Ketika pusat data semakin mirip “pabrik” digital yang tidak pernah tidur, pertanyaan paling mendasar bukan lagi sekadar seberapa cepat chip bekerja, melainkan seberapa cerdas sistem komputasi mengatur dirinya sendiri. Di tengah tuntutan inferensi AI yang melonjak—dari analitik bisnis real time hingga model generatif yang melayani jutaan permintaan—Google DeepMind mendorong babak baru penelitian AI yang berfokus pada optimasi menyeluruh: dari algoritma, penjadwalan beban kerja, sampai cara sistem mengekstrak pengetahuan dari data yang kian terbatas. Salah satu sorotan terbesarnya adalah AlphaEvolve, sistem yang menggabungkan kreativitas model bahasa besar Gemini dengan mekanisme evaluasi ketat untuk menelurkan solusi matematika dan ilmu komputer yang layak pakai. Dalam ekosistem yang dibayangi isu “puncak data”, pendekatan seperti komputasi waktu inferensi juga naik daun karena menjanjikan kualitas keluaran lebih tinggi sekaligus menciptakan data sintetik yang bisa memperbarui model. Kombinasi strategi ini membuat topik komputasi cerdas tidak lagi abstrak: ia menjadi strategi industri yang dapat menghemat biaya, menurunkan energi, dan mempercepat inovasi teknologi—seraya membuka pertanyaan baru tentang batas otomatisasi sains.
Google DeepMind dan AlphaEvolve: penelitian AI untuk optimasi sistem komputasi dari matematika hingga desain chip
Dalam lanskap kecerdasan buatan modern, banyak sistem unggul karena fokus pada satu ranah sempit. Kita mengenal pendekatan seperti model yang dikhususkan untuk biologi molekuler atau visi komputer, yang kerap menjadi “spesialis” dengan kemampuan luar biasa pada satu domain. Namun, ketika tantangan berpindah ke area yang lebih luas—misalnya merancang algoritma baru, membuktikan identitas matematika, atau mengurangi biaya eksekusi di pusat data—pendekatan yang terlalu sempit sering tersendat. Di titik inilah Google DeepMind memperkenalkan AlphaEvolve, sebuah sistem yang dipaparkan melalui white paper yang dirilis pada 14 Mei 2025, dan sejak itu menjadi rujukan penting tentang bagaimana LLM dapat digunakan sebagai mesin penemu solusi teknis.
Gagasan kuncinya sederhana tetapi berdampak: AlphaEvolve memadukan pembelajaran mesin berbasis LLM Gemini dengan “penguji” otomatis yang mengukur kualitas jawaban secara objektif. Kreativitas generatif saja tidak cukup; untuk masalah matematika dan ilmu komputer, sebuah solusi harus benar, efisien, dan bisa direproduksi. Karena itu, AlphaEvolve tidak berhenti pada satu ide. Ia menghasilkan kandidat solusi, menjalankan evaluasi—misalnya membandingkan performa, mengecek konsistensi, atau menguji kebenaran formal—lalu mengiterasi perbaikan. Mekanisme ini mirip seleksi alam: kandidat yang lebih baik “bertahan” dan menjadi bahan generasi berikutnya.
Efeknya terasa pada spektrum yang luas. Dalam konteks sistem komputasi, pendekatan ini relevan untuk hal-hal yang selama ini memakan waktu tim engineering: menyusun heuristik penjadwalan, menemukan optimasi kompilator, atau merancang rutinitas numerik yang lebih cepat. DeepMind juga menekankan bahwa sistem semacam ini dapat membantu tantangan dari desain chip AI hingga pemanfaatan sumber daya komputasi secara lebih hemat. Pada praktiknya, yang dicari bukan sekadar “solusi yang benar”, melainkan solusi yang memperbaiki rasio biaya-kinerja dalam skala besar.
Menariknya, beberapa pengamat akademik melihat ini sebagai tonggak. Mario Krenn dari Institut Max Planck, misalnya, menilai AlphaEvolve sebagai demonstrasi awal yang meyakinkan tentang penemuan baru berbasis LLM serbaguna. Penekanan “serbaguna” penting: ia menandai pergeseran dari AI spesialis ke AI yang mampu melintasi disiplin, tanpa kehilangan disiplin evaluasi yang biasa ditemukan pada penelitian ilmiah.
Agar lebih membumi, bayangkan kisah sebuah perusahaan hipotetis di Jakarta bernama “NusaCompute”, penyedia layanan analitik ritel dengan lonjakan permintaan pada musim promo. Tim mereka menghadapi dilema klasik: menambah server berarti biaya naik, tetapi mempertahankan kapasitas membuat latensi tinggi. Dengan pendekatan ala AlphaEvolve, mereka dapat merumuskan masalah menjadi optimasi penjadwalan pekerjaan dan alokasi GPU/TPU, lalu membiarkan sistem menghasilkan beberapa strategi penjadwalan yang diuji pada simulasi beban. Kemenangan tidak selalu berupa “algoritma baru yang spektakuler”, tetapi sering berupa perbaikan 2–5% pada throughput yang, dalam skala pusat data, bernilai besar. Insight akhirnya jelas: optimasi kecil yang tervalidasi bisa mengubah ekonomi operasional.
Mesin penemuan algoritma: cara kerja evaluasi otomatis AlphaEvolve dalam pengolahan data dan komputasi cerdas
AlphaEvolve menarik bukan karena “bisa menulis kode”, melainkan karena ia menggabungkan dua dunia yang sering bertabrakan: kebebasan eksplorasi dan keketatan verifikasi. Pada banyak kasus, LLM dapat menyusun jawaban yang terdengar meyakinkan namun rapuh ketika diuji. DeepMind mengatasi kelemahan itu dengan menempatkan evaluasi sebagai inti, bukan aksesori. Dalam problem matematika dan ilmu komputer, ini berarti kandidat solusi harus melewati serangkaian pengujian: mulai dari unit test, pembuktian terbatas, sampai benchmark performa. Dengan begitu, sistem tidak sekadar menghasilkan ide—ia membangun jalur menuju ide yang bisa dipertanggungjawabkan.
Struktur kerjanya dapat dibayangkan sebagai “pabrik” ide dengan beberapa stasiun. Stasiun pertama adalah generasi: Gemini menyusun kandidat algoritma, transformasi rumus, atau rencana pemecahan. Stasiun kedua adalah penyaringan: evaluator menolak kandidat yang salah, tidak konsisten, atau tidak memenuhi kriteria performa. Stasiun ketiga adalah iterasi: kandidat yang lolos dipakai sebagai “benih” untuk variasi berikutnya. Siklus ini dapat berulang berkali-kali sampai ditemukan kombinasi yang unggul pada metrik yang disepakati.
Dalam praktik optimasi pengolahan data, banyak tugas memiliki ruang solusi yang sangat besar. Contohnya adalah optimasi pipeline ETL, kompresi data, atau pemilihan indeks basis data. Tim manusia biasanya mengandalkan pengalaman dan trial-and-error yang mahal. Dengan pendekatan evolusioner berbasis evaluasi otomatis, sistem dapat mengeksplorasi ribuan variasi tanpa membebani tim dengan eksperimen manual. Pertanyaan retorisnya: jika mesin bisa mencoba ribuan kandidat dalam semalam dan hanya menyodorkan 5 opsi terbaik ke engineer, bukankah itu mengubah cara organisasi bekerja?
Untuk memperjelas, berikut contoh tipe masalah yang cocok untuk pendekatan seperti AlphaEvolve—bukan sekadar daftar, tetapi alasan mengapa ia efektif:
- Optimasi kernel komputasi: rutinitas matriks, konvolusi, atau transformasi numerik dapat dievaluasi lewat benchmark yang jelas, sehingga seleksi kandidat objektif.
- Penjadwalan beban kerja di kluster: tujuan seperti menekan latensi p95 atau menaikkan utilisasi bisa diukur, membuat pencarian solusi terarah.
- Perancangan heuristik kompresi: kandidat dapat diuji pada dataset representatif untuk melihat trade-off ukuran vs waktu dekompresi.
- Optimasi kompilator: transformasi kode dapat diverifikasi dengan pengujian kesetaraan hasil serta metrik kecepatan.
Sisi lain yang sering luput adalah konteks geopolitik dan rantai pasok teknologi. Kemampuan menghasilkan algoritma yang lebih efisien bisa mengurangi ketergantungan pada peningkatan perangkat keras semata. Dalam situasi di mana pembatasan ekspor teknologi memengaruhi akses terhadap komponen tertentu, strategi optimasi perangkat lunak menjadi semakin penting. Diskusi semacam ini juga muncul dalam analisis mengenai dinamika kebijakan dan industri, misalnya pada ulasan pembatasan ekspor teknologi yang menyoroti bagaimana akses perangkat keras dapat berubah mengikuti kebijakan.
Pada akhirnya, nilai AlphaEvolve untuk industri bukan hanya “AI menemukan trik baru”, tetapi AI membangun proses penemuan yang dapat diulang dan diaudit. Inilah jembatan yang membuat komputasi cerdas terasa operasional, bukan sekadar demo laboratorium.
Perbincangan berikutnya sulit dihindari: bila penemuan algoritmik makin cepat, infrastruktur apa yang menopang siklus eksperimen skala besar itu?
Optimasi pusat data dan kluster: dari Borg hingga strategi komputasi terdistribusi yang lebih efisien
Berbicara tentang sistem komputasi di perusahaan berskala Google berarti berbicara tentang orkestrasi: bagaimana jutaan pekerjaan komputasi dibagi, dipindahkan, dan dieksekusi tanpa mengorbankan keandalan. Dalam ekosistem Google, manajemen kluster dikenal luas lewat Borg, sistem yang menjadi tulang punggung penjadwalan beban kerja. Ketika DeepMind menyatakan bahwa pendekatan seperti AlphaEvolve mulai diterapkan untuk membantu pengelolaan sistem ini, implikasinya langsung terasa: optimasi tidak lagi hanya soal micro-optimizations pada kode, tetapi juga keputusan makro yang memengaruhi efisiensi energi, utilisasi, dan kualitas layanan.
Satu contoh yang mudah dipahami adalah “overprovisioning”, kebiasaan menyiapkan kapasitas berlebih agar aman saat lonjakan trafik. Praktik ini menjaga stabilitas, tetapi mahal. Jika kecerdasan buatan dapat memprediksi pola permintaan dan sekaligus merancang strategi penempatan job yang mengurangi fragmentasi sumber daya, maka kapasitas cadangan dapat ditekan tanpa mengorbankan SLA. Di sinilah penelitian AI untuk optimasi menjadi sangat pragmatis: bukan sekadar menaikkan skor benchmark, melainkan menurunkan biaya operasional yang nyata.
Dalam dunia pembelajaran mesin, tantangannya lebih rumit karena beban kerja training dan inferensi memiliki karakter berbeda. Training cenderung panjang dan “lapar” data, sedangkan inferensi menuntut latensi rendah, sering kali dengan variasi permintaan yang tak terduga. Karena itu, strategi komputasi terdistribusi yang baik harus mempertimbangkan: kapan menempatkan job pada akselerator tertentu, kapan memindahkan beban ke region lain, dan kapan mengubah ukuran batch untuk menjaga respons cepat.
Di level perangkat keras, industri bergerak cepat dengan generasi akselerator baru dan integrasi lintas vendor. Kemitraan cloud dan produsen chip memperlihatkan bahwa optimasi bukan hanya urusan satu pemain. Perspektif ini sejalan dengan pembahasan mengenai kolaborasi ekosistem, misalnya pada artikel kerja sama cloud AI yang menggambarkan bagaimana penyedia infrastruktur dan pembuat GPU menyelaraskan roadmap agar beban AI modern dapat ditangani lebih efisien.
Agar konkret, kembali ke cerita NusaCompute. Mereka menjalankan model rekomendasi dan peramalan permintaan. Pada jam sibuk, inferensi harus cepat; pada malam hari, training batch bisa dijalankan lebih agresif. Dengan pendekatan optimasi, mereka bisa:
- Memisahkan antrean pekerjaan inferensi dan training, masing-masing dengan kebijakan penjadwalan berbeda.
- Menentukan batas latensi dan biaya per permintaan sebagai “fungsi objektif” yang bisa dievaluasi otomatis.
- Menjalankan simulasi untuk melihat dampak strategi penempatan job terhadap utilisasi dan konsumsi energi.
- Mengadopsi iterasi ala AlphaEvolve untuk menyempurnakan kebijakan dari minggu ke minggu, bukan hanya sekali setahun.
Hasil yang dicari bukan sekadar “lebih cepat”, melainkan lebih stabil. Banyak organisasi rela kehilangan sedikit throughput demi prediktabilitas. Di pusat data, prediktabilitas berarti lebih mudah merencanakan kapasitas, mengurangi insiden, dan menghindari pemborosan energi. Dengan kata lain, optimasi adalah disiplin manajemen risiko sama kuatnya dengan disiplin performa.
Dari sini, wajar jika fokus beralih ke isu besar berikut: ketika data internet yang “mudah” mulai habis, bagaimana model tetap meningkat tanpa mengandalkan sumber data tradisional?
Puncak data dan komputasi waktu inferensi: strategi Google DeepMind memperkuat penelitian AI saat data pelatihan menipis
Industri AI beberapa tahun terakhir mulai membicarakan fenomena “puncak data”: gagasan bahwa data berkualitas dari internet untuk prapelatihan model besar tidak lagi bertambah secepat kebutuhan. Ilya Sutskever termasuk yang menyoroti risiko ini, terutama karena investasi infrastruktur dan komputasi meningkat tajam. Jika bahan bakar—data—menjadi kendala, maka kemajuan model berpotensi melambat. Namun, alih-alih menunggu sumber data baru, banyak laboratorium memilih menggeser perhatian ke satu “tuas” lain: komputasi saat inferensi.
Komputasi waktu inferensi (kadang disebut parsing saat uji) mengubah cara kita melihat jawaban model. Alih-alih menjawab sekali tembak, model diajak memecah masalah menjadi langkah-langkah kecil, memprosesnya satu per satu, lalu menyusun jawaban final. Ini meningkatkan kualitas pada tugas dengan jawaban tegas—misalnya matematika, logika, atau pemrograman—karena model punya ruang untuk memeriksa ulang dan mengoreksi arah. OpenAI melalui model o1 dikenal mempopulerkan pendekatan ini, dan kemudian pola serupa diadopsi luas, termasuk oleh pemain besar lain serta beberapa laboratorium yang bergerak cepat.
Google DeepMind menempatkan teknik ini dalam kerangka yang lebih strategis: keluaran yang lebih baik bisa menjadi data sintetik untuk melatih model berikutnya. Di sini terjadi lingkaran iteratif: inferensi yang “lebih berpikir” menghasilkan jawaban berkualitas tinggi; jawaban itu dipakai sebagai data tambahan; model dilatih ulang sehingga kualitas meningkat; lalu inferensi menjadi makin kuat. Peneliti seperti Charlie Snell menekankan bahwa data sintetik semacam ini berpotensi menggantikan sebagian sumber data tradisional, asalkan evaluasi kualitasnya ketat. Satya Nadella dari Microsoft bahkan menyebutnya sebagai semacam “hukum scaling” baru—bukan hanya memperbesar model, tetapi memperbesar proses berpikir saat digunakan.
Namun teknik ini bukan obat mujarab untuk semua hal. Tantangan besarnya muncul pada tugas tanpa jawaban tunggal, seperti menulis esai kreatif atau merumuskan strategi bisnis jangka panjang. Tanpa “kunci jawaban”, evaluasi otomatis lebih sulit. Karena itu, pendekatan komputasi waktu inferensi paling efektif ketika dipasangkan dengan metrik yang jelas: konsistensi logika, verifikasi fakta, atau pengujian terhadap constraint yang terdefinisi. Di sinilah konsep evaluasi ala AlphaEvolve kembali relevan: komputasi cerdas membutuhkan hakim yang tegas, bukan hanya pembicara yang fasih.
Untuk menggambarkan dampaknya pada organisasi, bayangkan NusaCompute ingin meningkatkan akurasi peramalan permintaan tanpa membeli dataset mahal. Mereka bisa membuat skenario sintetis: pola musiman, perubahan harga, efek promosi, lalu meminta model melakukan penalaran langkah demi langkah untuk menghasilkan prediksi dan penjelasan. Output yang lolos evaluasi (misalnya konsisten dengan data historis) dimasukkan sebagai data latihan tambahan. Dengan cara ini, “puncak data” tidak sepenuhnya mematikan kemajuan; ia memaksa tim lebih kreatif dalam mendesain siklus data-model.
Di industri, isu ini juga memantik diskusi etika dan kompetisi. Pernah beredar spekulasi bahwa model tertentu memperoleh keunggulan dengan memanfaatkan keluaran model pesaing. Apapun realitanya, pelajaran strategisnya sama: ketika output model menjadi aset, tata kelola data sintetik—hak, atribusi, dan keamanan—menjadi bagian dari inovasi teknologi itu sendiri. Insight penutupnya: kelangkaan data mendorong lahirnya teknik yang mengubah inferensi menjadi sumber pembelajaran.
Jika inferensi menjadi “mesin produksi data”, maka pertanyaan berikut adalah bagaimana ekosistem—platform, komunitas, dan kebijakan—mendukung eksperimen yang aman dan produktif.
Dampak inovasi teknologi pada ekosistem: platform, regulasi, dan praktik terbaik mengadopsi optimasi sistem komputasi
Gelombang penelitian AI seperti AlphaEvolve dan komputasi waktu inferensi mengubah kebutuhan organisasi. Bukan hanya perusahaan raksasa yang perlu memikirkan optimasi; startup hingga institusi publik pun terdorong mengadopsi praktik yang lebih disiplin dalam merancang, menguji, dan menerapkan algoritma. Perubahan paling nyata terjadi pada tiga lapisan: platform yang memudahkan eksperimen, regulasi yang membentuk akses teknologi, dan kebiasaan engineering yang menurunkan risiko saat sistem makin otonom.
Dari sisi platform, banyak tim memerlukan tempat untuk mengelola model, dataset, serta pipeline evaluasi. Ekosistem open-source dan hub model menjadi penting karena mempercepat kolaborasi, audit, serta reproduktibilitas. Dalam konteks ini, pembahasan tentang platform AI seperti Hugging Face sering muncul sebagai contoh bagaimana komunitas membangun jalur distribusi model, sekaligus menyediakan fondasi tooling untuk eksperimen terukur. Meski solusi enterprise dan cloud proprietary tetap dominan untuk beban produksi, pola kerja “hub + evaluasi” makin umum dipakai untuk iterasi cepat.
Dari sisi kebijakan, akses terhadap chip, layanan cloud, dan komponen penting lainnya dipengaruhi oleh dinamika negara dan perdagangan. Jika sebuah organisasi tidak bisa mengandalkan ekspansi perangkat keras tanpa batas, maka optimasi perangkat lunak dan tata kelola beban menjadi penentu daya saing. Itulah sebabnya isu pembatasan ekspor, rantai pasok, dan investasi pusat data tidak lagi hanya topik ekonomi—melainkan strategi teknis. Pada titik ini, mengadopsi komputasi cerdas berarti juga menyiapkan rencana kontinjensi: bagaimana memindahkan beban kerja, memilih model yang lebih efisien, dan mengurangi ketergantungan pada satu konfigurasi.
Ada pula dimensi praktik terbaik yang sering menjadi pembeda antara “demo yang keren” dan sistem produksi yang stabil. Organisasi yang sukses biasanya menerapkan beberapa kebiasaan berikut:
- Evaluasi berlapis: menggabungkan benchmark, uji regresi, dan pengujian keamanan agar perubahan optimasi tidak merusak sistem lain.
- Observabilitas yang kuat: metrik latensi, biaya per permintaan, dan utilisasi dipantau agar optimasi dapat dibuktikan, bukan diasumsikan.
- Guardrails untuk agen: jika sistem menghasilkan perubahan konfigurasi, perubahan harus melalui batasan yang jelas dan rollback otomatis.
- Manajemen data sintetik: melabeli asal-usul, memeriksa bias, dan menghindari umpan balik yang memperkuat kesalahan.
Kembali ke NusaCompute, mereka memulai kecil: mengizinkan sistem menghasilkan kandidat kebijakan penjadwalan, tetapi hanya untuk lingkungan staging. Setelah beberapa minggu, mereka membandingkan biaya komputasi dan stabilitas layanan, lalu mempromosikan kebijakan yang terbukti aman. Ketika mereka mencoba komputasi waktu inferensi untuk meningkatkan akurasi prediksi, mereka menetapkan aturan: output harus disertai jejak penalaran yang bisa diaudit dan diuji terhadap data historis. Dengan disiplin ini, pembelajaran mesin menjadi lebih dari sekadar model; ia menjadi proses organisasi.
Di tahun-tahun menuju sekarang, arus inovasi juga dipengaruhi oleh kemajuan model generatif di ranah kreatif, yang mempercepat adopsi AI di banyak departemen non-teknis. Namun untuk optimasi sistem komputasi, garis pemisahnya tegas: keberhasilan ditentukan oleh kebenaran yang terukur, bukan sekadar keluaran yang memukau. Dan ketika organisasi menyatukan platform yang tepat, kebijakan yang realistis, serta budaya evaluasi, maka penelitian seperti dari Google DeepMind tidak berhenti sebagai berita—ia berubah menjadi keunggulan operasional yang sulit ditiru.
