[비즈한국] “Jika model bahasa hanya dianggap sebagai konsep yang diwujudkan melalui teks, maka pada tahap di mana multimodal disempurnakan, sistem tidak hanya dapat menciptakan teks, tetapi juga menghasilkan gambar baru atau menciptakan suara yang alami seperti manusia, sehingga mampu menghasilkan keluaran dalam berbagai bentuk.”
Roh Byeong-seok, pemimpin Unified Foundation Model Studio di Kakao035720, yang menjadi pembicara tamu di ‘KAIST AI Technology Briefing 2026’ yang diadakan di COEX, Seoul pada tanggal 7, mengatakan hal tersebut saat memperkenalkan tren pengembangan AI multimodal terbaru Kakao. Di tengah persaingan AI generatif yang kini melampaui tahap berbasis teks menuju era multimodal di mana sistem dapat memahami dan merespons visual serta audio secara bersamaan, Kakao pun terlihat mempercepat pengembangan model AI terintegrasi miliknya sendiri.
Kombinasi ‘V’ dan ‘A’… Mewujudkan AI Multimodal Real-time
‘Kanana-o’ yang sedang dikembangkan oleh Kakao adalah model bahasa multimodal terintegrasi yang mampu memahami dan merespons teks, suara, dan gambar secara bersamaan. Model ini merupakan penggabungan dari model khusus pemrosesan gambar ‘Kanana-v’ dan model pemahaman/generasi audio ‘Kanana-a’ menjadi satu kesatuan.
Pemimpin Roh menjelaskan, “Kami sebelumnya telah mengembangkan model visi yang memahami teks dan gambar serta model yang memahami dan menghasilkan audio secara terpisah. Karena kedua model tersebut menggunakan struktur berbasis LLM yang sama, kami dapat mengintegrasikannya secara efisien melalui penggabungan model (merging).”
Kakao telah meningkatkan kematangan teknologinya melalui pengujian beta tertutup (CBT) API Kanana-o selama tiga bulan mulai 27 Februari lalu. Secara khusus, mereka fokus pada pengurangan waktu tunggu yang dirasakan pengguna dalam proses respons suara. Pemimpin Roh mengatakan, “Metode konvensional mengharuskan pengguna menunggu hingga seluruh jawaban selesai dibuat sebelum dapat didengar, namun dengan mengubahnya ke metode streaming, kami berhasil memangkas waktu tunggu untuk mendengar suara pertama dari 1,5 detik menjadi 0,5 detik, tiga kali lebih cepat.”
Teknologi mandiri untuk meningkatkan efisiensi generasi suara juga diperkenalkan. Kakao mengembangkan dan menerapkan teknologi tokenizer mandiri bernama ‘LMSPT’ yang mengompresi dan mengubah suara menjadi unit yang mudah diproses oleh AI. Penjelasan menyebutkan bahwa teknologi ini mampu meningkatkan kecepatan generasi suara hingga sekitar 6 kali lipat dibandingkan sebelumnya.
Dalam ceramah tersebut, metode pemrosesan gambar dari model multimodal juga diperkenalkan. Umumnya, model AI mengecilkan atau memotong gambar menjadi beberapa bagian saat memproses gambar beresolusi tinggi, yang dalam prosesnya dapat menyebabkan hilangnya detail informasi. Oleh karena itu, Kakao mengungkapkan bahwa mereka sedang mengembangkan metode ‘native resolution’ yang memproses gambar dengan tetap mempertahankan resolusi asli untuk meningkatkan performa pemahaman gambar yang detail seperti dokumen atau diagram.
Briefing teknologi ini, yang diselenggarakan bersama oleh KAIST Graduate School of AI, Seongnam Industry Promotion Agency, dan Pemerintah Kota Seoul, diadakan pada hari kedua ‘AI Expo Korea’ yang berlangsung selama tiga hari mulai tanggal 6. Di tempat acara, hasil penelitian AI utama dan teknologi kecerdasan buatan terbaru yang menyebar ke industri diperkenalkan kepada kalangan industri dan masyarakat umum.
Menjadi Organ Sensorik ‘Agentic AI’
Teknologi multimodal Kakao diperkirakan akan menjadi salah satu fondasi inti dari strategi AI Kakao di masa depan. Berbasis model AI sendiri yaitu ‘Kanana’, Kakao tidak hanya memperluas berbagai fungsi AI di dalam KakaoTalk, tetapi juga berupaya berevolusi menjadi ‘Platform Agentic AI’ di luar sekadar aplikasi pesan. Sebelumnya, pada konferensi panggilan kinerja kuartal pertama Kakao yang diadakan pada pagi hari yang sama, CEO Kakao, Chung Shin-a, menyatakan, “Kami akan meluncurkan ‘Kanana 2.5’, model yang dioptimalkan untuk Agentic AI.”
Agentic AI merujuk pada bentuk AI yang melampaui tingkat tanya jawab sederhana, yakni mampu memahami maksud pengguna dan melakukan berbagai tugas secara mandiri. Analisis menunjukkan bahwa Kanana-o pada dasarnya akan berperan sebagai ‘organ sensorik’ dalam strategi ini.
Hal ini karena kemampuannya dalam mengenali teks, suara, dan gambar secara bersamaan membuatnya memiliki potensi besar untuk berkembang menjadi pendamping AI (AI mate), pencarian percakapan, rekomendasi konten, serta ringkasan dan penerjemahan real-time. Jika informasi visual dan pendengaran dapat diproses secara real-time, sistem dapat memahami dan merespons lingkungan pengguna dengan lebih tiga dimensi. Secara khusus, kemampuan multimodal menjadi penting mengingat besarnya porsi interaksi berbasis suara dan gambar di lingkungan aplikasi pesan seluler.
Pemimpin Roh menyebutkan, “Kami sedang melakukan pelatihan agar sistem dapat memanfaatkan data terintegrasi termasuk gambar atau audio, sehingga mampu memproses dan merespons secara komprehensif melintasi berbagai informasi sensorik yang berbeda.”
“AI pun Memahami Hodori” Menekankan Spesialisasi Budaya dan Sentimen Korea
Kakao juga menekankan pemahaman terhadap budaya dan sentimen Korea sebagai elemen pembeda dari model global. Baru-baru ini, perusahaan AI global mulai berkembang ke arah penyediaan informasi yang disesuaikan dengan konteks masing-masing wilayah tanpa menghindari topik yang sensitif secara nasional maupun budaya.
Di lokasi acara, contoh pembuatan skenario podcast bertema Dokdo juga diperagakan. Kanana-o menyusun percakapan dalam format podcast dengan merefleksikan makna sejarah/budaya Dokdo dalam masyarakat Korea serta simbolisme kedaulatan wilayahnya.
Pemimpin Roh memberikan contoh, “Dulu, model visi (kecerdasan visual) hanya berada di tingkat mengenali gambar Hodori sebagai ‘harimau’, namun dengan mempelajari konten khas Korea tambahan, kini model tersebut dapat memahami nama ‘Hodori’ hingga konteks budayanya.” Ia melanjutkan, “Kami berencana untuk terus mengembangkannya menjadi AI multimodal terintegrasi yang sesungguhnya, yang dapat memahami dan mengekspresikan berbagai bentuk data yang ada di dunia dengan bebas.”
Pada sesi ceramah tamu di pagi hari tersebut, Profesor Shin Jin-woo dan Profesor Madya Oh Sung-joon dari KAIST Graduate School of AI masing-masing memberikan presentasi mengenai model fondasi robot dan AI yang dipersonalisasi. Dekan KAIST Graduate School of AI, Jung Song, menyatakan, “Di tengah situasi persaingan teknologi AI yang semakin memanas di seluruh dunia, kami mengadakan acara ini setiap tahun agar industri dalam negeri dan lembaga penelitian dapat berbagi tren teknologi serta mencari peluang kolaborasi,” seraya menambahkan, “Kami akan berkontribusi pada pengembangan ekosistem AI domestik.”