Jakarta, albrita.com – China kembali mencetak gebrakan di dunia kecerdasan buatan (AI) dengan menghadirkan model AI terbaru yang terinspirasi dari cara kerja otak manusia. Model ini diberi nama SpikingBrain-1.0 dan dikembangkan oleh tim peneliti dari Institute of Automation, Chinese Academy of Sciences (CAS).
Menurut klaim peneliti, SpikingBrain-1.0 menggunakan mekanisme pemrosesan informasi yang menyerupai neuron manusia, sehingga konsumsi daya komputasinya jauh lebih rendah dibanding model AI mainstream saat ini, termasuk arsitektur Transformer yang banyak digunakan oleh AI generatif populer, seperti ChatGPT. Dengan input yang lebih sedikit, SpikingBrain-1.0 mampu menghasilkan performa yang setara dengan model AI generatif modern.
Keunggulan utama SpikingBrain-1.0 terletak pada penerapan spiking neural network (SNN), yakni jaringan saraf buatan yang meniru pola sinyal neuron pada otak manusia. SNN memungkinkan informasi diproses secara efisien dan hemat daya, karena sistem ini hanya mengaktifkan neuron buatan saat diperlukan, berbeda dengan model AI konvensional yang menggunakan arsitektur Transformer aktif sepanjang proses.
Dalam salah satu pengujian, model ini hanya memerlukan sekitar dua persen dari jumlah data yang biasanya dibutuhkan oleh AI populer. Dengan jumlah input yang lebih sedikit, SpikingBrain-1.0 tetap mampu menghasilkan performa sebanding dengan model AI mainstream, sehingga menjadikannya model AI hemat energi namun tetap tangguh.
Efisiensi SpikingBrain-1.0 tidak hanya terlihat dari konsumsi daya, tetapi juga dari kecepatan pemrosesan. Dalam pengujian lanjutan, model AI ini mampu mempercepat proses informasi hingga 26,5 kali lebih cepat dibanding model AI berbasis Transformer. Kecepatan ini terlihat khususnya ketika model diminta menghasilkan token pertama dari konteks panjang, yang panjangnya mencapai satu juta token.
Kemampuan ini membuat SpikingBrain-1.0 ideal untuk digunakan pada bidang yang memerlukan pemrosesan teks atau dokumen panjang, seperti analisis literatur, penelitian ilmiah, pemrosesan data hukum, atau analisis dokumen keuangan. Dengan GPU lokal, model ini dapat digunakan secara efisien tanpa harus bergantung pada server besar atau komputasi cloud yang mahal.
Tim peneliti CAS menekankan bahwa SpikingBrain-1.0 tidak hanya inovatif dalam hal efisiensi, tetapi juga memiliki potensi luas untuk diterapkan dalam berbagai sektor. Dengan konsumsi daya rendah dan performa tinggi, model AI ini dapat diadopsi di industri yang membutuhkan pemrosesan informasi kompleks dengan biaya energi minimal.
Penggunaan AI hemat energi juga sejalan dengan upaya global untuk mengurangi jejak karbon teknologi, karena data center yang menjalankan AI tradisional seringkali memerlukan energi besar. Dengan SpikingBrain-1.0, perusahaan dan lembaga riset bisa menjalankan pemrosesan data berskala besar tanpa membebani konsumsi listrik secara signifikan.
Pengembangan SpikingBrain-1.0 juga didukung oleh kemajuan chip GPU lokal yang dirancang untuk memaksimalkan pemrosesan AI berbasis SNN. Teknologi ini memungkinkan model bekerja secara optimal, baik untuk penelitian akademis maupun aplikasi industri.
Tim peneliti CAS menyatakan bahwa pengembangan SpikingBrain-1.0 masih dalam tahap awal dan mereka akan terus melakukan penelitian untuk meningkatkan kapasitas model, memperluas kemampuan pemrosesan data multimodal, dan memperbaiki integrasi dengan sistem AI lain.
Dengan keunggulan hemat daya, performa tinggi, dan kemampuan memproses data panjang, SpikingBrain-1.0 menandai tonggak baru dalam pengembangan AI yang meniru cara kerja otak manusia. Model ini tidak hanya menunjukkan efisiensi teknologi, tetapi juga membuka peluang bagi penggunaan AI generatif di berbagai sektor yang sebelumnya terbatas karena kebutuhan komputasi tinggi.
SpikingBrain-1.0 merupakan bukti nyata bahwa inovasi AI bisa berjalan seiring dengan efisiensi energi, dan China menjadi salah satu negara terdepan dalam mengembangkan teknologi ini. Ke depan, model ini diharapkan dapat diterapkan secara luas di akademik, industri, dan penelitian ilmiah, sambil tetap meminimalkan biaya energi dan jejak karbon. (MDA*)
