HOLOPIS.COM, JAKARTA – Pelatihan model kecerdasan buatan (AI) berukuran besar semakin dikenal mahal, rumit, dan boros energi reminder. Proses ini bahkan kerap gagal di tengah jalan, memaksa perusahaan mengulang pelatihan dari awal dengan biaya dan konsumsi listrik yang sangat besar.
Menjawab persoalan tersebut, riset terbaru dari DeepSeek menawarkan pendekatan baru untuk membuat pelatihan AI menjadi lebih stabil dan dapat diprediksi.
Dikutip Holopis.com dari Gizmochina, Minggu (4/1/2026). Dalam makalah terbarunya, DeepSeek memperkenalkan metode bernama manifold-constrained hyperconnection (mHC).
Berbeda dari riset AI pada umumnya yang berfokus mengejar performa tertinggi, mHC dirancang untuk meningkatkan stabilitas selama proses pelatihan model AI berskala besar. Pendekatan ini dianggap penting karena banyak model canggih justru gagal sebelum pelatihan selesai.
DeepSeek menyoroti bahwa setiap kegagalan pelatihan berarti pemborosan besar waktu berminggu-minggu terbuang, konsumsi listrik pusat data melonjak, serta ribuan jam komputasi GPU menjadi sia-sia. Kondisi inilah yang membuat biaya pengembangan AI terus membengkak.
Melalui metode mHC, DeepSeek berupaya menjaga perilaku model AI agar tetap berada dalam batas yang lebih terkontrol selama pelatihan berlangsung.
Dengan stabilitas yang lebih baik, risiko kegagalan di tengah proses dapat ditekan, sehingga peluang pelatihan selesai tanpa pengulangan menjadi lebih besar.
Pendekatan ini dinilai relevan di tengah meningkatnya konsumsi energi pusat data global. Meski mHC tidak secara langsung membuat GPU lebih hemat daya, metode ini berpotensi mengurangi energi yang terbuang akibat pelatihan yang gagal.
DeepSeek juga menilai stabilitas pelatihan dapat mengurangi ketergantungan industri pada pendekatan “brute force”, seperti menambah GPU, memperbesar memori, atau memperpanjang waktu pelatihan hanya agar model tetap berjalan.
Dalam makalahnya, DeepSeek tidak mengklaim bahwa mHC akan langsung menyelesaikan masalah kelangkaan perangkat keras atau lonjakan konsumsi energi global. Namun, riset ini diposisikan sebagai langkah penting untuk memaksimalkan infrastruktur yang sudah ada.
Seiring skala model AI terus membesar, pendekatan seperti mHC dinilai berpotensi membantu pengembang melatih AI yang lebih kuat dengan biaya dan dampak lingkungan yang lebih terkendali.
