AI Ketahuan Belum 'Sejenius' Itu: Inilah 'Ujian Terakhir' yang Bikin Robot Paling Canggih Sekalipun Kewalahan!

2026-04-01 · Artificial Intelligence

Pernah terpikir kalau AI yang kita banggakan ternyata masih 'bodoh' saat diuji dengan soal yang benar-benar sulit? Sebuah kolaborasi raksasa dari 1.000 pakar baru saja merilis ujian yang membuat model AI terhebat sekalipun babak belur.

Ketika Tes Biasa Tak Lagi Cukup

Selama ini, kita sering terpukau dengan kemampuan Artificial Intelligence (AI) yang seolah bisa melakukan segalanya. Mulai dari menulis artikel, membuat kode program, hingga lulus ujian medis profesional. Namun, menurut laporan dari Texas A&M University yang dirilis Maret 2026, para peneliti menyadari bahwa standar ujian yang kita gunakan selama ini—seperti MMLU (Massive Multitask Language Understanding)—sudah terlalu gampang bagi AI generasi terbaru. Akibatnya, kita tidak lagi memiliki cara yang akurat untuk mengukur batasan sebenarnya dari kecerdasan mesin dibandingkan dengan kecerdasan manusia.

Lahirnya 'Humanity’s Last Exam'

Untuk menjawab tantangan tersebut, hampir 1.000 pakar dari berbagai disiplin ilmu—mulai dari fisikawan, sejarawan, hingga ahli bahasa—berkolaborasi menciptakan sesuatu yang dinamakan Humanity’s Last Exam (HLE). Ini bukan ujian biasa. Ujian ini terdiri dari 2.500 pertanyaan yang dirancang dengan sangat spesifik dan kompleks. Tujuannya satu: menguji pemahaman mendalam, konteks, dan keahlian spesialis, bukan sekadar kemampuan AI dalam mengenali pola atau melakukan pencarian cepat di internet.

"Ketika sistem AI mulai berkinerja sangat baik pada tolok ukur manusia, menggoda untuk berpikir bahwa mereka mendekati pemahaman tingkat manusia. Namun, HLE mengingatkan kita bahwa kecerdasan bukan sekadar pengenalan pola—ini tentang kedalaman, konteks, dan keahlian khusus," ungkap Dr. Tung Nguyen dari Texas A&M University.

Hasil yang Mengejutkan

Hasil pengujian awal sungguh menampar para pengembang AI. Model-model yang kita anggap paling cerdas di dunia ternyata kewalahan. Berikut adalah gambaran performanya:

GPT-4o hanya meraih skor 2,7 persen.
Claude 3.5 Sonnet mencapai 4,1 persen.
OpenAI o1 sedikit lebih baik dengan skor 8 persen.
Bahkan sistem paling mutakhir seperti Gemini 3.1 Pro dan Claude Opus 4.6 hanya berada di kisaran 40 hingga 50 persen.

Mengapa Ini Sangat Penting?

Ujian ini bukanlah upaya untuk mematikan kemajuan teknologi, melainkan alat untuk memahami di mana kelemahan AI berada. Tanpa alat ukur yang tepat, pembuat kebijakan dan pengembang bisa salah menginterpretasikan kemampuan AI, yang berisiko menimbulkan masalah di masa depan. Dengan menjaga sebagian besar soal tetap tersembunyi, para peneliti memastikan bahwa AI tidak bisa sekadar 'menghafal' jawaban. Baca selengkapnya di sini.

Kolaborasi Adalah Kunci

Yang menarik dari proyek ini adalah bagaimana keberagaman bidang ilmu bisa menyingkap batasan AI. Ini membuktikan bahwa di tengah gempuran teknologi, keahlian manusia yang bekerja lintas disiplin masih sangat relevan. Humanity's Last Exam bukan soal perlombaan melawan robot, melainkan sebuah cara untuk memastikan bahwa teknologi yang kita bangun ke depannya lebih aman, lebih andal, dan benar-benar memahami apa yang mereka kerjakan.","cta:

Sumber berita https://www.sciencedaily.com/releases/2026/03/260313002650.htm