Selama beberapa tahun terakhir, AI dan kripto mulai berkumpul menjadi salah satu narasi paling kuat dalam teknologi.
Proyek menjanjikan:
infrastruktur AI terdesentralisasi
agen otonom
pembelajaran mesin terdistribusi
ekonomi data yang ter-tokenisasi
Nama-nama seperti SingularityNET, Fetch.ai, dan Bittensor sering disebut sebagai pelopor AI terdesentralisasi.
Namun jika kita melihat lebih dalam, sebagian besar proyek ini tidak secara fundamental menciptakan kembali kecerdasan buatan.
Mereka membangun lapisan ekonomi atau infrastruktur di sekitar model AI yang ada.
Namun, satu proyek berusaha melakukan sesuatu yang jauh lebih radikal.
Qubic mencoba untuk memikirkan kembali bagaimana kecerdasan itu sendiri harus dibangun.
Di pusat visi itu terdapat arsitektur baru yang disebut Neuraxon.
Jika ide-ide mereka terbukti layak, implikasinya bisa melampaui crypto — berpotensi menyentuh jalan masa depan menuju Kecerdasan Umum Buatan (AGI).
Dua Jalur yang Bersaing Menuju AGI
Saat ini, industri AI global tampaknya sedang menyatu pada dua filosofi kecerdasan yang sangat berbeda.
Jalan 1: Meningkatkan Kecerdasan
Ini adalah pendekatan yang diikuti oleh laboratorium AI besar:
OpenAI
Google DeepMind
Anthropic
Meta
Strateginya sederhana:
Skala semuanya.
lebih banyak data
lebih banyak komputasi
lebih banyak parameter
Pendekatan ini telah menghasilkan hasil yang menakjubkan:
Model GPT
Gemini
Claude
Sistem ini dapat menulis, mengkode, berpikir, meringkas, dan berbicara dengan kelancaran yang luar biasa.
Tetapi meskipun kekuatan mereka, mereka memiliki batasan mendasar.
Mereka adalah kecerdasan yang beku.
Masalah dengan AI Beku
Sistem AI modern mengikuti siklus hidup yang dikenal:
Latih → Bekukan → Luncurkan
Selama pelatihan:
dataset besar dikonsumsi
miliar parameter dioptimalkan
Setelah pelatihan berakhir:
modelnya dikerahkan
bobotnya tetap
Dari titik itu seterusnya, sistem hanya melakukan inferensi.
Ia tidak lagi belajar dari pengalamannya.
Dengan kata lain:
AI yang Anda interaksikan hari ini adalah snapshot kecerdasan yang dibekukan dalam waktu.
Tidak peduli berapa banyak percakapan yang dimilikinya, ia tidak mengakumulasi pengalaman dengan cara yang sama seperti kecerdasan biologis.
Jika otak manusia berhenti belajar pada saat mulai berinteraksi dengan dunia, kita tidak akan menyebutnya cerdas.
Kita akan menyebutnya disfungsional.
Mengapa Pembelajaran Berkelanjutan Penting
Kecerdasan biologis secara fundamental berbeda.
Manusia dan hewan belajar secara berkelanjutan melalui:
pengalaman
penjelajahan
interaksi lingkungan
Setiap momen membentuk kembali koneksi neural melalui plastisitas sinaptik.
Belajar dan hidup bukanlah proses yang terpisah.
Mereka adalah proses yang sama.
Banyak peneliti percaya bahwa AGI sejati akan memerlukan sifat-sifat serupa, termasuk:
pembelajaran seumur hidup
memori adaptif
interaksi lingkungan
penjelajahan yang diarahkan sendiri
Ini adalah tempat di mana paradigma yang berbeda mulai muncul.
Jalan Kedua: Kecerdasan Evolusioner
Alih-alih membangun model yang lebih besar, beberapa peneliti mengeksplorasi apakah kecerdasan mungkin muncul dari sistem adaptif yang berkembang seiring waktu.
Dalam paradigma ini:
AI bukanlah produk yang selesai.
Ini adalah sistem yang terus berkembang.
Beberapa agen berinteraksi, beradaptasi, dan bersaing, secara bertahap meningkatkan melalui pengalaman.
Alih-alih model statis, kecerdasan menjadi sesuatu yang lebih dekat dengan ekosistem.
Ide ini jauh lebih dekat dengan bagaimana kecerdasan biologis muncul di Bumi.
Dan ini adalah dasar filosofis di balik arah penelitian AGI Qubic.
Apa yang Membuat Qubic Berbeda
Sebagian besar proyek AI-crypto berfokus pada menciptakan pasar atau infrastruktur untuk layanan AI.
Qubic mengambil pendekatan yang berbeda.
Alih-alih bertanya:
Bagaimana kita bisa memonetisasi AI?
Qubic mengajukan pertanyaan yang lebih dalam:
Bagaimana seharusnya kecerdasan itu sendiri dibangun?
Ekosistem Qubic mengeksplorasi tiga komponen utama:
1. Komputasi Terdistribusi
Jaringan terdesentralisasi dari node menyediakan sumber daya komputasi yang dapat menjalankan sistem AI secara terus-menerus.
Alih-alih bergantung pada pusat data GPU terpusat, komputasi dapat didistribusikan di seluruh jaringan.
2. Kerangka AI Evolusioner
Dalam ekosistem, kerangka kerja seperti Aigarth mengeksplorasi konsep AI evolusioner.
Beberapa agen AI dapat:
berinteraksi
bersaing
berkembang
Dalam beberapa cara, ini mirip dengan seleksi alam dalam bentuk digital.
3. Neuraxon
Komponen paling menarik dari ekosistem adalah Neuraxon, arsitektur neural yang terinspirasi oleh biologi yang dirancang untuk mendukung pembelajaran berkelanjutan dan kecerdasan adaptif.
Alih-alih meniru jaringan neural konvensional, Neuraxon mencoba untuk memodelkan aspek sistem neural biologis.
Neuraxon: Jenis Arsitektur Neural yang Berbeda
Jaringan saraf tradisional pada dasarnya adalah grafik komputasi statis.
Bobot disesuaikan selama pelatihan tetapi tetap tetap setelahnya.
Neuraxon mengusulkan pendekatan yang lebih dinamis yang terinspirasi oleh ilmu saraf.
Neuron Tri-Negara
Sebagian besar neuron buatan beroperasi dalam pola aktivasi mirip biner.
Neuraxon memperkenalkan tiga kemungkinan keadaan:
+1 — Eksitatori
0 — Netral
−1 — Inhibitori
Struktur ini mencerminkan aktivitas neural biologis, di mana neuron dapat merangsang atau menekan aktivitas dalam jaringan.
Keadaan netral juga memungkinkan sistem untuk merepresentasikan keraguan, ketidakpastian, atau potensi aktivitas yang terpendam.
Dinamika Neural Berkelanjutan
AI tradisional beroperasi melalui perhitungan diskrit:
Input → Hitung → Output
Neuraxon justru mempertahankan keadaan neural internal yang berkelanjutan.
Bahkan ketika tidak ada input eksternal yang datang, keadaan internal sistem terus berkembang seiring waktu.
Ini mencerminkan perilaku otak biologis, di mana aktivitas neural tidak pernah benar-benar berhenti.
Alih-alih perhitungan terisolasi, sistem berperilaku lebih seperti proses kognitif yang berkelanjutan.
Plastisitas Sinaptik
Salah satu karakteristik yang menentukan dari kecerdasan biologis adalah plastisitas.
Koneksi antara neuron menguat atau melemah tergantung pada pengalaman.
Neuraxon memperkenalkan mekanisme di mana sinapsis dapat:
menguat melalui aktivasi berulang
melemah ketika tidak digunakan
mengatur ulang struktur jaringan
Ini memungkinkan sistem untuk beradaptasi secara dinamis selama operasi daripada hanya selama pelatihan.
Pembelajaran Multi-Skala Waktu
Neuraxon juga mengeksplorasi pembelajaran di berbagai skala waktu.
Penyesuaian jangka pendek dapat berdampingan dengan perubahan struktural yang lebih lambat.
Ini mirip dengan sistem biologis di mana:
hipokampus mendukung pembelajaran jangka pendek
korteks menstabilkan pengetahuan jangka panjang
Mekanisme semacam itu mungkin membantu menyeimbangkan masalah klasik pembelajaran AI:
plastisitas vs stabilitas.
Neuromodulasi
Fitur lain yang terinspirasi oleh biologi adalah neuromodulasi.
Di otak manusia, bahan kimia seperti dopamin dan serotonin mengatur kapan sirkuit neural menjadi lebih plastis atau lebih stabil.
Neuraxon mengeksplorasi mekanisme serupa yang menentukan kapan pembelajaran harus terjadi.
Ini mungkin membantu mengatasi salah satu tantangan terbesar dalam sistem pembelajaran berkelanjutan:
lupa katastrofik.
Membandingkan Proyek AI-Crypto Utama
Untuk lebih memahami posisi Qubic, berguna untuk membandingkannya dengan proyek besar lainnya.
Yang menonjol adalah bahwa Qubic adalah salah satu dari sedikit proyek yang mencoba mendesain arsitektur baru untuk kecerdasan itu sendiri.
AI Mati vs AI Hidup
Salah satu cara untuk memikirkan pergeseran ini adalah perbedaan antara AI Mati dan AI Hidup.
AI Mati
Sebagian besar sistem modern masuk ke dalam kategori ini.
Mereka adalah:
dilatih sekali
dikerahkan
diperbaiki setelahnya
Mereka sangat kuat tetapi secara fundamental statis.
AI Hidup
AI Hidup mengacu pada sistem yang:
beroperasi secara terus-menerus
belajar dari pengalaman
mengadaptasi struktur internal mereka seiring waktu
Alih-alih model statis, mereka berperilaku lebih seperti organisme.
Jika arsitektur seperti Neuraxon berhasil, AI dapat secara bertahap beralih dari alat perangkat lunak menjadi sistem kognitif adaptif.
Lomba AGI Tersembunyi
Lomba AI yang biasanya kita dengar melibatkan perusahaan-perusahaan seperti OpenAI dan Google.
Namun di balik persaingan yang terlihat itu terdapat pertanyaan yang lebih dalam:
Dari mana sebenarnya kecerdasan berasal?
Apakah itu hasil dari:
model yang lebih besar
lebih banyak data
lebih banyak komputasi?
Atau apakah itu muncul dari:
adaptasi
interaksi
dinamika evolusioner?
Jika pandangan kedua terbukti benar, jalan menuju AGI mungkin tidak datang dari model bahasa yang semakin besar.
Mungkin datang dari sistem yang mampu pembelajaran dan evolusi terus menerus.
Kemungkinan “Ledakan Kambrium” AI
Dalam sejarah biologis, Ledakan Kambrium menandai periode di mana kehidupan beragam dengan cepat menjadi berbagai bentuk baru.
Beberapa peneliti percaya bahwa jika sistem AI mendapatkan kemampuan untuk:
berkembang
belajar secara berkelanjutan
berinteraksi dengan lingkungan yang kompleks
kita bisa menyaksikan sesuatu yang mirip dalam kecerdasan buatan.
Alih-alih beberapa model dominan, kita mungkin melihat ledakan sistem AI yang beragam yang berkembang di seluruh jaringan terdesentralisasi.
Pertanyaan Besar Dekade Berikutnya
Masa depan AI mungkin pada akhirnya tergantung pada satu pertanyaan:
Apakah kecerdasan muncul dari model yang lebih besar… atau dari sistem adaptif yang berkembang seiring waktu?
Jika jawabannya terletak pada evolusi dan pembelajaran berkelanjutan, proyek seperti Qubic dan Neuraxon dapat mewakili eksperimen awal dalam arah yang benar-benar baru untuk kecerdasan buatan.
Masih terlalu dini untuk mengetahui apakah pendekatan ini akan berhasil.
Tetapi ide-ide yang sedang dieksplorasi mengangkat salah satu kemungkinan paling menarik dalam teknologi modern:
AI yang tidak hanya menjalankan algoritma, tetapi berkembang melalui pengalaman.
Bacaan Lebih Lanjut
Pembaca yang tertarik untuk mengeksplorasi konsep ini lebih lanjut dapat berkonsultasi dengan sumber daya berikut:
#Qubic Ekosistem
https://github.com/qubic
#Neuraxon Makalah Penelitian
https://www.researchgate.net/publication/397331336_Neuraxon
Qubic #AGI Perjalanan
https://www.researchgate.net/publication/387364505_Qubic_AGI_Journey_Human_and_Artificial_Intelligence_Toward_an_AGI_with_Aigarth
Repositori GitHub Neuraxon
https://github.com/DavidVivancos/Neuraxon
Demo Interaktif Neuraxon
https://huggingface.co/spaces/DavidVivancos/Neuraxon
Situs Web Penelitian
https://vivancos.com