Sebuah pandangan terhadap sepuluh tokoh yang membentuk masa depan kecerdasan buatan pada tahun 2025 — dari laboratorium yang menyempurnakan desain intinya hingga para pembuat kebijakan yang menetapkan batasan-batasannya. Ide, penelitian, dan kepemimpinan mereka mendorong perubahan nyata dalam cara AI dibangun, dibagikan, dan digunakan di seluruh dunia.
Ini bukan daftar selebriti. Setiap orang di sini memiliki dampak nyata, keahlian yang jelas, dan rekam jejak dalam memimpin diskusi di komunitas AI. Pandangan mereka penting karena berasal dari membangun, membimbing, dan menantang sistem yang membentuk masa depan kita.
Yann LeCun tetap menjadi salah satu suara terkuat dalam AI, terutama dalam penelitian dasar. Komentar publiknya sering kali bertentangan dengan momentum yang berlaku, terutama dalam perdebatan tentang model bahasa besar. Dia berargumen untuk sistem yang belajar dengan jauh lebih sedikit data dan mengkonsumsi energi yang jauh lebih sedikit, menyimpang dari pola pikir "lebih besar selalu lebih baik."
Tempat LeCun dalam sejarah terjamin dengan penemuan jaringan saraf konvolusional (CNNs), yang kini menjadi esensial untuk visi komputer. Saat ini, ia adalah advokat terkemuka untuk pembelajaran mandiri dan AI otonom — mesin yang mengembangkan pemahaman melalui pengamatan daripada konsumsi data yang tak ada habisnya.
Dia jarang mengirim tweet konten asli sekarang tetapi sering memposting ulang atau memberikan tautan ke esai mendalam tentang penelitian AI dan desain sistem.
Tema inti: arsitektur hemat energi, pembelajaran berfokus pada objek, model dunia;
Jangkauan audiens: lebih dari 900.000 pengikut;
Dinamis yang mencolok: pertukaran teknis yang sering dengan peneliti di OpenAI dan DeepMind;
Selama lebih dari tiga puluh tahun, karyanya telah membentuk strategi AI Meta, yang bertujuan untuk sistem yang mengamati dan berpikir dengan cara yang lebih mendekati penalaran manusia, bukan sekadar memprediksi kata berikutnya dalam urutan.
Andrej Karpathy menggabungkan keterampilan teknis yang mendalam dengan perspektif seseorang yang telah mewujudkan produk-produk besar. Dia menjelaskan ide-ide kompleks — dari desain model hingga pilihan pelatihan dan hambatan penyebaran — dengan cara yang beresonansi dengan peneliti dan para pembangun yang terlibat langsung.
Umpannya menggabungkan wawasan teknis dengan visi—misalnya, dia baru-baru ini mengusulkan bahwa model bahasa besar menjadi blok bangunan perangkat lunak modern.
Warisan: terobosan awal dalam pembelajaran mendalam dan visi komputer, kepemimpinan AI di Tesla;
Jangkauan: lebih dari 1 juta pengikut;
Keterlibatan: pembicaraan konferensi yang sering dan pendidikan masyarakat;
Setelah kembali ke OpenAI pada tahun 2024, Karpathy fokus pada membuat model lebih mudah dikelola dan menskalakannya tanpa kehilangan kontrol. Dia juga bekerja untuk membuka lebih banyak sumber daya untuk komunitas pengembang. Dalam postingannya, dia mengaitkan pemikiran teknis yang mendalam dengan pekerjaan sehari-hari dalam membangun perangkat lunak, memberikan insinyur cara praktis untuk menciptakan sistem yang bertahan dalam penggunaan di dunia nyata.
Fei-Fei Li telah membangun reputasinya dengan menyelaraskan AI dengan kebutuhan manusia. Dia mendorong desain yang melayani kesehatan, pendidikan, dan kepentingan publik sama seperti melayani agenda korporat atau pemerintah. Dia memimpin penciptaan ImageNet, sebuah proyek yang membentuk kembali pembelajaran mendalam dan meninggalkan salah satu jejak terkuat pada AI saat ini.
Postingannya fokus pada sisi kemanusiaan dari AI—implikasi etis, dampak kesehatan, dan pentingnya menjaga martabat manusia.
Dikenal untuk: ImageNet, Institut AI Berpusat pada Manusia Stanford;
Audiens: 500.000+ pengikut, memberi nasihat kepada pembuat kebijakan AS dan internasional;
Fokus saat ini: etika, aksesibilitas, dan inklusi sosial dalam aplikasi AI;
Dia membawa perspektif dari orang-orang yang sering diabaikan dalam teknologi — seperti pekerja medis, pendidik, dan mereka yang hidup dengan disabilitas — dan menjaga perhatian pada kekhawatiran mereka. Li membingkai AI yang bertanggung jawab sebagai masalah empati, wawasan, dan partisipasi dari suara-suara yang jauh di luar ruang rapat Silicon Valley.
Emad Mostaque adalah sosok yang menentukan dalam AI generatif sumber terbuka. Dia mendorong agar model dan dataset dapat diakses di luar kendali perusahaan besar, mempengaruhi gelombang startup untuk merilis sistem dengan bobot terbuka.
Di umpan-nya, ia membagikan pembaruan yang jelas tentang AI generatif sumber terbuka dan undangan untuk umpan balik publik mengenai pengembangan.
Tonggak: peluncuran Stable Diffusion;
Area fokus: transparansi biaya, keterbukaan infrastruktur, prinsip keselamatan AI;
Audiens: 250,000+ pengikut;
Mostaque secara teratur menjelaskan biaya dan kendala nyata dalam membangun model canggih, menawarkan pandangan langka tentang anggaran dan upaya teknis yang mendorong alat generatif. Penekanannya pada keterbukaan telah mengubah harapan tentang apa yang seharusnya dapat diperiksa dan dikendalikan oleh para pengembang dan peneliti.
Penelitian Timnit Gebru tentang bias algoritmik dan transparansi data telah mengubah cara pembahasan keadilan AI di tingkat global. Dia memeriksa siapa yang memegang kekuasaan dalam pengembangan AI dan bagaimana kekuasaan itu membentuk hasil.
Dia menggunakan keberadaannya untuk menyoroti isu bias, sering merujuk pada penelitiannya atau perkembangan kebijakan utama tentang keadilan dalam AI.
Bidang kunci: bias sistemik dalam LLM, pemerintahan yang dipimpin komunitas, standar data etis;
Audiens: lebih dari 160.000 pengikut; dikutip dalam kerangka kebijakan di seluruh dunia;
Dia membangun argumennya berdasarkan bukti yang jelas. Penelitiannya mengungkapkan bagaimana kekurangan dalam data pelatihan dapat membawa ketidaksetaraan di dunia nyata yang terkait dengan ras, gender, dan kelas. Para pembuat undang-undang dan regulator sekarang merujuk pada penelitiannya saat menyusun aturan, yang menjadikannya suara kritis terkemuka dalam percakapan.
Chris Olah telah mengungkapkan beberapa bagian terumit dari jaringan saraf. Penjelasan visual dan naratifnya tentang bagaimana model memproses informasi telah menjadi bahan ajar di universitas dan titik rujukan bagi peneliti keamanan AI.
Dia sering memposting pembaruan interpretabilitas—pekerjaan terbaru tentang analisis sirkuit model yang bersifat open-source menarik perhatian di kalangan peneliti keselamatan.
Spesialisasi: alat interpretabilitas, visualisasi jalur keputusan;
Dengan membuat cara kerja AI terlihat, Olah telah mengubah interpretabilitas dari sekadar rasa ingin tahu akademis menjadi persyaratan utama untuk kepercayaan dan keselamatan. Pengaruhnya membentuk bagaimana laboratorium dan pembuat kebijakan memikirkan pemantauan dan pengarahan perilaku model.
Sara Hooker bekerja untuk membuat pembelajaran mesin lebih efisien dan lebih mudah diakses. Dia menyoroti peneliti di daerah dengan sumber daya yang lebih sedikit, bertujuan untuk mendesentralisasi siapa yang dapat berkontribusi di bidang ini.
Postingan dia menyoroti inklusivitas dalam penelitian AI—dia baru-baru ini menarik perhatian pada batasan regulasi berbasis komputasi.
Fokus utama: model yang jarang, reproduktifitas, penelitian AI yang inklusif;
Audiens: 45.000+ pengikut;
Karyanya mempertanyakan keyakinan bahwa penelitian serius hanya dapat dilakukan dengan infrastruktur yang besar. Dengan mempromosikan arsitektur yang efisien dan kolaborasi global, Hooker sedang membentuk ulang ekspektasi untuk kinerja dan partisipasi dalam AI.
Ethan Mollick menunjukkan bagaimana alat AI mengubah cara orang belajar dan bekerja. Eksperimentasinya dengan model bahasa besar di ruang kelas dan lingkungan bisnis menawarkan hasil yang konkret dan dapat direplikasi.
Umpan beliau membawa AI ke dalam skenario kelas dan kantor yang nyata—menjelajahi bagaimana desain prompt dan alat tempat kerja berkembang dan mempengaruhi pembelajaran.
Area fokus: LLM yang diterapkan, rekayasa prompt, alur kerja yang dibantu AI;
Audiens: 280.000+ pengikut;
Mollick bekerja dengan mencoba alat itu sendiri, mengamati apa yang terjadi, dan menyesuaikan pendekatannya sepanjang jalan. Siklus praktis itu memberikan pendidik dan profesional cetak biru untuk mengintegrasikan AI dengan minimal dugaan.
Dario Amodei memimpin salah satu upaya keselamatan AI yang paling diawasi. Pengembangan Claude oleh Anthropic adalah bagian dari strategi yang lebih besar untuk membuat skala lebih aman tanpa menghambat inovasi.
Dia jarang memposting, tetapi ketika dia melakukannya, pandangannya memicu perdebatan—baru-baru ini menyerukan narasi yang dia deskripsikan sebagai mendistorsi misi aman‑pertama Anthropic.
Fokus: AI Konstitusional, keandalan sistem, penyelarasan dalam skala besar;
Audiens: 70.000+ pengikut; diakui dalam sidang legislatif dan puncak global;
Gaya terukur Amodei dan penekanan pada mekanisme kontrol telah menjadikan karyanya sebagai titik referensi baik bagi industri maupun pemerintah dalam menetapkan harapan untuk pengawasan model.
Karir Grady Booch dibangun di sekitar merancang dan mengelola sistem perangkat lunak yang kompleks, yang membuat pandangannya tentang bagaimana AI modern dibangun dan dipelihara menjadi sangat berharga. Puluhan tahun menghabiskan waktu merancang sistem yang dibangun untuk bertahan memungkinkan dia untuk menyoroti apa yang akan diperlukan untuk rekayasa AI yang tahan lama.
Suara beliau menggabungkan perspektif desain sistem yang mendalam dengan konteks AI—meskipun pembaruan kurang sering, ia membawa kejelasan arsitektur dalam perdebatan AI.
Terkenal karena menciptakan UML (Unified Modeling Language), Booch menerapkan pemikiran arsitektur yang ketat untuk pertanyaan tentang penerapan dan keandalan AI.
Tema inti: desain sistem, daya tahan, etika dalam rekayasa;
Audiens: 160.000+ pengikut yang mencakup komunitas AI dan rekayasa tradisional;
Dia memperingatkan bahwa bergerak terlalu cepat berisiko merusak dasar yang sudah dibangun. Baginya, kemajuan yang berkelanjutan berasal dari desain yang sabar, pengujian yang ketat, dan komitmen terhadap praktik rekayasa yang kuat.
Halaman ini mungkin berisi konten pihak ketiga, yang disediakan untuk tujuan informasi saja (bukan pernyataan/jaminan) dan tidak boleh dianggap sebagai dukungan terhadap pandangannya oleh Gate, atau sebagai nasihat keuangan atau profesional. Lihat Penafian untuk detailnya.
Influencer AI Teratas 2025: Terverifikasi, Dihormati, Diikuti
Secara Singkat
Sebuah pandangan terhadap sepuluh tokoh yang membentuk masa depan kecerdasan buatan pada tahun 2025 — dari laboratorium yang menyempurnakan desain intinya hingga para pembuat kebijakan yang menetapkan batasan-batasannya. Ide, penelitian, dan kepemimpinan mereka mendorong perubahan nyata dalam cara AI dibangun, dibagikan, dan digunakan di seluruh dunia.
Ini bukan daftar selebriti. Setiap orang di sini memiliki dampak nyata, keahlian yang jelas, dan rekam jejak dalam memimpin diskusi di komunitas AI. Pandangan mereka penting karena berasal dari membangun, membimbing, dan menantang sistem yang membentuk masa depan kita.
Yann LeCun tetap menjadi salah satu suara terkuat dalam AI, terutama dalam penelitian dasar. Komentar publiknya sering kali bertentangan dengan momentum yang berlaku, terutama dalam perdebatan tentang model bahasa besar. Dia berargumen untuk sistem yang belajar dengan jauh lebih sedikit data dan mengkonsumsi energi yang jauh lebih sedikit, menyimpang dari pola pikir "lebih besar selalu lebih baik."
Tempat LeCun dalam sejarah terjamin dengan penemuan jaringan saraf konvolusional (CNNs), yang kini menjadi esensial untuk visi komputer. Saat ini, ia adalah advokat terkemuka untuk pembelajaran mandiri dan AI otonom — mesin yang mengembangkan pemahaman melalui pengamatan daripada konsumsi data yang tak ada habisnya.
Dia jarang mengirim tweet konten asli sekarang tetapi sering memposting ulang atau memberikan tautan ke esai mendalam tentang penelitian AI dan desain sistem.
Selama lebih dari tiga puluh tahun, karyanya telah membentuk strategi AI Meta, yang bertujuan untuk sistem yang mengamati dan berpikir dengan cara yang lebih mendekati penalaran manusia, bukan sekadar memprediksi kata berikutnya dalam urutan.
Andrej Karpathy menggabungkan keterampilan teknis yang mendalam dengan perspektif seseorang yang telah mewujudkan produk-produk besar. Dia menjelaskan ide-ide kompleks — dari desain model hingga pilihan pelatihan dan hambatan penyebaran — dengan cara yang beresonansi dengan peneliti dan para pembangun yang terlibat langsung.
Umpannya menggabungkan wawasan teknis dengan visi—misalnya, dia baru-baru ini mengusulkan bahwa model bahasa besar menjadi blok bangunan perangkat lunak modern.
Setelah kembali ke OpenAI pada tahun 2024, Karpathy fokus pada membuat model lebih mudah dikelola dan menskalakannya tanpa kehilangan kontrol. Dia juga bekerja untuk membuka lebih banyak sumber daya untuk komunitas pengembang. Dalam postingannya, dia mengaitkan pemikiran teknis yang mendalam dengan pekerjaan sehari-hari dalam membangun perangkat lunak, memberikan insinyur cara praktis untuk menciptakan sistem yang bertahan dalam penggunaan di dunia nyata.
Fei-Fei Li telah membangun reputasinya dengan menyelaraskan AI dengan kebutuhan manusia. Dia mendorong desain yang melayani kesehatan, pendidikan, dan kepentingan publik sama seperti melayani agenda korporat atau pemerintah. Dia memimpin penciptaan ImageNet, sebuah proyek yang membentuk kembali pembelajaran mendalam dan meninggalkan salah satu jejak terkuat pada AI saat ini.
Postingannya fokus pada sisi kemanusiaan dari AI—implikasi etis, dampak kesehatan, dan pentingnya menjaga martabat manusia.
Dia membawa perspektif dari orang-orang yang sering diabaikan dalam teknologi — seperti pekerja medis, pendidik, dan mereka yang hidup dengan disabilitas — dan menjaga perhatian pada kekhawatiran mereka. Li membingkai AI yang bertanggung jawab sebagai masalah empati, wawasan, dan partisipasi dari suara-suara yang jauh di luar ruang rapat Silicon Valley.
Emad Mostaque adalah sosok yang menentukan dalam AI generatif sumber terbuka. Dia mendorong agar model dan dataset dapat diakses di luar kendali perusahaan besar, mempengaruhi gelombang startup untuk merilis sistem dengan bobot terbuka.
Di umpan-nya, ia membagikan pembaruan yang jelas tentang AI generatif sumber terbuka dan undangan untuk umpan balik publik mengenai pengembangan.
Mostaque secara teratur menjelaskan biaya dan kendala nyata dalam membangun model canggih, menawarkan pandangan langka tentang anggaran dan upaya teknis yang mendorong alat generatif. Penekanannya pada keterbukaan telah mengubah harapan tentang apa yang seharusnya dapat diperiksa dan dikendalikan oleh para pengembang dan peneliti.
Penelitian Timnit Gebru tentang bias algoritmik dan transparansi data telah mengubah cara pembahasan keadilan AI di tingkat global. Dia memeriksa siapa yang memegang kekuasaan dalam pengembangan AI dan bagaimana kekuasaan itu membentuk hasil.
Dia menggunakan keberadaannya untuk menyoroti isu bias, sering merujuk pada penelitiannya atau perkembangan kebijakan utama tentang keadilan dalam AI.
Dia membangun argumennya berdasarkan bukti yang jelas. Penelitiannya mengungkapkan bagaimana kekurangan dalam data pelatihan dapat membawa ketidaksetaraan di dunia nyata yang terkait dengan ras, gender, dan kelas. Para pembuat undang-undang dan regulator sekarang merujuk pada penelitiannya saat menyusun aturan, yang menjadikannya suara kritis terkemuka dalam percakapan.
Chris Olah telah mengungkapkan beberapa bagian terumit dari jaringan saraf. Penjelasan visual dan naratifnya tentang bagaimana model memproses informasi telah menjadi bahan ajar di universitas dan titik rujukan bagi peneliti keamanan AI.
Dia sering memposting pembaruan interpretabilitas—pekerjaan terbaru tentang analisis sirkuit model yang bersifat open-source menarik perhatian di kalangan peneliti keselamatan.
Dengan membuat cara kerja AI terlihat, Olah telah mengubah interpretabilitas dari sekadar rasa ingin tahu akademis menjadi persyaratan utama untuk kepercayaan dan keselamatan. Pengaruhnya membentuk bagaimana laboratorium dan pembuat kebijakan memikirkan pemantauan dan pengarahan perilaku model.
Sara Hooker bekerja untuk membuat pembelajaran mesin lebih efisien dan lebih mudah diakses. Dia menyoroti peneliti di daerah dengan sumber daya yang lebih sedikit, bertujuan untuk mendesentralisasi siapa yang dapat berkontribusi di bidang ini.
Postingan dia menyoroti inklusivitas dalam penelitian AI—dia baru-baru ini menarik perhatian pada batasan regulasi berbasis komputasi.
Karyanya mempertanyakan keyakinan bahwa penelitian serius hanya dapat dilakukan dengan infrastruktur yang besar. Dengan mempromosikan arsitektur yang efisien dan kolaborasi global, Hooker sedang membentuk ulang ekspektasi untuk kinerja dan partisipasi dalam AI.
Ethan Mollick menunjukkan bagaimana alat AI mengubah cara orang belajar dan bekerja. Eksperimentasinya dengan model bahasa besar di ruang kelas dan lingkungan bisnis menawarkan hasil yang konkret dan dapat direplikasi.
Umpan beliau membawa AI ke dalam skenario kelas dan kantor yang nyata—menjelajahi bagaimana desain prompt dan alat tempat kerja berkembang dan mempengaruhi pembelajaran.
Mollick bekerja dengan mencoba alat itu sendiri, mengamati apa yang terjadi, dan menyesuaikan pendekatannya sepanjang jalan. Siklus praktis itu memberikan pendidik dan profesional cetak biru untuk mengintegrasikan AI dengan minimal dugaan.
Dario Amodei memimpin salah satu upaya keselamatan AI yang paling diawasi. Pengembangan Claude oleh Anthropic adalah bagian dari strategi yang lebih besar untuk membuat skala lebih aman tanpa menghambat inovasi.
Dia jarang memposting, tetapi ketika dia melakukannya, pandangannya memicu perdebatan—baru-baru ini menyerukan narasi yang dia deskripsikan sebagai mendistorsi misi aman‑pertama Anthropic.
Gaya terukur Amodei dan penekanan pada mekanisme kontrol telah menjadikan karyanya sebagai titik referensi baik bagi industri maupun pemerintah dalam menetapkan harapan untuk pengawasan model.
Karir Grady Booch dibangun di sekitar merancang dan mengelola sistem perangkat lunak yang kompleks, yang membuat pandangannya tentang bagaimana AI modern dibangun dan dipelihara menjadi sangat berharga. Puluhan tahun menghabiskan waktu merancang sistem yang dibangun untuk bertahan memungkinkan dia untuk menyoroti apa yang akan diperlukan untuk rekayasa AI yang tahan lama.
Suara beliau menggabungkan perspektif desain sistem yang mendalam dengan konteks AI—meskipun pembaruan kurang sering, ia membawa kejelasan arsitektur dalam perdebatan AI.
Terkenal karena menciptakan UML (Unified Modeling Language), Booch menerapkan pemikiran arsitektur yang ketat untuk pertanyaan tentang penerapan dan keandalan AI.
Dia memperingatkan bahwa bergerak terlalu cepat berisiko merusak dasar yang sudah dibangun. Baginya, kemajuan yang berkelanjutan berasal dari desain yang sabar, pengujian yang ketat, dan komitmen terhadap praktik rekayasa yang kuat.