Rangkuman tahunan 2025 dari pakar AI Karpathy viral di internet: AI adalah jenius sekaligus “bodoh” — enam titik balik ini yang paling krusial.

Belakangan ini berbagai rangkuman tahunan bermunculan. Andrej Karpathy, mantan salah satu pendiri OpenAI, juga merilis rangkuman pribadinya tentang perkembangan model bahasa besar (LLM).

Pada awal tahun ini, presentasinya di Y Combinator (YC) sempat viral dan memperkenalkan beberapa gagasan penting:

• Software 3.0 telah tiba
  Dari manusia menulis kode (1.0), ke memberi data untuk melatih model (2.0), kini kita memasuki era 3.0: berinteraksi langsung dengan model melalui prompt — seolah “mengucapkan mantra”.
• LLM adalah sistem operasi baru
  Bukan komoditas biasa seperti air atau listrik, melainkan OS kompleks yang mengatur memori (context window) dan daya komputasi (inferensi).
• Dekade AI Agent
  Jangan berharap AI Agent menjadi matang dalam satu tahun. Untuk meningkatkan keandalan dari 99% ke 99,999%, kita kemungkinan membutuhkan waktu sekitar sepuluh tahun.

Dalam tulisan “Year in Review 2025”, Karpathy kembali membedah pertanyaan besar: seperti apa “otak” AI yang tumbuh sepanjang tahun ini?

Gambaran Besar 2025

Tahun 2025 adalah tahun yang sangat kuat sekaligus penuh ketidakpastian bagi LLM.

Beberapa perubahan yang ia sebut sebagai “pergeseran paradigma” tidak hanya mengubah arah industri, tetapi juga mengguncang cara kita memahami kecerdasan AI itu sendiri.

Versi Singkat

• 2025 terasa sangat mengasyikkan, namun juga agak mengejutkan.
• LLM muncul sebagai jenis kecerdasan baru: di satu sisi jauh lebih pintar dari perkiraan, namun di sisi lain juga jauh lebih “bodoh” dari yang diharapkan.
• Meski demikian, LLM sudah sangat berguna. Bahkan dengan kemampuan saat ini, industri kemungkinan belum memanfaatkan 10% dari potensi sebenarnya.
• Kita akan melihat kemajuan yang cepat, tetapi masih ada banyak pekerjaan sulit yang harus dilakukan.

“Kencangkan sabuk pengaman. Kita mulai melaju.”

1. RLVR: Mengajari AI “Berpikir” Seperti Olimpiade Matematika

Sebelum 2025, pelatihan LLM umumnya mengikuti resep berikut:

1. Pretraining
   Model membaca internet dalam jumlah besar untuk belajar bahasa.
2. Supervised Fine-Tuning (SFT)
   Manusia menulis jawaban benar, AI belajar menirunya.
3. RLHF (Reinforcement Learning from Human Feedback)
   Manusia memberi nilai pada beberapa jawaban AI agar model tahu mana yang “lebih disukai”.

Apa yang berubah di 2025?

Muncul satu teknik baru yang sangat kuat: RLVR (Reinforcement Learning from Verifiable Rewards).

Alih-alih meminta manusia menilai jawaban, AI kini dilatih pada tugas dengan jawaban pasti, seperti:

• soal matematika
• penulisan dan eksekusi kode

Benar atau salah bisa diverifikasi otomatis oleh mesin.

Melalui jutaan percobaan, model secara alami belajar:

• memecah masalah besar menjadi langkah kecil
• mengecek ulang jawabannya sendiri

Ini mirip seperti memasukkan AI ke kamp pelatihan olimpiade:
tidak perlu diajari cara berpikir, cukup beri soal dan umpan balik benar/salah — sisanya AI akan menemukan polanya sendiri.

Akibatnya, pada 2025:

• model tidak selalu menjadi lebih besar
• tetapi dilatih lebih lama
• muncul “kenop baru”: membiarkan AI berpikir lebih lama

Model OpenAI o1 menjadi awal, dan o3 dianggap titik balik penting.

2. “Hantu”, Bukan “Hewan”: Bentuk Kecerdasan AI

Industri akhirnya memahami bahwa AI bukan makhluk hidup digital.

Karpathy memakai metafora yang agak menyeramkan:

Kita tidak sedang membesarkan hewan peliharaan — kita sedang memanggil hantu.

Mengapa?

• Otak manusia berevolusi untuk bertahan hidup dan berkembang biak.
• “Otak” LLM dioptimalkan untuk meniru teks manusia, menyelesaikan soal, menulis kode, dan memenangkan penilaian.

Kecerdasan Bergerigi (Jagged Intelligence)

Karena RLVR, kemampuan AI melonjak tajam di area tertentu (matematika, pemrograman), tetapi tetap lemah di area lain.

Akibatnya:

• AI bisa menjadi jenius luar biasa (menyelesaikan kalkulus tingkat lanjut dalam sekejap)
• sekaligus sangat ceroboh (terjebak pada logika sederhana)

Ini membuat Karpathy kehilangan kepercayaan pada benchmark dan papan peringkat AI.

Karena soal-soal bisa diverifikasi, model bisa dilatih khusus untuk ujian.
“Training on the test set” kini bukan sekadar curang — tapi seni baru.

3. Cursor: Bukan Sekadar Editor, tapi Mandor

Meledaknya popularitas Cursor menunjukkan bahwa lapisan aplikasi LLM jauh lebih tebal dari yang kita kira.

Aplikasi seperti ini berperan sebagai:

• Insinyur konteks: menyusun dan memberi semua informasi latar ke AI
• Mandor: mengoordinasikan banyak model di belakang layar
• Remote control: memberi pengatur tingkat otonomi AI

Prediksi Karpathy:

• Lab model (seperti OpenAI) mencetak “lulusan sarjana serba bisa”
• Pengembang aplikasi menyulap mereka menjadi “tim profesional” dengan data dan alat khusus

4. Claude Code: “Hantu Siber” di Komputer Anda

Claude Code bukan sekadar agent penulis kode — ia tinggal di komputer Anda.

Karpathy menilai pendekatan ini lebih tepat dibanding agent berbasis cloud:

• kode
• konfigurasi
• API key
• lingkungan kerja yang berantakan

semuanya ada di lokal.

Dengan masuk lewat CLI (command line), AI menjadi “penghuni” sistem Anda, bukan sekadar halaman web.
Inilah masa depan interaksi AI.

5. Vibe Coding

Vibe Coding adalah istilah yang Karpathy ciptakan secara santai — dan ternyata viral.

Artinya:

Anda tidak perlu memahami sintaks.
Cukup jelaskan niat dan “rasa” Anda.
AI yang menulis kodenya.

Dampaknya:

• Bagi pemula: hambatan masuk pemrograman hampir hilang
• Bagi ahli: kode menjadi murah, sementara, dan bisa dibuang

Di 2025, membuat aplikasi hanya untuk mencari bug lalu menghapusnya lagi menjadi hal yang wajar.

6. Nano Banana: AI Akhirnya Punya “Wajah”

Masalah AI saat ini:

• kita masih berkomunikasi lewat teks
• seperti memakai DOS di tahun 1980-an

Padahal manusia adalah makhluk visual.

Model multimodal (diwakili istilah fiktif Nano Banana) menandai arah baru:

• AI tidak hanya menulis
• tetapi menggambar, membuat halaman web, dan antarmuka interaktif

Masa depan AI adalah perpaduan teks, logika, dan visual — bukan sekadar dinding teks.