Edisi Markdown

AI-translated from English; not yet reviewed by a fluent editor.

# Laporan Cambridge mengkaji apakah riset yang dipimpin AI dapat mempercepat kemajuan AI

> Makalah kerja Cambridge mengkaji apakah riset yang dipimpin AI dapat mempercepat kemajuan AI. Angka 26% dari Anthropic menunjukkan pekerjaan yang masih diawasi, sementara lingkar umpan balik yang diusulkan tetap bersyarat.

By BIG CHANGE Editorial

Published: 2026-09-28T23:34:31.964Z
Updated: 2026-09-28T23:34:31.964Z
Canonical: https://bigchange.ai/blog/casp-report-ai-automating-ai-research

![Conceptual charcoal illustration, seen from above, of one researcher comparing two sheets at a workbench while a desktop monitor faces away.](https://bigchange.ai/api/media/file/casp-research-review-hero-v2.png)
AI-generated conceptual illustration by BIG CHANGE.

Anthropic mengatakan Claude kini memimpin 26% pekerjaan riset dan pengembangan AI yang diukurnya di dalam perusahaan. Artinya, suatu sistem dapat menyelesaikan sebagian besar tugas berdasarkan prompt tingkat tinggi sementara seseorang mengawasi. Anthropic juga menyebut Claude belum melakukan pekerjaan R&D terukur secara sepenuhnya otonom. Pembedaan ini penting dalam [makalah kerja dari Cambridge Programme on AI Science & Policy](https://casp.ac/__l5e/assets-v1/5efd4b41-deb5-4513-a0a3-b4f82d2b79ea/intelligence-explosion.pdf), yang mempertanyakan apakah AI yang mengerjakan lebih banyak R&D-nya sendiri kelak dapat membuat kemajuan AI meningkat tajam.

Makalah bertanggal September 2026 itu menghimpun 22 penulis dari universitas, perusahaan AI, dan masyarakat sipil. Makalah tersebut berpendapat bahwa lingkar umpan balik yang cepat mungkin terjadi: sistem yang cakap membantu menghasilkan sistem yang lebih baik, yang kemudian melakukan lebih banyak riset. Kesimpulan utamanya adalah peringatan tentang jalur yang masuk akal dan perlunya mengukurnya. Makalah itu tidak melaporkan bahwa percepatan tersebut sudah dimulai.

## Perubahan besar

- **Yang berubah:** Sebuah makalah kerja lintas lembaga menguraikan bukti R&D yang dipimpin AI, kondisi yang dapat membuatnya mempercepat kemajuan AI, dan pengukuran spesifik yang diminta pemerintah untuk diperoleh dari laboratorium terdepan.
- **Mengapa penting:** Lebih banyak tugas riset kini didelegasikan ke sistem AI di dalam perusahaan yang mengembangkannya. Ukuran publik tentang pendelegasian itu masih parsial, sehingga sulit mengetahui seberapa cepat keseluruhan proses riset berubah.
- **Yang perlu dipantau:** Ukuran yang diperiksa secara independen tentang seberapa banyak pekerjaan diselesaikan AI, apakah kontribusinya memperbaiki model berikutnya, dan apakah komputasi, eksperimen, serta peninjauan manusia memperlambat lingkar umpan balik itu.

## Buktinya nyata, tetapi ukuran yang ada menjawab pertanyaan berbeda

[Laporan pengukuran Anthropic pada September ](https://www.anthropic.com/institute/measuring-pace-of-ai-development)menyebut porsi pekerjaan R&D pada tingkat “AI memimpin” mencapai 26% pada Agustus 2026, naik dari kurang dari 1% pada Februari. Skala penilaiannya tetap menempatkan seorang pengawas manusia dalam kategori tersebut. Anthropic menyebut indeks itu sebagai purwarupa, modelnya sendiri turut membantu menilai pekerjaan, dan belum ada metode bersama untuk membandingkan angka seperti ini antarperusahaan. Pernyataan bahwa tidak ada pekerjaan terukur yang sepenuhnya otonom perlu dibaca bersama angka 26% tersebut.

[Uraian OpenAI pada September ](https://openai.com/index/research-acceleration-view-inside-openai/)menggambarkan para peneliti menggunakan lebih banyak agen pengodean, berkontribusi dengan kode lebih cepat, dan menjalankan lebih banyak eksperimen. OpenAI menyebut volume eksperimen berkorelasi dengan penggunaan agen yang lebih tinggi, sementara kapasitas komputasi juga telah bertambah. Menurut perusahaan, manusia tetap memilih prioritas riset dan menentukan hasil mana yang akan ditindaklanjuti. Lebih banyak kode dan eksperimen dapat membantu riset tanpa membuktikan kenaikan yang sepadan pada laju produksi model yang lebih cakap.

Evaluasi independen membantu mengukur satu bagian proses. Pembaruan [Time Horizon 1.1 dari METR](https://metr.org/blog/2026-1-29-time-horizon-1-1/) menemukan bahwa model dapat menyelesaikan tugas riset dan perangkat lunak yang lebih panjang daripada sistem terdahulu dalam rangkaian pengujiannya. METR juga melaporkan ketidakpastian yang lebar untuk tugas panjang, yang banyak waktu penyelesaiannya oleh manusia diperkirakan. Tolok ukur tugas mengukur kemampuan pada tugas yang dipilih; tolok ukur itu tidak mengukur produktivitas riset total laboratorium AI. Dalam studi acak terpisah terhadap 16 pengembang sumber terbuka berpengalaman yang mengerjakan 246 tugas, [METR menemukan akses ke alat AI awal 2025 meningkatkan waktu penyelesaian sebesar 19%](https://metr.org/Early_2025_AI_Experienced_OS_Devs_Study-paper.pdf). Situasi perangkat lunak yang lebih lama itu tidak dapat mewakili laboratorium AI terdepan pada September 2026, tetapi menunjukkan mengapa penggunaan alat dan tolok ukur tugas saja tidak dapat memastikan jawaban tentang produktivitas.

## Lingkar umpan balik yang mungkin terjadi memiliki sejumlah rem

Makalah CASP berfokus pada lingkar umpan balik berbasis perangkat lunak. Sistem AI akan memperluas tenaga riset efektif dengan mengerjakan tugas secara paralel. Peningkatan yang berhasil akan membuat sistem berikutnya menjadi peneliti yang lebih baik, sehingga dapat menghasilkan lebih banyak peningkatan. Penulis mengatakan bukti awal konsisten dengan mekanisme ini dan menilai otomatisasi R&D yang substansial mungkin terjadi dalam beberapa tahun. Kemungkinan yang lebih kuat berupa “ledakan kecerdasan”, yang memadatkan kemajuan bertahun-tahun menjadi beberapa bulan atau kurang, bergantung pada lingkar umpan balik yang melampaui batasannya. Ini adalah skenario bersyarat, bukan perkiraan terukur tentang apa yang akan terjadi.

Makalah itu menyebut empat kendala penting: hasil tambahan yang makin kecil dari upaya riset tambahan, keterbatasan komputasi dan data, tugas-tugas yang tetap sulit diotomatisasi, serta proses seperti pelatihan panjang yang tidak dapat dipercepat sesuka hati. Makalah tersebut menyebut bukti tentang beberapa kendala ini beragam atau tidak langsung, dan belum ada bukti langsung tentang seberapa kuat hambatan yang memakan waktu. Contohnya tentang kemajuan yang meningkat sepuluh kali lipat dalam kira-kira 1,5 tahun merupakan perhitungan model setelah otomatisasi R&D penuh, dengan syarat imbal hasil riset yang diperkirakan tetap berlaku dan tidak muncul hambatan baru. Itu bukan percepatan yang teramati atau tanggal yang pasti.

Riset lain memperjelas ketidakpastian ini. Dalam [studi tahun 2025 terhadap empat laboratorium AI](https://arxiv.org/abs/2507.23181), Parker Whitfill dan Cheryl Wu memperoleh jawaban berbeda bergantung pada cara mereka memodelkan komputasi riset. Dalam satu spesifikasi, tenaga kognitif dan komputasi tampak dapat saling menggantikan; dalam model yang memperhitungkan tuntutan eksperimen terdepan yang terus naik, keduanya tampak saling melengkapi. Para penulis mengingatkan bahwa data dan modelnya terbatas. [Analisis Toby Ord pada Agustus 2026](https://arxiv.org/abs/2608.14426) mengidentifikasi waktu yang diperlukan untuk menyelesaikan setiap siklus peningkatan sebagai parameter kritis lainnya. Analisis ini tidak menyingkirkan kemungkinan percepatan cepat. Analisis tersebut menunjukkan bahwa kecepatan lingkar umpan balik tidak dapat dibaca langsung dari jumlah agen atau banyaknya kode yang ditulis.

## Hal yang ingin diukur para penulis

Para penulis Cambridge mengusulkan tiga prioritas kebijakan: memperoleh visibilitas tentang otomatisasi R&D AI, mengembangkan cara untuk mengarahkan dan membatasi kemungkinan percepatan, serta bersiap menghadapi dampak potensialnya. Yang paling segera dan dapat diuji adalah pengukuran. Mereka mengusulkan pelaporan porsi kontribusi riset yang dihasilkan AI, laju peningkatan algoritma, cara laboratorium membagi pengeluaran antara tenaga manusia dan komputasi, keputusan riset yang dipengaruhi sistem AI, serta insiden yang melibatkan agen internal. Mereka juga mengusulkan audit independen dengan persyaratan lebih kuat bagi sistem di garis terdepan kemampuan R&D AI.

Sejumlah usulan lanjutan, termasuk persyaratan sebelum penerapan berikutnya, cara menjeda beban kerja R&D tertentu, dan verifikasi internasional, akan melibatkan rancangan dan kompromi yang signifikan. Makalah itu sendiri memperingatkan bahwa kewenangan yang dirancang buruk dapat menguntungkan satu perusahaan dan menunda pekerjaan yang bermanfaat. Penjelasannya tentang kemungkinan manfaat dan bahaya serius bergantung pada skenario percepatan bersyarat yang diuraikan sebelumnya. Pembuat kebijakan dapat menelaah alasan pelaporan jangka dekat tanpa menganggap skenario paling ekstrem telah terjadi.

Pertanyaan berguna setelah laporan ini lebih sempit daripada apakah AI akan tiba-tiba menjadi supercerdas. Pertanyaannya adalah apakah laboratorium dapat menunjukkan, dengan ukuran yang dapat dibandingkan, bagian riset mana yang kini dipimpin AI, peningkatan mana yang lolos evaluasi manusia, dan seberapa cepat peningkatan tersebut masuk ke generasi sistem berikutnya. Bukti publik saat ini belum cukup untuk menjawabnya lintas perusahaan.

## Sumber & bacaan lebih lanjut

- [Cambridge Programme on AI Science & Policy, makalah kerja lengkap (September 2026)](https://casp.ac/__l5e/assets-v1/5efd4b41-deb5-4513-a0a3-b4f82d2b79ea/intelligence-explosion.pdf): Argumen penulis, tinjauan bukti, asumsi model, batasan, dan usulan kebijakan. Dokumen ini diberi label makalah kerja; materi publiknya tidak memastikan adanya tinjauan sejawat eksternal.
- [Ringkasan eksekutif CASP](https://casp.ac/__l5e/assets-v1/026ee81c-773c-4811-9c97-f7cf367ee7b0/intelligence-explosion-summary.pdf): Uraian lebih singkat tentang skenario bersyarat dan respons yang diusulkan penulis. Ditulis oleh sebagian penulis.
- [Anthropic, pengukuran R&D yang dipimpin AI](https://www.anthropic.com/institute/measuring-pace-of-ai-development): Sumber utama angka “AI memimpin” sebesar 26%, tingkat pengawasannya, dan batasan metodologisnya.
- [OpenAI, percepatan riset di dalam OpenAI](https://openai.com/index/research-acceleration-view-inside-openai/): Penggunaan agen, volume eksperimen, arahan manusia, dan catatan tentang pengukuran kemajuan riset yang dilaporkan perusahaan.
- [METR, Time Horizon 1.1](https://metr.org/blog/2026-1-29-time-horizon-1-1/): Evaluasi tugas independen dan ketidakpastian tentang perkiraan cakrawala tolok ukur.
- [Whitfill dan Wu, hambatan komputasi](https://arxiv.org/abs/2507.23181), serta [Ord, dinamika ledakan kecerdasan](https://arxiv.org/abs/2608.14426): Analisis terpisah tentang kondisi yang dapat memperlambat atau mengubah lingkar riset rekursif.

## Sources

- [CASP, Bagaimana jika otomatisasi R&D AI memicu ledakan kecerdasan?](https://casp.ac/__l5e/assets-v1/5efd4b41-deb5-4513-a0a3-b4f82d2b79ea/intelligence-explosion.pdf) — Makalah Kerja AI Frontier Seri No. 2/2026 setebal 14 halaman. Baca lengkap. Mekanisme, bukti beragam, asumsi, dan usulan kebijakan.
- [Ringkasan eksekutif CASP](https://casp.ac/__l5e/assets-v1/026ee81c-773c-4811-9c97-f7cf367ee7b0/intelligence-explosion-summary.pdf) — Ringkasan dua halaman oleh sebagian penulis. Dicocokkan dengan makalah lengkap.
- [Anthropic, Pengukuran untuk memahami laju pengembangan AI di laboratorium terdepan](https://www.anthropic.com/institute/measuring-pace-of-ai-development) — Pengukuran utama perusahaan tentang AI yang memimpin 26%, tanpa otonomi penuh yang terukur, dan batasan metodologis.
- [OpenAI, Percepatan riset: pandangan dari dalam OpenAI](https://openai.com/index/research-acceleration-view-inside-openai/) — Ukuran utama perusahaan tentang penggunaan agen dan kegiatan riset; membedakan korelasi dari kemajuan bersih model.
- [METR, Time Horizon 1.1](https://metr.org/blog/2026-1-29-time-horizon-1-1/) — Evaluasi cakrawala tugas independen dengan ketidakpastian dan batasan komposisi tugas.
- [METR, Mengukur dampak AI awal 2025 pada produktivitas pengembang sumber terbuka berpengalaman](https://metr.org/Early_2025_AI_Experienced_OS_Devs_Study-paper.pdf) — Studi acak dalam konteks perangkat lunak berbeda; contoh tandingan terbatas terhadap asumsi bahwa adopsi alat otomatis meningkatkan produktivitas.
- [Whitfill dan Wu, Akankah hambatan komputasi mencegah ledakan kecerdasan?](https://arxiv.org/abs/2507.23181) — Analisis berbasis model dengan perkiraan substitusi komputasi-tenaga kerja yang berbeda dan batasan data yang dinyatakan secara eksplisit.
- [Toby Ord, Dinamika Ledakan Kecerdasan](https://arxiv.org/abs/2608.14426) — Analisis teoretis tentang waktu generasi umpan balik; bukan perkiraan empiris.