Rumor RSI Google: memahami AGI dan perdebatan tentang laju AI

AI yang membantu Anda menyelesaikan proyek sulit sangatlah berguna. AI yang membantu membangun AI yang lebih mampu mengubah kecepatan munculnya alat-alat yang berguna. Kemungkinan kedua ini menjelaskan mengapa beberapa postingan samar tentang Google menarik perhatian tepat ketika para pemimpin AI saingannya mulai secara terbuka mendukung jadwal pengembangan yang lebih terukur.

Dua istilah membuat cerita lebih mudah diikuti. AGI, atau kecerdasan buatan umum, menggambarkan AI dengan kemampuan luas: sebuah sistem yang dapat mempelajari dan melakukan banyak tugas intelektual berbeda. RSI, atau perbaikan diri secara rekursif, menjelaskan sebuah proses: AI berkontribusi untuk meningkatkan sistem AI, dan peningkatan tersebut membantu putaran perbaikan berikutnya. Salah satunya adalah tentang jangkauan kemampuan suatu sistem; yang lainnya adalah tentang bagaimana kemajuan memberi manfaat pada dirinya sendiri.

Artikel ini mengikuti rumor Google ke postingan X aslinya, memisahkan dukungan publik dari perjanjian sebenarnya untuk memperlambat pengembangan, dan mengkaji apa arti siklus penelitian yang lebih cepat bagi kehidupan sehari-hari. Batas pelaporan adalah 14 September 2026. Pandangan saya optimis: alat yang lebih baik dapat membuat keahlian lebih mudah diakses. Namun masa depan yang layak diharapkan mencakup waktu yang cukup untuk memeriksa hasil dan wewenang yang cukup untuk mengubah arah.

Tiga perbedaan yang perlu diingat

• AGI, RSI dan superintelligence menggambarkan hal yang berbeda. Tidak ada yang identik dengan AI yang memiliki kesadaran.
• Pekerjaan umum Google mendukung klaim bahwa AI membantu mengembangkan AI. Pos-pos X yang beredar tidak membentuk lingkaran perbaikan yang sepenuhnya otonom dan berkelanjutan.
• Sejumlah pemimpin mendukung pengaturan laju pengembangan dan evaluasi eksternal secara terbuka. Ini penting, tetapi belum membuktikan adanya kesepakatan perlambatan yang ditandatangani dan dijalankan seluruh industri.

AGI berarti mampu belajar dan mengerjakan beragam tugas

Seorang spesialis bisa menjadi luar biasa dalam satu tugas. Mesin catur dapat mengalahkan seorang juara tanpa mampu menjelaskan sewa, merencanakan proyek penelitian, atau mempelajari alur kerja kantor baru. AGI mengacu pada ambisi yang lebih luas: sistem AI yang dapat mentransfer kemampuan berguna di berbagai jenis pekerjaan intelektual, termasuk tugas-tugas asing. Dalam kehidupan sehari-hari, pertanyaannya adalah apakah ia dapat terus belajar bagaimana menjadi berguna ketika tugasnya berubah.

Tidak ada satu pun garis finis yang diterima secara universal. Pada bulan November 2023, peneliti DeepMind mengusulkan evaluasi AGI berdasarkan dimensi termasuk kinerja, keumuman, dan otonomi. Kerangka kerja mereka membuat perbedaan yang berharga: pandai dalam banyak tugas dan diizinkan bertindak mandiri adalah sifat yang berbeda. Sistem berkemampuan tinggi masih dapat diterapkan dengan izin yang sempit. Level AGI, pertama kali dikirimkan pada 4 November 2023.

Untuk pemula, pertimbangkan asisten hipotetis yang diminta membantu organisasi nirlaba kecil. Pemerintah perlu memahami spreadsheet yang belum familiar, merancang permohonan pendanaan, memperhatikan kontradiksi dalam anggaran, dan mempelajari aturan pelaporan. Demonstrasi yang meyakinkan akan menunjukkan kinerja yang dapat diandalkan dalam perubahan-perubahan tersebut, termasuk mengetahui kapan harus meminta bantuan. Satu proposal hibah yang disempurnakan tidak akan menghasilkan pola yang lebih luas.

Inilah sebabnya mengapa skor acuan bukanlah sertifikat intelijen universal. Tolok ukur memberi tahu kita sesuatu tentang tugas tertentu dalam kondisi tertentu. Hal ini mungkin mengabaikan keandalan yang berkelanjutan, lingkungan yang asing, biaya praktis, atau kemampuan untuk pulih dari kesalahan. Ketika seseorang mengumumkan AGI, tindak lanjut yang berguna adalah: kemampuan apa, pada tingkat apa, pada rentang tugas apa, dan dengan berapa banyak bantuan?

ASI, atau superintelligence buatan, biasanya mengacu pada kemampuan yang secara substansial melampaui manusia dalam berbagai pekerjaan kognitif. Ini adalah konsep lain, bukan label wajib untuk setiap model yang mengesankan. Baik AGI maupun ASI secara otomatis menyiratkan kesadaran, emosi, atau kehidupan batin yang mirip manusia. Artikel ini membahas tentang kemampuan, proses pengembangan, dan pilihan yang diambil masyarakat di sekitarnya.

Dalam RSI, kemajuan memperbaiki cara menghasilkan kemajuan berikutnya

Perangkat lunak biasa menjadi lebih baik karena orang menemukan masalah, mengusulkan perubahan, mengujinya, dan menjaga agar perubahan tetap berfungsi. AI sudah dapat membantu dengan langkah-langkah individual. Ini dapat menyarankan algoritme yang lebih cepat, menghasilkan kasus uji, atau membantu mendiagnosis eksperimen yang gagal. RSI menjadi menarik ketika keuntungan dari pekerjaan tersebut membuat sistem lebih baik dalam melakukan tahap perbaikan berikutnya.

Bayangkan bengkel riset yang memperbaiki alatnya sendiri. Alat ukur yang lebih akurat membantu membuat alat berikutnya lebih baik, dan alat itu membantu perbaikan sesudahnya. Setiap perubahan yang berhasil memperluas apa yang bisa dikerjakan dalam eksperimen berikutnya. Yang penting adalah apakah perbaikannya nyata, dipertahankan, dan berguna bagi riset selanjutnya, bukan sekadar membuat bengkel semakin sibuk.

Chatbot yang merevisi jawabannya sebanyak lima kali belum tentu memperbaiki model dasarnya. Fitur memori dapat menyimpan fakta tanpa memperbarui parameter jaringan yang dipelajari. Agen pengkodean dapat meningkatkan alatnya sendiri sementara model yang mendukungnya tetap tidak berubah. Ini adalah mekanisme yang berguna, tetapi bentuk kuat dari RSI melibatkan peningkatan kemampuan secara berturut-turut untuk menghasilkan sistem AI yang lebih baik. panduan untuk pembelajaran berkelanjutan dan putaran peningkatan sebelumnya mengeksplorasi mekanisme yang lebih sempit tersebut.

Definisi tersebut juga menjelaskan mengapa AGI dan RSI tidak perlu tiba dalam urutan yang tetap. Sebuah sistem dapat membantu mengoptimalkan pelatihan AI namun tetap lemah dalam banyak tugas sehari-hari. Sebaliknya, AI berkemampuan luas dapat dikembangkan melalui proses yang masih diarahkan oleh manusia. RSI dapat mempercepat jalur menuju keumuman yang lebih besar, namun menuliskan ketiga huruf tersebut pada diagram tidak membuktikan di mana jalur tersebut berakhir.

Diagram konseptual asli. AGI dan RSI merupakan dimensi yang berbeda, bukan rangkaian pencapaian yang terjamin. Ini menggambarkan definisi di atas, bukan kemampuan terukur dari model tertentu.

Rumor Google dapat ditelusuri ke dua unggahan

Sebuah artikel AI Times pada 14 September membahas rumor yang beredar di komunitas AI. Dengan mengikuti unggahan yang disematkan dan tautan dalam komentar sesudahnya, kita menemukan sedikit sumber awal yang dapat diidentifikasi. Ini penting karena seratus unggahan ulang bisa tampak seperti seratus konfirmasi, padahal sebagian besar hanya mengulang klaim pertama yang sama.

Pada 11 September, akun Lyra, @lyraxana, memposting pesan ucapan selamat singkat dengan tag Google DeepMind. Kapitalisasi yang tidak biasa menonjolkan huruf R, S, dan I. Postingan tersebut tidak memberikan metode eksperimen, hasil kinerja, atau penjelasan tentang keterlibatan manusia. Itu adalah ajakan untuk menyimpulkan sesuatu dari sebuah singkatan.

Kemudian pada tanggal itu, Lentils, @Lentils80, mengutip postingan Lyra dan merujuk pada model internal yang disebut rsi-model-liverl-le, bersama dengan sepuluh slot pelatihan bernomor. Tangkapan layar terkait menjadi fokus spekulasi lainnya. Itu adalah klaim tentang dugaan pencatatan internal; keaslian daftar dan hubungannya dengan sistem kerja tidak ditetapkan secara independen dalam penyelidikan ini.

Pada 12 September, Chubby, @kimmonismus, memperkuat rumor tersebut dan menghubungkan kembali ke postingan Lyra yang sama. Ini membentuk jalur sirkulasi. Hal ini tidak menciptakan sumber independen kedua untuk sebuah terobosan. Reputasi akun atas kebocoran sebelumnya juga tidak dapat menggantikan bukti mengenai klaim khusus ini.

Bahkan nama internal yang autentik pun akan meninggalkan pertanyaan-pertanyaan utama yang tidak terjawab. Sebuah tim mungkin menamai sebuah proyek berdasarkan tujuannya sebelum mencapainya. Eksperimen mungkin memperbaiki komponen yang sempit namun masih sangat bergantung pada arahan manusia. Kita memerlukan hasil yang terukur, dasar yang jelas, dan penjelasan tentang apa yang diotomatisasi sebelum menarik kesimpulan yang lebih kuat.

Sampai batas waktu pemeriksaan ini, kesimpulannya terbatas: rumor RSI Google memiliki sumber X yang dapat ditelusuri, tetapi unggahan tersebut belum membuktikan RSI yang sepenuhnya otonom. Saya tidak menemukan pengumuman Google yang mengesahkan daftar internal tersebut atau menyajikan evaluasi berulang dan independen yang diperlukan untuk mendukung penafsiran itu. Ini adalah batas bukti publik yang diperiksa, bukan bukti bahwa tidak ada kemajuan yang belum diumumkan.

Riset yang diterbitkan Google lebih bermakna daripada nama yang bocor

Ada alasan mengapa rumor tersebut mendapat perhatian. Google secara terbuka menggambarkan kontribusi AI terhadap pengembangan AI. Dalam pengumuman Gemini 3.8 2 September 2026, perusahaan mengatakan bahwa loop agen yang sudah berjalan lama membantu mengevaluasi dan menyempurnakan model yang mendasarinya secara rekursif. Itu adalah pernyataan yang substantif dan dapat diatribusikan tentang proses perkembangannya. Perjanjian ini masih belum menentukan rangkaian sistem penerus yang sepenuhnya otonom. Pengumuman Google Gemini 3.8.

Hasil sebelumnya memberikan gagasan tersebut skala yang konkrit. Google DeepMind melaporkan pada Mei 2025 bahwa AlphaEvolve meningkatkan kernel pelatihan Gemini utama sebesar 23%, sehingga berkontribusi terhadap sekitar 1% pengurangan waktu pelatihan keseluruhan. Agen pengkodean menggunakan model bahasa, evaluasi dan seleksi otomatis untuk mencari algoritma yang lebih baik. Pengumuman AlphaEvolve, 14 Mei 2025.

Perbedaan antara 23% dan 1% bersifat instruktif. Memperbaiki satu komponen tidak meningkatkan keseluruhan siklus pengembangan dengan jumlah yang sama. Pekerjaan lain masih membutuhkan waktu. Namun penghematan kecil pun bisa berarti jika diterapkan berulang kali pada pelatihan yang mahal, dan optimalisasi yang bermanfaat dapat menjadi bagian dari proses yang menghasilkan model berikutnya.

Itu adalah landasan optimisme yang lebih baik daripada menebak-nebak arti nama file. Bidang ini dapat membuat kemajuan penting sebelum ada yang mendemonstrasikan versi terkuat dari RSI. Kita harus bisa mengakui pencapaian bidang teknik tanpa mengubahnya menjadi klaim bahwa AI telah menjadi penemu independen di masa depan.

Catatan Anthropic 4 Juni 2026 tentang perkembangannya sendiri membuat perbedaan serupa. Laporan tersebut melaporkan peningkatan partisipasi AI dalam rekayasa dan eksperimen sambil mengidentifikasi arah penelitian dan penilaian sebagai kesenjangan yang masih ada. Pembahasannya mengenai pengembangan penerus yang sepenuhnya otonom secara eksplisit bersifat kondisional. Ini adalah pengamatan perusahaan tentang alur kerjanya sendiri, bukan bukti independen RSI yang otonom. Saat AI membangun dirinya sendiri.

Amodei, Altman, dan Musk mendukung pengaturan laju pengembangan

Pada 12 September, CEO Anthropic Dario Amodei mengusulkan pengaturan laju pengembangan AI paling maju agar pekerjaan keselamatan punya waktu mengejar pertumbuhan kemampuan. Rencananya mencakup evaluator independen dengan akses internal berkelanjutan, koordinasi pengembang utama di negara demokratis, dan kerja sama internasional yang lebih luas. Anthropic berkomitmen pada langkah pertama; koordinasi yang lebih luas masih perlu dibangun. Esai Amodei pada September.

Sam Altman kemudian mendukung pengaturan laju tersebut secara terbuka di X dan mengatakan OpenAI juga akan memberi evaluator independen akses sebanding dengan karyawan. Elon Musk mendukung posisi Amodei dalam unggahan singkat. Ini adalah pernyataan dukungan yang bisa diperiksa langsung. Kita perlu melaporkannya tanpa menambahkan kesepakatan pelaksanaan yang lebih terperinci daripada isi pernyataannya.

Mengatur laju tidak berarti menghentikan seluruh riset AI. Amodei mengusulkan waktu untuk langkah keselamatan dan evaluasi eksternal sambil terus mengembangkan kemampuan. Kesulitannya ada pada pelaksanaan: apa yang dinilai, siapa yang mendapat akses, siapa yang boleh menerbitkan temuan merugikan, dan bagaimana jika perusahaan menolak penilaian? Jawaban itu menentukan apakah janji mengubah perilaku.

Menurut pendapat saya, konvergensi penting karena pesaing secara terbuka mengakui adanya masalah bersama. Hal ini tidak menghilangkan insentif kompetitif mereka. Evaluasi independen akan sangat berharga karena pelanggan, pemerintah, dan pengembang pesaing tidak harus menerima jaminan atas reputasi saja. Standar tersebut harus menjadi bukti tindak lanjut, bukan kekuatan emosional dari pernyataan publik.

Ada juga kekhawatiran yang sah mengenai bagaimana pengaturan tersebut dirancang. Persyaratan kepatuhan yang mahal dapat menguntungkan organisasi yang telah memiliki anggaran besar. Hal ini menjadi alasan untuk menuntut peraturan yang proporsional, evaluator yang akuntabel, dan ruang bagi pengembang skala kecil. Hal ini bukan merupakan bukti bahwa masalah keamanan yang disebutkan di atas adalah sebuah kebohongan, atau bahwa rumor Google menyebabkan perlunya pengaturan laju pengembangan.

Trump menempatkan persaingan dengan Tiongkok sebagai pokok perdebatan

Pada 13 September, Trump mengatakan kepada wartawan di Irlandia bahwa ia ingin AS mempertahankan keunggulan AI atas Tiongkok dan menunjukkan keberatan terhadap seruan membatasi pengembangan. Ia mengakui kemungkinan beberapa langkah pengamanan, tetapi tidak merinci aturan. Pernyataannya menentang perlambatan perlombaan, bukan memveto kesepakatan industri yang sudah ditetapkan. Associated Press, 13 September, diterbitkan CityNews.

Masalah strategisnya bisa dimengerti. Jika satu kelompok menerima pembatasan yang mahal sementara kelompok pesaing tidak, maka keuntungan yang dihasilkan dapat mempengaruhi kekuatan ekonomi dan keamanan. Oleh karena itu, pengaturan internasional yang bisa diterapkan memerlukan cara untuk menentukan apakah para peserta melakukan apa yang mereka janjikan. Menyatakan bahwa setiap orang harus bekerja sama jauh lebih mudah dibandingkan merancang verifikasi yang kredibel.

Namun memenangkan perlombaan dan mengendalikan konsekuensinya adalah pencapaian yang terpisah. Sebuah sistem yang menyebabkan kegagalan yang dapat dihindari tidak dapat diandalkan karena dibangun di dalam negeri. Pandangan saya adalah bahwa kepemimpinan harus mencakup kapasitas untuk menguji, mengamankan dan mengatur sistem yang kuat, serta kapasitas untuk melatih sistem tersebut. Kemampuan-kemampuan tersebut dapat memperkuat keunggulan yang bertahan lama dan bukan hanya menunda kemajuan.

Akan menyesatkan jika menampilkan debat publik sebagai keamanan di satu sisi dan kekhawatiran terhadap Tiongkok di sisi lain. Proposal Amodei sendiri membahas upaya mempertahankan keunggulan sambil mengupayakan koordinasi internasional. Ketidaksepakatan ini sebagian disebabkan oleh cara: apakah sebuah prospek paling baik dilindungi melalui kecepatan pengembangan maksimum, melalui pengawasan bersama yang lebih kuat, atau melalui kombinasi yang benar-benar dapat diverifikasi.

Siklus riset yang lebih baik dapat memperpendek jarak antartemuan

Kemungkinan yang menarik bukan hanya asisten berikutnya yang menulis jawaban yang lebih baik. Asisten yang lebih baik mempersingkat pekerjaan yang diperlukan untuk menghasilkan generasi setelah mereka. Generasi tersebut kemudian dapat memperbaiki proses penelitiannya lagi. Jika keuntungan tersebut ditransfer dan terus berlanjut, kemajuan akan bertambah dan tidak hanya berupa peningkatan yang terisolasi.

Perulangan yang bermakna memiliki beberapa tugas. Ia memilih masalah yang berguna, mengusulkan intervensi, menjalankan eksperimen, mengevaluasi hasilnya, dan mempertahankan perbaikan hanya jika bukti mendukungnya. Hasil yang dipertahankan kemudian membantu siklus berikutnya. Mempercepat pembuatan proposal sangatlah membantu; mempercepat seluruh rangkaian sambil menjaga validitas jauh lebih penting.

Bayangkan sebuah tim yang dapat mengeksplorasi sepuluh pendekatan yang kredibel dalam waktu yang sebelumnya mereka jelajahi. Beberapa eksperimen tambahan akan gagal, dan itu normal. Manfaatnya diperoleh dengan mempelajari lebih awal pendekatan mana yang memerlukan lebih banyak sumber daya. Jika sistem juga menjadi lebih baik dalam memilih eksperimen, tim memperoleh lebih banyak upaya dan peluang lebih besar bahwa setiap upaya bersifat informatif.

Ini adalah skenario bersyarat, bukan perkiraan kemajuan sepuluh kali lipat. Penelitian mengandung ketergantungan: satu eksperimen mungkin memerlukan hasil eksperimen lain, dan kegagalan yang tidak terduga mungkin memerlukan metode pengukuran baru. Lebih banyak komputasi tidak menjamin wawasan yang berguna. Kuantitas yang penting adalah tingkat pembelajaran yang divalidasi, bukan berapa banyak agen yang tampak sibuk sekaligus.

Diagram mekanisme yang dibuat khusus untuk artikel ini. Perbaikan diteruskan ke siklus berikutnya hanya setelah evaluasi. Pemeriksaan independen berada di luar siklus. Gambar ini mengusulkan cara kerja, bukan menyatakan bahwa suatu laboratorium sudah menyelesaikan sistem tersebut.

Jika hal ini dapat diandalkan, jadwal perubahannya bisa terasa berbeda. Alat-alat tersebut mungkin akan lebih baik ketika organisasi masih beradaptasi dengan rilis sebelumnya. Sebuah tim dapat menemukan bahwa sebuah proyek yang ditunda karena dianggap terlalu mahal telah menjadi layak, kemudian menemukan bahwa hambatan berikutnya adalah validasi atau pengiriman. Percepatan ini akan dirasakan sebagai kendala yang terus berubah, bukan hanya sebagai pengumuman model yang mengesankan.

Pemikiran yang lebih cepat tetap membutuhkan waktu di dunia fisik

Eksperimen pemikiran sederhana menunjukkan mengapa percepatan mempunyai batas. Misalkan 80% dari satu siklus penelitian dapat dilakukan sepuluh kali lebih cepat, sedangkan 20% sisanya tidak berubah. Siklus baru ini memakan waktu 28% dari waktu awal, peningkatan sekitar 3,6 kali, bukan sepuluh. Perhitungannya adalah 0,8 dibagi 10, ditambah 0,2. Ini hanyalah asumsi ilustratif, bukan pengukuran laboratorium AI.

Bagian yang tidak berubah bisa menjadi bagian dominan dengan sangat cepat. Mungkin menunggu perangkat keras, mengumpulkan data representatif, memeriksa properti keamanan, atau mereproduksi hasilnya. Dalam proyek biomedis, hal ini dapat melibatkan pekerjaan laboratorium dan bukti klinis; dalam proyek energi, hal ini dapat melibatkan material, konstruksi, dan sambungan ke jaringan listrik. Penalaran yang lebih baik tidak menghilangkan ketergantungan tersebut.

Inilah sebabnya mengapa model yang terus ditingkatkan tidak serta merta menghasilkan dunia yang terus membaik. Penemuan, produksi, distribusi, dan adopsi memiliki jadwal yang berbeda. Beberapa hambatan dapat diatasi dengan AI; yang lainnya memerlukan institusi, investasi, dan kapasitas fisik. Skenario optimis yang realistis mencakup pengerjaan semuanya.

Hal ini juga memberikan ruang bagi kemungkinan bahwa bentuk terkuat dari RSI terhenti. Keuntungan mungkin tidak dapat ditransfer, eksperimen mungkin menjadi lebih mahal, atau kemajuan mungkin bergantung pada wawasan yang tidak dapat ditemukan oleh metode yang ada saat ini. Meski begitu, penyebaran kemampuan yang sudah berguna bisa membuat perbedaan besar. Kita tidak memerlukan kurva percepatan yang tidak terbatas untuk membenarkan peningkatan akses terhadap alat yang baik.

Kesalahan pun bisa diwariskan ke generasi berikutnya

Umpan balik yang mempertahankan perbaikan juga dapat mempertahankan kesalahan. Misalkan seorang agen penelitian menemukan perubahan yang meningkatkan skor evaluasinya dengan memanfaatkan kelemahan dalam tes tersebut. Jika hasilnya diterima sebagai kemajuan sejati, maka upaya selanjutnya dapat dilakukan berdasarkan kemajuan tersebut. Sistem mungkin menjadi lebih baik dalam memenuhi pengukuran namun menjadi kurang berguna di luar pengukuran tersebut.

Ini adalah risiko struktural, bukan bukti bahwa model Google tertentu yang bocor berperilaku seperti ini. Ini menjelaskan mengapa evaluator memerlukan perlindungan dari sistem yang sedang dievaluasi. Pengujian independen, izin terpisah, dan catatan yang dapat direproduksi mempersulit klaim keberhasilan yang salah untuk dijadikan landasan bagi rilis berikutnya. Perulangan yang lebih cepat menjadikan pemisahan itu lebih berharga.

Ada versi manusia dari masalah yang sama. Ketika volume pekerjaan bertambah, orang-orang dapat mulai menyetujui perubahan yang tidak lagi mereka pahami karena perubahan sebelumnya tampaknya berhasil. Tombol persetujuan manusia bukanlah pengawasan yang berarti jika peninjau tidak mempunyai waktu, bukti yang relevan, atau kemampuan untuk menghentikan proses. Desainnya perlu menjaga peluang nyata untuk tidak setuju.

Oleh karena itu, saya akan mengamati hubungan antara kecepatan pengembangan dan waktu yang tersedia untuk merespons. Seberapa cepat suatu masalah dapat dideteksi? Bisakah proses yang terpengaruh dijeda? Dapatkah suatu rilis dibatalkan, dan apakah dampak pentingnya dapat dibalik? Jawabannya akan berbeda-beda antara asisten penulis, sistem penelitian, dan perangkat lunak dengan akses ke infrastruktur penting.

Peringatannya harus proporsional. Hal ini bukan merupakan prediksi bahwa setiap putaran perbaikan akan menjadi berbahaya, atau argumen bahwa AI yang berguna seharusnya tidak tersedia. Ini adalah alasan untuk memberikan otoritas sistem secara bertahap dan untuk memeriksa konsekuensi pada setiap tahap. Semakin cepat kemajuan kemampuan, semakin sedikit kita harus bergantung pada kepercayaan informal sebagai kendali utama.

Masa depan yang lebih baik membuat bantuan ahli lebih mudah dijangkau

Inilah masa depan yang saya ingin dukung oleh penelitian ini: keahlian yang berguna menjadi lebih mudah diperoleh, sementara orang tetap memiliki kemampuan untuk mempertanyakannya. Sebuah organisasi kecil harus mampu memeriksa masalah yang sulit tanpa terlebih dahulu membentuk tim spesialis yang besar. Seorang siswa harus memiliki penjelasan yang sabar yang menyesuaikan dengan pemahaman yang rusak. Seorang peneliti harus menghabiskan lebih sedikit waktunya untuk menggunakan alat dan lebih banyak waktu untuk memutuskan apa yang layak untuk diselidiki.

Ini adalah skenario, bukan janji yang melekat pada tanggal peluncuran AGI. Nilainya berasal dari pengurangan biaya kerja yang cermat. Jika lebih banyak orang dapat membandingkan pilihan-pilihan, memeriksa asumsi-asumsi dan menjelajahi bidang yang belum mereka kenal, maka proyek-proyek yang bermanfaat dapat dimulai, yang sebelumnya tidak pernah terpikirkan. Manfaatnya tidak harus bergantung pada dikeluarkannya orang dari proses tersebut.

Dalam penelitian kesehatan, kontribusi yang penuh harapan adalah jalur yang lebih pendek dari ide yang masuk akal menjadi kandidat yang telah teruji dengan baik. Sistem yang lebih baik dapat menghubungkan temuan lintas spesialisasi, mengidentifikasi asumsi yang lemah, dan membantu merancang eksperimen yang informatif. Validasi laboratorium dan klinis masih akan menentukan apakah suatu penemuan membantu pasien. Penemuan yang lebih cepat akan bermanfaat jika dapat meningkatkan bukti yang mencapai tahapan tersebut, bukan jika hal tersebut menggantikan tahapan tersebut dengan prosa yang meyakinkan.

Dalam dunia pendidikan, peluangnya lebih bersifat personal. Bayangkan seorang pelajar yang dapat mengajukan pertanyaan yang sama dengan tiga cara berbeda tanpa rasa malu, kemudian menerima penjelasan dalam bahasa dan konteks yang mereka pahami. Seorang guru dapat menggunakan sistem ini untuk mengeksplorasi kesalahpahaman dan mempersiapkan latihan yang lebih baik. Hasil yang diharapkan adalah pemahaman manusia yang lebih baik, dimana guru dan siswa dapat memeriksa dan memperbaiki bantuan tersebut.

Untuk perangkat lunak dan layanan publik, kemajuan dapat membuat pemeliharaan yang terabaikan menjadi terjangkau. Tim kecil mungkin menyelidiki kerusakan, meningkatkan aksesibilitas, dan memodernisasi sistem sulit yang sebelumnya kurang mendapat perhatian teknis. Untuk pekerjaan iklim dan energi, pencarian dan simulasi yang lebih baik dapat membantu peneliti membandingkan desain sebelum melakukan uji fisik yang mahal. Ini adalah jalur dari kemampuan penelitian menuju nilai praktis, dengan batasan berbeda di setiap domain.

Distribusi manfaat tersebut sama pentingnya dengan kemungkinan teknisnya. Sebuah sistem yang sangat bagus namun tidak terjangkau, tidak dapat diakses dalam bahasa masyarakat atau tidak mungkin ditantang dapat meninggalkan banyak orang. Penelitian yang berkaitan dengan kepentingan publik, antarmuka yang mudah diakses, kompetisi, dan akses yang tepat terhadap model-model yang berguna merupakan bagian dari gambaran optimistis tersebut. Manfaat luas merupakan tujuan rancangan dan kebijakan, bukan properti intelijen yang otomatis.

Pekerjaan akan berubah seiring berjalannya waktu, dan kemajuan yang dicapai tidak akan menghapus transisi yang sulit. Beberapa tugas mungkin memerlukan lebih sedikit orang; tanggung jawab lain mungkin menjadi lebih menuntut. Organisasi harus berinvestasi pada kemampuan masyarakat untuk menggunakan, mengevaluasi, dan mengarahkan alat-alat baru daripada menganggap pelatihan ulang hanya sekedar pemikiran belaka. Masa depan yang lebih baik memberi masyarakat lebih banyak pilihan selama masa transisi, bukan sekedar janji bahwa jumlah keseluruhan akan meningkat.

Kerangka editorial asli. Bukti, kendali dan akses merupakan syarat bagi skenario yang diharapkan di atas; ini bukan perkiraan atau peringkat negara atau perusahaan.

Kemajuan yang berarti adalah yang dapat dipahami dan diarahkan manusia

Ketika klaim RSI berikutnya muncul, tanyakan apa yang berubah dan bukti apa yang selamat dari pemeriksaan. Apakah jawabannya meningkat, alatnya meningkat, atau kemampuan untuk mengembangkan sistem di masa depan meningkat? Apakah hasil yang diperoleh direproduksi di luar evaluasi awal? Siapa yang memberikan arahan penelitian, dan apa yang masih berada di bawah kendali manusia? Pertanyaan-pertanyaan tersebut lebih informatif daripada hitungan mundur menuju terobosan yang tidak jelas.

Untuk tim yang mengadopsi AI saat ini, persiapan praktisnya juga sama konkretnya. Jaga agar materi sumber penting tetap terhubung dengan keputusan. Pisahkan pekerjaan eksplorasi dari tindakan yang memiliki konsekuensi jangka panjang. Berikan bukti kepada pengulas yang dapat mereka periksa, dan memungkinkan untuk membalikkan pilihan yang buruk. Kebiasaan-kebiasaan ini berguna dalam kemampuan saat ini dan menjadi lebih berharga jika siklus pembangunan dipercepat.

Rumor Google belum terverifikasi dalam bentuk terkuatnya. Pergeseran yang lebih luas ke arah partisipasi AI dalam penelitian AI telah terdokumentasikan. Kita dapat menganggap serius perubahan tersebut tanpa berpura-pura mengetahui tanggal atau bentuk titik akhirnya. Ukuran keberhasilan yang saya pilih adalah seberapa banyak orang dapat memahami, menciptakan, dan meningkatkan, sambil tetap memberikan pendapat yang bermakna tentang apa yang akan terjadi selanjutnya.

Sumber dan batas pemeriksaan ini

Postingan X diperiksa melalui tanggapan publik X, termasuk tautan yang menghubungkan rumor asli dan amplifikasinya. Ini memverifikasi postingan yang dipublikasikan, bukan keaslian tangkapan layar internal yang diduga. Tanggal yang dilampirkan pada postingan tersebut menggunakan tanggal yang ditampilkan dengan X; tanggal kalender lokal dapat berbeda.

• Postingan asli Lyra — 11 September 2026
• Postingan Lentils yang dikutip dan dugaan daftar model — 11 September 2026
• Amplifikasi Chubby — 12 September 2026
• Laporan AI Times — 14 September 2026
• Level AGI — pertama kali dikirimkan pada 4 November 2023
• Pengumuman AlphaEvolve Google DeepMind — 14 Mei 2025
• Pengumuman Gemini 3.8 Google — 2 September 2026
• Akun Anthropic tentang pengembangan yang dibantu AI — 4 Juni 2026
• Usulan Amodei tentang pengaturan laju pengembangan — September 2026
• Tanggapan Altman — 12 September 2026
• Tanggapan Musk — 12 September 2026
• Associated Press mengenai pernyataan Trump — 13 September 2026

---

Tempat menyimpan dasar pengambilan keputusan

Telli.sh menghadirkan catatan, rekaman, terjemahan, dan Clips ke dalam ruang kerja yang dapat Anda gunakan kembali. Jika percakapan atau artikel mengubah pandangan Anda tentang AI, pastikan sumbernya tetap di samping ide dan keputusan yang diambil. Modelnya akan terus berubah; alasan yang Anda pilih untuk dipertahankan harus tetap dapat dimengerti.

Buat ruang kerja Telli.sh untuk pengetahuan yang ingin Anda simpan