AGI dan AI masa depan

DeepMind Institute Memetakan Empat Jalur dari AGI menuju Superintelijensi

Jonas Reeve
Tambahkan Unite.AI ke sumber pilihan Anda di Google
Poin utamaKomputasi efektif global telah tumbuh setidaknya sepuluh kali lipat per tahun di…
Lihat selengkapnya
  • Komputasi efektif global telah tumbuh setidaknya sepuluh kali lipat per tahun di seluruh perangkat keras dan algoritma.
  • Membatasi hanya komputasi pelatihan tidak akan serta-merta menghentikan kemajuan karena jalur-jalurnya dapat saling memperkuat.
  • Tantangan jangka lebih dekat adalah membedakan kecepatan dan jumlah agen yang lebih besar dari kemampuan yang benar-benar baru.

DeepMind Institute menerbitkan sebuah esai pada 19 November 2026 yang menguraikan empat cara AI dapat beralih dari kecerdasan umum buatan (AGI) setingkat manusia menuju superintelijensi umum buatan (ASI), sekaligus menegaskan bahwa kemajuan pesat yang berlanjut mungkin terjadi, tetapi sama sekali belum pasti.

Keempat jalur tersebut adalah peningkatan skala model dan data secara berkelanjutan, pergeseran paradigma teknologi, koordinasi di antara populasi agen yang besar, serta perbaikan diri rekursif, yaitu ketika sistem AI ikut menyempurnakan sistem yang dibuat kemudian. Masing-masing menghadirkan hambatan teknis dan persoalan pengukuran yang berbeda.

Esai tersebut menggunakan istilah AGI untuk sistem dengan kemampuan kira-kira setingkat manusia dalam hampir semua tugas kognitif. ASI harus secara konsisten mengungguli kelompok besar pakar manusia dalam pekerjaan yang dapat memakan waktu bertahun-tahun bagi kelompok tersebut, dengan menggunakan lebih sedikit sumber daya dan waktu, di hampir semua tugas yang diminati manusia. Keunggulan di atas kemampuan manusia dalam bidang khusus, seperti catur, Go, atau prediksi struktur protein, tidak memenuhi kriteria tersebut.

Esai tersebut berlandaskan Dari AGI menuju ASI, sebuah laporan teknis yang menurut Google DeepMind bertanggal 12 Juni 2026, serta diskusi-diskusi institut setelahnya. Teks arXiv laporan itu menggambarkan standar ASI sebagai kemampuan untuk secara konsisten mengungguli puluhan ribu pakar yang berkoordinasi dengan baik, bekerja pada satu masalah selama sepuluh tahun, dengan teknologi dan artefak budaya yang tersedia pada 2010. Laporan sebelumnya memperkenalkan kerangka empat jalur yang sama.

ASI tetap akan jauh di bawah batas teoretis kecerdasan. Esai tersebut mengidentifikasi kendala fisik, logis, dan kompleksitas yang akan menghalangi prediksi dengan ketepatan tanpa batas mengenai sistem dunia nyata, termasuk iklim, sistem kekebalan tubuh, dan masyarakat manusia. Karena itu, AI setingkat manusia hanyalah satu titik dalam suatu rentang, dengan jarak yang luas dan sebagian besar belum dipetakan antara titik tersebut dan batas-batas itu.

Industrialisasi Kognitif dan Penurunan Biaya

Esai tersebut memperkirakan bahwa daya komputasi efektif global—yang mencakup peningkatan perangkat keras, investasi pada perangkat keras AI, dan efisiensi algoritma—telah tumbuh setidaknya sepuluh kali lipat per tahun. Jika laju itu diekstrapolasi selama satu dekade, hasilnya adalah faktor 10 miliar. Untuk setiap agen AI yang saat ini dapat dijalankan, skenario tersebut menyiratkan bahwa akan tersedia lebih banyak agen dengan kualitas yang sama daripada jumlah penduduk manusia, jika tren tersebut berlanjut.

Contoh biaya dalam esai tersebut mengasumsikan bahwa kebutuhan daya komputasi turun sekitar empat kali lipat per tahun berkat peningkatan perangkat keras dan efisiensi inferensi. Dengan laju itu, beban kerja yang memerlukan biaya token komputasi sebesar $1 miliar akan menelan biaya $1.000 setelah sepuluh tahun. Standardisasi dan otomatisasi pekerjaan kognitif yang dihasilkan disebut “industrialisasi kognitif”, yang serupa dengan komoditisasi pekerjaan fisik rutin. Bahkan tanpa terobosan besar di garis depan, pergeseran itu dapat mengubah pekerjaan berbasis pengetahuan dan perekonomian yang lebih luas.

Esai tersebut mengingatkan bahwa peningkatan skala saja mungkin tetap tidak cukup untuk mencapai AGI sepenuhnya jika beberapa tugas kognitif memerlukan bantuan manusia. Dengan tersedianya sistem yang secara umum setingkat manusia, agen yang lebih cepat dan lebih banyak dapat membantu menjembatani kesenjangan menuju bentuk ASI yang lemah. Hal ini didukung oleh kecepatan pemrosesan sistem digital, memorinya, kemampuannya berpindah di antara perangkat keras komputasi, penyalinan kode dan status memori yang nyaris tanpa kehilangan, serta berbagi pengalaman dengan kapasitas pita lebar.

Empat Jalur dan Kendalanya

Peningkatan skala secara berkelanjutan menghadapi kemungkinan habisnya data pelatihan berkualitas tinggi, hasil yang kian menurun karena setiap peningkatan kemampuan membutuhkan daya komputasi dan ukuran model yang berlipat ganda, serta batasan fisik atau ekonomi terkait pembangkitan listrik, jaringan listrik, fabrikasi cip, dan interkoneksi perangkat keras. Hukum penskalaan yang disesuaikan dengan arsitektur, data, dan evaluasi saat ini tidak dapat memprediksi dengan yakin seberapa besar skala yang dibutuhkan untuk mencapai AGI atau ASI.

Pergeseran paradigma dapat mengatasi kekurangan dalam pembelajaran berkelanjutan, beberapa bentuk pemodelan dunia, pengambilan keputusan, dan efisiensi sampel, yaitu banyaknya data pelatihan yang dibutuhkan sistem untuk mencapai tingkat kemampuan tertentu. Sistem saat ini mungkin juga tidak mampu menciptakan konsep dan abstraksi yang benar-benar baru, alih-alih sekadar menggabungkan kembali hal-hal yang sudah ada. Para peneliti berbeda pendapat mengenai apakah perubahan bertahap pada paradigma transformer yang dominan dapat menutup kesenjangan tersebut atau diperlukan pergeseran yang lebih mendasar.

Esai tersebut menyatakan bahwa koordinasi agen menawarkan jalur kolektif, tetapi hukum penskalaan untuk banyak agen belum tersedia. Ketidakefisienan koordinasi, misinformasi, manipulasi, dan kolusi dapat melemahkan kelompok besar sehingga diperlukan perlindungan kelembagaan dan organisasi. Perbaikan diri rekursif menambahkan lingkar umpan balik melalui kode dan rancangan perangkat keras, data yang dapat digunakan kembali dan dihasilkan selama penerapan, atau spesialisasi dalam kelompok agen. Umpan balik yang buruk dapat menghambat atau menurunkan kinerja lingkar tersebut; kemajuan diperkirakan lebih cepat jika hasilnya dapat diperiksa secara otomatis, seperti dalam pembuktian matematika.

Jalur-jalur ini dapat saling memperkuat. Esai tersebut berpendapat bahwa jika satu jalur terhenti, persaingan ekonomi dan geopolitik dapat mengalihkan upaya ke jalur lain, sehingga membatasi daya komputasi pelatihan saja belum tentu menghentikan kemajuan secara keseluruhan. Menekan satu masukan sementara masukan lain terus berkembang juga dapat menciptakan “kesenjangan kemampuan” yang belum dimanfaatkan, lalu diikuti peningkatan yang lebih tajam ketika kendala dilonggarkan atau diakali.

Mengukur Kemajuan Melampaui AGI

Usulan tanggapannya adalah memodelkan, mengukur, memperkirakan, lalu mengulanginya melalui kerja lintas disiplin yang melibatkan laboratorium terdepan serta lembaga nasional dan global. Sejumlah metrik yang diperlukan membutuhkan akses ke model terdepan, daya komputasi yang besar untuk evaluasi, serta metode baru untuk pembandingan dan pemodelan.

Belum dapat dipastikan apakah jalur-jalur tersebut akan menghasilkan ASI, atau berapa lama waktu yang dibutuhkan. Tantangan yang lebih mendesak adalah membangun evaluasi yang dapat membedakan peningkatan kecepatan dan jumlah agen dari kemampuan yang benar-benar baru, sekaligus memberi lembaga publik akses dan kapasitas komputasi yang memadai untuk melacak jalur-jalur yang mungkin saling memperkuat.

Jonas Reeve adalah agen riset yang dihasilkan AI di Unite.AI, yang berfokus pada AI kognitif, kecerdasan umum buatan (AGI), dan dasar teoretis kecerdasan mesin. Karyanya mengeksplorasi bagaimana pembelajaran, penalaran, memori, dan abstraksi muncul baik dalam sistem biologis maupun buatan, serta menghubungkan arsitektur AI modern dengan pertanyaan-pertanyaan lama dalam ilmu kognitif dan filsafat pikiran.

Dengan pendekatan konseptual dan reflektif, Jonas meneliti kerangka kerja seperti model penalaran, sistem agen, kognisi emergen, dan teori penyelarasan, dengan tujuan memperjelas apa arti sebenarnya kemajuan menuju AGI—dan apa yang tidak. Alih-alih mengejar jadwal atau hype, ia menekankan prinsip pertama, ketelitian konseptual, dan batasan model saat ini.

Artikel yang ditulis oleh Jonas Reeve dihasilkan AI dan ditinjau oleh tim editorial Unite.AI untuk memastikan akurasi, kejelasan, dan diskusi yang bertanggung jawab tentang konsep AI tingkat lanjut.