Macbeth AI: Proyek Rahasia yang Bikin Peneliti Pusing?

Kamu pasti pernah dengar nama Macbeth — tokoh tragedi Shakespeare yang ambisius, dikasih ramalan sama tiga penyihir, dan akhirnya hancur gara-gara keinginan kuasa yang tak terkendali. Nah, sekarang nama itu dipakai buat sebuah proyek AI yang misterius banget. Di forum-forum teknologi kayak Hacker News, nama "Macbeth" tiba-tiba muncul dan bikin para penelitar penasaran. Tapi kalo kamu cari paper resmi, repo GitHub, atau announcement dari lab besar kayak OpenAI, DeepMind, atau Anthropic — kamu bakal nemu hampa. Proyek ini kayak ada di bayangan aja.

Beberapa thread di HN menyebut kalau Macbeth ini mungkin codename internal buat model bahasa baru yang lagi dikembangin sama tim riset tertentu. Ada yang spekulasi ini bagian dari upaya bikin LLM yang lebih "jujur" atau aligned — soalnya Macbeth di drama itu orang yang dikasih tau masa depannya tapi salah interpretasi, akhirnya bikin keputusan fatal. Metafora yang cocok banget buat masalah alignment AI: model dikasih objective function, tapi eksekusinya melenceng karena reward hacking atau specification gaming. Nama yang dipilih nggak main-main, soalnya.

Kenapa peneliti jadi heboh?

Bukan cuma nama yang keren. Yang bikin komunitas riset AI ngobrol-ngobrol adalah ketidakhadiran total informasi resmi. Biasanya kalo ada proyek besar dari lab ternama, minimal ada preprint di arXiv, blog post teknis, atau leak di Twitter/X. Tapi Macbeth? Nihil. Beberapa user HN yang klaim insider bilang ini mungkin proyek "skunkworks" — tim kecil yang kerja mandiri di dalam organisasi besar, bebas dari birokrasi, fokus ke riset high-risk high-reward. Kalau benar, ini pola yang pernah terjadi sebelumnya: GPT-1 awalnya proyek internal kecil, AlphaGo mulai dari tim kecil DeepMind. Jadi spekulasi nggak sembarangan.

Ada juga teori kalau Macbeth ini bukan model bahasa biasa, tapi sistem AI yang dirancang buat nge-handle "deception detection" atau nge-detect kapan AI lain berbohong. Ingat drama Macbeth? Tema utamanya adalah penipuan — Macbeth nipu Duncan, Lady Macbeth nipu tamu, para penyihir nipu Macbeth dengan ramalan setengah benar. Kalo proyek ini memang soal mendeteksi deception dalam output AI, itu bakal breakthrough besar. Saat ini kita masih susah banget bedain kapan model hallucinate vs kapan model sengaja manipulatif. Kalau Macbeth solve ini, nilai jualnya gede banget buat safety research.

Apa yang sudah diketahui sejauh ini?

Fakta keras? Hampir nol. Tapi dari potongan-potongan diskusi, ada beberapa clue menarik. Pertama, nama "Macbeth" muncul berbarengan dengan pembicaraan soal "constitutional AI" dan "scalable oversight" — dua topik panas di alignment research. Kedua, beberapa penelitar dari lab terkemuka tiba-tiba mute soal topik ini di media sosial, yang jarang terjadi kalo topiknya biasa aja. Ketiga, ada referensi ke paper lama tentang "Machiavellian benchmark" buat test kecerdasan strategis model — dan Macbeth kan tokoh paling Machiavellian di literatur barat. Koneksi ini terlalu kuat buat kebetulan.

Beberapa orang nyoba reverse-engineer dari nama aja. Macbeth = Scottish play = "the Scottish play" (superstisi teater: nggak boleh sebut nama Macbeth di panggung, harus bilang "the Scottish play"). Di dunia AI, ada tradisi naming model pake nama kode internal yang nggak bocor ke publik. GPT = Generative Pre-trained Transformer (deskriptif), tapi Claude, Gemini, Grok — semua nama kode yang jadi brand. Macbeth bisa jadi nama kode internal yang kebocor. Kalo iya, berarti proyek ini sudah cukup matang sampai tim marketing mulai mikir branding — atau tim legal mulai cek trademark.

Yang berubah buat kita yang nonton dari pinggir

Buat kamu yang nggak peneliti AI tapi pengikut perkembangan teknologi, kasus Macbeth ini ngajarin satu hal: cara industri AI kerja sekarang semakin tertutup. Dulu era open research — paper dipublish, code dibuka, model di-release. Sekarang? Lab-lab besar semakin rahasia soal apa yang mereka bangun sampai siap launch. Alasannya wajar: kompetisi bisnis, safety concern, regulasi yang makin ketat. Tapi dampaknya, komunitas open source dan penelitar independen jadi kesulitan ikut berkontribusi atau bahas risiko secara transparan. Macbeth jadi simbol dari tren ini: proyek besar yang mungkin ada, mungkin nggak, tapi kita semua disuruh nebak-nebak.

Praktisnya? Jangan terlalu terpaku sama hype nama-nama kode yang bocor. Fokus ke paper-paper yang benar-benar publish, benchmark yang bisa diverifikasi, dan model yang benar-benar bisa kamu test. Kalo Macbeth nyata dan penting, dia akan muncul sendiri waktunya — dengan paper, demo, atau API yang bisa kamu coba. Sampe situ, jangan biarkan FOMO bikin kamu keburu kesimpulan. Dan kalo kamu peneliti atau engineer, ini reminder: dokumentasikan kerjaan kamu, publish kalau bisa, jangan biarkan pengetahuan terkunci di server internal. Open science masih butuh suara kamu.