Berita
Model bahasa yang dapat dikembangkan sendiri kini menjadi kenyataan berkat teknologi SEAL terbaru dari MIT
Para peneliti di Massachusetts Institute of Technology (MIT) mendapatkan minat baru dalam mengembangkan dan Sumber terbuka Ini adalah teknologi yang memungkinkan model bahasa besar (LLM) – seperti yang mendukung ChatGPT dan sebagian besar chatbot modern yang didukung AI – untuk mengoptimalkan dirinya sendiri dengan menghasilkan data sintetis untuk menyempurnakannya.
Teknologi tersebut, yang dikenal sebagai SEAL (Self-Adapting LLMs), pertama kali dijelaskan dalam sebuah makalah yang diterbitkan Juni lalu dan diliput oleh VentureBeat pada saat itu.
Diperluas secara signifikan dan Versi terbaru dari makalah ini dirilis bulan laludi samping itu Kode sumber terbuka dipublikasikan di GitHub (di bawah lisensi MIT, memungkinkan penggunaan komersial dan institusional), dan membuat gelombang baru di kalangan pengguna AI di jejaring sosial X minggu ini.
SEAL memungkinkan LLM untuk secara mandiri membuat dan menerapkan strategi penyesuaian mereka sendiri. Tidak seperti model tradisional yang mengandalkan data eksternal statis dan jalur pengoptimalan buatan manusia, SEAL memungkinkan model berevolusi dengan menghasilkan data pelatihan sintetisnya sendiri dan panduan pengoptimalan yang sesuai.
Pengembangan tersebut dilakukan oleh tim yang berafiliasi dengan Improbable Artificial Intelligence Laboratory MIT, termasuk Adam Zweiger, Jyothesh Barry, Han Ju, Ekin Akyurek, Yun Kim, dan Pulkit Agrawal. Penelitian mereka baru-baru ini dipresentasikan pada Konferensi ke-39 tentang Sistem Pemrosesan Informasi Neural (NeurIPS 2025).
Latar Belakang: Dari “yang melampaui AI statis” hingga sistem yang dapat beradaptasi secara mandiri
Awal tahun ini, VentureBeat pertama kali melaporkan SEAL sebagai kerangka kerja tahap awal yang memungkinkan model bahasa menghasilkan data sintetisnya sendiri dan melatihnya — sebuah solusi potensial untuk stagnasi model terlatih setelah diterapkan.
Pada saat itu, SEAL dirumuskan sebagai bukti konsep yang memungkinkan agen AI perusahaan untuk belajar terus-menerus dalam lingkungan yang dinamis tanpa pelatihan ulang manual.
Sejak itu, penelitian telah mengalami kemajuan yang signifikan. Versi baru ini memperluas kerangka kerja sebelumnya dengan menunjukkan bahwa kemampuan adaptasi diri SEAL berskala sesuai dengan ukuran model, menggabungkan pembelajaran penguatan secara lebih efektif untuk mengurangi lupa bencana, dan memformalkan struktur loop ganda SEAL (penyempurnaan internal yang diawasi dan optimalisasi penguatan eksternal) untuk pengulangan.
Makalah yang diperbarui ini juga menyajikan penilaian dalam berbagai format stimulus, meningkatkan stabilitas selama siklus pembelajaran, dan membahas tantangan penerapan praktis pada waktu inferensi.
Mengatasi keterbatasan model tetap
Meskipun LLM telah menunjukkan kemampuan luar biasa dalam pembuatan dan pemahaman teks, adaptasi mereka terhadap tugas atau pengetahuan baru seringkali bersifat manual, rapuh, atau bergantung pada konteks.
SEAL menantang status quo ini dengan menyediakan model dengan kemampuan untuk menghasilkan apa yang penulis sebut sebagai “penyesuaian mandiri”—keluaran bahasa alami yang menentukan bagaimana model memperbarui bobotnya.
Penyesuaian diri ini dapat berupa informasi yang dirumuskan ulang, implikasi logis, atau konfigurasi alat untuk augmentasi dan pelatihan. Setelah dibuat, model menyesuaikan diri berdasarkan modifikasi tersebut. Prosesnya dipandu oleh pembelajaran penguatan, di mana sinyal penghargaan berasal dari peningkatan kinerja pada tugas berikutnya.
Desainnya meniru cara pembelajar manusia memformulasi ulang atau mengatur ulang materi pelajaran agar dapat menyerap informasi dengan lebih baik. Merestrukturisasi pengetahuan sebelum asimilasi merupakan keuntungan besar dibandingkan model yang secara pasif mengonsumsi data baru “sebagaimana adanya”.
Performa di seluruh tugas
SEAL diuji di dua bidang utama: fusi pengetahuan dan pembelajaran beberapa tahap.
Dalam kerangka fusi pengetahuan, para peneliti mengevaluasi seberapa baik model tersebut dapat mengakomodasi konten baru di dunia nyata dari bagian-bagian yang serupa dengan yang ada dalam kumpulan data SQuAD, kumpulan data pemahaman bacaan standar yang disediakan oleh Universitas Stanford pada tahun 2016, yang terdiri dari lebih dari 100.000 pasangan tanya jawab bersumber dari banyak orang berdasarkan artikel Wikipedia (Rajpurkar et al., 2016).
Daripada menyempurnakan langsung teks klip, Model tersebut menghasilkan jejak komposisi segmen tersebut Dan kemudian menaruhnya pada mereka.
Setelah dua putaran pembelajaran penguatan, model ini meningkatkan akurasi tanya jawab dari 33,5% menjadi 47,0% dalam versi SQuAD bebas konteks – melebihi hasil yang diperoleh menggunakan data sintetis yang dihasilkan oleh GPT-4.1.
Dalam lingkungan pembelajaran beberapa kali, SEAL dinilai menggunakan subset kriteria ARC, di mana tugas hanya memerlukan pemikiran melalui beberapa contoh. Di sini, SEAL telah membuat penyesuaian mandiri yang menentukan penambahan data dan hyperparameter.
Setelah pembelajaran penguatan Tingkat keberhasilan menyelesaikan tugas yang tertunda dengan benar melonjak menjadi 72,5%, dibandingkan dengan 20% yang menggunakan modifikasi yang dibuat sendiri tanpa pembelajaran penguatan. Model yang hanya mengandalkan pembelajaran dalam konteks tanpa adanya adaptasi mendapat skor 0%.
Kerangka teknis
SEAL bekerja menggunakan arsitektur dua loop: loop dalam melakukan penyesuaian yang diawasi berdasarkan pengeditan mandiri, sedangkan loop luar menggunakan pembelajaran penguatan untuk mengoptimalkan kebijakan yang menghasilkan pengeditan mandiri tersebut.
Algoritma pembelajaran penguatan yang digunakan didasarkan pada ReSTEM, yang menggabungkan pengambilan sampel dan reproduksi perilaku yang difilter. Selama pelatihan, hanya penyesuaian diri yang mengarah pada peningkatan kinerja yang diperkuat. Pendekatan ini secara efektif mengajarkan model jenis modifikasi mana yang paling bermanfaat untuk pembelajaran.
Demi efisiensi, SEAL menerapkan penyesuaian berbasis LoRA dibandingkan pembaruan parameter penuh, sehingga memungkinkan eksperimen cepat dan adaptasi berbiaya rendah.
Kekuatan dan keterbatasan
Para peneliti melaporkan bahwa SEAL dapat menghasilkan data pelatihan yang sangat berguna dengan pengawasan minimal, bahkan mengungguli model eksternal besar seperti GPT-4.1 dalam tugas-tugas tertentu.
Mereka juga menunjukkan bahwa SEAL melakukan generalisasi di luar pengaturan aslinya: ia terus bekerja dengan baik ketika memperluas dari pembaruan single pass ke skenario pra-pelatihan multi-dokumen yang berkelanjutan.
Namun, kerangka ini bukannya tanpa batasan. Salah satu masalahnya adalah lupa yang sangat parah, dimana pembaruan untuk memasukkan informasi baru dapat menyebabkan penurunan kinerja pada tugas-tugas yang telah dipelajari sebelumnya.
Menanggapi kekhawatiran ini, rekan penulis Gio Barry mengatakan kepada VentureBeat melalui email bahwa pembelajaran penguatan (reinforcement learning/RL) tampaknya mengurangi rasa lupa lebih efektif daripada penyempurnaan yang diawasi (SFT), mengutip makalah terbaru tentang topik tersebut. Menggabungkan wawasan ini dengan SEAL dapat menghasilkan variabel baru karena SEAL tidak hanya mempelajari data pelatihan, tetapi juga fungsi penghargaan, tambahnya.
Tantangan lainnya adalah overhead komputasi: mengevaluasi setiap modifikasi mandiri memerlukan penyesuaian dan pengujian kinerja, yang dapat memakan waktu 30 hingga 45 detik per modifikasi, jauh lebih lama daripada tugas pembelajaran penguatan standar.
Seperti yang dijelaskan Geo, “Pelatihan SEAL tidak sepele karena memerlukan dua loop pengoptimalan, loop RL eksternal dan loop SFT internal. Pada waktu inferensi, memperbarui bobot model juga memerlukan infrastruktur sistem baru.” Dia menekankan perlunya penelitian di masa depan mengenai sistem penempatan sebagai jalur penting untuk menjadikan SEAL operasional.
Selain itu, desain SEAL saat ini mengasumsikan adanya tugas terkait dan jawaban referensi untuk setiap konteks, yang membatasi penerapan langsungnya pada kelompok yang tidak disebutkan namanya. Namun, Geo menjelaskan bahwa selama ada misi utama dengan imbalan yang dapat diperhitungkan, SEAL dapat dilatih untuk beradaptasi — bahkan di area yang kritis terhadap keselamatan. Pada prinsipnya, model yang dilatih SEAL dapat belajar menghindari pelatihan tentang masukan yang merugikan atau berbahaya jika dipandu oleh sinyal imbalan yang sesuai.
Masukan dari komunitas AI
Komunitas riset dan konstruksi AI bereaksi dengan campuran kegembiraan dan spekulasi terhadap makalah SEAL. Di X, yang sebelumnya bernama Twitter, beberapa akun terkemuka yang berfokus pada AI membahas potensi dampaknya.
pengguna @Vraserxseorang pendidik dan penggila AI, menggambarkan SEAL sebagai “kelahiran AI pembelajaran mandiri yang berkelanjutan” dan memperkirakan bahwa model seperti GPT-6 OpenAI dapat mengadopsi arsitektur serupa.
Dalam kata-kata mereka, SEAL mewakili “akhir dari era beban beku,” yang membuka sistem yang berkembang seiring dengan perubahan dunia di sekitar mereka.
Mereka menyoroti kemampuan SEAL untuk membentuk ingatan yang stabil, memperbaiki pengetahuan, dan belajar dari data real-time, dan membandingkannya dengan langkah mendasar menuju model yang tidak hanya menggunakan informasi namun juga menyerapnya.
Sementara itu, @alex_promptersalah satu pendiri usaha pemasaran bertenaga AI, menganggap SEAL sebagai lompatan menuju model yang benar-benar mengubah diri mereka sendiri. “MIT baru saja membangun AI yang dapat menulis ulang kodenya sendiri agar menjadi lebih pintar,” tulisnya. Temuan Utama Cite Paper – Peningkatan perolehan aktual sebesar 40% dan kinerja lebih baik dari GPT-4.1 menggunakan data yang dihasilkan sendiri – Dia menggambarkan hasilnya sebagai konfirmasi bahwa “LLM yang mengatur dirinya sendiri bukan lagi fiksi ilmiah.”
Antusiasme ini mencerminkan minat yang lebih luas terhadap AI terhadap model-model yang dapat berkembang tanpa pelatihan ulang atau pengawasan manusia secara terus-menerus — terutama dalam bidang yang berubah dengan cepat atau kasus penggunaan pribadi.
Arah masa depan dan pertanyaan terbuka
Menanggapi pertanyaan tentang perluasan SEAL ke model dan misi yang lebih besar, Geo menunjuk pada eksperimen (Lampiran B.7) yang menunjukkan bahwa seiring bertambahnya ukuran model, kemampuannya untuk beradaptasi sendiri juga meningkat. Bandingkan hal ini dengan siswa yang terus meningkatkan teknik belajarnya – model yang lebih besar akan lebih baik dalam menghasilkan penyesuaian diri yang berguna.
Ketika ditanya apakah program SEAL menggeneralisasi metode motivasi baru, dia membenarkan hal ini, dengan mengutip Tabel 10 di makalahnya. Namun, ia juga mengakui bahwa tim tersebut belum menguji kemampuan SEAL untuk mengangkut domain atau arsitektur modular yang sepenuhnya baru.
“SEAL adalah tindakan utama yang menampilkan berbagai kemungkinan,” katanya. “Tetapi hal ini memerlukan lebih banyak pengujian.” Dia menambahkan bahwa kemampuan generalisasi dapat meningkat seiring dengan pelatihan SEAL untuk mendistribusikan tugas secara lebih luas.
Menariknya, tim menemukan bahwa hanya sejumlah kecil langkah pembelajaran penguatan yang benar-benar menghasilkan peningkatan kinerja yang terukur. “Ini menggembirakan, karena dengan komputasi yang lebih banyak, semoga kita bisa mendapatkan lebih banyak perbaikan,” kata Gio. Dia menyarankan agar eksperimen di masa depan harus mengeksplorasi metode pembelajaran penguatan yang lebih maju di luar ReSTEM, seperti Group Proportional Policy Optimization (GRPO).
Menuju model yang lebih adaptif dan efektif
SEAL mewakili sebuah langkah menuju model yang dapat berkembang secara mandiri seiring berjalannya waktu, baik dengan memasukkan pengetahuan baru atau membentuk kembali cara kita belajar. Para penulis membayangkan perluasan di masa depan di mana SEAL dapat membantu dalam pelatihan mandiri, pembelajaran berkelanjutan, dan pengembangan sistem agen – model yang bereaksi terhadap lingkungan yang berkembang dan beradaptasi secara bertahap.
Dalam pengaturan seperti itu, model dapat menggunakan SEAL untuk mengumpulkan pembaruan bobot setelah setiap interaksi, secara bertahap mengasimilasi perilaku atau pemikiran. Hal ini dapat mengurangi kebutuhan akan pengawasan yang sering dan intervensi manual, terutama di wilayah dengan data yang terbatas atau khusus.
Ketika teks web publik menjadi jenuh dan penskalaan LLM menjadi dibatasi oleh ketersediaan data, pendekatan mandiri seperti SEAL dapat memainkan peran penting dalam mendorong batas-batas pencapaian LLM.
Anda dapat mengakses Proyek SEAL, termasuk kode dan dokumentasi tambahan, di: https://jyopari.github.io/posts/seal
Berita
Pembaruan Deep Research baru dari Qwen memungkinkan Anda mengubah laporannya menjadi halaman web dan podcast dalam hitungan detik
Tim Qwen yang terdiri dari peneliti dan insinyur pemodelan AI dari raksasa e-commerce Tiongkok, Alibaba, telah memperkenalkan perluasan besar-besaran alat Qwen Deep Research miliknya, yang tersedia sebagai metode opsional yang diaktifkan pengguna di situs web Qwen Chat (pesaing ChatGPT).
Pembaruan ini memungkinkan pengguna untuk membuat tidak hanya laporan penelitian komprehensif dengan kutipan yang terorganisir dengan baik, tetapi juga halaman web interaktif dan podcast multi-pembicara – semuanya dalam satu atau dua klik.
Postingan ini adalah bagian dari Pelepasan kepemilikanyang berbeda dari banyak penawaran model sumber terbuka Qwen sebelumnya.
Sedangkan fiturnya bergantung pada model open source Qwen3-Pembuat Kode, foto di QuinnDan Qwen3-TTS Untuk meningkatkan kemampuan intinya, pengalaman end-to-end – termasuk implementasi pencarian, penerbitan web, dan pembuatan audio – diperlukan Diselenggarakan dan dikelola oleh Quinn.
Ini berarti pengguna mendapatkan keuntungan dari alur kerja yang terkelola dan terintegrasi tanpa perlu mengonfigurasi infrastruktur. Namun, pengembang yang memiliki akses ke model sumber terbuka secara teoritis dapat mereplikasi fungsi serupa pada sistem swasta atau komersial.
Pembaruan diumumkan melalui pejabat tim akun X (@Alibaba_Qwen) Hari ini, 21 Oktober 2025, tertulis:
“Qwen Deep Research baru saja mendapat peningkatan besar. Kini tidak hanya membuat laporan, namun juga membuat halaman web dan podcast langsung – didukung oleh Qwen3-Coder, Qwen-Image, dan Qwen3-TTS. Ide-ide Anda kini terlihat dan didengar.”
Keluaran penelitian multi-format
Alur kerja dasar dimulai dengan permintaan pengguna dalam antarmuka Qwen Chat. Dari sana, Qwen berkolaborasi dengan mengajukan pertanyaan klarifikasi untuk membentuk ruang lingkup penelitian, mengambil data dari web dan sumber resmi, dan menganalisis atau menyelesaikan setiap inkonsistensi yang ditemukan — bahkan membuat kode khusus bila diperlukan.
A Video demo diposting oleh Qwen di X Dia mengulas proses ini di Qwen Chat menggunakan pasar SaaS AS sebagai contoh.
Dalam laporan ini, Quinn mengambil data dari berbagai sumber industri, mengidentifikasi perbedaan dalam perkiraan ukuran pasar (misalnya, $206 miliar versus $253 miliar), dan menyoroti ambiguitas dalam pangsa pasar global di AS. Asisten mengomentari perbedaan skala antar sumber dan menghitung tingkat pertumbuhan tahunan gabungan (CAGR) sebesar 19,8% dari tahun 2020 hingga 2023, memberikan analisis kontekstual untuk mendukung angka mentahnya.
Setelah pencarian selesai, pengguna dapat mengklik "bola mata" ikon di bawah hasil keluaran (lihat tangkapan layar), yang akan menampilkan laporan gaya PDF di panel kanan.
Kemudian, ketika laporan ditampilkan di panel kanan, pengguna dapat mengklik "menciptakan" terletak di sudut kanan atas dan pilih dari dua opsi berikut:
"Pengembangan web" Yang menghasilkan a Halaman web yang hidup dan profesionalditerbitkan secara otomatis dan Dipandu oleh Quinn,menggunakan Qwen3-Coder untuk struktur dan Qwen-Image untuk visual.
"Siniar," Yang seperti disebutkan, menghasilkan suara Siniaryang juga menampilkan narasi multi-speaker dinamis yang dihasilkan oleh Qwen3-TTS Dipandu oleh Quinn Untuk kemudahan berbagi dan pengoperasian.
Hal ini memungkinkan pengguna dengan cepat mengubah satu proyek penelitian menjadi berbagai bentuk konten – tertulis, visual, dan audio – dengan masukan tambahan minimal.
Situs ini menyertakan grafik tertanam yang dibuat oleh Qwen Image, sehingga cocok untuk digunakan dalam presentasi publik, kelas, atau penerbitan.
Fitur podcast memungkinkan pengguna memilih antara 17 nama pembicara yang berbeda sebagai host dan 7 sebagai co-host, meskipun saya tidak dapat menemukan cara untuk melihat pratinjau output audio sebelum memilihnya. Tampaknya dirancang untuk mendengarkan secara mendalam saat bepergian.
Tidak ada cara untuk mengubah keluaran bahasa yang dapat saya lihat, jadi keluaran saya dikeluarkan dalam bahasa Inggris, seperti laporan dan perintah awal saya, meskipun Qwen LLM bersifat multimodal. Suaranya sedikit lebih otomatis dibandingkan alat AI lain yang pernah saya gunakan.
Di bawah ini adalah contoh halaman web yang saya buat Tentang kesamaan rezim otoriter sepanjang sejarah, Satu lagi penampakan UFO atau UAPdan di bawah paragraf ini, podcast tentang penampakan UFO, atau UAP.
Meskipun situs web dihosting melalui tautan publik, podcast harus diunduh oleh pengguna dan tidak dapat ditautkan secara publik, itulah yang dapat saya katakan dalam penggunaan singkat saya sejauh ini.
Perhatikan bahwa podcast sangat berbeda dari laporan sebenarnya – bukan hanya versi audio yang dibaca langsung, namun format baru dari dua pembawa acara yang berdiskusi dan bercanda tentang topik tersebut menggunakan laporan sebagai titik awal.
Laporan versi halaman web juga menyertakan grafik baru yang tidak ditemukan dalam laporan PDF.
Perbandingan dengan Google NotebookLM
Meskipun kemampuan baru ini telah diterima dengan baik oleh banyak pengguna awal, namun muncul perbandingan dengan asisten peneliti lainnya – terutama Google. buku catatan LMyang keluar dari versi beta baru-baru ini.
Komentator AI dan penulis buletin Gemuk (@kimmonismus) ditandai di X:
“Saya sangat bersyukur Qwen memberikan update secara rutin. Ini bagus.
Namun mencoba membuat versi NotebookLM di dalam Qwen-3-max tampaknya tidak terlalu menjanjikan dibandingkan dengan versi Google.”
Meskipun NotebookLM dirancang untuk mengatur dan menanyakan dokumen dan halaman web yang ada, Qwen Deep Research lebih berfokus pada hal itu Buat konten penelitian baru dari awalMengumpulkan sumber dari web terbuka dan menyajikannya melalui berbagai metode.
Perbandingan tersebut menunjukkan bahwa meskipun kedua alat tersebut tumpang tindih dalam konsep umum – pencarian yang dibantu AI – keduanya berbeda dalam pendekatan dan penargetan pengalaman pengguna.
Tersedianya
Qwen Deep Research sekarang sudah aktif dan tersedia melalui Aplikasi obrolan koin. Fitur tersebut dapat diakses melalui URL berikut.
Tidak ada detail harga Qwen3-Max atau kemampuan pencarian mendalam spesifik yang diberikan hingga tulisan ini dibuat.
Apa selanjutnya untuk penelitian Qwen Deep?
Dengan menggabungkan panduan penelitian, analisis data, dan pembuatan konten multi-format dalam satu alat, Qwen Deep Research bertujuan untuk menyederhanakan jalur dari ide hingga keluaran yang dapat dipublikasikan.
Integrasi kode, visual, dan audio membuatnya sangat menarik bagi pembuat konten, pendidik, dan analis lepas yang ingin memperluas penelitian mereka ke dalam bentuk yang ramah web atau podcast tanpa berpindah platform.
Namun, perbandingan dengan penawaran yang lebih terspesialisasi seperti NotebookLM menimbulkan pertanyaan tentang bagaimana pendekatan umum Qwen mengintegrasikan kedalaman, akurasi, dan pengoptimalan. Apakah kekuatan penerapan multi-format melebihi kekhawatiran tersebut mungkin tergantung pada prioritas pengguna – dan apakah mereka lebih menghargai penerbitan sekali klik dibandingkan integrasi erat dengan catatan dan materi yang ada.
Untuk saat ini, kata Quinn, penelitian tidak berakhir dengan sebuah dokumen, namun dimulai dengan sebuah dokumen.
Beri tahu saya jika Anda ingin mengemasnya kembali menjadi sesuatu yang lebih pendek atau disesuaikan dengan audiens tertentu – buletin, blog bergaya jurnalistik, penjelasan tim internal, dll.
baruAnda sekarang dapat mendengarkan artikel Fox News!
Di tengah penerapan 20 poin rencana perdamaian Presiden Donald Trump untuk mengakhiri perang antara Hamas dan Israel, para ahli Timur Tengah mendesak agar Badan Bantuan dan Pekerjaan PBB untuk Pengungsi Palestina di Timur Dekat (UNRWA) tidak hadir dalam rekonstruksi Jalur Gaza karena dugaan dukungan mereka terhadap organisasi teroris Hamas dan rekam jejak mereka yang sangat tidak kompeten.
Hugh Duggan, yang bertugas di Dewan Keamanan Nasional sebagai Asisten Khusus Presiden dan Direktur Senior Urusan Internasional pada tahun 2020, mengatakan kepada Fox News Digital, “Misi UNRWA adalah memberikan bantuan dan dukungan sambil menunggu solusi politik yang bertahan lama. Oleh karena itu, solusi tersebut masih dalam jangkauan – sambil menunggu kepatuhan dan perlucutan senjata Hamas – dan operasi kemanusiaan yang benar-benar netral memerlukan tindakan dan metode.” Baru”.
Dia menambahkan: “Selama berbulan-bulan, Yayasan Kemanusiaan Gaza telah mendistribusikan bantuan secara independen melalui saluran PBB dan mencegah pengalihan bantuan oleh kelompok bersenjata. Operasi kemanusiaan PBB lainnya akan berfungsi dengan baik untuk berlindung dan bekerja di bawah bayang-bayang GHF di bawah terik matahari untuk kebutuhan kemanusiaan yang kritis.”
Tentara Israel membunuh seorang teroris Hamas yang mengatakan dia bekerja untuk UNRWA, dan memimpin serangan terhadap pembantaian tempat penampungan bom Al-Reem.
Gambar dipajang di dinding tempat perlindungan bom, tempat orang-orang berlindung enam bulan lalu sebelum terbunuh dalam serangan mematikan 7 Oktober di Israel oleh teroris Hamas dari Gaza, dekat Kibbutz Beri di Israel selatan, 7 April 2024. REUTERS/Amir Cohen (Reuters/Amir Cohen)
Dugan, mantan diplomat yang bertugas di misi AS untuk badan dunia tersebut, mengatakan bahwa UNRWA mengubah industri rumah tangga menjadi birokrasi lintas batas yang luas yang melanggengkan pemborosan keuangan dan memperpanjang konflik dengan memberikan status pengungsi kepada keturunan pengungsi Palestina setelah perang pertama antara Israel dan negara-negara Arab.
Dia mengatakan: “Setelah konflik Arab-Israel tahun 1948, misi penting UNRWA adalah untuk memberikan bantuan dan program lapangan kerja langsung bagi 800.000 pengungsi Palestina. Misinya adalah untuk keluar dari bisnis secepat mungkin, namun mereka telah mengambil jalur misi yang merayap. Selama beberapa dekade, secara administratif diambil alih oleh birokrasi PBB, UNRWA telah berupaya untuk melanggengkan situasi pengungsi yang kini membengkak menjadi 5,9 juta.”
“Miliaran dolar kemudian, warga Palestina masih sangat bergantung pada bantuan kemanusiaan dasar,” Dugan menyimpulkan. “Hal ini telah menempatkan UNRWA sebagai pemain politik yang melampaui misi awalnya. Kebijakan dan hubungannya dengan Hamas menunjukkan bahwa UNRWA telah kehilangan landasan netralitas kemanusiaan dan non-diskriminasi.”
File tersebut mengungkapkan informasi yang digunakan untuk menjelaskan hubungan mendalam antara badan PBB dan gerakan Hamas di Gaza
Orang-orang membawa kotak-kotak pasokan bantuan dari Yayasan Kemanusiaan Gaza (GHF), sebuah kelompok bantuan swasta yang didukung AS yang mengabaikan perintah lama PBB di wilayah tersebut, dengan kembalinya warga Palestina yang terlantar dari pusat distribusi bantuan di Jalur Gaza tengah pada bulan Juni. 8 Perserikatan Bangsa-Bangsa dan organisasi bantuan besar menolak bekerja sama dengan Dana Kemanusiaan Global, karena kekhawatiran bahwa dana tersebut dirancang untuk memenuhi tujuan militer Israel. (Gambar Iyad Boudi/AFP Viti)
Pada bulan Agustus, Fox News Digital memperoleh gambaran umum Departemen Luar Negeri yang diberikan kepada Kongres yang menyatakan, “Pemerintah telah memutuskan bahwa UNRWA telah mengalami kompromi yang tidak dapat diperbaiki dan sekarang berupaya untuk membongkarnya sepenuhnya.” Pemerintahan Biden telah memberikan dana pajak AS sebesar $1 miliar kepada UNRWA sejak tahun 2021 sebelum pembekuan pada tahun 2024 mulai berlaku.
Juru bicara UNRWA Juliette Touma menanggapi tuduhan terhadap organisasi tersebut dan menyebutnya serius. Dia mengatakan kepada Fox News Digital bahwa tuduhan tersebut “tidak pernah dibuktikan, apalagi dibuktikan,” dan menambahkan bahwa “Perserikatan Bangsa-Bangsa telah melakukan penyelidikan dan peninjauan eksternal, dan tidak satu pun dari tuduhan tersebut yang terbukti. Yang paling penting, tuduhan ini menghalangi UNRWA, organisasi kemanusiaan terbesar, untuk mengirimkan makanan kepada mereka yang kelaparan.
“Hal ini menempatkan rekan-rekan saya di Gaza dalam risiko dan membahayakan nyawa mereka karena informasi yang salah ini,” kata Touma. “UNRWA memiliki 12.000 staf yang bertugas di Gaza. Tidak mungkin memperbaiki situasi kemanusiaan di Gaza tanpa UNRWA dan tim-timnya. Kami tahu bahwa semua upaya untuk menggantikan UNRWA telah membawa bencana.”
Dia melanjutkan: “Mengingat hal di atas dan tindakan yang diambil oleh PBB terhadap tuduhan-tuduhan ini, tuduhan-tuduhan ini tetap saja – tuduhan-tuduhan yang memiliki konsekuensi serius bagi kehidupan rekan-rekan kami, penyediaan bantuan kemanusiaan dan reputasi badan ini.”
Gambar yang diterbitkan oleh tentara Israel menunjukkan tiga orang yang diklaim tentara Israel sebagai teroris Hamas di dalam kompleks UNRWA di Rafah. (IDF)
Seorang juru bicara Departemen Luar Negeri AS mengatakan kepada Fox News Digital, “Presiden Trump dan Menteri Rubio telah lama menyatakan bahwa Hamas tidak akan memerintah Gaza lagi. Ini termasuk lembaga-lembaga yang telah mereka infiltrasi untuk mempertahankan kekuasaan dan pengaruhnya.”
Juru bicara tersebut mengulangi panduan yang terkandung dalam Perintah Eksekutif Presiden Trump tanggal 4 Februari tentang Penghentian Pendanaan atau Peninjauan Dukungan untuk Organisasi PBB dan Internasional Tertentu, yang menyatakan bahwa “UNRWA telah disusupi oleh anggota kelompok yang telah lama ditetapkan oleh Menteri Luar Negeri (Sekretaris) sebagai organisasi teroris asing, dan bahwa pegawai UNRWA terlibat dalam serangan Hamas terhadap Israel pada tanggal 7 Oktober.” 2023″.
Mantan juru bicara militer Israel Letnan Kolonel Jonathan Conricus mengatakan: “UNRWA telah terbukti sangat korup, disusupi oleh Hamas dan Jihad Islam, yang merupakan salah satu alasan mengapa Hamas mampu merekrut puluhan ribu pemuda yang diindoktrinasi dan mempertahankan diri melalui dua tahun pertempuran.”
Teroris Hamas membunuh warga sipil, termasuk wanita, anak-anak, dan orang tua, ketika mereka menyerang Israel pada 7 Oktober 2023. (IDF melalui AP)
“Jika kita ingin Gaza bebas dari ekstremisme, organisasi pertama yang harus disingkirkan dari kekuasaan adalah Hamas. Organisasi kedua adalah UNRWA. Keduanya tidak boleh berperan dalam membentuk masa kini atau masa depan Gaza. Ini adalah waktu untuk berinvestasi demi masa depan yang lebih baik bagi Gaza dan wilayah tersebut, dan ini adalah waktu untuk menghapus UNRWA.”
“Sejak Hamas merebut kekuasaan di Jalur Gaza pada tahun 2007, UNRWA telah memfasilitasi pembangunan militer Hamas,” kata Conricus. “Dengan mengalihkan bantuan internasional untuk memenuhi kebutuhan sipil warga Gaza sesuai arahan Hamas, UNRWA telah memungkinkan Hamas untuk mentransfer sebagian besar dananya untuk pembangunan militer dalam bentuk penggalian terowongan, produksi rudal, pembelian drone dan rudal canggih, serta pembayaran gaji dan pelatihan sejumlah besar individu.
Markas UNRWA di Kota Gaza, Gaza pada 21 Februari 2024. (Dawoud Abu Al-Kass/Anasul melalui Getty Images)
KLIK UNTUK MENDAPATKAN APLIKASI BERITA FOX
Dia mengatakan, “Sepanjang perang dua tahun, para pejuang Hamas secara sistematis menggunakan fasilitas dan infrastruktur UNRWA untuk mendukung dan melanjutkan operasi militer mereka melawan Israel. Pusat komando bawah tanah Hamas ditemukan tepat di bawah fasilitas UNRWA di Kota Gaza, termasuk pasokan listrik dan layanan TI dari kantor UNRWA hingga bunker bawah tanah Hamas. Hamas secara sistematis menggunakan sekolah-sekolah UNRWA di seluruh Jalur Gaza.” Seperti tempat pementasan militer, fasilitas produksi senjata, tempat pengumpulan intelijen, dan tempat persembunyian pejuang Hamas.”
Ketika ditanya tentang peran UNRWA, juru bicara militer Israel mengatakan kepada Fox News Digital: “Tingkat politiklah yang menentukan segalanya mengenai perjanjian perdamaian dan rincian pascaperang.” Fox News Digital telah menghubungi juru bicara Kementerian Luar Negeri Israel beberapa kali untuk memberikan komentar. Pemerintah Israel melarang operasi UNRWA pada Januari 2025.
Berita
Manfaat tak terduga dari komputer yang didukung AI: Mengapa kreativitas bisa menjadi produktivitas baru
Disediakan oleh HP
Kreativitas dengan cepat menjadi ukuran baru produktivitas. Meskipun AI sering dibingkai sebagai alat untuk efisiensi dan otomatisasi, penelitian baru dari… Institut Manajemen Sloan MIT Ia menunjukkan bahwa AI generatif meningkatkan kreativitas manusia – ketika karyawan memiliki alat dan keterampilan yang tepat untuk menggunakannya secara efektif.
Ini tempatnya Komputer yang didukung oleh kecerdasan buatan Laptop generasi berikutnya menggabungkan pemrosesan AI lokal dengan unit pemrosesan saraf (NPU) yang kuat, memberikan kecepatan dan keamanan yang diharapkan oleh para pekerja pengetahuan sekaligus membuka kemungkinan-kemungkinan kreatif baru. Dengan menangani tugas AI langsung di perangkat, komputer yang didukung AI mengurangi latensi, melindungi data sensitif, dan menurunkan konsumsi daya.
Tim telah membuktikan dampaknya. Tim pemasaran menggunakan PC yang didukung AI untuk membuat aset kampanye dalam hitungan jam, bukan minggu. Insinyur memperpendek siklus desain dan pembuatan prototipe. Tenaga penjualan membuat proposal yang dipersonalisasi di tempat, bahkan tanpa akses cloud. Dalam setiap kasus, PC yang didukung AI tidak hanya mempercepat alur kerja, tetapi juga memicu ide-ide baru, iterasi yang lebih cepat, dan tim yang lebih terlibat.
Imbalannya jelas: kreativitas yang diwujudkan dalam hasil bisnis yang terukur, mulai dari waktu pemasaran yang lebih cepat dan kepatuhan yang lebih kuat hingga keterlibatan pelanggan yang lebih dalam. Namun, penerapan teknologi ini masih belum merata dan manfaatnya belum menjangkau angkatan kerja yang lebih luas.
Manfaat kreatif awal, namun masih ada kesenjangan
Penelitian New Morning Consult dan HP menunjukkan bahwa hampir separuh pengambil keputusan TI (45%) sudah menggunakan komputer yang didukung AI untuk bantuan kreatif, dan hampir sepertiga (29%) menggunakannya untuk tugas-tugas seperti membuat dan mengedit gambar. Ini bukan hanya soal efisiensi, namun juga menghadirkan imajinasi ke dalam alur kerja sehari-hari.
menurut Indeks Hubungan Perburuhan HP 2025Prestasi adalah pendorong terbesar dari hubungan kerja yang sehat, bahkan melebihi kepemimpinan. Berikan karyawan alat yang memungkinkan mereka membuat tugas, bukan sekadar melaksanakannya, dan Anda akan meningkatkan produktivitas, kepuasan, retensi, dan optimisme. Naluri yang sama yang mendorong pekerja untuk membangun di luar kantor adalah naluri yang sama yang dapat dimanfaatkan oleh perusahaan di dalam kantor.
Tantangannya adalah di kalangan pekerja pengetahuan yang lebih luas, tingkat adopsi masih rendah, hanya 29% untuk bantuan kreatif dan hanya 19% untuk pembuatan citra. Kesenjangan inovasi ini berarti bahwa potensi penuh dari komputer yang didukung AI belum menjangkau angkatan kerja yang lebih luas. Bagi manajer TI, peluangnya tidak hanya untuk menerapkan perangkat keras yang lebih cepat, namun juga untuk menumbuhkan budaya tempat kerja di mana kreativitas mendorong nilai bisnis yang terukur.
Manfaat kreatif dari komputer yang didukung AI
Jadi, ketika Anda menampilkan komputer bertenaga AI kepada karyawan yang memiliki kemampuan tersebut, seperti apa praktiknya? Pengguna awal sudah mulai melihat komputer bertenaga AI mengubah cara kerja kreatif dilakukan.
Tim memimpikan ide-ide baru dengan lebih cepat. Komputer yang didukung AI dapat memunculkan perspektif baru dan solusi yang tidak konvensional, sehingga meningkatkan kreativitas manusia, bukan menggantikannya. Dengan modul NP khusus untuk menangani beban kerja AI, alur kerja karyawan tetap lancar. Masa pakai baterai diperpanjang, latensi berkurang, dan kinerja ditingkatkan, sehingga tim dapat fokus pada ide, bukan menunggu waktu.
AI pada perangkat membuka media kreatif baru, mulai dari desain visual, produksi video, hingga pengeditan musik, video, foto, dan presentasi dapat dibuat, diedit, dan disempurnakan secara real-time.
Selain itu, beban kerja AI seperti peringkasan, transkripsi, dan pembuatan kode berjalan secara instan tanpa bergantung pada API cloud. Hal ini berarti karyawan dapat bekerja secara produktif di lingkungan dengan bandwidth rendah atau offline, sehingga menghilangkan risiko waktu henti, terutama bagi tenaga kerja yang berpindah-pindah dan penempatan global.
Dan di seluruh perusahaan, PC yang didukung AI berarti hasil bisnis yang nyata dan terukur.
pemasaran: PC yang didukung AI memungkinkan tim kreatif membuat variasi iklan, konten sosial, dan aset kampanye dalam hitungan menit, bukan hitungan hari, sehingga mengurangi ketergantungan pada agensi eksternal. Hal ini menghasilkan peluncuran kampanye yang lebih cepat, pengurangan pembelanjaan vendor eksternal, dan peningkatan kecepatan saluran.
Produk dan Teknik: Desainer/insinyur dapat membuat prototipe menggunakan desain berbantuan komputer (CAD), membuat maket 3D, atau menjalankan simulasi secara lokal menggunakan akselerator AI pada perangkat, sehingga memperpendek putaran umpan balik. Ini berarti mengurangi siklus iterasi, pembuatan prototipe lebih cepat, dan waktu pemasaran lebih cepat.
Penjualan/Keterlibatan Pelanggan: Perwakilan dapat menggunakan PC yang didukung AI untuk membuat proposal secara real-time, presentasi yang dipersonalisasi, atau menganalisis kontrak secara offline di lokasi klien, bahkan tanpa koneksi cloud. Hal ini menciptakan siklus transaksi yang lebih cepat, keterlibatan pelanggan yang lebih tinggi, dan perputaran penjualan yang lebih singkat.
Mulai dari efisiensi hingga prestasi
Komputer yang didukung AI lebih dari sekadar peningkatan kinerja. Mereka membentuk kembali cara orang melakukan pendekatan dan pengalaman bekerja. Dengan memberikan alat yang memicu kreativitas dan produktivitas kepada karyawan, organisasi dapat menghasilkan inovasi yang lebih cepat, keterlibatan yang lebih dalam, dan retensi yang lebih kuat.
Bagi manajer TI, peluang ini lebih dari sekadar peningkatan efisiensi. Nilai sebenarnya dari PC yang mendukung AI tidak diukur dari kecepatan atau spesifikasinya, namun dari bagaimana PC tersebut membuka kemungkinan baru untuk kreativitas, kolaborasi, dan kompetisi – membantu tim tidak hanya bekerja lebih cepat, namun juga lebih kreatif dan produktif.
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.
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
