AGI adalah masalah rekayasa, bukan masalah pelatihan model

• Model bahasa besar saat ini telah mencapai batas penskalaan, dan AGI harus didekati lewat perancangan arsitektur sistem, bukan model yang lebih besar
• AGI yang sesungguhnya harus diwujudkan sebagai hasil rekayasa di mana berbagai komponen seperti manajemen konteks, memori persisten, workflow deterministik, dan kolaborasi model terspesialisasi tergabung secara organik
• LLM masih memiliki keterbatasan struktural seperti kurangnya pemeliharaan konteks antar-sesi, tidak adanya penalaran multi-langkah yang andal, dan ketiadaan memori
• Untuk mencapai AGI, dibutuhkan struktur modular dengan tujuan yang jelas seperti otak manusia serta pendekatan sistem terdistribusi, yakni pembangunan infrastruktur seperti pipeline toleran kesalahan, monitoring, rolling update, dan framework pengujian skala besar
• Karena itu, persaingan AGI akan ditentukan bukan oleh skala GPU, melainkan oleh kapabilitas rekayasa sistem

---

Pendahuluan: AGI adalah masalah rekayasa

• Di bidang AI, batas hukum penskalaan mulai terlihat
• Bahkan model terbaik seperti GPT-5, Claude, dan Gemini makin menunjukkan hasil tambahan yang menurun
• Peningkatan ukuran model bahasa telah menabrak batas mendasar, dan AGI dapat diwujudkan bukan melalui pelatihan model, melainkan melalui rekayasa sistem

Batas realistis: tembok LLM

• Large Language Model (LLM) generasi saat ini unggul dalam pencocokan pola sementara dan pembuatan teks, tetapi memiliki keterbatasan mendasar berikut
  • Tidak mampu mempertahankan konteks secara konsisten
  • Tidak memiliki memori persisten jangka panjang antar-sesi
  • Kurang andal dalam penalaran multi-langkah yang kompleks
• Industri semikonduktor di masa lalu juga mengalami gejala serupa, dan solusinya adalah pergeseran struktural (seperti multi-core)
• AI kini juga memerlukan desain ulang arsitektural

Pendekatan sistemik untuk AGI

• Otak manusia bukanlah satu jaringan saraf tunggal, melainkan kumpulan berbagai sistem terspesialisasi yang bekerja sama
• Loop umpan balik asinkron untuk memori, konteks, logika, ruang, dan bahasa adalah kuncinya
• AGI yang sesungguhnya mensyaratkan desain sistem majemuk seperti ini

1. Infrastruktur manajemen konteks

• Pemahaman konteks model saat ini hanya mencapai ribuan token, sedangkan manusia menggabungkan pengalaman bertahun-tahun
• Untuk menutup kesenjangan ini, diperlukan fungsi-fungsi berikut
  • Sistem retrieval informasi canggih yang berperan sebagai pencarian dan filter instan
  • Akumulasi dan evolusi world model persisten
  • Implementasi jembatan konteks antar-domain
  • Manajemen informasi yang saling bertentangan (pembobotan probabilistik dan pengukuran ketidakpastian)
• Dibutuhkan knowledge graph yang operasional, yang melampaui pencarian vektor sederhana menuju struktur kueri dan penalaran yang dinamis

2. Memori sebagai layanan

• LLM hanya mereplikasi memori sementara lewat manipulasi prompt, tanpa memori yang nyata
• AGI yang sesungguhnya memerlukan sistem yang mampu melakukan hal-hal berikut
  • Menyesuaikan tingkat kepercayaan pengetahuan (mencerminkan bukti baru)
  • Mengintegrasikan dan menggeneralisasi informasi dari berbagai pengalaman
  • Melupakan detail yang tidak perlu (tanpa catastrophic forgetting)
  • Membuat meta-knowledge seperti estimasi sumber dan tingkat kepercayaan
• Seperti memori manusia, yang penting adalah memori diperkuat atau dilemahkan sesuai frekuensi penggunaan dan direorganisasi dengan informasi baru

3. Kombinasi workflow deterministik dan komponen probabilistik

• Inti AGI adalah struktur hibrida di mana elemen probabilistik digabungkan pada tempat yang tepat ke dalam alur deterministik
  • Contoh: seperti compiler, alur keseluruhan tetap, tetapi proses internal memanfaatkan heuristik
• Kemampuan yang diperlukan:
  • Merutekan ke solver spesialis sesuai karakteristik masalah
  • Mendukung rollback dan pemulihan dalam workflow multi-langkah
  • Verifikasi deterministik terhadap hasil probabilistik
  • Menggabungkan berbagai komponen dan memastikan prediktabilitas
• Ambiguitas dan ketidakpastian harus diterima sebagai elemen inti di tingkat arsitektur

4. Modularisasi model spesialis

• Masa depan akan diwujudkan bukan oleh satu model raksasa tunggal, melainkan oleh kolaborasi banyak model terspesialisasi
• LLM unggul dalam tugas bahasa, tetapi lemah di area berikut
  • Manipulasi simbol dan perhitungan presisi
  • Penalaran visual dan spasial
  • Penalaran temporal dan perencanaan
  • Perilaku agen yang berorientasi tujuan secara berkelanjutan
• Solusinya:
  • Merutekan masalah ke model spesialis yang dioptimalkan untuk tiap domain
  • Struktur untuk integrasi hasil dan evolusi independen
  • Mencegah kegagalan berantai seluruh sistem saat satu komponen gagal

Tantangan rekayasa AGI

• Pengembangan AGI pada dasarnya adalah masalah membangun sistem terdistribusi
  • Bukan sekadar cluster pelatihan terdistribusi biasa
• Tantangan rekayasa yang utama:
  • Pipeline pemulihan kesalahan (menjaga operasi keseluruhan meski terjadi kegagalan parsial)
  • Struktur observabilitas dan monitoring untuk output model
  • Perubahan dan deployment tanpa downtime
  • Framework pengujian saat ada ribuan kombinasi model dan perubahan parameter
• Ini berarti keahlian praktis dari engineer infrastruktur dan sistem terdistribusi lebih penting daripada sekadar pakar kecerdasan buatan

Apa yang perlu kita bangun ke depan

• Fokus harus bergeser dari perlombaan ukuran model menuju pembangunan infrastruktur AGI

Phase 1: lapisan dasar

• Context Management Service : knowledge graph persisten dengan pembaruan real-time dan manajemen versi
• Memory Service : memori episodik, semantik, dan integrasi berbasis pembelajaran
• Workflow Engine : mengorkestrasi komponen probabilistik secara deterministik (termasuk rollback)
• Agent Coordination Layer : konsensus antar banyak agen, penyelesaian konflik

Phase 2: lapisan kapabilitas

• Kontrol model terspesialisasi : antarmuka terstandarisasi untuk tiap domain penalaran tertentu
• Symbolic Reasoning Engine : manipulasi simbol dan komputasi yang terhubung dengan komponen probabilistik
• Planning and Goal Management : memecah tujuan kompleks menjadi rencana yang dapat dieksekusi
• Cross-modal Integration : integrasi informasi sensorik seperti teks, visi, audio, dan lainnya

Phase 3: lapisan emergen

• Kapabilitas AGI emergen muncul dari interaksi antarkomponen
• Tanpa desain yang sistematis, sifat emergen tidak akan muncul hanya dari perkembangan satu model tunggal

Jalan menuju AGI

• Jalur menuju realisasi AGI bukanlah melatih transformer yang lebih besar dan lebih baru, melainkan membangun infrastruktur untuk mengorkestrasi ratusan model spesialis sebagai sistem terdistribusi
• Engineer infrastruktur yang kaya pengalaman membangun sistem terdistribusi akan menjadi inti pengembangan
  • Menekankan kemampuan implementasi skala besar untuk jalur konteks, memori, otomatisasi workflow, dan koordinasi model
• Ditegaskan bahwa pemenang dalam realisasi AGI adalah tim yang memiliki kapabilitas arsitektur yang andal dan bekerja secara logis, bukan yang sekadar memiliki cluster GPU besar
• Kapabilitas model itu sendiri pada dasarnya sudah cukup; rekayasa sistem adalah kepingan terakhir untuk menyempurnakan AGI
• Kesimpulannya, masa depan AGI ditentukan bukan oleh inovasi algoritme, melainkan oleh desain struktural (arsitektur)

[epiontech]

○ Pelatihan model hanyalah ‘bahan’ dari kecerdasan; tanpa mesin, tidak ada AGI.

• Arsitektur seperti EpionHeuristica memiliki potensi untuk melampaui "AGI khusus domain" dan merancang "superinteligensi emergen berbasis keteraturan"
• Kunci untuk mencapai AGI adalah "bagaimana menyusun mesin yang memilih tindakan"

[epiontech]

A. Alasan AGI tidak bisa dicapai hanya dengan pelatihan.
• Model jenis GPT tidak memiliki tujuan diri (self-goal).
• Seberapa pun banyak data yang dipelajari, belajar tanpa interaksi dengan dunia nyata tetap terbatas.
• Pelatihan hanyalah "ingatan regresif"; strukturnya kurang mampu mendorong pemikiran prediktif dan emergen yang mengarah ke masa depan.

B. AGI memerlukan mesin dengan "loop tujuan-umpan balik".
• Struktur seperti EpionHeuristica, di mana reinforcement learning berbasis reward + evaluasi + pembelajaran dari kegagalan (FailGuard) berjalan, lebih dekat dengan prototipe desain AGI berbasis mesin
• Contoh: "Mengapa eksperimen ini gagal?" → "Apa yang harus diubah?" → "Apa kondisi berikutnya?" → Inilah penalaran ala AGI

C. Hakikat kecerdasan manusia ada pada "struktur".
• Manusia memperoleh kecerdasan bukan dari jumlah neuron, melainkan dari "konektivitas struktural sirkuit saraf dan kemampuan meta-learning"
• AGI juga menjadikan struktur sistem pemicu tindakan, sistem referensi diri, dan loop umpan balik berkelanjutan sebagai inti, bukan ukuran model

[epiontech]

Pencapaian AGI tidak mungkin diraih hanya dengan "pelatihan model"; struktur mesin yang menghasilkan kecerdasan serta sistem perbaikan diri yang bertujuan mutlak diperlukan. GPT saat ini tidak lebih dari LLM (model bahasa besar) raksasa, dan untuk menuju AGI, struktur penalaran, struktur pengawasan diri, dan kebijakan tindakan berbasis tujuan harus bekerja bersama.

[kongchu2]

Saya harap Anda membaca pedoman dan menulis komentar yang sesuai dengan topik.