KITA#005 · Stanley Winata

Masuk CMU Robotics, Sekarang Bikin AI Ngebut di AMD

1 November 2026 · 1:10:17

Tonton di YouTube · Subtitel Indonesia dan Inggris ada di sana, tinggal nyalain CC.

Stanley Winata kerja di AMD, bikin AI jalan lebih cepat di GPU. Dari Jakarta dia kuliah di Jepang, cuma apply satu program robotics dan masuk CMU, lalu kerja di startup Nod.ai sampai diakuisisi AMD tahun 2023.

Kita ngobrol soal kenapa CPU itu Ferrari dan GPU itu bis, CUDA lawan ROCm, pakai AI buat kerja sehari-hari, sampai kenapa robot sekarang mulai bisa.

Saat rekaman, Stanley kerja sebagai Senior Member of Technical Staff di AMD dan ngelead tim tujuh orang.

Yang bisa kamu pelajari

  • Analogi Stanley: CPU itu Ferrari, cepat tapi penumpangnya sedikit. GPU itu bis, jadi menang kalau penumpangnya ratusan ribu kayak di ChatGPT. 4:56
  • Pipelining itu soal nyusun program supaya unit baca, compute, dan tulis bisa jalan bersamaan. 16:16
  • Mau kerja di bidang GPU? Menurut Stanley, kuatin linear algebra, calculus, dan discrete mathematics. 18:44
  • Di AMD, HIP itu bahasa programming-nya dan ROCm ekosistemnya. Di Nvidia, dua-duanya sama-sama disebut CUDA. 26:32
  • Stanley cuma apply satu program robotics dan masuk CMU, tapi sarannya tetap: apply ke banyak sekolah. 43:20
  • Nasihat terbaik dari orang tua Stanley: nggak perlu langsung ngejar nilai sempurna. Naik dikit dari posisi kamu sekarang, dan lakuin yang terbaik. 1:08:08

Semua pendapat Stanley di episode ini adalah pendapat pribadinya dan tidak mewakili AMD.

Bab

  1. 0:00 Cuplikan
  2. 0:42 Kerja di AMD: bikin AI lebih cepat Baca
  3. 3:16 CPU itu Ferrari, GPU itu bis Baca
  4. 12:51 Sehari-hari: profiling dan pipelining Baca
  5. 18:22 Mau kerja di GPU? Kuatin matematika Baca
  6. 20:46 CUDA, HIP dan ROCm Baca
  7. 27:35 Pakai AI buat kerja sehari-hari Baca
  8. 37:21 Dari Jakarta kuliah ke Jepang Baca
  9. 41:44 Dari Jepang ke CMU robotics Baca
  10. 50:43 Nod.ai: dari cincin sampai AMD Baca
  11. 58:18 Kenapa robot sekarang bisa? Baca
  12. 1:06:03 Nasihat terbaik: 10% lebih baik Baca

Transkrip

Transkrip ini dirapikan ringan: tanda baca dan paragraf dibenahi, beberapa kata pengisi dan pengulangan dihapus. Ini bukan transkrip kata demi kata, dan dimulai sesudah cuplikan pembuka. Kalau ada bagian yang kurang jelas, cek videonya lewat timestamp. Ada koreksi? Kabarin aku.

Baca transkrip lengkap

Kerja di AMD: bikin AI lebih cepat 0:42

Victor: Okay, welcome. Jadi sekarang kita di podcast kita dan, hari ini saya ada teman saya namanya Stanley. Halo, Stanley. Apa kabar? Hi, Victor. Baik. Thank you for having me here. Ya, jadi Stanley ini orang hebat loh. Jadi dia nih kerja di AMD sekarang ya. Jadi, I think, I think you need to tell us a bit more about that. Jadi, sekarang ngapain sih di AMD?

Stanley: Yeah, so, saya di AMD, AMD. AMD. Ya, AMD. Oh ya, AMD. There you go. My title is, Senior Member of Technical Staff. So I'm a manager of a team of seven. We're leading... Kita banyak, mostly, kerja gimana make AI go faster di hardware AMD, dengan cara, dengan cara writing better software for AMD. Yes. Okay,

1:51 Victor: ini interesting nih. Jadi kan mungkin banyak yang tahu tentang ChatGPT, banyak yang tahu tentang Claude, Gemini, tapi mereka mungkin gak tahu nih apa sih hubungan AMD sama ChatGPT misalnya.

I see. Jadi ChatGPT and, you know, Gemini dan, Claude itu banyak

Stanley: Itu mostly itu kita serve dalam GPU ya. So, the two biggest hardware manufacturer of GPU itu AMD dan Nvidia. Nvidia maybe a bit more. People pernah dengar, but AMD is also.

Victor: AMD itu gede juga. Gede banget. Nomor satu, nomor dua.

Stanley: Exactly. Jadi if you think about it, itu AI di belakang ChatGPT and Anthropic itu kalau kita pikir itu program yang sangat parallelizable. Jadi maksudnya parallelizable itu bisa kita pecah belah ya, kita bisa bagi-bagi kerjaannya. Jadi for those kind of work itu untuk GPU itu paling gampang.

CPU itu Ferrari, GPU itu bis 3:16

Victor: Ini kayaknya kemarin lo ada nulis paper yang ngejelasin GPU itu kayak koki ya, di koki dan resep gitu ya, bener nggak? You remember that part?

Kalau GPU, GPU work kayak ChatGPT itu kan kayak resep mau bikin satu dish gitu kan. Jadi tiap kali lo ke ChatGPT terus lo bilang, bikin gua plan untuk ke Bali dong gitu kan. Nanti kan itu kayak resep request ke ChatGPT. Nah, ChatGPT nanti kan bakal kayak ini order ke dapur kan kalau ke restoran ke dapur. Jadi di dapur nanti dia ada kayak puluhan ribu koki, bener nggak?

Puluhan ribu koki dan satu koki itu pada masak dikit dikit dikit dikit terus nanti digabungin. Bener nggak GPU itu kayak gitu?

Stanley: I think ya, yes kayak gitu. Tapi mungkin lebih orang lebih suka bilangnya sih kalau di ini ya kalau di dunia computing kita suka bilang itu CPU itu kayak Ferrari. Jadi bayangin kita itu penumpangnya itu contohnya kita bilang itu ChatGPT ya. Jadi pas kita request sesuatu ChatGPT itu bakal akan ini kan isinya itu seperti akan hitung banyak komputasi ya di belakang ChatGPT atau Anthropic dan komputasi ini kita bilang seperti penumpang, penumpang mobil ya.

Jadi contohnya kalau CPU itu kita bilang kayak Ferrari. Jadi penumpangnya mungkin bisa dua, tapi dia contohnya lima ratus kilometer per jam ya. Jadi bisa contohnya Jakarta Bandung bisa sat set. Tapi case kayak ChatGPT atau Cloud isinya itu bayangin penumpangnya itu seratus ribu ya. Mungkin kalau Ferrari lama kan. Tapi contohnya kalau bis seratus kilometer per jam tapi bisa isi penumpang seratus pasti lebih cepat. Jadi mostly GPU itu kayak bis, CPU itu kayak Ferrari kita ngomongnya.

5:40 Victor: Iya, iya, iya. Jadi kan makanya sekarang AI-AI ini pada pakai GPU karena lebih parallelizable jadi bisa ngangkut banyak penumpang gitu kan.

Stanley: Yep, betul.

Victor: Nah mungkin bisa jelasin dikit lagi ya gimana cara kerja Stanley dan tim lo sekarang di AMD kayak gimana sih apa kayak ini kan bisnya kan apa bisnya dibikin lebih kenceng supaya bisa lebih bagus atau lebih banyak penumpangnya atau gimana nih?

Stanley: Ya jadi kalau ini ya, jadi ya mostly kita the way we work itu biasa customer ke tempat kita dia bakal bilang oke kita mau beli X ribu GPU ya contohnya tapi kita mau bisa lihat kita bisa performa jadi oke mereka akan kasih berapa contoh AI model dan kita bilang oke dalam AI model ini kita bisa nggak hit performance ini lalu tim kita lihat analisa isi modelnya apa aja dan banyak kan AI model ini untuk tambah lebih banyak abstraction ya kita bilang AI model ini banyakan tuh kayak Lego kalau saya suka jelasin.

7:09 Victor: Lego ya.

Stanley: Lego. Jadi karena kalau kita lihat mau DeepSeek atau Qimi atau dan ini apa saya yakin banyak AI itu semua itu kayak Lego karena mereka itu buat satu piece Lego terus mereka akan ulang ulang ulang ulang dan mereka bikin lebih deep kan makanya dulu namanya Deep Learning ya sebelum AI kan tapi kalau kita pikirkan itu kalau tim kita itu kita lihat berdasarkan matematika yang mereka kasih ke kita kan karena DeepSeek, Qimi atau model-model lain itu semua kan isi itu matematika ya berdasarkan fungsi matematika ini gimana kita bisa buat gimana kita bisa translate fungsi matematika dari bahasa matematika itu menjadi bahasa GPU karena GPU itu ada bahasa programming language sendiri ya dan mereka itu secara computing memang apa ya nggak bisa direct dari fungsi matematika ke lari ke GPU

8:22 Victor: Ini mungkin kita bisa dive, ee, lebih dalam dikit ya. Jadikan mungkin orang pada tahu kalau ChatGPT atau segala macam AI atau komputasi lagi main game juga sama kan, lo main game juga sama. Itu kan apa yang lo lihat di layar itu di dalamnya sebenarnya semua matematika kan, kita komputasi ini, komputasi itu kan matrix multiplication itu kan namanya salah satu komputasinya. Tapi yang mungkin orang banyak enggak tahu itu dari matematikanya ke bahasa GPU itu bedanya apa sih?

Kok GPU ada bahasanya sendiri?

Stanley: Ya, jadi, ee, salah satu, salah satu karakteristik kenapa again tadi kita ngomong GPU itu kayak bus dan, ee, kenapa GPU perlu bahasanya sendiri itu part of it itu karena ini karena GPU itu kayak bus ya. Ee, karena kita itu kalau kita pikir CPU itu biasanya itu lebih limited dalam multi-- kalau orang suka denger multi core kan dulu I7 quad core kan, ee, atau paling tinggi mungkin eight core kalau CPU enggak tahu deh sekarang berapa core kalau-

9:41 Victor: Kalau, kalau CPU gua sekarang ada tiga puluh dua.

Stanley: Aha tiga puluh dua ya. Oke.

Victor: AMD juga nih AMD-

Stanley: Oh that's good, that's good.

Victor: Tiga sembilan lima zero X.

Stanley: That's very good.

Victor: Iya I think enam belas thread tiga puluh, ee, tiga puluh hyperthread kalau enggak salah.

Stanley: Ya, ya, ya. So enam belas thread kan. Ee, kalau GPU itu secara pemeruk-- secara pas mau program itu kurang lebih itu sixty five thousand cores.

Victor: Wah, jadi bedanya jauh sekali.

Stanley: Yes, jadi secara ar-arsitektur komputer itu, you know, CPU mungkin berapa core kalau GPU secara logical ya, secara abstrak hardware-nya itu beda lagi tapi secara logical itu ada kurang lebih enam puluh lima ribu.

Victor: Kok bisa jauh sekali bedanya? Dan mungkin juga salah satunya yang mungkin orang enggak tahu, saya juga enggak tahu, kenapa CPU enggak bisa enam puluh lima ribu?

Stanley: Yes, so jadi, ee, again kalau CPU kan kayak Ferrari. Jadi bayangin Ferrari kalau bay-- again it's more expensive dan memang secara mekanismenya itu lebih secara filosofi ya, itu secara desain filosofinya itu lebih kompleks.

10:58 Victor: Iya.

Stanley: Jadi GPU itu pas mereka pertama mulai keluarin GPU itu mereka pikir oke contohnya dari mungkin mulai awal dari game ya.

Victor: Dari main game.

Stanley: Dari main game kan, dari main game kalau kita pikir mereka itu contohnya mau kita mau buat warna kan, kita contohnya mau pixel berapa tiga ratus contohnya tiga ratus kali tiga ratus itu berapa sembilan puluh ribu, right? Ee, bayangin kalau CPU-nya itu satu-satu kita komputasi warnanya kan.

Victor: Iya.

Stanley: Ee, walaupun komputasinya simple itu CPU tetap perlu komputasi one by one.

Victor: Ini, ini kayak Ferrari lu mesti bolak-balik banyak sekali meskipun lo cepet tapi lo mesti bolak-balik gitu kan.

Stanley: Yes, yes, yes betul, betul, betul, betul. Itu kayak mungkin, ee, kalau ini kan komputasinya simple jadi kita ngomong komputasi simple maybe kayak, kayak, ee, kayak maybe PIK satu ke PIK dua ya tapi lu naik Ferrari macet ya lu bolak-balik satu, satu, satu pasti lambat kan.

12:06 Victor: Iya, iya.

Stanley: Tapi lu kalau ada bus PIK satu ke PIK dua seratus orang langsung angkut jauh lebih cepet. Jadi same dari game itu komputasinya itu simple.

Victor: Iya.

Stanley: Tapi karena pixel kita makin lama makin banyak itu walaupun komputasinya simple itu quantity-nya banyak.

Victor: Iya, iya.

Stanley: Jadi berdasarkan itu GPU itu mereka buat mereka lihat oh kita sebenarnya itu computation-nya itu enggak usah gitu kompleks ya.

Victor: Iya.

Stanley: Yang penting kita banyakin aja gitu loh thread-nya. Jadi dari situ mereka oke GPU, ee, tapi dengan, you know, new arsitektur pasti perlu cara programming yang efektifnya pasti beda.

Sehari-hari: profiling dan pipelining 12:51

Victor: Jadi kalau balik lagi ke nge-bis gini kan, ini berarti kan satu bis yang bisa muat enam puluh lima ribu penumpang sekali jalan ya. Ee, kalau kita pikir dari bis itu kan daya angkat itu sebenarnya seberapa cepat bisnya dan seberapa banyak penumpang gitu kan. Kalau di dunia GPU itu gimana nih cara translasinya ke gini, jadi gimana supaya bikin dia lebih cepat. Ini kan kayak hari-hari di, di kantor tuh ngapain sih?

Stanley: I see, I see, I see. Ee, hari-hari di kantor sebenarnya gimana bikin lebih cepat ada beberapa cara ya. Jadi, ee, sebenarnya paling common itu biasa, ee, orang udah ada matematikanya dan kita secara basic itu udah ada algoritma untuk buat matematikanya ke program GPU. Jadi secara algoritmanya udah basic-nya udah ada. Tapi kalau ada hardware baru atau workload baru dengan, ee, dengan bentuk shape-nya beda ya atau dimension-nya beda itu biasa kita perlu banyak lihat profile.

Dari profile, profile itu yang akan kasih lihat itu karena walaupun bis mungkin komponennya banyak ya, ee Ya sebenarnya dalam, dalam GPU itu kita ada sesuatu namanya pipelining sebenarnya atau dalam computer arsitektur namanya pipelining.

14:35 Victor: Apa itu?

Stanley: Pipelining itu kita itu lihat ini secara teknis ya, secara teknis itu kita lihat komputer sebagai pabrik. Untuk crash course computing, setiap kali kita mau compute sesuatu contohnya kita mau lima tambah tiga itu kita perlu bawa data contohnya kita bawa data lima dan data tiga itu perlu bawa lewat cache, cache dan berapa layer memori L3, L2, L1 baru ke register ya. Pas kita udah ada data di register baru kita ada namanya computing unit yang bisa benar-benar hitung lima tambah tiga.

Dan secara itu kita dari lima tambah tiga contohnya kita udah dapat hasilnya delapan kita perlu tulis balik ke memori tingkat tinggi atau kalau CPU kita bisa lihat RAM contohnya. Dan dari situ kita baru bisa dapat hasilnya ya. Maka kalau kita lihat itu ada beberapa, beberapa, beberapa hardware unit kita ngomong ya. Jadi ada memori unit yang bisa baca tapi ada compute unit contohnya bisa tambah-tambahan atau kali-kalian dan mungkin ada satu unit lagi bisa contohnya tulis balik ke memori tinggi.

Jadi dari situ kita, kita mau untuk gimana kita bisa pipelining. Jadi pipelining itu bagaimana kita bisa strukturkan programnya supaya unit baca, unit compute, unit contohnya penulisan semua itu bisa berjalan dengan sama, bersamaan.

16:41 Victor: Itu susah nggak? Soalnya dari logika kayak gini, jadi jujur ya saya udah di teknologi ini lama sekali tapi saya nggak pernah jalanin sampai ke pipelining karena ini kan biasanya ngerjain ini kan yang kerja di AMD, Nvidia, Intel gitu-gituan ya. Kalau kita kerja kayak saya kerja di Apple nggak pernah ngerjain kayak beginian kan. Jadi susah nggak sih untuk kerjain kayak gini bedanya sama kayak bikin website gitu.

Stanley: Jadi mungkin buat website saya juga kayak gitu, kayak gitu experience ya buat website.

Victor: Oh jadi kebalik.

Stanley: Jadi complimentary skills ya. Tapi ya bedanya mungkin with pipelining itu ada namanya, it's so, itu memang ada field dan matematikanya sendiri. Jadi kalau ada yang interested bisa Google Modulo Scheduling.

Victor: Modulo Scheduling.

Stanley: Jadi itu mereka secara matematika bisa prove kalau ini itu the best way to pipeline lah ngomongnya gitu.

17:49 Victor: Wah ini looks like kompleks sekali ya sampai ngejelasinnya pun susah.

Stanley: Ya mungkin I think anyone can look into it. I don't think it's incredibly difficult if you, if you've done maybe even high school or undergraduate mathematics itu I feel and you know you have interest in it pasti saya rasa bisa baca paper-nya dan textbook-nya dan you'll get something out of it.

Mau kerja di GPU? Kuatin matematika 18:22

Victor: Misalnya ada temen-temen nih yang lagi di SMP, SMA gitu kan atau S1 dan mereka mau kerja di bidang kayak gini GPU atau CPU atau kayak low level hardware. Jadi paling penting tuh belajarnya apa sih yang Stanley recommend?

Stanley: Kalau yang saya lihat maybe two things ya. Jadi first thing pasti linear algebra dan calculus.

Victor: Matematika ya tetap ya.

Stanley: Matematika. Ya matematika.

Victor: Harus kuat ya.

Stanley: Harus kuat. And also discrete mathematics itu bahasa Indonesia apa?

Victor: Enggak tahu.

Stanley: So yes discrete mathematics. Discrete mathematics for ini pasti perlu kuat karena this field itu pertama kalau untuk you know I work for AMD for kita ngomongnya mungkin AI inference ya. Jadi on one hand kita perlu bisa baca paper dari AI lab yang mereka jelasin oh gimana arsitektur modelnya, arsitektur AI-nya dan bisa bayangkan gimana dari maths yang mereka buat itu jadi program GPU kan. Jadi that on one hand kita perlu paham dan that's many linear algebra dan calculus untuk mengerti AI models kan.

Dari situ untuk translate ke sesuatu hardware itu a lot of discrete mathematics.

20:02 Victor: I see. Ini kalau misalnya mama papa lagi nanyain Stanley, lo di AMD kerja apa sih? Lo jawabnya gimana?

Stanley: Gue jawabnya sih I make AI go faster on GPUs. Terus mereka tanya artinya apa? Gue bakal bilang Kalau AI itu kayak balok-balok Lego atau balok-balok, ya balok-balok Lego, kita itu buat gimana dan Legonya itu kalau kita anggap matematikanya itu kita gimana buat balok terbaik untuk GPU

Victor: Iya.

CUDA, HIP dan ROCm 20:46

Victor: Nah, saya mau nanya juga nih kan Nvidia nomor satu kan, AMD nomor dua sekarang

Stanley: Debatable tapi

Victor: Debatable, oke debatable. Based on numbers shift, right? Not based on speed. Speed is debatable, right? Jadi kan saya tahunya Nvidia itu ada CUDA, C-U-D-A kan. Jadi mungkin mau lihat CUDA itu kan bahasa pemrograman yang bisa pakai untuk CPU kan. Jadi kalau kita bikin website kita biasanya pakai HTML, mau bikin aplikasi pakai Swift, pakai Java gitu kan. Tapi untuk pemrograman GPU di Nvidia kita pakai CUDA. Kalau yang di AMD gimana nih?

Stanley: Kita ada sesuatu namanya HIP. H-I-P

Victor: H-I-P

Stanley: Jadi sebenarnya sama, sama CUDA itu ya lumayan mirip ya cara pem-- karena mereka dua-dua itu GPU, itu programming-nya itu kurang lebih sama sebenarnya. And in fact sebelum CUDA itu ada precursory-nya kayak OpenCL dan OpenCL punya parents itu sebelumnya itu udah ada memang buat what CUDA is today secara technical ya, secara design of language, secara programming-nya itu sebenarnya sebelum CUDA itu udah ada. Dan I think the strength of CUDA itu mereka memang they foresee the future itu AI dan they've built a whole ecosystem around it and I think that's where the true tech-- that's where the true originality lah kita ngomongnya, originality is dan that's where they are more dominant

22:38 Victor: Mereka, mereka tuh bukan itu loh, bukan tahu AI loh dulunya. Jadi kan saya baca bukunya itu ya, The Nvidia Way, how Nvidia started. Dulunya itu kan kayak yang kita diskusi si Jensen kan create Nvidia untuk bikin game kan. Jadi Nvidia card itu kan semua untuk main game. Tapi si Jensen bilang kita bakal ngejual Nvidia card ini sampai yang mau main game semua udah beli, nah next-nya apa dong kan.

Jadi dia pikir apalagi yang bisa bakal pakai parallel calculation yang kayak pakai bis ini siapa sih yang bisa pakai. Dan dia next to develop bukan buat AI karena pas zaman itu AI masih belum banyak, jadi dia develop buat scientific computing. Jadi kayak simulasi fluid, kayak lo mau simulasi pesawat terbang, mau terbang kan itu banyak sekali simulasinya dan juga kayak mau prediksi hujan atau prediksi enggak hujan gitu kan, itu kan pakai simulasi juga dan semua pakai CUDA.

Nah dia hoki-hoki aja tiba-tiba ML jadi tenar terus Deep Learning itu kan jadi tenar semua langsung pakai CUDA kan dari AlexNet segala macam pakai CUDA. Jadi dia jadi gede banget. Jadi mungkin ini ya yang jadi, jadi ya first, first mover advantage-nya si itu si Nvidia

24:09 Stanley: Ya

Victor: Dan lo bilang tuh HIP itu versinya AMD yang kayak CUDA ya

Stanley: Ya, that's right, that's right. Tapi ya maka I think many people, many people itu maybe you know banyak orang bilang CUDA, CUDA is the mode kan

Victor: Ya, CUDA is the mode, that's right

Stanley: But I think many people mistake because of the naming convention karena mereka panggil bahasa programming-nya itu CUDA. And I think they call everything else, the whole ecosystem is also CUDA

Victor: Itu salah?

Stanley: Oh no, it's correct. It's just the design of their naming, right. Jadi I feel most of their mode itu dari sebenarnya itu dari ekosistemnya karena secara bahasa programming itu dari dulu for many hardware udah ada sebenarnya. Tapi yang they have that make it the mode that first mover advantage mereka itu beyond just having the ability to write CUDA, itu they have integrated into a lot of the AI frameworks ya kayak dulu

25:18 Victor: PyTorch

Stanley: PyTorch ya, dulu sebelumnya MX maybe, Cafe right, baru PyTorch, TensorFlow, dan sebelumnya mungkin AMD and many of the hardware vendor belum masuk ya. Dan jadi at that time kalau, kalau you are a researcher apalagi researcher AI itu biasa enggak, zaman dulu enggak tulis program GPU ya mungkin zaman sekarang they want to get more, more speed, more efficiency mungkin sekarang lebih banyak AI researcher tulis program GPU.

Tapi jadi sebelumnya itu AI researcher kalau mau lakuin apa-apa AI atau Deep Learning atau sebenarnya Machine Learning itu perlu pakai Nvidia ya sebelumnya karena it's everywhere. They've smartly invested in these different ecosystem then

Victor: Tapi sekarang AMD juga catch up ya. Jadi kan kayak Stanley sekarang kerjain ini supaya bisa lebih cepat, lebih gampang ya

26:22 Stanley: Ya, ya, ya, ya

Victor: Saya dengar itu juga kan lagi populer nih ROCm kan. Jadi apa sih bedanya ROCm sama HIP?

Stanley: Yes, so that's a very good question. R-O-C-M kita panggilnya ROCm. ROCm itu HIP it-- this is where I think we're doing better, ya. HIP itu bahasa programming-nya. ROCm itu the entire ecosystem.

Victor: Oh, oke. Kalau di AMD, CUDA itu bahasanya dan ekosistemnya.

Stanley: That's right, that's right.

Victor: Kalau di sini HIP bahasanya doang.

Stanley: Mhm.

Victor: ROCm ekosistemnya.

Stanley: Ekosistem. That's right, that's right, that's right. So, kalau kita pikir-pikir, kita ada library untuk matematika, ROCBLAS, kan.

Victor: Iya.

Stanley: Mungkin CUDA ada cuBLAS. Ada untuk Fast Fourier Transform, ROCFFT. Untuk Nvidia mungkin mereka panggilnya cuFFT.

Victor: Iya, iya, iya.

27:22 Stanley: Dan kalau mereka itu this whole collection of package itu namanya CUDA.

Victor: Iya.

Stanley: Kalau kita itu this whole collection of package namanya ROCm.

Victor: I see, I see. Oke.

Pakai AI buat kerja sehari-hari 27:35

Victor: Nice. So, I'll switch gear a bit, ya. Jadi kan AMD dan kerjaan Stanley ini kan bikin AI supaya lebih cepat. Nah, AI sendiri untuk pas kerja di hari-hari gimana sih kelihatannya buat, buat Stanley? Jadi kayak di kantor pakai AI apa aja sih dan di proses apa aja sih?

Stanley: So kalau saya pakainya campur-campur, ya. Gak tahu kalau yang lain bagaimana, tapi, kalau saya personal, em, dan saya lihat banyak campur. Ada pakai-

Victor: Saya juga campur juga.

Stanley: Campur kan.

Victor: Iya, iya.

Stanley: Jadi ada orang pakai Cursor, ada orang pakai, Claude Code, ada orang pakai-

Victor: Codex.

Stanley: Codex. Saya campur, saya ada I think I have three, three of them running-

Victor: Oh ya?

Stanley: ...at any given point, ya.

Victor: Kayak, kayak gimana nih misalnya saya punya satu kerjaan nih kan.

Stanley: Mhm.

Victor: Mempercepat HIP buat Fast Fourier Transform gitu kan.

Stanley: Mhm.

Victor: Nah, kasih ke lo. Lo start-nya gimana nih?

28:37 Stanley: Eh.

Victor: Kan enggak, enggak bisa langsung kasih ketiga kan, jadi kan pasti ada satu dulu kan. Gimana nih?

Stanley: Right, right, right. So I think I use it kind of like, ee, it's a mix of, you know, making sure I don't go above the token limit for each of them. Because I think each of them ada token limit, token limit sendiri kan. Em, jadi I would typically, I would typically see, seberapa susah task-nya dan kurang lebih task-nya itu kayak apa. Em, jadi berdasarkan how hard it is, kalau it's harder I'll choose the more expensive and smarter model.

Victor: Iya.

Stanley: I start working with them. Kalau lebih gampang biasa, ya, send to the cheaper model. Cursor ada what, I think it's called... I mean now maybe Grok 4.5. Dulu Composer, ya.

Victor: Iya, iya.

Stanley: Maybe now Grok 4.5, is there.

Victor: Yang murah. Iya.

Stanley: Yang murah tapi still good, still good, right? Em, so depends on the level I'll, I'll-

Victor: Oke, jadi lo pakai Cursor sebagai runner-nya, harness-nya, terus di sono lo baru pick buat pakai Claude atau pakai ChatGPT atau lo juga pakai kayak Claude Code juga?

29:46 Stanley: Gua pakai Claude Code juga. Eh-

Victor: Kok, kok bisa banyak sih, gimana sih caranya?

Stanley: For me I think it's the-

Victor: Ya, ya, for you.

Stanley: For me it's the token limits I'd say.

Victor: Oh karena token limit. Iya.

Stanley: Token limit. So you can maximize if you have Cursor, Claude, and Codex. That way you can push without... Maybe, you know, the token limit could be high enough, tapi-

Victor: Iya.

Stanley: ...eh, I just want to, you know, not waste time-

Victor: I see.

Stanley: ...hit by token. And it's also good, em, part of it is also to compare and contrast, ya.

Victor: Iya.

Stanley: How good each-

Victor: Iya.

Stanley: ...each, coding agents are.

Victor: Kalau, kalau gua sekarang tuh pakai Claude buat the main thing-

Stanley: Mhm.

Victor: ...dan Opus 5.5, ya.

Stanley: Yes.

Victor: Jadi, ya, ada tugas apa kasih Opus dulu, terus ada skill di Opus yang bakal call out to Codex buat Sol kan.

Stanley: Hmm.

Victor: Jadi suruh Opus planning, Sol review, improve, write code. Jadi nanti udah selesai suruh... Kan, Claude yang writing, nanti Codex yang review lagi.

30:54 Stanley: Hmm.

Victor: Jadi pakai dua untuk work together kayak dua orang.

Stanley: I see, I see, I see. That's more advanced than, than mine. I think I just have, three agents, depending on the machine. Karena, em, you know I-- a lot of my work itu kan perlu pakai GPU.

Victor: Iya.

Stanley: Dan obviously, you know, satu machine biasa eight GPU ya kurang lebih. Em, so if I use up the GPUs there I'll hop on to a different machine. And in that machine, depends on the work or the type of work there I will choose a different, Claude Code or Cursor or Codex.

Victor: Kalau selain programming, pakai AI untuk apa lagi sih?

Stanley: Man, it's, this is quite recent.

Victor: Iya, iya, sure.

Stanley: Tadinya I mostly use for programming.

Victor: Iya.

Stanley: But these days I've been trying to make more blogs, and more, educational material, ya. 'cause I-- for our team we were able to do a lot of different really good work.

32:01 Victor: Iya.

Stanley: So, you know, just to list some, we... Our team was able to, you know, kita ada buat program buat, em, untuk linear layer. Then this was in-- this was able to beat assembly yang ditulis pakai tangan orang.

Victor: Wow.

Stanley: So that's, that's quite achievement.

Victor: That's really good.

Stanley: Yeah, yeah. So, we have a software that automatically, does it for you. Jadi it's much easier. Em, and kita write blog for that. For the other one for example kita ada Maybe people now here heard of Kimi K3. So we have the fastest Kimi K3 that we know of ya, the our MI350 GPUs. So we wrote a blog on apa sih Kimi K3, then what makes it special, then what did we do to optimize it.

So these days I've been doing a lot more blogs for AMD. And with blogs I think it's pretty amazing. I've tried Codex, it's okay, but Opus 5.5 for-

33:12 Victor: It's so good, right?

Stanley: So good.

Victor: So good.

Stanley: It's so good. I just pointed, hey, here is my source code, here is my commit history. Opus bisa nggak tolong check how my code has evolved dan gimana, dan tell me the special points. Karena some of this project I've worked on for months. Jadi kadang-kadang bisa lupa kan. It's hard to track mana sih momen-momen penting itu. Dan Cloud it's good, it's very good at figuring that out and even helping me with the initial draft and generating plots.

It's so good. Some of the other AIs I've seen itu plotnya itu kayak AI slop. Tapi kalau Opus itu benar-benar kayak-

Victor: Looks really good.

Stanley: Looks really good. Kayak ada benar-benar designer who helped me build those graphs. Even the color, the color style, it's really good.

34:15 Victor: Ini podcast kita ini juga editingnya tuh hampir semua si Opus yang editing.

Stanley: Really?

Victor: Jadi gua nggak edit sendiri loh. Jadi podcast dari satu sampai sekarang gua bikin kayak harness sendiri. Mungkin nanti kita bisa go deeper in another podcast. Bikin harness sendiri. Ini saya recording sama Stanley. Yang mentah ya gua kasih ke harnessku. Dia yang bakal clean up everything, edit it, put up all the kayak box yang bakal keluar di sini kan. Dan bikin short semua tuh di harness, di Opus sama Codex yang jalanin.

So I think you're right that Opus 5.5 ini a very big step change gitu kan. Tiba-tiba bagus banget. Padahal Opus 5 is not good.

Stanley: Ya.

Victor: Opus 5 is not good.

Stanley: Ya, ya, ya, that's right. And I think with that I think, you know, I think and talking about harness. Jadi also recently as models get better I've also started automating a lot of my flow as well. Karena I would, you know, a lot of time kita kan dapat say sebelum kita namanya day zero release ya. Jadi day zero release itu sebelum, sebelum AI dirilis ke public, itu as as AMD itu biasa udah dapet, udah dapet ininya dulu ya, AI-nya dulu and weights-nya.

Jadi we work with the labs and itu so we can, you know, kita make sure di AMD itu bisa jalan dan jalannya efisien ya. Most comp-- most comp-- hardware companies probably do this. Tapi even for something as complex as that, I think the flow is the patternnya itu bring upnya itu kan similar ya walaupun AI-nya beda. So I've also created a harness for that. So it's like how do you build, you know, a recipe lah untuk AI-nya supaya bisa secara otomatis, otomatis bring up model ini.

36:24 Victor: Mungkin just a very quick one about harness ya. Kan mungkin banyak orang yang tahu ada model gitu kan, ada AI, mungkin ada skill. Nah sekarang ini harness gitu kan, harness ini kan something new ya, ini kayaknya baru populer tahun ini kan. Jadi mungkin gimana sih jelasin harness?

Stanley: I think harness itu kalau kita pikir AI itu kan a very generalist smartness ya. Harness itu gimana kita buat suatu environment supaya AI-nya itu bisa jadi lebih specialist dan mereka itu kita I wouldn't say confined tapi kita gimana kasih mereka sandbox lah untuk mereka main dengan tools-tools yang kita mau mereka main. If I was, if I was to put it.

Victor: Ya, ya.

Dari Jakarta kuliah ke Jepang 37:21

Victor: Oke let's, let's switch gear a bit ya kita mostly talk about the current situation. Nah ini balik lagi ya kan kita nama podcastnya podcast kita ya dari Indonesia. Jadi di Indonesia itu dari mana sih Stanley?

Stanley: Gua dari Indonesia dari Jakarta.

Victor: Jakarta. Jakarta bagian mana?

Stanley: Jakarta Utara.

Victor: Dekat PIK itu ya.

Stanley: Dekat PIK tapi contohnya PIK ya. Gua dulu memang SD, SMP, SMA di PIK tapi gua, gua di, gua orang Ancol jadi a little bit different.

Victor: Ya. Terus habis SMA kuliahnya ke mana?

Stanley: Gua kuliah di Jepang.

Victor: Asik. Bisa, bisa ngomong bahasa Jepang?

Stanley: Ya cukuplah untuk sehari-hari tapi I don't know about next level.

38:22 Victor: Kok bisa gitu pas kuliah di Jepang di kampus gurunya pakai bahasa Jepang kan?

Stanley: So depends ya. Jadi in Japan itu ada namanya programnya G30. G30 itu a lot of the top schools in Japan mereka mulai provide class Di bahasa Inggris supaya mereka bisa dapat international talents and students. Jadi gua S1 di sana four years in theory, secara teori ya itu fully in English. Tapi teori sama realita agak beda ya. So, first two years itu many professors mereka dari Eropa jadi English masih okelah.

Dan memang for core classes untuk tahun pertama kedua, profesor yang Japanese juga bisa bahasa Inggris. Tapi after that tahun ketiga tahun keempat memang maybe some of the courses kan gua dulu S1 mechanical. I know you know this.

39:30 Victor: Mechanical engineering.

Stanley: Mechanical engineering, that's right. Jadi kelasnya itu lumayan specialist sebenarnya kan. Jadi not all classes itu kita bisa dapat kelas sendiri dengan profesor yang bisa bahasa Inggris ya. Jadi many of the advanced class itu akhirnya we get professors who teach the Japanese class. Jadi kita itu they send us to the same class as the Japanese students tapi kita dapat subtitle.

Kayak nonton anime gitu ya, kayak nonton film Jepang ada subtitlenya. Jadi di kelasnya itu mereka ada slides itu bahasa Jepang, terus kita ada slides print yang pakai bahasa Inggris. Jadi I can hear, I can understand a bit tapi of course it helps that to ada subtitle Inggris.

Victor: Kayak ke restoran Jepang gitu kan, "irasshaimase," terus lu kayak order pakai bahasa Jepang.

40:33 Stanley: Itu bahasa Jepang.

Victor: Bisa gampang ya.

Stanley: Bisa, bisa.

Victor: Kalau nonton anime gitu bisa?

Stanley: Fifty-fifty. Karena you know anime itu juga bahasa Jepangnya itu-

Victor: Lebih slang ya.

Stanley: Not even slang. Jadi mereka itu ada bahasa, kalau slang kan kita ngomong, maybe slang itu ada slang sehari-hari kita gimana.

Victor: Gaul ya.

Stanley: Bahasa gaul ya. Tapi bayangin itu mereka ada bahasa gaul V2. V2-nya itu-

Victor: Beda ya ternyata.

Stanley: Beda. Sama bahasa formal sama bahasa gaul, bahasa anime itu biasa beda.

Victor: Oke, jadi kalau misalnya saya belajar Jepang dari anime doang terus kerja di Jepang itu beda bahasanya.

Stanley: Beda banget.

Victor: Wah, enggak tahu gua.

Stanley: Jadi even itu ada bahasa textbook, bahasa standar Japanese, terus ada bahasa gaul sehari-hari kalau kita sama teman ngobrolnya gimana. Terus kalau di kantor itu beda bahasanya, ada bahasa profesional juga. Maybe Indonesia mungkin ada sama ya maybe a bit. Tapi bahasa anime beda lagi.

41:41 Victor: Beda lagi. I see.

Dari Jepang ke CMU robotics 41:44

Victor: Next time we have to chat more about this Japanese experience kan pasti like gimana tinggal di Jepang. But I want to move to like dari Jepang kan kuliah terus selesai S1 kok bisa ke US?

Stanley: Ya, so saya dulu dari Jepang itu tahun terakhir itu gua itu skripsinya itu ini robotics. Kalau di Jepang itu biasa mindset-nya itu lumayan Japanese ya, jadi kita enggak itu lihat university luar. Jadi pas gua lagi skripsi dan gua lagi pikir next steps-nya itu apa, jadi gua mulai Google.

I know I like robotics, so gua mau S2 itu robotics. Jadi gua search top university robotics dan kebetulan yang keluar ya mostly US universities. But the one I saw pas dulu gua lihat, I'm not sure about now, now still pretty good, but when I first saw itu CMU. So, CMU robotics is considered one of the best in the world dulu. So, I just apply to CMU robotics.

Gua juga pas apply enggak kira-kira bisa masuk.

43:05 Victor: Lu coba apply satu atau apply kayak sepuluh?

Stanley: Sebenarnya gua apply satu.

Victor: Wah, apply satu langsung masuk.

Stanley: More or less. I won't recommend this.

Victor: Iya, I don't recommend this, really.

Stanley: You should apply to many schools ya.

Victor: Betul, betul.

Stanley: And sebenarnya gua itu pikir antara I wanna do robotics or tadinya gua mau juga ke business school. Jadi business school gua apply ke berapa. Tapi robotics gua cuma apply satu.

Victor: Malah masuk ya ke robotics.

Stanley: Malah masuk robotics juga.

Victor: Oke, oke. Jadi pindah ke CMU.

Stanley: Yes.

Victor: Oke, jadi dari Jepang langsung ke Carnegie.

Stanley: Yep, that's right. Jadi S2 di CMU robotics.

Victor: S2 di robotics. Dan bedanya mungkin ya untuk yang lu kan udah pernah di Jepang terus kan pindah ke US, gaya hidup atau gaya sekolahnya beda banget enggak atau what's the biggest shock gitu.

Stanley: I think lifestyle ya. Lifestyle I think the closest feeling to Indonesia, outside of Indonesia buat gua ya, itu di Amerik.

44:24 Victor: Oh, masa sih? Jadi Jepang malah lebih jauh daripada Indonesia.

Stanley: Lebih jauh, secara culture itu lebih jauh. Karena the US, I don't know if you feel it too, maybe Australia juga beda. I've never studied in Australia, so jadi beda culture juga. Tapi what I feel itu di Jepang itu mereka lebih secara sosial itu lebih ada standard-nya. Jadi there are certain things you can say, certain things you cannot say.

Victor: Lebih kaku ya.

Stanley: Lebih kaku. In fact, jadi Kalau lu jawab gak se, maybe more scripted juga sebenarnya. Jadi kalau lu nggak jawab secara script, orang malah shock. And Japan is a very systematic country ya, jadi everything ada sistem. And you will see, kalau you will be surprised how many things itu mereka ada, mereka ada they've already thought of it. Like, oh you want this, this, this, mereka ada sistemnya. Contohnya di bank itu sistem full.

Even in my school secara administration, they've already counted for every single possible case yang bisa terjadi, mereka ada, ada SOP-nya lah kita ngomong. Tapi kalau sekali di luar SOP, then that efficiency, the Japanese efficiency start to become maybe slower than Indo.

45:41 Victor: Tapi di Amerika malah lebih kayak di Indo.

Stanley: Yes, karena orang lebih santai, fleksibel, it's more free ya saya feel.

Victor: Kalau soal sekolahnya gimana, lebih, lebih merasa lebih susah, lebih tertantang pas di Amerika atau di Jepang?

Stanley: Gua rasa beda ya. Gua rasa di Jepang mungkin secara, secara tantangan maybe higher karena maybe the coursework mirip-mirip, tapi di Jepang itu mereka lebih banyak fokus Asian style jadi itu very exam oriented dan mereka itu bikin exam susah-susah kan. For I think no good reason karena sekali udah selesai exam, most students you forget what-

Victor: Ya ga pernah kepake ya kan.

Stanley: Ga kepake ya.

Victor: Gua sekolah ga pernah kepake.

Stanley: And I think for US bedanya, I don't know if US in general or CMU ya, tapi kalau di CMU many classes itu fokusnya itu akhirnya projects. So we take classes and kita sebenarnya udah tahu midterm dan final itu kita mau buat project dan biasa projectnya itu kita try to do something novel, something new yang orang belum pernah lakukan.

47:06 Victor: Berarti kayak lu projectnya bikin robot dong?

Stanley: Something like that, yes.

Victor: Robot, robot apa yang lu bikin?

Stanley: So... Ada beberapa course ya. Jadi I've built a few robots. Jadi one of the course called robot autonomy.

Victor: Robot autonomy.

Stanley: Robot autonomy.

Victor: Robot autonomy, oke.

Stanley: That's right. Robot autonomy. Jadi they give us a robot, but we can build anything we want with it and kita akhirnya yang gua bikin itu jadi kita buat secara autonomy gimana kita bisa kasih lihat foto of blocks kayak Lego ya, kita ngomong Lego in certain konfigurasi terus kita aduk lagi Legonya terus robotnya gimana bisa balikin.

Victor: Itu kayak autonomy otomatis untuk itu bukan diprogramming gitu.

48:06 Stanley: Bukan programming, secara autonomous. Of course kita program computer vision dan gimana detect posisi baloknya dan warna baloknya.

Victor: Tapi itu kan ability-nya doang kan, bukan cara kerjanya.

Stanley: Yes, yes, yes. Jadi secara gimana mereka bisa secara autonomy grab the block in any con-- you know kita kan aduk-aduk kan bukan kita hard code ya. Itu secara aduk-aduk jadi itu random, itu mereka perlu pikir dan plan. Oke, pertama gua perlu balok A. Kalau gua perlu balok A mungkin gua perlu singkir-singkirin atau bersihin mejanya dulu.

Victor: Ini kayak chain of thought sekarang ya.

Stanley: Yes, that's exactly right. Ya kayak chain of thought sekarang. Tapi dulu lebih...

Victor: Lebih manual, simbolik.

Stanley: Lebih manual. Sekarang AI can do chain of thoughts for you. Jadi always up an abstraction.

Victor: Apalagi selain itu?

Stanley: We've also built a... Mungkin sekarang less popular tapi kita dulu calibration itu a big thing. Calibration itu gimana kita bisa ekstrinsik calibration ya. Ada namanya intrinsik, ekstrinsik calibration. Kalau intrinsik itu gimana contohnya kamera ada feature dalamnya itu apa sih contohnya gimana dari dunia kita yang 3D itu jadi foto 2D itu ada parameternya kan, itu intrinsik. Kalau ekstrinsik itu kita ada beberapa kamera and contohnya kita ada kamera A, kamera B, dan dua hal ini kan lihat can see the same thing contohnya, tapi gimana tahu posisi kamera A dan kamera B secara relatif gimana, itu ekstrinsik calibration.

So we've built tools for ekstrinsik calibration juga dan I think untuk skripsi kita buat autonomous system pakai drone and a wheel robot yang ada tangannya itu gimana kita mirip yang kayak gua bilang dengan Lego kita aduk-aduk jadi ada tangan bisa gini. Tapi ini bigger scale jadi kita gimana buat sistem autonomous pick and place jadi drone can go to a pick up spot, ambil balok, ada magnetnya di tengah jadi bisa pick up, terus drop off ke...

It's a fake building kind of thing jadi kesannya itu kayak bangun-bangunan pakai drone.

Nod.ai: dari cincin sampai AMD 50:43

Victor: Ini kayaknya kan lu memang suka banget sama robotics, tapi kok sekarang kerjanya malah di AI inference sih.

Stanley: I see. I think that's the world of Silicon Valley ya. Gak ada yang tahu lu mulai di mana akhirnya di mana ya. Except Ya, especially startups. Jadi pas gua pertama di sekolah gua apply ke the startup, em, called Node AI. And dulunya itu even they have been pivoting a lot, tapi pas gua join itu mereka lagi bikin robotic system, SLAM system which is a-

Victor: Node AI, N-O-D-E kan?

Stanley: N-O-D.

Victor: N-O-D AI.

Stanley: N-O-D AI.

Victor: Oke, oke.

Stanley: That's right.

Victor: Jadi SLAM system kayaknya lu mesti jelasin ya apa itu SLAM system.

Stanley: SLAM itu Simultaneous Localization And Mapping. Jadi kalau orang SLAM suka bilang, "Oh, um, if you have a very good map," kalau ada peta yang sangat bagus-

51:51 Victor: Ya.

Stanley: "Figuring out where you are is very easy."

Victor: Ya.

Stanley: Right? If you have a very good locali-- itu kan, localization ya figuring out where you are.

Victor: Ya.

Stanley: If you have a very good localization, lu buat map-nya itu gampang.

Victor: Iya.

Stanley: Tapi lu kalau enggak ada map, enggak ada localization, dan gimana lu bisa-

Victor: Ya.

Stanley: -build that together, itu namanya SLAM. So that is SLAM system.

Victor: Coba mungkin kita lebih ke itu ya aplikasinya. Jadi kan, lu ada robot misalnya kan, robot lu taruh di ruangan ini, ruangan mungkin di rumah kan. Dia kan enggak tahu rumahnya seperti apa, dia enggak tahu dari sini dari ruang tamu mau ke, ke WC lewat mana. Nah, ini SLAM system yang buat dia bisa kayak gitu. Jadi mungkin lu bisa jelasin lebih dikit untuk gimana sih aplikasi dari, dari robot ini misalnya.

Stanley: Ya, so kalau tim, back di Node AI dulu itu kita... Jadi for a bit of history, Node AI itu we start dari making rings.

52:57 Victor: Rings?

Stanley: Yes, ring kayak Oura Ring.

Victor: Ya, ya Oura Ring.

Stanley: But the difference is the ring dulu kita pakai buat control your house. Jadi itu ada rings with motion, with, motion detector lah.

Victor: Jadi, jadi kayak konduktor gitu ya.

Stanley: Yes. Ya, ya, exactly. Can detect your motion, jadi kayak oh lu gini-gini dia bisa up the volume.

Victor: Iya, iya.

Stanley: Atau lu gini dia bisa detect, "Oh, this is the pattern-

Victor: Crazy.

Stanley: -of motion, can turn off the lights."

Victor: Ya, ya.

Stanley: Em, dari situ market-nya mungkin enggak gede ya.

Victor: Ya, and who will buy that.

Stanley: Em, so not-- so I think kita ketemu opportunity lebih bagus itu at that time, Oculus ya, Meta-

Victor: Ya, ya Oculus.

Stanley: What is it now called? Meta...

Victor: Meta, Meta Glasses I think.

Stanley: Meta Quest.

Victor: Meta Quest.

Stanley: Yes, Meta Quest.

Victor: The VR ya.

Stanley: The VR. Terus dulu enggak ada controller.

Victor: Ya, ya betul.

Stanley: What if we go into-- kan kita lumayan jago ini-

Victor: Ya.

53:57 Stanley: -motion detection. Kita gimana bikin controller.

Victor: Ya.

Stanley: And we tried building controller for the world of VR, tapi the world of VR I don't think ever picked up.

Victor: No, never picked up.

Stanley: It never picked up, not really. So from that kita realize, wait, if, eh-- and I think at that point kita dulu itu, mostly pakai IMU, dependent on IMU. Jadi, it's good for rotational tapi enggak good for translational motion.

Victor: Lu, lu mesti jelasin juga nih IMU itu apa nih.

Stanley: IMU itu Inertial, Inertial Measurement Unit.

Victor: Inertial Motion Unit.

Stanley: Yes, so it's this like magnetic sensor yang pakai the inertia and like the magnet pole of the world itu untuk detect your motion.

Victor: Jadi kayak ring ini ada IMU juga, jadi begitu gua kayak bikin tanganku kayak gini, dia bisa tahu karena dia bisa deteksi, magnetnya dunia dibandingin sama magnetnya di sini, gitu kan?

55:01 Stanley: That's right, that's right. From there, translation kan kita mulai pakai-- then we start trying to use more cameras.

Victor: Ya.

Stanley: Jadi we start build-building more cameras untuk better translational. Em, tapi again, at that point, the VR never picked up.

Victor: Ya.

Stanley: Jadi akhirnya, "Oke, what can we do now?" So at that point, robotics, you know, more and more perusahaan even big companies they start making their own robots.

Victor: Ya.

Stanley: So we tried building out robotic system yang kita bisa pakai untuk compete against, other companies. Jadi-

Victor: Ya.

Stanley: -ideally kita bisa jual ke big companies, right-

Victor: Ya, betul.

Stanley: -for the system. But also the problem with robotics kalau dulu itu everything is so hypertuned parameter, your sensors, your IMU, everything, even the position of your camera, itu semua itu kalau lu pindahin kamera lu itu lima cm-

Victor: Kacau.

Stanley: We need-- kacau. We need to redo the whole thing.

56:02 Victor: Ya.

Stanley: Jadi that's what made it so hard, right? Tapi at that point kita juga realize we're quite good at doing inference or AI on the edge, kan.

So-

Victor: Nyambung nih.

Stanley: Nyambung, nyambung. Ya pelan-pelan, pelan-pelan nyambung kan it's like, "Oke, AI on the edge." Jadi kita mulai optimize AI, kan.

Victor: Ya.

Stanley: Sekarang now it looks more, more like it.

Victor: Yes, yes, yes.

Stanley: Jadi kita mulai optimize AI gimana run fast-

Victor: Ya.

Stanley: -on the edge devices, ya.

Victor: Ya.

Stanley: And maybe even on device training.

Victor: Ya.

Stanley: But then kita lihat-lihat sebenarnya market besar itu bukan di on the edge.

Victor: It's on the server.

Stanley: The big market is server.

Victor: Yes.

Stanley: Data centers.

Victor: The only one who run on the edge itu Apple dong.

Stanley: There you go. Jadi we start doing, you know, if we're good at optimizing on the edge-

Victor: Ya.

Stanley: -kenapa enggak optimize-

Victor: On the server.

Stanley: -on the server where it's more profitable ya kita maunya ya.

57:03 Victor: Betul.

Stanley: And there kita mulai optimize AI for server and makin lama server makin gede, makin gede dan I think we caught the attention of AMD. At that point, kita-- we were still a startup, granted they mereka belum optimize too much, tapi at the end kita bisa lari dulu stable diffusion. It's quite popular, we're able to hit stable diffusion I think few X faster than the default, the default yang ship dengan sistem.

So, from there I think AMD saw the promise.

Victor: I see, I see. Terus di-acquire sama AMD.

Stanley: Yes.

Victor: Itu tahun berapa itu?

Stanley: 2023.

Victor: 2023. Jadi lo kerja di Nod.ai udah berapa lama sebelum di-acquire?

Stanley: Gua kerja dari 2020.

Victor: Oke, udah tiga tahun ya. Itu udah tiga tahun terus di Nod.ai di startup, pivot-pivot terus habis itu di-acquire sama AMD, sampai sekarang di AMD.

58:07 Stanley: Yes, that's right.

Victor: Jadi lo udah kerjain kayak AI inference ini udah, udah lumayan lama nih sebenarnya.

Stanley: Ya, ya, ya. Not bad, six years.

Victor: Iya, iya.

Kenapa robot sekarang bisa? 58:18

Victor: Nah ini pertanyaannya lebih spekulatif ya. Jadi kan tiga tahun lalu robotics is not like what we are today. Tahun ini, wah banyak sekali kan perusahaan-perusahaan robotik di mana-mana. Dari yang robotik yang di SF kan ada yang buat bersihin rumah kan, terus ada juga yang dia buat benerin hatchback gitu kan, terus sampai yang-- there's so many thing kayak pick up the things for your kids and everything, right?

So, where do you see the big bottleneck and the big breakthrough of robotic ya. Jadi kan kenapa dua, tiga tahun lalu masih banyak yang belum bisa jalan tapi kok tahun 2026 banyak yang udah kayak go to market gitu.

Stanley: I think the big breakthrough is couple things ya. I think pertama itu sebelum-- I really think again this all speculative and opini personal ya. Itu dari ChatGPT. Because before ChatGPT orang itu nggak percaya ada we can build an AI system that is general, right. Before that mungkin sebelum ChatGPT kita ada I think, I think Bert ya. Bert is a general, itu model yang general. Secara teknis we pre-train as general as we can.

Terus kita itu perlu fine tune the encoding, right. I think you're quite-

1:00:00 Victor: Yeah, I've heard of Bert before.

Stanley: You know, getting a pre-train encoder and fine tuning it for downstream task.

Victor: Tapi ChatGPT doesn't need to fine tune, I think that's a big breakthrough.

Stanley: That's right. So, that's one of the biggest breakthrough I think. That's what sebelumnya you know it's very hard to percaya, it's very hard to believe ada suatu AI yang bisa, oke we don't need to teach everything to itself or even fine tune like can do everything with, was it zero shock learning is what they call it, right?

Victor: Wait, I don't understand here. Jadi lo bilang the big change, a big breakthrough itu public perception?

Stanley: So, a bit of public perception, but it's also I think speculative ya. Public perception, tapi public perception itu under the hood itu pasti ada you know real science ya. And the real science-nya itu oke kita bisa train suatu model dengan objektif yang general and we can build a system yang bisa handle, that can generalize tanpa fine tuning. Dan itu I believe itu mereka-- then they start you know, then the roboticist can start thinking, oke kalau it works and I think that's a big part because I have-- most of my friends still work in robotics.

So, when I was telling them pas ChatGPT baru keluar itu baru mulai-mulai, oh wait.

1:01:30 Victor: Kita bisa ya gitu.

Stanley: Ya, ya, ya. Karena before that you know robotics itu one of the-- itu quite far from AI because a lot of things-

Victor: It's slow space.

Stanley: Yes, and they're very classical oriented, very everything needs to be proven mathematically and geometrically. Kalau sekarang kayak physical intelligence dan lain-lain, oke we'll just send it and we'll get it to work, itu unheard of. Bahkan you know kalau lu ada robot, ada berapa sensor, itu kita secara-- that's what I did, right. Kita secara classical gimana teach the robot, hey kamera A, kamera B, this is the post difference.

Tapi sekarang if you see Gemini robotics or physical intelligence, the robot generalize, you don't need to, you don't need-- nggak usah diajarin itu. Hey kamera ini, ini, ini, sensornya di sini, sini. Itu langsung generalize dan langsung ngerti. And I think the future mereka malah bilang oke even across robot yang kita belum pernah lihat sebelumnya, kalau kalian bisa kasih description, it can generalize even to that.

1:02:40 Victor: Jadi bentar lagi gua bisa punya robot di rumah untuk cuci piring deh.

Stanley: We'll see, we'll see. Cuci piring is quite hard actually.

Victor: Susah ya.

Stanley: Because of the feel of the-- I think the hardest thing itu yang paling susah itu feel. Karena contohnya kalau kita pikir, kalau contohnya kita pegang sendok ya, orang Indonesia makan sendok garpu kan. Kita pas scoop nasi ke sendok Itu kita pas anget itu bisa rasa, berat atau-

Victor: Berat dikit ya

Stanley: ...berat dikitnya. That is very hard to learn I think or we need more sensors than what we have today. And even kalau contohnya kita pakai sendok, kita mau potong tapu atau potong stik, kita kan rasain tek tek rasa beda kan. That itu kita juga itu-

Victor: Ini saya lihat banyak demo yang robot-robot yang sekarang kita bisa beli, itu tuh bisa misalnya folding clothes ya, lipat baju. Tapi mereka tuh lambat sekali kan, jadi kayak gini, kayak gini, gitu kan. Jadi kok bisa lambat sekali, gimana bisa bikin cepat?

1:04:01 Stanley: Ya I think that's part of technology. Most technology itu pas kita mulai dan kita see the trend even before AI, before-

Victor: It always start slow

Stanley: ...it always start slow. It always start slow and expensive tapi lebih convenient.

Victor: I see. Jadi you think this is just progression ya?

Stanley: Yes.

Victor: It's not a hard block, it's just like it will get faster in time.

Stanley: Yes, yes, yes.

Victor: I see. Jadi mungkin beberapa tahun lagi dia bisa lipat baju lebih cepat dari kita.

Stanley: Ya, that's right, that's right, that's right, that's right. Ya kayak dulu komputer mungkin zaman 80s-

Victor: Iya, gede banget

Stanley: ...gue lahir ya. It's massive. Dan mungkin orang zaman dulu pikir, "Oh this computer is quite slow." And kalau gua tulis manual mungkin lebih cepat. Atau, "Oh I wanna write doc, maybe it's faster." Tapi as time goes by, dia makin kecil, makin kecil, makin murah, makin murah ya.

Victor: Iya, iya, iya.

Stanley: Dulu itu orang, nobody bisa beli komputer kan and eventually everyone wants their own computer. Kalau mungkin komputer kita sekarang or even HP kita sekarang mungkin if we bring it to back there it's considered mungkin supercomputer ya.

1:05:09 Victor: Of course, of course. Kayak handphone kita sekarang itu jauh lebih canggih daripada roket yang bawa manusia ke bulan gitu kan.

Stanley: Yes.

Victor: It's like a very different world.

Stanley: Yes, yes, yes. So same with, you know, I think a lot of these models and kita bisa lihat juga, di open source model ya. Itu kita bisa lihat weights model itu makin lama itu even the small weight model-

Victor: It's better

Stanley: ...itu better than say model from last year, right? Yang scale-nya itu mungkin bisa sepuluh kali lipat.

Victor: Betul, betul.

Stanley: So same thing with robots. I think lama-lama itu model makin cepat, makin cepat, makin bagus dan lama-lama bisa success.

Victor: Iya betul. Sekarang kayak Qwen itu udah lebih bagus daripada GPT-3 kemarin, padahal kan jauh lebih small.

Stanley: Yes, yes, yes.

Victor: Oke, oke.

Nasihat terbaik: 10% lebih baik 1:06:03

Victor: I think we've been talking for a while. I think my last question here is just maybe what's the, what's the best advice that, that you have received, Stanley? That you feel like, you know, such a good advice that changed me gitu.

Stanley: Oke, the best advice yang gua pernah receive itu maybe from my mom.

Victor: Nice. Tante.

Stanley: Karena dulu pas gua SD, SMP itu my marks itu pas-pasan. Kalau lulus itu dapat PlayStation. Tapi, jadi, you know, pas gua balik SMP, sekolah SMP, SMA gua itu people hard to believe I can actually study in Japan and I can actually study in CMU.

You know, I, my, my IT professor itu pas IT professor gua di SMA gua, itu dia-- gua bawa tunangan gua ke sekolah, ditanya, "Eh, kamu sekolah di mana?" Dia bilang, "Oh gua, saya sekolah di CMU kan, Carnegie Mellon." Dia itu terkagum. Itu kalau computer science itu terkagum itu CMU. Ya kan. Terus dia tanya, "Tapi lu ketemu Stanley di mana?" Teman gua bilang, "Oh ketemunya di CMU." Kan jelas kan CMU.

1:07:38 Victor: Gak percaya.

Stanley: Masih ketemunya di CMU kan. Jadi dia tanya, dia masih gak percaya, jadi dia tanya lagi, "Lah berarti Stanley sekolahnya di mana?"

Victor: Mungkin berkunjung doang ke CMU.

Stanley: Iya mungkin kan. Jadi dia bilang, "Oh, dia sekolahnya juga di CMU." Itu dia bahkan tanya dua kali, dia bilang, "Loh Stanley ke CMU, Stanley yang ini ke CMU."

Victor: Jadi advice-nya apa?

Stanley: Right, right, right. So the advice itu I think, the advice my mom gave to me itu I guess my dad as well, itu no matter where you are, just do your best and you don't have to aim so high, right. Itu lu gak perlu mimpi tinggi-tinggi, but from where you are today, kalau sekarang lu contohnya lu nilai pas-pasan lima puluh, you cannot, lu gak bakal bisa, "Oh next day I'm gonna be a hundred percent student." Aim a bit higher like, oh six-- what if we just be ten percent better every day, right?

And that's what, that is what we should aim for.

1:08:49 Victor: Ya, oke. So we should, we should always aim to be better. It's kaizen ya.

Stanley: Ya, kaizen, kaizen. And for my mom, dia bakal bilang, "You know, Stanley, nilainya itu doesn't matter the result. As long as you do your best, then that's what matter. Then you can be proud of yourself for what you did."

Victor: I like it.

Stanley: And that totally changed my view. Because tadinya gua stres pikir, "Oh how do I, how do I be an A student," but listening to my parents mereka bilang, "Oke just be a bit better, just do your best, it's okay kita fail tapi yang penting kita do our best, the rest maybe God do the rest."

Victor: Iya, iya, iya. So ini kayak flip the script dari result oriented to effort oriented ya. Jadi ini juga gua how I teach my kids is the same. Jadi like, I don't care if you are able to do this certain thing as long as you try your best, gitu kan. Jadi sekarang kayak gua reward them itu based on effort gitu. I think, I think that's a very good way to think about it.

1:09:52 Stanley: Ya, ya, ya.

Victor: Oke cool. Thank you so much, Stanley. This has been a pretty long discussion and I think we have a lot more to discuss. Maybe next time.

Stanley: Ya, sounds good, sounds good.

Victor: Thank you. See you all. Bye.

Episode lain

Mau dikabarin pas episode baru tayang?

Tinggalin email kamu. Kita cuma kirim kabar episode baru, nggak spam.