Sakana AI's RSI Lab Berpikir AI yang Dapat Meningkatkan Dirinya Sendiri Bisa Membuat Pembangunan Pusat Data Senilai $100 Miliar Menjadi Usang

Bayangkan dua jalur menuju AI yang lebih cerdas. Jalur pertama: habiskan $100 miliar untuk pusat data, beli setiap GPU dalam radius tiga benua, dan terus perbesar skala hingga modelnya semakin baik. Jalur kedua: ajarkan AI untuk merancang ulang dirinya sendiri, lalu biarkan efek penggandaan bekerja. Sebagian besar industri berlomba-lomba di jalur pertama. Sakana AI, startup berbasis Tokyo yang dipimpin oleh Co-Founder sekaligus CEO David Ha, baru saja secara resmi berkomitmen pada jalur kedua.

Apa Sebenarnya RSI Lab Itu

Sakana AI telah meluncurkan Sakana AI Recursive Self-Improvement (RSI) Lab, sebuah kelompok riset khusus yang berbasis di Tokyo dengan mandat untuk merancang ulang proses pengembangan AI itu sendiri menggunakan AI, menurut pengumuman resmi di sakana.ai. Tesis lab ini mudah diucapkan namun benar-benar sulit dijalankan: alih-alih mengandalkan perluasan skala secara brutal, bangun sistem yang secara iteratif memperbaiki diri sendiri, menciptakan siklus penggandaan peningkatan kemampuan tanpa peningkatan proporsional dalam pengeluaran komputasi.

Perusahaan ini menyebutnya, dalam pengumumannya, sebagai kendala desain khusus Jepang yang berubah menjadi keunggulan strategis, dengan menganalogikan dominasi manufaktur Jepang yang dicapai bukan melalui sumber daya alam yang melimpah, melainkan melalui filosofi perbaikan diri yang terus-menerus dan berkesinambungan di lantai pabrik. Ini adalah narasi pendirian yang terdengar seolah dirumuskan sambil makan ramen, tetapi garis keturunan riset di baliknya nyata adanya.

Lab ini bukanlah ide segar yang jatuh dari langit. Seperti dilaporkan The Decoder, Sakana telah menghabiskan dua tahun terakhir membangun fondasi teknis untuk RSI, dan lab baru ini meresmikan pekerjaan tersebut ke dalam satu kelompok yang terfokus. Halaman karier untuk Member of Technical Staff (RSI Lab) mendeskripsikan kelompok ini sebagai "ditugaskan untuk merancang ulang proses pengembangan AI itu sendiri dengan AI" dan bekerja langsung bersama CEO David Ha, dengan Sakana secara aktif memperbesar sumber daya riset dan rekayasanya di Tokyo menuju apa yang disebutnya sebagai "ledakan kecerdasan yang terus mengganda."

Riset di Balik Klaim Tersebut

Sebelum kamu mengangguk setuju atau menggelengkan kepala, ada baiknya melihat apa yang sebenarnya ditunjukkan oleh Sakana. Menurut pengumuman perusahaan di sakana.ai dan ulasan mendalam oleh The Decoder, RSI Lab menyatukan enam benang riset sebelumnya.

• LLM-Squared (LLM²) menggunakan model bahasa untuk mengotomatiskan riset guna menemukan algoritma optimasi preferensi yang lebih baik.
• Darwin Gödel Machine memiliki agen yang secara otonom menulis ulang basis kodenya sendiri, dilaporkan menggandakan performa rekayasa perangkat lunak.
• ShinkaEvolve berfokus pada evolusi program yang sangat efisien dalam penggunaan sampel untuk membangun fungsi loss baru bagi model Mixture-of-Experts.
• ALE-Agent memiliki agen reinforcement yang mengungguli ratusan pakar manusia melalui pembelajaran mandiri.
• Digital Red Queen mengeksplorasi koevolusi adversarial terbuka sebagai landasan untuk RSI dalam keamanan siber.
• Dan The AI Scientist, yang paling menonjol di antaranya, menargetkan otomatisasi end-to-end riset AI dan baru-baru ini diterbitkan di Nature, menurut pengumuman sakana.ai.

Masing-masing dari ini adalah artefak riset nyata, bukan sekadar slide presentasi. Darwin Gödel Machine khususnya adalah sesuatu yang membuat para peneliti ML melakukan double-take: sebuah sistem yang menghasilkan, menguji, dan mengiterasi varian dari basis kodenya sendiri, seperti dicatat The Decoder. Itu bukan metafora untuk perbaikan diri. Itu secara harfiah adalah agen yang mengedit kodenya sendiri dan menjalankan hasilnya.

Mengapa Efisiensi Komputasi Adalah Argumen Sesungguhnya di Sini

Angka $100 miliar bukan sekadar hiasan retorika. Angka itu mencerminkan trajektori pengeluaran infrastruktur AI terdepan yang sebenarnya, dan tesis tandingan Sakana adalah bahwa sebuah lab yang beroperasi di bawah keterbatasan sumber daya, sebagaimana Sakana secara eksplisit menempatkan markas Tokyonya, dipaksa untuk menemukan rute yang lebih cerdas menuju kemampuan daripada rute yang lebih luas.

Institut riset Anthropic sendiri telah mencatat secara terpisah bahwa AI sudah mempercepat pengembangan sistem AI, merujuk pada data internal yang menunjukkan para insinyur Anthropic menghasilkan jauh lebih banyak kode per kuartal seiring alat AI yang semakin baik, menurut analisis Institut Anthropic tentang recursive self-improvement. Itu adalah organisasi berbeda yang membuat pengamatan yang secara struktural serupa: otomatisasi pengembangan AI sudah terjadi dalam skala yang lebih kecil, dan trajektorinya layak untuk diperhatikan.

Bagi para pelajar yang sedang memikirkan hukum skala, perbedaan konseptual penting di sini adalah antara skala sebagai kata benda (lebih banyak komputasi, lebih banyak parameter, lebih banyak data) dan skala sebagai kata kerja (sebuah proses yang terus mengganda pada dirinya sendiri). RSI adalah taruhan pada yang terakhir. Apakah ia dapat sepenuhnya menggantikan yang pertama tetap, secara halus, merupakan pertanyaan riset yang masih terbuka. Entri Wikipedia tentang recursive self-improvement mencatat bahwa konsep ini memiliki sejarah teoritis yang panjang, dan kesenjangan antara sistem yang meningkatkan satu kemampuan sempit dengan sistem yang secara rekursif meningkatkan pengembangan AI umum sangatlah besar.

Apa Artinya Ini Jika Kamu Sedang Belajar ML Sekarang

Jika kamu sedang mempelajari machine learning, peluncuran ini adalah pemantik yang berguna untuk memikirkan dua hal secara bersamaan.

Pertama, konsep teknis: optimasi preferensi, algoritma evolusioner, agen penghasil kode, dan pipeline riset otomatis semuanya adalah area riset aktif dengan relevansi nyata di pasar kerja, dan portofolio RSI Sakana menyentuh semuanya. Darwin Gödel Machine dan The AI Scientist layak dibaca sebagai makalah, bukan hanya sebagai siaran pers.

Kedua, kerangka strategis: perdebatan komputasi versus efisiensi sedang membentuk ke mana pendanaan riset dan bakat mengalir, dan memahami kedua sisinya menjadikanmu seorang praktisi yang lebih terinformasi.

RSI Lab Sakana masih berada di tahap awal, klaimnya ambisius, dan jarak antara "agen yang meningkatkan tugas-tugas spesifik" dan "sistem yang secara otonom mendorong kemajuan AI umum" nyata dan belum terpecahkan. Namun benang-benang riset yang disatukan di sini adalah sah, lab ini sedang merekrut, dan pertanyaan inti yang diajukan, apakah perbaikan diri yang terus mengganda dapat melakukan apa yang dilakukan perluasan skala secara brutal dengan sebagian kecil biayanya, adalah salah satu masalah terbuka yang paling menarik di bidang ini.

Perhatikan Darwin Gödel Machine dan The AI Scientist untuk makalah-makalah lanjutan. Di situlah bukti akan terakumulasi.

Asumsi paling mahal dalam AI saat ini adalah bahwa kecerdasan membutuhkan modal yang tak terbatas. Sakana sedang membangun sitasi untuk sisi lain dari argumen tersebut.