Deep Cogito meraih US$43 juta untuk mesin AI yang belajar sendiri
Deep Cogito memperoleh Series A senilai US$43 juta pada 26 Agustus 2026 di San Francisco, dipimpin TQ Ventures dan diikuti Benchmark, Nexus Venture Partners, Atreides Management, South Park Commons, serta Zscaler. Modal itu akan digunakan untuk memperluas tim riset dan rekayasa, meningkatkan infrastruktur pelatihan, melanjutkan keluarga model Cogito, dan mengembangkan bisnis model khusus untuk perusahaan.
Liputan SiliconANGLE atas transaksi tersebut mencatat bahwa putaran baru membawa total pendanaan eksternal Deep Cogito menjadi lebih dari US$56 juta dan bahwa Zscaler merupakan pengguna platform sekaligus investor dalam putaran ini. Pendanaan dan daftar investornya sudah dapat diverifikasi; kemampuan AI untuk memperbaiki dirinya sendiri masih merupakan sasaran teknologi yang perlu dinilai terpisah.
Modal baru memperbesar mesin post-training
Deep Cogito menempatkan post-training sebagai produk inti, bukan sekadar tahap tambahan untuk satu model. Mesin yang sama menopang keluarga Cogito dengan bobot terbuka dan pekerjaan pembuatan model khusus berdasarkan data serta hasil milik pelanggan perusahaan.
Model berbobot terbuka memungkinkan parameter numeriknya tersedia untuk digunakan atau diperiksa di luar laboratorium pembuatnya. Model khusus perusahaan mempunyai tujuan berbeda: proses pelatihannya diarahkan pada data, keputusan, dan ukuran keberhasilan yang relevan bagi pemilik data tersebut.
Penggunaan dana menunjukkan dua jalur bisnis yang sedang dibangun bersamaan. Rilis Cogito dapat memperlihatkan kemampuan teknis kepada pengembang dan peneliti, sedangkan proyek perusahaan menjadi jalur komersial untuk post-training yang lebih terspesialisasi. Namun, publikasi pendanaan tidak memuat valuasi, pendapatan, harga layanan, ataupun jumlah pelanggan, sehingga skala bisnisnya belum dapat dinilai secara terperinci.
Post-training bukan model yang belajar bebas saat digunakan
Post-training berlangsung setelah pre-training, yakni tahap ketika model sebelumnya mempelajari pola dari kumpulan data umum. Pada tahap lanjutan, pengembang mengubah perilaku atau bobot model agar lebih baik dalam bernalar, mengikuti sasaran, dan menyelesaikan tugas dengan ukuran keberhasilan tertentu.
Penjelasan Quartz mengenai teknologi Deep Cogito menyebut keluarga Cogito mencakup model berukuran 3 miliar hingga lebih dari 600 miliar parameter dan menguraikan Iterated Distillation and Amplification atau IDA sebagai proses pemberian komputasi tambahan untuk menghasilkan jawaban yang lebih baik, lalu memasukkan peningkatan itu kembali ke parameter model. Fokus risetnya juga mencakup reinforcement learning, yaitu pelatihan dengan sinyal penilaian atas keluaran model.
Dalam praktiknya, reinforcement learning tetap memerlukan tugas, fungsi penilaian, data, komputasi, dan prosedur pembaruan. IDA menambahkan siklus ketika hasil yang diperoleh dengan komputasi lebih besar disuling kembali ke bobot model. Karena itu, mesin post-training merupakan proses terkontrol untuk menghasilkan versi model yang diperbarui, bukan bukti bahwa model terus menulis ulang dirinya tanpa batas ketika dipakai.
Arti “self-improving” masih lebih sempit daripada klaim populernya
Istilah self-improving AI dapat dipakai untuk menggambarkan siklus ketika model membantu menghasilkan bahan yang kemudian meningkatkan versi berikutnya. Definisi teknis ini tidak sama dengan sistem otonom yang menentukan sendiri tujuan, data, metode evaluasi, dan pembaruannya tanpa pengawasan manusia.
Rilis model berbobot terbuka memperlihatkan bahwa Deep Cogito telah menjalankan post-training pada sejumlah skala. Akan tetapi, ukuran model dan tersedianya bobot tidak membuktikan bahwa peningkatan akan terus terakumulasi, berlaku pada masalah baru, atau tidak mengorbankan kemampuan lain.
Bukti yang lebih kuat harus memisahkan manfaat satu putaran post-training dari klaim perbaikan mandiri yang berulang. Pengujian yang relevan perlu memperlihatkan:
- hasil sebelum dan sesudah setiap putaran pada tugas yang tidak digunakan selama optimasi;
- perbandingan dengan metode post-training lain menggunakan data dan anggaran komputasi yang setara;
- apakah peningkatan pada satu kemampuan menurunkan keamanan, keandalan, efisiensi, atau kemampuan lain;
- apakah peneliti independen dapat memperoleh hasil yang sebanding dari prosedur yang cukup transparan.
Materi publik yang menyertai pendanaan belum menyajikan evaluasi independen dengan rangkaian pembuktian tersebut. Kesimpulan yang saat ini dapat dipertahankan lebih terbatas: Deep Cogito mengembangkan proses untuk menemukan keluaran yang lebih baik dan menyuling hasilnya kembali ke model, sementara konsistensi peningkatan lintas putaran masih harus diuji.
Pendanaan membuka ruang pembuktian yang lebih besar
Series A memberi Deep Cogito sumber daya untuk menguji apakah metode itu dapat berkembang dari rilis model dan proyek pelanggan menjadi mesin post-training yang konsisten. Ukuran keberhasilannya bukan hanya peluncuran model baru, melainkan peningkatan terukur yang dapat diulang pada tugas berbeda dengan biaya, data, dan kondisi evaluasi yang dapat dijelaskan.
Pada tahap ini, nilai putaran, pemimpin dan peserta investasi, tujuan penggunaan modal, serta arah riset telah dipaparkan. Valuasi dan metrik bisnis terperinci belum dibuka, sedangkan bukti independen atas IDA dan peningkatan berulang belum tersedia. Rilis Cogito berikutnya, evaluasi lintas putaran, dan hasil penerapan pada pelanggan akan menentukan apakah “belajar sendiri” berkembang menjadi kemampuan yang dapat direplikasi atau tetap menjadi ambisi riset perusahaan.
Baca juga:
Berlangganan buletin kami
Dapatkan berita Web3, AI, dan kripto terbaru langsung di kotak masuk Anda.