Kecerdasan Buatan yang Mengajar Diri Sendiri Bukan Lagi Fiksi Ilmiah

Kerangka kerja kecerdasan buatan yang muncul sedang bergerak menuju lompatan radikal: mesin yang dapat memperbaiki diri sendiri, tanpa keahlian manusia yang diperlukan.

Selama bertahun-tahun, bahkan model kecerdasan buatan yang paling canggih tetap menjadi mesin pasif, memprediksi respons berdasarkan data pelatihan yang tidak dapat mereka modifikasi. Namun, hari ini, bukanlah ukuran model yang menentukan babak berikutnya dari kecerdasan buatan, melainkan apakah model dapat berkembang dengan sendirinya.

Baru-baru ini, peneliti MIT memperkenalkan kerangka kerja kecerdasan buatan baru yang disebut Self-Adapting LLMs (SEAL). Pendekatan ini memungkinkan model bahasa besar (LLMs) untuk memperbaiki diri mereka sendiri secara otonom, memungkinkan kecerdasan buatan untuk mendiagnosis keterbatasan mereka dan memperbarui bobot neural mereka sendiri secara permanen melalui umpan balik internal yang ditenagai oleh pembelajaran penguatan. Alih-alih memerlukan peneliti untuk menemukan kesalahan, menulis prompt baru, atau memberikan contoh tambahan, model tersebut mengambil alih evolusi mereka sendiri.

“Model bahasa besar (LLMs) sangat kuat tetapi statis; mereka tidak memiliki mekanisme untuk menyesuaikan bobot mereka dalam menanggapi tugas, pengetahuan, atau contoh baru,” tulis peneliti MIT dalam sebuah posting blog. “Eksperimen pada inkorporasi pengetahuan dan generalisasi tembakan sedikit menunjukkan bahwa SEAL adalah langkah yang menjanjikan menuju model bahasa yang dapat beradaptasi secara mandiri dalam menanggapi data baru.”

Dalam tes awal, loop pengeditan mandiri ini memungkinkan model untuk berpindah dari kegagalan total ke keberhasilan pada teka-teki penalaran abstrak yang kompleks, mengungguli model yang jauh lebih besar seperti GPT-4.1 dengan tingkat keberhasilan 72,5 persen, di mana metode tradisional gagal. Selain itu, SEAL dilaporkan mengurangi pengawasan manusia sebesar 85 persen sambil meningkatkan akurasi dan adaptabilitas.

Munculnya Kerangka Kerja Kecerdasan Buatan yang Mengajar Diri Sendiri

SEAL adalah bagian dari tren yang lebih luas menuju kecerdasan buatan otonom. Peneliti di Sakana AI, misalnya, telah memperkenalkan Darwin-Gödel Machine—sebuah agen kecerdasan buatan yang menulis ulang kode mereka sendiri menggunakan strategi evolusi terbuka.

“Mereka menciptakan berbagai perbaikan diri, seperti langkah validasi patch, penglihatan file yang lebih baik, alat pengeditan yang ditingkatkan, menghasilkan dan mengurutkan beberapa solusi untuk memilih yang terbaik, dan menambahkan riwayat apa yang telah dicoba sebelumnya (dan mengapa itu gagal) ketika membuat perubahan baru,” tulis Sakana AI dalam sebuah posting blog.

Demikian pula, agen kecerdasan buatan Anthropic, yang ditenagai oleh Claude 4, sekarang dapat mengatur alur kerja secara otonom di seluruh basis kode dan alat bisnis.

“Sistem yang mengkonfigurasi ulang diri mereka sendiri berdasarkan jenis aset, lingkungan, dan sejarahnya memungkinkan untuk berpindah dari respons reaktif ke strategi pencegahan terus-menerus,” kata Christian Struve, CEO dan co-pendiri Fracttal, kepada saya. “Ini tidak tentang lapisan atau parameter yang lebih banyak, tetapi sistem yang lebih otonom dan lebih berguna.”

Apa yang menyatukan upaya ini adalah keyakinan inti: kecerdasan buatan tidak perlu menjadi lebih besar untuk menjadi lebih cerdas. Mereka perlu menjadi lebih adaptif.

“Penskalaan telah membawa keuntungan besar, tetapi kita mencapai batas apa yang dapat dicapai oleh ukuran saja. Model pembelajaran adaptif seperti SEAL menawarkan langkah berikutnya yang menarik dengan memungkinkan sistem untuk tumbuh dan memperbaiki diri mereka sendiri seiring waktu,” kata Jorge Riera, pendiri dan CEO platform konsultasi data full-stack Dataco, kepada saya. “Model yang berevolusi sendiri juga menggeser metrik kemajuan dari benchmark statis ke ukuran adaptabilitas, efisiensi pembelajaran, dan perbaikan jangka panjang yang aman. Alih-alih hanya menguji apa yang diketahui model pada saat penerapan, kita dapat mengevaluasi bagaimana baiknya mereka belajar, mempertahankan, dan berkembang seiring waktu.”

Dampak pada Ekosistem Kecerdasan Buatan dan Perlombaan Global Menuju Otonomi

Tingkat otonomi ini juga menulis ulang ekonomi penerapan kecerdasan buatan. Bayangkan sistem deteksi penipuan yang memperbarui diri mereka sendiri secara instan untuk menghadapi ancaman baru, atau tutor kecerdasan buatan yang mengubah gaya mengajar mereka berdasarkan perilaku siswa. Dalam robotika, kerangka kerja adaptif mandiri dapat mengarah pada mesin otonom yang belajar pola gerakan baru tanpa perlu diprogram ulang.

Di seluruh Timur Tengah, negara-negara seperti UAE dan Arab Saudi sedang membangun model dasar yang dirancang untuk adaptasi. Falcon UAE dan Jais G42 adalah model bahasa besar yang dibangun dengan relevansi regional, sementara Arab Saudi ALLaM dan Aramco Digital Metabrain mendorong ke arah agen kecerdasan buatan otonom untuk kota pintar, kesehatan, dan logistik.

Upaya ini belum setara dengan SEAL MIT dalam hal kemampuan pengeditan mandiri, tetapi mereka mencerminkan trajektori yang sama: dari sistem kecerdasan buatan pasif ke agen aktif yang dapat menavigasi kompleksitas dengan bimbingan manusia yang terbatas. Dan seperti SEAL, inisiatif ini didukung oleh kerangka kerja tata kelola yang kuat, menyoroti kesadaran yang meningkat bahwa otonomi kecerdasan buatan harus dipasangkan dengan tanggung jawab.

“Ini adalah langkah pertama menuju sistem yang mengelola diri sendiri yang memodifikasi logika mereka tanpa intervensi konstan,” kata Struve. “Saya percaya bahwa kecerdasan buatan tidak meredefinisi apa itu kecerdasan, tetapi itu memaksa kita untuk memikirkan kembali hubungan kita dengannya. Hal yang penting bukanlah bahwa model berkembang, tetapi bahwa itu berkembang sesuai dengan tujuan yang kita tetapkan sebagai manusia.”

Jeff Townes, CTO Gorilla Logic, juga menekankan pentingnya tata kelola yang mengikuti evolusi kecerdasan buatan: “Pertanyaannya bukanlah apakah kecerdasan buatan dapat berkembang—tetapi apakah perusahaan dapat berkembang dengannya. Tata kelola harus mengaitkan setiap adaptasi kecerdasan buatan dengan hasil dan KPI yang jelas yang dapat diukur dan dipercayai oleh pemimpin, sehingga inovasi berkembang dengan kepercayaan diri daripada risiko.”

Apakah Kita Siap untuk Kecerdasan Buatan yang Menulis Ulang Diri Sendiri?

Pertanyaan yang paling provokatif yang diajukan SEAL bukanlah teknis—melainkan jika model dapat memutuskan bagaimana mengajar diri mereka sendiri, apa peran yang kita mainkan dalam membentuk nilai, prioritas, dan arah mereka?

Para ahli memperingatkan bahwa ketika sistem kecerdasan buatan yang adaptif mandiri mendapatkan otonomi, dorongan menuju perbaikan diri sendiri tidak boleh melampaui pembentukan pengawasan etis. “Saya percaya semua sistem kecerdasan buatan harus memasukkan setidaknya tiga prinsip etis dasar,” kata Jacob Evans, CTO Kryterion.

“Pertama, dan ini mungkin tidak perlu disebutkan, tetapi kecerdasan buatan perlu mengidentifikasi diri mereka sebagai kecerdasan buatan. Kedua, kecerdasan buatan harus berpusat pada manusia, meningkatkan dan tidak menggantikan penilaian manusia. Dan terakhir, mereka harus mengakui keterbatasan dan ketidakpastian mereka, serta menolak untuk memberikan informasi yang dapat memfasilitasi kerusakan serius. Tanpa pengawasan ini, kecerdasan buatan dapat menjadi alat manipulasi daripada dukungan yang dapat diandalkan.”

“Untuk memungkinkan model untuk memperbaiki diri mereka sendiri dalam produksi, mereka memerlukan umpan balik dinamis, bukan hanya pelatihan statis. Metode yang kuat adalah menggunakan ‘digital twin’ atau lingkungan sandbox yang canggih di mana kecerdasan buatan dapat dengan aman menguji dan memvalidasi perbaikan yang dihasilkan sendiri sebelum mereka pernah diterapkan kepada pengguna,” kata Ganesh Vanama, Insinyur Visi Komputer di Automotus.

Mengenai tata kelola, Vanama menambahkan, “pengawasan yang tidak dapat dinegosiasikan adalah ‘manusia-dalam-layanan’.” Ia mengatakan bahwa sementara kita ingin model untuk beradaptasi, “kita harus memiliki pemantauan terus-menerus untuk mendeteksi ‘drift keselarasan’ di mana model menyimpang dari tujuan atau konstrain keamanan yang dimaksudkan. Sistem ini harus memberikan kekuatan kepada auditor manusia untuk membatalkan atau mengembalikan setiap pembaruan otonom yang gagal dalam tinjauan keamanan atau kinerja.”

Namun, para ahli lain percaya bahwa masih ada waktu untuk mengembangkan pengawasan ini, dengan alasan bahwa membangun kecerdasan buatan yang benar-benar kuat, umum, dan dapat memperbaiki diri sendiri masih merupakan tantangan monumen.

“Model seperti itu masih kekurangan kemampuan untuk mereprogram diri mereka sendiri secara real-time. Tantangan kunci masih ada, termasuk mencegah penguatan kesalahan, menghindari penghapusan bencana, memastikan stabilitas selama pembaruan, dan mempertahankan transparansi sekitar perubahan internal,” kata Riera. “Sampai itu diselesaikan, adaptasi mandiri penuh masih merupakan frontier daripada kenyataan.”

Peneliti MIT melihat SEAL sebagai evolusi yang diperlukan. Seperti yang dikatakan oleh salah satu ilmuwan utama MIT, kerangka kerja ini saat ini hanya mencerminkan pembelajaran manusia lebih dekat daripada apa pun yang telah datang sebelumnya.

“Sistem ini menunjukkan pergeseran dari model statis, satu-shot ke arsitektur adaptif yang dapat belajar dari pengalaman, mengelola memori, dan mengejar tujuan seiring waktu. Arahnya jelas: menuju kecerdasan modular, sadar konteks yang dapat menyesuaikan diri secara terus-menerus,” kata Riera kepada saya. “Meskipun masih dalam fase eksperimental, pendekatan ini menandai langkah yang berarti menuju sistem kecerdasan buatan yang lebih otonom dan tangguh.”

Apakah ini akan mengarah pada sistem yang lebih personal atau bentuk baru dari keagenan mesin sepenuhnya belum terlihat. Era kecerdasan buatan yang mengajar diri sendiri telah tiba—dan itu tidak hanya menulis ulang kode mereka sendiri, tetapi juga menulis ulang aturan tentang apa yang dapat menjadi mesin.