Bayangkan Anda seorang peneliti AI. Setiap pagi, Anda datang ke kode, menjalankan satu eksperimen, lalu menunggu berjam-jam hanya untuk melihat kurva loss yang tidak kunjung turun.
Anda ulangi. Anda ganti parameter. Anda ganti arsitektur. Lagi. Lagi. Lagi. Setelah berminggu-minggu, mungkin Anda menemukan sesuatu yang layak ditulis di makalah. Mungkin.
Sekarang bayangkan ada sebuah sistem yang bisa melakukan semua itu—ribuan kali lipat lebih cepat, tanpa lelah, tanpa butuh kopi—dan yang lebih gila lagi, sistem itu justru belajar dari setiap eksperimen yang gagal. Tidak sekadar menjalankan perintah namun sekaligus berpikir tentang bagaimana seharusnya berpikir.
Itulah janji dari ASI-Evolve, sebuah kerangka kerja yang baru saja menggebrak dunia riset AI. Bukan sekadar alat, tapi laboratorium otonom yang bisa menemukan desain model baru, menyaring data dengan cara yang tak pernah terpikirkan manusia, bahkan menciptakan algoritma pembelajarannya sendiri.
Framework ini terpantau sejak makalahnya rilis di akhir Maret 2026. Dan jujur, ada rasa geli sekaligus was-was saat menyadari: kita mungkin sedang menyaksikan awal dari pergeseran besar tentang siapa yang sesungguhnya melakukan riset di masa depan.
Bukan Sekadar Tools Biasa: Ini Ilmuwan Digital yang Haus Akan Hipotesis
Mari bedah pelan-pelan. Framework AI yang kita kenal selama ini—seperti LangChain, AutoGPT, atau CrewAI—dirancang untuk membantu manusia menyelesaikan tugas. Misalnya merangkum dokumen, menjawab pertanyaan, atau mencari data di internet. Mereka sangat pintar, tetapi tetap butuh manusia menentukan tujuannya.
ASI-Evolve berbeda. Tidak ada penugasan, melainkan diberi batasan ruang eksplorasi. Dari situ, ASI-Evolve membangun sendiri hipotesis, merancang eksperimen, menjalankan simulasi, lalu menganalisis hasilnya untuk membuat hipotesis baru. Siklus ini berulang tanpa henti, persis seperti cara kerja seorang ilmuwan.
Dalam pengujiannya, sistem ini menemukan 105 arsitektur linear attention baru yang lebih baik dari desain terbaik manusia. Peningkatannya nyaris tiga kali lipat. Pada urusan data, ASI-Evolve berhasil meningkatkan performa model rata-rata hingga hampir 4 poin, dengan lonjakan mencengangkan di benchmark MMLU sampai 18 poin. Itu bukan peningkatan kecil—itu lompatan yang biasanya butuh satu tahun riset.
Ada komponen yang layak dicermati yaitu yang mereka sebut Dedicated Analyzer. Fungsinya mirip dengan asisten peneliti yang paling cerdas: menerima hasil eksperimen yang berantakan (kurva loss, gradien, metrik-metrik kacau) lalu merangkumnya menjadi wawasan yang bisa dipakai langsung di eksperimen berikutnya. Tanpa ini, sistem hanya akan jalan di tempat.
Kenapa Kita Sangat Membutuhkannya Sekarang Juga?
Coba lihat ke belakang. Setiap minggu, lebih dari 2.000 makalah AI terbit di arxiv. Tidak ada tim manusia yang mampu membaca semuanya, apalagi membangun di atasnya. Celah antara apa yang sudah ditemukan dan apa yang sempat kita coba semakin melebar.
Paradoksnya: kita punya semakin banyak alat AI yang hebat, tetapi proses menemukan alat baru itu sendiri tetap manual, lambat, dan linear.
ASI-Evolve memotong kemacetan itu. Dengan Cognitive Base yang menyimpan pengetahuan dari eksperimen sebelumnya, ASI-Evolve tidak pernah memulai dari nol, mealinkan selalu berdiri di pundak penemuan sebelumnya—baik milik manusia maupun miliknya sendiri. Akibatnya, kecepatan penemuan bisa berubah dari linear menjadi eksponensial.
Seorang peneliti dari tim GAIR-NLP, grup di balik ASI-Evolve, menyebutnya sebagai "mengubah riset dari seni menjadi rekayasa yang dapat diskalakan". Ini understatement. Ini lebih seperti mengubah jalan setapak menjadi jalan tol berjalur sepuluh.
Lalu, Apa Artinya Buat Bisnis AI di Masa Depan?
Ada pertanyaan menarik untuk penggarap startup AI: "Berapa banyak waktu timmu yang habis hanya untuk mengulang eksperimen yang sudah jelas jalannya?" Jawabannya hampir selalu di atas 60 persen.
Dengan framework seperti ASI-Evolve—terutama karena kode sumbernya terbuka—perusahaan tidak perlu lagi memiliki tim riset super besar untuk bisa berinovasi. Sebuah tim kecil dengan satu atau dua peneliti senior bisa mendelegasikan sebagian besar pekerjaan penemuan ke sistem otonom. Tugas mereka bergeser: bukan lagi merancang setiap lapisan model, tetapi merancang batasan-batasan yang cerdas, lalu mengevaluasi hasil temuan sistem.
Ini mirip dengan bagaimana devops mengubah pekerjaan administrator server. Dulu mereka harus login satu per satu ke mesin. Sekarang mereka menulis skrip dan tidur nyenyak. Di dunia riset AI, perubahan serupa mulai terjadi.
Tentu, ada biaya komputasi yang tidak main-main. Ribuan percobaan dalam satu siklus riset jelas butuh daya listrik dan pendinginan yang besar. Tapi jika dengan biaya itu sebuah startup bisa menemukan algoritma baru yang memangkas biaya inferensi hingga 30 persen untuk semua pelanggannya, kalkulasinya akan berubah drastis.
Beberapa investor mulai melirik ruang "AI untuk riset AI" ini. Startup seperti Autoscience, yang mengembangkan laboratorium otonom serupa, sudah mengumpulkan dana awal 14 juta dolar AS. Pasarnya masih sangat hijau. Dan seperti biasa, mereka yang masuk lebih awal akan menentukan aturan mainnya.
Kita Baru Melihat Puncak Gunung Es
Apakah ASI-Evolve akan menjadi standar industri dua tahun lagi? Bagaimana jika AI tidak hanya kita perintah, tetapi kita biarkan agar bisa menemukan jalannya sendiri?
Dari eksperimen awal, jawaban sementara adalah: luar biasa efisien, sedikit menakutkan, dan membuat kita para peneliti manusia merasa agak malu karena ternyata banyak hal yang bisa dilakukan mesin lebih cepat.
Tapi bukankah itu yang selalu terjadi? Setiap kali alat baru lahir, kita takut digantikan. Namun sejarah menunjukkan bahwa alat justru membebaskan kita untuk bekerja di level yang lebih tinggi. Dulu kita merangkai kode assembly, sekarang kita merangkai API. Dulu kita meriset AI dengan trial-and-error manual, mungkin besok kita hanya perlu menyusun batasan dan bertanya: "Hei, sistem, ada ide baru hari ini?"
Mari kita lihat ke mana arahnya. Dan jika suatu hari ASI-Evolve versi berikutnya bisa sekaligus membuatkan kopi untuk penelitinya, bisa jadi bukan lagi sebuah kejutan.••
