Mengapa Seorang Peneliti Microsoft Membangun Jaringan Saraf Menggunakan Kambing di Age of Empires II

Dalam sebuah tampilan satire teknis yang brilian, peneliti Microsoft dan University of York, Adrian de Wynter, telah membangun jaringan saraf fungsional di dalam editor peta Age of Empires II. Meskipun menggunakan kambing untuk merepresentasikan bit biner mungkin tampak konyol, eksperimen ini berfungsi sebagai kritik mendalam terhadap bias antropomorfik yang saat ini melanda penelitian ilmiah AI.

Model Komputasi Berbasis Kambing

Arsitektur De Wynter menggunakan editor skenario dan alat skrip permainan untuk menciptakan sirkuit logika yang berfungsi. Dalam pengaturan yang "konyol" ini, kambing berfungsi sebagai bit: seekor kambing yang berdiri di atas rumput merepresentasikan angka 0, sementara seekor kambing yang berdiri di atas jembatan merepresentasikan angka 1. Dengan memanfaatkan tanjakan es untuk mencegah kesalahan perhitungan, de Wynter berhasil membangun jaringan mini yang terdiri dari dua gerbang XNOR dan satu gerbang AND, yang secara efektif mempelajari fungsi logika AND.

Kedalaman teknis dari eksperimen ini melampaui gerbang logika sederhana. De Wynter menunjukkan bahwa mekanisme permainan—khususnya pasar dalam game di mana harga sumber daya dibatasi pada 9.999—secara teoritis dapat memungkinkan siklus ekonomi yang berjalan terus-menerus. Hal ini dapat mengubah bangunan menjadi sel memori dan pertanian aktif menjadi status komputasi, yang secara efektif membuat permainan ini sekuat komputer yang sesungguhnya.

Kekeliruan Antropomorfisme dalam Penelitian LLM

Tujuan utama dari eksperimen ini adalah untuk menantang bagaimana kita memberikan kualitas menyerupai manusia kepada Large Language Models (LLM). De Wynter berargumen bahwa jika sebuah model bahasa dapat direplikasi menggunakan kambing, balok Lego, atau bahkan 667.000 penduduk Greater Boston yang saling berkirim pesan teks, hasil matematisnya tetap identik. Namun, "pembungkusnya"—antarmuka obrolan yang mulus dan latensi rendah—menciptakan ilusi kesadaran.

Untuk membuktikan bahwa ini bukan pengamatan yang terisolasi, de Wynter menganalisis 315 makalah AI dari pertengahan 2024 hingga pertengahan 2026. Dengan menggunakan GPT-5.2 untuk penyaringan, studi tersebut mengungkapkan bias sistemik dalam komunitas ilmiah:

• 57% dari makalah yang diperiksa mengasumsikan LLM memiliki sifat menyerupai manusia dalam premis mereka.
• 36% dari makalah mencapai kesimpulan yang sesuai dengan asumsi antropomorfik tersebut.
• Dari 47 makalah yang secara khusus meneliti sifat-sifat ini, 77% menyimpulkan hal yang mendukung atribut antropomorfik.

Hal ini menciptakan siklus penalaran melingkar: peneliti merancang eksperimen untuk membuktikan bahwa sebuah model memiliki "rasa takut" atau "moralitas," dan karena mereka memulai dengan asumsi tersebut, hasilnya tak terelakkan akan mengonfirmasinya.

Menuju Sains AI Observasional

De Wynter memperingatkan bahwa praktik industri, seperti Anthropic melatih Claude untuk menggunakan frasa seperti "Saya percaya," memperburuk masalah ini. Hal ini dapat menyebabkan konsekuensi berbahaya, termasuk keterikatan emosional, sikap menjilat (sycophancy), dan penguatan delusi pada pengguna.

Alih-alih mengatribusikan kesadaran pada model, de Wynter mengusulkan "pendekatan yang objektif" yang berakar pada data yang dapat diobservasi. Alih-alih mengklaim bahwa sebuah model "memahami" suatu konsep, peneliti harus menyatakan bahwa "di bawah kondisi X, model menghasilkan output Y." Hal ini menjaga sains agar tetap dapat diuji dan mencegah penyalahgunaan matematika kompleks untuk membenarkan klaim sentiens yang tidak berdasar.

Poin-Poin Penting

• Ekuivalensi Matematis: De Wynter membuktikan bahwa medium komputasi (baik itu kambing dalam sebuah permainan atau teks dalam jendela obrolan) tidak mengubah matematika yang mendasarinya, namun hal tersebut secara drastis mengubah persepsi kita tentang "kecerdasan."
• Bias Penelitian Sistemik: Lebih dari separuh makalah AI yang dianalisis terjebak dalam penalaran melingkar dengan mengasumsikan bahwa LLM memiliki sifat manusia sebelum mengujinya.
• Kebutuhan akan Rigoritas Observasional: Komunitas AI harus beralih dari mengatribusikan proses kognitif tingkat tinggi pada model menjadi berfokus pada output komputasi yang dapat diobservasi secara ketat dan dapat diuji.