Beberapa waktu lalu, presentasi panjang oleh Adam Brown, kontributor inti Gemini dan pemimpin tim Blueshift, berjudul "Melatih Pasir untuk Berpikir: Kecerdasan Buatan Umum & Masa Depan Fisika" di Institut Fisika Teoritis Perimeter telah menarik perhatian luas. Dalam presentasi tersebut, dia menceritakan bagaimana dia menyaksikan AI berkembang dari level "taman kanak-kanak" hingga mencapai level doktoral, dan kemudian memproyeksikan: jika tren ini berlanjut, bagaimana wujud fisika di masa depan.
Judul presentasi: Training Sand to Think: Artificial General Intelligence & Future of Physics
Alamat presentasi: https://www.youtube.com/watch?v=Mw60FH5iflI&t=3s
Presentasi ini juga mendapat rekomendasi kuat dari pemenang Hadiah Nobel Fisika dan Hadiah Turing, Geoffrey Hinton, yang memujinya sebagai "luar biasa bagus (amazingly good)".
Sebelum memperkenalkan presentasi yang luar biasa ini, perlu diperkenalkan terlebih dahulu pembicaranya, Adam Brown.
Riwayat hidup Brown bisa dibilang sebagai contoh "bagaimana seorang fisikawan teoretis mengubah takdir oleh AI". Di Universitas Oxford, dia mengambil gelar gabungan Fisika dan Filsafat, kemudian meraih gelar doktor di Universitas Columbia, dan selanjutnya mengajar di departemen fisika Universitas Princeton dan Universitas Stanford. Di Stanford, dia mengajar teori relativitas umum Einstein, dengan cakupan penelitian mulai dari Big Bang, inflasi kosmik, multiverse, lubang hitam, komputasi kuantum, hingga konsep yang terdengar seperti fiksi ilmiah seperti "lift luar angkasa" dan "gelembung ketiadaan (bubbles of nothing)", serta takdir akhir alam semesta. Dia juga sejak lama memperhatikan hubungan mendalam antara fisika dan ilmu komputer.
Pada tahun 2018, Brown bergabung dengan Google. Kini dia memimpin sebuah tim bernama Blueshift di dalam DeepMind, yang fokus pada peningkatan kemampuan saintifik dan penalaran AI, dan juga merupakan salah satu kontributor inti model bahasa besar Gemini.
Di awal presentasi, dia menyebutkan bahwa dalam kariernya dia telah menulis sekitar empat puluh makalah fisika teoretis, tetapi beberapa tahun terakhir telah berhenti menulis makalah secara manual. Alasannya bukan karena tidak bisa menulis, tetapi karena dia merasa menulis makalah satu per satu secara manual lebih seperti "kesenangan yang berdosa", karena yang seharusnya dia lakukan saat ini adalah berpartisipasi dalam menciptakan sebuah mesin yang mampu menghasilkan pengetahuan dalam skala industri.
Pembukaan seperti itu juga menetapkan nada untuk keseluruhan presentasi: seseorang yang berada di pusat badai teknologi "AI+Sains", mencoba menggambarkan bentuk sebenarnya dari badai tersebut kepada rekan-rekannya.
Kami juga, dengan bantuan AI, telah merangkum presentasi brilian Brown ini.
Dari Butiran Pasir ke Mesin yang Bisa Berpikir
Brown merangkum posisi khusus peradaban manusia saat ini dalam satu kalimat: Kita telah belajar memurnikan pasir menjadi silikon, membuat chip dari silikon, merakit chip menjadi jaringan saraf, dan sekarang belajar melatih jaringan saraf ini untuk berpikir.
Dia khusus menekankan, kali ini berbeda dengan "alat komputasi" apa pun sebelumnya. Dari sempoa hingga kalkulator saku, manusia sudah lama memiliki berbagai alat bantu penelitian ilmiah, tetapi itu semua adalah alat titik-tunggal, hanya bisa menyelesaikan satu langkah dalam alur kerja, sisanya tetap harus dilakukan manusia.
Model bahasa besar (LLM) berbeda, ia memiliki potensi untuk menyelesaikan seluruh alur kerja fisikawan teoretis, dan inilah arti dari kata "kecerdasan umum" (general intelligence). Brown menilai, LLM kemungkinan besar adalah substrat dasar yang digunakan manusia untuk membangun kecerdasan buatan umum.
Dia mengingatkan pendengar, mereka mungkin sudah menggunakan chatbot seperti ChatGPT, Gemini, atau Claude, tetapi belum tentu menyadari sebuah fakta yang terjadi secara diam-diam: sistem-sistem ini sudah diam-diam lulus tes Turing beberapa tahun yang lalu, dan hampir tidak ada yang secara khusus merayakannya.
Jaringan Saraf "Dibesarkan", Bukan "Ditulis"
Untuk memahami mengapa model besar benar-benar berbeda dari program komputer tradisional, Brown memberikan metafora inti: LLM tidak dibuat dengan cara diprogram (programmed), tetapi ditumbuhkan (grown), artinya mereka lebih mirip dibesarkan, bukan ditulis.
Proses spesifiknya terbagi menjadi dua tahap.
Tahap pertama disebut "pra-pelatihan". Para insinyur memulai dari sekumpulan neuron buatan dengan koneksi acak yang hampir seperti omong kosong, membuatnya terus mencoba memprediksi "kata berikutnya" dalam sebuah teks. Jika tebakan benar, jalur saraf yang sesuai diperkuat; jika salah, dilemahkan. Proses ini sangat panjang: setelah melihat satu juta kata, ucapan model masih sebagian besar tidak masuk akal; setelah membaca puluhan juta hingga miliaran kata, ia sudah bisa menulis kalimat yang gramatikal benar tetapi agak kaku; sampai membaca seluruh internet (puluhan triliun kata) barulah ia bisa melakukan percakapan yang lancar dan koheren tentang hampir semua topik.
Tahap kedua disebut "pasca-pelatihan", Brown menggambarkan ini sebagai "mengirim model ke sekolah etiket". Model yang baru selesai pra-pelatihan hanya bisa memprediksi kata berikutnya secara mekanis, berbicara kasar dan tidak patuh, tugas pasca-pelatihan adalah mengajarkannya untuk menjadi sopan, menjadi kooperatif dengan pengguna, bukan hanya sekadar melanjutkan permainan kata. Saat ini jumlah parameter model besar utama telah melonjak dari tingkat miliaran sepuluh tahun lalu menjadi tingkat triliunan, meskipun masih jauh lebih rendah dari skala koneksi sinapsis otak manusia yang sekitar seratus triliun, skala ini sudah cukup untuk membuat keajaiban terjadi.
Fisikawan Tidak Fokus: Hukum Penskalaan (Scaling Law) Memicu Revolusi Ini
Brown khusus menyebutkan, fisikawan memainkan peran tak terduga di titik awal revolusi AI ini: membawa pola pikir "Hukum Penskalaan (Scaling Law)".
Fisikawan secara alami terobsesi mencari hubungan hukum pangkat sederhana: menggandakan tinggi badan Alice, luas permukaan tubuhnya menjadi empat kali lipat, berat badannya menjadi delapan kali lipat, ini adalah analisis dimensi paling sederhana; sedangkan hubungan hukum pangkat antara laju metabolisme hewan dan berat badan yang ditemukan Kleiber hampir seratus tahun lalu adalah contoh yang lebih halus — baru bertahun-tahun kemudian, fisikawan menjelaskan prinsip di baliknya menggunakan dimensi fraktal sistem pembuluh darah.
Apalagi Hukum Moore yang terkenal:
Tahun 2020, beberapa peneliti dengan latar belakang fisika menerapkan pola pikir ini ke jaringan saraf, menemukan bahwa selama daya komputasi pelatihan, volume data, dan skala model ditingkatkan secara proporsional, kinerja model dalam tugas "memprediksi kata berikutnya" akan meningkat secara stabil sepanjang garis lurus dalam sistem koordinat logaritmik-logaritmik.
Kurva ini kemudian diperluas hingga delapan orde magnitudo, dan masih tetap berlaku.
Brown berkelakar, grafik ini "sederhana sampai investor ventura pun bisa memahaminya", dan ia bisa langsung memberi tahu pasar modal: masukkan uang (yaitu daya komputasi), dapatkan model yang lebih kuat.
Kurva sederhana inilah titik awal era Scaling selama enam tahun terakhir.
Tetapi Brown juga menunjukkan, menumpuk daya komputasi hanya sebagian dari cerita. Sepuluh tahun terakhir, daya komputasi yang dikonsumsi oleh pelatihan AI terdepan meningkat sekitar empat kali lipat per tahun, dana yang diinvestasikan dalam pelatihan meningkat sekitar 2,7 kali lipat per tahun.
Saat ini, daya komputasi yang dibutuhkan untuk satu sesi pelatihan tingkat top kira-kira menghabiskan ratusan juta dolar AS, sedangkan PDB tahunan Amerika Serikat mendekati tiga puluh triliun dolar AS, ini berarti kurva ini masih memiliki ruang pertumbuhan yang sangat panjang.
Tapi yang lebih penting dari menumpuk daya komputasi adalah penyempurnaan berkelanjutan manusia di tingkat algoritma: Para peneliti terus menemukan bagian tidak efisien dalam alur pelatihan dan memperbaikinya, inilah "mesin pertama" sejati di balik kemajuan AI selama sepuluh tahun terakhir.
"Riwayat Singkat" Uji Tolok Ukur: Dari TK hingga Doktor
Jika Hukum Penskalaan menjelaskan "mengapa AI menjadi lebih kuat", maka muncul dan tenggelamnya serangkaian uji tolok ukur mencatat "seberapa kuat AI sebenarnya". Brown menggunakan serangkaian skor tes untuk menggambarkan kurva yang memusingkan.
Empat tahun lalu, sebuah uji tolok ukur matematika SMA bernama MATH muncul. Para peneliti menguji seorang kandidat doktor ilmu komputer yang tidak terlalu pandai matematika, skornya sekitar 40%; kemudian menguji seorang peraih medali emas Olimpiade Matematika Internasional tiga kali, skornya 90%. Sementara model besar tercanggih saat itu hanya bisa mendapatkan 6% — hampir tidak berbeda dengan menebak, karena model bahkan tidak bisa memahami pertanyaannya.
Pasar prediksi saat itu memperkirakan, jika model bisa mencapai 50% pada tahun 2025, itu sudah "optimisme yang angkuh". Pembuat uji tolok ukur itu sendiri secara terbuka menyatakan, jika benar-benar ada model yang bisa melakukannya, dia akan merasa "cukup terkejut".
Hasilnya, angka 50% itu hampir "segera" dilampaui oleh sebuah sistem bernama Minerva. Pada pertengahan 2024, sistem tim Brown mendapatkan skor 90% dalam tolok ukur ini. Mereka bahkan secara khusus mengadakan pesta disko rollerblade bergaya tahun 90-an untuk merayakannya. Namun hanya enam bulan kemudian, model besar yang tersedia di pasaran hampir menyelesaikan soal-soal tersebut dengan sempurna. Uji tolok ukur MATH pun "mati", dan ia langsung melompat dari "terlalu sulit" ke "terlalu mudah", hampir tanpa jeda.
Selanjutnya yang jatuh adalah uji GPQA untuk mahasiswa pascasarjana, mensimulasikan tingkat kesulitan ujian kualifikasi tahun pertama doktoral, skor rata-rata ahli manusia sekitar 70%. Model mulai dari mendekati tebakan acak, pada tahun 2024 hingga 2025 melesat melewati tingkat ahli, kini hampir mendapatkan nilai sempurna. Untuk menyingkirkan kemungkinan "model hanya menghafal jawaban", tim Brown secara khusus merancang soal baru dengan distribusi serupa yang belum pernah muncul di internet, dan hasilnya kinerja model hampir tidak menurun.
Brown bahkan mengeluarkan ujian akhir pascasarjana relativitas umum dan mekanika kuantum yang dia periksa sendiri di Stanford (soal-soal ini tidak pernah diunggah ke internet), dan model juga mendapatkan nilai sempurna dalam satu setengah tahun. Dia setengah bergurau berkata, sekarang bahkan soal ujian yang dia buat sendiri, juga "sayangnya gugur".
Setelah itu, daftar uji tolok ukur yang jatuh semakin panjang, termasuk uji komprehensif super sulit yang pernah disebut "Ujian Terakhir Manusia" (Humanity's Last Exam).
Sedangkan lompatan paling ikonik terjadi pada Olimpiade Matematika Internasional.
Melewati Ambang Olimpiade Matematika
Hanya sekitar setahun yang lalu, seorang pemenang Hadiah Turing secara langsung mengatakan kepada Brown bahwa model besar tidak akan pernah bisa menyelesaikan soal setingkat Olimpiade Matematika Internasional (IMO), karena itu membutuhkan kreativitas sejati, bukan hanya menghafal mati. Soal-soal IMO terkenal sebagai "soal tersulit dalam cakupan matematika SMA": remaja terpintar di seluruh dunia perlu berlatih satu atau dua tahun untuk bertanding, mendapatkan medali emas dari enam soal sudah termasuk langka.
Musim panas lalu, ambang batas ini terlampaui. Sistem tim Brown dalam uji tingkat IMO berhasil menjawab lima dari enam soal dengan benar, mencapai tingkat medali emas. Selain itu, sistem ini tidak berhasil dengan cara menumpuk serangkaian panjang bukti formal yang tidak bisa dipahami siapa pun. Ketua IMO dalam evaluasi publik menyatakan, solusi-solusi ini "mengejutkan dalam banyak hal", penguji menganggapnya jelas, tepat, sebagian besar mudah dipahami, menggunakan metode abstraksi matematika yang mirip dengan manusia.
Brown juga dengan jujur menunjukkan "adegan gagal" model besar.
Sebuah teka-teki klasik: seorang ayah dan anak mengalami kecelakaan mobil, ayah tewas, anak dibawa ke ruang operasi, dokter bedah utama melihat anak itu dan berkata "Saya tidak bisa mengoperasinya, dia adalah anak saya", tanyakan apa yang terjadi (jawaban standar adalah dokter adalah ibu anak itu). Soal ini menguji apakah pembaca secara default menganggap dokter bedah pasti laki-laki. Model besar menjawab soal "viral internet" ini dengan mudah, karena dalam data pelatihannya telah melihatnya ribuan kali. Tetapi ketika Brown membalikkan soal: ibu tewas, dokter secara khusus disebutkan sebagai "ayah anak laki-laki", lalu menanyakan pertanyaan yang sama, model sama sekali tidak menyadari soal sudah dibalik, secara mekanis menerapkan jawaban standar "dokter adalah orang tua lainnya".
Brown berkata, ini mengungkapkan sebuah "kecenderungan" khusus yang ditinggalkan oleh cara pelatihan model.
Kolaborasi Manusia-Mesin: AI Menulis Bukti yang Mau Ditandatangani oleh Matematikawan
Sepuluh bulan setelah melewati ambang IMO, tim Brown menyelesaikan sebuah pekerjaan yang menurutnya lebih signifikan: penelitian matematika sejati, yang sebelumnya tidak ada yang tahu jawabannya.
September lalu, tim Brown bekerja sama dengan beberapa matematikawan profesional, menggunakan mode kolaborasi yang dia sebut "Centaur" — Centaur adalah makhluk mitologi Yunani setengah manusia setengah kuda, dan di sini, "separuh yang bukan manusia" diganti dengan LLM.
Seluruh proses adalah percakapan yang berkelanjutan: model mengusulkan kandidat ide bukti, ahli manusia menilai mana yang berharga, membimbing model untuk menggali lebih dalam, dan akhirnya menyelesaikan sebuah makalah matematika lengkap di bawah bimbingan manusia. Salah satu penulis bersama makalah itu adalah profesor Universitas Stanford, ketua American Mathematical Society saat ini. Profesor ini memberikan penilaian bahwa argumen yang diajukan Gemini sama sekali bukan sekadar pembungkus ulang sederhana dari bukti yang ada, tetapi sebuah wawasan yang akan dia banggakan sendiri.
Brown menekankan, pada saat itu (akhir tahun lalu) ini sudah merupakan tingkat tertinggi yang bisa dicapai model besar di bidang matematika. Namun dia segera menambahkan: dari segi bobot sebenarnya dari "tingkat tertinggi", ini masih jauh.
Titik Balik Sejati: AI Mandiri Pecahkan Konjektur yang Terpendam Delapan Puluh Tahun
Memasuki tahun 2026, situasi berubah drastis atau lebih tepatnya meningkat drastis. Brown membuka dengan lelucon yang hampir menantang: "Sampai minggu lalu, LLM belum membuat terobosan matematika yang benar-benar besar." Sekarang, pernyataan ini sudah tidak berlaku lagi.
Peristiwa besar ini sudah banyak didengar orang. Konjektur "jarak satuan" yang diajukan Erdős pada tahun 1946, selama delapan puluh tahun diyakini secara luas oleh dunia matematika bahwa konfigurasi grid persegi sudah merupakan solusi optimal yang diketahui. Sebuah model besar internal OpenAI secara mandiri memberikan contoh penyangkal, dengan bantuan alat dari teori bilangan aljabar, mengkonstruksi serangkaian himpunan titik, yang jumlah pasangan jarak satuannya melebihi batas atas yang diakui sebelumnya. Ini setara dengan membantah konjektur yang telah lama dipercaya ini.
Perlu disebutkan, soal ini tidak kurang dikenal, banyak orang telah mencobanya sebelumnya, tetapi matematikawan menghabiskan banyak energi, selalu berkutat pada arah "pembuktian" daripada "penyangkalan". Brown khusus menyebutkan, peraih Medali Fields, Gowers, berpartisipasi dalam peninjauan ulang hasil ini, dan memberikan penilaian tinggi.
Brown menilai, ini adalah terobongan pertama yang benar-benar signifikan yang dicapai model besar di bidang matematika, dan dia yakin ini tidak akan menjadi yang terakhir — "pintu air telah terbuka", seiring kemampuan model terus melampaui "ambang batas yang dibutuhkan untuk membuat terobosan", dia memperkirakan akan ada lebih banyak pencapaian serupa yang muncul berturut-turut.
Dia setengah bergurau menambahkan, melihat ke belakang, alasan soal ini berhasil dipecahkan pertama kali, mungkin karena struktur soalnya kebetulan berada di "zona nyaman" model besar; selanjutnya, model akan menyelesaikan dulu masalah sulit yang "ramah terhadap AI", lalu secara bertahap mengatasi masalah yang "kurang ramah".
Nubuat dari Catur Internasional
Agar pendengar percaya kurva ini akan terus naik, Brown mengeluarkan sebuah grafik kurva yang sekilas terlihat seperti digambar sembarangan: sebuah garis lurus yang terus naik. Tentu saja, grafik ini bukan dia gambar asal-asalan, tetapi diambil langsung dari data nyata perubahan kekuatan komputer catur seiring waktu, sumbu vertikal adalah peringkat Elo yang mengukur kekuatan catur, sumbu horizontal adalah tahun.
Brown menguraikan empat tahap dalam sejarah AI catur:
Awalnya adalah "Era Mainan", membuat komputer bisa memainkan langkah catur yang masuk akal sudah dianggap keajaiban;
Kemudian adalah "Era Alat", komputer hanya bisa berperan pada bagian tertentu seperti perhitungan akhir permainan atau hafalan pembukaan;
Selanjutnya adalah "Era Centaur", saat itu kombinasi kekuatan catur terkuat di alam semesta adalah kolaborasi antara master dan kemampuan pencarian mendalam komputer;
Dan sekarang, manusia telah sepenuhnya memasuki "Era Superhuman": saat grandmaster catur bekerja sama dengan komputer, strategi optimalnya adalah melepaskannya dan membiarkan komputer bermain sendiri.
Brown percaya, keempat tahap ini hampir bisa diterapkan satu per satu di bidang penelitian ilmiah.
Hukum pertama adalah: dengan kekuatan komprehensif yang setara, komputer unggul dalam taktik dan kecepatan pencarian daripada manusia, tetapi masih lemah dalam strategi dan penilaian "rasa". Ini kebetulan juga adalah karakteristik yang terungkap dari model besar saat ini dalam penelitian matematika dan fisika: mereka pandai menerapkan lemma dan teknik yang sudah ada, kurang pandai menilai "ke mana arah keseluruhan harus pergi", tetapi kelemahan ini sedang mengecil dengan cepat.
Hukum kedua adalah: jumlah permainan yang perlu "dialami" untuk melatih AI bermain catur jauh melebihi jumlah total permainan yang bisa dimainkan manusia seumur hidup, tetapi karena mesin bisa bermain melawan diri sendiri tanpa lelah dengan kecepatan tinggi, "waktu kalender" yang sebenarnya dibutuhkan justru jauh lebih singkat daripada melatih seorang pemain catur manusia.
Hukum ketiga adalah, begitu kekuatan komputer catur melampaui tingkat puncak manusia, ia tidak pernah berhenti, toh tidak ada alasan fisik atau logis apa pun yang membuatnya berhenti tepat di sekitar tingkat manusia.
Fakta keempat yang patut dihibur adalah: kebangkitan AI catur justru meningkatkan tingkat keseluruhan pemain catur manusia, pemain catur manusia terkuat saat ini lebih kuat daripada periode mana pun dalam sejarah, sebagian berkat belajar dari AI superkuat; dan olahraga catur itu sendiri, juga belum pernah sepopuler sekarang ini.
Implikasi Brown jelas: jika penelitian ilmiah mengulangi lintasan ini, manusia kemungkinan besar akan menyambut "Ilmuwan AI" yang sepenuhnya otonom terlebih dahulu, kemudian setelahnya semacam "AI Einstein"... apa yang akan terjadi setelah itu, dia akui telah melampaui kemampuan prediksinya.
Bahkan Jika Kemajuan Berhenti di Sini, Fisika Telah Dibentuk Ulang
Brown juga mengajukan sebuah "asumsi pesimistis" yang perlu diwaspadai: jika kemampuan model besar sepenuhnya mandek mulai hari ini, apa yang akan terjadi?
Dia secara terbuka mengatakan, saat ini penggunaan yang benar-benar "tidak berhasil" adalah langsung berkata pada model "tolong ciptakan untuk saya teori gravitasi kuantum baru yang sama sekali baru", jawaban yang didapat mungkin hanya "omong kosong AI" yang tidak berharga dan membosankan.
Secara lebih umum, model besar saat ini masih memiliki empat kelemahan mencolok: otonomi rendah, kecepatan belajar lambat, kemampuan perencanaan buruk, kemampuan koreksi diri lemah.
Brown mengakui, keempat kelemahan ini telah membaik secara signifikan dalam setahun terakhir, tetapi tidak satu pun yang terselesaikan sepenuhnya, dan karena itu sistem yang bisa mendapatkan nilai sempurna di ujian pascasarjana setiap disiplin ilmu, masih belum menghasilkan pencapaian yang bisa disebut "terobosan besar".
Saat mempersiapkan presentasi ini, dia bahkan secara khusus menggambar ini sebagai "kurva datar" yang bertanda tanya, mengakui dengan nada mengejek bahwa ini mungkin satu-satunya grafik dalam seluruh presentasi yang "tidak terus naik". Namun dia juga menambahkan, sebelum tahun 2026 berakhir, semua orang mungkin akan mulai memperdebatkan bagaimana mendefinisikan kata "terobosan besar". Kenyataannya membuktikan, hari ini datang lebih cepat dari yang dia perkirakan sendiri.
Namun, bahkan jika kemajuan benar-benar berhenti di sini, Brown percaya model besar sudah cukup untuk mengubah wajah penelitian fisika secara total.
Dia membuat daftar beberapa penggunaan yang sudah matang dan terus berkembang:
Sebagai seorang "mentor pribadi tanpa penilaian", bisa menjawab area buta pengetahuan yang bahkan fisikawan sendiri tidak jelas kapan saja, tanpa harus membangunkan ahli kelas dunia dari tidur mereka di tengah malam;
Sebagai asisten pemrograman, kini sudah kuat sampai "disebut asisten pemrograman agak merendahkan", banyak masalah fisika yang sebelumnya dianggap "bukan masalah pemrograman", kini bisa dirumuskan ulang menjadi masalah kode untuk diselesaikan;
Sebagai alat penelusuran literatur, bisa membaca seluruh basis data makalah suatu bidang, langsung memberi tahu apakah suatu ide sudah pernah dilakukan orang; selain itu juga bisa menjadi partner brainstorming.
Brown merangkum, keunggulan inti model besar adalah: cepat, cakupan luas, tidak kenal lelah, dan bisa direplikasi tanpa batas. Membesarkan seorang fisikawan membutuhkan waktu puluhan tahun, sedangkan sekali sebuah model kuat dilatih, ribuan bahkan jutaan salinannya bisa dijalankan bersamaan — ini sudah cukup untuk "mengubah total" disiplin ilmu ini.
Penutup: Zaman Keemasan Fisika
Di akhir presentasi, Brown memberikan penilaiannya tentang "mengapa kemajuan tidak akan berhenti".
Dari sudut pandang ekonomi makro, saat ini proporsi dana yang diinvestasikan dalam pelatihan terhadap PDB global masih sangat kecil, masih ada ruang pertumbuhan yang luas; dari dalam teknologi, metode pelatihan model besar saat ini "jauh dari secanggih kelihatannya". Banyak ide perbaikan yang jelas, tetapi belum serius dicoba masih menunggu digali, ditambah dengan talenta dan daya komputasi yang terus mengalir ke bidang ini, Brown menilai arsitektur model dan skala daya komputasi saat ini sudah cukup untuk menuju kecerdasan buatan umum, bahkan tanpa terobosan teori baru.
Dia juga menanggapi pandangan pesimistis yang telah lama beredar, bahwa model besar hanya akan "cocokkan pola", tidak bisa menghasilkan ide baru yang benar-benar orisinal.
Pandangan Brown adalah, jika tingkat abstraksi ditarik cukup tinggi, hampir semua kreasi manusia yang terlihat seperti "terobosan besar", pada dasarnya juga adalah semacam pencocokan pola dimensi yang lebih tinggi. Ungkapan industri yang berulang kali dikonfirmasi di bidang ini adalah: "model-model ini memang ingin belajar", berapa pun alasan teoretis yang tampak masuk akal yang menjelaskan mereka seharusnya tidak belajar dengan baik, kinerja mereka selalu melampaui ekspektasi.
Kesimpulan Brown adalah, beberapa tahun ke depan, kita akan menyambut zaman keemasan "Centaur" kolaborasi manusia-AI: alat-alat ini akan diberikan ke tangan fisikawan manusia, matematikawan, dan ahli berbagai bidang, bersama-sama membuka Renaisans baru di bidang sains dan matematika.
Setelahnya, jika hal "menciptakan AI Einstein" benar-benar terwujud, karena mereplikasi model yang sudah dilatih hampir tidak membutuhkan biaya tambahan, manusia kemungkinan besar akan segera memiliki miliaran "AI Einstein tingkat superhuman" berjalan bersamaan. Kedengarannya seperti fiksi ilmiah, tetapi sedang terjadi.
Brown berkata, dalam jangka panjang, ke mana AI akan membawa fisika, dia sama seperti semua orang sulit memprediksinya. Dia bahkan berpikir, peningkatan kemampuan AI yang berkelanjutan sedang membuat masa depan seluruh dunia menjadi lebih sulit diprediksi. Tetapi satu hal yang dia yakini: beberapa tahun ke depan, akan menjadi masa paling mendebarkan dalam sejarah fisika. Masalah-masalah yang menghantui seluruh kariernya, dia perkirakan akan dijawab satu per satu dalam waktu dekat.
Artikel ini dari akun WeChat "Machine Heart" (ID:almosthuman2014), penulis: Perhatian pada AI
