Kamus Istilah AI (Edisi Maret 2026), disarankan untuk disimpan

作者｜Golem（@web 3_golem）

Sekarang, jika orang di dunia kripto tidak memperhatikan AI, mereka dengan mudah akan menjadi bahan tertawaan (iya, teman-temanku, pikirkan mengapa kamu klik di sini).

Apakah kamu sama sekali tidak paham konsep dasar AI, setiap singkatan di setiap kalimat kamu harus tanya apa arti ? Apakah kamu juga merasa bingung dengan berbagai istilah khusus di acara offline AI, dan harus pura-pura tidak terputus koneksi?

Meskipun tidak realistis untuk langsung masuk ke industri AI dalam waktu singkat, mengetahui kosakata dasar yang sering digunakan di industri AI tidak pernah merugikan. Beruntung, artikel berikut ini disiapkan khusus untukmu ↓ Sungguh-sungguh disarankan untuk membacanya dengan saksama dan menyimpannya.

Kosakata Dasar (12)

LLM (Model Bahasa Besar)

Inti dari LLM adalah model pembelajaran mendalam yang dilatih dengan data dalam jumlah besar, mahir memahami dan menghasilkan bahasa. Saat ini mampu memproses teks, dan semakin mampu menangani jenis konten lain.

Sebaliknya ada SLM (Model Bahasa Kecil) — biasanya menekankan biaya lebih rendah, deployment lebih ringan, dan lokal lebih mudah.

AI Agent ( Agen AI )

AI Agent tidak hanya sekadar “model yang bisa ngobrol”, tetapi sistem yang mampu memahami tujuan, memanggil alat, melaksanakan tugas secara bertahap, dan jika perlu, melakukan perencanaan dan verifikasi. Google mendefinisikan agent sebagai perangkat lunak yang dapat melakukan inferensi berdasarkan input multimodal dan bertindak atas nama pengguna.

Multimodal (Multi-Modal)

Model AI ini tidak hanya membaca teks, tetapi mampu memproses sekaligus berbagai bentuk input dan output seperti teks, gambar, audio, video, dan lain-lain. Google secara tegas mendefinisikan multimodal sebagai kemampuan untuk memproses dan menghasilkan berbagai jenis konten.

Prompt (Perintah / Petunjuk)

Instruksi yang diberikan pengguna ke model, merupakan bentuk interaksi manusia-mesin paling dasar.

Generative AI (AI Generatif / AIGC)

Menekankan bahwa AI “menghasilkan” bukan sekadar mengklasifikasi atau memprediksi, model generatif dapat menghasilkan teks, kode, gambar, meme, video, dan lain-lain berdasarkan prompt.

Token (Token / Simbol)

Ini adalah salah satu konsep yang paling mirip dengan “Satuan Gas” di dunia AI. Model tidak memahami isi berdasarkan “jumlah kata”, tetapi berdasarkan token saat memproses input dan output, yang berhubungan erat dengan biaya, panjang konteks, dan kecepatan respons.

Context Window (Jendela Konteks / Panjang Konteks)

Mengacu pada jumlah token yang dapat “dilihat” dan digunakan oleh model dalam satu waktu, juga disebut sebagai jumlah token yang dapat dipertimbangkan atau “diingat” selama proses tunggal.

Memory (Memori)

Memungkinkan model atau Agent menyimpan preferensi pengguna, konteks tugas, dan riwayat status.

Training (Pelatihan)

Proses model belajar parameter dari data.

Inference (Inferensi / Eksekusi)

Berbeda dengan pelatihan, ini adalah proses model menerima input dan menghasilkan output setelah model online. Dalam industri sering disebut “pelatihan mahal, inferensi lebih mahal”, karena banyak biaya terjadi saat inference dalam tahap komersialisasi nyata. Perbedaan pelatihan/inferensi menjadi kerangka dasar diskusi biaya deployment dari vendor utama.

Tool Use / Tool Calling (Penggunaan / Pemanggilan Alat)

Artinya model tidak hanya mengeluarkan teks, tetapi juga dapat memanggil alat seperti pencarian, eksekusi kode, basis data, API eksternal, dan lain-lain. Ini sudah dianggap sebagai salah satu kemampuan kunci dari Agent.

API (Antarmuka)

Infrastruktur dasar saat produk AI, aplikasi, atau Agent terhubung dengan layanan pihak ketiga.

Kosakata Lanjutan (18)

transformer (Arsitektur Transformer)

Salah satu arsitektur model yang membuat AI lebih mahir memahami hubungan konteks, dan merupakan fondasi teknologi dari sebagian besar model bahasa besar saat ini. Ciri utamanya adalah mampu melihat seluruh bagian konten sekaligus dan memahami hubungan antar kata.

Attention (Mekanisme Perhatian)

Ini adalah mekanisme inti paling penting dari Transformer, berfungsi agar model secara otomatis menentukan “kata mana yang paling penting untuk diperhatikan” saat membaca sebuah kalimat.

Agentic / Agentic Workflow (Alur Kerja Berbasis Agen / Agen)

Istilah yang sedang populer, berarti sistem tidak lagi sekadar “tanya jawab”, tetapi memiliki otonomi tertentu untuk membongkar tugas, memutuskan langkah selanjutnya, dan memanggil kemampuan eksternal. Banyak vendor menganggap ini sebagai tanda “berpindah dari chatbot ke sistem yang dapat dieksekusi”.

Subagents (Sub-Agen)

Satu Agent dapat dibagi menjadi beberapa sub-agen khusus untuk menangani sub-tugas.

Skills (Kemampuan Modular yang Dapat Digunakan Kembali)

Seiring booming-nya OpenClaw, istilah ini menjadi semakin umum, merujuk pada unit kemampuan/operasi yang dapat dipasang, digunakan kembali, dan dikombinasikan dalam AI Agent, tetapi juga mengingatkan akan risiko penyalahgunaan alat dan paparan data.

Hallucination (Ilusi Mesin)

Mengacu pada model yang secara serius “berbicara ngawur”, yaitu “memprediksi pola yang tidak ada” sehingga menghasilkan output yang salah atau absurd. Ini adalah output yang tampaknya masuk akal tetapi sebenarnya salah karena kepercayaan diri berlebihan dari model.

Latency (Latensi)

Waktu yang dibutuhkan model dari menerima permintaan hingga menghasilkan output, merupakan salah satu istilah teknis yang paling umum, sering muncul saat implementasi dan produk.

Guardrails (Pengaman / Pembatas)

Digunakan untuk membatasi apa yang bisa dilakukan oleh model/Agent, kapan harus berhenti, dan konten apa yang tidak boleh dikeluarkan.

Vibe Coding (Pengkodean Suasana)

Istilah yang sedang tren di dunia AI, berarti pengguna cukup menyampaikan kebutuhan melalui percakapan, dan AI akan menulis kode, tanpa perlu memahami secara detail cara menulis kode.

Parameters (Parameter)

Jumlah angka yang digunakan model untuk menyimpan kemampuan dan pengetahuan, sering digunakan sebagai ukuran kasar kapasitas model, seperti “100 miliar parameter” atau “triliun parameter” yang umum di dunia AI.

Reasoning Model (Model Berpikir Kuat)

Biasanya merujuk pada model yang lebih mahir dalam melakukan inferensi multi-langkah, perencanaan, verifikasi, dan eksekusi tugas kompleks.

MCP (Model Context Protocol)

Istilah baru yang sangat populer dalam satu tahun terakhir, berfungsi seperti antarmuka umum antara model dan alat/data eksternal.

Fine-tuning / Tuning (Penyesuaian Halus)

Proses melanjutkan pelatihan model dasar agar lebih cocok untuk tugas, gaya, atau domain tertentu. Istilah Google secara langsung menganggap tuning dan fine-tuning sebagai konsep terkait.

Distillation (Distilasi)

Mengompresi kemampuan dari model besar ke model kecil, seperti “mengajar” “murid” agar mampu meniru “guru”.

RAG (Retrieval-Augmented Generation)

Hampir menjadi konfigurasi dasar AI perusahaan. Microsoft mendefinisikan sebagai mode “pencarian + LLM”, menggunakan data eksternal untuk memberi dasar jawaban, mengatasi data pelatihan yang usang dan ketidakpahaman terhadap basis pengetahuan pribadi. Tujuannya adalah membangun jawaban berdasarkan dokumen nyata dan pengetahuan pribadi, bukan hanya mengandalkan memori model.

Grounding (Penyesuaian Fakta)

Sering muncul bersama RAG, berarti membuat jawaban model didasarkan pada dokumen, basis data, web, dan sumber eksternal lainnya, bukan hanya mengandalkan parameter untuk “berimajinasi”. Microsoft secara tegas menempatkan grounding sebagai nilai inti dalam dokumen RAG.

Embedding (Embedding Vektor / Vektor Semantik)

Mengubah teks, gambar, audio, dan konten lain menjadi vektor numerik berdimensi tinggi untuk perhitungan kemiripan semantik.

Benchmark (Pengujian Standar)

Metode pengujian kemampuan model dengan standar tunggal, sering digunakan sebagai peringkat untuk membuktikan keunggulan model.

Rekomendasi Bacaan

Lobster 11 Pertanyaan Kunci: Penjelasan Prinsip OpenClaw yang Paling Mudah Dipahami