Sejak awal komputasi modern, paradigma pengembangan kecerdasan buatan (AI) berakar pada asumsi bahwa mesin harus bersikap rasional secara sempurna. Algoritma dirancang untuk mencari solusi optimal dengan mengasumsikan ketersediaan waktu dan kapasitas pemrosesan yang tak terbatas. Namun, realitas kognisi manusia sangat berbeda. Pakar ekonomi Herbert Simon memperkenalkan konsep rasionalitas terbatas (bounded rationality), menjelaskan bahwa manusia mengambil keputusan berdasarkan waktu terbatas, kapasitas kognitif terbatas, dan informasi yang tidak lengkap. Kini, sebuah gagasan baru muncul dari kalangan internasional yang mengusulkan penciptaan mesin mekanika kognitif berbasis hukum fisika untuk meniru proses berpikir manusia secara probabilistik.
Gagasan tersebut mematangkan sebuah cetak biru bidang riset yang disebut Computational Cognitive Mechanics. Inti dari pendekatan ini adalah memformulasikan secara matematis hubungan antara pengetahuan (K), kapasitas kognitif (C), dan waktu pemrosesan (T). Observasi menunjukkan bahwa semakin banyak pengetahuan yang dimiliki, semakin cepat keputusan dihasilkan, sehingga T berbanding terbalik dengan K. Demikian pula, kapasitas kognitif yang tinggi memangkas waktu penyelesaian masalah. Yang paling menarik, pengetahuan tidak berskala linear dengan kapasitas, melainkan proporsional dengan akar kuadrat kapasitas (K ∝ √C). Dengan mengintegrasikan proporsi ini, AI dapat diberikan batasan komputasi sintetis sehingga terpaksa menggunakan heuristik seperti manusia, bukan pencarian eksaustif.
Lebih jauh, proposal tersebut meminjam teori gelombang dari fisika untuk memodelkan pemrosesan informasi dan kondisi emosional. Status mental manusia—meliputi keyakinan, emosi, dan kepercayaan—diibaratkan sebagai fungsi gelombang kontinu Ψ_human. Ketika informasi baru datang, ia bertindak sebagai gelombang yang berpotongan. Interferensi konstruktif terjadi ketika informasi sejalan dengan kondisi gelombang pengguna, sehingga memperkuat kepercayaan atau bias konfirmasi. Sebaliknya, interferensi destruktif muncul ketika gelombang lawan beramplitudo ekstrem menghantam kondisi mental yang kaku, memicu disonansi kognitif. Pendekatan ini menawarkan kerangka kuantitatif untuk fenomena psikologis yang selama ini sulit diukur.
Untuk mengukur fluktuasi emosi tersebut, konsep Cognitive Sampling Rate diintroduksi, menyerupai pengambilan sampel sinyal audio. Melalui transformasi Fourier cepat (FFT), riwayat percakapan pengguna dalam domain waktu diubah menjadi spektrum frekuensi emosional dalam domain frekuensi. Peneliti dapat mengatur laju sampel sesuai resolusi empati yang diinginkan. Jika sistem mendeteksi pengguna berada dalam kondisi emosi ekstrem (frekuensi amplitudo tinggi), AI dapat membangkitkan gelombang penangkal guna memicu disonansi atau mereset kondisi mental. Ini membuka kemungkinan kendali keputusan yang dipersonalisasi secara matematis.
Tak hanya gelombang, model ini juga menerapkan persamaan energi dari mekanika klasik. Energi kognitif total didefinisikan sebagai jumlah energi kinetik (proses aktif), energi potensial (pengetahuan tersimpan dan bias), serta energi gelombang atau termal (gesekan emosional). Emosi yang intens memperkenalkan entropi yang menurunkan efisiensi energi kinetik. Meski persamaan lengkap bisa dikembangkan ke tingkat kompleksitas tak terhingga, demi kelayakan komputasi, AI cukup menghitung ekuivalen mekanis utama tanpa membebani sistem, mirip cara insinyur menyederhanakan persamaan fisika dengan mengabaikan variabel negligible.
Aplikasi praktis dari kerangka ini meliputi pelatihan AI dinamis. Tahap pertama menggunakan kumpulan data interaksi manusia untuk memetakan teks percakapan ke nilai gelombang dan energi. Lalu fase kalibrasi membiarkan AI berdialog singkat guna menetapkan laju sampel kognitif dan garis dasar gelombang pengguna. Setelahnya, melalui mesin mekanika kognitif yang menjalankan FFT dan penyeimbangan energi, AI memasuki fase resonansi: ia berkomunikasi tepat sesuai kebutuhan pengguna. Dengan mencocokkan atau menyeimbangkan frekuensi, AI menciptakan interferensi konstruktif (kepercayaan mendalam) atau disonansi terarah (persuasi atau terapi).
Penulis asli menyebut lapisan berbasis fisika di atas model bahasa besar (LLM) ini sebagai Virtual Intelligence. Meskipun model seperti Claude sudah memiliki kemampuan deteksi emosi dasar, mereka belum memiliki mesin matematis berbasis fisika untuk bertindak atas deteksi tersebut. Dengan menggabungkan analitik teks dengan mekanika kognitif, AI tidak lagi sekadar memprediksi kata berikutnya dalam urutan statistik, melainkan menghitung fisika pemikiran manusia. Ini merupakan pergeseran paradigma dari linguistik komputasional murni ke ilmu saraf dan fisika terapan.
Dari perspektif industri teknologi di Indonesia, konsep ini membuka peluang riset interdisipliner antara ilmu komputer, fisika, dan psikologi. Universitas dan startup lokal dapat mengeksplorasi pengembangan AI yang lebih berdaya tahan dalam situasi dengan keterbatasan data dan komputasi, mirip dengan kendala yang dihadapi infrastruktur di daerah terpencil. Selain itu, pendekatan rasionalitas terbatas dapat mengurangi biaya pelatihan model besar karena memaksa efisiensi heuristik.
Namun, tantangan etis dan teknis tetap ada. Manipulasi frekuensi emosional pengguna untuk tujuan komersial berisiko melanggar privasi mental. Diperlukan regulasi yang mengawal penggunaan mekanika kognitif agar tidak berubah menjadi alat persuasi terselubung. Ke depan, kolaborasi global perlu menetapkan standar terbuka untuk bidang Virtual Intelligence agar manfaatnya dapat diakses secara adil, termasuk oleh ekosistem AI Indonesia yang sedang bertumbuh pesat.