Co-founder Anthropic memprediksi munculnya "AI yang mampu berkembang sendiri" pada tahun 2028 - ForkLog: cryptocurrency, AI, singularitas, masa depan

# Co-founder Anthropic meramalkan munculnya "AI yang berkembang sendiri" pada tahun 2028

Pada tahun 2028, sistem AI yang mampu mengembangkan dan melatih penerusnya secara mandiri tanpa keterlibatan manusia mungkin akan muncul di pasar. Ramalan ini diberikan oleh salah satu pendiri perusahaan Anthropic, Jack Clark

"Ini sangat penting. Saya tidak tahu bagaimana menyadarinya. Saya sampai pada kesimpulan ini dengan enggan, karena konsekuensinya begitu besar sehingga saya merasa tertekan oleh mereka, dan saya tidak yakin masyarakat siap untuk perubahan yang dibawa oleh pengembangan AI otomatis," — katanya

Clark menggambarkan skenario otomatisasi penuh penelitian AI — model yang secara mandiri:

• menetapkan tugas penelitian;
• merancang eksperimen;
• menulis dan menguji kode;
• mengoptimalkan pelatihan;
• meningkatkan arsitektur versi AI berikutnya

Ahli menyebut ini sebagai "titik balik dalam masa depan yang hampir tak terduga" dan memperkirakan kemungkinan skenario tersebut sebesar 60% dalam dua tahun ke depan

Dasar Penilaian

Kesimpulan Clark didasarkan pada dinamika beberapa tolok ukur:

• SWE-Bench — tes untuk menyelesaikan masalah rekayasa nyata berdasarkan repositori GitHub. Pada akhir 2023, model terbaik mampu menyelesaikan sekitar 2% kasus; menjelang musim semi 2026, angka ini mencapai 94%;
• CORE-Bench — reproduksi hasil artikel ilmiah AI dengan pengaturan lingkungan, menjalankan kode, dan analisis kesimpulan. Menurut Clark, tolok ukur ini sebenarnya "tertutup": agen modern menunjukkan sekitar 95,5%;
• MLE-Bench — pelaksanaan tugas ML tingkat Kaggle. Sistem agen terbaik sudah mencapai 64-65%.

Menurut salah satu pendiri Anthropic, ketiga metrik menunjukkan satu hal: AI dengan cepat beralih dari penulisan kode secara titik ke pelaksanaan lengkap tugas rekayasa dan penelitian.

Pertumbuhan Otonomi

Argumen lain — peningkatan durasi tugas yang mampu dilakukan model AI tanpa intervensi manusia.

Menurut METR, pada 2022, sistem mampu menyelesaikan tugas yang sebelumnya memakan waktu puluhan detik bagi manusia. Pada 2024, angka ini meningkat menjadi sekitar 40 menit, dan pada 2025 — hingga enam jam. Saat ini, model terdepan mampu melakukan pekerjaan rekayasa selama sekitar 12 jam berturut-turut.

Clark mengaitkannya dengan penyebaran alat agen untuk pemrograman. Semakin lama model mempertahankan tujuan, memeriksa hasil sementara, dan memperbaiki kesalahan, semakin banyak tahap siklus penelitian yang dapat dia delegasikan.

Mengapa Ini Penting untuk Pengembangan AI

Siklus pengembangan AI modern mengikuti satu skema: mempelajari materi, mereproduksi hasil, mengumpulkan eksperimen, melatih atau melatih ulang model, memeriksa metrik, menemukan titik lemah, dan mengulang. Pertumbuhan di SWE-Bench, CORE-Bench, dan MLE-Bench menunjukkan bahwa model sudah mampu menyelesaikan bagian-bagian dari siklus tersebut secara lengkap.

Clark secara terpisah menunjukkan kemajuan dalam tugas yang lebih khusus. Misalnya, AI mulai digunakan untuk merancang inti GPU — kode yang menentukan efisiensi pelatihan dan inferensi model pada perangkat keras tertentu.

Bidang lain adalah pelatihan ulang model. Dalam tolok ukur PostTrainBench, sistem AI meningkatkan LLM kecil dengan kode sumber terbuka.

Per Maret 2026, neural network terbaik mencapai 25-28% dari peningkatan target (dibandingkan 51% pada tim manusia). Clark menganggap hasil ini signifikan: targetnya adalah model instruktif nyata yang dibuat oleh peneliti berpengalaman.

Anthropic mengukur bagaimana model mereka mengoptimalkan pelatihan LLM di CPU. Dalam setahun, percepatan meningkat dari 2,9 kali (Claude Opus 4) hingga 52 (Claude Mythos Preview). Untuk manusia, tugas serupa biasanya memakan waktu empat sampai delapan jam.

AI Sudah Belajar Mengendalikan AI

Clark menyoroti bahwa sistem modern mulai mengoordinasikan kerja agen lain. Pendekatan ini sudah digunakan dalam produk seperti Claude Code atau OpenCode: satu asisten mendistribusikan tugas di antara beberapa sub-asisten, mengawasi mereka, dan mengumpulkan hasilnya.

Ini penting untuk pengembangan AI: mereka jarang merupakan satu tugas linier — biasanya melibatkan puluhan proses paralel, termasuk penulisan kode dan pengaturan lingkungan. Jika model mulai mengelola proses ini secara mandiri, tingkat partisipasi manusia akan berkurang secara drastis.

Apakah Neural Network Membutuhkan Kreativitas?

Menurut pendiri Anthropic, salah satu pertanyaan kunci — apa yang lebih mirip pengembangan AI: penemuan teori relativitas umum atau perakitan Lego.

Clark mengakui bahwa LLM saat ini belum mampu menghasilkan ide ilmiah yang benar-benar baru. Namun, untuk otomatisasi sebagian besar R&D AI, hal ini mungkin tidak wajib.

"Pada dasarnya, AI maju melalui pelaksanaan metodis siklus tertentu oleh manusia: mengambil sistem yang sudah berfungsi baik, memperbesar aspek tertentu, melihat kesalahan saat memperbesar, dan memperbaikinya. Untuk ini, sangat sedikit ide inovatif yang diperlukan, dan sebagian besar proses ini mirip pekerjaan rekayasa kasar yang tidak menarik," — kata ahli

Tanda-tanda Kontribusi Ilmiah Awal

Clark percaya bahwa model AI sudah mulai menunjukkan tanda-tanda intuisi ilmiah awal. Ia memberikan beberapa contoh dari matematika dan ilmu komputer:

• tim matematik Gemini memeriksa sekitar 700 soal Erdős dan mendapatkan 13 solusi, salah satunya disebut peneliti sebagai "kontribusi yang sedikit tidak trivial" terhadap masalah terbuka;
• ilmuwan dari University of British Columbia, University of New South Wales, Stanford, dan Google DeepMind menerbitkan bukti matematis yang ditemukan dengan bantuan alat berbasis Gemini.

Apa yang Terjadi Jika Ramalan Ini Benar

Clark menyoroti bahwa laboratorium AI terbesar sudah bergerak ke arah otomatisasi penelitian. OpenAI berencana menciptakan AI magang untuk kegiatan ilmiah mandiri, sementara Anthropic merilis karya tentang pengaturan otomatis sesuai nilai manusia.

Jika kecepatan saat ini dipertahankan, industri akan beralih ke fase otomatisasi penuh pengembangan AI, prediksi ahli — akan terjadi siklus di mana setiap generasi AI baru mempercepat munculnya generasi berikutnya.

Menurutnya, jika transisi ini terjadi sebelum akhir 2028, dunia tidak hanya akan menghadapi loncatan teknologi. Pertanyaan mendasar tentang keamanan, distribusi kekayaan, peran tenaga manusia, dan pengendalian sistem yang mulai berkembang lebih cepat dari penciptanya juga akan muncul.

"Jika saya harus menyebutkan probabilitas untuk tahun 2027, saya akan mengatakan 30%. Jika kita tidak melihat ini sebelum akhir 2028, saya rasa ada kekurangan dalam paradigma teknologi saat ini, dan untuk maju, manusia perlu menemukan inovasi baru," — tutup Clark

Sebagai pengingat, pada Januari CEO Anthropic Dario Amodei meramalkan munculnya AGI dan pengurangan pekerjaan secara cepat