Decitron: Model AI Keputusan Umum Pertama di Dunia Dirilis

Menghasilkan jawaban sedang menjadi kemampuan dasar AI, sementara menalar dunia nyata adalah tantangan yang lebih sulit di tahap berikutnya.

Keputusan nyata bukanlah pertanyaan dan jawaban statis. Ia terjadi di dunia yang terus berubah, dengan banyak pihak yang bertindak secara bersamaan, informasi tidak lengkap, dan penuh ketidakpastian.

Misalnya, sebuah model open-source baru tiba-tiba menurunkan biaya, apakah perusahaan model terkemuka akan mengikuti dengan menurunkan harga? Bagaimana penyedia cloud, pengembang, dan perusahaan aplikasi akan kembali menyusun strategi mereka? Dalam keputusan semacam ini, tindakan satu pihak mengubah kondisi yang dihadapi pihak lain dalam langkah selanjutnya, dan reaksi baru terus memperbarui situasi. Seperti permainan catur di mana semua pemain menjatuhkan bidaknya secara bersamaan, setiap langkah yang diambil mengubah papan permainan.

Dalam konteks ini, setelah Decitron (singkatan dari Decitron) dari Zhongke Wenge diluncurkan, beberapa media teknologi utama menyebutnya sebagai "model keputusan umum pertama di dunia". Istilah ini menekankan bukan munculnya teknologi tunggal seperti model dunia, agen multipel, atau solusi permainan, tetapi bahwa Decitron pertama kali menggabungkan kemampuan-kemampuan ini ke dalam satu kerangka keputusan yang berorientasi pada dunia terbuka, membentuk siklus lengkap yang mencakup pemodelan berkelanjutan, simulasi, solusi, dan kalibrasi.

Yang disebut "umum" adalah upayanya untuk mengabstraksikan masalah keputusan kompleks dari berbagai bidang menjadi satu struktur bersama—keadaan dunia, entitas yang terlibat, ruang tindakan, hubungan kendala, interaksi multi-langkah, dan hasil yang tidak pasti—serta terus melakukan simulasi dan pencarian solusi dalam kerangka yang sama.

Alamat laporan teknis: https://chinaxiv.org/abs/202608.00064

Pada 3 Agustus, laporan teknis lengkap Decitron resmi dirilis, pertama kali secara sistematis mengungkapkan tiga kontribusi teknis utamanya:

Pertama, mengusulkan model dunia eksplisit MetaWorld, yang mengorganisasi informasi multi-sumber menjadi status dunia yang terstruktur, persisten, dan dapat dihitung beserta pemodelan kausalnya; kedua, menggunakan representasi formal State–Action–Outcome (SAO) untuk mengubah keputusan kompleks menjadi bentuk ekspresi dan penalaran yang dapat dihitung; ketiga, membangun arsitektur penalaran hibrida AutoABM yang menggabungkan simulasi multi-agents, penalaran permainan, dan optimasi formal, yang menyelesaikan masalah keputusan kompleks seperti keseimbangan permainan, perencanaan strategis, dan pemenuhan kendala melalui sistem penalaran keputusan multi-agent. Ketiganya bersama-sama membentuk fondasi teknis mesin keputusan, dengan tujuan mengubah penilaian satu kali dari sistem AI menjadi proses komputasi dan penalaran yang terus diperbarui seiring perubahan dunia.

Saat ini, beberapa kemampuan kunci yang dibutuhkan AI terkait «simulasi keputusan»—seperti model dunia, agen ganda, penalaran permainan, dan prediksi probabilitas—sebenarnya telah muncul bertahap. Tantangan sejati terletak pada: ketika AI beralih dari tugas tertutup ke dunia nyata yang terbuka, kemampuan-kemampuan ini harus bekerja secara sinergis berdasarkan satu status dunia yang sama dan terus diperbarui, bukan hanya memberikan analisis yang saling terpisah dalam satu Prompt saja.

Pertama, lihat model dunia. Ketika disebut World Model, orang cenderung memikirkan Sora, World Labs, V-JEPA, yang secara utama berfokus pada model dunia fisik yang berhubungan dengan visual, spasial, fisika, atau lingkungan robotik. Namun, MetaWorld yang diajukan oleh Decision Machine berfokus pada skenario keputusan yang lebih kompleks: ekonomi, kebijakan, persaingan perusahaan, geopolitik, dan sistem terbuka lainnya, di mana subjek, variabel, hubungan, dan batasan yang terlibat dalam pemodelan sistem jauh lebih rumit.

MetaWorld dapat dianggap sebagai perluasan model dunia ke sistem sosial, yang perlu menangani tiga masalah rumit: perbedaan aturan, refleksivitas (interaksi timbal balik dan pengaruh siklus antara sebab dan akibat), serta ketidakpastian yang tidak dapat dihilangkan sepenuhnya. Ini juga membawa satu pertanyaan langsung: jika penilaian terhadap dunia saat ini mengalami penyimpangan, apakah simulasi selanjutnya akan ikut menyimpang?

Setelah memasuki sistem sosial, hanya mempertahankan keadaan lingkungan tidak cukup; AI juga harus menilai bagaimana peserta lain bertindak. Richelieu yang diusulkan oleh tim CICERO dari Meta, Peking University, dan lainnya telah menunjukkan kemampuan beberapa Agen untuk berinteraksi dan bermain game dalam kondisi informasi terbatas; sementara untuk pengambilan keputusan nyata di dunia terbuka, setelah mensimulasikan tindakan semua pihak, masih diperlukan penilaian apakah strategi tersebut layak, game mungkin berakhir pada keseimbangan apa, serta kemungkinan dan kondisi berbagai masa depan yang mungkin terjadi.

Arti dari decision engine terletak pada arsitektur inferensi hibridanya, AutoABM, yang menyatukan pemahaman semantik LLM, representasi terstruktur SAO, pemodelan dan simulasi multi-agent, serta inferensi dan optimasi strategi dalam satu rantai implementasi yang terpadu, menghubungkan empat langkah: "memahami dunia — mensimulasikan simulasi — mencari solusi keputusan — mengevaluasi masa depan".

Sistem keputusan terdiri dari enam tingkatan: input dan tugas, data dan pengetahuan, pemodelan dan formalisasi, simulasi dan penalaran, prediksi dan kalibrasi, serta pelaporan dan penjelasan, yang membentuk rantai lengkap dari informasi nyata hingga output keputusan.

Selanjutnya, kita menggunakan contoh "Bagaimana konflik perdagangan kompleks tertentu mungkin berkembang dalam enam bulan ke depan?" untuk melihat bagaimana mesin keputusan membangun status dunia saat ini, mensimulasikan tindakan berbagai pihak, mengeksplorasi berbagai jalur masa depan yang mungkin terjadi, serta kondisi apa yang akan memicu jalur-jalur tersebut.

Langkah pertama: Jangan terburu-buru memprediksi masa depan, pertama-tama pahami apa yang sedang terjadi sekarang, dan fakta-fakta mana yang layak dipercaya.

Informasi dunia nyata seringkali beragam, mungkin berulang atau saling bertentangan, atau bahkan sudah usang. Mesin keputusan terlebih dahulu mengubah pertanyaan pengguna menjadi tugas terstruktur, yang secara jelas menentukan apa yang perlu dijawab, subjek apa yang terlibat, durasi pengamatan, serta batasan-batasan apa yang ada. Dalam kasus ini, sistem akan terlebih dahulu mengidentifikasi pihak-pihak utama yang terlibat dalam konflik tersebut, rentang waktu, dan fokus perselisihan saat ini, kemudian menguraikan kondisi-kondisi yang berpotensi memengaruhi perkembangan situasi, seperti tarif, rantai pasokan, kebijakan industri, dan perilaku perusahaan. Setelah itu, sistem mengumpulkan informasi dari berbagai sumber seperti laporan berita, media sosial, dan laporan penelitian, berdasarkan elemen-elemen tersebut.

Gambar 2: Diagram alur pemrosesan data

Informasi yang dikumpulkan akan terlebih dahulu melalui proses penghapusan duplikasi, pengelompokan, dan ekstraksi peristiwa, lalu disusun menjadi garis waktu peristiwa dan sekelompok unit bukti yang lebih rinci. Sistem kemudian menilai kualitas informasi satu per satu melalui Evidence Quality Score (EQS), mencakup relevansi dengan pertanyaan saat ini, kredibilitas sumber, keterkiniannya dan kelengkapan konten, serta konsistensi antar sumber. Selain itu, berdasarkan tingkat kepercayaan yang berbeda dari bukti-bukti tersebut, ditentukan arahnya: bukti dengan tingkat kepercayaan tinggi langsung masuk ke tahap inferensi selanjutnya.

Jika bukti yang ada tidak cukup atau terjadi konflik antar sumber, sistem akan terus menjalankan penalaran dan pencarian bergantian berbasis ReAct, menyesuaikan pencarian berikutnya berdasarkan informasi yang masih hilang, serta memperbarui garis waktu yang sudah ada dengan informasi baru yang ditemukan.

Gambar 3: Menggunakan mekanisme alternatif inferensi dan pencarian berbasis ReAct

Langkah kedua, ubah fakta yang telah disaring menjadi sebuah «status dunia» yang diperbarui secara terus-menerus. Fakta memberi tahu sistem apa yang terjadi, selanjutnya perlu ditentukan lebih lanjut: ketika perubahan-perubahan ini digabungkan, status dunia saat ini sebenarnya seperti apa.

Mesin keputusan menggunakan representasi State–Action–Outcome (SAO) untuk memformalkan proses ini, di mana State menggambarkan keadaan dunia saat ini, Action mencatat tindakan yang diambil oleh berbagai Agent dalam keadaan tersebut, dan Outcome mencatat hasil-hasil seperti keuntungan, kerugian, biaya, dan risiko yang diakibatkan oleh tindakan tersebut. Perlu dicatat bahwa State membedakan antara status makro dan status yang lebih rinci serta terukur. Dalam kasus ini, peningkatan ketegangan dapat menjadi status makro, sementara tingkat tarif, harga barang, dan tingkat dampak terhadap rantai pasokan dapat dimasukkan ke dalam catatan status yang lebih rinci.

Selain itu, sistem juga mempertimbangkan gangguan eksternal secara terpisah, seperti perubahan kebijakan mendadak, perubahan lingkungan, atau peristiwa lain yang tidak dikendalikan oleh Agen. Setelah satu tindakan dan peristiwa eksternal terjadi, keadaan dunia diperbarui. Keadaan yang diperbarui kemudian menjadi titik awal untuk tindakan berikutnya. Siklus ini berulang terus-menerus, membentuk lintasan SAO yang kontinu.

Gambar 4: Proses berjalannya SAO

Yang bertanggung jawab untuk memelihara status ini secara nyata adalah MetaWorld, yang menghasilkan struktur status dunia yang dapat dihitung dan diperbarui. Status tersebut dapat dibagi menjadi tiga tingkatan: Environment Layer mencatat lingkungan keseluruhan yang dibagikan oleh semua peserta, seperti tahap situasi, harga sumber daya, dll.; Agent Metrics Layer mencatat sumber daya, kemampuan, dan kemajuan tujuan setiap Agent; Relationship Matrix Layer mencatat perubahan hubungan antar Agent.

MetaWorld juga menggunakan DAG sebab (Causal Directed Acyclic Graph) untuk membatasi bagaimana keadaan berubah: pengaruh yang mungkin terjadi antar variabel telah diorganisasi ke dalam graf sebab-akibat selama tahap pemodelan. Selama proses inferensi, sistem memperbarui status node dan bobot sisi sebab-akibat, tetapi tidak membuat graf sebab-akibat baru setiap putaran.

Ini sangat penting untuk simulasi jangka panjang. Perubahan tarif sebelumnya memengaruhi harga, harga kemudian mengubah pilihan perusahaan dan respons peserta lainnya, dan semua perubahan ini perlu disimpan agar dapat dilanjutkan ke tahap berikutnya. MetaWorld bertanggung jawab atas 'buku besar dunia' yang terus diperbarui ini.

Langkah ketiga, dengan adanya keadaan dunia, berbagai Agen mulai bertindak. Pemodelan Berbasis Agen (ABM) tradisional biasanya memerlukan ahli untuk mendefinisikan terlebih dahulu peserta, aturan perilaku, variabel lingkungan, dan mekanisme interaksi. Jika mengganti pertanyaan, banyak hal harus dimodel ulang. AutoABM yang diusulkan oleh Decision Machine mengotomatisasi langkah ini: menghadapi pertanyaan dalam bahasa alami, sistem akan menggabungkan bukti eksternal, mengekstrak peserta, tujuan dan kendala, ruang tindakan, variabel lingkungan, serta hubungan sebab-akibat, lalu membangun lingkungan simulasi multi-agen berdasarkan hal tersebut.

Sebuah konflik perdagangan dapat secara bersamaan melibatkan berbagai agen seperti pemerintah, perusahaan, organisasi industri, dan konsumen, di mana masing-masing memiliki tujuan, sumber daya, preferensi risiko, dan garis merah yang tidak boleh dilanggar. Agen-agennya tidak memiliki sudut pandang ilahi, tetapi hanya dapat bertindak berdasarkan informasi lokal yang mereka kuasai.

Dalam setiap siklus tindakan, Agent terlebih dahulu mengambil interaksi dan riwayat sebelumnya, lalu menilai peluang, risiko, dan kendala dalam situasi saat ini, menghasilkan beberapa strategi alternatif, serta membuat keputusan. Selain itu, setiap siklus tidak hanya mendorong satu arah saja; sistem secara bersamaan mengembangkan beberapa keadaan dunia yang berbeda, termasuk jalur keseimbangan yang relatif stabil, arah evolusi yang lebih optimis atau pesimis, serta cabang berdampak tinggi yang probabilitasnya rendah tetapi dapat secara signifikan mengubah situasi jika terjadi. Setelah itu, jalur-jalur ini disaring dan diverifikasi, keadaan dunia diperbarui, dan memasuki siklus berikutnya. Seiring terus berjalannya tindakan dari berbagai pihak, beberapa jalur kehilangan syarat keberlakuannya, sementara jalur lain menjadi lebih mungkin terjadi.

Gambar 5: Paradigma perilaku Agent

Di luar simulasi multi-agents, keputusan kompleks memerlukan seorang "wasit matematis". Multi-agents dapat menghasilkan banyak jalur masa depan yang tampak masuk akal, tetapi memikirkan sesuatu tidak sama dengan mampu melakukannya; keputusan nyata masih dibatasi oleh kendala-kendala keras seperti anggaran, sumber daya, waktu, garis merah kebijakan, dan keseimbangan kepentingan berbagai pihak.

Mesin keputusan terintegrasi dengan kemampuan pemecahan formal, mencakup lima kategori masalah: teori permainan klasik, alokasi sumber daya dan optimasi, perencanaan dan penjadwalan jalur, inferensi probabilitas di bawah ketidakpastian, serta pemenuhan kendala. Misalnya, bagaimana mengalokasikan sumber daya saat anggaran terbatas, keseimbangan apa yang mungkin terbentuk dalam permainan multi-pihak, atau apakah suatu strategi melampaui batas yang telah ditetapkan—semua ini dapat diproses pada lapisan ini. Dalam masalah permainan, sistem juga memiliki sembilan jenis permainan atom klasik bawaan, seperti dilema tahanan, permainan rusa, permainan pengecut, dan permainan jumlah-nol, yang mencakup 144 topologi permainan 2×2 Robinson–Goforth untuk mengidentifikasi dan menyelesaikan berbagai struktur permainan.

Fokus lapisan ini adalah mengembalikan strategi kandidat yang dihasilkan oleh agen ganda ke dalam kerangka kerja permainan, kendala, dan optimasi yang dapat dihitung, sehingga "secara semantik masuk akal" menjadi "secara formal dapat diuji".

Pada benchmark TMGBench untuk menguji kemampuan permainan agen ganda, akurasi keseimbangan keputusan mencapai 99,4%, akurasi identifikasi topologi 100%, waktu solusi rata-rata 0,8 detik, dan skor interpretabilitas 4,3/5,0.

Tabel 2: Lima jenis masalah solusi utama

Pembagian tugas antara simulasi multi-agents dan pemecahan formal jelas: yang pertama bertanggung jawab untuk mengembangkan jalur-jalur yang mungkin terjadi; yang kedua bertanggung jawab untuk memeriksa apakah jalur-jalur tersebut bertahan di bawah kendala dan struktur permainan.

Pada tahap terakhir simulasi, masih tersisa satu pertanyaan kunci: seberapa besar kemungkinan terjadinya setiap jalur masa depan yang telah diuraikan sebelumnya? Untuk itu, mesin keputusan menetapkan tahap peramalan dan kalibrasi (Forecasting & Calibration).

Berdasarkan jalur kandidat yang diperoleh sebelumnya, lapisan ini melanjutkan penanganan ketidakpastian: sistem menggabungkan hasil inferensi model dan sinyal kalibrasi eksternal untuk memberikan probabilitas pada berbagai hasil, kemudian menyesuaikan probabilitas tersebut menggunakan informasi pasar prediksi, kinerja prediksi historis, dan aturan penilaian probabilitas. Keputusan yang diberikan oleh mesin keputusan tidak lagi hanya berupa serangkaian deskripsi skenario "yang mungkin terjadi", tetapi setiap jalur juga dilengkapi dengan penilaian probabilitas yang sesuai, dan terus diperbarui seiring munculnya bukti baru dan hasil inferensi.

Kita bisa memahaminya sebagai peta masa depan yang dinamis: ketegangan perdagangan yang terus meningkat, pelemahan sementara antara kedua pihak, atau munculnya variabel mendadak baru, semuanya bisa menjadi cabang yang berbeda. Sistem menilai kemungkinan terjadinya setiap jalur serta perubahan apa yang membuat satu jalur menjadi lebih mungkin terjadi.

Gambar 6: Modul prediksi probabilitas

Dengan demikian, mesin keputusan menghubungkan satu siklus lengkap simulasi keputusan.

Laporan menggunakan beberapa eksperimen untuk menguji sistem inferensi decision engine, dengan hasil yang paling patut diperhatikan adalah «inferensi peristiwa dan prediksi probabilitas».

Pertama, tinjau kumpulan prediksi peristiwa buatan sendiri untuk mengamati apakah penalaran terstruktur dapat meningkatkan prediksi peristiwa. Tim membuat kumpulan data yang mencakup 74 peristiwa dan 370 pertanyaan biner, mencakup berbagai kategori peristiwa dengan ketidakstabilan tinggi, serta memasukkan berbagai jangkauan prediksi dalam evaluasi. Dalam pengaturan evaluasi tim, hasil keseluruhan mesin keputusan adalah 78,41%.

Selain itu, dalam pengaturan LLM-NEWS, untuk kelompok jangka pendek 3-30 hari, hasil keputusan mesin adalah 72,80%, sedangkan GPT-5.5 dan Claude-4.7 masing-masing sebesar 35,43% dan 44,62%; setelah memasuki jangka menengah dan panjang, kesenjangan tersebut perlahan menyempit. Artinya, penalaran terstruktur menunjukkan keunggulan relatif yang lebih jelas dalam skenario jangka pendek di mana situasi berubah cepat dan pola historis sulit diterapkan.

Kemudian adalah eksperimen tambahan di pasar prediksi publik PolyBench.

FFA (Final Forecast Accuracy) dari Decision Machine sebesar 81,20%, EVPA (Expected Volatility Prediction Accuracy) sebesar 73,40%, dan MSE (Mean Squared Error) sebesar 0,822, ketiganya lebih unggul dibandingkan Gemini-3-Flash, MiMo-V2-Flash, dan Grok-4.1-Fast. Ini menunjukkan bahwa Decision Machine mencapai kinerja yang lebih baik dalam menangkap arah perubahan probabilitas pasar serta mengendalikan kesalahan probabilitas.

AI generatif menggunakan token sebagai unit komputasi dasar, yang menyelesaikan pertanyaan "bagaimana konten berikutnya dihasilkan"; sementara AI keputusan menggunakan perubahan status dunia sebagai objek komputasi dasar, yang menyelesaikan pertanyaan "bagaimana satu tindakan akan mengubah dunia selanjutnya". Yang pertama peduli apakah jawabannya masuk akal, sedangkan yang kedua juga harus menangani kausalitas, batasan nyata, reaksi lawan, dan perubahan probabilitas. Keduanya bukan sekadar penjumlahan kemampuan, melainkan perubahan paradigma komputasi.

AI keputusan sulit muncul secara alami hanya dengan meningkatkan ukuran parameter dan kemampuan bahasa yang lebih kuat. Setelah memasuki dunia terbuka, model dasar tetap penting, tetapi perannya mulai berubah dari keseluruhan sistem menjadi komponen dari sistem keputusan. Unit persaingan AI juga berpindah dari model tunggal menjadi sistem lengkap.

Makna teknis dari mesin keputusan terletak pada kemampuannya untuk mengorganisasi kemampuan yang sebelumnya terpisah menjadi satu struktur keputusan yang seragam. Istilah "umum" tidak berarti memprediksi masa depan di semua bidang, tetapi berarti masalah dari berbagai bidang dapat diterjemahkan menjadi status, tindakan, hasil, kendala, dan ketidakpastian, lalu dimasukkan ke dalam kerangka penalaran dan pemecahan yang sama.

Dari sudut pandang ini, nilai sejati dari "model keputusan universal pertama di dunia" bukan hanya merebut gelar "pertama", tetapi juga memberikan kerangka teknis yang cukup lengkap bagi "model keputusan universal": menggunakan deskripsi status eksplisit untuk menggambarkan dunia, menggunakan agen ganda untuk menjalankan tindakan, menguji strategi melalui permainan dan optimasi, lalu mengkalibrasi probabilitas untuk berbagai jalur masa depan. Sejalan dengan itu, standar evaluasi AI juga mulai berubah — tidak hanya melihat apakah jawabannya akurat, tetapi juga apakah statusnya konsisten, apakah inferensi dapat diuji, apakah probabilitasnya dapat dipercaya, serta apakah sistem dapat memperbarui diri secara tepat waktu ketika informasi baru muncul.

Setelah semua, jawaban yang terdengar benar tidak sama dengan keputusan yang mampu bertahan terhadap perubahan nyata.

Artikel ini berasal dari akun WeChat "Machine Heart" (ID: almosthuman2014), penulis: yang fokus pada AI keputusan