Penerima Medali Field Bergabung dengan OpenAI, ByteDance Meluncurkan Program Ilmuwan STEM

Hadiah Fields tahun ini dianggap sebagai "edisi terakhir murni" — kemungkinan besar, terobosan penelitian di masa depan akan dilakukan bersama AI.

Proses peralihan ini mungkin berlangsung lebih cepat dari yang kita bayangkan: selama konferensi pers penghargaan Fields, seseorang bertanya kepada salah satu pemenang, matematikawan Kanada Jacob Tsimerman, tentang pekerjaan berikutnya, dan ia menyatakan bahwa ia sudah mulai beralih ke penelitian keamanan AI, dan segera akan bergabung dengan tim keamanan OpenAI.

Di sisi lain, Chief Research Officer OpenAI, Mark Chen, langsung menyambutnya.

Para akademisi terkemuka telah melihat perusahaan AI terkemuka sebagai platform untuk mewujudkan ambisi mereka. Dalam beberapa waktu terakhir, semakin banyak ilmuwan puncak, termasuk matematikawan, fisikawan, dan biolog, beralih ke perusahaan model besar terkemuka. Hanya pada paruh pertama tahun ini, penerima Hadiah Nobel Kimia John Jumper, ekonom Chad Jones, dan filsuf Harvey Lederman bergabung dengan Anthropic.

Di balik semua ini, perusahaan AI terkemuka secara bersamaan memusatkan perhatian pada arah yang sama: mereka semua mengundang para ilmuwan ke garis depan pengembangan AI. Integrasi mendalam antara AI dan ilmu pengetahuan mutakhir sedang berubah dari pilihan menjadi keharusan.

Perusahaan AI besar di Tiongkok juga ikut bergabung; pada Kamis minggu ini, tim Seed Edge dari ByteDance meluncurkan Program Ilmuwan Seed STEM, membuka 100 kursi kolaborasi bagi para ilmuwan dan mahasiswa doktoral di bidang ilmu mutakhir seperti matematika, fisika, kimia, dan biologi, mengajak mereka untuk bersama Seed mengeksplorasi masalah-masalah tak dikenal dalam ilmu dasar. Dari informasi publik, ini adalah program pertama di Tiongkok yang secara besar-besaran berinvestasi dalam AI untuk mempercepat penemuan ilmiah mutakhir.

Dalam persaingan cepat berbasis hari di bidang AI saat ini, mendalami penelitian AI dasar jangka panjang mungkin jauh kurang langsung dibandingkan memperbaiki kemampuan pemrograman atau meningkatkan skor evaluasi: peningkatan kemampuan pada aspek-aspek tersebut dapat segera diubah menjadi pengalaman produk dan pendapatan bisnis, sementara umpan balik dari penelitian dasar dan AI yang mempercepat penemuan ilmiah memiliki siklus yang jauh lebih panjang, dengan jalur eksplorasi yang penuh ketidakpastian.

Namun, sebaliknya, sekali terjadi terobosan nyata di jalan ini, nilai paradigmatik yang dihasilkan akan jauh melebihi iterasi produk biasa.

Yao Shunyu sebelumnya menyampaikan kepada tim sebuah pandangan: pelatihan model besar tidak ada sihir. Tantangan sejati terletak pada melakukan hal-hal paling dasar yang pasti bisa dilakukan dengan benar. Penilaian ini selaras dengan pandangan jangka panjang yang dipegang oleh CEO Anthropic, Dario—elemen inti yang mendorong kemajuan AI tetaplah daya komputasi, kualitas dan skala data, durasi pelatihan, serta fungsi tujuan yang dapat diskalakan, “semua metode dan trik cerdas sebenarnya tidak terlalu penting.”

Melihat kembali model-model SOTA sejati seperti Claude dan Seedance, tidak ada jalan pintas di baliknya; intinya adalah mereka segera menetapkan arah dan melakukan banyak pekerjaan dasar dalam kualitas data dan arsitektur dasar.

Anthropic sangat memfokuskan sumber dayanya pada peningkatan kemampuan kode model, melalui pelatihan pembelajaran penguatan, sehingga model dapat memahami dan menghasilkan kode berkualitas tinggi melalui percobaan berulang, serta membentuk roda evolusi self-accelerating berdasarkan umpan balik pengguna.

Di bidang generasi video yang sulit dipertahankan oleh banyak perusahaan besar, Seedance mengubah generasi video AI dari alat eksperimen bersifat "gacha" menjadi alat produksi industri yang lebih terkendali dan lebih kreatif melalui arsitektur model inovatif dan pekerjaan data yang cermat.

Terlihat bahwa yang benar-benar menentukan batas kemampuan model bukanlah akumulasi teknik, melainkan memperkuat data, menstabilkan struktur dasar, serta menetapkan tujuan jangka panjang dengan keteguhan strategis dan kesabaran yang cukup.

Ini bukan hal yang mudah di lingkungan saat ini, tetapi kita dapat melihat semakin banyak perusahaan di jalur model besar domestik bersedia bersabar dan mengambil jalan yang sulit namun benar.

Tahun ini, DeepSeek Arsitektur mHC (manifold-constrained hyperconnection) yang diluncurkan dianggap sebagai terobosan di bidang arsitektur dasar model besar. Ini juga DeepSeek Salah satu peningkatan arsitektur penting dari V4, yang menggantikan koneksi residual tradisional, diterapkan secara menyeluruh dalam desain model. Patut dicatat, penelitian mHC mengutip Hyper-Connections (HC) yang diusulkan oleh tim Seed ByteDance.

Sebelumnya, residual connection sebagai kerangka dasar Transformer secara luas dianggap sebagai konfigurasi default oleh industri, namun HC menjadi yang pertama memecah pola single-stream ini, secara signifikan meningkatkan kemampuan ekspresi fitur model tanpa meningkatkan beban komputasi secara signifikan. Dari pengenalan inovatif HC hingga penerapan teknis mHC, ini menjadi cerminan inovasi teknis tim AI Tiongkok di bidang arsitektur dasar, yang jarang terjadi dalam perkembangan teknologi model besar sebelumnya.

Pada awal tahun lalu, Byte Seed secara khusus membentuk tim bernama Edge, yang bertujuan untuk meneliti topik-topik dengan tingkat determinasi yang tidak terlalu tinggi dan tidak serta-merta menunjukkan hasil dalam jangka pendek. Untuk memberikan lingkungan yang stabil bagi para peneliti, mereka bahkan menyesuaikan siklus penilaian kinerja—tidak ada mekanisme penilaian di tengah jalan, dan penilaian dilakukan secara terpadu setelah hasil muncul.

Setelah berdiri, tim ini tetap rendah hati, baru-baru ini mereka mempublikasikan rangkaian evaluasi jangka panjang EdgeBench di X, yang secara sistematis mendefinisikan pola pembelajaran Agent dalam lingkungan nyata untuk pertama kalinya di industri ini, menemukan hukum Scaling baru pada dimensi pembelajaran lingkungan, serta memicu diskusi dari banyak tokoh ternama di industri.

Dikatakan bahwa OpenAI juga sedang mengintegrasikan kumpulan evaluasi ini untuk menguji kemampuan jangka panjang model mereka.

Di bidang AI, orang sering fokus pada model besar itu sendiri, tetapi membangun Benchmark sebenarnya memerlukan periode panjang dan sumber daya manusia yang besar. Merancang dan melepaskan benchmark untuk kemampuan AI canggih tidak hanya bertujuan untuk mengukur kemajuan sendiri, tetapi juga untuk membimbing seluruh bidang menuju arah yang lebih transparan dan lebih andal melalui penetapan standar industri dan pengungkapan kelemahan model. Laboratorium AI terkemuka memberikan investasi besar dalam pembangunan benchmark.

OpenAI melepaskan kerangka Evals sebagai alat standar industri untuk mengevaluasi model bahasa besar dan sistem berbasis LLM. Untuk kemampuan canggih tertentu, OpenAI juga merancang serangkaian benchmark khusus, termasuk SimpleQA, BrowseComp, dan MLE-bench.

Anthropic telah melakukan banyak pekerjaan seputar SWE-bench, secara jelas menonjolkan keunggulan kode Claude; mereka juga merilis Terminal-Bench untuk mengukur kemampuan Agent dalam menyelesaikan tugas rantai panjang di lingkungan baris perintah nyata.

Hubungan antara evaluasi ini dan keunggulan masing-masing model bukanlah kebetulan.

Dapat dilihat bahwa penilaian tim AI terdepan terhadap jalur perkembangan AI telah berubah; evolusi kemampuan model besar telah melewati masa manfaat pelatihan awal yang hanya bergantung pada penumpukan parameter dan data, dan dorongan pertumbuhan inti pada tahap berikutnya pasti berasal dari interaksi, umpan balik, serta evolusi mandiri model dalam lingkungan terbuka yang nyata.

Frontier of basic science is the highest form of opening up unknown scenarios. ByteDance’s newly launched Seed STEM Scientist Program aims to collaborate with scientists to identify and overcome research-level problems, exploring the potential of AI-accelerated scientific discovery. Scientists provide not just topics, but also problem awareness, criteria for judgment, and feedback methods.

Mengapa bekerja sama dengan para ilmuwan? Jawabannya adalah tantangan yang tersisa sekarang sudah tidak cukup sulit bagi model besar.

Sistem evaluasi model arus utama saat ini sebagian besar berfokus pada tugas tertutup dengan jawaban standar. Soal memiliki solusi pasti, evaluasi memiliki standar tetap, dan jalur peningkatan kemampuan model jelas. Namun, ilmu pengetahuan yang sebenarnya sama sekali mengikuti logika yang berbeda: ia tidak memiliki jalur pemecahan masalah yang jelas, memerlukan peneliti untuk secara mandiri mengajukan hipotesis, merancang skema verifikasi, menangani data anomali dan noise, serta menurunkan mekanisme dasar—seluruh prosesnya penuh dengan percobaan, pengulangan, dan ketidakpastian.

Tugas dunia nyata adalah standar terakhir untuk menguji kemampuan model AI. Setelah Scaling pra-pelatihan dan Scaling saat pengujian, industri secara umum sedang mencari arah Scaling berikutnya, dan "belajar berinteraksi terus-menerus di lingkungan terbuka nyata" adalah salah satu jalur yang paling diharapkan.

Oleh karena itu, tim AI terkemuka global saat mengembangkan model mutakhir tidak lagi hanya mengandalkan tim AI untuk menyempurnakan model secara tertutup, tetapi menghadirkan para peneliti terkemuka dari berbagai disiplin ilmu, menjadikan masalah nyata di bidang tersebut sebagai kekuatan pendorong evolusi kemampuan model.

Di Amerika Utara, baru-baru ini banyak peneliti universitas secara bertahap bergabung dengan perusahaan model besar. Pada awal Juli, Ketua Departemen EECS di Berkeley, Jelani Nelson, mengumumkan cuti akademik dan bergabung dengan Anthropic. Sejak awal tahun ini, setidaknya 22 profesor dan peneliti sementara meninggalkan atau mengurangi pekerjaan mereka di universitas-universitas seperti Stanford, Berkeley, dan Harvard, untuk bergabung dengan OpenAI, Anthropic, DeepMind, dan Meta. Keempat perusahaan ini saat ini telah mengumpulkan setidaknya 80 profesor universitas aktif atau mantan.

Di balik masuknya para besar secara bertahap, ada proyek-proyek yang terstruktur.

Di OpenAI, program Residency telah menjadi saluran tetap tahunan untuk menarik bakat tingkat tinggi, secara khusus ditujukan bagi individu yang saat ini tidak fokus pada AI sebagai bidang penelitian utama mereka. Peserta langsung bergabung dengan tim aplikasi dan penelitian terdepan OpenAI sejak hari pertama untuk berkolaborasi secara praktis. Program ini setara dengan "pelatihan doktor versi percepatan", yang membantu para ahli lintas bidang untuk dengan cepat mencapai integrasi disiplin ilmu. Banyak proyek penting seperti ImageGPT dan Codex melibatkan partisipasi mendalam dari peneliti residensi. Terobosan kemampuan penelitian model seri GPT dalam penalaran matematis dan deduksi mekanisme biologis juga tidak terlepas dari kontribusi berkelanjutan dari tenaga lintas disiplin semacam ini.

Di Anthropic, program STEM Fellows yang secara khusus ditujukan bagi para ahli di bidang sains, teknologi, teknik, dan matematika diperluas secara sistematis dan skala besar pada tahun 2026. Program ini berlangsung selama beberapa bulan dan secara khusus mengundang para ahli terkemuka di luar bidang AI, seperti fisikawan, biolog, matematikawan, dan ekonom, untuk bergabung ke dalam Anthropic. Mereka dapat membawa tantangan yang belum terpecahkan atau alur kerja kompleks dari bidang mereka sendiri, serta langsung menggunakan model Claude yang belum dirilis secara publik dan alat evaluasi internal.

Dalam proyek semacam ini, ilmuwan material membangun proses evaluasi khusus untuk推理 stabilitas fase Claude, sementara ilmuwan iklim mengintegrasikan alat pemodelan atmosfer profesional secara mendalam dengan model. Selama periode penempatan, lebih dari 80% peneliti menghasilkan temuan akademis berkualitas tinggi, dan umpan balik dari disiplin ilmu nyata ini langsung menjadi sinyal pelatihan untuk iterasi model, serta mendorong perkembangan Claude dalam推理 ilmiah dan pemanggilan alat kompleks.

Nilai proyek-proyek semacam ini telah melampaui aspek ilmiahnya sendiri; perusahaan AI terkemuka semuanya menempatkan persaingan untuk merekrut ilmuwan bidang ini setara pentingnya dengan persaingan untuk merebut daya komputasi.

Tentu saja, bagi komunitas ilmiah, kolaborasi juga memiliki nilai yang sangat besar. Model besar sedang menjadi infrastruktur ilmiah baru: dari penurunan rumus, simulasi numerik, hingga analisis literatur dan data eksperimen dalam jumlah besar, AI sedang membentuk ulang paradigma penelitian, membuat topik yang sebelumnya terhambat oleh keterbatasan tenaga kerja dan daya komputasi menjadi mungkin.

Diundang bergabung dengan tim model besar untuk berpartisipasi dalam penelitian di tempat, maknanya tak kalah penting dibandingkan seorang astronom yang mendapatkan hak eksklusif untuk menggunakan teleskop luar angkasa generasi berikutnya. Proyek semacam ini memberikan banyak keuntungan bagi para ilmuwan, tidak hanya mendapatkan akses ke daya komputasi AI yang besar dan pengalaman dengan model mutakhir, tetapi juga dapat memanfaatkan AI sebagai “otak eksternal” untuk mengalihkan fokus energi mereka pada pendefinisian masalah itu sendiri.

Bagi para ilmuwan yang membanjiri Anthropic dan OpenAI, kolaborasi mendalam semacam ini sekaligus menjadi penguat efisiensi ilmiah dan tuas untuk mendorong penemuan baru. Kini, ketika kita mengalihkan pandangan kembali ke dalam negeri, kami menemukan bahwa kekosongan di bidang persilangan AI dan penelitian dasar sedang diisi terlebih dahulu oleh ByteDance Seed.

Ketika penerima Medali Fields memutuskan bergabung dengan OpenAI, dan semakin banyak ilmuwan STEM yang mulai bergabung dengan tim model, persaingan tahap berikutnya dalam AI sedang berpindah dari iterasi produk jangka pendek, peringkat, dan terobosan tugas tunggal menuju pertanyaan dasar yang lebih jangka panjang, lebih kompleks, dan lebih mutakhir.

Penelitian ilmiah sangat penting karena berada di garis terdepan pengetahuan manusia. Jika mampu bertahan di lingkungan terbuka yang sangat kompleks semacam ini, berarti AI generasi berikutnya benar-benar memiliki kemampuan untuk terlibat dalam tugas-tugas nyata yang kompleks.

Jalan ini sulit menghasilkan hasil yang mencolok dalam waktu singkat, dan sulit membentuk siklus bisnis yang jelas dalam jangka pendek. Prosesnya lambat, berat, dan penuh ketidakpastian. Namun, just because of that, ia paling mampu menguji apakah sebuah tim bersedia benar-benar bersabar dan berkomitmen pada fondasi serta teknologi terdepan.

Ujian akhir dari model besar adalah apakah ia mampu bersama manusia mendorong masalah-masalah yang belum terpecahkan.

Kemajuan ilmiah memerlukan pendekatan jangka panjang, begitu pula pencapaian AGI.

Artikel ini berasal dari akun WeChat "Machine Heart" (ID: almosthuman2014), penulis: Zenan