Terobosan Terbaru AI: Apa yang Baru dan Apa yang Akan Datang?

Kecerdasan buatan (AI) terus meningkat pentingnya, berkat potensi besarnya untuk merevolusi industri.

Simulasi kecerdasan manusia dalam mesin ini, pada akhirnya, memberikan manfaat seperti peningkatan efisiensi dan produktivitas, akurasi dan pengambilan keputusan yang lebih baik, peluang pekerjaan baru, serta pengalaman pelanggan yang ditingkatkan.

Akibatnya, AI telah menjadi pendorong utama pertumbuhan perusahaan, dengan lebih dari 70% bisnis mengadopsinya. Perkiraan menunjukkan pasar AI global dapat mencapai triliunan dolar pada 2030, didorong oleh peningkatan investasi dan kemajuan teknologi.

Hanya tahun ini saja, kami telah menyaksikan perkembangan besar: OpenAI memperkenalkan agen riset mendalam dengan tingkat akurasi lebih dari 25% pada tolok ukur Humanity's Last Exam; DeepSeek merilis DeepSeek‑R1 yang menggunakan penalaran rantai‑pikiran; Baidu meluncurkan Ernie X1 dan Ernie 4.5; serta Stability AI memperkenalkan model baru, Stable Virtual Camera, yang memungkinkan foto diubah menjadi adegan 3D.

Sementara itu, Google bekerja sama dengan MediaTek Taiwan untuk mengembangkan generasi berikutnya dari Tensor Processing Units (TPU) guna mengurangi biaya produksi dan ketergantungan pada mitra saat ini. Pada saat yang sama, konsorsium yang terdiri dari OpenAI, Oracle (ORCL ), SoftBank, dan MGX mengumumkan The Stargate Project bekerja sama dengan pemerintah AS.

Minggu lalu, Nvidia (NVDA ) mengumumkan rangkaian baru “superkomputer pribadi AI” yang didukung oleh platform chip Grace Blackwell. CEO Jensen Huang memperkenalkan DGX Spark dan DGX Station di GTC 2025 untuk memungkinkan pengguna membuat prototipe, menyempurnakan, dan menjalankan model AI berukuran beragam di tepi jaringan.

Jadi, sekarang, mari kita lihat beberapa terobosan utama terbaru yang dicapai peneliti melalui AI di berbagai sektor.

Klik di sini untuk mempelajari apakah AI hanya hype atau ada substansi dalam pertumbuhannya.

AI Memecahkan Tantangan Pembelajarannya

AI tidak hanya mentransfer ke sektor lain, tetapi bahkan berkontribusi pada dirinya sendiri dengan memungkinkan pengembangan sistem AI yang lebih canggih melalui kemajuan dalam analisis data, pembelajaran mesin, dan otomatisasi, yang menghasilkan pemrosesan lebih cepat, prediksi lebih akurat, dan pengambilan keputusan yang lebih baik.

Bulan ini, peneliti memperkenalkan komponen memristif baru yang jauh lebih kuat, dapat beroperasi dalam mode analog dan digital, serta berfungsi pada rentang tegangan yang lebih luas.

Karakteristik ini dapat membantu mengatasi “catastrophic forgetting,” yang terjadi ketika jaringan saraf buatan melupakan apa yang telah dipelajari sebelumnya. Hal ini biasanya terjadi ketika jaringan saraf dalam (DNN), yang dirancang meniru otak manusia, dilatih untuk tugas baru, dan optimasi baru menimpa apa yang telah dipelajari sebelumnya.

Otak kita tidak memiliki masalah ini, berkat kemampuannya menyesuaikan tingkat perubahan sinaptik. Selain itu, diduga bahwa tingkat plastisitas yang berbeda memungkinkan otak kita belajar hal baru secara permanen tanpa melupakan yang lama. Peneliti telah mencapai hal serupa dengan memristor baru mereka.

Memristor berperilaku mirip sel otak dan mengonsumsi daya yang sangat sedikit. Sebagai jenis perangkat memori yang mengubah resistansi, memristor dapat mengubah resistansinya berdasarkan tegangan yang diterapkan. Bahkan setelah tegangan dimatikan, nilai resistansinya tetap karena kemampuannya mengalami perubahan struktural.

Menurut Ilia Valov dari Peter Grünberg Institute (PGI-7) di Forschungszentrum Jülich, yang memimpin penelitian:

“Elemen memristif dianggap kandidat ideal untuk komponen komputer yang terinspirasi neuro dengan kemampuan belajar, yang dimodelkan berdasarkan otak.”

Meskipun kemajuan signifikan telah dicapai, komersialisasi komponen berlangsung jauh lebih lambat karena tingkat kegagalan produksi yang tinggi, umur produk yang pendek, dan sensitivitas terhadap pengaruh mekanik yang dapat menyebabkan kerusakan selama operasi.

Ini memerlukan penelitian untuk mengendalikan proses nanoskala dengan lebih baik serta material dan mekanisme switching baru untuk mengurangi kompleksitas sistem dan memperluas rentang fungsionalitasnya, kata Valov.

Untuk tujuan ini, ilmuwan Jerman dan China bekerja sama dan “menemukan mekanisme memristif elektrokimia baru secara fundamental yang lebih stabil secara kimia dan listrik,” yang akan memperluas cakrawala aplikasi neuroscience.

Klik di sini untuk mempelajari bagaimana chip otak berbasis AI akan mempelopori lompatan selanjutnya dalam evolusi manusia.

Terobosan Memristor untuk Pembelajaran Berkelanjutan AI

Dipublikasikan dalam jurnal Nature Communications¹, studi ini mengidentifikasi dua mekanisme utama untuk fungsi memristor bipolar:

1. Electrochemical Metallization (ECM)
2. Valence Change Mechanism (VCM)

Memristor ECM membentuk filamen logam antara dua elektroda. “Jembatan konduktif” kecil ini mengubah resistansi listrik dan larut ketika tegangan dibalik. Meskipun memungkinkan tegangan switching rendah dan waktu switching cepat, keadaan yang dihasilkan di sini bersifat variabel dan bersifat sementara.

Memristor VCM mengubah resistansi melalui pergerakan ion oksigen di antarmuka antara elektroda dan elektrolit dengan mengubah penghalang Schottky. Meskipun relatif stabil, hal ini memerlukan tegangan switching tinggi.

Dengan masing‑masing proses memiliki kelebihan dan kekurangannya, tim merancang memristor dengan menggabungkan manfaat kedua tipe, yang sebelumnya dianggap tidak mungkin.

Jadi, memristor baru menggunakan filamen yang terbuat dari oksida logam (bukan sepenuhnya logam seperti ECM), yang terbentuk melalui pergerakan ion oksigen dan tantalum. Filamen ini sangat stabil dan tidak pernah larut sepenuhnya.

“Anda dapat menganggapnya sebagai filamen yang selalu ada dalam tingkat tertentu dan hanya dimodifikasi secara kimia.”

– Valov

Mekanisme switching baru yang kuat ini disebut sebagai mekanisme modifikasi konduktivitas filamen (FCM). Komponen berbasis mekanisme ini lebih tahan terhadap suhu tinggi, membutuhkan tegangan lebih rendah untuk diproduksi, memiliki rentang tegangan yang lebih luas, dan secara kimia serta listrik lebih stabil. Umurnya juga lebih panjang karena lebih sedikit komponen yang terbakar selama produksi, sehingga tingkat penolakan lebih rendah.

Berbagai keadaan oksidasi lebih lanjut memungkinkan memristor beroperasi dalam mode biner dan analog, yang dapat membantu mengatasi masalah “catastrophic forgetting.”

Valov menjelaskan bahwa “properti unik” memristor ohmik dua terminal yang baru “memungkinkan penggunaan mode switching yang berbeda untuk mengendalikan modulasi memristor sehingga informasi yang disimpan tidak hilang.”

Peneliti telah menerapkan komponen memristif baru ini dalam model jaringan saraf tiruan dalam simulasi, mencapai akurasi pengenalan pola yang tinggi pada berbagai dataset gambar.

Tim kini akan mengeksplorasi material lain yang mungkin lebih baik dan lebih stabil. Valov yakin bahwa “hasil mereka akan lebih memajukan pengembangan elektronik untuk aplikasi ‘komputasi dalam memori’.”

Sekarang, salah satu perusahaan terkemuka di bidang AI adalah Microsoft (MSFT ), yang telah menginvestasikan $12 miliar di pembuat ChatGPT OpenAI dan menawarkan produk AI seperti Copilot, Azure AI Studio, serta alat berbasis AI dalam Microsoft 365, Dynamics 365, dan Power Platform. Raksasa teknologi dengan kapitalisasi pasar $2,9 triliun ini saat ini diperdagangkan pada $394.58, turun 7,17% YTD. Untuk kuartal yang berakhir 31 Desember 2024, perusahaan tersebut melaporkan peningkatan pendapatan sebesar 12% menjadi $69.6bln dan EPS terdilusi $3.23.

Menurut CEO Microsoft Satya Nadella:

“Kami berinovasi di seluruh tumpukan teknologi kami dan membantu pelanggan memanfaatkan ROI penuh AI untuk menangkap peluang besar di depan. Saat ini, bisnis AI kami telah melampaui tingkat pendapatan tahunan sebesar $13 miliar, naik 175% dibandingkan tahun sebelumnya.”

Terbaru tentang Microsoft

AI dalam Perawatan Kesehatan, Meningkatkan Diagnosis Parkinson

Di sektor perawatan kesehatan, AI membantu mengurangi biaya dan mencapai hasil pasien yang lebih baik dengan meningkatkan diagnostik, perawatan, dan layanan pasien melalui deteksi penyakit, pengobatan yang dipersonalisasi, serta efisiensi yang lebih baik dalam tugas administratif.

Sekarang, AI akan membantu klinisi mendiagnosis secara diferensial penyakit Parkinson dan kondisi terkait dengan lebih cepat dan akurasi yang lebih tinggi.

Diagnosis penyakit Parkinson saat ini berada di antara 55% hingga 78% dalam lima tahun pertama penilaian, sebagian karena gangguan gerakan serupa yang memiliki kemiripan, yang dapat membuat diagnosis definitif pada awalnya sulit.

Namun, model AI baru yang dikembangkan oleh peneliti di University of Florida dan UF Health Norman Fixel Institute for Neurological Diseases memiliki tingkat presisi di atas 96%.

Seperti yang dicatat dalam studi, menerapkan pendekatan berbasis pencitraan untuk mendiagnosis dan membedakan antara penyakit Parkinson (PD), progressive supranuclear palsy (PSP), dan multiple system atrophy (MSA) varian Parkinsonian telah menjadi tantangan khusus. Namun, data terbaru menunjukkan bahwa hal ini memungkinkan dengan MRI difusi‑weighted yang dipasangkan dengan algoritma pembelajaran mesin (ML) spesifik penyakit.

Studi yang didanai oleh National Institutes of Health dan dipublikasikan dalam JAMA Neurology², merinci Automated Imaging Differentiation for Parkinsonism (AIDP), sebuah perangkat lunak pemrosesan MRI otomatis dan ML yang menampilkan teknik biomarker non‑invasif.

Produsen MRI, David Vaillancourt, seorang profesor di Departemen Fisiologi Terapan dan Kinesiologi UF, mencatat bahwa mereka tidak berkomunikasi satu sama lain karena persaingan pasar dan menggunakan perangkat lunak serta urutan mereka sendiri.

Jadi, para peneliti “mengembangkan perangkat lunak baru yang bekerja di semua platform.” Alat ini akan membantu dokter meningkatkan efektivitas diagnostik mereka antara gangguan yang berbeda, kata Vaillancourt.

Sementara MRI difusi‑weighted dalam AIDP membantu mengidentifikasi di mana neurodegenerasi terjadi dengan mengukur bagaimana molekul air berdifusi di otak, algoritma menganalisis pemindaian otak untuk memberikan hasil.

Algoritma telah diuji secara ketat terhadap diagnosis klinik langsung dan dilakukan di 21 situs, termasuk dua di Kanada dan 19 di AS.

“Ini adalah contoh di mana inovasi antara teknologi dan kecerdasan buatan telah terbukti meningkatkan presisi diagnostik, memberi kami kesempatan untuk lebih meningkatkan perawatan bagi pasien penyakit Parkinson.”

– Michael Okun, M.D., direktur Norman Fixel Institute for Neurological Diseases di UF Health.

Peneliti kini berusaha mendapatkan persetujuan dari Badan Pengawas Obat dan Makanan Amerika Serikat (FDA).

Menggunakan AI untuk Memprediksi Risiko Kardiovaskular melalui Mamogram

Model pembelajaran mendalam lain menunjukkan potensi dalam memprediksi risiko kardiovaskular berdasarkan gambar mamogram, alat skrining kanker penting. Studi terpisah ini dipresentasikan pada Sesi Ilmiah Tahunan American College of Cardiology (ACC) menggabungkan kekuatan AI dengan mamogram untuk menganalisis penumpukan kalsium di arteri dalam jaringan payudara.

Penumpukan kalsium di pembuluh darah merupakan tanda kerusakan kardiovaskular yang terkait dengan penuaan atau penyakit jantung tahap awal. Wanita dengan penumpukan kalsium di arteri, menurut studi sebelumnya, memiliki risiko penyakit jantung dan stroke 51% lebih tinggi.

Meskipun menjadi penyebab utama kematian di AS, penyakit jantung pada wanita sebenarnya masih kurang terdiagnosis, yang dapat berubah dengan alat skrining mamogram berbasis AI yang memanfaatkan tes yang rutin diterima banyak wanita.

Di AS, sekitar 40 juta mamogram dilakukan setiap tahun. Sinar‑X ini digunakan untuk skrining kanker payudara. Meskipun gambar ini menunjukkan kalsifikasi arteri payudara, informasi tersebut tidak dilaporkan kepada pasien atau dokter mereka.

Studi baru menggunakan teknik analisis gambar AI yang belum pernah digunakan pada mamogram untuk menunjukkan bahwa teknologi dapat mengisi kesenjangan ini dengan menilai secara otomatis kalsifikasi dan kemudian memberikan penilaian risiko kardiovaskular. Menurut penulis utama studi, Theo Dapamede, MD, PhD, dan peneliti pasca‑doktor di Emory University di Atlanta:

“Kami melihat peluang bagi wanita untuk melakukan skrining kanker dan juga secara tambahan mendapatkan skrining kardiovaskular dari mamogram mereka. Studi kami menunjukkan bahwa kalsifikasi arteri payudara merupakan prediktor yang baik untuk penyakit kardiovaskular, terutama pada pasien di bawah usia 60 tahun. Jika kami dapat menyaring dan mengidentifikasi pasien ini lebih awal, kami dapat merujuk mereka ke ahli jantung untuk penilaian risiko lebih lanjut.”

Untuk membangun alat ini, peneliti melatih model AI untuk memsegmentasi pembuluh yang terkalsifikasi dalam gambar mamogram. Model kemudian menggunakan piksel terang ini untuk menghitung risiko kejadian kardiovaskular di masa depan berdasarkan data lebih dari 56.000 pasien.

“Kemajuan dalam pembelajaran mendalam dan AI telah membuatnya jauh lebih memungkinkan untuk mengekstrak dan menggunakan lebih banyak informasi dari gambar guna mendukung skrining oportunistik.”

– Dapamede

Temuan studi menunjukkan bahwa model baru tampil baik dalam mengidentifikasi risiko kardiovaskular pasien pada tingkat risiko rendah, sedang, atau tinggi berdasarkan gambar mamogram.

Menurut mereka, tingkat kejadian kardiovaskular serius meningkat seiring tingkat kalsifikasi arteri payudara pada wanita di bawah 60 tahun dan mereka yang berusia antara 60 hingga 80 tahun setelah menghitung risiko kematian akibat serangan jantung akut, stroke, atau penyebab apa pun dalam dua dan lima tahun.

Hal ini membuat alat ini khusus cocok untuk memberikan peringatan dini risiko penyakit jantung pada wanita yang lebih muda, memungkinkan intervensi dini.

Hasil studi juga menunjukkan bahwa mereka dengan tingkat kalsifikasi arteri payudara tertinggi, di atas 40 mm², memiliki tingkat kelangsungan hidup bebas kejadian lima tahun yang secara signifikan lebih rendah dibandingkan mereka dengan tingkat terendah, di bawah 10 mm².

Langkah selanjutnya peneliti adalah memperoleh persetujuan dari FDA dan membuatnya tersedia untuk penggunaan yang lebih luas. Di masa depan, rencana juga mencakup penggunaan model AI serupa untuk menganalisis biomarker kondisi lain, seperti penyakit ginjal, yang mungkin dapat diekstraksi dari mamogram.

Sekarang, ketika berbicara tentang perusahaan yang memajukan AI dalam perawatan kesehatan, GE HealthCare Technologies (GEHC ) sangat berinvestasi dalam teknologi ini dan mengintegrasikannya ke seluruh produk untuk meningkatkan perawatan pasien dan memperbaiki alur kerja klinisi. Perusahaan dengan kapitalisasi pasar $37,26 miliar ini sahamnya saat ini diperdagangkan pada $81.49, naik 4.23%. Pada 4Q24, pendapatannya meningkat 2% menjadi $5.3 miliar sementara EPS terdilusi $1.57.

Terbaru tentang GE Healthcare Technologies

AI dalam Ilmu Material: Mengoptimalkan Proses Pertumbuhan Thin-film

Ilmu material sangat penting untuk kemajuan modern karena memungkinkan pengembangan material baru dan meningkatkan material yang ada. AI di bidang ini berkontribusi dengan mempercepat penemuan dan desain material baru, mengoptimalkan yang sudah ada, serta meningkatkan proses manufaktur.

Peneliti dari Tokyo University of Science (TUS), dipimpin oleh Profesor Masato Kotsugi, kini memanfaatkan AI untuk mengoptimalkan proses pertumbuhan thin-film dengan memprediksi pertumbuhan dendritik di dalamnya.

Proses ini memainkan peran kunci dalam pengembangan perangkat semikonduktor, teknologi komunikasi, dan teknologi sensor.

Saat ini, thin film ditumbuhkan dengan menumpuk lapisan tipis material pada substrat. Namun, untuk memanfaatkan sepenuhnya kinerja perangkat film multilayer, substrat harus diproduksi secara presisi karena memiliki pengaruh besar pada konfigurasi struktural, yang kemudian memengaruhi fungsi dan kinerjanya.

Namun, struktur sangat dipengaruhi oleh kondisi proses pertumbuhan seperti komposisi, atmosfer, dan cacat permukaan. Selama proses pertumbuhan fabrikasi area luas, yang penting untuk aplikasi komersialnya, muncul hambatan utama berupa struktur dendritik.

Pola bercabang menyerupai pohon ini mengurangi kerapatan permukaan thin film dan biasanya terlihat pada material seperti graphene, tembaga, dan borofena, terutama pada tahap pertumbuhan awal dan film multilayer.

Mengingat mikrostruktur secara langsung memengaruhi kinerja perangkat, penting untuk mengurangi pembentukan dendritik. Untuk itu, pertama‑tama kita harus memahami kondisi yang menyebabkan percabangan dendritik.

Metode yang ada untuk mempelajari dendritik, bagaimanapun, bergantung pada analisis visual sederhana dan interpretasi subjektif, memerlukan banyak percobaan dan kesalahan.

Untuk mengatasi masalah ini, peneliti membangun model AI untuk menganalisis struktur dendritik. Metode inovatif ini mengintegrasikan pembelajaran mesin (ML) dan persistent homology (PH) dengan analisis energi untuk menjembatani struktur dan proses dalam pertumbuhan dendritik.

“Pendekatan kami memberikan wawasan baru tentang mekanisme pertumbuhan dan menawarkan jalur berbasis data yang kuat untuk mengoptimalkan fabrikasi thin-film.”

– Prof. Kotsugi

Menggabungkan AI, PH, & Analisis Energi untuk Mempelajari Pertumbuhan Dendritik

Dipublikasikan dalam Science and Technology of Advanced Materials: Methods³, studi ini merinci model yang menggunakan persistent homology (PH) untuk menangkap fitur topologi kompleks dari mikrostruktur dendritik, yang sering terlewatkan oleh teknik pemrosesan gambar tradisional.

Sementara PH memungkinkan penilaian multiskala terhadap lubang dan koneksi dalam struktur geometris, teknik ML analisis komponen utama (PCA) membantu mereduksi fitur morfologi dendritik penting yang diekstrak melalui PH ke ruang 2D.

Hal ini membantu tim mengkuantifikasi perubahan struktural pada dendritik dan menetapkan hubungan antara perubahan tersebut dan energi bebas dalam material yang memengaruhi cara dendritik terbentuk.

Dengan menilai hubungan ini, tim menemukan kondisi khusus dan mekanisme pertumbuhan tersembunyi yang memengaruhi percabangan dendritik.

“Kerangka kerja kami secara kuantitatif memetakan morfologi dendritik ke variasi energi bebas Gibbs, mengungkap gradien energi yang menggerakkan perilaku percabangan.”

– Kotsugi

Tim kemudian mempelajari pertumbuhan dendritik pada substrat tembaga (Cu) heksagonal dan membandingkan hasilnya dengan data dari simulasi phase‑field untuk memvalidasi pendekatan mereka. Kotsugi mencatat:

“Dengan mengintegrasikan topologi dan energi bebas, metode kami menawarkan pendekatan serbaguna untuk analisis material. Melalui integrasi ini, kami dapat membangun hubungan hierarkis antara mikrostruktur skala atom dan fungsionalitas makroskopik di berbagai material, membuka jalan bagi kemajuan masa depan dalam ilmu material.”

Menurutnya, metode ini dapat mengarah pada pengembangan perangkat thin-film berkualitas tinggi untuk komunikasi berkecepatan tinggi melampaui 5G serta kemajuan dalam material berperforma tinggi, fisika nonequilibrium, dan teknologi sensor.

Sekarang, jika kita melihat nama terkemuka di bidang ilmu material yang memanfaatkan AI untuk berinovasi, Applied Materials (AMAT ) termasuk yang teratas. Perusahaan ini memanfaatkan AI untuk meningkatkan manufaktur chip semikonduktor melalui platform AI(x), ExtractAI, dan Sistem SEMVision™ H20. Perusahaan dengan kapitalisasi pasar $123,6 miliar ini sahamnya saat ini diperdagangkan pada $151, turun 6,5% YTD. Untuk 1Q25, perusahaan tersebut melaporkan peningkatan pendapatan sebesar 7% menjadi $7.17bln sementara GAAP EPS $1.45 dan non‑GAAP EPS $2.38.

“Dorongan industri untuk mempercepat pengembangan komputasi canggih dan AI yang lebih canggih semakin kuat. Applied Materials memungkinkan infleksi arsitektur perangkat utama yang kritis untuk AI hemat energi, dan fokus kami pada kolaborasi co‑innovation berkecepatan tinggi menciptakan peluang kolaborasi unik dengan pelanggan dan mitra kami, menempatkan Applied untuk pertumbuhan berkelanjutan dan kinerja unggul di tahun‑tahun mendatang.”

– CEO Gary Dickerson bulan lalu

Terbaru tentang Applied Materials

Kesimpulan

AI telah mengubah bisnis di berbagai industri. Kecepatan inovasi kini menawarkan solusi terobosan untuk tantangan lama. Dengan kemajuan ini, mulai dari ilmu material, diagnostik medis, superkomputer pribadi, hingga solusi untuk tantangan pembelajaran AI itu sendiri, kita melangkah ke era yang menjanjikan transformasi belum pernah terjadi sebelumnya.

Seiring AI terus berkembang, kemampuannya untuk meningkatkan produktivitas, memperbaiki pengambilan keputusan, dan membuka frontier baru menjadikannya salah satu kekuatan paling kuat yang membentuk masa depan.

Klik di sini untuk mempelajari semua tentang berinvestasi dalam kecerdasan buatan (AI).