Saya baru saja selesai membaca artikel ini, dan secara diam-diam mengubah cara saya memikirkan pelatihan AI sama sekali.. Intinya adalah bahwa tidak ada yang menjadi ahli dari karya jadi, melainkan dari markup, bagian di mana seseorang yang lebih berpengalaman menunjukkan apa yang salah dan mengapa. Suntingan adalah pelajarannya, bukan draf akhir yang bersih... Dan itulah persis bagaimana AI menjadi ahli dalam kode. Ia tidak pernah belajar dari kode jadi, melainkan dari diff-nya. Setiap perbaikan, setiap penulisan ulang, setiap "tidak, lakukan ini cara lain" yang entah bagaimana disimpan oleh git selama bertahun-tahun. Namun di tempat lain, kita membuang bagian itu. Presentasi dikirimkan, memo diajukan, kontrak ditandatangani, dan pemikiran yang melahirkan semuanya hilang. Sebuah dokumen adalah output dari penilaian dengan penilaian itu dihapus. > Itulah mengapa "tangkap pengetahuan Anda" dengan mencari dokumen lama tidak pernah berhasil. Setiap perusahaan membangun sistem pencatatan... apa yang diketahuinya. Tidak ada yang membangun sistem penilaian... apa yang benar-benar diputuskan sebagai baik. Dan penilaian terungkap, bukan dinyatakan... wawancara berbohong, suntingan tidak. > Ini adalah bagian yang terlewat dalam perdebatan "tidak dapat dilatih / kebenaran pribadi": bukan tidak dapat dilatih, melainkan ia hidup di satu tempat yang semua orang hapus. Tanyakan pada perusahaan mana pun tentang tingkat penerimaannya, dan mereka bahkan tidak bisa menjawab... tidak ada yang menyimpan garis merahnya. Perangkat lunak kebetulan menyimpan buktinya. Hukum dan keuangan tidak pernah membangun git mereka sendiri. Penilaian ada di diff.

Insinyur Anthropic baru saja membangun sebuah aplikasi lengkap dari awal hanya dengan menggunakan siklus agen. 40 menit dari tim yang membangun Claude Code Tiga agen berjalan dalam siklus: satu merencanakan, satu membangun, satu menilai, berulang-ulang hingga aplikasi benar-benar berfungsi. Tidak ada satu pun dalam demo itu yang menulis prompt yang sama dua kali. Mereka merancang siklusnya sekali, lalu pergi. Tonton videonya, lalu baca panduan lengkap cara membangunnya di bawah ini

Saya pikir saya terlambat masuk ke dunia AI, tetapi setelah melakukan riset intensif, saya percaya ini baru permulaan. Tentu saja, tidak ada yang naik secara lurus. Gelembung dan kejatuhan akan terjadi. Tetapi tidak terlibat dengannya dan menyebutnya gelembung adalah tidak dapat diterima.

Apakah hakim AI dapat membuat kesalahan penalaran seperti manusia? Lempar dua dadu. Setidaknya satu adalah angka 6. Banyak yang mengatakan 1 dari 6 Yang benar: 1 dari 11 Perangkap logika sederhana—juga terlihat pada model AI. #AI #Ontology #DID #Web3

Pembersihan selama 2 menit bisa membuat Claude seolah-olah Anda telah meningkatkan modelnya. Video ini bukan tentang prompt rahasia. Ini tentang menghapus sampah yang sudah Anda berikan ke Claude. Keterampilan lama, koneksi mati, alat yang hanya sebagian digunakan, instruksi ruang kerja acak, eksperimen yang ditinggalkan. Semua itu bisa berada di latar belakang dan secara perlahan meracuni konteks. Kemudian orang berkata, “Claude jadi lebih buruk.” Mungkin. Atau mungkin Anda menjadikannya seperti browser penuh dengan 47 tab terbuka dan memintanya untuk berpikir jelas. Ini penting karena kinerja agen tidak hanya bergantung pada kualitas model. Ini juga tentang kebersihan konteks, disiplin alat, dan seberapa banyak sampah tidak relevan yang harus dibawa sistem sebelum menjawab. Artikel ini benar-benar membahas pelajaran operator yang sama: AI yang lebih cerdas tidak menyelamatkan pengaturan yang berantakan. Model bisa kuat, tetapi tetap menghasilkan hasil lemah jika lingkungan di sekitarnya penuh kebisingan. Terkadang hambatannya bukan Claude. Tapi adalah laci sampah yang Anda hubungkan kepadanya.

Satu hal yang menonjol bagi saya tentang ExpRL adalah bahwa ia memperlihatkan keterbatasan dalam cara kita saat ini memandang kemajuan AI. Sebagian besar benchmark hanya mengukur apakah model mencapai jawaban yang benar. Jarang sekali mereka mengukur berapa banyak ide yang berguna telah dieksplorasi dan dibuang sepanjang prosesnya. Inovasi manusia seringkali berasal dari upaya yang gagal. Bukan dari yang sempurna. Seorang ilmuwan mungkin menguji ratusan hipotesis yang salah sebelum menemukan yang tepat. Namun RL tradisional memperlakukan setiap jalur yang gagal sebagai sama-sama tak bernilai. ExpRL menyarankan bahwa mungkin ada informasi berharga yang tersembunyi di dalam kegagalan-kegagalan tersebut. Gagasan ini terasa penting jauh melampaui benchmark matematis. Ketika agen AI menjadi semakin mampu, pemenangnya mungkin bukan model yang menemukan jawaban paling cepat. Mereka mungkin adalah model yang paling banyak belajar dari kesalahan mereka. Ini juga mengapa verifikasi penting. Tanpa cara yang andal untuk mengevaluasi penalaran dan output intermediari, kita tidak dapat membedakan eksplorasi yang produktif dari hanyalah halusinasi murni. Masa depan AI mungkin lebih bergantung pada pemahaman kesalahan mana yang layak dipelajari, daripada sekadar menghasilkan jawaban. @ritualnet

Satu-satunya tweet yang perlu kamu simpan untuk bertahan di era AI. Baru-baru ini saya duduk dan menulis 10 "aturan" untuk bertahan di era AI yang akan datang. Tidak ada konten AI yang asal-asalan—hanya pemikiran tulus saya. Jika kamu khawatir kehilangan pekerjaan, atau efek domino lain dari AI, saya harap kamu membaca ini: Aturan #1: Jadilah cepat Keterampilan nomor satu di era AI adalah agensi tinggi. Informasi bukan lagi benteng. Keunggulanmu sekarang adalah kecepatan. Jadikan tujuanmu menjadi seseorang yang bertindak cepat. Aturan #2: Bangun bisnis AI menciptakan BANYAK peluang bisnis. Informasi sekarang melimpah, dan kamu tidak punya alasan untuk tidak membangun bisnis yang menghasilkan arus kas. Aturan #3: Gunakan AI setiap hari Menjadi generasi AI bukan lagi pilihan. Integralkan ke dalam hidupmu dan berusahalah tetap di garis depan. Aturan #4: EQ > IQ Ketika semua orang memiliki akses ke alat AI yang sama, pembedanya bukan lagi kecerdasan; tapi kemampuanmu untuk terhubung dengan orang lain. Aturan #5: Prioritaskan kesehatan Mulailah dari hal-hal sederhana: Tidur, olahraga, hidrasi, dan pola makan. Aturan #6: Bangun personal brand Distribusi adalah benteng baru. Membuat konten gratis, dan saluran distribusi terbaik. Aturan #7: Belajar menjual Ini adalah keterampilan yang tidak pernah dibicarakan. AI bisa membangun produk, menulis teks, merancang situs, dan menjalankan iklan, tapi tetap tidak bisa membangun koneksi manusia. Aturan #8: Berinvestasi Berinvestasilah pada dirimu sendiri (keterampilan) dan pada AI (peralatan dasar). Ini adalah gelembung terbesar yang pernah kita lihat—manfaatkan itu. Aturan #9: Bangun jaringan Bangun jaringanmu. Jaringanmu adalah jaring pengaman terakhirmu dan cara kamu mendapatkan peluang baru. Aturan #10: Tetap penasaran Ini adalah meta-keterampilan yang mendukung semua hal di atas. Mereka yang bisa belajar dan beradaptasi cepat sekarang lebih berharga dari sebelumnya. Simpan ini agar kamu tidak melupakannya.

[APRO Intelligence #07] ──────────────── AI luar biasa dalam STEM, pemrograman, dan matematika. Tetapi empati, penilaian estetika, membaca suasana hati, merasakan kausalitas lambat— AI masih sangat, sangat jauh dari kita. Daniela dari Anthropic mengatakannya dengan sempurna: "Kita memasuki era di mana inti manusia menjadi semakin tak tergantikan." Bangunlah bersama AI. Jangan lupa apa yang membuat Anda tak tergantikan. → @APRO_Oracle

Guillermo Rauch, CEO @vercel: "Setiap tugas di dunia pada akhirnya akan menjadi tugas pemrograman. Itulah sebabnya setiap laboratorium berlomba menuju hal yang sama.. agen pemrograman yang berjalan tanpa Anda." Penjelasan paling jelas tentang ke mana AI pemrograman benar-benar akan pergi selanjutnya. Lebih berharga daripada kursus agen $500 apa pun. Tonton dulu, lalu baca cara menjalankannya sambil Anda tidur di bawah ini.