Loop Engineering: Gimana 'Autoresearch' Bikin AI Makin Canggih?

Kamu pasti pernah denger tentang AI, kan? Nah, kebanyakan orang masih pakai AI kayak mesin pencari tahun 2015. Kamu ketik, baca, terus ketik lagi. Sekarang ada cara baru yang lebih keren, yaitu loop! Di artikel ini, kita bakal bahas gimana loop engineering ini bisa bikin kerja AI jadi lebih efisien.

Jadi, apa sih sebenarnya loop engineering itu? Bayangkan kamu punya tujuan yang mau dicapai. Dalam loop, model AI ini bakal terus berusaha sampai tujuan itu tercapai. Dia bakal merencanakan, bertindak, ngecek hasilnya, terus ulang lagi. Keren, kan? Dengan cara ini, kamu cuma perlu ngedefinisikan tujuan sekali, dan sisanya biar loop yang urus.

Ada tiga bagian penting yang bikin loop ini jalan. Pertama, ada verifier yang ngecek setiap usaha yang dilakukan. Misalnya, bisa jadi tes yang harus dilalui atau metrik yang bergerak. Tanpa verifier, si AI ini cuma bakal setuju sama dirinya sendiri tanpa ada kemajuan. Kedua, ada state yang nyatet semua yang udah dicoba, yang gagal, dan yang masih bisa dicoba. Terakhir, ada stop condition yang mencegah biaya melambung. Jadi, loop ini bakal berhenti pas tujuannya tercapai atau setelah N percobaan.

Sekarang, kita masuk ke contoh nyata, yaitu Karpathy Loop. Pada 7 Maret 2026, Andrej Karpathy rilis proyek open-source yang disebut autoresearch. Proyek ini langsung viral dan dapet hampir 90.000 bintang di GitHub! Dalam proyek ini, AI cuma bisa edit satu file, yaitu train.py, yang berisi model GPT dan loop pelatihan. Dia nggak boleh nyentuh evaluasi, jadi AI ini fokus untuk bikin modelnya lebih baik, bukan bikin tesnya lebih gampang.

Setiap siklus eksperimen, AI ini bakal baca kode, usul perubahan, latih selama lima menit, lalu putuskan mau lanjut atau mundur. Hasilnya? Dalam dua hari, dia berhasil melakukan sekitar 700 eksperimen dan menemukan 20 perbaikan nyata, yang bikin waktu pelatihan GPT-2 berkurang 11%. Gila, kan? AI ini nggak capek seperti manusia yang biasanya udah lelah setelah beberapa eksperimen.

Nah, ada juga yang namanya Bilevel Autoresearch. Ini adalah loop di atas loop. Jadi, ada loop dalam yang ngelakuin eksperimen, dan ada loop luar yang ngecek loop dalam. Loop luar ini bisa bikin perubahan baru dan inject ke dalam loop dalam. Hasilnya, bisa ngedapetin hasil yang lebih baik lagi.

Jadi, gimana cara kamu bisa pakai konsep ini? Misalnya, kamu bisa coba bikin loop sendiri. Cukup dengan mendefinisikan tugas dan kriteria keberhasilan, lalu biarkan AI bekerja sampai semua kriteria terpenuhi. Ini bisa jadi cara yang seru untuk eksplorasi lebih dalam di dunia AI.

Intinya, loop engineering ini bikin AI jadi lebih mandiri dan efisien. Dengan cara ini, kita bisa fokus pada desain dan review, tanpa harus mikirin setiap langkah secara manual. Jadi, siap untuk mencoba dan eksplorasi lebih jauh?