Pada tahun 2026, OpenAI menarik perhatian komunitas matematik dengan karya yang terkait dengan masalah Erdős tentang jarak satuan. Minat tidak hanya pada hasilnya, tetapi juga cara untuk mencapainya.
Menurut materi yang dipublikasikan, model tersebut menggunakan transfer ide antara berbagai cabang matematika untuk membangun konstruksi baru. Fokus diskusi bukan pada jawaban itu sendiri, tetapi pada asal pemikiran yang mengarah pada jawaban tersebut.
Kasus ini terbukti menjadi indikator bagi proses yang lebih mendalam yang saat ini berlangsung di industri kecerdasan buatan.
Selama bertahun-tahun, perkembangan AI dinilai melalui karakteristik model itu sendiri:
jumlah parameter;
volume data pelatihan;
daya komputasi;
hasil tes dan benchmark.
Secara implisit diasumsikan bahwa kecerdasan berada di dalam model.
Namun, arsitektur sistem AI modern secara bertahap berubah.
Peran yang semakin mencolok mulai dimainkan oleh Retrieval-Augmented Generation (RAG) — pendekatan di mana model menggunakan sumber pengetahuan eksternal secara langsung saat menghasilkan jawaban.
Ini berarti bahwa semakin banyak hasil intelektual dibentuk tidak hanya oleh parameter model, tetapi juga oleh informasi yang diekstrak dari luar.
Perbedaannya mendasar.
Jika jawaban dihasilkan hanya berdasarkan pelatihan model, asal hasilnya relatif transparan:
pengembang model;
dataset pelatihan;
infrastruktur komputasi;
proses pelatihan.
Namun, saat menggunakan RAG, muncul tingkat tambahan asal pengetahuan.
Jawaban bisa tergantung pada:
publikasi ilmiah;
basis pengetahuan perusahaan;
arsip yang khusus;
dataset industri;
komunitas ahli;
dokumen eksternal yang diekstrak oleh sistem saat permintaan.
Sebagai hasilnya, muncul pertanyaan baru.
Tidak:
model mana yang memberikan jawaban?
A:
pengetahuan apa yang membentuk jawaban ini?
Dua model yang sama dapat menghasilkan hasil yang berbeda jika menggunakan sumber informasi yang berbeda.
Kualitas jawaban semakin sering ditentukan tidak hanya oleh kualitas model, tetapi juga oleh kualitas pengetahuan yang diaksesnya.
Secara faktual, kecerdasan mulai terdistribusi antara model dan lingkungan pengetahuan eksternal.
Ini mengubah arsitektur AI itu sendiri.
Jika sebelumnya kecerdasan dianggap sebagai sifat model, sekarang semakin sering menjadi hasil interaksi antara:
model;
sistem pencarian;
dataset;
jaringan pengetahuan yang spesifik;
sumber informasi eksternal.
Dari perubahan ini muncul pertanyaan berikut.
Jika pengetahuan diekstraksi selama sistem beroperasi, maka menjadi mungkin untuk bertanya:
sumber mana yang digunakan;
dokumen mana yang mempengaruhi jawaban;
set data mana yang paling signifikan;
siapa yang sebenarnya berkontribusi pada hasil akhir.
Dengan demikian, muncul tugas asal pengetahuan — Knowledge Provenance.
Tujuannya tidak hanya transparansi.
Ini berkaitan dengan kemampuan untuk menetapkan asal-usul hasil intelektual dan melacak jalur informasi dari sumber ke jawaban akhir.
Sementara itu, satu arah lainnya juga berkembang.
AI secara bertahap berhenti menjadi alat eksklusif untuk menghasilkan konten dan semakin menjadi peserta dalam tindakan.
Agen AI modern sudah mampu:
menjalankan tugas secara otonom;
berinteraksi dengan antarmuka pemrograman;
menganalisis data;
mengelola alur kerja;
menginisiasi transaksi;
mengkoordinasikan pelaksanaan sistem lain.
Bersama dengan itu muncul masalah kedua tentang asal.
Jika yang pertama terdengar seperti:
dari mana pengetahuan itu berasal?
maka yang kedua dinyatakan dengan cara lain:
siapa yang melakukan tindakan?
Seiring penyebaran agen otonom, identitas mulai berubah menjadi tugas infrastruktur.
Untuk setiap sistem, menjadi penting untuk memahami:
agen mana yang melakukan tindakan;
kuasa apa yang dimilikinya;
sumber data apa yang digunakan;
model apa yang mendasari keputusannya;
siapa yang mengizinkan kerjanya.
Inilah sebabnya mengapa dalam beberapa tahun terakhir, arah Identitas Agen dan Kredensial Agen yang Terverifikasi berkembang aktif.
Ini bukan tentang peningkatan kemampuan intelektual agen.
Ini berkaitan dengan kemampuan untuk menetapkan asal-usul tindakan mereka.
Pada tahap ini, dua proses independen mulai bersinggungan.
Attribution RAG menjawab pertanyaan:
pengetahuan apa yang mempengaruhi hasil?
Identitas Agen menjawab pertanyaan:
entitas mana yang melakukan tindakan?
Kedua tugas memerlukan hal yang sama.
Jejak asal.
Jejak keterkaitan.
Jejak kontribusi.
Inilah saatnya muncul kebutuhan akan sistem atribusi baru.
Dalam perangkat lunak tradisional, pertanyaan seperti ini jarang menjadi kritis, karena sebagian besar proses dikendalikan secara terpusat.
Ekosistem AI diatur secara berbeda.
Sumber pengetahuan bisa ribuan.
Peserta bisa ribuan.
Agen bisa ribuan.
Jumlah hubungan antara mereka meningkat secara eksponensial.
Dalam ekosistem @OpenLedger perkembangan berjalan tepat ke arah ini.
Datanets dirancang untuk membentuk jaringan pengetahuan yang spesifik.
Attribution RAG memungkinkan pelacakan asal informasi yang digunakan dalam menghasilkan jawaban.
Proof of Attribution menghubungkan sumber data, peserta, pengetahuan, dan hasil kerja sistem AI.
Dalam arsitektur ini, $OPEN berfungsi sebagai tingkat koordinasi antara pengetahuan, atribusi, peserta jaringan, dan layanan kecerdasan buatan.
Selama dekade terakhir, pertanyaan utama AI terdengar seperti ini:
Seberapa pintar model bisa menjadi?
Perkembangan RAG, jaringan pengetahuan yang spesifik, dan agen otonom secara bertahap menggeser fokus ke pertanyaan lain:
Seberapa akurat kita bisa menetapkan asal pengetahuan yang digunakan sistem pada saat pengambilan keputusan?
Inilah pertanyaan yang mulai membentuk lapisan infrastruktur baru dalam ekonomi kecerdasan buatan.