia rugikan? Bagaimana perilakunya di bawah tekanan? Dapatkah ia bertahan di pasar yang tidak dirancang untuknya? Karena menghasilkan uang dalam kondisi menguntungkan adalah satu hal. Bertahan dalam kondisi tidak menguntungkan adalah hal yang sama sekali berbeda. Dan menurut saya, itulah tantangan sejati bagi perdagangan AI. Bukan mengajari mesin untuk menemukan perdagangan menang. Melainkan mengajari ia untuk mengenali kapan strateginya sendiri tidak lagi berfungsi.