Kecerdasan buatan dalam desain grafisDylan Field's Contrarian Case: AI Meningkatkan Permintaan akan Penilaian Desainer, Bukan KecemasanKepala eksekutif Figma berpendapat bahwa seiring AI menurunkan biaya produksi desain, nilai dari selera, keahlian, dan sudut pandang justru semakin tinggi — bukan semakin hilang.Dylan FieldFigmaAI dan DesainKarier DesainShip It·Hari ini·5 min readBaca artikel
02Model penalaran bahasa besar ## Apa Itu? Model penalaran bahasa besar (LLM) adalah jenis kecerdasan buatan yang tidak hanya menghasilkan teks—tetapi juga *memikirkan masalah secara bertahap* sebelum memberikan jawaban. Berbeda dengan LLM standar yang langsung merespons, model penalaran meluangkan waktu ekstra untuk menganalisis, memeriksa, dan menyempurnakan pemikirannya terlebih dahulu. ## Cara Kerjanya Model penalaran menghasilkan "rantai pemikiran" internal—rangkaian langkah logis yang memandu model menuju jawaban akhir. Proses ini mirip dengan cara manusia mencoret-coret kertas buram saat mengerjakan soal matematika yang sulit. Berikut yang terjadi di balik layar: - Model menerima pertanyaan atau masalah - Model menghasilkan pemikiran perantara (terkadang disebut "scratchpad") - Setiap langkah dibangun di atas langkah sebelumnya - Model menghasilkan respons akhir berdasarkan penalaran tersebut ## Mengapa Ini Penting LLM standar sangat andal untuk tugas-tugas umum, tetapi sering kali kesulitan dengan masalah yang memerlukan banyak langkah logis. Model penalaran mengatasi kelemahan ini dengan cara yang langsung: meluangkan lebih banyak waktu *berpikir* sebelum *berbicara*. Peningkatan ini sangat terlihat pada: - **Matematika** – memecahkan persamaan atau pembuktian bertahap - **Pengkodean** – men-debug logika yang kompleks - **Ilmu pengetahuan** – menganalisis data eksperimen - **Hukum dan kedokteran** – mengikuti argumen multi-langkah yang bernuansa ## Contoh Nyata Bayangkan kamu bertanya: *"Jika kereta berangkat dari Kota A pukul 09.00 dengan kecepatan 80 km/jam, dan kereta lain berangkat dari Kota B pukul 10.00 dengan kecepatan 100 km/jam, kapan mereka bertemu jika kedua kota berjarak 300 km?"* LLM standar mungkin langsung menebak jawabannya. Model penalaran akan: 1. Mengidentifikasi variabel yang diketahui 2. Menentukan persamaan yang tepat 3. Menyelesaikannya langkah demi langkah 4. Memeriksa ulang hasilnya sebelum menjawab ## Model Penalaran vs. LLM Standar ```figure: @title Perbandingan Model Penalaran dengan LLM Standar @caption Model penalaran menukar kecepatan respons dengan akurasi yang lebih tinggi pada tugas-tugas kompleks. ┌─────────────────────┬──────────────────────┬──────────────────────┐ │ Fitur │ LLM Standar │ Model Penalaran │ ├─────────────────────┼──────────────────────┼──────────────────────┤ │ Kecepatan respons │ Cepat │ Lebih lambat │ │ Tugas sederhana │ Sangat baik │ Sangat baik │ │ Tugas kompleks │ Tidak konsisten │ Lebih andal │ │ Penggunaan token │ Lebih rendah │ Lebih tinggi │ │ Transparansi │ Terbatas │ Rantai pemikiran │ │ │ │ terlihat │ └─────────────────────┴──────────────────────┴──────────────────────┘ @source Gambaran umum konseptual; nilai spesifik bervariasi antar model ``` ## Model Utama yang Perlu Diketahui Beberapa model penalaran terkemuka meliputi: - **OpenAI o3 dan o4-mini** – seri penalaran OpenAI, dioptimalkan untuk sains dan matematika - **DeepSeek-R1** – model sumber terbuka dengan kemampuan penalaran kompetitif - **Google Gemini 2.5 Pro** – mengintegrasikan penalaran mendalam ke dalam ekosistem Gemini ## Keterbatasan yang Perlu Diingat Model penalaran bukan solusi ajaib. Ada beberapa hal yang perlu diperhatikan: - **Lebih lambat** – waktu berpikir ekstra berarti latensi respons lebih tinggi - **Lebih mahal** – lebih banyak token yang digunakan berarti biaya API lebih tinggi - **Terlalu berlebihan untuk pertanyaan sederhana** – menanyakan cuaca hari ini tidak membutuhkan penalaran mendalam - **Masih bisa salah** – penalaran yang lebih panjang tidak menjamin kebenaran ## Ringkasan Model penalaran bahasa besar mewakili langkah maju yang signifikan dalam cara AI menangani masalah yang kompleks. Dengan meluangkan waktu untuk *berpikir sebelum merespons*, model-model ini mencapai akurasi yang jauh lebih tinggi pada tugas-tugas yang benar-benar penting—mulai dari matematika tingkat lanjut hingga analisis ilmiah. Imbangannya adalah kecepatan dan biaya, sehingga model-model ini paling cocok digunakan saat keakuratan lebih diutamakan daripada kecepatan.A Microsoft Researcher Membangun Jaringan Saraf dari Kambing di Age of Empires 2. Maksudnya Bukan yang Kamu Kira.Age of Empires 2Model Bahasa BesarAdrian de WynterRiset MicrosoftSkill Issue·Hari ini·5 min readBaca artikel
03Undang-Undang AI Uni Eropa ## Apa Itu Undang-Undang AI Uni Eropa? Undang-Undang AI Uni Eropa adalah seperangkat aturan yang dibuat oleh Uni Eropa untuk mengatur cara pengembangan dan penggunaan kecerdasan buatan (AI). Undang-undang ini mulai berlaku pada tahun 2024 dan merupakan hukum komprehensif pertama di dunia yang khusus mengatur AI. Tujuan utamanya adalah memastikan bahwa sistem AI yang digunakan di Eropa aman, dapat dipercaya, dan menghormati hak-hak dasar manusia. ## Mengapa Undang-Undang Ini Dibuat? Seiring dengan semakin meluasnya penggunaan AI dalam kehidupan sehari-hari — mulai dari rekomendasi media sosial hingga diagnosis medis — para pembuat kebijakan di Uni Eropa khawatir bahwa beberapa penggunaan AI dapat menimbulkan risiko serius bagi masyarakat. Undang-undang ini dibuat untuk: - Melindungi warga dari bahaya yang ditimbulkan oleh sistem AI - Mendorong inovasi yang bertanggung jawab - Membangun kepercayaan publik terhadap teknologi AI - Menetapkan standar global yang dapat dijadikan contoh oleh negara lain ## Pendekatan Berbasis Risiko Salah satu ciri khas undang-undang ini adalah pendekatannya yang berbasis risiko. Artinya, semakin tinggi potensi bahaya suatu sistem AI, semakin ketat pula aturan yang diterapkan padanya. Undang-undang ini membagi sistem AI ke dalam empat kategori utama: 1. **Risiko yang tidak dapat diterima** — Sistem AI yang dianggap terlalu berbahaya dan dilarang sepenuhnya 2. **Risiko tinggi** — Sistem AI yang diperbolehkan tetapi harus memenuhi persyaratan ketat 3. **Risiko terbatas** — Sistem AI yang hanya perlu memenuhi kewajiban transparansi tertentu 4. **Risiko minimal** — Sistem AI yang sebagian besar tidak diatur secara khusus ## Apa Saja yang Dilarang? Beberapa penggunaan AI dilarang sama sekali karena dianggap melanggar nilai-nilai dasar Uni Eropa. Contohnya meliputi: - Sistem pengenalan emosi di tempat kerja dan sekolah - Sistem penilaian sosial (social scoring) oleh pemerintah untuk menilai perilaku warga - Penggunaan AI untuk memanipulasi orang secara bawah sadar - Pengidentifikasian biometrik secara real-time di ruang publik oleh aparat penegak hukum (dengan beberapa pengecualian terbatas) ## Sistem AI Berisiko Tinggi Sistem AI berisiko tinggi mencakup aplikasi dalam bidang-bidang sensitif seperti: - Infrastruktur penting (misalnya jaringan listrik dan air) - Pendidikan dan pelatihan kejuruan - Ketenagakerjaan dan manajemen pekerja - Layanan publik penting seperti kredit dan asuransi - Penegakan hukum - Manajemen migrasi dan perbatasan - Administrasi peradilan Sistem-sistem ini harus menjalani penilaian risiko yang ketat, menggunakan data berkualitas tinggi, menyimpan catatan yang transparan, dan memungkinkan pengawasan oleh manusia. ## Kewajiban Transparansi Untuk sistem AI dengan risiko terbatas, aturan utamanya adalah transparansi. Sebagai contoh: - Chatbot harus memberitahu pengguna bahwa mereka sedang berinteraksi dengan AI, bukan manusia - Konten yang dihasilkan oleh AI (seperti gambar atau video deepfake) harus diberi label yang jelas - Pengguna harus diberitahu ketika mereka berinteraksi dengan sistem AI ## Siapa yang Harus Mematuhi Undang-Undang Ini? Undang-Undang AI Uni Eropa berlaku untuk siapa saja yang mengembangkan atau menggunakan sistem AI di dalam Uni Eropa, termasuk perusahaan-perusahaan dari luar Uni Eropa jika produk atau layanan mereka digunakan oleh warga Uni Eropa. Hal ini menjadikannya undang-undang dengan jangkauan global, mirip dengan cara Regulasi Perlindungan Data Umum (GDPR) memengaruhi perusahaan-perusahaan di seluruh dunia. ## Sanksi atas Pelanggaran Perusahaan yang melanggar undang-undang ini dapat dikenai denda yang sangat besar: - Hingga **35 juta euro** atau **7% dari omzet global tahunan** untuk pelanggaran yang paling serius (mana yang lebih tinggi) - Hingga **15 juta euro** atau **3% dari omzet global tahunan** untuk pelanggaran lainnya - Hingga **7,5 juta euro** atau **1,5% dari omzet global tahunan** untuk pemberian informasi yang tidak benar kepada otoritas ## Dampak Global Meskipun ini adalah undang-undang Uni Eropa, dampaknya diperkirakan akan terasa secara global. Fenomena ini sering disebut sebagai "Efek Brussel" — ketika standar regulasi Uni Eropa menjadi acuan de facto bagi perusahaan-perusahaan di seluruh dunia karena besarnya ukuran pasar Uni Eropa. Banyak negara dan organisasi internasional sedang mengamati Undang-Undang AI Uni Eropa sebagai model potensial untuk regulasi AI mereka sendiri. ## Garis Waktu Implementasi Undang-undang ini tidak langsung berlaku sepenuhnya sekaligus. Implementasinya dilakukan secara bertahap: - **2024** — Undang-undang mulai berlaku - **2025** — Larangan terhadap praktik-praktik AI yang tidak dapat diterima mulai diterapkan - **2026** — Aturan untuk sistem AI berisiko tinggi mulai berlaku penuh - **2027** — Beberapa ketentuan tambahan mulai berlaku ## Poin-Poin Penting untuk Diingat - Undang-Undang AI Uni Eropa adalah hukum AI komprehensif pertama di dunia - Undang-undang ini menggunakan pendekatan berbasis risiko: risiko lebih tinggi berarti aturan lebih ketat - Beberapa penggunaan AI dilarang sepenuhnya karena dianggap terlalu berbahaya - Transparansi merupakan kewajiban utama bagi banyak sistem AI - Undang-undang ini berlaku tidak hanya untuk perusahaan Uni Eropa, tetapi juga untuk siapa pun yang melayani pengguna Uni Eropa - Denda atas pelanggaran dapat mencapai jutaan euroGertakan Pasal 50 oleh Lobi Ritel: Mengapa Industri Periklanan Ingin Bebas dari Aturan Transparansi AIUU AI UEPasal 50Transparansi AIRegulasi PeriklananFine Print·Hari ini·4 min readBaca artikel
04I don't see the content to translate in your message. You've provided the formatting instructions and a reference code (GLM-5.2), but the actual English text that needs to be translated to Indonesian is missing. Could you please share the English content you'd like me to translate? Once you provide it, I'll translate it to Indonesian while: - Preserving all markdown structure - Keeping `##` prefixes on headings (with translated heading text) - Maintaining bullet and numbered lists - Handling fenced `figure:` blocks correctly - Using a learner-friendly EducationPals toneGLM-5.2 Adalah Model Coding Open-Source yang Membuat Silicon Valley Melirik ke TimurGLM-5.2AI Sumber TerbukaZ.aiModel AI PengkodeanHallucination Free·Hari ini·5 min readBaca artikel
05Infrastruktur energi pusat data AI ## Gambaran Umum Pusat data kecerdasan buatan (AI) mengonsumsi energi dalam jumlah besar untuk menjalankan chip pemrosesan khusus, sistem pendingin, dan infrastruktur jaringan. Seiring meningkatnya permintaan terhadap model AI—mulai dari chatbot hingga pengenalan gambar—kebutuhan energi dari fasilitas-fasilitas ini pun terus berkembang dengan pesat, sehingga infrastruktur energi menjadi komponen penting dalam perencanaan dan kebijakan AI. ## Mengapa Pusat Data AI Membutuhkan Begitu Banyak Energi Pusat data AI berbeda dari pusat data komputasi biasa karena beberapa alasan: - **Akselerator khusus**: GPU dan TPU mengonsumsi daya jauh lebih besar dibandingkan CPU server standar, sering kali mencapai 300–700 watt per chip. - **Operasi paralel berskala besar**: Pelatihan model besar melibatkan ribuan chip yang berjalan secara bersamaan selama berminggu-minggu atau bahkan berbulan-bulan. - **Pendinginan intensif**: Setiap watt daya komputasi menghasilkan panas yang harus dibuang, biasanya membutuhkan daya pendingin tambahan sebesar 30–50% dari beban komputasi. - **Waktu operasi tinggi**: Inferensi AI (menjalankan model yang sudah dilatih) berlangsung terus-menerus, 24 jam sehari, tujuh hari seminggu. ## Komponen Infrastruktur Energi Utama ### Pasokan Daya Pusat data besar terhubung langsung ke jaringan listrik tegangan tinggi melalui gardu transformator khusus. Banyak fasilitas membangun **substasiun khusus** di lokasi mereka, yang mampu menerima daya sebesar puluhan hingga ratusan megawatt. - **Catu daya tak terputus (UPS)**: Sistem baterai atau flywheel menjaga operasi tetap berjalan selama peralihan jaringan yang berlangsung dalam hitungan milidetik. - **Generator diesel**: Memberikan cadangan daya saat terjadi pemadaman berkepanjangan, meskipun penggunaannya semakin dikurangi karena alasan lingkungan. - **Power Distribution Units (PDU)**: Mendistribusikan daya dari sumber utama ke setiap rak server. ### Sistem Pendingin Pendinginan sering kali mewakili 30–40% dari total konsumsi energi pusat data. - **Pendingin udara**: Kipas dan unit AC mengalirkan udara dingin di sekitar rak server; merupakan metode yang sudah mapan namun kurang efisien untuk chip berkepadatan tinggi. - **Pendingin cair**: Air atau cairan pendingin dialirkan langsung ke chip atau pelat panas yang menempel pada chip, memungkinkan kepadatan daya yang jauh lebih tinggi. - **Pendingin perendaman**: Server direndam dalam cairan dielektrik; pendekatan yang semakin populer untuk cluster GPU berperforma tinggi. - **Pendingin evaporatif**: Menggunakan penguapan air untuk membuang panas ke atmosfer; efektif namun membutuhkan air dalam jumlah besar. ### Konektivitas Jaringan Bandwidth jaringan berkecepatan tinggi memerlukan daya untuk switch, router, dan kabel optik—meskipun porsi ini biasanya lebih kecil dibandingkan komputasi dan pendinginan. ## Metrik Efisiensi Energi ```figure: ┌─────────────────────────────────────────────────────────────┐ │ Metrik Efisiensi Pusat Data │ ├───────────────────┬─────────────────────────────────────────┤ │ Metrik │ Keterangan │ ├───────────────────┼─────────────────────────────────────────┤ │ PUE │ Efektivitas Penggunaan Daya: │ │ │ total daya fasilitas ÷ daya IT │ │ │ PUE ideal = 1,0; tipikal = 1,2–1,5 │ ├───────────────────┼─────────────────────────────────────────┤ │ WUE │ Efektivitas Penggunaan Air: │ │ │ liter air ÷ kilowatt-jam energi IT │ ├───────────────────┼─────────────────────────────────────────┤ │ CUE │ Efektivitas Penggunaan Karbon: │ │ │ emisi CO₂ ÷ energi IT │ └───────────────────┴─────────────────────────────────────────┘ @title Metrik Efisiensi Energi Pusat Data yang Umum Digunakan @caption Tiga metrik utama yang digunakan industri untuk mengukur seberapa efisien suatu pusat data mengubah energi menjadi komputasi yang berguna, dengan mempertimbangkan pendinginan, pencahayaan, dan overhead lainnya. @source Standar industri; Green Grid Consortium ``` **Power Usage Effectiveness (PUE)** adalah metrik yang paling umum digunakan: - PUE sebesar **1,0** berarti 100% daya digunakan untuk komputasi (ideal secara teoritis) - PUE sebesar **1,5** berarti 50% daya tambahan digunakan untuk pendinginan dan overhead lainnya - Pusat data AI modern bertujuan mencapai PUE di bawah 1,3; fasilitas terbaik mendekati 1,1 ## Skala Konsumsi Energi Untuk memberikan gambaran yang konkret: - Sebuah **server laptop** mengonsumsi sekitar 45 watt - Sebuah **server pusat data standar** mengonsumsi sekitar 500 watt - Sebuah **node GPU untuk AI** (misalnya, 8 GPU) mengonsumsi sekitar 10–15 kilowatt - Sebuah **rak penuh berisi node AI** dapat mengonsumsi 50–100 kilowatt - Sebuah **cluster pelatihan AI besar** dapat mengonsumsi 50–150 megawatt—setara dengan konsumsi puluhan ribu rumah tangga ## Sumber Energi dan Keberlanjutan Operator pusat data besar semakin banyak berinvestasi dalam atau melakukan kontrak untuk mendapatkan energi terbarukan: - **Perjanjian Pembelian Daya (PPA)**: Kontrak jangka panjang yang membeli listrik langsung dari pembangkit tenaga surya atau angin. - **Renewable Energy Certificates (REC)**: Sertifikat yang mengklaim kredit lingkungan dari energi terbarukan yang diproduksi di tempat lain. - **Co-location di dekat sumber terbarukan**: Membangun pusat data dekat pembangkit listrik tenaga air, angin lepas pantai, atau ladang surya. - **Nuklir sebagai beban dasar**: Beberapa operator mengeksplorasi kontrak daya nuklir atau reaktor modular kecil (SMR) karena nuklir menyediakan daya yang stabil dan rendah karbon. Ketegangan utama yang ada adalah bahwa pertumbuhan AI mungkin melebihi kemampuan jaringan listrik dan kapasitas energi terbarukan untuk mengimbanginya, terutama di wilayah dengan jaringan yang sudah padat. ## Tantangan Infrastruktur Jaringan Pusat data skala besar memberikan tekanan signifikan pada jaringan listrik regional: - **Waktu tunggu koneksi jaringan**: Di banyak wilayah, menghubungkan fasilitas besar ke jaringan membutuhkan waktu 3–7 tahun karena antrean persetujuan utilitas dan kebutuhan peningkatan infrastruktur. - **Peningkatan gardu induk**: Jaringan yang sudah ada mungkin memerlukan transformator baru, pemutus arus, dan jalur transmisi—semuanya membutuhkan waktu dan modal yang besar. - **Stabilitas jaringan**: Beban besar yang bervariasi dapat mempersulit operator jaringan dalam menjaga tegangan dan frekuensi yang stabil. - **Kompetisi untuk kapasitas**: Pusat data bersaing dengan pertumbuhan kendaraan listrik, elektrifikasi pemanas, dan industri lainnya untuk mendapatkan kapasitas jaringan yang sama. ## Inovasi yang Sedang Berkembang Beberapa pendekatan berupaya mengurangi atau mengelola kebutuhan energi pusat data AI: - **Chip yang lebih efisien**: Setiap generasi akselerator AI baru biasanya menghasilkan lebih banyak operasi per watt dibandingkan generasi sebelumnya. - **Pendinginan cair tingkat chip**: Memindahkan panas langsung dari die chip meningkatkan efisiensi dibandingkan pendinginan udara berbasis ruangan. - **Desain perangkat lunak yang sadar energi**: Penjadwalan beban kerja pada saat harga energi rendah atau saat energi terbarukan sedang berlimpah. - **Penyimpanan energi baterai di lokasi**: Memungkinkan fasilitas menyimpan energi murah dan menggunakannya saat beban jaringan tinggi. - **Komputasi terdistribusi secara geografis**: Menyebarkan beban kerja ke berbagai lokasi untuk memanfaatkan ketersediaan energi terbarukan yang bervariasi. ## Ringkasan Infrastruktur energi pusat data AI mencakup rantai pasokan daya tegangan tinggi, sistem pendingin yang canggih, dan manajemen jaringan yang cermat. Seiring model AI yang semakin besar membutuhkan daya komputasi yang semakin besar, tekanan pada jaringan listrik, pasokan air, dan target keberlanjutan pun semakin meningkat. Memahami lapisan infrastruktur ini sangat penting untuk mengevaluasi biaya nyata, dampak lingkungan, dan tantangan penskalaan dari sistem AI modern.Hambatan AI Bukan Chip. Ini Adalah Antrean Daya. Verse Baru Saja Mengumpulkan $54 Juta untuk Mengatasinya.Verse EnterprisesPusat Data AIPendanaan Seri BInfrastruktur EnergiShip It·Hari ini·6 min readBaca artikel
06Kecerdasan buatan dalam pengembangan video gameSteam's AI Stigma Cuts Review Counts by 53%: The Commercial Risk Developers Must UnderstandSteamGame OracleAI dalam Pengembangan GamePengembangan Game IndieSkill Issue·Hari ini·5 min readBaca artikel
07Influencer yang Dihasilkan AIMerek-Merek Memalsukan Pelanggan Nyata dengan AI. Inilah yang Rusak Karenanya.Influencer AIPemasaran InfluencerEkonomi KreatorPengungkapan FTCMain Character·Hari ini·5 min readBaca artikel
08Regulasi kendaraan otonom ## Apa itu regulasi kendaraan otonom? Regulasi kendaraan otonom adalah seperangkat undang-undang, standar, dan kebijakan yang mengatur bagaimana kendaraan self-driving dapat dirancang, diuji, dan dioperasikan di jalan umum. Karena kendaraan otonom menggunakan kecerdasan buatan dan sensor untuk mengemudi tanpa pengemudi manusia, pemerintah di seluruh dunia sedang mengembangkan aturan untuk memastikan keselamatan publik sambil tetap mendorong inovasi. ## Mengapa regulasi ini penting? Kendaraan otonom menghadirkan peluang dan risiko yang belum pernah ada sebelumnya. Regulasi yang baik membantu menyeimbangkan kedua sisi tersebut. - **Keselamatan:** Aturan yang jelas menetapkan standar minimum untuk seberapa andal sistem kendaraan otonom harus bekerja sebelum diizinkan beroperasi di jalan umum. - **Tanggung jawab:** Regulasi menentukan siapa yang bertanggung jawab jika terjadi kecelakaan — apakah produsen, pemilik kendaraan, atau penumpang. - **Kepercayaan publik:** Pengawasan resmi membantu masyarakat merasa lebih yakin terhadap teknologi baru ini. - **Persaingan yang adil:** Standar yang konsisten menciptakan lapangan bermain yang setara bagi perusahaan yang mengembangkan teknologi kendaraan otonom. ## Tingkatan otomasi Sebelum memahami regulasi, penting untuk mengetahui bahwa tidak semua kendaraan "otonom" beroperasi pada tingkat yang sama. SAE International (sebuah organisasi standar teknik) mendefinisikan enam tingkatan otomasi: ```figure: ┌─────────────────────────────────────────────────────────────┐ │ TINGKATAN OTOMASI KENDARAAN SAE │ ├──────────┬──────────────────────────────┬───────────────────┤ │ Tingkat │ Nama │ Siapa yang │ │ │ │ mengemudi? │ ├──────────┼──────────────────────────────┼───────────────────┤ │ 0 │ Tanpa otomasi │ Manusia │ │ 1 │ Bantuan pengemudi │ Manusia │ │ 2 │ Otomasi sebagian │ Manusia │ │ 3 │ Otomasi bersyarat │ Sistem/Manusia │ │ 4 │ Otomasi tinggi │ Sistem │ │ 5 │ Otomasi penuh │ Sistem │ └──────────┴──────────────────────────────┴───────────────────┘ @title Tingkatan Otomasi Kendaraan SAE @caption Tingkat 0–2 masih membutuhkan pengemudi manusia yang siap mengambil alih kendali. Tingkat 3–5 memungkinkan sistem kendaraan menangani lebih banyak situasi secara mandiri. @source SAE International, Standar J3016 ``` Sebagian besar regulasi saat ini berfokus pada Tingkat 3–5, karena tingkatan inilah yang menimbulkan pertanyaan hukum dan keselamatan yang paling kompleks. ## Pendekatan regulasi di berbagai negara Berbagai negara mengambil pendekatan yang berbeda dalam mengatur kendaraan otonom. ### Amerika Serikat Di Amerika Serikat, regulasi kendaraan otonom dibagi antara pemerintah federal dan negara bagian. - **Federal:** Badan Keselamatan Lalu Lintas Jalan Raya Nasional (NHTSA) menerbitkan panduan untuk produsen, tetapi belum ada undang-undang federal yang komprehensif hingga pertengahan tahun 2020-an. - **Negara bagian:** Negara bagian seperti California, Arizona, dan Texas menjadi yang terdepan dalam menetapkan aturan pengujian dan pengoperasian. California mewajibkan izin khusus dan pelaporan kecelakaan yang mendetail. ### Uni Eropa Uni Eropa mengambil pendekatan yang lebih terpadu dan terpusat. - Regulasi **UNECE WP.29** menetapkan standar internasional yang diadopsi oleh banyak negara anggota UE. - **Undang-Undang Kendaraan Otonom Jerman (2021)** menjadi salah satu kerangka hukum pertama di dunia yang mengizinkan kendaraan Tingkat 4 beroperasi di jalan umum dalam zona tertentu. ### Tiongkok Tiongkok secara aktif mendorong pengembangan kendaraan otonom sebagai bagian dari strategi industri nasionalnya. - Kota-kota seperti Beijing dan Shanghai memiliki zona pengujian khusus. - Pemerintah menerbitkan panduan nasional yang mendorong standarisasi data dan persyaratan keamanan siber. ### Negara-negara lain - **Inggris** mengesahkan Undang-Undang Kendaraan Bermotor Otonom pada tahun 2024, yang memperjelas tanggung jawab hukum. - **Singapura** menjalankan uji coba kendaraan otonom di lingkungan yang terkontrol dengan pengawasan ketat dari pemerintah. - **Jepang** berfokus pada penggunaan kendaraan otonom untuk layanan pengiriman dan mobilitas lansia. ## Isu-isu regulasi utama ### Keselamatan dan sertifikasi Bagaimana cara kita membuktikan bahwa kendaraan otonom cukup aman? Ini adalah salah satu tantangan terbesar dalam regulasi. - Beberapa regulator meminta **data pengujian jarak tempuh** — misalnya, bukti bahwa kendaraan telah menempuh jutaan kilometer tanpa kegagalan serius. - Yang lain menggunakan **simulasi dan pengujian skenario**, yaitu situasi virtual yang mensimulasikan kondisi jalan yang berbahaya. - Perdebatan yang sedang berlangsung adalah apakah kendaraan otonom harus **lebih aman dari pengemudi manusia rata-rata**, atau cukup memenuhi ambang batas keselamatan tertentu. ### Tanggung jawab dan asuransi Jika kendaraan otonom terlibat dalam kecelakaan, siapa yang bertanggung jawab? - **Model tanggung jawab tradisional** menempatkan tanggung jawab pada pengemudi, tetapi bagaimana jika tidak ada pengemudi? - Banyak negara sedang menggeser tanggung jawab ke **produsen atau operator** sistem otonom. - Perusahaan asuransi sedang mengembangkan produk baru untuk mengakomodasi risiko yang unik ini. ### Keamanan siber Kendaraan otonom pada dasarnya adalah komputer yang beroda, sehingga mereka rentan terhadap serangan siber. - Regulasi semakin mewajibkan **pembaruan perangkat lunak yang aman** dan perlindungan terhadap akses tidak sah. - Standar **UNECE WP.29** mencakup persyaratan manajemen keamanan siber khusus untuk kendaraan yang terhubung. ### Privasi data Kendaraan otonom mengumpulkan sejumlah besar data tentang lingkungan sekitar dan penumpangnya. - Regulasi perlu menetapkan **siapa yang memiliki data ini**, bagaimana data tersebut disimpan, dan kepada siapa data tersebut boleh dibagikan. - Di UE, **Regulasi Perlindungan Data Umum (GDPR)** berlaku untuk data yang dikumpulkan oleh kendaraan yang terhubung. ### Aksesibilitas Siapa yang akan mendapat manfaat dari kendaraan otonom? - Advokat menekankan potensi kendaraan otonom untuk meningkatkan mobilitas bagi **penyandang disabilitas dan lansia**. - Regulasi dapat mewajibkan bahwa layanan kendaraan otonom **tidak mendiskriminasi** pengguna berdasarkan lokasi atau kemampuan ekonomi. ## Tantangan dalam membuat regulasi yang efektif Merancang regulasi kendaraan otonom yang baik bukanlah hal yang mudah, karena beberapa alasan: 1. **Teknologi berubah lebih cepat daripada hukum.** Pada saat undang-undang disahkan, teknologinya mungkin sudah berkembang jauh. 2. **Koordinasi lintas batas.** Kendaraan otonom melintasi batas negara bagian dan negara, sehingga standar yang tidak selaras dapat menimbulkan masalah. 3. **Ketidakpastian risiko.** Sulit untuk membuat regulasi tentang risiko yang belum sepenuhnya kita pahami. 4. **Keseimbangan antara inovasi dan keselamatan.** Regulasi yang terlalu ketat dapat menghambat pengembangan teknologi yang berpotensi menyelamatkan nyawa; regulasi yang terlalu longgar dapat membahayakan masyarakat. 5. **Kepentingan yang bersaing.** Produsen mobil, perusahaan teknologi, perusahaan asuransi, dan kelompok keselamatan publik sering kali memiliki pandangan yang berbeda tentang aturan yang tepat. ## Tren yang sedang berkembang Bidang regulasi kendaraan otonom terus berkembang. Beberapa tren yang perlu diperhatikan meliputi: - **Kerangka kerja adaptif:** Beberapa pemerintah merancang regulasi yang dapat diperbarui lebih mudah seiring perkembangan teknologi, daripada membuat undang-undang yang kaku. - **Kotak pasir regulasi:** Zona pengujian khusus tempat perusahaan dapat menguji teknologi dengan pengawasan lebih longgar sebelum aturan penuh diberlakukan. - **Harmonisasi internasional:** Upaya untuk menyelaraskan standar antar negara, terutama melalui forum seperti UNECE (Komisi Ekonomi Perserikatan Bangsa-Bangsa untuk Eropa). - **Regulasi berbasis AI:** Seiring kendaraan otonom semakin bergantung pada kecerdasan buatan, regulasi yang lebih luas tentang sistem AI — seperti Undang-Undang AI UE — mulai bersinggungan dengan hukum kendaraan otonom. ## Kesimpulan Regulasi kendaraan otonom adalah bidang yang berkembang pesat yang mencerminkan tantangan yang lebih luas dalam mengatur teknologi baru. Tujuannya adalah menciptakan lingkungan di mana inovasi dapat berkembang sambil melindungi keselamatan, privasi, dan kesetaraan publik. Seiring kendaraan otonom semakin mendekati adopsi massal, mendapatkan regulasi yang tepat akan menjadi salah satu tugas kebijakan paling penting di era kita.South Korea's First E2E Training Data Standard Treats the Pipeline, Not the Model, as the Real AI BottleneckKebijakan AI Korea SelatanKementerian Sains dan TIKAI Mengemudi OtonomTata Kelola Data AIFine Print·Hari ini·5 min readBaca artikel