Halo sobat kampus! Buat kalian yang sering nongkrong di pojokan perpus sambil ngoding atau sekadar mantengin perkembangan Artificial Intelligence (AI), ada kabar terbaru nih yang bakal bikin kalian takjub sekaligus mikir keras. Industri AI kembali dihebohkan oleh terobosan gila dari Induction Labs yang baru saja memperkenalkan sebuah model arsitektur foundation model super canggih bernama Photon-1. Kalau biasanya model AI butuh ribuan label aksi buat belajar—misalnya harus dikasih tau dulu "ini klik mouse ke kiri, itu geser kursor ke kanan"—maka Photon-1 mendobrak aturan main itu secara total!

Bayangkan saja, AI yang satu ini dilatih hanya dengan menonton video mentah layar komputer tanpa ada satupun label aksi yang menyertainya. Hasilnya? Model ini bukan cuma bisa simulasi desktop komputer, tapi juga jago main catur (checkers) sampai memodelkan fisika biliar hanya dari satu kali jalan pretraining run. Wah, kok bisa ya? Buat kita anak rumahan atau mahasiswa teknik informatika, riset ini tentu jadi bahan diskusi seru buat tugas akhir atau sekadar bahan obrolan di kantin kampus.

Mengenal Konsep Imagination Model dari Photon-1

Secara mendasar, apa sih yang sebenarnya dilakukan oleh sebuah imagination model? AI ini bekerja dengan cara memprediksi future frames secara autoregresif menggunakan objektif next-latent-token-prediction. Artinya, alih-alih menghasilkan piksel mentah saat proses pretraining, semuanya dimodelkan di dalam sebuah ruang representasi laten yang sudah dipelajari sebelumnya.

Poin paling krusial di sini adalah kemampuan model dalam memprediksi kondisi masa depan yang secara otomatis mengajarkan AI tersebut cara merampungkan tugas. Induction Labs menyebut fenomena ini sebagai implicit policy. Jadi, model ini benar-benar belajar konsep tentang apa yang sedang dikerjakan oleh seorang manusia di depan komputer, bukan sekadar menghafal label untuk setiap klik mouse. Pendekatan ini memangkas habis hambatan terbesar dalam pembelajaran berbasis video yang selama ini menjadi batu sandungan para periset teknologi.

Trik Kompresi Data yang Bikin Skala Model Melejit

Kehebatan teknis Photon-1 tidak lepas dari kecerdasan tim perisetnya dalam merancang arsitektur yang efisien. Sistem ini sangat bergantung pada sebuah vision encoder yang memanfaatkan teknik finite scalar quantization (FSQ). Setiap frame video dikompres secara gila-gilaan menjadi 960 token diskrit, di mana setiap token merupakan 8-dimensional vector.

Berikut adalah beberapa detail teknis mengenai mekanisme kompresi data pada Photon-1 yang dirangkum untuk memudahkan kalian melakukan skimming:

  • Ukuran Kompresi: Setiap dimensi mengambil satu dari lima nilai (-1, -1/2, 0, 1/2, 1), menciptakan codebook dengan 5⁸ kemungkinan kode.
  • Efisiensi Ruang: Hasil enkencoding-nya cuma memakan sekitar 2,2 KB per frame, memberikan tingkat kompresi 100 kali lipat lebih baik dibanding representasi OCR dan multimodal-model konvensional.
  • Differential Latent Encoder: Mengodekan frame video secara berpasangan sehingga data laten mendeskripsikan perbedaan antar frame, bukan menjejalkan isi frame secara utuh.
(function(){
  window.addEventListener('message',function(e){
    if(!e.data||e.data.mtpFrame!=='mtp-photon-explainer')return;
    var f=document.getElementById('mtp-photon-explainer-frame');
    if(f&&e.data.height)f.style.height=e.data.height+'px';
  });
})();

Komputasi, Dataset, dan Perbandingan Biaya Servis

Dari sisi dapur pacu, korpus data Photon-1 berasal dari indeks internal yang berisi 2 miliar video publik, yang kemudian disaring menjadi sekitar 2 juta rekaman layar komputer. Setelah melalui proses deteksi keyframe internal untuk membuang redundansi, dataset finalnya mencapai 575 juta frame pada sampel 1 frame per detik. Angka ini setara dengan 552 miliar token atau kurang lebih 18 tahun rekaman video aktivitas komputer!

Proses pelatihan model 106B-A5B MoE (mixture-of-experts) pada konteks 32K ini memakan waktu sekitar 30.000 jam GPU H200. Meski terdengar masif, efisiensinya luar biasa jika dibandingkan dengan model komersial lain seperti Gemini 3.1 Flash-Lite. Berdasarkan estimasi internal Induction Labs:

  • Komputasi Pretraining Gemini 3.1 Flash-Lite: Membutuhkan sekitar 1,200 × 10²⁴ FLOPs dengan biaya inferensi berbobot sekitar Rp5.600 ($0,36) per 1 juta token.
  • Komputasi Pretraining Photon-1: Hanya membutuhkan 0,044 × 10²⁴ FLOPs dengan biaya inferensi berbobot sekitar Rp1.700 ($0,11) per 1 juta token.
  • Titik Impas (Breakeven Cost): Biaya operasional murni Photon-1 di perangkat keras milik Induction Labs berada di angka Rp930 ($0,06) per 1 juta token input dan Rp9.300 ($0,60) per 1 juta token output.

Meskipun hasil benchmark ini masih bersifat internal dan belum dirilis secara independen ke publik, efisiensi komputasi yang ditunjukkan membuka mata kita bahwa metode imagination pretraining adalah masa depan efisiensi AI.

Kemampuan Generalisasi: Dari Desktop ke Game Catur dan Fisika Biliar

Hal paling menarik dari riset ini bukan cuma seberapa jago Photon-1 meniru aktivitas desktop, melainkan kemampuannya beradaptasi di luar ranah komputer. Tim periset menguji model ini pada domain yang sama sekali tidak ada saat proses pretraining, lalu membandingkannya dengan dua baseline lain (vision encoder tanpa imagination pretraining dan LLM baseline dari Inclusion AI).

Hasilnya di luar dugaan! Pada 20.000 pertandingan catur dari Open Checkers Archive 2.0, Photon-1 sukses mengungguli kedua model pembanding dalam hal simulasi dunia dan kualitas langkah. Begitu pula pada 10.000 simulasi game biliar, Photon-1 mencatatkan mean absolute error yang jauh lebih rendah (0,47) ketimbang LLM baseline (1,15) maupun vision encoder baseline (1,44). Berbekal human priors yang diserap dari video rekaman layar, AI ini bahkan bisa menggunakan tiruan ChatGPT di dalam VM untuk merancang draf tulisan layaknya manusia sungguhan.

Catatan Penting: Belum Tersedia untuk Publik

Buat kalian yang langsung bersemangat ingin mencoba kodenya untuk proyek kuliah atau skripsi, ada sedikit berita penenang sekaligus pengingat: saat artikel ini ditulis, Photon-1 belum memiliki bobot model terbuka, belum ada API publik, dan tidak ada lisensi komersial. Proyek ini murni sebuah pencapaian riset ilmiah tingkat tinggi dari laboratorium penelitian.

Nah, buat mahasiswa sekalian, perkembangan dunia AI bergerak sangat cepat setiap harinya. Jangan cuma jadi penonton yang kagum dengan kecanggihan teknologi, tapi mulailah kuasai dasar-dasar pemrograman, matematika, dan konsep machine learning dari bangku kuliah sekarang juga. Siapa tahu, riset AI revolusioner berikutnya justru lahir dari tangan kalian sendiri di laboratorium kampus!