Pada 2 Agustus 2026, Andrej Karpathy berbagi di X: ia memberikan paragraf pertama pembuka The Lord of the Rings kepada Claude Opus 5, dengan anggaran sekitar 1 juta token, sekitar 10 dolar AS, untuk merendernya menjadi dunia 3D menggunakan Three.js.

Penulis artikel, sumber: 0x9999in1, ME News



TL;DR

• Pada 2 Agustus 2026, Andrej Karpathy berbagi di X: ia memberikan paragraf pertama pembuka The Lord of the Rings kepada Claude Opus 5, dengan anggaran sekitar 1 juta token, sekitar 10 dolar AS, untuk merendernya menjadi dunia 3D menggunakan Three.js.
• Opus 5 berjalan selama sekitar 2 jam, menulis sekitar 5.500 baris kode, dan menghasilkan video animasi 93 detik. Gambarannya kasar, tetapi berhasil mengubah teks menjadi adegan tiga dimensi yang bergerak.
• Masalahnya bukan "AI menghabiskan 10 dolar untuk membuat game siap pakai"—tidak, yang dirilis hanya videonya, tanpa repositori kode sumber terbuka maupun versi yang bisa dimainkan.
• Suara bukan dibuat oleh model. Karpathy mengatakan narasi dibuat secara manual menggunakan ElevenLabs karena ia peduli dengan jenis suara yang digunakan.
• Sinyal sejati adalah: "biaya produksi" perangkat lunak visual yang disesuaikan sedang menurun lebih cepat daripada kemampuan AI untuk "memeriksa dan mengalami karyanya sendiri".
• Opus 5 tidak dapat menonton video secara native dengan efisien, juga tidak dapat mencoba game, hanya dapat mengambil tangkapan layar perlahan di berbagai node, dan sering mengalami kesalahan selama prosesnya.
• Karpathy mengatakan "GTA yang muncul sesuai permintaan" adalah arah, bukan kondisi saat ini. Hal ini hari ini lebih mirip dengan kotak perspektif stereoskopik otomatis yang dihasilkan browser.

Sebuah teks, dua jam, 5500 baris kode

Let's clarify the situation first.

Pada 2 Agustus 2026, Andrej Karpathy memposting sebuah postingan. Ia melakukan eksperimen: mengambil paragraf pembuka dari The Lord of the Rings, lalu memberikannya ke Claude Opus 5. Anggaran yang diberikan adalah 1 juta token, yang ia perkirakan sekitar 10 dolar. Permintaannya hanya satu kalimat—render menggunakan Three.js.

Then what?

Model berjalan sendiri selama sekitar dua jam. Menulis sekitar 5.500 baris kode. Hasil akhirnya berupa video 93 detik, dengan kamera melintasi dunia Middle-earth yang distilasi dan bergerak.

Bagaimana Karpathy menilainya sendiri? Dua kata: janky but fun. Kasar, tapi menyenangkan.

Ini dikatakan dengan jujur. Karena untuk mencapai hal ini, model harus melakukan banyak pekerjaan kotor dan melelahkan: menempatkan berbagai bahan poligon ke dalam koordinat tiga dimensi (x, y, z), mengatur posisi mereka, menulis kode agar seluruh adegan bergerak, serta memastikan semua elemen ini dapat berjalan tanpa crash.

Sebuah esai, tanpa adegan, tanpa perpustakaan aset, tanpa instruksi jelas. Karakter, lingkungan, urutan, suasana, sudut kamera, ritme—semuanya bergantung pada model sendiri untuk membayangkan. Ternyata ia benar-benar menyusunnya.

Inilah yang membuat Anda terdiam sejenak.

Tetapi harap tetap tenang terlebih dahulu: apa yang telah dibuat, dan apa yang tidak

Sebelum bersemangat, penting untuk membedakan tiga hal: apa yang benar-benar dilakukan oleh model, apa yang ditambahkan oleh manusia, dan apa yang sama sekali tidak terjadi.

Yang dibuat oleh model adalah 5500 baris kode, adegan Three.js yang dihasilkan secara terprogram, dan animasi yang dapat diputar selama 93 detik. Bagian ini nyata, dapat dipercaya, dan layak diperhatikan dengan serius.

Lalu bagaimana dengan audio? Karpathy secara khusus menjelaskan dalam responsnya: narasi dibuat secara manual oleh dirinya sendiri menggunakan ElevenLabs. Ia mengatakan bahwa LLM sebenarnya bisa memanggil API untuk menyelesaikannya secara otomatis, tetapi ia peduli dengan suara mana yang digunakan, sehingga ia melakukannya sendiri. Jadi ini bukan jalur produksi otomatis penuh dari teks ke hasil akhir. Jangan menyebutnya seperti itu.

Apa yang tidak terjadi?

Tidak ada repositori kode yang dapat diunduh. Tidak ada repositori open source. Tidak ada versi yang bisa dimainkan di mana Anda bisa masuk sebagai penonton, NPC, atau tokoh utama. Tidak ada kemampuan untuk secara real-time menghasilkan dunia baru sambil bermain. Tidak ada "model dunia" umum yang dipelajari. Juga tidak ada kolisi, interaksi, atau konsistensi naratif tingkat produksi. Bahkan tidak ada daftar konsumsi dan biaya Token yang dapat direproduksi yang dipublikasikan.

Publik, yaitu sebuah video.

Jadi, kalimat yang sering dikutip, "GTA muncul sesuai permintaan" — an ephemeral GTA of X on demand — adalah arah yang membuat Karpathy bersemangat, bukan hal yang sedang ia pegang saat ini. Produk akhir hari ini lebih mirip kotak perspektif 3D otomatis yang dihasilkan sendiri, jauh sekali dari permainan dunia terbuka.

Mengapa saya harus menghabiskan banyak kata untuk membahas "apa yang tidak berhasil dilakukannya"?

Karena distorsi terbesar dalam penyebaran Demo game Opus 5 ini terjadi pada tingkat ini. Ada yang melihat "membuat game The Lord of the Rings dengan $10" lalu membagikannya, tetapi tidak melihat teks kecil berupa "video, bukan produk jadi, audio buatan, tanpa kode". Pendapat harus didasarkan pada fakta, dan batas-batas fakta harus jelas terlebih dahulu.

Mengapa ini lebih layak diperhatikan daripada "bangau bersepeda"?

Eksperimen Karpathy, makna sejatinya bukan pada "pamer keahlian", melainkan pada "mengganti pengukur".

Dulu, bagaimana orang menguji kemampuan encoding visual model besar? Dengan meminta mereka menggambar SVG "pelikan yang mengendarai sepeda". Uji ini berguna—bisa menunjukkan penalaran spasial, kepatuhan terhadap instruksi, dan pemahaman terhadap grafik browser. Tetapi uji ini terlalu mudah untuk "menghafal jawaban", dan terlalu mudah untuk membuat kesimpulan hanya berdasarkan satu frame gambar.

Tugas "The Lord of the Rings" ini langsung memperpanjang dimensi evaluasi.

Dimensi waktu: dari beberapa menit, diperluas menjadi sekitar dua jam. Skala kode: dari puluhan hingga ratusan baris, diperluas menjadi sekitar 5.500 baris. Tingkat ambiguitas: dari "objek ditambah komposisi", berubah menjadi harus menangani semua aspek: karakter, lingkungan, urutan waktu, suasana, kamera, dan ritme. Status: dari statis dasar, berubah menjadi peristiwa animasi yang berkembang seiring waktu. Bahan: dari beberapa bentuk, berubah menjadi sejumlah besar objek prosedural yang dapat digunakan kembali.

Yang paling kritis adalah dimensi verifikasi. Gambar satu SVG, Anda cukup lihat satu frame untuk tahu apakah itu benar. Render dunia yang bergerak, Anda harus memeriksa ribuan momen, berbagai transisi—geometri, kamera, penyamaran, gerakan, ritme, performa—di mana saja bisa gagal.

Ini baru tugas sejati yang memiliki siklus panjang, ambiguitas tinggi, dan status kuat. Ia mendekati inti dari "membuat perangkat lunak", bukan sekadar "menggambar gambar".

Tentu, perlu disebut secara objektif: ini bukan pengujian benchmark model yang ketat. Karpathy tidak mempublikasikan Prompt lengkap, konfigurasi alat, jumlah percobaan ulang, jejak token, kode sumber, atau kriteria penilaian. Ini adalah eksperimen publik yang informatif, bukan perbandingan lateral yang terkontrol. Jangan gunakan ini untuk peringkat.

Yang murah adalah "generasi", yang mahal tetaplah "mata"

Apa sebenarnya wawasan utama dari hal ini?

Saya berpendapat hanya satu kalimat: Biaya produksi perangkat lunak visual khusus sedang turun lebih cepat daripada kemampuan AI untuk memeriksa dan mengalami karyanya sendiri.

Ini perlu dijelaskan secara rinci.

Konten yang sangat disesuaikan semacam ini—mengubah sepotong teks tertentu menjadi adegan 3D eksklusif—dulu hampir tidak ada yang bersedia melakukannya secara khusus. Mengapa? Biaya dan waktunya tidak sepadan. Berapa biaya dan berapa hari yang diperlukan jika Anda menyewa tim untuk membuat animasi 93 detik dari awal The Lord of the Rings?

Namun, LLM dapat terus melakukannya. Ia tidak lelah, tidak mengeluh, hanya $10 untuk dua jam. Dunia yang disesuaikan berubah dari "barang mewah" menjadi "hal yang bisa dihasilkan dengan mudah". Ini adalah penurunan harga yang nyata di sisi pasokan.

Tapi masalahnya ada di ujung lain.

Opus 5 mampu menciptakan dunia, tetapi tidak bisa melihat dengan lancar dunia yang telah diciptakannya. Ia tidak dapat menonton video secara efisien dan asli, juga tidak bisa masuk ke dalam game untuk mencoba. Ia hanya bisa mengambil tangkapan layar perlahan di berbagai node, memeriksa satu per satu. Ini seperti seorang pelukis yang menutup mata saat melukis, hanya diizinkan membuka mata sebentar setiap beberapa menit untuk melihat kanvas. Proses ini sering menghasilkan kesalahan, meninggalkan banyak bagian kasar dan gangguan—janky berasal dari sini.

Produksi adalah semburan, pemeriksaan adalah kebocoran.

Ini adalah perbandingan paling tajam dalam postingan Karpathy: ia sudah mampu menciptakan sebuah dunia, tetapi belum bisa memeriksa dan mengalami dunia yang diciptakannya dengan lancar.

Mata, menjadi bottleneck baru.

Ini bukan satu-satunya kasus: sepanjang musim panas ada "buat game dalam satu kalimat"

Apakah ini hanya sekadar pertunjukan keberuntungan?

Tidak seperti itu. Jika dilihat dari garis waktu, mulai Juli 2026, serangkaian demo sejenis seputar Opus 5 muncul dan menjadi populer sepanjang musim panas.

Seseorang membuat game strategi real-time luar angkasa bergaya Homeworld dan mempublikasikan daftar biaya—sebesar $632,65. Ada yang membuat klon bernuansa Rocket League, yang lebih nyata, kode dapat diperiksa, versinya bisa dimainkan, dan memiliki tingkat reproduktivitas yang lebih tinggi. Ada pula FPS di browser, eksplorasi gurun yang dihasilkan secara prosedural, game horor, dan balapan karting...

Apakah Anda melihat polanya?

Kualitas demo-demo ini bervariasi, dan tingkat reproduksinya sangat berbeda. Ada yang hanya menyediakan video tanpa kode, ada yang bahkan memamerkan tagihan. Namun, semuanya menunjukkan tren yang sama: menggunakan satu prompt bahasa alami untuk mendorong model secara mandiri menulis ribuan baris kode dalam waktu lama, menyusun dunia interaktif yang berjalan—hal yang dulu "tidak terbayangkan" kini menjadi "setiap minggu ada orang yang mencobanya".

The Lord of the Rings oleh Karpathy bukanlah keajaiban yang muncul tiba-tiba. Ini adalah satu titik di kurva tersebut. Sebuah titik yang kebetulan disampaikan oleh seseorang yang berpengaruh, dengan teks yang cukup romantis, dan dijelaskan dengan cukup jelas.

Jadi, apakah "era game yang dibuat AI" benar-benar telah tiba?

Kembali ke pertanyaan yang paling ingin Anda tanyakan.

Sudah datang?

Penilaian saya: Arahnya sudah pasti, tapi masanya belum tiba.

Arahnya sudah pasti, karena kurva biaya sisi penawaran telah berbalik turun, dan penurunannya sangat cepat. Secara teknis, penggunaan AI untuk menghasilkan konten interaktif yang disesuaikan dalam jangka panjang telah melewati langkah dari 0 ke 1. Yang tersisa adalah mengembangkannya dari 1 menjadi sesuatu yang bisa digunakan, dimainkan, dan dijual.

Mengatakan masa belum tiba, karena tiga rintangan masih nyata berdiri di sana.

Pertama, adalah lingkaran umpan balik persepsi. Model harus mampu secara native melihat, bermain, dan menilai outputnya sendiri, bukan bergantung pada manusia yang mengambil tangkapan layar, memberi suara, atau membersihkan kesalahan. Ini adalah bagian paling sulit dalam kemampuan multimodal—bukan sekadar "memahami sebuah gambar", melainkan "memahami proses dinamis yang berubah seiring waktu dan bersifat interaktif".

Yang kedua adalah reproduktibilitas dan keterdeliveran. Video bukan perangkat lunak. Demo bukan produk. Sebuah klip keren selama 93 detik, dan sesuatu yang bisa diunduh, dijalankan, dimodifikasi, dan dimainkan selama satu jam oleh orang lain, dipisahkan oleh seluruh pekerjaan keras teknis.

Tahap ketiga adalah bobot kata "real-time". Karpathy membayangkan Anda memasuki dunia yang dihasilkan secara sementara, menjadi karakter, penonton, atau NPC—seperti GTA yang muncul sesuai permintaan. Namun sekarang, Anda harus menjalankan dua jam secara offline untuk menghasilkan satu video. Dari "dua jam menghasilkan video" ke "generasi real-time jalan di bawah kaki Anda", ini bukan perubahan kuantitatif, tapi perubahan kualitatif.

Jadi saya tidak suka ungkapan seperti "zaman telah tiba". Terlalu berlebihan.

Saya lebih suka mengatakan: kita sedang meninggalkan era "bangau bersepeda" dan memasuki masa transisi di mana model dapat menciptakan dunia kasar, tetapi masih belum jelas apa yang telah mereka ciptakan.

Berapa lama masa transisi ini? Tidak ada yang tahu. Bisa dua tahun, bisa lima tahun. Tergantung pada kapan "mata" itu—kesadaran dan kemampuan refleksi asli AI—terpenuhi.

Tapi ada satu hal yang cukup pasti.

Ketika menciptakan sebuah dunia hanya memerlukan 10 dolar dan dua jam, kelangkaan bukan lagi pada proses "menciptakan". Kelangkaan ada pada "memahami apa yang telah kamu ciptakan" dan "sebenarnya apa yang ingin kamu ciptakan". Mesin bertanggung jawab atas kata "menciptakan" di bagian kedua, sementara kata "ingin" dan "memahami" di bagian pertama, sementara ini masih harus dilakukan oleh manusia.

Tanah tengah yang kasar sudah bisa berjalan.

Tentang kapan kamu benar-benar bisa masuk—jangan buru-buru, ambil langkah perlahan. Ini layak ditunggu.

Sumber kutipan

• Posting dan video asli oleh Andrej Karpathy di X (sebelumnya Twitter) pada 2 Agustus 2026
• Anthropic Mengumumkan resmi《Claude Opus 5》, anthropic.com
• Situs resmi Three.js, threejs.org
• explainx.ai: "Karpathy's $10 Opus 5 Lord of the Rings World: The New AI Eval", 2 Agustus 2026
• Benzinga: Andrej Karpathy Mengatakan AI Telah Melampaui Promt Sederhana Setelah Claude Opus Membangun Dunia 3D 'Lord of the Rings', Agustus 2026
• Enterprise DNA: Andrej Karpathy's next-gen benchmark moment, 2 Agustus 2026
• explainx.ai: "Opus 5 Membangun RTS Luar Angkasa Gaya Homeworld Hanya dari Satu Prompt — Setelah Menghabiskan $632,65", 28 Juli 2026
• explainx.ai: "Top 10 Claude Opus 5 Game Prompts (With the Actual Prompts)", 29 Juli 2026