Sebuah esai provokatif yang dipublikasikan di arXiv memperingatkan akan kesalahan strategis yang sedang terjadi di era kecerdasan buatan modern. Dua perkembangan berjalan beriringan: sistem AI mulai menghasilkan penelitian matematika tingkat lanjut, sementara saluran pendidikan dan penelitian yang menghasilkan manusia mampu memahami pekerjaan tersebut justru dilonggarkan. Menurut penulis, Jun-Yong Park, konvergensi ini bukan sekadar pergeseran teknologi melainkan ancaman terhadap infrastruktur intelektual yang dibangun selama bergenerasi.
Tesis sentral esai ini adalah bahwa kapasitas matematika — kemampuan terlatih untuk memverifikasi, menafsirkan, dan menantang penalaran matematis — bukanlah produk sampingan dari produksi teorema. Sebaliknya, ia merupakan bentuk infrastruktur fundamental, mirip dengan kapasitas semikonduktor, yang tidak dapat dibangun ulang secara instan saat dibutuhkan. Institusi yang menopangnya, dari universitas hingga lembaga penelitian federal, memerlukan investasi jangka panjang dan kontinuitas yang rapuh.
Sebagai bukti nyata kemampuan AI, esai merujuk pada peristiwa Mei 2026 ketika sistem kecerdasan buatan berhasil membantah conjectura Erdős yang lama terkait masalah jarak unit planar. Pencapaian ini menandai titik balik: AI tidak lagi sekadar alat bantu komputasi, melainkan aktor autonom yang mampu menghasilkan penemuan matematika asli. Namun, ironisnya, saat AI menunjukkan kemampuan ini, dukungan federal AS untuk ilmu pengetahuan matematika justru mengalami gangguan signifikan, melemahkan fondasi manusia yang seharusnya memvalidasi dan mengembangkan temuan tersebut.
Argumen ini menemukan resonansi dalam diskusi global tentang keamanan AI dan keandalan sistem otomatis. Jika mesin menghasilkan bukti yang tidak dapat dipahami oleh para ahli manusia, maka sains berubah menjadi kotak hitam. Hal ini mengancam prinsip fundamental ilmu pengetahuan: verifikasi independen, reproduktibilitas, dan akuntabilitas. Tanpa manusia yang memahami "mengapa" di balik "apa", kemajuan ilmiah berisiko menjadi rentetan klaim yang tidak dapat diuji.
Esai mengusulkan solusi konkret: sistem AI yang melakukan penalaran berkonsekuensi wajib mengekspos klaim-klaim kritis keputusannya dalam bentuk formal yang dapat diverifikasi mesin (machine-checkable). Langkah ini akan mengubah sebagian penalaran AI dari persuasi opak menjadi struktur yang dapat diaudit. Pendekatan ini selaras dengan gerakan formal verification dan proof assistants seperti Lean atau Coq, yang kini semakin relevan di era AI generatif.
Implikasi kebijakan melampaui akademia. Kapasitas matematika mendukung kriptografi, keamanan siber, desain chip semikonduktor, pemodelan iklim, dan sistem keuangan. Jika negara mengandalkan AI asing atau proprietary untuk infrastruktur ini tanpa kemampuan verifikasi domestik, kedaulatan teknologi terancam. Esai menyarankan agar pemerintah memperlakukan kapasitas matematika sebagai aset strategis — mendanai pendidikan, penelitian dasar, dan pengembangan alat verifikasi terbuka.
Di konteks Indonesia, peringatan ini sangat relevan seiring dorong transformasi digital dan pengembangan AI nasional. Program seperti Gerakan Nasional AI dan roadmap Making Indonesia 4.0 memerlukan tidak hanya adopsi teknologi, tapi juga pembentukan talenta mendalam di ilmu dasar. Tanpa matematika yang kuat, Indonesia berisiko terjebak sebagai konsumen teknologi, bukan produsen atau validator. Investasi pada olympiade sains, program S2/S3 matematika, dan kolaborasi industri-akademisi jadi urgensi, bukan pilihan.
Kesimpulan esai ini adalah panggilan kebangkitan: otomatisasi tanpa pemahaman adalah jalan buntu. Sejarah menunjukkan bahwa setiap revolusi industri membutuhkan lapisan baru keahlian manusia, bukan penghapusan keahlian lama. AI seharusnya memperluas cakrawala penalaran manusia, bukan menggantikannya dengan kebutaan yang mulia. Masa depan sains bergantung pada keseimbangan antara kekuatan komputasi dan kedalaman pemahaman.