Transcript
00:00:00Beberapa jam yang lalu ada sebuah pengumuman yang cukup besar. Atau kehebohan yang cukup besar. Kita
00:00:06belum tahu pasti dan saya jelas tidak akan mengabaikan bagian kehebohan itu. Bagian kehebohan yang tidak ada poinnya. Tapi jika
00:00:13ini benar, ini memang pengumuman besar. Karena Alexander Wedin, yang tidak saya kenal dan Anda mungkin
00:00:20juga tidak kenal, mengumumkan sub-q, singkatan dari sub-kuadratik, sebuah terobosan besar dalam kecerdasan
00:00:28LLM. Dan apa yang dia umumkan di sini adalah jenis model bahasa besar baru yang sangat unggul dalam
00:00:36tugas-tugas konteks panjang tanpa kehilangan — setidaknya itulah yang dia klaim — tanpa kehilangan "kecerdasan"
00:00:45— dalam tanda kutip, model-model ini menghasilkan token tetapi itu memberi mereka kecerdasan pada akhirnya — jadi
00:00:52tanpa kehilangan kecerdasan yang biasa Anda dapatkan dari model frontier saat ini seperti Opus 4.7,
00:00:59GPT 5.5, dan seterusnya. Nah, apa yang dia sebutkan dalam postingan pengumuman di X — dan kemudian
00:01:04juga ada postingan blog pengumuman dengan detail teknis lebih lanjut yang akan kita lihat nanti
00:01:08karena kita akan membahasnya secara mendalam di episode dan video kali ini — apa yang dia umumkan di sini adalah model yang
00:01:16jauh lebih cepat saat melakukan inferensi pada tugas konteks satu juta token dan biayanya jauh lebih murah. Lima persen
00:01:26dari biaya Opus. Dia juga menjanjikan bahwa model awal mereka akan memiliki jendela konteks
00:01:3512 juta token yang, untuk memberikan perspektif pada angka tersebut, berarti Anda dapat memasukkan seluruh basis kode,
00:01:42basis kode yang sangat besar ke dalam jendela konteks tersebut. Anda dapat memasukkan beberapa dokumen hukum besar di dalamnya dan
00:01:49itulah mengapa model seperti ini, jika memang ada dan berfungsi, bisa sangat berguna dan benar-benar
00:01:57mengubah permainan. Tidak ada cara lain untuk mengatakannya. Jika ini berfungsi — kita belum memiliki banyak detail,
00:02:02saya akan kembali ke pembahasan itu — tetapi jika ini berfungsi, itu tentu saja berarti semua solusi sementara yang
00:02:08kita gunakan saat ini, seperti sub-agen, RAG, dan sebagainya, yang semuanya merupakan solusi sementara untuk masalah di mana
00:02:15model hanya melihat sebagian kecil dari hal yang seharusnya dilihat. Jadi jika Anda sedang mengerjakan basis kode,
00:02:22model frontier yang ada, tergantung pada ukuran basis kode Anda, tidak dapat melihat seluruh basis kode.
00:02:28Mereka tidak dapat memuat seluruh basis kode. Jadi jika Anda memintanya untuk mengubah sesuatu, Anda harus berharap
00:02:33bahwa model tersebut menemukan bagian yang tepat dalam basis kode Anda untuk melakukan perubahan yang Anda minta.
00:02:40Dan hal itu tentu saja menjadi masalah yang semakin besar seiring bertambahnya ukuran basis kode atau bertambahnya
00:02:45jumlah dokumen yang Anda inginkan untuk dikerjakan oleh model tersebut. Jadi jika Anda memiliki model yang dapat diandalkan
00:02:52menggunakan jendela konteks 12 juta token dengan kualitas yang baik, itu tentu saja akan mengubah permainan.
00:02:59Berbicara tentang mengubah permainan, kita akan membahasnya secara mendalam di video ini dan saya akan membahasnya secara mendalam di semua kursus saya. Jadi
00:03:06jika Anda tertarik untuk mempelajari cara praktis menggunakan alat seperti Claude Code, Codex, tugas AI lainnya,
00:03:13atau coding, atau kombinasi dari semua itu, maka kursus-kursus saya mungkin layak untuk dilirik. Kursus-kursus tersebut praktis,
00:03:19langsung praktik, mendalam, dan Anda bisa mengambil kursus individu atau keanggotaan,
00:03:24yang memberi Anda akses ke semua kursus dengan satu harga bulanan atau tahunan. Tautan di bawah.
00:03:31Jadi mari kita bahas sedikit lebih mendalam sekarang. Dan seperti yang disebutkan, ada postingan blog pengumuman dengan
00:03:36beberapa detail teknis, tetapi tidak banyak agar sangat jelas di sini. Ada banyak informasi yang hilang,
00:03:43dan kita juga tidak memiliki banyak benchmark. Khususnya, mereka hanya merilis tiga
00:03:49benchmark. Benchmark Ruler yang menguji perilaku pengambilan dan penalaran di luar pencarian jarum sederhana,
00:03:56termasuk pengambilan multi-hop, agregasi, pelacakan variabel, dan penyaringan
00:04:01selektif. Jadi itu adalah benchmark, yang pada akhirnya adalah tentang model yang menemukan beberapa bagian
00:04:06informasi relevan dari jendela konteks yang relatif besar. 128.000 token. Jadi tidak terlalu besar
00:04:15untuk ukuran jendela konteks, bahkan tidak mendekati 12 juta yang mereka janjikan, tetapi juga tidak hanya 5K atau lebih.
00:04:22Jadi ini adalah benchmark yang menguji seberapa baik model dapat menemukan dan menyatukan berbagai bagian dari
00:04:28jendela konteks atau basis dokumen yang kurang lebih besar. Dan di sini model mereka berada di tingkat yang sama dengan
00:04:36OPUS 4.6. Dalam postingan itu, mereka juga menyebutkan benchmark lain, benchmark MRCRv2, yang juga tentang tugas
00:04:45pengambilan konteks panjang di mana model mereka berada dalam kisaran, seperti yang mereka nyatakan, OPUS 4.6. Meskipun,
00:04:53ya, itu berada dalam kisaran jika Anda melihat semua hasil lainnya di sini, tetapi itu jelas lebih buruk.
00:05:00Yang tentu saja menarik karena seluruh fokus mereka adalah pengambilan konteks panjang di sini. Tetapi
00:05:07sekali lagi, tentu saja, Anda juga bisa berargumen bahwa untuk kasus penggunaan jendela konteks super panjang, model
00:05:15lainnya tidak dapat digunakan sama sekali, sementara model mereka mungkin masih memberi Anda hasil yang sangat baik, yang mungkin
00:05:22lebih baik daripada tidak sama sekali. Dan tentu saja, model mereka juga pasti bisa meningkat seiring waktu. Jadi saya tidak akan
00:05:29menganggap ini sebagai pertanda yang sangat buruk untuk model awal. Ini hanya sesuatu yang patut dicatat. Dan
00:05:35tentu saja, patut dicatat juga bahwa ini jauh lebih baik daripada Gemini 3.1 Pro, misalnya, atau OPUS 4.7 di
00:05:43tabel tersebut. Dan mereka juga merilis satu benchmark, yang menurut saya menarik, yaitu tentang tugas-tugas
00:05:49terkait coding. Sekarang, saya akan katakan bahwa semua benchmark ini, saya bukan penggemar beratnya. Kita semua tahu
00:05:56bahwa hal itu bisa dimanipulasi, setidaknya banyak dari mereka, model dapat secara sengaja atau tidak sengaja
00:06:05disesuaikan secara halus atau dioptimalkan untuk berkinerja baik dalam benchmark. Kita memiliki banyak kasus seperti itu di masa lalu,
00:06:12tetapi tetap saja, mereka memberi kita sesuatu untuk dilihat. Dan saya menganggap benchmark rekayasa perangkat lunak di sini
00:06:20menarik, karena di sini kita dapat melihat bahwa model mereka berada di kisaran model
00:06:27OPUS. Dan itu, tentu saja, menunjukkan bahwa model tersebut tidak hanya mampu menemukan informasi dalam jendela konteks
00:06:36panjang, dalam banyak dokumen, basis kode yang besar, tetapi juga mampu melakukan sesuatu yang berguna dengannya,
00:06:42bahwa ia mampu menghasilkan kode yang bermakna dan baik sebagai hasil dari kecerdasannya dan data yang mampu
00:06:50ia ambil dalam jendela konteks panjang ini, bisa dikatakan begitu. Jadi ini bukan hanya tentang mengambil,
00:06:54ini juga tentang melakukan hal-hal yang berguna. Dan tampaknya bagus di sana. Tetapi seperti yang disebutkan, itu saja
00:07:00tentang hal itu. Kita tidak mendapatkan pembahasan mendalam atau detail teknis lainnya. Belum ada kartu model.
00:07:09Oleh karena itu, yang kita miliki hanyalah deskripsi, pada dasarnya, bagaimana model mereka menggunakan atensi jarang alih-alih
00:07:16atensi padat untuk membuat tugas-tugas konteks panjang ini berfungsi atau untuk membuat model berfungsi secara efisien
00:07:22dalam skenario jendela konteks panjang, dan bagaimana model tersebut mencapai peningkatan kecepatan dan efisiensi biayanya,
00:07:29karena model ini lebih cepat dan lebih murah, bukan? Itulah yang mereka umumkan. Jadi mari kita lihat
00:07:37atensi padat versus atensi jarang untuk memahami apa yang terjadi di sini. Nah, atensi padat
00:07:45adalah apa yang Anda miliki dalam model frontier saat ini. Jadi GPT 5.5 Anda, Opus 4.7, semua model lainnya,
00:07:52ini semua adalah model padat, yang pada dasarnya berarti bahwa untuk setiap token baru, katakanlah token D,
00:07:58untuk menghasilkan token tersebut, semua token lainnya harus dievaluasi dan koneksi di antara
00:08:08token-token tersebut harus dievaluasi karena seluruh gagasan dalam model bahasa besar adalah bahwa Anda
00:08:13menurunkan token masa depan, yang bisa berupa satu kata utuh atau bagian dari kata berdasarkan apa yang mendahului
00:08:20token tersebut. Jadi jika Anda memiliki, misalnya, kalimat seperti "sebuah kontrak dapat diakhiri kapan saja..."
00:08:28maka kata berikutnya setelah itu adalah apa yang ingin Anda prediksi. Anda mungkin telah bertanya kepada model, "Hei,
00:08:35kapan saya bisa mengakhiri kontrak saya?" Dan Anda mungkin telah memasukkan kontrak tersebut sebagai dokumen PDF atau sebagai teks
00:08:42biasa ke dalam perintah Anda juga. Jadi perintah di depan kalimat ini, yang dihasilkan oleh model
00:08:48sebagai keluaran adalah pertanyaan Anda dan mungkin beberapa konteks lainnya. Jadi kontrak tersebut, misalnya,
00:08:57bukan? Begitulah cara kita saat ini menggunakan model. Dan untuk menghasilkan token ini di sini,
00:09:03dan untuk menghasilkan setiap token yang mendahuluinya, model pada dasarnya melihat
00:09:10seluruh percakapan, semua token di dalamnya. Jadi itu adalah pertanyaan Anda dan konteks tambahan apa pun
00:09:16yang Anda masukkan ke sana. Dan model membaginya menjadi beberapa token dan kemudian menggabungkan semua token tersebut atau
00:09:23menghitung bobot pada akhirnya berdasarkan semua kombinasi token sebelumnya. Jadi misalnya,
00:09:30jika itu adalah seluruh percakapan kita, yang jelas sengaja dibuat singkat, ini adalah contoh, maka begitulah
00:09:38percakapan tersebut akan dipecah menjadi beberapa token untuk model GPT-5, misalnya. Jadi beberapa token
00:09:46hanya berupa kata atau kata dengan spasi di depannya. Beberapa token hanyalah karakter khusus.
00:09:51Dan untuk menghasilkan token berikutnya, semua token sebelumnya pada akhirnya digabungkan satu sama
00:09:58lain untuk memahami artinya pada akhirnya. Karena tentu saja, tanda tanya memiliki arti dan
00:10:05implikasi yang sangat berbeda untuk token masa depan, tergantung pada apa yang mendahului tanda tanya
00:10:11tersebut. Jadi tanda tanya itu digabungkan dengan semua token sebelumnya. Dan kombinasi dari semua
00:10:17kombinasi inilah yang kemudian digunakan untuk menurunkan token akhir tersebut. Itu secara
00:10:22garis besar bagaimana Anda bisa membayangkan atensi padat dan cara kerjanya. Sekarang, tentu saja,
00:10:29hal itu sangat tidak efisien, tetapi ini adalah yang terbaik yang kita miliki saat ini, setidaknya dalam hal
00:10:36kecerdasan dan kualitas keluaran. Tetapi ini bersifat kuadratik karena n dikali n,
00:10:44yang berarti untuk menurunkan token baru, kita harus menggabungkan semua token sebelumnya. Ada
00:10:49mekanisme pengoptimalan seperti caching KV, yang pada akhirnya menyimpan hasil bobot yang telah dihitung
00:10:56di masa lalu. Sehingga untuk token baru, Anda tidak perlu menghitung ulang
00:11:01semua kombinasi sebelumnya, tetapi Anda masih harus menghitung token baru itu dengan membandingkannya dengan semua
00:11:08bobot tersimpan sebelumnya. Jadi Anda masih berakhir dalam situasi kuadratik di sini. Dan hal itu tentu saja
00:11:16tidak efisien dan lambat, itulah sebabnya model frontier yang kita miliki saat ini sangat haus komputasi,
00:11:24lambat, terutama ketika Anda masuk ke area jendela konteks yang lebih tinggi dan mengapa ada batas
00:11:31ukuran jendela konteks yang cukup ketat. Karena karena ini bersifat kuadratik, tentu saja, ukuran jendela konteks 12 juta
00:11:38hampir mustahil untuk dikomputasi. Itu akan memakan waktu selamanya dan waktu komputasi hanyalah satu
00:11:46dimensi, memori yang harus dicadangkan adalah dimensi lainnya. Jadi begitulah cara kerja model padat secara singkat
00:11:54dan apa keterbatasan mereka. Sekarang, sebaliknya atau pendekatan alternatif yang digunakan oleh
00:12:00model baru itu, model sub q yang diumumkan kemarin, adalah menggunakan atensi jarang. Sekarang,
00:12:06bagaimana cara kerja atensi jarang? Gagasan dengan atensi jarang adalah bahwa untuk menghitung token
00:12:14baru, Anda tidak melihat semua token sebelumnya, Anda tidak memiliki kombinasi dari semua token
00:12:20sebelumnya, tetapi hanya dari beberapa token terpilih. Jadi misalnya, jika Anda ingin menurunkan token D di sini,
00:12:28Anda mungkin hanya melihat B dan C, tetapi tidak melihat A. Sekarang, tentu saja pertanyaan besarnya adalah,
00:12:33bagaimana Anda memutuskan token sebelumnya mana yang akan dilihat atau token sebelumnya mana yang menarik untuk
00:12:40menghasilkan token baru tersebut. Dan ada pendekatan berbeda yang telah digunakan di masa lalu karena
00:12:46model baru ini bukan model atensi jarang pertama. Tetapi alasan mengapa mereka belum benar-benar
00:12:52populer di sini adalah karena mereka memiliki keterbatasan yang serius. Misalnya, salah satu caranya adalah dengan menggunakan
00:12:59pendekatan jendela lokal. Sekarang, apa artinya itu? Itu berarti bahwa untuk menghasilkan token baru,
00:13:06katakanlah token nomor lima, token kelima dalam urutan, kita melihat, katakanlah,
00:13:13hanya dua token sebelum itu. Jadi tiga ditambah empat, misalnya. Jadi Anda memiliki jendela geser berisi token
00:13:22dan Anda selalu hanya melihat token di depan token yang akan Anda hasilkan. Sekarang,
00:13:27seperti yang bisa Anda bayangkan, ini memiliki beberapa keterbatasan serius karena jika saya hanya melihat beberapa token
00:13:33terakhir, jika saya, misalnya, bertanya-tanya kapan kontrak dapat diakhiri, informasi tersebut
00:13:39mungkin ada di sini dalam konteks ekstra yang saya masukkan ke dalam perintah, tetapi itu bukan bagian dari jendela lokal tersebut
00:13:45jika jendela lokal hanya berupa beberapa token terakhir, misalnya. Jadi token berikutnya yang akan
00:13:50diprediksi tidak tahu apa-apa tentang apa yang ada sebelumnya dalam konteks tersebut. Jadi itu tidak berguna. Anda dapat memiliki
00:13:55ukuran jendela konteks yang tidak terbatas dengan pendekatan ini, tetapi semua konteks itu tidak penting. Jadi itu adalah keterbatasan yang jelas.
00:14:01Pendekatan lainnya adalah apa yang disebut pendekatan token global. Di sini, gagasannya adalah Anda
00:14:09memiliki token ringkasan global. Jadi secara garis besar, Anda bisa menganggap ini sebagai token khusus yang muncul
00:14:16di awal urutan token yang dimasukkan di awal urutan token
00:14:20oleh model, bisa dikatakan begitu, yang merangkum token-token setelahnya. Begitulah cara Anda bisa membayangkannya.
00:14:27Dan kemudian untuk memprediksi token berikutnya, token global itu dipertimbangkan. Sekarang, itu mungkin berfungsi
00:14:34sangat baik jika kita kembali ke contoh ini di sini dengan teks hukum yang mungkin telah Anda berikan kepada model
00:14:40dalam perintah Anda. Jika ringkasan yang dihasilkan di sini untuk percakapan Anda, jika itu mencakup ketentuan
00:14:46pengakhiran kontrak, misalnya, maka tentu saja token berikutnya ini dapat diprediksi dengan sangat baik
00:14:53berdasarkan ringkasan tersebut. Tetapi jika Anda tidak beruntung dan ringkasan tersebut tidak menyertakan detail ini,
00:15:00maka Anda tidak beruntung dan Anda kembali ke keadaan di mana informasi tersebut benar-benar hilang.
00:15:04Jadi pendekatan token global dapat berfungsi, tetapi tentu saja semakin panjang jendela konteks Anda,
00:15:12semakin umum ringkasannya. Maksud saya, itu mudah dibayangkan. Jika Anda memiliki dokumen PDF
00:15:16seratus halaman dan Anda meringkasnya dalam satu atau dua kalimat, itu akan sangat tidak spesifik,
00:15:22bukan? Jadi tentu saja, memprediksi token berikutnya berdasarkan ringkasan tersebut tidak akan benar-benar berfungsi.
00:15:29Sekarang, pendekatan lain adalah menggunakan router, yaitu Anda memiliki jaringan saraf
00:15:37tambahan. Jadi Anda memiliki dua model, pada dasarnya model bahasa besar Anda, dan kemudian Anda memiliki model
00:15:43perutean tambahan. Dan model perutean itu melihat perintah oleh pengguna atau pada konteks dari
00:15:51token berikutnya yang akan dihasilkan dan kemudian merutekan token tersebut, bisa dikatakan begitu, ke token lain yang dianggapnya
00:15:59relevan. Tetapi sekarang hal itu tentu saja berarti Anda sekarang memiliki model perutean, yang entah bagaimana perlu
00:16:04melacak semua token lain yang datang setelahnya. Jadi itu mungkin kembali ke area atensi
00:16:10kuadratik atau sangat tidak spesifik dan Anda mengandalkan hal itu. Jadi Anda kembali lagi ke kompleksitas
00:16:17kuadratik dan Anda tidak mendapatkan banyak keuntungan dibandingkan dengan model padat atau Anda tidak melakukan
00:16:23itu dan Anda mungkin akan mengalami beberapa kerugian karena peruteannya tidak terlalu bagus. Jadi sama seperti dengan
00:16:30ringkasan, Anda akan berharap bahwa router melakukan pekerjaan yang baik dan mengaktifkan token yang tepat untuk
00:16:37memprediksi token berikutnya. Dan itulah mengapa atensi jarang menarik tetapi belum benar-benar
00:16:46populer sejauh ini karena semua pendekatan berbeda ini memiliki timbal balik yang berarti dan sampai saat ini,
00:16:54sepanjang pengetahuan saya, belum ada model atensi jarang yang menghasilkan
00:17:00kualitas yang setara yang sebanding dengan model padat frontier saat ini dan mampu bertindak pada jendela
00:17:07konteks yang besar. Dan mereka berjanji untuk mengubah ini dengan model baru mereka. Dalam postingan blog pengumuman itu,
00:17:14mereka menyebutkan bahwa model mereka melakukan pemilihan yang bergantung pada konten. Untuk setiap kueri, model memilih bagian
00:17:22urutan mana yang layak untuk diperhatikan dan menghitung atensi tepat pada posisi-posisi tersebut. Jadi
00:17:28pada akhirnya, kita kembali ke pendekatan perutean ini tetapi mereka berjanji di sini, menyebutkan di sini,
00:17:35bahwa mekanisme mereka tampaknya sangat efisien untuk mengaktifkan token yang tepat guna memprediksi
00:17:43token berikutnya. Mereka menyebutkan bahwa atensi padat mengasumsikan setiap pasangan mungkin penting, sehingga mengevaluasi
00:17:49semuanya. Dalam praktiknya, hampir tidak ada yang penting. SSA, singkatan dari sub-quadratic selective attention,
00:17:55yang merupakan pendekatan mereka, menghapus asumsi tersebut. Ini tidak memperkirakan atensi. Ini membatasi
00:18:01atensi pada posisi yang benar-benar membawa sinyal dan melewatkan sisanya. Itulah pendekatan mereka.
00:18:08Mereka melakukan perutean yang bergantung pada konten untuk mengaktifkan token yang tepat atau menggunakan token yang tepat untuk
00:18:14memprediksi token berikutnya dan itulah yang memberi mereka peningkatan efisiensi. Dan kita masih harus melihat
00:18:21seberapa baik ini sebenarnya berfungsi karena, seperti yang disebutkan, kita memiliki subset benchmark yang sangat terbatas di sini.
00:18:30Tidak banyak atau tidak ada benchmark lain. Kita tidak memiliki kartu model. Kita tidak memiliki detail tentang bagaimana tepatnya
00:18:36pemilihan yang bergantung pada konten berfungsi dan oleh karena itu kita memiliki banyak tanda tanya di sini.
00:18:42Dan jika ada satu hal yang pasti kita pelajari selama beberapa bulan dan tahun terakhir
00:18:49adalah bahwa AI jelas merupakan alat yang berguna dan saya menggunakannya setiap hari. Anda mungkin menggunakannya setiap hari dan
00:18:57alat seperti Codex atau Claude Code sangat berguna. Saya tidak meragukan hal itu dan, ya, itulah
00:19:04pengalaman saya dengan mereka tetapi kita juga belajar bahwa kita berada di industri dengan banyak kehebohan. Kita berada di
00:19:10masa transisi. Semuanya berubah atau banyak hal yang berubah saat ini dan oleh karena itu tentu saja ada
00:19:16banyak janji di mana-mana dan tidak semua janji terealisasi, terwujud menjadi sesuatu yang
00:19:26benar-benar berguna. Maksud saya, ambil contoh model dari Meta yang merupakan model padat. Model Llama 4
00:19:35memiliki angka benchmark yang luar biasa tetapi tidak sehebat itu. Jadi ada banyak contoh yang terlalu dilebih-lebihkan
00:19:42dan itu baru satu contoh saja. Ada banyak contoh di luar sana. Ini jelas patut
00:19:49diwaspadai tetapi jika mereka merilis model-model ini dan Anda dapat mendaftar untuk akses awal sekarang,
00:19:56saya sudah mendaftar tetapi belum mendapatkan akses. Jika model-model ini memang memenuhi janji mereka, jika mereka berguna,
00:20:05cerdas di seluruh ukuran jendela konteks yang besar, itu tentu saja akan mengubah banyak hal. Itu akan membantu mengatasi
00:20:13kendala komputasi yang kita hadapi saat ini karena komputasi yang tersedia di dunia bahkan tidak mendekati cukup.
00:20:19Kita butuh lebih banyak pusat data, chip, listrik, dan semuanya. Jadi memiliki model yang
00:20:25jauh lebih efisien akan membantu mengatasi hal itu. Yah, mungkin kita akan menggunakannya jauh lebih sering sehingga
00:20:33masalahnya tetap sama tetapi tetap saja itu pasti akan memungkinkan lebih banyak penggunaan saat ini. Dan tentu saja itu akan
00:20:40membuka kasus penggunaan yang benar-benar baru. Itu akan memungkinkan untuk memasukkan seluruh basis kode ke
00:20:45dalamnya dan bertindak berdasarkan itu. Jadi semua solusi sementara yang kita gunakan saat ini akan hilang. Kita tidak akan
00:20:52memerlukan sub-agen. Kita tidak akan memerlukan sistem RAG jika itu berhasil. Tapi itu adalah pengandaian
00:21:00tentu saja dan kita masih harus melihat apakah itu memenuhi janji besar yang mereka buat. Jika ya,
00:21:07mereka pasti telah mendirikan perusahaan bernilai miliaran, multi-miliar, atau triliunan dolar di sana.
Community Posts
No posts yet. Be the first to write about this video!
Write about this video