Wawancara Sequoia dengan Hasabis: Informasi adalah esensi alam semesta, AI akan membuka cabang ilmu pengetahuan yang baru

Teks asli disusun ulang: Berita Baru tentang AI dari Gua Ge

Isi artikel ini disusun dari wawancara Demis Hassabis di saluran Sequoia Capital, dipublikasikan secara terbuka pada 29 April 2026.

Ringkasan isi: Wawancara Demis Hassabis di AI Ascent 2026 Sequoia Capital

Hubungan AI dan permainan: permainan adalah medan uji yang sangat baik untuk kecerdasan buatan. Dengan menjadikan AI sebagai inti dari gameplay, tidak hanya dapat memvalidasi konsep algoritma secara efektif, tetapi juga menyediakan dukungan daya komputasi awal untuk pengembangan teknologi.

“Teori Waktu untuk Memulai” dalam kewirausahaan: kewirausahaan harus “lebih maju lima tahun dari zaman, bukan lima puluh tahun”. Penting untuk dengan tajam menangkap keseimbangan antara terobosan teknologi dan kebutuhan implementasi nyata, karena terlalu dini seringkali sulit mencapai keberhasilan.

Rute evolusi AGI: Misi DeepMind jelas dan teguh—langkah pertama, membangun kecerdasan buatan umum (AGI); langkah kedua, menggunakan AGI untuk menyelesaikan semua masalah kompleks termasuk ilmu pengetahuan dan kedokteran.

Nilai inti “AI untuk Ilmu Pengetahuan”: AI adalah bahasa yang sempurna untuk menggambarkan sistem biologis dan alam yang kompleks. Dengan simulasi berbasis AI, siklus pengembangan obat baru diperkirakan dapat menurun dari beberapa tahun menjadi beberapa minggu, bahkan mewujudkan pengobatan personalisasi secara nyata.

Kelahiran disiplin ilmu baru: kompleksitas sistem AI sendiri akan memunculkan “penjelasan mekanisme” dan bidang rekayasa baru lainnya. Selain itu, teknologi simulasi berbasis AI akan memungkinkan manusia melakukan eksperimen terkendali terhadap sistem sosial yang kompleks seperti ekonomi, membuka cabang ilmu pengetahuan baru.

Inti dari informasi sebagai hakikat alam semesta: materi, energi, dan informasi dapat saling mengubah. Hakikat alam semesta mungkin adalah sebuah sistem pemrosesan informasi yang besar, memberi makna mendalam bagi AI dalam memahami hukum dasar alam semesta.

Batas komputasi mesin Turing: jaringan neural dan sistem AI modern lainnya telah membuktikan bahwa mesin Turing klasik cukup untuk mensimulasikan masalah yang sebelumnya dianggap hanya dapat diselesaikan oleh komputasi kuantum (seperti pelipatan protein). Otak manusia kemungkinan besar adalah semacam mesin Turing yang sangat mendekati.

Refleksi filosofis tentang kesadaran: mungkin kesadaran terdiri dari komponen seperti kesadaran diri dan kontinuitas waktu. Dalam perjalanan menuju AGI, kita harus memandangnya sebagai alat yang kuat dan menggunakan alat tersebut untuk mengeksplorasi pertanyaan filosofis besar tentang “kesadaran”.

Ringkasan isi

Demis Hassabis, salah satu pendiri dan CEO Google DeepMind, serta pemenang Hadiah Nobel Kimia 2024 berkat AlphaFold, bersama mitra Sequoia Capital Konstantine Buhler, melakukan dialog mendalam dan luas di puncak AI Ascent 2026, membahas jalan menuju AGI dan masa depan setelahnya.

Dalam wawancara ini, ia menjelaskan mengapa ia yakin bahwa AGI dapat terwujud pada 2030, mengapa siklus pengembangan obat yang panjang bisa dipangkas dari sepuluh tahun menjadi beberapa hari, dan mengapa kita harus memandang “informasi” sebagai hakikat paling inti dan dasar dari alam semesta, bukan materi atau energi. Ia juga membahas bagaimana Einstein jika masih hidup akan menilai keterbatasan model AI saat ini, serta mengapa satu atau dua tahun ke depan akan menjadi titik kunci menentukan nasib manusia.

Transkrip wawancara lengkap

Pembawa acara: Demis, terima kasih banyak sudah datang.

Demis Hassabis: Senang sekali bisa di sini. Terima kasih kepada semua yang hadir, sangat menyenangkan bisa berbagi di sini.

Pembawa acara: Sangat terhormat mengundangmu ke pabrik cokelat kami.

Demis Hassabis: Baru saja saya dengar tentang ini. Saya sangat menantikan mencicipi cokelat nanti.

Pembawa acara: Luar biasa. Demis, mari kita langsung ke inti. Hari ini kita mengundang seorang veteran industri sejati: dia adalah pemikir orisinal, pendiri, dan visioner, pelopor di semua bidang AI. Demis adalah seorang pengikut keyakinan murni sekaligus ilmuwan sejati.

Perjalanan awal dan garis utama internal Demis

Wawancara kita hari ini akan dimulai dari kisah awal pendirian DeepMind, kemudian menyelami teknologi ilmiah, dan terakhir sesi tanya jawab dari penonton. Mari kita mulai saja.

Demis, kamu pernah menjadi anak ajaib catur, pendiri perusahaan game, dan juga ilmuwan neurosains. Kamu adalah pendiri DeepMind dan kini memimpin perusahaan besar yang berpengaruh. Kelihatannya, semua identitas ini sangat berbeda, tetapi kamu pernah menyebutkan ada satu garis utama yang menghubungkan semuanya. Bisa ceritakan kepada kami?

Demis Hassabis: Memang ada satu garis utama, meskipun mungkin ini adalah alasan pasca-hoc (post hoc reasoning). Tapi saya sudah lama ingin terjun ke bidang AI. Sejak awal, saya yakin ini adalah pekerjaan paling penting dan paling menarik yang bisa saya lakukan seumur hidup. Sejak usia 15-16 tahun, setiap pilihan studi dan setiap langkah saya diarahkan untuk suatu saat membangun perusahaan seperti DeepMind.

Permainan: Arena pelatihan kecerdasan buatan

Saya pernah “mengakali” masuk ke industri game karena di tahun 90-an, teknologi paling maju berkembang di sana. Bukan hanya AI, tetapi juga grafis dan hardware. GPU yang kita gunakan sekarang awalnya dirancang untuk mesin grafis, dan saya sudah memakai GPU paling awal di akhir 90-an. Semua game yang saya kembangkan, baik untuk Bullfrog maupun perusahaan saya sendiri, Elixir Studios, menjadikan AI sebagai mekanisme utama gameplay.

Karya paling terkenal saya adalah “Theme Park” yang saya buat sekitar usia 17 tahun. Ini adalah game simulasi taman hiburan, di mana ribuan orang virtual masuk, menikmati berbagai fasilitas, dan memutuskan apa yang mereka beli di toko. Di balik tampilan game, berjalan sebuah model AI ekonomi lengkap. Seperti “SimCity”, ini adalah pelopor dalam genre tersebut. Ketika saya melihat penjualannya melampaui 10 juta kopi dan menyaksikan pemain sangat menikmati interaksi dengan AI, saya semakin yakin untuk mengabdikan seluruh hidup saya di bidang AI.

Kemudian, saya beralih ke neurosains, berharap mendapatkan inspirasi dari mekanisme kerja otak dan mengembangkan algoritma baru. Ketika saat yang tepat untuk mendirikan DeepMind tiba, semua pengalaman ini menyatu secara alami. Secara alami pula, kami menggunakan permainan sebagai arena pelatihan awal untuk menguji konsep AI.

Pengalaman berwirausaha di Elixir Studios

Pembawa acara: Hari ini banyak pengusaha di sini, pasti mereka sangat relate. Karena kamu tidak hanya mendirikan satu perusahaan, tetapi dua kali berwirausaha. Mari kita kilas balik ke pengalaman pertama, yaitu Elixir Studios. Bagaimana pengalaman itu? Meski bukan perusahaan yang paling dikenal, kamu meraih sukses besar. Bagaimana kamu memimpin perusahaan itu? Apa pelajaran terbesar yang kamu dapat dari pengalaman ini tentang membangun perusahaan?

Demis Hassabis: Begini, saya langsung mendirikan Elixir Studios setelah lulus kuliah. Saya beruntung pernah bekerja di Bullfrog Productions. Semua orang yang tahu industri game tahu bahwa itu adalah studio legendaris di masa awal, mungkin yang terbaik di Inggris dan Eropa saat itu.

Saya ingin melakukan sesuatu yang bisa memperluas batas AI. Sebenarnya, di masa itu, saya mengumpulkan dana untuk riset AI melalui pengembangan game, menantang teknologi di garis depan, dan menggabungkan inovasi dengan kreativitas ekstrem. Saya percaya filosofi ini tetap relevan untuk penelitian eksploratif (Blue-sky Research) kita hari ini.

Pelajaran terpenting yang saya pelajari adalah: kamu harus lebih maju 5 tahun dari zaman, bukan 50 tahun. Saat di Elixir Studios, kami mencoba membuat game bernama “Republic” yang bertujuan memodelkan sebuah negara lengkap. Dalam game, pemain bisa menggulingkan penguasa otoriter dengan berbagai cara, dan kami mensimulasikan kota yang hidup dan bernafas secara realistis.

Perlu diketahui, itu adalah akhir 90-an, komputer masih memakai prosesor Pentium. Kami harus menjalankan semua grafis dan logika AI dari satu juta penduduk di komputer rumah saat itu. Sangat ambisius—bahkan agak terlalu tinggi harapannya—dan menimbulkan banyak masalah.

Saya ingat betul pelajaran ini: kamu harus berjalan di depan zaman, tapi jika terlalu jauh 50 tahun, kemungkinan besar akan gagal total. Tapi jika ide itu terlalu jelas dan sudah umum, maka masuk terlalu terlambat. Jadi, kuncinya adalah menemukan titik keseimbangan yang halus.

Mendirikan DeepMind pada 2009

Pembawa acara: Baik, berbicara tentang tidak terlalu maju dari zaman, kita sampai ke 2009. Saat itu, kamu yakin AGI pasti akan terwujud. Mungkin saat itu hanya lebih maju 10 tahun, tapi lebih baik daripada 50 tahun. Ceritakan kepada kami tentang 2009. Bagaimana kamu meyakinkan para jenius muda yang awalnya bergabung? Karena saat itu, AGI terdengar seperti fiksi ilmiah. Bagaimana kamu membuat mereka percaya?

Demis Hassabis: Saat itu, kami menangkap beberapa petunjuk menarik. Kami kira kami hanya lebih maju 5 tahun, tapi sebenarnya mungkin 10 tahun. Deep learning baru saja ditemukan oleh Jeff Hinton dan kolega di akademi, tapi hampir tidak ada yang menyadari betapa pentingnya. Kami juga punya pengalaman kuat di reinforcement learning, dan merasa jika menggabungkan keduanya, akan ada terobosan besar. Sebelumnya, keduanya hampir tidak pernah digabungkan—hanya digunakan untuk “mainan” di akademik. Di bidang AI, mereka adalah pulau terpisah.

Selain itu, kami melihat potensi daya komputasi; GPU akan sangat berperan. Sekarang kita pakai TPU, tapi saat itu, akselerator komputasi akan menjadi kekuatan besar. Di akhir studi doktoral dan post-doktor saya, saya mengumpulkan kolega dari neuroilmuan komputasi, dan dari mekanisme otak, kami menarik banyak ide berharga, termasuk keyakinan utama: reinforcement learning bisa mencapai AGI melalui skala besar.

Kami merasa sudah mengumpulkan semua elemen kunci ini. Bahkan, kami merasa seperti penjaga rahasia besar, karena di akademik maupun industri, orang tidak percaya AI bisa membuat terobosan besar. Saat kami mengusulkan pengembangan AGI—atau yang saat itu disebut “Strong AI”—banyak ilmuwan memandang sinis. Mereka menganggap ini jalan buncit; karena di tahun 90-an, sudah pernah dicoba dan gagal.

Saya melakukan post-doktor di MIT, pusat sistem pakar dan logika formal. Kalau diingat, itu terdengar aneh, tapi saat itu saya merasa metode itu kuno dan usang. Tapi di Cambridge dan MIT, mereka tetap pakai pendekatan lama. Itu justru memperkuat keyakinan saya bahwa kita berada di jalur yang benar. Kalau kita gagal, setidaknya kita gagal dengan cara yang inovatif, bukan mengulang kegagalan tahun 90-an. Saya merasa ini layak dicoba; meskipun riset ini penuh ketidakpastian dan berisiko gagal, setidaknya kita melakukannya dengan cara yang orisinal.

Misi DeepMind dan taruhan pada AGI

Pembawa acara: Apakah keyakinan awal kalian pernah menghadapi hambatan umum? Untuk meyakinkan para pendukung awal, apakah kamu harus membuktikan sesuatu kepada diri sendiri atau mereka?

Demis Hassabis: Apapun situasinya, saya akan mengabdikan seluruh hidup saya untuk AI. Faktanya, perkembangannya jauh melampaui prediksi optimis kami. Tapi ini masih dalam rentang prediksi kami di 2010—kami memperkirakan ini perjalanan 20 tahun.

Saya percaya, sebagai bagian dari bidang ini, kemajuan kami sesuai harapan, dan kami berkontribusi secara signifikan.

Kalau pun tidak, AI tetap bidang kecil dan saya akan tetap berjuang di jalur ini karena ini adalah teknologi terpenting dalam sejarah saya. Tujuan saya sangat jelas: pertama, memecahkan kecerdasan, yaitu membangun AGI; kedua, menggunakannya untuk menyelesaikan semua masalah lain. Saya yakin ini adalah teknologi paling penting dan menakjubkan yang pernah manusia ciptakan.

Ini adalah alat eksplorasi ilmiah, ciptaan yang menakjubkan, dan cara terbaik memahami pikiran manusia (seperti kesadaran, mimpi, kreativitas). Sebagai neurosains, saya merasa kekurangan alat analisis seperti AI. AI memberi kita mekanisme perbandingan, memungkinkan kita melakukan eksperimen komparatif mendalam terhadap dua sistem berbeda.

Budaya “AI untuk Ilmu Pengetahuan”

Pembawa acara: Mari kita bahas “AI untuk Ilmu Pengetahuan”. Kamu sudah lama terlibat dan sangat percaya, bahkan idealis murni. Ini adalah misi utama kamu. Bagaimana model dan budaya yang kamu bangun saat mendirikan DeepMind membuatnya tetap di garis depan “AI untuk Ilmu Pengetahuan”?

Demis Hassabis: Ini memang tujuan utama kami. Bagi saya, motivasi utama adalah membangun AI untuk mendorong kemajuan sains, kedokteran, dan pemahaman dunia. Itulah cara saya menjalankan misi—melalui “Meta Way”, membangun alat utama, lalu memanfaatkannya untuk terobosan ilmiah. Kami sudah mencapai AlphaFold dan yakin akan muncul lebih banyak lagi.

DeepMind selalu menjadikan tujuan ini prioritas utama. Bahkan, kami punya divisi “AI untuk Ilmu Pengetahuan” yang dipimpin Pushmeet Kohli, sudah hampir 10 tahun berdiri. Setelah kembali dari pertandingan AlphaGo di Seoul, kami langsung memulai inisiatif ini, tepat 10 tahun lalu.

Saya selama ini menunggu algoritma yang cukup kuat dan konsep yang cukup umum. Bagi saya, kemenangan di Go adalah titik balik sejarah; saat itu, kami sadar saatnya menerapkan konsep ini ke masalah dunia nyata, mulai dari tantangan besar ilmiah.

Kami percaya ini adalah jalan terbaik untuk manfaat AI. Tidak ada yang lebih baik daripada menggunakannya untuk menyembuhkan penyakit, memperpanjang umur manusia, dan membantu bidang medis. Selanjutnya, bidang material science, lingkungan, dan energi akan menjadi fokus utama. Saya yakin AI akan bersinar di bidang ini dalam beberapa tahun ke depan.

Kemajuan di bidang biologi dan Isomorphic Labs

Pembawa acara: Bagaimana AI merevolusi biologi? Kamu sangat terlibat di Isomorphic Labs, bidang yang kamu cintai. Sejak awal, kamu percaya AI bisa menyembuhkan penyakit. Kapan kita akan mengalami momen “puncak” di bidang biologi seperti di bahasa dan pemrograman?

Demis Hassabis: Saya rasa, keberhasilan AlphaFold sudah menandai “puncak” biologi. Pelipatan protein dan struktur 3D-nya adalah masalah besar yang sudah berlangsung 50 tahun. Kalau ingin merancang obat atau memahami kode dasar biologi, menyelesaikan masalah ini sangat penting. Tapi ini hanya bagian dari proses penemuan obat, meskipun sangat penting.

Perusahaan terbaru kami, Isomorphic Labs (yang saya nikmati mengelolanya), fokus membangun teknologi inti di bidang kimia dan biokimia. Teknologi ini bisa otomatis mendesain senyawa yang cocok dengan bagian tertentu dari protein. Setelah kita tahu bentuk dan permukaan protein, kita sudah mengunci targetnya. Selanjutnya, kita harus membuat senyawa yang mampu mengikat target itu dengan kuat, sekaligus menghindari efek samping dari interaksi tidak diinginkan.

Impian utama kami adalah mengalihkan 99% pekerjaan dan waktu dari riset ke simulasi komputer (In Silico), dan hanya menyisakan eksperimen basah (Wet Lab) untuk verifikasi akhir. Kalau bisa, dan saya yakin dalam beberapa tahun ke depan akan tercapai, kita bisa memperpendek siklus penemuan obat dari 10 tahun menjadi beberapa bulan, bahkan beberapa hari.

Saya yakin, jika kita melewati titik kritis ini, menyembuhkan semua penyakit akan menjadi mungkin. Konsep seperti pengobatan personalisasi (misalnya, obat yang disesuaikan untuk pasien tertentu) akan menjadi kenyataan. Saya percaya, peta bidang medis dan pengembangan obat akan dirombak total dalam beberapa tahun ke depan.

Ilmu baru dari simulator

Pembawa acara: Sangat menarik. Kamu sering menyebut “AI untuk Ilmu Pengetahuan”. Menurutmu, di masa depan, AI akan melahirkan sistem ilmiah baru? Seperti revolusi industri yang melahirkan termodinamika? Apakah sistem pendidikan kita akan melahirkan disiplin ilmu baru yang fundamental? Kalau iya, seperti apa bentuknya?

Demis Hassabis: Saya pikir, akan terjadi beberapa hal berikut.

Pertama, pemahaman dan analisis sistem AI sendiri akan berkembang menjadi disiplin lengkap—sejenis ilmu rekayasa (Engineering Science). Kita sedang membangun ciptaan yang sangat kompleks dan menarik. Pada akhirnya, kompleksitasnya akan sebanding dengan pikiran dan otak manusia. Jadi, kita harus mempelajari mereka secara mendalam untuk memahami prinsip kerjanya, yang saat ini di luar jangkauan pengetahuan kita. Saya yakin akan muncul bidang baru; penjelasan mekanistik (Mechanistic Interpretability) hanyalah puncak gunung es. Masih banyak ruang eksplorasi dalam memahami sistem ini.

Kedua, saya yakin AI akan membuka pintu ke ilmu pengetahuan baru. Yang paling menarik adalah “AI untuk simulasi” (AI for Simulations). Saya sangat tertarik dengan simulasi; semua game yang saya buat mengandung AI dan pada dasarnya adalah simulator. Saya percaya, simulator adalah jalan utama untuk memecahkan masalah di bidang ilmu sosial seperti ekonomi dan humaniora.

Bidang ini sulit karena, seperti biologi, mereka adalah sistem emergent (muncul dari interaksi banyak bagian) dan sangat sulit melakukan eksperimen terkendali berulang. Misalnya, jika kamu menaikkan suku bunga 0,5%, kamu harus melakukannya di dunia nyata dan mengamati hasilnya; kamu punya teori, tapi tidak bisa mengulang eksperimen berkali-kali. Tapi, jika kita bisa memodelkan sistem ini secara akurat, maka simulasi yang sangat tepat bisa digunakan untuk melakukan sampling dan inferensi ilmiah, membuka jalan ke ilmu pengetahuan baru. Saya yakin, ini akan memberi kita kemampuan membuat keputusan lebih baik di bidang yang penuh ketidakpastian saat ini.

Apa syarat untuk melakukan simulasi sedekat ini? Misalnya, model dunia (World Models), apa terobosan ilmiah dan rekayasa yang diperlukan?

Demis Hassabis: Saya terus memikirkan ini. Dalam pekerjaan kami, kami banyak menggunakan simulator belajar (Learning Simulators). Simulator ini digunakan di bidang yang kita kurang paham secara matematis atau terlalu kompleks. Kita tidak bisa hanya menulis program simulasi langsung untuk setiap kasus karena tidak cukup akurat dan tidak mencakup semua variabel.

Kami sudah mengaplikasikan ini dalam prediksi cuaca. Kami punya simulator cuaca paling akurat, “WeatherNext”, yang jauh lebih cepat dari alat meteorologi saat ini. Saya tidak yakin kita bisa memahami semuanya, dan mungkin itu tidak baik, tapi langkah pertama adalah memahami sistem ini dengan lebih baik.

Bahkan di biologi, kami sedang mengembangkan “Virtual Cell”—sistem emergent yang sangat dinamis. Seperti matematika adalah bahasa sempurna untuk fisika, machine learning akan menjadi bahasa sempurna untuk biologi. Dalam biologi dan sistem alami lainnya, terdapat banyak sinyal lemah, korelasi yang lemah, dan data besar yang jauh melampaui kapasitas analisis otak manusia. Tapi di dalam data ini, ada hubungan, korelasi, dan sebab-akibat yang tersembunyi.

Machine learning adalah alat yang sempurna untuk menggambarkan sistem ini. Sampai hari ini, matematika belum mampu melakukannya, karena sistemnya terlalu kompleks, bahkan untuk matematikawan top, atau karena matematika tidak cukup ekspresif untuk memahami sistem yang sangat emergent dan dinamis—yang juga sangat acak (Stochastic).

Akhirnya, jika kita menguasai simulator ini, mungkin kita bisa mengembangkan cabang ilmu baru. Kita bisa mencoba mengekstrak persamaan eksplisit (Explicit Equations) dari simulator implisit atau intuitif ini. Karena kita bisa melakukan sampling tak terbatas dari simulator, suatu saat kita mungkin menemukan hukum dasar seperti persamaan Maxwell.

Mungkin saja. Saya tidak tahu apakah sistem emergent ini memiliki hukum seperti itu, tapi jika ada, saya tidak melihat alasan mengapa kita tidak bisa menemukannya dengan cara ini.

Pemikiran tentang hakikat alam semesta sebagai informasi

Pembawa acara: Sangat luar biasa. Kamu pernah menyebut bahwa unit dasar (Building Block) dari alam semesta mungkin adalah informasi, ini adalah level yang lebih teoritis. Bagaimana pandanganmu tentang hal ini? Apa arti ini bagi komputer Turing klasik?

Demis Hassabis: Tentu, kamu bisa mengutip E=mc² dan karya Einstein lainnya, yang menunjukkan energi dan materi setara. Tapi saya percaya, informasi juga memiliki semacam kesetaraan. Kamu bisa memandang materi dan struktur organisasi mereka—terutama sistem yang mampu melawan entropi (Resisting Entropy)—sebagai sistem pemrosesan informasi secara esensial. Jadi, saya berpendapat bahwa ketiganya bisa saling mengubah.

Namun, saya merasa bahwa informasi adalah yang paling fundamental. Ini berbeda dari pandangan fisikawan klasik abad ke-20 yang menganggap energi dan materi sebagai yang utama. Saya justru berpikir bahwa memandang alam semesta sebagai entitas yang terutama terdiri dari informasi adalah cara yang lebih baik untuk memahaminya.

Kalau pandangan ini benar—dan saya rasa banyak bukti mendukungnya—maka arti AI jauh lebih dalam dari yang kita bayangkan. Inti dari AI adalah organisasi, pemahaman, dan penciptaan objek-objek berbasis informasi.

Menurut saya, inti AI adalah pemrosesan informasi. Jika kita memandang dunia melalui lensa pemrosesan informasi, kita akan melihat hubungan yang sangat dalam antara bidang yang berbeda.

Apakah mesin Turing klasik mampu menghitung segala sesuatu?

Demis Hassabis: Kadang saya merasa sebagai “penjaga mesin Turing”, karena Alan Turing adalah salah satu ilmuwan paling saya hormati. Saya percaya bahwa karya Turing tidak hanya mendasari komputer dan ilmu komputer, tetapi juga membangun fondasi AI. Teori mesin Turing adalah salah satu pencapaian paling mendalam dalam sejarah: segala yang dapat dihitung secara algoritmik, bisa dihitung oleh mesin yang cukup sederhana. Jadi, saya yakin otak manusia kemungkinan besar adalah semacam mesin Turing yang sangat mendekati (Approximate Turing Machine).

Memikirkan hubungan mesin Turing dan sistem kuantum sangat menarik. Tapi, melalui AlphaGo dan terutama AlphaFold, kita menunjukkan bahwa mesin Turing klasik yang berlapis neural network modern mampu memodelkan masalah yang sebelumnya dianggap hanya bisa diselesaikan oleh kuantum (seperti pelipatan protein). Dalam arti tertentu, pelipatan protein adalah sistem kuantum yang melibatkan partikel kecil dan interaksi kuantum. Banyak yang berpendapat bahwa harus mempertimbangkan ikatan hidrogen dan efek kuantum lainnya.

Namun kenyataannya, kita bisa mendapatkan solusi yang mendekati optimal dengan sistem klasik. Jadi, banyak hal yang dulu kita anggap harus pakai kuantum, sebenarnya bisa dimodelkan secara klasik dengan pendekatan yang tepat.

Filosofi kesadaran (Consciousness)

Pembawa acara: Kamu selalu memandang AI sebagai alat, seperti teleskop, mikroskop, atau astrolabe yang digunakan selama berabad-abad. Tapi, ketika kamu membangun mesin yang hampir mampu mensimulasikan segalanya—misalnya, seperti yang kamu katakan, bahkan sistem kuantum—kapan mesin ini akan melampaui alat? Apakah hari itu akan tiba?

Demis Hassabis: Saya sangat yakin bahwa dalam perjalanan membangun AGI, kita semua—termasuk yang hadir di sini—berpikir bahwa cara terbaik adalah membangun alat yang sangat cerdas, praktis, dan akurat, lalu melangkah ke tingkat berikutnya. Maknanya sudah cukup dalam. Tentu, alat ini akan menjadi semakin mandiri dan memiliki karakteristik agen (agent), dan kita sedang berada di era agen (Agent Era).

Tapi, ada pertanyaan lebih dalam: apakah alat ini memiliki agency (kebebasan bertindak)? Apakah ia memiliki kesadaran? Ini adalah pertanyaan besar yang harus kita hadapi. Tapi saya menyarankan kita anggap ini sebagai langkah kedua, dan gunakan alat pertama untuk membantu kita menjelajahi pertanyaan filosofis besar tentang “kesadaran”.

Dengan proses ini, kita juga bisa lebih memahami otak dan pikiran kita sendiri, dan mendefinisikan konsep seperti “kesadaran” dengan lebih tepat.

Prediksi definisi kesadaran di masa depan?

Demis Hassabis: Saya tidak punya jawaban pasti, selain apa yang sudah lama didiskusikan para filsuf. Tapi yang pasti, beberapa komponen tampaknya esensial. Mereka mungkin adalah syarat yang diperlukan (Necessary) tapi tidak cukup (Sufficient). Seperti kesadaran diri, konsep diri dan orang lain, serta kontinuitas waktu, semuanya tampaknya penting bagi entitas yang tampak sadar.

Tapi, definisi lengkapnya masih menjadi “Open Question”. Saya pernah berdiskusi panjang dengan filsuf terkenal, termasuk Daniel Dennett yang baru meninggal beberapa waktu lalu. Salah satu inti permasalahan adalah perilaku sistem: apakah sistem ini menunjukkan tanda-tanda sadar? Kamu bisa berpendapat bahwa semakin mendekati AGI, sistem ini mungkin akan menunjukkan tanda-tanda tersebut.

Tapi, pertanyaan berikutnya adalah: mengapa kita percaya bahwa satu sama lain sadar? Salah satunya karena perilaku dan penampilan kita seperti makhluk sadar. Tapi, faktor lain adalah substrate (dasar fisik) yang sama—kita semua berjalan di atas substrat yang sama.

Jadi, jika kedua hal ini benar, dan pengalaman kita sama, secara logis ini paling sesuai dengan prinsip parsimonious (sederhana). Itulah mengapa kita biasanya tidak memperdebatkan apakah orang lain sadar atau tidak. Tapi, kita tidak pernah bisa memastikan bahwa sistem buatan memiliki substrate yang sama dengan kita. Jadi, menghilangkan jarak ini sangat sulit. Kamu bisa menilai dari perilaku (behaviorally), tapi dari pengalaman (experientially)? Setelah mencapai AGI, mungkin ada cara untuk mengatasi ini, tapi itu di luar cakupan diskusi hari ini, bahkan dalam konteks “AI dan Ilmu Pengetahuan”.

Penutup dan pertanyaan cepat

Pembawa acara: Sangat menarik. Kita akan buka sesi tanya jawab dari penonton sebentar lagi. Kamu menyebutkan filsuf favoritmu, Kant dan Spinoza. Kant adalah filsuf deontologis yang menekankan kewajiban dan tanggung jawab; Spinoza memegang pandangan deterministik tentang alam semesta. Bagaimana kamu menghubungkan kedua pandangan ini? Apa pandanganmu tentang cara dunia beroperasi secara fundamental?

Demis Hassabis: Saya suka keduanya karena Kant pernah menyatakan—dan saya merasakan ini saat studi neurosains—bahwa “pikiran menciptakan realitas (The mind creates reality)”, dan saya rasa ini benar. Ini memberi alasan kuat untuk mempelajari mekanisme pikiran dan otak. Karena saya mencari hakikat realitas, kita harus memahami bagaimana pikiran menafsirkan realitas. Itu pelajaran dari Kant.

Sedangkan Spinoza lebih tentang dimensi spiritual. Kalau kita pakai sains sebagai alat untuk memahami alam, kita mulai menyentuh rahasia terdalam dari cara alam beroperasi.

Ini adalah refleksi saya tentang pekerjaan kita saat ini. Saat saya melakukan riset dan membangun AI, rasanya seperti membaca bahasa alam semesta.

Pembawa acara: Sangat indah. Ini adalah penafsiran terbaik tentang pekerjaanmu sehari-hari: Demis, kamu adalah ilmuwan, pembicara, dan filsuf sekaligus. Sebelum kita akhiri, mari kita lakukan beberapa pertanyaan cepat. Kamu tidak tahu pertanyaannya sebelumnya. Prediksi kapan AGI akan terwujud, lebih awal atau lebih lambat dari harapan? Atau, kamu bisa menolak menjawab.

Demis Hassabis: Saya pilih 2030. Saya selalu yakin pada angka ini.

Pembawa acara: Baik, 2030. Saat kita mencapai AGI, buku, puisi, atau makalah apa yang harus saya baca?

Demis Hassabis: Untuk dunia setelah AGI, buku favorit saya adalah “The Fabric of Reality” karya David Deutsch. Pemikirannya tetap relevan. Saya berharap, dengan AGI, kita bisa menjawab pertanyaan-pertanyaan mendalam yang diajukan di buku itu, dan itu akan menjadi fokus utama saya di era AGI.

Pembawa acara: Sangat bagus. Apa momen paling membanggakan di DeepMind sejauh ini?

Demis Hassabis: Banyak momen puncak yang kami alami, tapi yang paling membanggakan adalah kelahiran AlphaFold.

Pembawa acara: Baik, terakhir, beberapa pertanyaan tentang game. Kalau kamu bermain game strategi turn-based yang berat, seperti Civilization atau Polytopia, dan bisa memilih satu ilmuwan dari sejarah sebagai rekan tim, siapa yang kamu pilih? Einstein, Turing, atau Newton?

Demis Hassabis: Saya akan pilih von Neumann. Karena dalam situasi seperti ini, kamu butuh ahli teori permainan (Game Theory), dan dia adalah yang terbaik.

Pembawa acara: Itu pasti rekan tim level dewa. Demis, kamu benar-benar serba bisa. Terima kasih banyak sudah menjadi tamu di acara ini. Mari kita beri tepuk tangan untuk Demis atas wawancara yang luar biasa ini. Terima kasih banyak.