Berita
Di Bawah Terpal Agen AI: Panduan Teknologi Menuju Frontier Generasi AI Berikutnya
Agen adalah topik paling trendi dalam AI saat ini, dan untuk alasan yang bagus. Agen AI bertindak atas nama penggunanya, secara mandiri menangani tugas-tugas seperti melakukan pembelian online, membuat perangkat lunak, meneliti tren bisnis, atau memesan perjalanan. Dengan mengeluarkan AI generatif dari antarmuka obrolan dan memungkinkannya bertindak langsung terhadap dunia, AI agen mewakili lompatan maju dalam kekuatan dan kegunaan AI. Membawa AGI keluar dari sandbox yang dilindungi pada antarmuka obrolan dan memungkinkannya bertindak langsung di dunia merupakan lompatan maju dalam kekuatan dan kegunaan AI.
Agen AI telah berkembang sangat cepat: misalnya, salah satu elemen penyusun agen saat ini, Model Context Protocol (MCP), baru berusia satu tahun! Seperti halnya bidang yang bergerak cepat, terdapat banyak definisi yang saling bersaing, opini yang memanas, dan opini yang salah arah.
Untuk mengatasi hype tersebut, saya ingin menjelaskan komponen dasar sistem AI agen dan bagaimana komponen tersebut cocok satu sama lain: Sebenarnya tidak serumit kelihatannya. Semoga setelah Anda selesai membaca postingan ini, pelanggan tidak terkesan misterius.
Ekosistem agen
Ada banyak definisi dari kata “agen”, tapi saya menyukai sedikit variasi pada konsep sederhana programmer Inggris Simon Willison:
Agen LLM menjalankan alat dalam satu lingkaran untuk mencapai tujuan.
Model bahasa besar (LLM) mengarahkan pengguna dengan tujuan: misalnya, memesan meja di restoran dekat teater tertentu. Seiring dengan tujuannya, model menerima daftar alat yang tersedia, seperti database lokasi restoran atau catatan preferensi makanan pengguna. Model tersebut kemudian merencanakan cara mencapai tujuan dan memanggil salah satu alat yang memberikan respons; Formulir tersebut kemudian memanggil alat baru. Melalui pengulangan, agen bergerak menuju pencapaian tujuan. Dalam beberapa kasus, opsi pemformatan dan tata letak formulir dilengkapi atau ditingkatkan dengan kode penting.
Namun infrastruktur seperti apa yang diperlukan untuk mencapai pendekatan ini? Sistem proxy memerlukan beberapa komponen dasar:
cara untuk Bangun agennya. Saat Anda menerapkan proxy, Anda tidak ingin membuat kode dari awal. Ada banyak kerangka pengembangan agen.
suatu tempat ke Jalankan model kecerdasan buatan. Pengembang AI berpengalaman dapat mengunduh LLM open-weight, namun dibutuhkan pengalaman untuk melakukannya dengan benar. Hal ini juga memerlukan perangkat keras mahal yang tidak akan dimanfaatkan dengan baik oleh rata-rata pengguna.
suatu tempat ke Jalankan kode proksi. Dengan menggunakan kerangka kerja yang ada, pengguna membuat kode untuk objek proxy dengan serangkaian fungsi yang ditentukan. Sebagian besar pekerjaan ini melibatkan pengiriman perintah ke model AI, tetapi kodenya harus dijalankan di suatu tempat. Dalam praktiknya, sebagian besar agen akan berjalan di cloud, karena kami ingin agen tersebut tetap berjalan saat laptop kami dimatikan, dan kami ingin agen tersebut meningkatkan skala dan melakukan pekerjaan mereka.
Mekanisme penerjemahan antara berbasis teks dan LLM Panggilan alat.
A jangka pendek ingatan Untuk melacak konten interaksi agen.
A Memori jangka panjang Untuk melacak preferensi dan minat pengguna di seluruh sesi.
cara untuk Trek Implementasi sistem, untuk mengevaluasi kinerja agen.
Mari selami lebih detail tentang masing-masing bahan ini.
Bangun agen
Meminta LLM untuk menjelaskan bagaimana dia berencana melakukan pendekatan terhadap tugas tertentu akan meningkatkan kinerjanya pada tugas tersebut. “Penalaran berantai” ini sekarang ada di mana-mana dalam AI.
Analog dalam sistem agen adalah model ReAct (inferensi + tindakan), di mana agen memiliki ide (“Saya akan menggunakan fungsi peta untuk menemukan restoran terdekat”), melakukan tindakan (mengeluarkan panggilan API ke fungsi peta), dan kemudian melakukan observasi (“Ada dua restoran pizza dan satu restoran India dalam dua blok dari bioskop”).
ReAct bukan satu-satunya cara untuk membangun agen, namun merupakan inti dari sebagian besar sistem agen yang sukses. Saat ini, proxy biasanya merupakan loop overhead Pikiran, tindakan dan observasi urutan.
Alat yang tersedia untuk agen dapat mencakup alat lokal dan alat jarak jauh seperti database, layanan mikro, dan SaaS. Spesifikasi alat ini mencakup penjelasan bahasa alami tentang bagaimana dan kapan menggunakannya serta sintaksis panggilan API-nya.
Pengembang juga dapat meminta agen untuk membuat alatnya sendiri dengan cepat. Misalkan sebuah alat mengambil tabel yang disimpan sebagai teks yang dipisahkan koma, dan untuk mencapai tujuannya, agen perlu mengurutkan tabel tersebut.
Menyortir tabel dengan mengirimkannya berulang kali melalui LLM dan mengevaluasi hasilnya akan membuang-buang sumber daya – bahkan tidak ada jaminan untuk memberikan hasil yang benar. Alternatifnya, pengembang cukup meminta agen untuk membuat kode Python-nya sendiri ketika dihadapkan pada tugas yang sederhana namun berulang. Cuplikan kode ini dapat dijalankan secara lokal bersama agen atau di alat kompiler kode aman khusus.
Alat yang tersedia dapat membagi tanggung jawab antara LLM dan pengembang. Setelah alat yang tersedia untuk agen diidentifikasi, pengembang cukup menginstruksikan agen alat mana yang harus digunakan bila diperlukan. Atau, pengembang bisa menentukan alat mana yang akan digunakan untuk tipe data tertentu, dan bahkan elemen data mana yang akan digunakan sebagai argumen selama pemanggilan fungsi.
Demikian pula, pengembang cukup meminta agen untuk membuat kode Python bila diperlukan untuk mengotomatisasi tugas yang berulang, atau sebagai alternatif, memberi tahu algoritma mana yang akan digunakan untuk tipe data apa dan bahkan menyediakan kodesemu. Pendekatannya dapat bervariasi dari satu agen ke agen lainnya.
Waktu pengoperasian
Secara historis, ada dua metode utama untuk mengisolasi kode yang berjalan di server bersama: containerization, yang efektif namun kurang memberikan keamanan; dan mesin virtual, yang aman tetapi menimbulkan banyak beban komputasi.
Pada tahun 2018, layanan komputasi tanpa server Lambda Amazon Web Services (AWS) dikerahkan. petasanParadigma baru dalam isolasi server. Firecracker menciptakan “microVM”, lengkap dengan isolasi perangkat keras dan kernel Linux-nya sendiri tetapi dengan pengurangan overhead (serendah beberapa megabyte) dan waktu startup (serendah beberapa milidetik). Overhead rendah berarti setiap fungsi yang dijalankan di server Lambda dapat memiliki mikroVM sendiri.
Namun, karena pembuatan agen memerlukan penerapan LLM, bersama dengan sumber daya memori untuk melacak input dan output LLM, model isolasi per fungsi tidak praktis. Sebaliknya, dengan isolasi berbasis sesi, setiap sesi diberi mikroVMnya sendiri. Saat sesi berakhir, informasi status LLM disalin ke memori jangka panjang, dan microVM dimusnahkan. Hal ini memastikan penyebaran host agen yang aman dan efisien.
Panggilan alat
Sama seperti banyak kerangka pengembangan untuk pembuatan agen, ada banyak standar untuk komunikasi antara agen dan alat, yang paling populer – saat ini – adalah Model Context Protocol (MCP).
MCP membuat koneksi satu-ke-satu antara LLM agen dan server MCP khusus yang menjalankan panggilan alat, dan juga membuat format standar untuk meneruskan berbagai jenis data bolak-balik antara LLM dan servernya.
Banyak platform menggunakan MCP secara default, tetapi MCP juga dapat dikonfigurasi, sehingga mereka akan mendukung semakin banyak protokol seiring berjalannya waktu.
Namun, terkadang, alat yang diperlukan bukanlah alat yang memiliki API yang tersedia. Dalam kasus seperti itu, satu-satunya cara untuk mengambil data atau melakukan suatu tindakan adalah melalui gerakan kursor dan klik pada situs web. Ada sejumlah layanan yang tersedia untuk melakukan hal ini Penggunaan komputer. Hal ini menjadikan situs web mana pun sebagai alat potensial bagi agen, yang membuka konten dan layanan berharga selama puluhan tahun yang belum tersedia secara langsung melalui API.
Lisensi
Dengan agen, delegasi bekerja dalam dua arah. Pertama, pengguna tentunya memerlukan izin untuk menjalankan agen yang mereka buat. Namun karena proxy bertindak atas nama pengguna, biasanya proxy memerlukan otorisasinya sendiri untuk mengakses sumber daya jaringan.
Ada beberapa cara berbeda untuk menangani masalah perizinan. Salah satunya adalah menggunakan algoritma otorisasi akses seperti OAuth, yang pada dasarnya mengkomunikasikan proses otorisasi melalui sistem proxy. Pengguna memasukkan kredensial masuk OAuth, dan sistem proksi menggunakan OAuth untuk masuk ke sumber daya yang dilindungi, namun sistem proksi tidak pernah memiliki akses langsung ke kata sandi pengguna.
Dalam metode lain, pengguna login ke sesi aman di server, dan server memiliki kredensial login mereka pada sumber daya yang dilindungi. Izin memungkinkan pengguna memilih dari berbagai strategi otorisasi dan algoritme untuk menerapkan strategi tersebut.
Memori dan jejak
Memori jangka pendek
LLM adalah mesin prediksi kata berikutnya. Apa yang membuat mereka sangat serbaguna adalah bahwa prediksi mereka didasarkan pada rangkaian panjang kata-kata yang telah mereka lihat, yang disebut Konteks. Konteks itu sendiri adalah semacam memori. Tapi itu bukan satu-satunya jenis yang dibutuhkan sistem proxy.
Katakanlah, sekali lagi, seorang agen mencoba memesan restoran di dekat bioskop, dan melalui alat pemetaan, beberapa lusin restoran diambil dalam radius satu mil. Dia tidak ingin membuang informasi tentang semua restoran tersebut ke dalam konteks LLM: semua informasi asing tersebut dapat merusak kemungkinan kata berikutnya.
Sebagai alternatif, ia dapat menyimpan seluruh menu dalam memori jangka pendek dan mengambil satu atau dua catatan sekaligus, berdasarkan harga pengguna, preferensi dapur, dan kedekatannya dengan panggung, misalnya. Jika tidak ada satu pun restoran yang berhasil, agen dapat kembali ke memori jangka pendek, daripada harus menjalankan panggilan alat lain.
Memori jangka panjang
Agen juga perlu mengingat interaksi mereka sebelumnya dengan kliennya. Jika saya memberi tahu agen reservasi restoran minggu lalu jenis makanan apa yang saya suka, saya tidak ingin memberi tahu dia lagi minggu ini. Hal yang sama berlaku untuk toleransi harga saya, jenis suasana yang saya cari, dll.
Memori jangka panjang memungkinkan agen mencari apa yang perlu diketahui tentang percakapan sebelumnya dengan pengguna. Namun, agen biasanya tidak menciptakan kenangan jangka panjang sendiri. Sebaliknya, setelah sesi selesai, seluruh percakapan berpindah ke model AI terpisah, menciptakan kenangan jangka panjang baru atau memperbarui kenangan yang sudah ada.
Pembuatan memori dapat mencakup peringkasan LLM dan “chunking”, di mana dokumen dibagi menjadi beberapa bagian yang dikelompokkan menurut topik untuk memudahkan pengambilan selama sesi berikutnya. Sistem yang tersedia memungkinkan pengguna untuk memilih strategi dan algoritma untuk peringkasan, segmentasi, dan teknik ekstraksi informasi lainnya.
Observabilitas
Agen adalah sistem perangkat lunak jenis baru, dan mereka memerlukan cara berpikir baru dalam mengamati, memantau, dan meninjau perilaku mereka. Beberapa pertanyaan yang kami ajukan mungkin terdengar familier: apakah agen bekerja cukup cepat, berapa biayanya, berapa banyak panggilan alat yang mereka lakukan, dan apakah pengguna puas. Namun pertanyaan-pertanyaan baru juga akan muncul, dan kita tidak bisa serta merta memprediksi data apa yang kita perlukan untuk menjawabnya.
Alat pemantauan dan pelacakan dapat memberikan pandangan komprehensif tentang eksekusi sesi dengan agen, merinci langkah demi langkah tindakan apa yang diambil dan alasannya. Bagi pembuat agen, jejak ini adalah kunci untuk memahami seberapa baik agen bekerja — dan menyediakan data untuk membuatnya bekerja lebih baik.
Saya harap penjelasan ini cukup memperjelas agen AI sehingga Anda siap mencoba membangun agen Anda sendiri!
Disediakan oleh Apptio, sebuah perusahaan IBM
Ketika sebuah teknologi dengan potensi revolusioner muncul, mudah bagi perusahaan untuk membiarkan antusiasme mereka mengalahkan disiplin keuangan. Menghitung jumlah biji-bijian mungkin tampak picik mengingat adanya peluang menarik untuk transformasi bisnis dan dominasi kompetitif. Tapi uang selalu menjadi objek. Dan jika teknologinya adalah kecerdasan buatan, pil-pil ini dapat bertambah dengan cepat.
Nilai AI menjadi jelas di berbagai bidang seperti efisiensi operasional, produktivitas pekerja, dan kepuasan pelanggan. Namun, hal ini memerlukan biaya. Kunci kesuksesan jangka panjang adalah memahami hubungan antara keduanya – sehingga Anda dapat memastikan bahwa potensi AI menghasilkan dampak positif dan nyata pada bisnis Anda.
Paradoks percepatan kecerdasan buatan
Meskipun AI membantu mentransformasi proses bisnis, jejak finansialnya sering kali masih belum jelas. Jika Anda tidak dapat mengaitkan biaya dengan dampaknya, bagaimana Anda bisa yakin bahwa investasi AI Anda akan menghasilkan ROI yang berarti? Ketidakpastian ini tidak mengejutkan pada Gartner® 2025 Hype Cycle™ untuk AIGenAI telah memasuki “palung kekecewaan”.
Perencanaan strategis yang efektif bergantung pada kejelasan. Jika tidak ada, pengambilan keputusan bergantung pada dugaan dan naluri. Banyak hal bergantung pada keputusan ini. Menurut penelitian Apptio, 68% pemimpin teknologi yang disurvei memperkirakan akan meningkatkan anggaran AI mereka, dan 39% percaya AI akan menjadi pendorong terbesar pertumbuhan anggaran di masa depan di departemen mereka.
Namun anggaran yang lebih besar tidak menjamin hasil yang lebih baik. Gartner® juga mengungkapkan bahwa “meskipun rata-rata pengeluaran sebesar $1,9 juta untuk inisiatif GenAI pada tahun 2024, kurang dari 30% pemimpin AI mengatakan bahwa CEO mereka puas dengan ROI.” Jika tidak ada hubungan yang jelas antara biaya dan hasil, organisasi berisiko meningkatkan investasi tanpa meningkatkan nilai yang ingin mereka ciptakan.
Untuk bergerak maju dengan keyakinan yang kuat, para pemimpin bisnis di bidang keuangan, TI, dan teknologi harus berkolaborasi untuk mendapatkan gambaran yang jelas tentang kelemahan finansial yang disebabkan oleh AI.
Risiko finansial tersembunyi dari kecerdasan buatan
Biaya AI yang tidak terkendali dapat membuat para pemimpin TI mengingat kembali masa-masa awal munculnya cloud publik. Ketika tim DevOps dan unit bisnis mudah membeli sumber daya mereka sendiri berdasarkan OpEx, biaya dan inefisiensi dapat meningkat dengan cepat. Faktanya, proyek-proyek AI merupakan konsumen yang antusias terhadap infrastruktur cloud – sekaligus menimbulkan biaya tambahan untuk platform data dan sumber daya teknis. Ini adalah token tertinggi yang digunakan untuk setiap kueri. Sifat biaya-biaya yang terdesentralisasi membuat biaya-biaya ini sulit dikaitkan dengan hasil bisnis.
Seperti halnya cloud, kemudahan membeli AI dengan cepat menyebabkan penyebaran AI. Anggaran yang terbatas berarti bahwa setiap dolar yang dibelanjakan merupakan trade-off yang tidak disadari dengan kebutuhan lain. Banyak orang khawatir bahwa kecerdasan buatan akan mengambil alih pekerjaan mereka. Namun ada kemungkinan juga AI akan menghabiskan anggaran departemen mereka.
Sementara itu, menurut Gartner®, “Lebih dari 40% proyek AI akan dibatalkan pada akhir tahun 2027, karena meningkatnya biaya, nilai bisnis yang tidak jelas, atau kontrol yang sangat tidak memadai.” Namun apakah proyek-proyek tersebut layak untuk dibatalkan? Karena kurangnya cara untuk menghubungkan investasi dengan dampaknya, bagaimana para pemimpin bisnis dapat mengetahui apakah biaya yang lebih tinggi ini dapat dibenarkan karena laba atas investasi yang relatif lebih besar? ?
Tanpa transparansi mengenai biaya AI, perusahaan berisiko mengeluarkan uang secara berlebihan, kurang memberikan hasil, dan kehilangan peluang yang lebih baik untuk meningkatkan nilai.
Mengapa perencanaan keuangan tradisional tidak dapat menangani kecerdasan buatan
Seperti yang kami pelajari dari cloud, kami melihat bahwa model penganggaran statis tradisional tidak cocok untuk beban kerja dinamis dan penskalaan sumber daya yang cepat. Kunci untuk mengelola biaya cloud adalah penandaan dan telemetri, yang membantu perusahaan mengaitkan setiap dolar yang mereka belanjakan di cloud dengan hasil bisnis tertentu. Mengelola biaya AI memerlukan praktik serupa. Namun cakupan tantangannya lebih jauh lagi. Selain biaya penyimpanan, komputasi, dan transfer data, setiap proyek AI memiliki serangkaian persyaratannya sendiri — mulai dari optimalisasi on-the-fly dan perutean model hingga persiapan data, kepatuhan terhadap peraturan, keamanan, dan penempatan staf.
Perpaduan kompleks antara faktor-faktor yang selalu berubah ini menjadikan tim keuangan dan bisnis tidak memiliki visibilitas yang jelas terhadap pembelanjaan terkait AI – dan tim TI kesulitan untuk menyelaraskan penggunaan dengan hasil bisnis. Namun tidak mungkin melacak ROI secara akurat dan akurat tanpa koneksi ini.
Nilai strategis dari transparansi biaya
Transparansi biaya memungkinkan pengambilan keputusan yang lebih cerdas – mulai dari mengalokasikan sumber daya hingga mengerahkan talenta.
Menghubungkan sumber daya AI tertentu ke proyek yang mereka dukung membantu pengambil keputusan teknologi memastikan proyek bernilai tinggi memiliki apa yang mereka butuhkan untuk berhasil. Menetapkan prioritas yang tepat sangat penting terutama ketika terdapat kekurangan talenta terbaik. Jika para insinyur dan ilmuwan data yang mendapat kompensasi tinggi ditempatkan di terlalu banyak proyek percontohan yang menarik namun tidak penting, maka akan sulit untuk menetapkan poros strategis berikutnya – dan mungkin mendesak –.
Praktik terbaik FinOps juga berlaku untuk AI. Wawasan biaya dapat menyoroti peluang untuk meningkatkan infrastruktur dan mengatasi pemborosan, baik dengan menyesuaikan ukuran kinerja dan latensi agar sesuai dengan kebutuhan beban kerja, atau dengan memilih model yang lebih kecil dan lebih hemat biaya daripada menggunakan model bahasa besar (LLM) terbaru secara default. Seiring kemajuan pekerjaan, pelacakan dapat menandai kenaikan biaya sehingga para pemimpin dapat dengan cepat fokus ke arah yang lebih menjanjikan sesuai kebutuhan. Sebuah proyek yang masuk akal dengan biaya X mungkin tidak layak dilakukan dengan biaya 2X.
Perusahaan yang mengadopsi pendekatan biaya AI yang terstruktur, transparan, dan terkelola dengan baik akan lebih mungkin mengeluarkan uang yang tepat dengan cara yang benar dan mendapatkan ROI yang optimal dari investasi mereka.
TBM: Kerangka kelembagaan untuk mengelola biaya kecerdasan buatan
Transparansi dan pengendalian biaya AI bergantung pada tiga praktik:
Manajemen Keuangan TI (ITFM): Kelola biaya dan investasi TI selaras dengan prioritas bisnis
Operasi keuangan: Mengoptimalkan biaya cloud dan ROI melalui akuntabilitas keuangan dan efisiensi operasional
Manajemen Portofolio Strategis (SPM): Prioritaskan dan kelola proyek untuk memastikan tercapainya nilai bisnis yang maksimal
Secara kolektif, ketiga disiplin ilmu ini membentuk Manajemen Bisnis Teknologi (TBM) – sebuah kerangka kerja terstruktur yang membantu para pemimpin teknologi, bisnis, dan keuangan menghubungkan investasi teknologi dengan hasil bisnis guna meningkatkan transparansi keuangan dan pengambilan keputusan.
Sebagian besar perusahaan sudah mulai menggunakan teknologi TBM, baik mereka menyadarinya atau tidak. Mereka mungkin telah mengadopsi beberapa bentuk FinOps atau manajemen biaya cloud. Atau mungkin mereka sedang mengembangkan keahlian TI keuangan yang kuat. Atau mereka mungkin mengandalkan Perencanaan Agile Perusahaan atau manajemen proyek manajemen portofolio strategis untuk mewujudkan inisiatif dengan lebih sukses. Kecerdasan buatan dapat bergantung dan mempengaruhi semua bidang ini. Dengan menyatukan mereka di bawah satu payung dengan model dan kosa kata yang sama, TBM memberikan kejelasan penting mengenai biaya AI dan dampaknya terhadap bisnis.
Keberhasilan AI bergantung pada nilai, bukan hanya kecepatan. Transparansi biaya yang diberikan oleh TBM memberikan peta jalan yang dapat membantu para pemimpin bisnis dan TI melakukan investasi yang tepat, memberikan hasil yang hemat biaya, melakukan penskalaan secara bertanggung jawab, dan mengubah AI dari kesalahan yang merugikan menjadi aset bisnis yang terukur dan penggerak strategis.
Sumber: Siaran Pers Gartner®, Gartner® Memprediksi Lebih dari 40% Proyek AI Akan Dibatalkan pada Akhir Tahun 2027, 25 Juni 2025 https://www.Gartner®.com/en/newsroom/press-releases/2025-06-25-Gartner®-pre dicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027
GARTNER® adalah merek dagang terdaftar dan merek layanan Gartner®, Inc. dan/atau afiliasinya di Amerika Serikat dan internasional, dan digunakan di sini dengan izin. Semua hak dilindungi undang-undang.
Ajay Patel adalah Managing Director Apptio dan IT Automation di IBM.
Artikel bersponsor adalah konten yang diproduksi oleh perusahaan yang membayar postingan tersebut atau memiliki hubungan kerja dengan VentureBeat, dan selalu diberi label dengan jelas. Untuk informasi lebih lanjut, hubungi penjualan@venturebeat.com.
baruAnda sekarang dapat mendengarkan artikel Fox News!
Rektor Universitas Rutgers mengatakan lembaga Ivy League berkomitmen terhadap kebebasan akademik dan akan meluncurkan satuan tugas peninjauan keselamatan dan satuan tugas “kebebasan akademik” di tengah kontroversi yang sedang berlangsung mengenai profesor Mark Bray yang berpihak pada Antifa.
“Saya menulis hari ini untuk menegaskan kembali komitmen teguh Universitas Rutgers terhadap kebebasan akademik dan kebebasan berekspresi – nilai-nilai yang mendefinisikan universitas riset yang hebat dan mendukung misi penemuan, dialog, dan keterlibatan publik kami,” tulis Rektor Rutgers Francine Conway dalam sebuah pernyataan yang diperolehnya. Berita Fox Digital.
“Insiden yang melibatkan ‘pencemaran nama baik’ dan pelecehan terhadap anggota fakultas menimbulkan keprihatinan mendalam di komunitas kami,” tulis Conway. “Saya ingin menyampaikan dukungan saya kepada setiap anggota komunitas kami yang menjadi sasaran karena beasiswa mereka.”
Cabang Rutgers, yang merupakan titik balik di Amerika Serikat, meluncurkan petisi untuk mengusir profesor pemadam kebakaran dan memanggilnya “DR ANTIFA.”
Rektor Universitas Rutgers mengatakan lembaga Ivy League berkomitmen terhadap kebebasan akademik dan akan meluncurkan satuan tugas peninjauan keselamatan dan satuan tugas “kebebasan akademik” di tengah kontroversi yang sedang berlangsung mengenai profesor Mark Bray yang berpihak pada Antifa. (Isaiah Vasquez/Getty Images, Foto AP/Ted Shaffrey)
Awal bulan ini, anggota Universitas Rutgers Titik balik Amerika bab tersebut Saya meluncurkan petisi Untuk mencopot Asisten Pengajar Profesor Mark Bray, karena kekhawatiran tentang pernyataan masa lalunya yang mendukung gerakan Antifa.
Bray, yang baru-baru ini mengumumkan bahwa dia akan memindahkan keluarganya ke Eropa karena “alasan keamanan” dan mengatakan bahwa dia telah menjadi sasaran pelecehan dan “menerima banyak ancaman pembunuhan,” telah menyatakan dukungan kuat untuk “anti-rasisme” dalam postingan online sebelumnya.
Dia adalah penulisAntifa: The Anti-Facist Handbook,” yang secara eksplisit menyerukan “anti-fasisme militan.” Buku ini mengatakan bahwa “setidaknya 50 persen dari pendapatan penulis akan disumbangkan ke Dana Pertahanan Anti-Fasis Internasional, yang dikelola oleh lebih dari tiga ratus Antifa dari delapan belas negara.”
Dana Internasional untuk Pertahanan Melawan Fasisme mengatakan di situs webnya bahwa mereka telah “memberikan lebih dari $250.000 kepada lebih dari 800 anti-fasis di 26 negara berbeda.”
Profesor ‘DR ANTIFA’ di Rutgers Mengumumkan Pindah ke Eropa Setelah Petisi TPUSA Menuntut Penggulingannya
Kota pesisir yang indah dan teluk alami Calella de Palafrugell di Costa Brava di Catalonia. (Kiri-Kanan) Mark Bray, asisten profesor sejarah di Universitas Rutgers, menunggu di kamar hotel di Newark, New Jersey, sebelum jadwal perjalanan ke Spanyol pada Kamis, 9 Oktober 2025. (Foto AP/Ted Shaffrey, iStock)
Conway mengatakan dalam pernyataannya bahwa dia telah mengarahkan kepala polisi Rutgers dan kepala petugas teknologi informasi untuk meninjau protokol keamanan fisik dan digital di kampus.
“Jadi saya ingin mengungkapkan, dengan kata-kata yang paling kuat, tidak hanya kebencian pribadi saya terhadap praktik pencemaran nama baik dan ancaman terhadap dosen dan mahasiswa kami, namun juga komitmen universitas untuk melindungi keamanan dosen, mahasiswa, dan staf kami dari konsekuensi menyebarkan informasi pribadi mereka ke publik.”
Conway mengatakan para pejabat akan mengevaluasi sistem yang ada saat ini dan “melaporkan rekomendasi tambahan apa pun” untuk memperkuat perlindungan.
Ia juga meminta Senat Fakultas Rutgers untuk melakukan peninjauan terhadap kebebasan akademik “mengingat tantangan saat ini.”
“Kebebasan berekspresi dan kebebasan akademis tidak melindungi kita dari perselisihan atau kritik,” tulis Conway. “Di Rutgers, kami mendorong perdebatan yang terbuka dan penuh semangat—bahkan mengenai topik yang paling kontroversial. Namun, respons yang tepat terhadap ujaran yang kami tolak adalah lebih banyak bicara, bukan tindakan yang berupaya mengintimidasi atau mengancam keselamatan pribadi orang lain.”
Megyn Doyle, seorang mahasiswa di Universitas Rutgers dan bendahara Turning Point USA, mengatakan kepada Fox News Digital dalam sebuah wawancara bahwa pernyataan Conway “adalah pembelaan yang jelas terhadap Mark Bray dan afiliasinya dengan Antifa. Meskipun pernyataan tersebut bertujuan untuk mendukung kebebasan akademik, kebebasan berekspresi, dan debat terbuka, catatan Mark Bray yang berkelanjutan menunjukkan sebaliknya. Melalui bukunya, “Antifa: The Antifascist Handbook,” menganjurkan kekerasan politik dan menjadi bagian dari Gerakan “Antifa: Buku Pegangan Antifasis”. “Antifa, Anda telah berulang kali menunjukkan permusuhan terhadap kaum konservatif.”
Doyle menambahkan, “Jika Rutgers University benar-benar bertujuan untuk melindungi kebebasan akademis, kebebasan berbicara, dan debat terbuka, maka Mark Bray harus menerapkan standar yang sama.”
“Membela seorang profesor yang bertujuan untuk membungkam kaum konservatif sepenuhnya melemahkan pernyataan Kanselir Conway,” kata Doyle. “Oleh karena itu kami menyerukan Universitas Rutgers untuk segera mengambil tindakan dan mengakhiri hubungan profesionalnya dengan Mark Bray.”
Ava Cowan, koordinator penjangkauan untuk cabang Turning Point USA, mengatakan kepada Fox News Digital bahwa Rutgers “meniadakan seruan Bray untuk ‘kekerasan preventif’ terhadap kaum konservatif sebagai ‘beasiswa.'”
“Dukungan finansialnya untuk teroris dan hak petisi yang dilindungi Turn Point bukanlah hal yang sama,” tambah Cowan. “Mereka menutupi kelompok sayap kiri radikal dan mengubur segala penyebutan kampanye kotor terhadap keluarga saya!”
Kwan mengatakan dia menjadi sasaran doxxing di platform seperti Reddit.
Fox News Digital telah menghubungi Rutgers untuk memberikan komentar.
Pemerintahan mahasiswa Rutgers menyerukan universitas untuk membela profesor yang bersekutu dengan Antifa yang meninggalkan negara itu
Dana Internasional untuk Pertahanan Melawan Fasisme mengatakan di situs webnya bahwa mereka telah “memberikan lebih dari $250.000 kepada lebih dari 800 anti-fasis di 26 negara berbeda.” (Thomas Patterson/AFP/Getty Images)
KLIK DI SINI UNTUK MENDAPATKAN APLIKASI FOX NEWS
Berita
Mantan Navy SEAL meluncurkan tantangan utama di Kentucky yang didukung oleh Trump melawan Massie
baruAnda sekarang dapat mendengarkan artikel Fox News!
Pertama di Fox — Mantan anggota Navy SEAL dan generasi kelima petani Kentucky yang didukung oleh Presiden Donald Trump pada hari Selasa mengumumkan pencalonannya di Distrik Kongres ke-4 negara bagian itu, di mana ia akan menantang Rep. Thomas Massie dari Partai Republik dalam pemilihan pendahuluan GOP tahun depan.
“Saya telah mengabdikan hidup saya untuk melayani negara saya, dan saya siap menjawab panggilan itu lagi,” kata Ed Gallerin dalam pernyataan yang pertama kali dibagikan kepada Fox News Digital.
Merujuk pada Massie, yang sering mengkritik presiden dari Partai Republik selama masa jabatan keduanya di Gedung Putih, Gallerin menegaskan, “Distrik ini adalah negara Trump. Presiden tidak membutuhkan rintangan di Kongres — dia membutuhkan dukungan. Saya akan mengalahkan Thomas Massie, berdiri bahu membahu dengan Presiden Trump, dan memberikan hasil America First yang dipilih oleh warga Kentuckian.”
Peluncuran kampanye ini dilakukan empat hari setelah Trump melalui media sosial memuji Gallerin, mendesaknya untuk mencalonkan diri, dan menyerang Massie.
Partai Republik Maverick House mengambil keuntungan dari serangan Trump
Anggota Parlemen Thomas Massie, dari Partai Republik Kentucky, tiba untuk konferensi pers di luar US Capitol di Washington, D.C., pada hari Rabu, 3 September 2025. (Graeme Sloan/Bloomberg melalui Getty Images)
Trump berpendapat bahwa Massie adalah “anggota kongres kelas tiga”, “Reno yang lemah dan menyedihkan”, dan “pecundang yang sama sekali tidak efektif dan telah mengecewakan kita.”
Presiden memuji Gallerin sebagai “veteran pemberani” dan “pengusaha yang sangat sukses” yang, jika terpilih menjadi anggota Kongres, “akan berjuang tanpa lelah untuk menjaga keamanan perbatasan kita yang sekarang sangat aman, menghentikan kejahatan imigran, dan mempertahankan pengepungan abadi kita (Amandemen Kedua).”
Kunjungi di sini untuk laporan FOX NEWS terbaru tentang pemilu 2025
Truf Berbagi media sosial Ia menyertakan foto dirinya dan Gallerin memegang topi MAGA berwarna merah di Ruang Oval.
Galrin bertugas selama tiga dekade dengan seragam, naik pangkat kapten. Menurut biografi kampanyenya, ia beberapa kali bertugas di SEAL Team SIX, dikerahkan ke Panama, Afghanistan dan Irak, mendapatkan empat Bintang Perunggu dan dua Presidential Unit Citations.
Ed Galrean, kiri, terlihat bersama Presiden Donald Trump di Ruang Oval Gedung Putih, pada hari Selasa meluncurkan upaya kongres untuk menantang Perwakilan Partai Republik Thomas Massie dari Kentucky. Peluncuran kampanye Galrean terjadi empat hari setelah Trump mendukungnya dan mendesaknya untuk mencalonkan diri. (Kampanye Ed Gallerin untuk Kongres)
Pernyataan kampanyenya juga menyoroti bahwa “akar Galren berakar jauh di Kentucky”. Ia lahir dan besar di negara bagian tersebut. Keluarganya, yang telah bertani selama lebih dari satu abad, membangun peternakan sapi perah terbesar di Kentucky dan Galrin Grain Farms, salah satu operasi biji-bijian terbesar di negara bagian tersebut.
Massey menargetkan Gallerin setelah mendukung Trump di media sosial, menyebutnya sebagai “kandidat yang gagal dan penyusup kemapanan,” dan juga menunjuk pada kegagalan Gallerin tahun lalu untuk mencalonkan diri sebagai Senat negara bagian.
Massey membalas setelah Johnson menyebut catatan Epstein ‘tidak ada artinya’
“Setelah ditolak oleh setiap pejabat terpilih di Distrik ke-4, para penasihat Trump jelas-jelas membuat panik dengan pemilihan calon yang gagal dan peretasan Ed Gallerin,” kata Massie dalam sebuah pernyataan. Kepada POLITIK. “Ed telah memohon mereka untuk memilih dia selama lebih dari tiga bulan.”
Trump mulai menargetkan Massie untuk digulingkan awal tahun ini karena penolakan anggota parlemen yang sudah menjabat selama tujuh periode tersebut terhadap “satu rancangan undang-undang yang besar dan indah,” yang disahkan oleh Kongres yang dikuasai Partai Republik pada awal musim panas hampir seluruhnya sejalan dengan garis partai. Undang-undang menyeluruh Partai Republik adalah pencapaian legislatif utama presiden sejak kembali ke Gedung Putih.
Anggota Parlemen Marjorie Taylor Greene (R-GA) berbicara dengan Anggota Parlemen Thomas Massie (R-KY) dan Anggota Parlemen Ro Khanna (D-CA) selama konferensi pers dengan tersangka korban pemodal dan pedagang seks yang dipermalukan Jeffrey Epstein di luar US Capitol pada 3 September 2025, di Washington, DC. (Chip Somodevila/Getty Images)
Massie juga memimpin tuntutan tersebut, bersama dengan anggota Partai Demokrat Ro Khanna dari California, untuk memaksa pemungutan suara di DPR guna mendesak dikeluarkannya berkas Departemen Kehakiman mengenai mendiang terpidana pelaku perdagangan seks Jeffrey Epstein, sebuah langkah yang ingin dilawan oleh para pemimpin Gedung Putih dan Partai Republik di DPR. Massie sedang berusaha mencapai 218 tanda tangan yang diperlukan untuk memaksakan pemungutan suara.
Dua penasihat politik utama Trump – co-manager kampanye 2024 Chris Lacivita dan ahli jajak pendapat Tony Fabrizio – pada bulan Juni meluncurkan PAC super yang bertujuan untuk mengalahkan Massie. Hampir $2 juta telah dihabiskan untuk menjalankan iklan TV yang menargetkan Macy’s.
KLIK DI SINI UNTUK MENDAPATKAN APLIKASI FOX NEWS
Namun Massie telah memanfaatkan serangan dari Trump dan sekutunya untuk meningkatkan penggalangan dana, mengumpulkan lebih dari $750.000 selama tiga bulan terakhir, kuartal penggalangan dana terbaik dalam karir kongresnya.
Distrik Massey, di bagian timur laut negara bagian itu, mencakup pinggiran timur Louisville dan pinggiran Kentucky di Cincinnati.
Berita8 tahun agoThese ’90s fashion trends are making a comeback in 2017
- Berita8 tahun ago
The final 6 ‘Game of Thrones’ episodes might feel like a full season
- Berita8 tahun ago
According to Dior Couture, this taboo fashion accessory is back
- Berita8 tahun ago
Uber and Lyft are finally available in all of New York State
- Berita8 tahun ago
The old and New Edition cast comes together to perform
- Berita8 tahun ago
Phillies’ Aaron Altherr makes mind-boggling barehanded play
Bisnis8 bulan agoMeta Sensoren Disensi Internal atas Ban Trump Mark Zuckerberg
- Berita8 tahun ago
New Season 8 Walking Dead trailer flashes forward in time
