GPT-5.6 Sol Ultra milik OpenAI Memecahkan Konjektur Matematika Berusia 50 Tahun

Model penalaran terbaru OpenAI, GPT-5.6 Sol Ultra, dilaporkan telah mencapai terobosan dalam teori graf dengan memecahkan sebuah konjektur matematika yang tetap tidak terpecahkan sejak tahun 1970-an. Dengan memanfaatkan kegigihan komputasi yang ekstrem dan arsitektur multi-agen, model ini menghasilkan bukti lengkap dalam waktu kurang dari satu jam.

Memecahkan Misteri Teori Graf

Konjektur yang dimaksud membahas pertanyaan mendasar dalam teori graf: apakah sekumpulan siklus dapat ditemukan dalam jaringan simpul (vertices) dan sisi (edges) apa pun yang melintasi setiap sisi secara individual tepat dua kali. Meskipun para matematikawan telah menemukan solusi parsial untuk kasus-kasus tertentu selama lima dekade terakhir, bukti umum tetap sulit ditemukan.

Thomas Bloom, seorang matematikawan di University of Manchester, mendeskripsikan bukti tersebut sebagai sesuatu yang "singkat, elementer, dan seharusnya bisa ditemukan pada tahun 1980-an." Menariknya, solusi tersebut tidak memerlukan penemuan teori matematika yang sepenuhnya baru; sebaliknya, ia secara cerdik menyintesis alat-alat yang sudah ada dan kerangka kerja matematika yang telah dikenal.

Kekuatan Kegigihan Mesin

Sebuah pertanyaan kritis muncul: jika matematikanya bersifat "elementer", mengapa manusia gagal memecahkannya selama 50 tahun? Bloom menyarankan bahwa solusi tersebut membutuhkan sedikit perubahan logika yang berlawanan dengan intuisi (counterintuitive). Matematikawan manusia sering kali mengikuti jalur logika yang, ketika gagal, mengarah pada kesimpulan bahwa masalah tersebut tidak dapat dipecahkan.

Sebaliknya, GPT-5.6 Sol Ultra menunjukkan tingkat "kegigihan mesin". Ia tidak mengalami bias kognitif berupa rasa putus asa. Sebaliknya, model ini terus-menerus mengeksplorasi variasi kecil dalam logika dan pelabelan hingga jalur yang berhasil diidentifikasi. Kemampuan untuk melakukan brute-force pada permutasi logis tanpa "sikap menyerah" ini memungkinkan AI untuk melewati hambatan mental yang menghentikan para peneliti manusia.

Rekayasa Prompt Tingkat Lanjut dan Arsitektur Multi-Agen

Keberhasilan Sol Ultra bukan sekadar hasil dari kecerdasan mentah, melainkan dari rekayasa prompt yang sangat canggih. Untuk memastikan model tidak memberikan jawaban default "Saya tidak tahu", para peneliti menggunakan serangkaian arahan yang ketat:

  • Asumsi Paksaan: Prompt tersebut memaksa model untuk mengasumsikan bahwa bukti lengkap itu ada, mencegahnya menyatakan bahwa konjektur tersebut belum terpecahkan.
  • Isolasi Informasi: Model dilarang mencari di internet untuk memverifikasi apakah masalah tersebut sudah pernah dipecahkan sebelumnya.
  • Pengujian Adversarial Multi-Agen: Sebuah sistem yang terdiri dari 64 agen digunakan. Banyak agen yang dibiarkan "tidak tahu" tentang pendekatan logika mana yang berhasil untuk memastikan penalaran yang independen, sementara agen adversarial meneliti kandidat bukti untuk kesalahan spesifik, seperti jalur tertutup yang diidentifikasi secara salah.

Perdebatan Mengenai Kreativitas AI dan Sitasi

Terobosan ini telah menyulut kembali perdebatan mengenai apakah LLM benar-benar "kreatif" atau sekadar pengombinasi canggih dari pengetahuan yang sudah ada. Bloom mencatat bahwa ide-ide inti dalam bukti tersebut merujuk kembali ke makalah tahun 1983 oleh Bermond, Jackson, dan Jaeger. Ia mengkritik OpenAI karena gagal menyitir karya terdahulu ini, serta mencatat bahwa makalah yang dihasilkan AI sering kali menggunakan strategi yang sudah ada tanpa atribusi yang tepat.

Meskipun komunitas ilmiah masih menunggu verifikasi matematika secara penuh, peristiwa ini menandakan pergeseran dalam lanskap AI. Model AI skala besar semakin banyak dikerahkan untuk menyerang masalah ilmiah yang terbuka, yang berpotensi mengungkap solusi yang selama ini sebenarnya sudah dalam jangkauan manusia.

Poin-Poin Penting

  • Kegigihan di Atas Kompleksitas: AI memecahkan masalah lama bukan dengan menciptakan matematika baru, melainkan dengan menerapkan teori yang sudah ada dengan tingkat variasi logika tanpa lelah yang tidak dimiliki manusia.
  • Batasan Ketat Mendorong Hasil: Penggunaan prompting "adversarial" dan pelarangan pencarian internet memaksa model untuk menemukan solusi daripada memberikan respons standar "belum terpecahkan".
  • Tantangan Atribusi: Insiden ini menyoroti kekhawatiran yang berkembang dalam penelitian AI mengenai kurangnya sitasi yang tepat ketika model mengombinasikan kembali literatur ilmiah yang sudah ada.