Startup asal Rusia, Mostik, memperkenalkan metode revolusioner yang memungkinkan berbagai model kecerdasan buatan (AI) saling bertukar informasi secara langsung. Alih-alih mengandalkan teks sebagai perantara, sistem ini memanfaatkan nilai matematis dalam bobot model untuk menjembatani komunikasi antar-algoritma. Teknik ini memungkinkan model yang lebih kecil menyerap kapabilitas model raksasa, menciptakan sistem hibrida yang jauh lebih efisien.
Sasha Malysheva, CEO sekaligus otak di balik Mostik, menjelaskan bahwa pendekatan ini mengadopsi prinsip matematika di mana estimasi kolektif seringkali lebih akurat daripada satu ahli tunggal. Konsep ini serupa dengan fenomena 'menebak berat babi' di mana rata-rata dari banyak opini acak melampaui keakuratan individu. Dengan mengintegrasikan 'bobot' dari berbagai model, Mostik berhasil menciptakan sinergi performa yang signifikan.
Dalam uji coba nyata, tim Mostik menghubungkan model GLM-5.2 dengan 753 miliar parameter dengan model Qwen-3.5 berukuran 4 miliar parameter yang dirancang untuk perangkat seluler. Hasilnya, sistem hibrida tersebut mampu mencapai performa di titik tengah antara keduanya dengan biaya operasional hanya seperdua puluh dari model GLM penuh. Efisiensi ini menjadi kunci utama bagi masa depan pengembangan AI yang lebih terjangkau.
Stanislav Smirnov, ilmuwan utama Mostik sekaligus penerima Fields Medal 2010, mengungkapkan bahwa tantangan terbesar saat ini adalah ketiadaan bahasa matematis universal yang menyatukan logika antar-model. Upaya Mostik saat ini menjadi langkah awal untuk memetakan kesamaan cara kerja AI. Smirnov bahkan berpendapat bahwa riset ini dapat membuka tabir mengenai bagaimana mesin dan otak manusia memproses penalaran dalam memecahkan masalah kompleks.
Bagi industri teknologi, inovasi ini menantang dominasi model raksasa yang bersifat tertutup (proprietary). Selama ini, perusahaan besar seperti OpenAI atau Anthropic mengandalkan skala masif untuk meningkatkan performa. Mostik justru menawarkan jalur berbeda: kombinasi cerdas dari banyak model terspesialisasi yang jauh lebih ringan dan gesit.
Di Indonesia, di mana keterbatasan infrastruktur komputasi sering menjadi hambatan bagi pengembang lokal, teknologi ini memiliki potensi besar. Pengembang di tanah air dapat memanfaatkan model-model open-weight yang ada dan menggabungkannya dengan model spesifik domain untuk menciptakan aplikasi yang canggih tanpa harus menyewa server GPU berskala super besar. Ini adalah lompatan efisiensi yang sangat dibutuhkan oleh startup lokal.
Vladimir Arustamian dari perusahaan perangkat lunak Lovable menilai apa yang dicapai Mostik dalam hitungan bulan adalah sesuatu yang sebelumnya diprediksi membutuhkan waktu bertahun-tahun. Kecepatan ini menunjukkan bahwa efisiensi dalam AI tidak selalu berarti menambah data, melainkan memperbaiki cara model berkomunikasi. Hal ini memberikan harapan baru bagi demokratisasi teknologi AI di pasar berkembang.
Karl Tuyls, mantan ilmuwan Google DeepMind, menegaskan bahwa metode ini sangat logis bagi siapa pun yang berfokus pada efisiensi operasional. Dengan menjalankan model kecil yang mampu 'berbicara' dengan model besar, beban komputasi dapat dipangkas secara drastis tanpa harus mengorbankan kualitas output secara signifikan. Ini adalah paradigma baru dalam arsitektur sistem cerdas.
Kisah di balik Mostik juga mencerminkan keteguhan. Malysheva, yang sempat diragukan oleh rekan sejawatnya karena dianggap terlalu muda dan perempuan, justru menjadikan tantangan tersebut sebagai bahan bakar inovasi. Ia membuktikan bahwa batasan dalam dunia teknologi seringkali hanyalah konstruksi sosial yang bisa didobrak melalui dedikasi matematis yang murni.
Proyeksi ke depan menunjukkan bahwa kita tidak akan lagi bergantung pada satu model monolitik raksasa. Sebaliknya, masa depan AI akan diisi oleh ekosistem model-model kecil yang saling terkoneksi. Tren ini akan mendorong lahirnya lebih banyak model spesialis—misalnya khusus biologi, hukum, atau fisika—yang dapat dipadukan sesuai kebutuhan pengguna secara instan.
Langkah selanjutnya bagi Mostik adalah membuktikan skalabilitas metode mereka di kompetisi ARC-AGI 3. Jika berhasil, teknik ini bukan hanya akan memenangkan kompetisi, tetapi juga mengubah standar industri dalam pengembangan model bahasa besar. Kita sedang menyaksikan pergeseran dari era 'siapa yang paling besar' menjadi era 'siapa yang paling cerdas dalam berkolaborasi'.
Kehadiran teknologi ini menjadi sinyal bahwa inovasi AI tidak lagi terbatas pada kekuatan modal untuk membeli chip GPU. Dengan kreativitas matematis, efisiensi tinggi bisa dicapai. Bagi ekosistem teknologi Indonesia, ini adalah momentum untuk mulai bereksperimen dengan model-model open-weight dan teknik optimasi serupa agar tidak tertinggal dalam perlombaan kecerdasan buatan global.