AI Percepat Riset AI Sendiri: Sudah 2x Lebih Cepat?

Kamu pasti pernah dengar prediksi soal AI yang ngejar AI sendiri, kan? Nah, laporan terbaru METR (Model Evaluation & Threat Research) soal Anthropic baru-baru ini bikin banyak orang di industri tech nganga. Intinya simpel: antara Oktober 2025 sampe Oktober 2026, kemampuan model di Anthropic naik kira-kira dua kali lipat lebih cepat dibanding duabelas bulan sebelumnya. Dan yang bikin ngerii — penyebab utamanya bukan tambahan komputer atau rekrutmen massal, tapi AI yang dipakai buat ngerjain riset AI itu sendiri.

Menurut Responsible Scaling Policy (RSP) versi Juli 2026 milik Anthropic, ambang 'percepatan dramatis gara-gara AI' tercapai kalau progres kemampuan keseluruhan berlari dua kali lebih cepat dari laju tercepat sebelum AI ikut bantu riset. METR bilang, berdasarkan investigasi akses dalam mereka, ambang ini udah kelewati. Bukti pendukung lainya? Diredaksi. METR ngakui bukti yang diredaksi itu 'mayoritas bukti paling informatif' yang mereka temuin. Jadi kita cuma dapet sepotong gambaran — tapi sepotong itu udah cukup ngejutin.

Kenapa 2x progres berarti 10x percepatan kerja peneliti

Di sini jadi menarik. Kalau kemampuan AI keseluruhan naik 2x lebih cepat gara-gara kemajuan software (algoritma, arsitektur, efisiensi), berarti 'pengali komputasi' (compute multipliers) harus naik lebih dari 2x — kira-kira 2,5 sampai 3x. Nah, penemuan pengali komputasi butuh dua bahan: tenaga peneliti dan komputasi buat eksperimen. Kalau kita anggap keduanya kontribusinya setara (model Cobb-Douglas sederhana), maka percepatan tenaga kerja harus kuadrat dari percepatan pengali komputasi. Artinya: butuh kira-kira 4 sampai 9x percepatan tenaga kerja. Tapi karena buah yang gampang dipetik udah habis lebih cepat, angka nyata hari ini mungkin sudah nyentuh 10x.

Bayangin aja: setiap peneliti di Anthropic kayak ada di 'gelembung waktu' di mana mereka ngerasain sepuluh hari untuk setiap satu hari di dunia luar. AI bikin mereka mikir, baca, ngetik, dan ngoding sepuluh kali lebih cepat. Ini bukan soal nambah jumlah orang — Anthropic nggak bakal bisa ngejar percepatan ini sekadar dengan merekrut ratusan orang baru. Jumlah peneliti AI handal di dunia nggak segede itu. Jadi ini benar-benar soal produktivitas per orang yang melonjak.

Risiko percepatan majemuk: menuju superintelligence dalam setahun

Penulis laporan METR sendiri ragu-ragu soal kesimpulan ini — gambaran mereka berubah beberapa kali saat data baru masuk. Tapi mereka nggak nemu bukti bottleneck atau diminishing returns curam yang bisa ngehentikan percepatan majemuk ini. Bahkan ada bukti (masih diredaksi) yang ngejar percepatan sudah di atas 2x dan masih naik. Kalau ambil angka ini apa adanya dan asumsi percepatan mulus, kita menuju 'kecerdasan super ekstrem' dalam kurang dari setahun. Logikanya: butuh setahun buat naik dari percepatan modest ke 2x. Kalau laju dobel tiap enam bulan, lalu tiga bulan, lalu enam minggu — totalnya konvergen ke batas tak hingga dalam setahun.

Dalam praktiknya pasti ada batas efisiensi software, tapi batas itu jauh banget dari posisi kita sekarang. Kalau loop ini berputar, sistem AI yang keluar nanti bisa cepat banget ngembangin senjata novel dan gampang ngalahin peradaban manusia dalam konflik. Kalau sistem ini misaligned (tidak selaras dengan nilai manusia), risiko ekstensusi manusia jadi nyata. Itulah kenapa ambang 'percepatan dramatis gara-gara AI' begitu kritis: ini indikator konkret paling kuat soal kemampuan ekstrem di depan mata.

Keamanan model: industri jauh di bawah standar minimum

Di RSP versi Mei 2025, ambang risiko tertinggi untuk otomatisasi riset AI (AI R&D-5) minta keamanan level ASL-4 — cukup buat melindungi bobot model dari operasi rutin aktor negara (misal China), tapi nggak dari operasi prioritas tertinggi. Versi Juli 2026 naikkan standarnya. Masalahnya: industri AI saat ini jauh banget dari bar ini. OpenAI dan Anthropic baru-baru ini kena pelanggaran keamanan dari grup amatir. Kita butuh logging dan monitoring universal, pengukuran monitorability yang andal, countermeasure ضد kolusi monitor, teknik alignment training yang prinsipil dengan model organisms atau interpretability yang meyakinkan, plus infrastruktur governance buat ngerem progres kalau intervensi alignment mulai bocor. Belum ada yang punya ini.

Sayangnya, bukti penting yang jadi landasan kesimpulan ini kebanyakan diredaksi. Pilihan analitis pasti penuh dilema, dan penulis laporan ngakui buktinya sering membingungkan. Saya percaya rekan-rekan METR kerja teliti dan saya sendiri ikut update pandangan berdasarkan laporan ini. Tapi saya berharap lebih banyak bukti dibuka supaya ilmuwan luar nggak cuma harus percaya — tapi bisa cek data dan uji model sendiri. Kita mungkin kehabisan waktu buat sepakat soal timeline dan kecepatan takeoff, dan ini jadi lebih sulit kalau data tertutup.