JawabanDipublikasikan13 sumber
Tongyan Lingzhi Ingin AI Personal Belajar dari Pengalaman—Bukan Sekadar Mengingat
Tongyan Lingzhi mengusulkan agar pengalaman personal atau organisasi menjadi kemampuan model melalui parameter ringan di atas model dasar bersama, bukan hanya lewat prompt atau informasi hasil pencarian. TIP dirancang untuk berbagi sumber daya GPU antara pelatihan dan inferensi, sementara Paged LoRA mengatur memori...
Diterbitkan olehDiedit dengan GPT-6 LunaGambar dibuat dengan GPT Image 2
Jawaban penelitian
Poin-poin penting
- Tongyan Lingzhi mengusulkan agar pengalaman personal atau organisasi menjadi kemampuan model melalui parameter ringan di atas model dasar bersama, bukan hanya lewat prompt atau informasi hasil pencarian.
- TIP dirancang untuk berbagi sumber daya GPU antara pelatihan dan inferensi, sementara Paged LoRA mengatur memori adapter agar lebih banyak parameter personal dapat dikelola.
- Laporan yang tersedia menjelaskan arah pengembangan dan konfigurasi pengujian, tetapi belum menyajikan angka latensi pembanding atau membuktikan seluruh siklus belajar otomatis sudah siap produksi.
AI Perintah
openai.comCreate a landscape editorial hero image for this Studio Global article: How is Tongyan Lingzhi, incubated by the Beijing Institute for General Artificial Intelligence’s industry platform, developing personal AI t. Article summary: Tongyan Lingzhi’s stated approach is to turn accumulated professional knowledge and experience into lightweight, personalized model parameters on top of a shared foundation model, rather than relying exclusively on infor. Topic tags: general, documentation, general web, user generated, academic. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, w
Tongyan Lingzhi mengembangkan konsep Personal AI yang bertujuan mengubah pengetahuan profesional dan pengalaman kerja menjadi kemampuan khusus di dalam model. Rancangannya menggabungkan model dasar bersama dengan parameter personal yang ringan. Namun, laporan yang tersedia menjelaskan arah pengembangannya—belum membuktikan bahwa seluruh siklus pembelajaran dan pengamanannya sudah berjalan di lingkungan produksi.2
3
Personalisasi di dalam model, bukan hanya di konteks
Banyak sistem AI menyesuaikan jawaban dengan menyertakan konteks saat digunakan, misalnya melalui prompt, informasi hasil pencarian, atau data yang disimpan. Tongyan Lingzhi ingin melangkah lebih jauh: pengalaman yang terkumpul dapat memengaruhi parameter model melalui pelatihan personal.
Rancangan yang dijelaskan memisahkan kemampuan umum dari kemampuan personal. Base Model menyediakan kemampuan dasar, sedangkan Personal Parameters membawa pengetahuan atau pola kerja khusus untuk seseorang, proyek, jabatan, atau organisasi. Liputan menyebut parameter personal ini sebagai adapter Personal LoRA yang ringan—bukan model dasar terpisah yang dilatih dari awal untuk setiap pengguna.2
3
Gagasan utamanya adalah mempertahankan kemampuan umum pada model dasar, sambil menyimpan pengetahuan dan keterampilan khusus di parameter personal. Namun, laporan yang tersedia tidak menjelaskan bagaimana adapter akan dipindahkan, dilatih ulang, atau divalidasi ketika model dasar diperbarui. Jadi, belum ada bukti bahwa adapter personal otomatis tetap cocok dengan versi model dasar yang baru.2
3
Dari menyimpan informasi ke belajar dari pengalaman
Tongyan Lingzhi menggambarkan pendekatannya sebagai pergeseran dari sekadar mengingat informasi menjadi memilih pengalaman yang layak dijadikan kemampuan model jangka panjang. Dalam kerangka ini, memori menyimpan informasi, sistem pencarian menyediakan pengetahuan dari luar, sedangkan personalisasi di tingkat parameter ditujukan untuk menyerap keahlian atau pertimbangan yang terus digunakan.
Perusahaan menyebut ambisi yang lebih luas ini sebagai Recursive Self-Improving Personal AI: AI yang dapat terus memperbarui kemampuan personal melalui penggunaan.3 Meski demikian, liputan yang tersedia belum memverifikasi proses otomatis dan menyeluruh untuk mengumpulkan jejak tugas, koreksi manusia, dan hasil kerja; menyusun alat evaluasi khusus bagi tiap pengguna; memilah pola umpan balik yang berguna; memperbarui adapter; lalu menguji atau membatalkan perubahan yang menurunkan kinerja.
Perbedaan ini penting: uraian tentang strategi belajar belum berarti sistemnya sudah diterapkan sepenuhnya. Laporan mendukung ambisi untuk menjadikan pengetahuan profesional dan alur kerja sebagai kemampuan model yang berkembang, tetapi tidak menunjukkan tahapan mana yang telah otomatis atau siap produksi.3
Infrastruktur di baliknya: TIP dan Paged LoRA
Personalisasi berkelanjutan menghadirkan tantangan infrastruktur. Sistem perlu memperbarui model sambil tetap melayani permintaan, sekaligus mengelola banyak adapter tanpa menyediakan satu model penuh untuk setiap pengguna.
TIP, singkatan dari training-inference parallelism atau pelatihan-inferensi paralel, dirancang untuk membantu mengatur kebutuhan tersebut. Liputan menyebut sejumlah teknik, termasuk berbagi GPU antara pelatihan dan inferensi, menjalankan keduanya dalam batch yang sama, mengakumulasi gradien secara asinkron, serta beralih dengan cepat antara peran pelatihan dan inferensi. Tujuannya adalah memanfaatkan komputasi yang tersedia untuk memperbarui Personal LoRA sambil mempertahankan layanan online, alih-alih mengandalkan kumpulan sumber daya pelatihan yang sepenuhnya terpisah.4
Paged LoRA berfokus pada pengelolaan memori adapter. Menurut laporan, rancangan ini memakai pengaturan berbasis halaman (paging) dan pemetaan sesuai kebutuhan agar banyak adapter Personal LoRA dapat berbagi model dasar dan sumber daya GPU dengan lebih fleksibel.4 Itu merupakan sasaran efisiensi; laporan belum membuktikan bahwa ribuan adapter yang terus diperbarui sudah beroperasi secara ekonomis di produksi. Skala ratusan jabatan dan ribuan agen disebut sebagai beban kerja yang ingin ditangani, bukan hasil penerapan yang telah terverifikasi.
Apa yang ditunjukkan pengujian Qwen2.5—dan apa yang belum
Sebuah laporan menjelaskan pengujian bertahap yang membandingkan Paged LoRA dengan LoRA konvensional dalam mode “Flat”. Pengujian menggunakan Qwen2.5-72B-Instruct pada delapan GPU Nvidia H800, dengan anggaran memori adapter 5,79 GB. Informasi ini memberikan gambaran konfigurasi uji, tetapi kutipan yang tersedia tidak mencantumkan angka perbandingan latensi maupun hasil latensi ekor (tail latency). Karena itu, pembaca belum bisa memverifikasi perbedaan kinerja pada tingkat lalu lintas yang menjadi perhatian.
Bahkan hasil tolok ukur layanan yang lengkap hanya akan menjawab sebagian pertanyaan. Pengujian dapat membantu menilai efisiensi penyajian adapter dalam kondisi tertentu, tetapi tidak dengan sendirinya membuktikan kualitas kemampuan personal yang dipelajari, kecocokannya setelah model dasar berubah, atau apakah pembaruan mencegah penurunan kemampuan sebelumnya.
Yang didukung laporan, dan yang masih terbuka
Berdasarkan liputan hingga 22 Oktober 2026, hal yang didukung adalah strategi model dasar bersama dengan parameter personal, ambisi untuk terus belajar dari pengalaman profesional, serta pengembangan infrastruktur untuk menyelaraskan pelatihan dan inferensi serta mengelola memori adapter.3
4
Laporan yang tersedia belum memastikan komponen mana yang siap produksi, apakah seluruh siklus peningkatan mandiri sudah otomatis, atau apakah pemindahan ke model dasar baru dan pemulihan setelah penurunan kinerja sudah didemonstrasikan.3
4 Detail tolok ukur yang tersedia juga belum cukup untuk mendukung klaim spesifik tentang latensi atau kinerja ekor dalam uji Qwen2.5.
Sejumlah pertanyaan masih perlu dijawab untuk menilai pendekatan ini: bagaimana membedakan sinyal belajar yang berguna dari umpan balik yang keliru atau menyesatkan; bagaimana menguji penurunan kinerja atau lupa terhadap kemampuan lama; serta bagaimana mengevaluasi personalisasi ketika kebutuhan pengguna atau model dasarnya berubah. Ini merupakan pertanyaan evaluasi yang masih terbuka, bukan pengaman yang telah terbukti diterapkan perusahaan.
Kesimpulan paling jelas: Tongyan Lingzhi telah menjelaskan rancangan Personal AI yang ingin menanamkan kemampuan khusus dan tahan lama ke dalam parameter model ringan, beserta infrastruktur yang ditujukan untuk membuat pendekatan itu lebih praktis. Laporan mendukung arah tersebut, tetapi belum membuktikan adanya sistem otonom yang aman dari penurunan kinerja—atau peningkatan kinerja numerik seperti yang diminta.2
3
4
Studio Global AI
Lanjutkan penelitian Anda
Halaman ini berisi jawaban yang didukung sumber yang dapat Anda lanjutkan di dalam Studio Global.
Orang-orang juga bertanya
Apa jawaban singkat untuk "Tongyan Lingzhi Ingin AI Personal Belajar dari Pengalaman—Bukan Sekadar Mengingat"?
Tongyan Lingzhi mengusulkan agar pengalaman personal atau organisasi menjadi kemampuan model melalui parameter ringan di atas model dasar bersama, bukan hanya lewat prompt atau informasi hasil pencarian.
Apa poin penting yang harus divalidasi terlebih dahulu?
Tongyan Lingzhi mengusulkan agar pengalaman personal atau organisasi menjadi kemampuan model melalui parameter ringan di atas model dasar bersama, bukan hanya lewat prompt atau informasi hasil pencarian. TIP dirancang untuk berbagi sumber daya GPU antara pelatihan dan inferensi, sementara Paged LoRA mengatur memori adapter agar lebih banyak parameter personal dapat dikelola.
Apa yang harus saya lakukan selanjutnya dalam latihan?
Laporan yang tersedia menjelaskan arah pengembangan dan konfigurasi pengujian, tetapi belum menyajikan angka latensi pembanding atau membuktikan seluruh siklus belajar otomatis sudah siap produksi.