Pada 6 November 2026, Physical Superintelligence (PSI) mengumumkan sesuatu yang, kalau bertahan di bawah pemeriksaan, akan menjadi salah satu hasil paling penting dalam sejarah AI untuk sains: sebuah sistem riset internal yang menjalankan instans dari sebuah model Anthropic yang belum dipublikasikan telah menemukan bukti lengkap untuk konjektur Aaronson–Ambainis — pertanyaan tentang kapan komputer kuantum bisa jauh lebih cepat dari komputer biasa, yang terbuka sejak 2008. Sistem itu menemukan bukti lengkap pada hari ketiga pelaksanaannya, dan Lean, asisten pembuktian yang memeriksa setiap langkah argumen matematika dengan komputer, menerimanya. Manuskrip dan formalisasi Lean 4-nya dipublikasikan agar siapa pun bisa memeriksanya.
Artikel ini disusun dari pengumuman PSI, halaman risetnya, dan pemberitaan sekunder tentang pengumuman tersebut, tanpa pemeriksaan independen oleh penulis terhadap formalisasi Lean-nya. Semua klaim tentang bukti, pemeriksaan, dan batasannya adalah klaim yang dilaporkan PSI dan pemberitaan, bukan hasil verifikasi penulis, dan artikel ini akan menegaskan batas-batas itu berulang kali — karena justru di situlah letak kejujuran yang paling penting dari cerita ini.
Konjektur Aaronson–Ambainis: Pertanyaan tentang Kapan Kuantum Benar-Benar Menang
Untuk memahami mengapa pengumuman ini penting, perlu dipahami dulu apa yang ditanyakan oleh konjektur Aaronson–Ambainis. Konjektur ini diajukan pada 2008 oleh Scott Aaronson dan Andris Ambainis, dua tokoh kompleksitas kuantum. Pertanyaannya, dalam bahasa sederhana, adalah: kapan komputer kuantum bisa secara eksponensial lebih cepat dari komputer biasa — dan kapan tidak bisa?
Jawaban yang diajukan konjektur ini adalah bahwa keunggulan eksponensial membutuhkan struktur. Untuk masalah tanya-jawab (yes-or-no) pada input yang acak secara seragam dan tidak terstruktur, komputer klasik sebenarnya bisa memperkirakan probabilitas jawaban "ya" dari algoritma kuantum tanpa membutuhkan akses data yang jauh lebih banyak secara eksponensial. Dengan kata lain, tanpa struktur khusus pada masalahnya, keunggulan kuantum yang dramatis tidak muncul — setidaknya tidak dalam hal berapa banyak data yang harus dibaca.
Bukti yang dilaporkan PSI menunjukkan hal itu secara tepat: untuk akurasi yang tetap, sebuah komputer konvensional bisa memperkirakan probabilitas jawaban ya dari algoritma kuantum pada sebagian besar input yang dihasilkan secara acak, tanpa peningkatan eksponensial dalam pembacaan data. Hasilnya membatasi pembacaan data, bukan total waktu komputasi — jadi masih ada ruang bagi keunggulan kuantum dalam hal-hal lain, dan hasil ini juga tidak menjamin perkiraan yang akurat untuk setiap input, melainkan untuk sebagian besar input acak.
Konjektur ini telah terbuka selama 18 tahun, dan selama itu para matematikawan telah membuat kemajuan bertahap. Pada Agustus 2026, Guy Blanc, Jordan Docter, Carmen Strassle, dan Li-Yang Tan dari Stanford University menyelesaikan prediksi konjektur itu untuk kasus khusus: mereka membuktikan bahwa tidak ada keunggulan eksponensial pada input acak untuk algoritma kuantum yang melihat inputnya dalam jumlah putaran paralel yang tetap. PSI menyatakan bahwa tim Stanford itu sejak itu telah membaca bukti lengkap PSI, mengirimkan komentar, dan sedang menulis eksposisi yang lebih pendek tentang bukti itu untuk para ahli. Keterlibatan mereka penting: ini bukan klaim yang dilempar ke ruang hampa, melainkan klaim yang sudah dibaca oleh orang-orang yang paling memahami masalahnya.
Apa yang Sebenarnya Dilakukan Sistem PSI
PSI adalah sebuah public benefit corporation yang menyebut dirinya laboratorium fisika AI, didirikan oleh Alexander Wissner-Gross. Sistem yang menemukan bukti ini dikembangkan secara internal oleh PSI dan dijalankan pada infrastruktur PSI sendiri. Yang menjalankannya bukanlah model yang bisa diunduh atau diakses publik: PSI menyatakan bahwa yang dipakai adalah instans dari sebuah model Anthropic yang tidak dipublikasikan — dan Anthropic sendiri belum mengonfirmasi model mana yang dipakai.
Menurut PSI, sistem itu memiliki bukti lengkap pada hari ketiga pelaksanaan. Lean, asisten pembuktian yang memeriksa setiap langkah argumen dengan komputer, menerima bukti tersebut. PSI kemudian mengarahkan sistem itu ke masalah-masalah terbuka terkait, dan di sepanjang jalan sistem tersebut memperbaiki hasilnya dua kali — Lean menerima versi finalnya. Secara spesifik, sistem itu memperketat eksponen batasnya dari 22 menjadi 11, lalu menjadi 7, dengan setiap versi diperiksa oleh Lean.
Bukti itu dibangun di atas ide-ide dari Shachar Lovett dan Jiapeng Zhang, dari David Reimer, dan dari peneliti lain. Detail ini penting karena menunjukkan bahwa bukti ini bukan muncul dari ketiadaan: ia mengikuti rencana yang sudah digariskan oleh Lovett dan Zhang, dan sistem AI itu bekerja di dalam tradisi matematika yang sudah ada — mengisi, menggabungkan, dan menyelesaikan langkah-langkah yang selama ini belum terselesaikan.
Pembagian kerja antara manusia dan AI dalam proyek ini dinyatakan secara terbuka oleh PSI — dan keterbukaan itu patut dihargai. David Turturean, anggota staf teknis PSI, memimpin pekerjaan ini: ia mengembangkan sistem risetnya, menentukan cakupan masalahnya, menjalankan sistem itu, lalu meminta model untuk mengemas hasilnya menjadi draf pertama makalah, meninjau draf tersebut, dan bertanggung jawab atas kebenaran makalah itu. Pernyataan dan draf pertama makalah serta formalisasi Lean-nya dinyatakan dihasilkan oleh model AI. Penasihat PSI, Jim Halverson, mengaudit buktinya, dan Phiala Shanahan, juga penasihat, memberi komentar tentang formalisasi Lean-nya.
Dengan kata lain, ini bukan cerita tentang AI yang bekerja sendiri tanpa manusia. Ini adalah cerita tentang seorang peneliti yang membangun sistem, memilih masalah, mengarahkan model, dan mengambil tanggung jawab atas hasilnya — dengan AI yang melakukan sebagian besar pekerjaan pembuktian dan penulisan draf. Pembagian tanggung jawab yang jelas seperti ini adalah hal yang seharusnya menjadi standar untuk klaim-klaim besar semacam ini.
Mengapa Lean Membuat Klaim Ini Berbeda
Bagian yang membuat pengumuman PSI lebih sulit diabaikan daripada klaim "AI memecahkan masalah matematika" pada umumnya adalah Lean. Lean adalah asisten pembuktian (proof assistant) di mana komputer memeriksa setiap langkah argumen matematika, dari asumsi sampai kesimpulan, dengan ketat. Sebuah bukti yang diterima Lean bukanlah opini atau perkiraan — ia adalah argumen yang setiap langkahnya telah diverifikasi secara mekanis.
PSI menyatakan bahwa formalisasi Lean-nya tidak mengandung placeholder bukti (yang dalam Lean disebut "sorry") atau aksioma tambahan. Deklarasi-deklarasinya diputar ulang (replay) melalui kernel Lean dan melalui lean4lean, sebuah implementasi independen dari pemeriksa tipe Lean. Dalam sebuah pelaksanaan sandbox, sebuah komparator yang memakai kernel nanoda dan kernel Lean menerima empat teorema finalnya; pada mesin kedua, komparator itu menerima satu solusi kecil yang benar dan menolak empat solusi yang sengaja dibuat salah. Manuskrip dan formalisasi Lean 4-nya dipublikasikan di GitHub, sehingga siapa pun bisa memeriksa dan menjalankan ulang pemeriksaan itu sendiri.
Ini adalah perbedaan mendasar dengan klaim matematika berbasis AI yang hanya mengandalkan teks. Model bahasa bisa menghasilkan argumen yang terdengar meyakinkan tetapi mengandung kesalahan tersembunyi di tengah jalan — dan kesalahan semacam itu sulit ditemukan tanpa memeriksa setiap langkah. Formalisasi Lean memaksa setiap langkah untuk diperiksa. Kalau ada satu langkah yang salah, Lean menolak seluruh bukti. Itu sebabnya klaim PSI, meskipun belum melalui peer review jurnal, memiliki bobot yang berbeda: buktinya bisa diperiksa oleh mesin, bukan hanya dipercaya dari kata-kata.
Tetapi pemeriksaan mesin juga memiliki batas — dan PSI sendiri yang menyatakannya. Batas-batas itu harus dipahami dengan jelas, karena di situlah klaim ini bisa disalahpahami.
Batas-Batas yang Dinyatakan Sendiri oleh PSI
Pertama, pembaca manusia masih harus mengonfirmasi bahwa pernyataan formal yang dibuktikan di Lean benar-benar cocok dengan konjektur asli sebagaimana dimaksud oleh Aaronson dan Ambainis. Lean memeriksa bahwa bukti itu benar untuk pernyataan yang ditulis di Lean — tetapi Lean tidak bisa memeriksa apakah pernyataan yang ditulis itu adalah pernyataan yang dimaksud oleh konjektur. Kalau ada ketidaksesuaian halus antara formalisasi dan konjektur aslinya, Lean tidak akan menangkapnya. Inilah pemeriksaan yang sekarang berada di tangan para ahli manusia, termasuk tim Stanford yang sedang menulis eksposisi tentang bukti itu.
Kedua, makalah yang bisa dibaca manusia — narasi yang menjelaskan bukti itu dalam bahasa biasa — tidak diperiksa oleh mesin. Hanya formalisasi Lean-nya yang diperiksa. Jadi mungkin saja ada ketidaksesuaian antara apa yang dikatakan makalah dan apa yang sebenarnya dibuktikan di Lean, dan ketidaksesuaian itu hanya bisa ditemukan oleh pembaca manusia yang teliti.
Ketiga, kernel Lean dan kompilernya, definisi-definisi di Mathlib (pustaka matematika Lean), dan mesin-mesin yang dipakai untuk pemeriksaan tetap menjadi bagian dari basis kepercayaan (trusted base). Kalau ada bug di kernel Lean atau di definisi Mathlib yang dipakai, pemeriksaan itu bisa salah — meskipun pemeriksaan ganda dengan lean4lean dan kernel nanoda dirancang untuk mengurangi risiko ini.
Keempat, makalah ini belum melalui peer review jurnal. Baik Scott Aaronson maupun Andris Ambainis — dua orang yang mengajukan konjektur itu — belum menilai klaim ini secara publik pada saat pengumuman. Dan Anthropic belum mengonfirmasi model mana yang dipakai dalam pelaksanaan itu. Semua ini berarti bahwa klaim ini, meskipun kuat, masih berada pada tahap "menunggu pemeriksaan independen oleh komunitas", bukan "telah diterima sebagai fakta yang mapan".
Batas-batas ini bukan alasan untuk mengabaikan pengumuman PSI. Sebaliknya, batas-batas inilah yang membuat pengumuman itu bisa dinilai secara jujur: ada bukti yang bisa diperiksa, ada pemeriksaan mesin yang bisa diulang, dan ada daftar yang jelas tentang apa yang masih harus dikonfirmasi oleh manusia. Klaim ilmiah yang baik bukanlah klaim yang tidak memiliki batas — melainkan klaim yang batasnya dinyatakan dengan jelas.
Apa Artinya bagi AI untuk Sains
Pengumuman PSI penting bukan hanya karena konjektur yang diselesaikannya, tetapi karena apa yang ditunjukkannya tentang kemampuan AI untuk riset matematika. Ada beberapa hal yang layak dicatat.
Pertama, kecepatan. Tiga hari adalah waktu yang sangat singkat untuk masalah yang terbuka selama 18 tahun. Tentu saja, tiga hari itu adalah tiga hari dari sistem yang menjalankan banyak instans model secara paralel, dengan infrastruktur yang besar, dan dengan rencana bukti yang sudah digariskan oleh Lovett dan Zhang. Tetapi tetap saja: dari masalah yang terbuka selama hampir dua dekade menjadi bukti lengkap dalam tiga hari adalah percepatan yang luar biasa — dan ini terjadi pada masalah yang para ahli anggap sulit, bukan pada masalah yang mudah.
Kedua, perbaikan berulang. Sistem itu tidak hanya menemukan satu bukti dan berhenti. Ia diarahkan ke masalah-masalah terkait dan memperbaiki hasilnya dua kali, memperketat eksponen dari 22 ke 11 ke 7. Ini menunjukkan kemampuan untuk melakukan iterasi — bukan sekadar menghasilkan satu jawaban, tetapi menyempurnakan jawaban itu. Dalam riset matematika, perbaikan seperti ini adalah bagian normal dari pekerjaan: bukti pertama sering kali kasar, dan penyempurnaan datang kemudian. Bahwa sistem AI bisa melakukan penyempurnaan itu sendiri adalah tanda kematangan.
Ketiga, kombinasi antara AI dan pemeriksaan formal. Masalah terbesar dalam memakai AI untuk matematika adalah halusinasi: model bisa menghasilkan argumen yang salah tetapi meyakinkan. Lean menyelesaikan masalah itu dengan memaksa setiap langkah untuk diverifikasi. Kombinasi antara model yang menghasilkan ide dan pemeriksa formal yang menyaring ide-ide itu adalah pola yang sangat kuat — model bisa mencoba banyak pendekatan dengan cepat, dan hanya pendekatan yang benar-benar terbukti yang lolos. Pola ini kemungkinan akan menjadi cara standar AI dipakai untuk matematika dan sains formal di masa depan.
Keempat, peran manusia yang tetap sentral. Turturean memilih masalah, membangun sistem, mengarahkan model, meninjau draf, dan bertanggung jawab atas kebenarannya. Halverson mengaudit buktinya. Tim Stanford membaca dan mengomentari. AI tidak menggantikan para matematikawan di sini — ia memperkuat mereka, dengan cara yang membuat pekerjaan mereka lebih cepat dan lebih luas jangkauannya.
Konteks yang Lebih Luas: AI yang Mempercepat Dirinya Sendiri
Pengumuman PSI datang pada minggu yang sama dengan laporan lain yang menunjukkan percepatan kemampuan AI. Pada 5 November 2026, organisasi riset independen METR memperkirakan bahwa Anthropic kini membuat kemajuan pada kemampuan AI dengan kecepatan sekitar dua kali lipat dari laju sebelumnya — dan para peneliti percaya bahwa AI sendiri bertanggung jawab atas sebagian besar percepatan itu, karena AI kini dipakai untuk mengembangkan AI. Laporan METR itu didasarkan pada data pengembangan internal Anthropic dari 12 Agustus sampai 29 Oktober 2026, meskipun sebagian besar materi yang dipertimbangkan METR disunting (redacted) oleh Anthropic, sehingga publik tidak bisa memeriksa banyak bukti di balik kesimpulan itu.
Anthropic sendiri, dalam riset terpisah, menganalisis 207.049 sesi Claude dan Claude Code terkait riset dari Agustus dan September 2026, dan memodelkan bahwa pemakaian kemampuan AI saat ini secara luas bisa menggandakan output di beberapa bidang riset — dan otomatisasi penuh atas pekerjaan non-fisik bisa menaikkan output sampai lima belas kali lipat di ilmu komputer dan statistika, tetapi hanya tiga atau empat kali lipat di ilmu-ilmu yang berbasis laboratorium (bench sciences).
Konteks ini penting karena menunjukkan bahwa bukti Aaronson–Ambainis bukan peristiwa yang terisolasi. Ia adalah bagian dari pola yang lebih luas: AI yang dipakai untuk mempercepat riset, dan riset yang mempercepat AI itu sendiri. Pola itu menimbulkan pertanyaan-pertanyaan yang lebih besar — tentang siapa yang bisa mengakses kemampuan semacam ini, tentang bagaimana komunitas ilmiah memverifikasi hasil yang sebagian besar dibuat oleh mesin, dan tentang apa yang terjadi ketika laju penemuan melampaui laju pemeriksaan manusia.
Untuk Siapa Cerita Ini Penting
Cerita PSI paling penting untuk empat kelompok. Pertama, para matematikawan dan ilmuwan komputer yang bekerja pada kompleksitas kuantum dan teori kompleksitas secara umum, karena — kalau bukti ini bertahan — satu pertanyaan fundamental tentang batas keunggulan kuantum kini terjawab, dan jawabannya membentuk cara kita memikirkan masalah-masalah terkait. Kedua, para peneliti AI untuk sains, karena kombinasi antara model generatif dan pemeriksaan formal yang ditunjukkan PSI adalah pola yang bisa diterapkan pada banyak masalah lain. Ketiga, para pembangun asisten pembuktian dan alat formal seperti Lean, karena keberhasilan ini menunjukkan nilai dari investasi bertahun-tahun dalam infrastruktur verifikasi formal. Keempat, siapa pun yang mengikuti pertanyaan tentang seberapa cepat AI bisa mempercepat sains itu sendiri — karena tiga hari untuk masalah 18 tahun adalah data yang sulit diabaikan.
Sebaliknya, cerita ini belum bisa dipakai sebagai bukti bahwa AI sudah bisa menggantikan matematikawan, karena peran manusia dalam proyek ini sangat besar dan eksplisit — dari pemilihan masalah sampai tanggung jawab atas kebenaran. Ia juga belum bisa dipakai sebagai bukti bahwa model Anthropic yang tidak dipublikasikan itu memiliki kemampuan tertentu, karena Anthropic belum mengonfirmasi model mana yang dipakai. Dan bagi siapa pun yang membutuhkan kepastian mutlak, status "belum peer review" dan "pernyataan formal masih harus dicocokkan oleh manusia" adalah pengingat bahwa cerita ini masih berada di tengah jalan, bukan di ujungnya.
Apa yang Perlu Diikuti Setelah Ini
Ada tiga hal yang layak dipantau setelah pengumuman 6 November ini. Pertama, apakah para ahli matematika — termasuk Aaronson dan Ambainis sendiri, serta tim Stanford yang sedang menulis eksposisi — mengonfirmasi bahwa pernyataan formal di Lean cocok dengan konjektur aslinya. Inilah pemeriksaan yang paling menentukan, dan hasilnya akan menentukan apakah klaim ini menjadi teorema yang diterima atau klaim yang perlu direvisi. Kedua, apakah proses peer review jurnal menerima makalah ini, dan apa yang ditemukan oleh para peninjau dalam narasi yang bisa dibaca manusia — bagian yang tidak diperiksa oleh mesin. Ketiga, apakah pola yang sama — model yang tidak dipublikasikan, sistem riset internal, dan pemeriksaan formal — menghasilkan hasil-hasil besar lainnya, dan apakah laboratorium lain bisa mereproduksi pendekatan ini dengan model yang tersedia untuk publik.
Konjektur Aaronson–Ambainis kini disebut teorema oleh PSI — tetapi gelar itu baru akan menjadi milik bersama ketika komunitas matematika mengonfirmasinya. Yang sudah pasti adalah hal lain: sebuah sistem AI, yang dibangun dan diarahkan oleh manusia, menghasilkan bukti yang diperiksa oleh mesin untuk masalah yang terbuka selama 18 tahun, dalam tiga hari. Terlepas dari bagaimana pemeriksaan selanjutnya berjalan, itu adalah peristiwa yang menandai babak baru dalam hubungan antara AI dan matematika — babak di mana pertanyaan bukan lagi apakah AI bisa membantu membuktikan teorema, melainkan seberapa cepat, seberapa andal, dan dengan pengawasan manusia seperti apa.
Catatan transparansi: Artikel ini disusun dari pengumuman Physical Superintelligence (PSI) tertanggal 6 November 2026, halaman riset PSI, dan pemberitaan sekunder tentang pengumuman tersebut, tanpa pemeriksaan independen oleh penulis terhadap formalisasi Lean-nya. Semua klaim tentang bukti, pemeriksaan Lean, dan batasannya adalah klaim yang dilaporkan PSI dan pemberitaan, bukan hasil verifikasi penulis. Bukti ini belum melalui peer review jurnal pada saat artikel ini ditulis, pernyataan formalnya masih harus dicocokkan dengan konjektur asli oleh para ahli manusia, dan Anthropic belum mengonfirmasi model mana yang dipakai dalam pelaksanaan tersebut. Pembaca sebaiknya memeriksa halaman riset PSI dan repositori GitHub terkait untuk informasi terbaru tentang status pemeriksaan bukti ini.