Pelatihan AI Menjadi 10x Lebih Cepat, 95% Lebih Murah Dengan Strategi Terdesentralisasi dari 0GgettyPerubahan diam-diam dalam fondasi kecerdasan buatan (AI) mungkin sedang berlangsung, dan itu tidak terjadi di pusat data hyperscale.
0G Labs, protokol AI terdesentralisasi pertama (AIP), bekerja sama dengan China Mobile, baru-baru ini mengumumkan terobosan teknis yang dapat memiliki implikasi luas bagi bagaimana bisnis mengakses dan menerapkan model bahasa besar. Inovasi mereka adalah metode baru untuk melatih model AI besar dengan lebih dari 100 miliar parameter, tanpa memerlukan internet ultra-cepat atau infrastruktur terpusat yang mahal yang biasanya diperlukan.
Sekilas, ini mungkin terdengar seperti kemenangan bagi dunia teknik.
Tetapi cerita sebenarnya adalah ekonomi dan strategis. Apa yang telah dicapai oleh 0G Labs dapat menurunkan biaya pembangunan AI, memberikan lebih banyak kendali kembali ke tangan perusahaan, dan membuka pintu bagi pemain baru untuk memasuki ruang ini.
Apa Artinya Untuk Pelatihan AI
Untuk memahami pergeseran ini, akan membantu untuk mengingat kembali bagaimana model AI berskala besar saat ini dilatih.
Model seperti GPT-4 dari OpenAI atau Claude dari Anthropic memerlukan kekuatan komputasi yang besar dan throughput jaringan. Secara tradisional, ini berarti melatih mereka pada GPU yang kuat yang terhubung melalui pusat data terpusat berkecepatan tinggi yang dimiliki atau disewa dari perusahaan seperti Amazon Web Services, Google Cloud, atau Microsoft Azure.
Angka-angka ini mencerminkan pelatihan pusat data berbasis cloud terpusat atau hyperscale—memerlukan kluster GPU besar, jaringan berkecepatan tinggi, dan biaya perangkat keras serta staf yang mencapai jutaan. Sandy Carter. Pada awal 2025, kepemimpinan OpenAI, termasuk Sam Altman, secara terbuka menyatakan bahwa pelatihan GPT‑4 menghabiskan biaya lebih dari $100 juta. Hal ini didukung oleh pernyataan resmi dan berbagai model biaya dalam laporan analisis AI terbaru. Ini adalah model yang membutuhkan modal, bakat, dan infrastruktur yang hanya dapat dijangkau oleh sedikit organisasi.
LEBIH UNTUK ANDA## 0G Labs Mencoba Menantang Anggapan Itu Untuk Pelatihan AI
Kerangka kerja mereka yang baru diterbitkan, yang disebut DiLoCoX, memperkenalkan metode pelatihan komunikasi rendah yang secara dramatis mengurangi kebutuhan akan konektivitas bandwidth tinggi. Dalam istilah praktis, mereka berhasil melatih model dengan 107 miliar parameter pada jaringan 1 Gbps menggunakan kluster terdesentralisasi. Rekor ini adalah perbaikan 10x dari rekor sebelumnya dan terobosan percepatan 300x yang membuat ini mungkin untuk pertama kalinya. Ini kira-kira adalah bandwidth dari koneksi internet kantor yang biasa.
Alih-alih membangun semuanya di satu pusat komputasi raksasa, pendekatan mereka menghubungkan mesin-mesin kecil yang terdistribusi dan mengoptimalkan bagaimana informasi dibagikan di antara mereka. Hasilnya adalah cara yang sangat dapat diskalakan dan efisien biaya untuk melatih model-model besar di luar awan tradisional.
Juara AI terdesentralisasi dari 0G labs. Pendiri dan CEO, Michael Heinrich, memberikan komentar tentang kemajuan dalam Pelatihan AI. 0G Labs Dalam berbicara dengan pendiri dan CEO 0G labs Michael Heinrich, ia mengatakan "DiLoCoX menandai langkah penting dalam mendemokratisasi pelatihan LLM: menjembatani kesenjangan antara model dasar besar dan kluster terdesentralisasi yang terhubung oleh jaringan lambat dan tidak dapat diandalkan. Dengan menggabungkan paralelisme pipeline, komunikasi toleran delay, dan kompresi gradien adaptif, kerangka kerja ini memberikan skala dan kecepatan yang sebelumnya dianggap eksklusif untuk pusat data bandwidth tinggi. Ini akan membuka era baru di mana pelatihan AI skala besar tidak lagi terikat pada infrastruktur terpusat."
Mengapa Pelatihan AI Penting untuk Bisnis
Pada saat setiap perusahaan berada di bawah tekanan untuk melakukan lebih banyak dengan AI, infrastruktur dengan cepat menjadi hambatan. Beberapa bisnis mulai melihat AI terdesentralisasi berdasarkan desain. Membangun model besar tetap mahal, eksklusif, dan sebagian besar terbatas pada perusahaan dengan sumber daya yang dalam atau kemitraan cloud strategis. Terobosan 0G membuka jalur ketiga.
Ini bukan hanya cerita tentang penghematan biaya. Ini adalah cerita tentang opsi dan kontrol.
1. Menurunkan Hambatan untuk Masuk
Pendekatan DiLoCoX mengurangi infrastruktur hingga 95% yang diperlukan untuk berpartisipasi dalam perlombaan LLM.
Untuk startup, ini berarti kemampuan untuk bereksperimen dan berkembang tanpa menghabiskan modal ventura untuk pengeluaran GPU.
Untuk perusahaan menengah, ini menawarkan kemungkinan untuk melatih model secara internal tanpa melakukan komitmen besar terhadap cloud.
Bagi pemerintah dan laboratorium penelitian, ini berarti pengembangan kemampuan AI yang lebih mudah diakses dan berdaulat.
2. Kemandirian Strategis dari Hyperscalers
Sebagian besar pelatihan AI saat ini bergantung pada tiga penyedia cloud.
Konsentrasi tersebut membawa risiko dalam hal peningkatan biaya, kunci vendor, dan kepatuhan. Jika bisnis Anda bergantung pada AI tetapi juga beroperasi di sektor sensitif seperti kesehatan, pertahanan, atau keuangan, kemampuan untuk melatih atau menyesuaikan model secara independen menjadi alat strategis yang kuat.
AI terdesentralisasi menawarkan jalur menuju otonomi digital. Dengan mematahkan anggapan bahwa AI mutakhir harus dilatih di dalam platform cloud terpusat, model 0G menciptakan ruang baru untuk kompetisi dan inovasi.
3. Menyelaraskan dengan Kebutuhan Privasi Data dan Kepatuhan
Banyak perusahaan berhati-hati dalam mengunggah data kepemilikan ke model berbasis cloud atau lingkungan pelatihan. Dengan pelatihan terdesentralisasi, menjadi mungkin untuk menjaga data lokal dalam yurisdiksi, di dalam firewall, atau bahkan di perangkat tepi sambil tetap berpartisipasi dalam pengembangan AI berskala besar. Ini sangat menarik di daerah dengan hukum kedaulatan data yang ketat seperti Uni Eropa atau negara-negara yang membangun ekosistem AI mereka sendiri. Jaringan 0G tidak pernah melihat data pribadi.
4. Mempercepat Inovasi di Pasar yang Terlupakan
Biaya masuk yang tinggi telah membuat banyak negara dan industri berada di pinggiran pengembangan AI canggih.
DiLoCoX menurunkan ambang batas itu.
Sebuah universitas di Kenya, penyedia telekomunikasi di Asia Tenggara, atau bank regional di Amerika Latin mungkin tidak memiliki akses ke komputasi yang sama seperti Silicon Valley, tetapi mereka mungkin segera memiliki alat untuk melatih dan menerapkan sistem cerdas mereka pada infrastruktur yang ada.
5. Risiko Geopolitik dan Regulasi
Meskipun pencapaian teknisnya mengesankan, keterlibatan China Mobile menimbulkan pertanyaan.
Seiring meningkatnya ketegangan antara Amerika Serikat dan China terkait kepemimpinan teknologi dan keamanan nasional, bisnis harus mempertimbangkan potensi pengawasan regulasi, kekhawatiran tentang tata kelola data, dan risiko reputasi yang terkait dengan kemitraan yang melibatkan entitas yang terkait dengan negara China.
Untuk perusahaan yang berbasis di Amerika Serikat atau yang beroperasi di pasar sekutu, setiap integrasi infrastruktur atau penelitian yang terkait dengan China dapat menghadapi kontrol ekspor, pembatasan hukum, atau reaksi publik. Organisasi yang mengeksplorasi solusi AI terdesentralisasi perlu mempertimbangkan tidak hanya kinerja dan biaya, tetapi juga keselarasan politik, kerangka kepatuhan, dan kelayakan jangka panjang.
Namun, memiliki DiLoCoX di infrastruktur terdesentralisasi di mana jaringannya tanpa kepercayaan, ini bukanlah masalah karena China Mobile tidak pernah melihat data Anda, dan sistem tidak bergantung pada mereka untuk hasil.
Mengubah Model Bisnis AI
Jika DiLoCoX diadopsi secara luas, itu dapat menciptakan efek riak di seluruh ekosistem AI yang lebih luas.
Model pendapatan cloud, yang saat ini didorong oleh beban kerja AI, mungkin menghadapi tekanan harga baru. Platform AI-as-a-service mungkin perlu merancang ulang untuk mendukung penerapan hibrid atau terdesentralisasi. Kerangka kerja sumber terbuka mungkin semakin berpengaruh seiring dengan desentralisasi yang menekankan interoperabilitas dan kontrol lokal. Vendor perangkat lunak perusahaan mungkin perlu memikirkan kembali strategi AI mereka untuk mencerminkan lanskap komputasi yang lebih terdistribusi.
Perubahan ini juga sejalan dengan tren yang lebih luas tentang AI untuk semua orang. Dari pembangun agen tanpa kode hingga inferensi berbasis tepi, pergerakan menuju tumpukan AI yang lebih dapat diakses, modular, dan dapat disesuaikan. Pelatihan terdesentralisasi adalah perpanjangan alami dari filosofi itu.
Sinyal AI untuk CIO dan CTO
Bagi para pemimpin perusahaan, pekerjaan 0G berfungsi sebagai sinyal bukan dari gangguan yang segera, tetapi dari peluang di masa depan yang dekat. AI sedang berkembang dari awalnya yang kritis.
Sekarang adalah waktu untuk mengevaluasi kembali strategi infrastruktur. Haruskah organisasi Anda terus berinvestasi dalam hosting model berbasis cloud, atau mulai menjelajahi alternatif terdesentralisasi?
Apakah pusat data internal Anda dapat berfungsi sebagai node dalam sistem pelatihan terdistribusi? Pembelajaran federasi terdesentralisasi adalah cara yang hebat untuk memanfaatkan data pribadi dari berbagai pihak di jaringan, seperti rumah sakit yang melatih model diagnostik kanker. Apakah Anda mungkin bermitra dengan pihak lain di sektor Anda untuk mengembangkan model secara bersama-sama menggunakan protokol terdesentralisasi?
Bahkan jika jawaban hari ini bukan ya, munculnya kerangka kerja seperti DiLoCoX seharusnya mendorong perencanaan infrastruktur AI lebih tinggi dalam agenda strategis. Bisnis yang mempersiapkan diri untuk pergeseran ini dengan membangun kapasitas internal, mengevaluasi mitra, dan memahami tumpukan teknis akan berada dalam posisi terbaik untuk bergerak ketika ekonomi berpihak pada mereka.
Masa Depan di Mana AI Dibangun dengan Cara yang Berbeda
Apa yang telah ditunjukkan oleh 0G Labs dan China Mobile lebih dari sekadar bukti konsep teknis. Ini adalah cara baru untuk memikirkan bagaimana kecerdasan dibangun, dilatih, dan didistribusikan. Dengan menunjukkan bahwa mungkin untuk melatih model dengan 100 miliar parameter tanpa superkomputer terpusat, mereka tidak hanya mendorong batas skala. Mereka juga memperluas akses.
Untuk bisnis, itu berarti AI mungkin segera kurang tentang siapa yang memiliki pusat data terbesar dan lebih tentang siapa yang dapat membangun sistem paling cerdas dengan fleksibilitas tertinggi.
Itu adalah masa depan AI yang layak dipersiapkan.
Lihat Asli
Halaman ini mungkin berisi konten pihak ketiga, yang disediakan untuk tujuan informasi saja (bukan pernyataan/jaminan) dan tidak boleh dianggap sebagai dukungan terhadap pandangannya oleh Gate, atau sebagai nasihat keuangan atau profesional. Lihat Penafian untuk detailnya.
Pelatihan AI Menjadi 10x Lebih Cepat, 95% Lebih Murah Dengan Strategi Terdesentralisasi
0G Labs, protokol AI terdesentralisasi pertama (AIP), bekerja sama dengan China Mobile, baru-baru ini mengumumkan terobosan teknis yang dapat memiliki implikasi luas bagi bagaimana bisnis mengakses dan menerapkan model bahasa besar. Inovasi mereka adalah metode baru untuk melatih model AI besar dengan lebih dari 100 miliar parameter, tanpa memerlukan internet ultra-cepat atau infrastruktur terpusat yang mahal yang biasanya diperlukan.
Sekilas, ini mungkin terdengar seperti kemenangan bagi dunia teknik.
Tetapi cerita sebenarnya adalah ekonomi dan strategis. Apa yang telah dicapai oleh 0G Labs dapat menurunkan biaya pembangunan AI, memberikan lebih banyak kendali kembali ke tangan perusahaan, dan membuka pintu bagi pemain baru untuk memasuki ruang ini.
Apa Artinya Untuk Pelatihan AI
Untuk memahami pergeseran ini, akan membantu untuk mengingat kembali bagaimana model AI berskala besar saat ini dilatih.
Model seperti GPT-4 dari OpenAI atau Claude dari Anthropic memerlukan kekuatan komputasi yang besar dan throughput jaringan. Secara tradisional, ini berarti melatih mereka pada GPU yang kuat yang terhubung melalui pusat data terpusat berkecepatan tinggi yang dimiliki atau disewa dari perusahaan seperti Amazon Web Services, Google Cloud, atau Microsoft Azure.
Angka-angka ini mencerminkan pelatihan pusat data berbasis cloud terpusat atau hyperscale—memerlukan kluster GPU besar, jaringan berkecepatan tinggi, dan biaya perangkat keras serta staf yang mencapai jutaan. Sandy Carter. Pada awal 2025, kepemimpinan OpenAI, termasuk Sam Altman, secara terbuka menyatakan bahwa pelatihan GPT‑4 menghabiskan biaya lebih dari $100 juta. Hal ini didukung oleh pernyataan resmi dan berbagai model biaya dalam laporan analisis AI terbaru. Ini adalah model yang membutuhkan modal, bakat, dan infrastruktur yang hanya dapat dijangkau oleh sedikit organisasi.
LEBIH UNTUK ANDA## 0G Labs Mencoba Menantang Anggapan Itu Untuk Pelatihan AI
Kerangka kerja mereka yang baru diterbitkan, yang disebut DiLoCoX, memperkenalkan metode pelatihan komunikasi rendah yang secara dramatis mengurangi kebutuhan akan konektivitas bandwidth tinggi. Dalam istilah praktis, mereka berhasil melatih model dengan 107 miliar parameter pada jaringan 1 Gbps menggunakan kluster terdesentralisasi. Rekor ini adalah perbaikan 10x dari rekor sebelumnya dan terobosan percepatan 300x yang membuat ini mungkin untuk pertama kalinya. Ini kira-kira adalah bandwidth dari koneksi internet kantor yang biasa.
Alih-alih membangun semuanya di satu pusat komputasi raksasa, pendekatan mereka menghubungkan mesin-mesin kecil yang terdistribusi dan mengoptimalkan bagaimana informasi dibagikan di antara mereka. Hasilnya adalah cara yang sangat dapat diskalakan dan efisien biaya untuk melatih model-model besar di luar awan tradisional.
Juara AI terdesentralisasi dari 0G labs. Pendiri dan CEO, Michael Heinrich, memberikan komentar tentang kemajuan dalam Pelatihan AI. 0G Labs Dalam berbicara dengan pendiri dan CEO 0G labs Michael Heinrich, ia mengatakan "DiLoCoX menandai langkah penting dalam mendemokratisasi pelatihan LLM: menjembatani kesenjangan antara model dasar besar dan kluster terdesentralisasi yang terhubung oleh jaringan lambat dan tidak dapat diandalkan. Dengan menggabungkan paralelisme pipeline, komunikasi toleran delay, dan kompresi gradien adaptif, kerangka kerja ini memberikan skala dan kecepatan yang sebelumnya dianggap eksklusif untuk pusat data bandwidth tinggi. Ini akan membuka era baru di mana pelatihan AI skala besar tidak lagi terikat pada infrastruktur terpusat."
Mengapa Pelatihan AI Penting untuk Bisnis
Pada saat setiap perusahaan berada di bawah tekanan untuk melakukan lebih banyak dengan AI, infrastruktur dengan cepat menjadi hambatan. Beberapa bisnis mulai melihat AI terdesentralisasi berdasarkan desain. Membangun model besar tetap mahal, eksklusif, dan sebagian besar terbatas pada perusahaan dengan sumber daya yang dalam atau kemitraan cloud strategis. Terobosan 0G membuka jalur ketiga.
Ini bukan hanya cerita tentang penghematan biaya. Ini adalah cerita tentang opsi dan kontrol.
1. Menurunkan Hambatan untuk Masuk
Pendekatan DiLoCoX mengurangi infrastruktur hingga 95% yang diperlukan untuk berpartisipasi dalam perlombaan LLM.
Untuk startup, ini berarti kemampuan untuk bereksperimen dan berkembang tanpa menghabiskan modal ventura untuk pengeluaran GPU.
Untuk perusahaan menengah, ini menawarkan kemungkinan untuk melatih model secara internal tanpa melakukan komitmen besar terhadap cloud.
Bagi pemerintah dan laboratorium penelitian, ini berarti pengembangan kemampuan AI yang lebih mudah diakses dan berdaulat.
2. Kemandirian Strategis dari Hyperscalers
Sebagian besar pelatihan AI saat ini bergantung pada tiga penyedia cloud.
Konsentrasi tersebut membawa risiko dalam hal peningkatan biaya, kunci vendor, dan kepatuhan. Jika bisnis Anda bergantung pada AI tetapi juga beroperasi di sektor sensitif seperti kesehatan, pertahanan, atau keuangan, kemampuan untuk melatih atau menyesuaikan model secara independen menjadi alat strategis yang kuat.
AI terdesentralisasi menawarkan jalur menuju otonomi digital. Dengan mematahkan anggapan bahwa AI mutakhir harus dilatih di dalam platform cloud terpusat, model 0G menciptakan ruang baru untuk kompetisi dan inovasi.
3. Menyelaraskan dengan Kebutuhan Privasi Data dan Kepatuhan
Banyak perusahaan berhati-hati dalam mengunggah data kepemilikan ke model berbasis cloud atau lingkungan pelatihan. Dengan pelatihan terdesentralisasi, menjadi mungkin untuk menjaga data lokal dalam yurisdiksi, di dalam firewall, atau bahkan di perangkat tepi sambil tetap berpartisipasi dalam pengembangan AI berskala besar. Ini sangat menarik di daerah dengan hukum kedaulatan data yang ketat seperti Uni Eropa atau negara-negara yang membangun ekosistem AI mereka sendiri. Jaringan 0G tidak pernah melihat data pribadi.
4. Mempercepat Inovasi di Pasar yang Terlupakan
Biaya masuk yang tinggi telah membuat banyak negara dan industri berada di pinggiran pengembangan AI canggih.
DiLoCoX menurunkan ambang batas itu.
Sebuah universitas di Kenya, penyedia telekomunikasi di Asia Tenggara, atau bank regional di Amerika Latin mungkin tidak memiliki akses ke komputasi yang sama seperti Silicon Valley, tetapi mereka mungkin segera memiliki alat untuk melatih dan menerapkan sistem cerdas mereka pada infrastruktur yang ada.
5. Risiko Geopolitik dan Regulasi
Meskipun pencapaian teknisnya mengesankan, keterlibatan China Mobile menimbulkan pertanyaan.
Seiring meningkatnya ketegangan antara Amerika Serikat dan China terkait kepemimpinan teknologi dan keamanan nasional, bisnis harus mempertimbangkan potensi pengawasan regulasi, kekhawatiran tentang tata kelola data, dan risiko reputasi yang terkait dengan kemitraan yang melibatkan entitas yang terkait dengan negara China.
Untuk perusahaan yang berbasis di Amerika Serikat atau yang beroperasi di pasar sekutu, setiap integrasi infrastruktur atau penelitian yang terkait dengan China dapat menghadapi kontrol ekspor, pembatasan hukum, atau reaksi publik. Organisasi yang mengeksplorasi solusi AI terdesentralisasi perlu mempertimbangkan tidak hanya kinerja dan biaya, tetapi juga keselarasan politik, kerangka kepatuhan, dan kelayakan jangka panjang.
Namun, memiliki DiLoCoX di infrastruktur terdesentralisasi di mana jaringannya tanpa kepercayaan, ini bukanlah masalah karena China Mobile tidak pernah melihat data Anda, dan sistem tidak bergantung pada mereka untuk hasil.
Mengubah Model Bisnis AI
Jika DiLoCoX diadopsi secara luas, itu dapat menciptakan efek riak di seluruh ekosistem AI yang lebih luas.
Model pendapatan cloud, yang saat ini didorong oleh beban kerja AI, mungkin menghadapi tekanan harga baru. Platform AI-as-a-service mungkin perlu merancang ulang untuk mendukung penerapan hibrid atau terdesentralisasi. Kerangka kerja sumber terbuka mungkin semakin berpengaruh seiring dengan desentralisasi yang menekankan interoperabilitas dan kontrol lokal. Vendor perangkat lunak perusahaan mungkin perlu memikirkan kembali strategi AI mereka untuk mencerminkan lanskap komputasi yang lebih terdistribusi.
Perubahan ini juga sejalan dengan tren yang lebih luas tentang AI untuk semua orang. Dari pembangun agen tanpa kode hingga inferensi berbasis tepi, pergerakan menuju tumpukan AI yang lebih dapat diakses, modular, dan dapat disesuaikan. Pelatihan terdesentralisasi adalah perpanjangan alami dari filosofi itu.
Sinyal AI untuk CIO dan CTO
Bagi para pemimpin perusahaan, pekerjaan 0G berfungsi sebagai sinyal bukan dari gangguan yang segera, tetapi dari peluang di masa depan yang dekat. AI sedang berkembang dari awalnya yang kritis.
Sekarang adalah waktu untuk mengevaluasi kembali strategi infrastruktur. Haruskah organisasi Anda terus berinvestasi dalam hosting model berbasis cloud, atau mulai menjelajahi alternatif terdesentralisasi?
Apakah pusat data internal Anda dapat berfungsi sebagai node dalam sistem pelatihan terdistribusi? Pembelajaran federasi terdesentralisasi adalah cara yang hebat untuk memanfaatkan data pribadi dari berbagai pihak di jaringan, seperti rumah sakit yang melatih model diagnostik kanker. Apakah Anda mungkin bermitra dengan pihak lain di sektor Anda untuk mengembangkan model secara bersama-sama menggunakan protokol terdesentralisasi?
Bahkan jika jawaban hari ini bukan ya, munculnya kerangka kerja seperti DiLoCoX seharusnya mendorong perencanaan infrastruktur AI lebih tinggi dalam agenda strategis. Bisnis yang mempersiapkan diri untuk pergeseran ini dengan membangun kapasitas internal, mengevaluasi mitra, dan memahami tumpukan teknis akan berada dalam posisi terbaik untuk bergerak ketika ekonomi berpihak pada mereka.
Masa Depan di Mana AI Dibangun dengan Cara yang Berbeda
Apa yang telah ditunjukkan oleh 0G Labs dan China Mobile lebih dari sekadar bukti konsep teknis. Ini adalah cara baru untuk memikirkan bagaimana kecerdasan dibangun, dilatih, dan didistribusikan. Dengan menunjukkan bahwa mungkin untuk melatih model dengan 100 miliar parameter tanpa superkomputer terpusat, mereka tidak hanya mendorong batas skala. Mereka juga memperluas akses.
Untuk bisnis, itu berarti AI mungkin segera kurang tentang siapa yang memiliki pusat data terbesar dan lebih tentang siapa yang dapat membangun sistem paling cerdas dengan fleksibilitas tertinggi.
Itu adalah masa depan AI yang layak dipersiapkan.