Judul artikel asli: Open Source Wins，AGI Is Here，and Scorsese's AI Toolkit—Cerebras & Black Forest Labs CEOs
Sumber artikel asli: All-In Podcast
Kompilasi artikel asli: 深潮 TechFlow

Ringkasan poin-poin utama

Edisi ini mengundang dua CEO perusahaan infrastruktur AI. Andrew Feldman adalah pendiri Cerebras, perusahaan yang fokus pada chip untuk inferensi; baru saja menyelesaikan IPO, dengan tumpukan pesanan senilai 25 miliar dolar AS. Ia berulang kali menekankan satu hal: kebutuhan komputasi AI sudah jauh melampaui kapasitas, tidak ada kondisi “sudah dibangun, tinggal menunggu orang datang”. Selera OpenAI, Anthropic, SpaceX, dan Google jauh melampaui pasokan. Dan munculnya reasoning membuat intensitas komputasi kembali melonjak—ini persis medan perang bagi mesin yang lebih cepat. Robin Rombach adalah pendiri Black Forest Labs, yang mengerjakan model gambar dan video generatif (seri Flux). Ia sebelumnya menciptakan algoritma latent diffusion, yaitu fondasi semua model generasi gambar dan video saat ini. Ia baru bekerja sama dengan Martin Scorsese, sehingga sutradara tersebut menggunakan AI untuk memvisualisasikan adegan di benaknya; tetapi arah yang membuatnya lebih bersemangat adalah: rangkaian model multimodal yang sama bisa dipakai untuk membuat film, dan juga dideploy ke robot sebagai “otak”. Titik akhir video generatif tidak ada di layar, melainkan di dunia fisik.

Ringkasan poin-poin menarik

Reasoning adalah “black hole” komputasi berikutnya

· “Menariknya, kali ini berbeda dari masa lalu—mereka tidak mengandalkan narasi ‘kalau sudah dibangun, nanti ada yang datang’. Permintaan sudah memesan kapasitas produksi. Kita punya tumpukan pesanan 25 miliar dolar AS.”

· “Reasoning itu reasoning. Reasoning menghabiskan token dalam jumlah masif, dan ini tepat medan perang bagi mesin yang cepat.”

· “Kalau Cerebras 15 kali lebih cepat, dan kamu menjalankan reasoning selama 24 jam, itu setara dengan menjalankan pemikiran selama beberapa minggu bahkan beberapa bulan.”

Open source dan kedaulatan: perusahaan menginginkan kontrol

· “Tidak ada yang suka bergantung. Pelajaran dari industri hyper-scale vendor sejak era x86 adalah terikat pada Intel.”

· “Kamu tidak perlu membuat chip yang paling cepat. Yang penting adalah tidak sepenuhnya bergantung pada chip buatan pihak lain.”

· “Kalau sekarang mau menjalankan model open source, opsi yang ada adalah OSS 12B dari OpenAI atau model dari Tiongkok; pilihan open source yang benar-benar lokal di AS terlalu sedikit.”

AGI menurut definisi 20 tahun lalu sudah tiba

· “Definisi AGI yang pernah kita ajukan 20, 30, 40 tahun lalu—kita sudah melewatinya jauh sekali.”

· “Uji Turing? Sudah lama dihantam habis.”

· “Masalahnya bukan lagi bahwa kita tidak tahu cara bertanya. AI justru bisa memberi tahu: hei, kalian manusia-manusia bodoh—kalian tidak mempertimbangkan ini.”

Video generatif bukan pengganti kreativitas manusia

· “Model-model AI ini adalah sebuah media. Kami tidak ingin mengatur cara penggunaannya, apalagi untuk orang seperti Martin Scorsese.”

· “Bahasa itu semacam cara komunikasi yang sedikit ‘lossy’. Sinyal informasi visual terlalu kaya. Mengubah adegan di benak jadi gambar yang terlihat—di situlah letak kekuatan teknologinya.”

· “Hasil yang paling menarik, hampir semuanya muncul saat manusia berada dalam loop dan terus beriterasi.”

Dari film ke robot: satu rangkaian model

· “Kamu bisa memakai model multimodal yang sama untuk membuat sebuah film, lalu mendepoykannya sebagai ‘otak’ pada robot.”

· “Video pra-pelatihan secara implisit mengajari model aturan interaksi fisik, lalu kamu mengambil prediksi aksi dari model yang sama—itulah kontrol robot.”

· “Targetnya adalah kamu bisa memberi instruksi robot dengan in-context prompt: ‘ambil gelas jus jeruk itu’. Sekarang kami belum bisa, tapi itu arahnya.”

AI membanjir di infrastruktur: pusat data bahkan lebih besar dari kota

Host: Kami belum pernah melihat skala pembangunan seperti ini. Sejak Tembok Besar, piramida—manusia tidak pernah menginvestasikan begitu banyak modal, waktu, dan orang-orang cerdas untuk membangun sesuatu dengan cara seperti ini. Faktanya, kamu sedang melakukan ini, klienmu membangun pusat data, dan kamu adalah mata rantai kunci. Pada 2026, Cerebras sedang mengerjakan apa? Dan bagaimana kondisi proyek-proyek raksasa di Texas itu?

Jawab: Pusat data yang kita bicarakan, dalam beberapa tahun ke depan konsumsi listriknya akan melampaui total listrik yang pernah dipakai di Bumi dalam 50 tahun terakhir. Satu bangunan saja ukurannya sebesar lapangan sepak bola, dan daya yang terhubung melampaui kota menengah. Sedang dibangun di seluruh Amerika Serikat, juga di Kanada, di Eropa Utara, di Paris dan seluruh Prancis, di Timur Tengah, bahkan di Kazakhstan, Tajikistan, dan Georgia juga sedang membangun pusat data besar. Setiap negara, setiap negara bagian ingin ikut ambil bagian.

Siapa yang membayar? OpenAI, Anthropic, SpaceX AI, Google—seleranya sampai-sampai menakutkan. Menariknya, gelombang kali ini berbeda dari banyak hype teknologi di masa lalu: mereka tidak sedang bertaruh “kalau dibangun nanti ada yang datang”. Permintaan sudah mengunci kapasitas produksi. Kita punya tumpukan pesanan 25 miliar dolar AS. OpenAI butuh lebih banyak pusat data, Microsoft butuh lebih banyak, AWS butuh lebih banyak. Ini bukan permintaan yang menunggu pelanggan datang—pelanggan sudah antre.

Host: Ini juga melahirkan istilah “token maxing”, kebanyakan menghabiskan token tanpa batas. Ada yang mempertanyakan: dengan permintaan sebesar ini, apakah benar-benar menciptakan nilai yang nyata?

Jawab: Tentu saja ada nilai yang sangat besar yang sedang dihasilkan. Tentu juga ada banyak percobaan ngawur. Kalau dibandingkan saat saya baru keluar dari AWS, rasanya terlalu enak untuk memotong jalur IT internal sendiri—setiap insinyur tinggal pakai kartu kredit untuk daftar. Banyak yang memang berguna; tapi kalau dipikir belakangan, ada beberapa hal yang,“eh, seharusnya tidak begini.” Namun secara keseluruhan tetap untung, hanya beberapa arah yang ternyata buntu.

Saya masih ingat tahun 1988 saat Costco membuka toko di Palo Alto. Orang-orang berkeliling Costco seperti berbelanja Safeway—setiap deret rak mereka lewati. Cara belanja seperti itu buruk: kamu membeli empat barang yang sebenarnya tidak dibutuhkan, masing-masing 22 dolar AS. Belakangan orang belajar strateginya: ambil ayam di bagian belakang, ambil 18 cangkir cupcake untuk pesta ulang tahun anak, langsung beres. Konsumsi token AI sama: awalnya semua orang pakai tanpa batas; sekarang perusahaan mulai membicarakan strategi—tugas mana yang cukup dengan model open source, dan mana yang harus pakai model paling depan. Kita mulai mengelola AI seperti menjalankan sebuah bisnis.

Menggantikan pelatihan dengan reasoning: kenapa mesin yang cepat jadi bintang di gelombang ini?

Host: Sam Altman pernah bilang di AllIn, langkah berikutnya adalah reasoning: memahami maksud, menyusun strategi, lalu memvalidasi silang dengan agent-agent thread lain. Kita sudah melewati fase “tebak kata berikutnya” sejauh ini. Dan Cerebras sekarang berada tepat di tengah, karena reasoning itu inferensi, dan beban komputasinya luar biasa besar.

Jawab: Reasoning menghabiskan token dalam jumlah masif, sehingga mesin yang cepat punya medan perang. Setiap langkah reasoning menelan token di dalam, bukan seperti kamu sebelumnya mengandalkan waktu besar untuk menukar jawaban yang bagus. Cerebras yang 15 kali lebih cepat artinya, menjalankan reasoning selama 24 jam sama dengan memikirkan selama beberapa minggu bahkan beberapa bulan.

Pagi ini saya mencoba model GLM-52 dari ZAI di BitTensor. Saya memberinya komputasi tanpa batas, lalu setiap jam ia memberi saya tren yang belum teridentifikasi di seluruh dunia. Model itu mulai debat sendiri: haruskah mencarinya di Hacker News dan Reddit, atau tren lebih dulu muncul di Instagram? Saya melihat model reasoning di belakang layar debat sendiri—itu sedang melakukan reasoning. Token tanpa batas berarti reasoning tanpa batas. Dengan Cerebras 15 kali lebih cepat, 24 jam setara dengan beberapa minggu.

Host: Apakah Cerebras punya Moore’s Law sendiri? Berapa lama diskusi internal sampai bilang dua kali lipat?

Jawab: Semua chip sebelumnya berjalan di atas Moore’s Law, setiap 18 bulan menjadi dua kali lipat. Kami memutus garis itu, dan menghasilkan lintasan yang benar-benar baru. Perkiraan saya: dalam 18 bulan ke depan, lebih dari 2 kali. Masih banyak ruang optimasi pada arsitektur baru. GPU itu arsitektur lama dari 20 tahun lalu—yang bisa dipaksa hanya dengan mengecilkan node proses, tapi arsitektur baru masih punya banyak hal yang bisa dipelajari dan disetel.

Host: Dengan tumpukan pesanan 25 miliar dolar AS di tangan, kamu masih harus mengikuti ritme OpenAI—mereka mungkin calon pesaing di masa depan. Bagaimana cara kamu mengoperasikan perusahaan?

Jawab: Saat ini “silicon” tidak akan menganggur, karena kebutuhannya terlalu besar. Tapi kamu benar, OpenAI juga membuat chip sendiri, Amazon juga membuat. Tidak ada yang suka bergantung. Pelajaran dari vendor hyper-scale sejak era x86 adalah terikat pada Intel; pelajaran dari vendor GPU adalah mereka terikat pada beberapa klien hyper-scale—sehingga mereka mendanai cloud baru. Membuat chip sendiri, fokusnya bukan pada yang paling cepat, melainkan pada tidak sepenuhnya bergantung pihak lain, setidaknya pada penguasaan sebagian penting dari takdir sendiri.

Open source dan kedaulatan: perusahaan menginginkan kontrol

Host: Open source sedang memasuki satu momen. Saya dulu pakai OpenClaude, lalu pakai Kimmy. Saya lihat token Claude saya meledak, tapi saya tidak bisa membedakan perbedaannya dengan Kimmy. Model open source mulai mengerjakan reasoning, dan kesenjangan yang selama ini ada tiba-tiba menutup tahun ini.

Jawab!: Kamu tidak ingin pergi ke Ferrari untuk belanja di supermarket. Kadang pakai mobil sport, kadang pakai minivan; saat anak-anak menumpahkan Cheerios, kamu tidak sampai merasa rugi. Begitu juga perusahaan: masalah-masalah sulit diserahkan ke model-model terdepan (OpenAI, Anthropic, Gemini), tetapi banyak masalah harian yang lain cukup dengan kemampuan open source yang solid. Coba pikir, berapa banyak waktu yang dihabiskan sebuah perusahaan untuk urusan seperti menyalin-tempel dari Workday ke sel Excel lainnya? Itu tidak perlu matematika level medali emas—open source yang stabil sudah cukup.

Baru-baru ini saya melempar kartu lagi: industri yang teregulasi seperti finansial dan kesehatan (HIPAA, FINRA) takut kebocoran data, takut kedaulatan AI dipegang orang lain. Mereka ingin menempatkan model secara lokal, dan mengambil versi open source untuk mendapatkan kontrol lebih banyak. Beberapa bulan lalu OpenAI merilis OSS 12B—cukup. Tapi sekarang di AS, untuk menjalankan open source pilihannya cuma OSS 12B atau model dari Tiongkok; opsi open source lokal terlalu sedikit. NVIDIA juga melihat celah ini, mereka sedang mendorong model open source mereka sendiri, tapi Jensen juga ragu: kliennya adalah Sam, Dario, Elon, Sergey—kalau membuka open source, apakah itu akan merampas bisnis dari klien mereka?

Cerebras berada pada posisi yang cukup netral: kami menjalankan GLM, menjalankan Kimmy, menjalankan seri Qwen, dan juga menjalankan model tertutup dari OpenAI. Kami juga menjalankan model buatan sendiri dari GSK, serta model internal dari UAE G42 dan MBZUAI. Urusan kedaulatan adalah sebuah tren.

AGI sudah datang, paradigma tidak akan mati, manusialah

Host: Saat Fable 5 dan o-56 rilis, pemerintah bilang “stop dulu sebentar, baru nanti rilis lagi”. Hubungan Anthropic dengan lapisan administrasi sedang tegang, dan sekarang mulai mereda. Menurutmu, rilis bertahap itu masuk akal? Apakah model benar-benar cukup berbahaya?

Jawab: Saya belum pernah melihat hal seperti ini sebelumnya. Tapi kalau dipikir ulang: ketika sebuah model sudah cukup kuat untuk pemikiran kreatif, pemerintah berkata “silakan rilis bertahap”—menurut saya itu tidak masalah. Kita juga mengatur “obat kuat” dengan cara yang sama; tentu tidak mendorong tumpukan dokumen sampah tujuh tahun ala FDA, tapi memberi tahu “setidaknya biarkan pemerintah melakukan beberapa uji red team, memastikan pertahanan kami bisa menahan serangan”—lalu dalam dua sampai tiga minggu menambal celah yang kelihatan jelas—itu bukan permintaan yang tidak masuk akal.

Tapi sekarang adalah masa polarisasi paling parah. Kalau ini bukan dilakukan oleh Trump, responsnya bisa jadi benar-benar berbeda jika presiden lain. Polarisasi merusak cara berpikir yang jernih. Dua-duanya akan melakukan hal bodoh, dan juga hal cerdas. Orang-orang di level bawah di pemerintahan sebenarnya serius bekerja, hanya saja urusannya terlalu cepat.

Nikesh dari Palo Alto Networks pernah bilang ke saya: mereka menguji model terhadap perangkat lunak mereka sendiri, dan menemukan puluhan celah kritis dalam waktu satu jam. Mereka terpaksa menghentikan semua pekerjaan yang sedang berjalan, lalu butuh enam minggu untuk menambal. Kamu sadar ini adalah alat yang kuat—mungkin sebaiknya tunjukkan dulu ke kelompok kecil, atau lakukan uji red team terlebih dahulu.

Host: Menurut definisi apa pun yang ada 20 tahun lalu, AGI sudah datang. Menurutmu begitu?

Jawab: Ya. Uji Turing? Sudah lama dihancurkan. Definisi apa pun yang diajukan 10, 15, 20, 30, 40, 50 tahun lalu—kita sudah melampauinya jauh. Pertanyaan yang biasa diajukan oleh penulis fiksi ilmiah sudah semua terjawab; mereka akan bilang “saya tidak punya masalah lagi, maaf ya”. Itulah kenapa omongan orang-orang yang terlihat berada di pinggir lapangan layak didengar. Ilya ngomong soal keamanan delapan tahun lalu, dan kamu bilang “apa?”—ternyata dia benar. Elon ngomong biaya roket bisa ditekan mendekati nol—dan kamu bilang “apa?”—ternyata dia melakukannya.

Host: Recursive learning—kamu tanya satu pertanyaan, ia belajar dari hasilnya, lalu kamu tanya lagi; jawabannya jadi lebih baik dan mencakup lebih banyak materi. Jawaban-jawaban yang dihasilkan dari siklus seperti ini langsung melompat dari “lebih baik sedikit” ke “jauh lebih baik”. Kemiringan kurva eksponensial terlalu curam.

Jawab: Peningkatan rekursif itu bersifat eksponensial—kamu jadi lebih baik, lalu coba lagi, terus ada peningkatan, dan kemiringannya makin curam. Kita baru melihat ini. Terus menerus memberi komputasi, apakah jawaban akan makin baik? Setelah token atau anggaran habis ya berhenti, tapi kapan kurva eksponensial itu akan sampai batas? Atau selamanya bergerak ke kanan atas? Ini pertanyaan yang sangat menarik sekarang.

Kecepatan belajar manusia tersendat oleh pergantian generasi. Gajah dan mamalia besar membutuhkan 15-20 tahun untuk satu generasi. Kalau ingin cepat, belajarnya harus seperti lalat buah: satu hari dua generasi. AI sedang mendapatkan kecepatan belajar yang melompat lintas ribuan generasi. Waktu saya baca psikologi, profesor pernah mengucapkan satu kalimat: paradigma tidak akan mati, manusialah. Murid-murid Freud, Skinner, Jung yang memegang posisi kepemimpinan 20-40 tahun, baru ada generasi berikutnya yang mempertanyakan. AI memadatkan jarak antar generasi menjadi kecepatan lalat buah.

Taruhan saya adalah ini: anak-anak kita dan semua orang yang mereka kenal tidak akan mati karena kanker. Akan ada gejolak ekonomi, mobil datang dan membuat hidup orang yang memberi orang kuda sepatu kuda jadi tidak mudah. Tapi kalau kita daftar yang untung dan yang rugi: energi tanpa batas, makanan tanpa batas, pengetahuan tanpa batas, pendidikan tanpa batas, perumahan tanpa batas. Selama seribu tahun, kita sudah tahu bahwa les satu lawan satu lebih baik daripada kelas: Aristotle menasihati Alexander, Socrates membimbing murid-muridnya. Tetapi kita memilih model pengajaran ala pabrik. Sekarang AI bisa menjadi mentor yang menyesuaikan cara belajar untuk setiap anak.

Kotak alat AI milik Scorsese: mengubah gambar di benak jadi kenyataan

Host: Robin Rombach adalah co-founder sekaligus CEO Black Forest Labs, kantor pusatnya di wilayah Black Forest, Freiburg, dan juga di San Francisco. Kamu sebelumnya mengerjakan Stable Diffusion dan menciptakan algoritma latent diffusion. Apa bisnis Black Forest Labs? Apa tujuannya?

Jawab: Saya bersama mitra-mitra saya mendirikan perusahaan ini dua tahun lalu. Sebelumnya kami mengerjakan Stable Diffusion; dan lebih awal lagi, kami menemukan latent diffusion—fondasi algoritma yang sekarang ada di balik generasi gambar, generasi video, bahkan model AI berbasis fisika. Prinsipnya: memampatkan data alami (gambar, video, audio) ke ruang representasi yang efisien, lalu melatih transformer di atasnya—seperti prinsip JPEG dan MP3, tetapi diwujudkan dengan algoritma neural network. Itu kami bangun saat program doktor di Munich.

Sekarang kami sedang mengatasi multimodal visual model. Kami melakukan pre-training sekaligus pada data gambar dan audio, dan masuk ke paradigma baru: menggabungkan action prediction, sehingga model yang sama bisa menghasilkan gambar, video, audio, serta memprediksi aksi—akhirnya bisa dideploy ke robot di dunia nyata sebagai otaknya.

Host: Dari gambar ke video ke audio ke robot—kalau model bisa menghasilkan video, berarti ia memahami dunia.

Jawab: Intuisi dan deep reasoning adalah dua bentuk kecerdasan yang saling melengkapi. Kami memulai dari sisi intuisi; gambar adalah cara yang paling natural untuk masuk karena komputasinya tidak seberat video. Tapi sekarang semuanya berkonvergensi menjadi model multimodal. Video pre-training mengajarkan secara implisit aturan interaksi fisik; dari model yang sama kamu bisa mengambil action prediction—yaitu kontrol robot.

Host: Kamu bekerja sama dengan Martin Scorsese? Kamu duduk di sampingnya sampai ia memakai alatmu?

Jawab: Ya. Kami duduk di ruangan yang sama. Dia mengeksplor model kami—sebagai salah satu core researcher yang duduk di samping itu terasa terlalu gila. Tapi sekaligus saya memang penggemarnya.

Yang ia inginkan adalah memvisualisasikan adegan di benak. Dari desa di Eropa Timur yang ia deskripsikan, kami melihat output, lalu ia melakukan iterasi. Pada akhirnya ia bilang begini: mengubah gambar di kepala menjadi ekspresi visual—efisiensi komunikasinya jauh lebih tinggi daripada bahasa. Bahasa adalah komunikasi yang agak “lossy”; sinyal informasi visual terlalu kaya. Informasi dalam satu gambar atau satu potongan video sangat besar—itu adalah jalur komunikasi yang berbeda.

Kami tidak ingin menentukan bagaimana cara memakai model-model ini, apalagi mengatakan kepada Martin Scorsese “seharusnya kamu gunakan begini.” Model AI itu adalah sebuah media. Hal paling menarik, hampir semuanya muncul ketika manusia berada dalam loop dan terus beriterasi.

Dari film ke robot: titik akhir model generatif tidak ada di layar

Host: Startups sekarang memakai Flux dan model kalian untuk membuat video rilis. Dulu butuh 250 ribu dolar AS untuk launch video, sekarang bisa selesai dalam satu sampai dua minggu. Gal Gadot baru saja membuat film Bitcoin: aktornya tampil di sound stage tanpa perlu green screen, semua latar belakang dibuat dengan AI generatif, dan budget 30 juta dolar AS menghasilkan efek yang aslinya butuh 150 juta dolar AS. Kamu melihat penggunaannya di produksi?

Jawab: Saya melihat beberapa. Produksi film kelas tinggi adalah salah satu use case yang paling menuntut. Saya senang ada orang yang mengeksplor, tapi saya juga ingin memperjelas: teknologinya masih berada di trajectory, dan sedang beriterasi dengan cepat. Beberapa tahun lalu saat kami PhD, kami hanya bisa menghasilkan gambar 64×64; sekarang kami sudah bisa menghasilkan video resolusi tinggi dengan multi-input, tapi ini tidak akan berhenti di situ.

Yang paling membuat saya bersemangat adalah ini: kamu bisa memakai model multimodal yang sama untuk membuat sebuah film, lalu mendepoykannya sebagai otak untuk robot. Apakah computer use bisa dipakai atau tidak, belum pasti, tapi teknologinya bergerak ke dunia fisik. World models, action models—jujur saja, semuanya pada dasarnya hal yang sama.

Host: Data pelatihan didapat dari mana? Apakah manusia memakai kacamata dan sarung tangan untuk merekam first-person? Atau cukup menonton dari YouTube seribu video orang menuang minuman lalu itu sudah cukup?

Jawab: Tujuannya adalah memberi instruksi in-context prompt kepada robot: “ambil gelas jus jeruk itu”. Saat ini masih belum bisa. Cara yang dilakukan saat ini adalah: model sudah terpasang pemahaman visual dalam jumlah besar, jadi hanya butuh data fine-tuning selama beberapa jam untuk menyesuaikan dengan hardware tertentu. Arahnya adalah melakukan fine-tuning sesedikit mungkin, mengandalkan in-context instruction sebanyak mungkin—tapi ini masih masalah riset.

Host: Open source sedang berada di momen, perusahaan perlu kedaulatan. Untuk IP besar seperti Disney, harusnya bagaimana? Latih model open source kamu sendiri, atau kerja sama untuk melatih model khusus bersama?

Jawab: Use case paling menarik adalah ketika model menghasilkan sesuatu yang sebelumnya tidak ada. Di situlah esensi paling menarik dari teknologi ini. Alat publik kami tidak bisa menghasilkan IP tertentu—itu memang masuk akal. Dan ya, kami juga bekerja sama dengan beberapa pemegang IP untuk mengembangkan model: ada yang berbasis model open source kami, ada yang berbasis model proprietary yang lebih kuat dari kami.

Sudut pandang yang paling menarik adalah: teknologi menjadi lebih cepat dan lebih interaktif. Kamu bisa membayangkan berbagai alat pembuatan konten kreatif yang digantung di Disney+ untuk interaksi.

Host: Fenomena paling menarik saat ini adalah fan films. Dulu ada fan fiction yang menulis cerita Star Wars versi mereka sendiri; kemudian orang memakai kostum Jedi untuk membuat fan films. George Lucas berkata selama tidak dipakai untuk komersial, boleh. Sekarang orang menggunakan AI untuk mementaskan ulang cerita Star Wars yang belum pernah dibahas, Star Wars Stories Untold: tiap video jutaan penonton. Inilah masa depan: biarkan konsumen membayar lisensi, lalu mereka bisa menggunakan karakter untuk menciptakan kisah mereka sendiri.

Jawab: Kalau bisa ditemukan model bisnis komersial yang layak untuk pemegang IP, sekaligus membuka permainan kustomisasi super kreatif seperti ini, itu akan sangat bagus. Saya membaca sebuah buku atau menonton sebuah film dan selalu berpikir “kalau begini, akan jadi bagaimana?”—sekarang akhirnya bisa memvisualisasikan pikiran-pikiran itu.

Saat ini kami baru melewati 100 orang. Kami sedang merekrut di Jerman dan San Francisco: peneliti pelatihan model skala besar, orang yang punya pengalaman pelatihan diffusion dan flow matching, insinyur yang mengembangkan solusi kustom bersama klien, orang yang mengoperasikan dan merawat infrastruktur komputasi skala besar, dan juga mereka yang tertarik membawa teknologinya ke lebih banyak orang.

Tautan artikel asli

Klik untuk mengetahui lowongan yang sedang dibuka oleh律动 BlockBeats

Selamat bergabung dengan komunitas resmi律动 BlockBeats:

Grup langganan Telegram: https://t.me/theblockbeats

Grup Telegram diskusi: https://t.me/BlockBeats_App

Akun Twitter resmi: https://twitter.com/BlockBeatsAsia