Sebuah eksperimen Sudoku publik tahun ini menghasilkan temuan yang mencolok. Menurut Logical Intelligence, sekelompok model bahasa besar terdepan, termasuk GPT-5.2 dari OpenAI, Claude Opus 4.5 dan Sonnet 4.5, Gemini 3 Pro, serta DeepSeek V3.2, secara kolektif hanya memecahkan 2% teka-teki dan menghabiskan sekitar $11.000 untuk panggilan API. Sebuah model bernama Kona, sekitar seribu kali lebih kecil, memecahkan 96,2% hanya dengan biaya waktu GPU sebesar $4.
Kesenjangan ini sebenarnya bukan soal Sudoku. Aturan Sudoku jelas dan cukup sederhana untuk dipelajari anak berusia sepuluh tahun, dan justru itulah mengapa hasilnya mengejutkan. LLM adalah model AI paling mumpuni yang dibangun di sekitar bahasa, tetapi banyak tugas sehari-hari membutuhkan kecerdasan yang melampaui bahasa. Sebagian menuntut penalaran spasial atau dimensional, sebagian bergantung pada logika, perencanaan, atau kepekaan emosional, dan banyak hal yang dilakukan manusia tidak dapat sepenuhnya diungkapkan dengan kata-kata. Ekstrapolasi dan kreativitaslah yang membuat kecerdasan terasa hidup, bukan mekanis.
Yann LeCun, peraih Penghargaan Turing dan pelopor pembelajaran mendalam, selama bertahun-tahun berpendapat bahwa teks saja tidak akan menghasilkan kecerdasan sejati. Pendekatan Logical Intelligence, yang didirikan oleh Eve Bodnia, mengandalkan model penalaran berbasis energi (EBRM) seperti Kona. Model-model ini dirancang untuk menangani masalah kendala yang sulit dihadapi LLM.
LLM bekerja dengan memprediksi token berikutnya yang paling masuk akal dalam sebuah urutan. Desain ini telah menghasilkan hasil yang kuat dalam terjemahan, peringkasan, dan pembuatan kode, tetapi tidak cocok untuk setiap masalah. Untuk tugas yang membutuhkan bentuk kecerdasan lain, EBRM menawarkan jalur yang berbeda, dengan penalaran laten yang lebih andal serta verifikasi dan keamanan yang ditangani secara berbeda dari sistem LLM.
Sumber: ByteByteGo · Diringkas oleh HeadlinesBriefing