Dari kode ke materi: Insinyur berusia 21 tahun — tentang bagaimana model besar akan mengajarkan AI mengubah dunia fisik

12 September 202617 tampilan

Konstantin Marunchenko, yang membangun pipeline AI korporat di Echelon, yakin: agar AI melampaui layar, yang dibutuhkan bukan model sempit, melainkan agen fleksibel yang mampu merencanakan dan mengendalikan proses nyata. Ia mengajak memperlakukan materi sebagai kode yang bisa "diedit", tetapi memperingatkan: harga kesalahan di sini jauh lebih tinggi.

Dari kode ke materi: Insinyur berusia 21 tahun — tentang bagaimana model besar akan mengajarkan AI mengubah dunia fisik

Dari kode — menuju perubahan dunia fisik

AI modern saat ini sudah mahir menulis kode, menganalisis dokumen, dan mengotomatiskan rutinitas. Namun langkah ambisius berikutnya yang sesungguhnya adalah mengajari model untuk memengaruhi objek nyata, bukan hanya sistem digital. Itulah visi masa depan dari insinyur berusia 21 tahun, Kostiantyn Marunchenko. Tesisnya sederhana: manusia harus bisa "mengedit" materi dengan cara senatural agen coding mengedit kode program.

Karier yang tidak biasa: dari game hingga infrastruktur AI

Kisah Kostiantyn tidak seperti jalur standar lulusan universitas di bidangnya. Ia meninggalkan Ukraina, secara sadar tidak melanjutkan ke perguruan tinggi, dan sudah mulai memprogram di usia delapan tahun. Di usia dua belas tahun, ia mengikuti kursus untuk dewasa; di usia empat belas tahun, ia mendapat pekerjaan pertamanya; dan di usia lima belas tahun, ia mendirikan perusahaan game seluler. Perusahaan itu bertahan selama empat tahun, menghasilkan pendapatan, dan memiliki karyawan — bagi seorang remaja, ini adalah kursus manajemen yang sangat intensif.

Tahap berikutnya adalah bergabung dengan startup AI Echelon, tempat Kostiantyn menjadi salah satu insinyur pertama. Ia membantu membangun inti pipeline AI korporat dan memimpin proses on-boarding perusahaan. Seiring waktu, timnya berkembang hingga dua belas orang dan beberapa kontrak korporat. Namun yang terpenting bukanlah angka-angkanya, melainkan kesimpulan yang Kostiantyn ambil dari pengalaman ini: sistem nyata tidak datang dalam format yang ideal dan siap pakai. Strukturnya harus ditemukan, bukan diambil begitu saja.

Latar belakang game juga memengaruhi cara pandangnya. Bahkan dalam game seluler, yang tampak sepenuhnya terkendali, perilaku pengguna tidak mungkin diprediksi sebelumnya. Orang bertindak tak terduga, dan hal ini membuat kita berhati-hati dalam membuat prediksi. Jika produk digital saja tidak dapat diprediksi, apalagi dunia fisik.

Mengapa model "sempit" tidak memadai

Banyak proyek robotika dan otomasi menempuh jalur melatih model yang sangat terspesialisasi: satu untuk lengan robot tertentu, satu lagi untuk mesin tertentu, dan satu lagi untuk menyortir komponen. Kostiantyn menganggap pendekatan ini terbatas. Dunia fisik tidaklah "sempit"; ia berubah-ubah, kompleks, dan terus-menerus menghadirkan kondisi baru.

Model besar bisa menjadi alternatif yang fleksibel. Model-model ini kurang dapat diprediksi dalam tugas yang sempit, tetapi mampu menggeneralisasi, mentransfer pengetahuan dari satu bidang ke bidang lain, dan beradaptasi dengan konteks. Agen coding pun memberi petunjuk tentang cara menyusun interaksi: agen tidak hanya memberikan jawaban, tetapi merencanakan perubahan, menerapkannya, memeriksa hasilnya, dan jika perlu, memutar kembali.

Sistem yang mengubah lingkungan fisik juga harus bekerja seperti itu. Idenya adalah agar AI membantu manusia merencanakan operasi, memilih parameter, menguji hipotesis, dan mengendalikan proses — sementara manusia tetap menjadi pengambil keputusan akhir.

Data nyata tidak memaafkan kecerobohan

Pekerjaan pada pipeline AI korporat menunjukkan hal lain: data "kotor" dan ketidakpastian adalah norma, bukan pengecualian. Perusahaan jarang memberikan dataset berlabel yang rapi. Yang lebih sering ditemui adalah catatan yang tersebar, format yang berbeda-beda, faktor manusia, dan instruksi yang tidak lengkap. Seorang insinyur tidak boleh menunggu kondisi ideal, melainkan harus mampu mengekstrak struktur dari kekacauan.

Dalam perangkat lunak, kesalahan biasanya bisa diperbaiki dengan commit berikutnya. Di dunia fisik, segalanya berbeda: perubahan pada material, sumber daya, mesin, dan lingkungan bisa bersifat langsung dan tidak dapat diubah. Oleh karena itu, sistem semacam itu harus dibangun dengan sangat hati-hati. Sebaiknya mulai dari langkah kecil, menguji hipotesis dalam simulasi, dan baru kemudian menerapkannya pada objek nyata.

Semakin kuat AI, semakin penting penilaian manusia

Paradoks utama yang disampaikan Kostiantyn adalah peran manusia seiring dengan menguatnya alat-alat AI. Mungkin tampak bahwa semakin cerdas modelnya, semakin sedikit keterlibatan spesialis yang dibutuhkan. Kenyataannya justru sebaliknya: semakin banyak yang bisa dilakukan AI, semakin krusial pemilihan tugas yang tepat dan pemeriksaan apakah tugas itu layak diselesaikan.

Dalam game seluler, mudah untuk meluncurkan fitur yang tidak disukai audiens dan dengan cepat mendapatkan reaksi negatif. Dalam sistem nyata, harga dari keputusan yang salah jauh lebih tinggi. Oleh karena itu, masa depan yang dibayangkan oleh insinyur muda ini tidak hanya tentang percepatan pengembangan, tetapi juga tentang pengelolaan perubahan yang lebih tepat dan bertanggung jawab. AI bisa menjadi mitra, bukan diktator: ia merencanakan, menyetel, menguji, dan mengendalikan, tetapi manusia tetap memegang keputusan final.

Mungkin, tidak lama lagi menulis prompt akan terasa bukan seperti permintaan ke chatbot, melainkan seperti cetak biru perubahan di masa depan. Yang terpenting adalah mengembangkan budaya kehati-hatian lebih awal sebelum alat-alat ini digunakan secara massal di bidang manufaktur, energi, dan lingkungan perkotaan. Dunia fisik terlalu penting untuk membiarkan model belajar darinya dengan metode coba-coba.

Pertanyaan yang sering ditanyakan

Bahan terkait

Semua bahan
OpenCollab: koordinasi agen yang dapat diprogram, lingkungan eksekusi terkontrol, dan metrik kepatuhan terhadap kebijakan
Berita

OpenCollab: koordinasi agen yang dapat diprogram, lingkungan eksekusi terkontrol, dan metrik kepatuhan terhadap kebijakan

Framework ini menyatukan penetapan struktur interaksi agen, lingkungan eksperimen bersama, dan pelacakan peristiwa yang terperinci, sementara metrik Adherence yang diperkenalkan menunjukkan sejauh mana pelaksanaan aktual sesuai dengan skema yang dinyatakan. Dalam benchmark, konfigurasi Duo mencapai tingkat SOTA baru, sedangkan varian agen tunggal memiliki konsumsi token terendah.

11 November 2026
Toollery: memilih alat untuk agen LLM dari puluhan ribu opsi tanpa fine-tuning
Berita

Toollery: memilih alat untuk agen LLM dari puluhan ribu opsi tanpa fine-tuning

Toollery membangun indeks pencarian berdasarkan deskripsi keterampilan dan alat, lalu saat ada permintaan hanya meneruskan sekumpulan kandidat terbatas ke model. Dalam eksperimen pada pustaka berskala hingga puluhan ribu fungsi, pendekatan ini mampu mempertahankan kualitas pemilihan dengan top-K tetap, meskipun dampak akhirnya bergantung pada profil beban dan caching di penyedia.

11 November 2026
WILSON: menggabungkan tingkat pembesaran dan preparat pasien untuk analisis patomorfologi dan penyusunan laporan
Berita

WILSON: menggabungkan tingkat pembesaran dan preparat pasien untuk analisis patomorfologi dan penyusunan laporan

Pracetak ini memperkenalkan WILSON — model vision-language yang mengodekan gambar seluruh slide dan rangkaian preparat dari satu pasien pada berbagai tingkat pembesaran, bukan hanya satu slide “terbaik”. Tanpa pelatihan lanjutan untuk tugas tertentu, model ini mengungguli model slide khusus dan berukuran lebih besar pada sejumlah metrik dengan beban komputasi yang jauh lebih rendah, sementara deskripsi diagnostiknya mendapat penilaian lebih tinggi dari para ahli patologi.

11 November 2026
Dari kode ke materi: Insinyur berusia 21 tahun — tentang bagaimana model besar akan mengajarkan AI mengubah dunia fisik