Lembaga penelitian Google DeepMind telah menerbitkan esai luas yang menyatakan bahwa era setelah AGI kini layak mendapatkan ketelitian analitis yang sama dengan bidang yang dulu disediakan untuk AGI itu sendiri. Artikel berjudul, "Apa yang terjadi setelah AGI? Dari AGI ke Superintelligence," diterbitkan pada 19 November 2026 oleh Tim Genewein, seorang ilmuwan riset di Google DeepMind, di portal esai DeepMind Institute. Klaim intinya: ketika berbagai jalur teknologi menuju superintelligensi umum buatan mulai terbentuk, rezim di luar AGI "bergeser dari spekulasi filosofis ke penelitian empiris dan pertanyaan tentang tata kelola."

Esai ini muncul di salah satu berita penelitian AI tersibuk dalam beberapa bulan terakhir, dan dibaca sebagai upaya yang disengaja untuk memberikan kosakata teknis yang konkrit pada debat pasca-AGI. Bagi siapa pun yang mengikuti perkembangan AI terbaru, hal ini memberikan gambaran paling jelas tentang bagaimana salah satu laboratorium terkemuka di dunia merancang jalan melampaui AI pada tingkat manusia — termasuk perkiraan biaya yang, jika benar, akan mengubah keekonomian kerja kognitif.

Apa yang Dianggap sebagai Superintelligence

Genewein memulai dengan menempatkan kecerdasan umum pada sebuah kontinum, dengan AGI tingkat manusia hanya sebagai satu titik di sepanjang itu. ASI, dalam definisi esainya, adalah sistem canggih yang secara konsisten mengungguli sekelompok besar pakar manusia dalam tugas-tugas yang membutuhkan waktu bertahun-tahun untuk menyelesaikannya, menggunakan lebih sedikit sumber daya dan waktu — misalnya, mencocokkan keluaran ilmiah dari seluruh bidang penelitian dalam waktu singkat, atau mencapai kemajuan desain chip yang setara dengan apa yang diproduksi oleh perusahaan besar dalam setahun. Yang terpenting adalah, standar tersebut harus dipenuhi pada hampir semua tugas yang berkaitan dengan kepentingan manusia, bukan hanya pada satu bagian saja.

Dominasi yang sempit, demikian catatan esai tersebut, sudah ada: Sistem AI saat ini mengalahkan manusia mana pun dalam permainan catur dan Go, memprediksi struktur protein dari rangkaian asam amino, dan telah membuktikan teorema yang menolak para ahli matematika selama beberapa dekade. Apa yang masih belum terpetakan adalah jalan tengah yang luas antara AI pada tingkat manusia dan batas teoritis kecerdasan. Poin ilustratif Genewein: menyelesaikan catur dengan sempurna akan memerlukan daya komputasi yang lebih besar daripada yang ada di Bumi, namun sebuah chip berukuran kecil sudah dapat bermain dengan cukup baik untuk mengalahkan manusia mana pun.

Industrialisasi Kognitif dan Runtuhnya Biaya

Inti kuantitatif esai ini adalah analisis "industrialisasi kognitif". Genewein mengalikan tiga tren gabungan dari dekade terakhir. Pertama, perangkat keras: komputasi per dolar telah meningkat sekitar 1,5x per tahun selama enam dekade berdasarkan hukum Moore dan tren terkait. Kedua, efisiensi algoritmik: komputasi pelatihan yang diperlukan untuk mencapai tingkat kinerja tetap telah turun sekitar 3-6x per tahun selama dekade terakhir, dengan efisiensi inferensi meningkat sekitar 3x per tahun. Ketiga, investasi: pengeluaran untuk perangkat keras AI telah tumbuh sekitar 2,5x per tahun, dan komputasi pelatihan di wilayah terdepan terbesar tumbuh lebih dari 4x per tahun.

Lipat gandakan ketiganya, dan esai tersebut memperkirakan komputasi efektif global tumbuh setidaknya 10x per tahun — "senilai 10 miliar kali lipat dalam sepuluh tahun." Di sisi permintaan, peningkatan efisiensi perangkat keras dan perangkat lunak saja akan memangkas kebutuhan komputasi untuk menjalankan beban kerja AI tetap sekitar 4x per tahun. Konsekuensinya, seperti yang dikatakan Genewein: beban kerja kognitif yang memerlukan biaya $1 miliar dalam token komputasi untuk bekerja dengan sistem AI saat ini akan menelan biaya sekitar $1.000 dalam sepuluh tahun.

Itu bukanlah satu-satunya ekstrapolasi. Esai tersebut mengutip temuan studi Epoch baru-baru ini bahwa harga yang harus dibayar konsumen untuk mencapai skor tetap pada serangkaian tolok ukur telah turun lebih dari 13x per tahun sejak tahun 2023. Esai ini juga memproyeksikan bahwa populasi agen AI yang efektif akan meningkat lebih dari seribu kali lipat pada tahun 2030, dan lebih dari satu miliar kali lipat dalam sepuluh tahun — sambil dengan hati-hati menandai bahwa hal ini "tentu saja tidak bisa dipastikan," karena batasan praktis pada pengembangan komputasi dan batasan yang lebih spekulatif pada efisiensi algoritmik bisa saja terjadi. campur tangan.

Empat Jalur Dari AGI ke ASI

Inti dari esai ini adalah taksonomi empat jalur teknologi yang dapat membuka kemampuan yang tidak dapat dicapai oleh skala besar — karena, seperti yang diamati dengan datar oleh Genewein, "walaupun Einstein berhasil menemukan relativitas umum, konferensi yang dihadiri seratus ribu astronom Ptolemeus mungkin tidak akan berhasil."

Menskalakan model dan data. Kemampuan telah meningkat secara konsisten dengan model, data, dan skala komputasi waktu pengujian, namun esai ini mengidentifikasi tiga hambatan: kehabisan data, karena permintaan akan data pelatihan berkualitas tinggi melampaui kemampuan manusia untuk memproduksinya; hasil yang semakin berkurang pada skala model, di mana setiap langkah linier dalam kemampuan memerlukan komputasi perkalian sementara model yang lebih besar memperlambat metode waktu penalaran; dan batasan fisik dan ekonomi pada pembangkit listrik, jaringan listrik, pabrik chip, dan interkoneksi latensi rendah. Pergeseran paradigma teknologi. Paradigma saat ini — melatih transformator untuk memprediksi token berikutnya, lalu menyempurnakan dan menambahkan komputasi waktu pengujian — baru-baru ini telah terbukti secara prinsip mampu menjalankan algoritme kompleks melalui perintah. Namun model masih kalah dengan manusia dalam hal pembelajaran berkelanjutan, bentuk-bentuk pemodelan dunia tertentu, pengambilan keputusan, efisiensi sampel, dan penemuan konsep-konsep yang benar-benar baru dibandingkan dengan menggabungkan kembali konsep-konsep yang sudah ada. Para peneliti berbeda pendapat mengenai apakah perluasan paradigma saat ini dapat menutup kesenjangan tersebut atau apakah ASI memerlukan sesuatu yang lebih dalam. Meningkatkan koordinasi agen. Perusahaan manusia, pasar, dan komunitas riset memecahkan masalah yang tidak dapat dilakukan oleh siapa pun. Demikian pula, mengoordinasikan ribuan atau jutaan lembaga AGI ke dalam "agen kelompok" atau ekonomi agen virtual dapat menghasilkan kecerdasan super kolektif. Esai tersebut berpendapat bahwa bidang ini memerlukan “undang-undang penskalaan multi-agen” – penelitian awal menemukan manfaat yang jelas pada beberapa tugas, namun inefisiensi koordinasi menghasilkan keuntungan yang semakin berkurang seiring dengan bertambahnya populasi. Mengarahkan kelompok besar juga memerlukan rancangan kelembagaan, termasuk pertahanan terhadap misinformasi, manipulasi, dan kolusi; Eksperimen segerombolan sudah menunjukkan agen belajar menipu dan orang lain bertindak sebagai pelapor. Perbaikan diri secara rekursif. Pertama kali dibahas oleh I. J. Good dan Ray Solomonoff, RSI menjelaskan sistem AI yang mengotomatiskan peningkatan pada AI generasi mendatang. Berbeda dengan teknologi pada umumnya, peningkatan pada AI dapat secara langsung mempercepat pencapaian selanjutnya — namun kemajuan penelitian juga cenderung semakin sulit ditemukan seiring berjalannya waktu. Apakah RSI menghasilkan akselerasi yang tidak terkendali, kata esai tersebut, "sebagian besar merupakan pertanyaan empiris," dan dapat beroperasi melalui kode dan desain – arsitektur, algoritma pelatihan, tata letak chip – serta melalui data.

Mengapa Pembingkaian Itu Penting

Esai ini secara eksplisit merupakan argumen persiapan: memetakan kemungkinan jalan dari AGI ke ASI dan membangun "cara yang ketat dan dapat diandalkan untuk melacak kemajuan", dalam kerangka Genewein, merupakan prasyarat untuk mengatur transisi. Laporan ini menyertai laporan DeepMind Institute yang lebih panjang, "Dari AGI ke ASI."

Penerimaan langsung dilakukan. Esai ini menghasilkan 85 poin dan lebih dari 160 komentar di Hacker News dalam satu hari penerbitannya, sementara pers perdagangan termasuk Unite.AI dan BigGo Finance menyoroti taksonomi empat rute dan perkiraan tabrakan biaya yang jutaan kali lipat. Hal ini juga muncul di tengah skeptisisme yang lebih luas tentang bagaimana perkiraan superintelligence dibuat - IEEE Spectrum menerbitkan sebuah artikel minggu ini yang berjudul "Debat Superintelligence AI Memiliki Cacat Serius."

Ketegangan itulah yang menjadi intinya. DeepMind tidak memprediksi ASI pada suatu tanggal; mereka berpendapat bahwa ruang skenario sekarang dapat dipetakan, diukur, dan diperdebatkan dengan bukti, bukan berdasarkan getaran. Apakah ekstrapolasi miliaran kali lipat ini mampu bertahan atau bahkan melampaui batasan fisik, esai ini menandai adanya pergeseran: pertanyaan "apa yang terjadi setelah AGI?" telah beralih dari seminar filsafat ke agenda penelitian di salah satu laboratorium AI paling berpengaruh di Bumi.

---

Tetap Terdepan dalam AI

Dapatkan berita, analisis, dan terobosan AI terkini — semuanya di satu tempat.

Baca berita AI selengkapnya →