Dari AGI ke Superintelligence: Seberapa Cepat Lompatan AI?

Seberapa cepat AGI bisa berkembang menjadi superintelligence? Bandingkan skenario fast takeoff dan slow takeoff dari lab hingga industri.
5 menit baca
Ruang riset dan infrastruktur pusat data
Ilustrasi konseptual berbantuan AI.
Dalam artikel ini
  1. Apa arti fast takeoff dan slow takeoff?
  2. Apa yang bisa membuat lompatan berlangsung cepat?
  3. Apa yang dapat menahannya?
  4. Cara membandingkan prediksi tanpa terjebak satu tanggal
  5. Pertanyaan umum
Transparansi Penggunaan AI: AI membantu penelusuran sumber, penulisan, dan penyuntingan. Ilustrasi dibuat dengan AI. Naskah ini belum ditinjau redaktur manusia.

Sebuah laboratorium AI mungkin mempercepat penulisan kode dalam hitungan minggu, sambil tetap menunggu berbulan-bulan untuk menjalankan eksperimen besar dan menilai hasilnya. Selisih waktu itu menjadi pusat perdebatan AI takeoff. Setelah kemampuan AI melewati ambang yang dianggap setara manusia, apakah peningkatan menuju superintelligence berlangsung dalam hitungan bulan atau bertahun-tahun?

Jawabannya bergantung pada dua hal yang perlu dinyatakan sejak awal: kemampuan apa yang dipakai sebagai titik mulai dan aktivitas apa yang harus dikuasai AI untuk mencapai titik akhir. Sebuah skenario dapat memprediksi percepatan riset internal yang tajam sementara penerapan di industri berjalan bertahap. Dua kejadian itu dapat berlangsung bersamaan.

Apa arti fast takeoff dan slow takeoff?

AGI biasanya dipakai untuk membahas kemampuan yang luas pada banyak tugas, tetapi tidak ada satu ambang yang disepakati. Superintelligence menyiratkan kemampuan yang melampaui pakar manusia secara luas, dan sebagian skenario memulai jam mereka dari otomatisasi pemrograman atau munculnya peneliti AI berkinerja supermanusia. Jika titik mulai berbeda, durasi yang dilaporkan juga bisa berbeda walau kedua pihak menilai kemajuan yang sama. Sumber Three Types of Intelligence Explosion dan skenario OECD hingga 2030.

Jam yang diukurTanda percepatanBatas yang perlu diperiksa
Riset dalam labLebih banyak hasil yang tervalidasi per bulan dan per unit komputasi.Apakah mutu hasil bertahan di luar tes yang dipakai mengarahkan eksperimen?
Pengembangan modelSiklus dari eksperimen hingga model baru lebih singkat.Apakah pelatihan, pengujian keselamatan, dan akses komputasi ikut lebih cepat?
Adopsi di industriTim pengguna menutup lebih banyak tugas dengan kualitas tetap atau lebih baik.Apakah integrasi sistem, keahlian, dan proses persetujuan ikut berubah?

Apa yang bisa membuat lompatan berlangsung cepat?

Skenario cepat mengandalkan umpan balik. AI membantu menjalankan lebih banyak eksperimen. Hasil eksperimen memperbaiki model yang dipakai untuk meneliti, sehingga tim berikutnya dapat mencari perbaikan dengan lebih efektif. Peningkatan algoritme juga bisa menghemat kapasitas komputasi dan memungkinkan lebih banyak percobaan dengan perangkat yang sama. Skenario itu menjadi lebih kuat jika hasilnya bertahan dalam beberapa generasi serta meluas ke tugas yang tidak dirancang semata untuk menguji model. Sumber pracetak The Economics of Recursive Self-Improvement.

Pada November 2026, METR memperkirakan laju peningkatan pada tugas terdefinisi di Anthropic sekitar dua kali laju periode pembanding. Perkiraan itu berlaku pada satu perusahaan dan masih mengandung ketidakpastian. AI Futures Project menggunakan temuan tersebut dalam revisi skenarionya dan memperpendek proyeksi untuk peneliti AI supermanusia. Itu menggambarkan bagaimana sebuah asumsi dalam model ramalan berubah ketika ada data baru. Rentang hasil tetap bergantung pada apakah tren di satu lab bertahan dan menyebar. Sumber asesmen METR di Anthropic, 5 November 2026 dan pembaruan proyeksi AI Futures Project.

Apa yang dapat menahannya?

Eksperimen yang murah bisa cepat diperbanyak, tetapi pengujian untuk pertanyaan terbuka sering menuntut penilaian pakar. Dengan lebih banyak versi yang dicoba, tim juga punya lebih banyak hasil untuk diperiksa. Jika proses verifikasi menjadi bagian paling lambat, percepatan penulisan kode menghasilkan kenaikan yang lebih kecil pada produktivitas riset secara keseluruhan. Biaya dan keterbatasan komputasi juga dapat mengubah eksperimen mana yang layak dilakukan.

Lalu ada pekerjaan fisik dan organisasi. Kapasitas pelatihan bisa bertambah melalui efisiensi algoritme maupun investasi baru. Untuk menambah kapasitas listrik atau produksi perangkat, jadwal konstruksi dan rantai pasokan ikut menentukan. Setelah model tersedia, pengguna masih harus menguji alur kerjanya sendiri. International AI Safety Report 2026 dan OECD membahas lintasan yang mencakup perlambatan sampai akselerasi. Masing-masing berangkat dari asumsi tentang input dan kemajuan kemampuan. Sumber International AI Safety Report 2026 dan skenario OECD hingga 2030.

Kendala fisik juga bersifat lokal. IEA melaporkan konsumsi listrik pusat data global naik 17% pada 2025, sekaligus mencatat kebutuhan penguatan rantai pasok dan tekanan pada proses sambungan jaringan. Permintaan yang lebih besar memperlihatkan akselerasi investasi, tetapi tidak memberi tahu kapan satu fasilitas tertentu bisa beroperasi. Sumber International Energy Agency.

Cara membandingkan prediksi tanpa terjebak satu tanggal

Pertama, tulis titik awal dan akhir. Contoh: dari AI yang dapat mengerjakan sebagian besar pemrograman pengembangan model hingga AI yang konsisten mengungguli tim peneliti dalam memilih eksperimen. Berikutnya, tentukan jenis bukti yang bisa menggeser perkiraan. Apakah peningkatan hanya terlihat jika anggaran komputasi naik? Berapa banyak hasil yang bertahan pada evaluasi pihak lain? Terakhir, catat batas waktunya. Apa yang sudah terukur dan apa yang masih merupakan implikasi model?

Untuk Indonesia, implikasinya bisa dipecah. Jika kemajuan di laboratorium melaju cepat, tim pengadaan dapat mempersingkat waktu evaluasi ulang saat model atau harga berubah. Jika adopsi industri lambat, hambatan utama bisa muncul pada data, integrasi, dan kompetensi tenaga kerja. Gunakan tolok ukur proses yang tetap berguna dalam kedua kondisi, seperti biaya per tugas yang lolos verifikasi dan waktu yang dibutuhkan untuk mengganti penyedia. Baca artikel pembuka seri tentang ledakan kecerdasan dan peta skenario masa depan AI.

Pertanyaan umum

Apakah AGI pasti segera diikuti superintelligence?

Tidak ada jeda yang bisa dipastikan. Lajunya bergantung pada seberapa besar AI dapat mempercepat riset, dan apakah komputasi, penilaian, serta adopsi ikut bergerak.

Apa indikator lompatan cepat yang lebih kuat dari skor satu model?

Percepatan yang bertahan selama beberapa generasi pada tugas berbeda dengan pembanding yang setara, serta bukti bahwa kenaikan kemampuan memperbaiki siklus riset berikutnya.

Lihat bacaan tersimpan

Disimpan hanya di browser perangkat ini.

Komentar & Diskusi

Tulis Komentar

Bagikan pendapat Anda dengan sopan dan relevan. Alamat email tidak akan ditampilkan.