Dalam artikel ini
Google DeepMind punya contoh konkret tentang AI yang ikut mengembangkan AI. Dalam satu proyek AlphaEvolve, agen berbasis Gemini membantu mempercepat sebuah operasi komputasi sebesar 23%. Ketika perbaikan dimasukkan ke pelatihan Gemini, penghematan waktu keseluruhannya sekitar 1%. Selisih itu memberi cara membaca klaim ledakan kecerdasan AI: satu bagian bisa melaju jauh lebih cepat sementara keseluruhan sistem hanya membaik sedikit. Sumber laporan teknis Google DeepMind.
AI sudah dapat memperbaiki bagian dari proses yang menghasilkan AI berikutnya. Ada juga eksperimen yang menunjukkan peningkatan berulang pada perangkat lunak agen riset. Pertanyaan yang menentukan bagi technological singularity adalah apakah perbaikan itu terus membuat putaran riset berikutnya lebih efektif, meluas ke tugas baru, dan bertahan ketika dihitung dengan biaya serta waktu keseluruhan. Bukti publik per 17 November 2026 mendukung beberapa bagian dari proses itu. Rantai lengkap dengan percepatan yang terus bertahan masih terbuka.
Apa itu recursive self-improvement?
Gagasan recursive self-improvement atau peningkatan diri rekursif dapat ditelusuri ke karya I.J. Good tentang mesin ultrainteligens. Bayangkan sistem A membantu menciptakan sistem B, lalu kemampuan baru B memungkinkannya membantu menghasilkan C lebih efektif. Hubungan timbal balik antara hasil riset dan kemampuan melakukan riset berikutnya adalah inti hipotesis Good. Istilah intelligence explosion atau ledakan kecerdasan merujuk pada skenario ketika umpan balik itu mendorong percepatan besar. Sumber naskah I.J. Good di arsip Virginia Tech.
Yang dapat berubah ada beberapa lapis. Bobot model menentukan sebagian kemampuannya. Perangkat lunak pendamping, atau harness, mengatur bagaimana model menggunakan alat, menyimpan informasi, dan memeriksa hasil. Algoritme pelatihan serta perangkat keras menentukan berapa mahal dan lama model berikutnya dibuat. Model yang sama bisa menghasilkan agen lebih andal ketika perangkat lunaknya diperbaiki. Itu bisa bernilai besar meski bobot modelnya tetap.
Apa yang sudah terbukti pada AlphaEvolve, AIDE², dan Anthropic?
| Bukti | Apa yang diukur | Batas kesimpulan |
|---|---|---|
| AlphaEvolve | Google melaporkan percepatan 23% pada satu operasi dan pengurangan sekitar 1% pada waktu pelatihan Gemini. laporan teknis Google DeepMind. | Mengukur efisiensi pelatihan pada penerapan tertentu. Dampak pada kemampuan umum model memerlukan pengukuran tersendiri. |
| AIDE² | Pracetak melaporkan tujuh perbaikan berurutan pada perangkat lunak pendamping agen sepanjang satu eksperimen delapan hari. pracetak AIDE². | Ada hasil pada tugas yang disisihkan dari seleksi, tetapi satu eksperimen tidak cukup untuk menentukan laju jangka panjang. |
| METR di Anthropic | METR memperkirakan laju peningkatan kemampuan pada tugas terdefinisi sekitar dua kali laju periode pembanding. laporan METR, 5 November 2026. | Estimasi berdasarkan satu perusahaan, mencakup model internal dan memiliki ketidakpastian pada pengukuran maupun atribusi. |
Pembaruan Google pada Mei 2026 melaporkan bahwa AlphaEvolve sudah dipakai rutin untuk optimasi desain TPU generasi berikutnya. Ini memperlihatkan bahwa manfaat dapat mengalir dari perangkat lunak ke perangkat keras. Ada jeda penting antara desain yang lebih efisien dan tersedianya kapasitas komputasi yang dapat dipakai untuk pelatihan skala besar. Jadwal desain, produksi, dan pengoperasian pusat data berjalan dengan ritme berbeda. Sumber pembaruan Google DeepMind pada Mei 2026.
Eksperimen AIDE² lebih dekat dengan gagasan peningkatan rekursif. Peneliti melaporkan bahwa versi agen yang ditemukan menyamai atau mengungguli pembanding buatan manusia pada empat tolok ukur yang tidak dipakai untuk memilih perubahan. Namun ketika versi hasil perbaikan dipakai untuk mengarahkan proses peningkatan berikutnya, data belum cukup untuk menyimpulkan bahwa kemampuannya sebagai pengarah lebih baik daripada pembanding kuat. Hasil ini penting karena agen yang lebih baik menjalankan riset tertentu belum tentu lebih baik menentukan bagaimana ia perlu ditingkatkan. Sumber pracetak AIDE².
METR memberi sudut yang berbeda karena mengamati kegiatan di perusahaan. Perkiraan sekitar dua kali membandingkan kondisi Oktober 2026 dengan laju Maret 2024–Oktober 2025, dengan kisaran 1,3 hingga 3 kali. METR menduga AI menyumbang sekitar 80% dari tambahan percepatan itu, dengan ketidakpastian besar. Angka 80% merujuk pada kontribusi terhadap percepatan, jadi tidak dapat dibaca sebagai persentase pekerjaan peneliti yang telah digantikan. Di sisi lain, tinjauan Forecasting Research Institute atas indeks model publik belum mendapati percepatan yang jelas menurut ukuran mereka. Kedua pengamatan menilai populasi dan jendela waktu yang berbeda. Sumber laporan METR, 5 November 2026 dan tinjauan Forecasting Research Institute.
Mengapa lebih cepat membuat kode belum cukup?
Riset dimulai dari memilih masalah, menentukan cara mengujinya, dan memutuskan apakah hasil yang aneh layak ditindaklanjuti. Setelah eksperimen, tim masih harus memeriksa hasil di luar kasus yang dipakai untuk memilih perbaikan. Uji RE-Bench METR pada 2024 memperlihatkan mengapa panjang tugas penting. Agen pada saat itu mengungguli pembanding manusia pada anggaran waktu total dua jam, sementara kinerja manusia meningkat lebih kuat saat anggaran waktu diperpanjang. Ini hasil pada tugas rekayasa riset terstruktur dan model yang diuji saat itu. Sumber metodologi dan hasil RE-Bench.
Contoh sederhana: bila penulisan kode menghabiskan 20 dari 100 jam riset dan AI membuat bagian itu dua kali lebih cepat, totalnya turun menjadi 90 jam selama bagian lain tetap sama. Manfaatnya nyata. Laju perubahan berikutnya bergantung pada apakah jam yang tersisa dapat dialihkan ke eksperimen bermutu dan apakah waktu memperoleh komputasi, data, atau penilaian ahli ikut berkurang. Riset ekonomi tentang AI menempatkan kegiatan yang sulit dipercepat sebagai salah satu batas pertumbuhan. Sumber Aghion, Jones, dan Jones, Artificial Intelligence and Economic Growth.
Tiga tanda yang layak dipantau dalam beberapa generasi AI
Pertama, manfaat muncul kembali di putaran berikutnya. Penghematan satu eksperimen bernilai. Jika beberapa generasi berurutan menghasilkan lebih banyak hasil yang tervalidasi dengan anggaran sebanding, barulah ada dasar yang lebih kuat untuk menilai umpan baliknya.
Kedua, manfaat berpindah ke tugas yang tidak ikut menentukan pemenang. Uji pada proyek dari tim independen dan ukur berapa banyak hasil yang diterima setelah pemeriksaan. Bila sebuah perbaikan hanya menang pada tes yang dipakai untuk memilihnya, belum jelas apakah ia menaikkan kemampuan riset di luar tes tersebut.
Ketiga, ukur bagian kerja yang masih ditopang manusia. Menyiapkan data, mendefinisikan eksperimen, memeriksa temuan, dan memutuskan kapan sistem layak dipakai memerlukan kapasitas tersendiri. Untuk universitas dan perusahaan Indonesia, ukuran awal yang masuk akal adalah jumlah hasil yang dapat direproduksi per rupiah dan per jam peneliti. Ukuran itu tetap berguna dalam skenario kemajuan bertahap maupun percepatan besar. Lihat juga liputan tentang verifikasi bukti matematika dengan Lean dan ulasan Singularity 2045.
Pertanyaan umum
Apakah AI sudah bisa meningkatkan dirinya sendiri?
Dalam arti terbatas, ya. Peneliti telah melaporkan perbaikan berulang pada perangkat lunak pendamping agen, dan Google telah menerapkan optimasi yang dihasilkan AI pada proses pelatihan. Untuk menyimpulkan peningkatan kemampuan umum yang terus mempercepat dirinya, dibutuhkan bukti lintas generasi, tugas, dan kondisi pengujian.
Apakah ini berarti singularity sudah dimulai?
Bukti saat ini menunjukkan bahwa AI mulai berkontribusi pada pengembangannya sendiri. Besarnya efek, berapa lama ia bertahan, dan seberapa jauh manfaatnya berpindah dari tugas terukur ke pekerjaan terbuka masih perlu diuji.
Disimpan hanya di browser perangkat ini.






Komentar & Diskusi