Thinking Machines Lab, lab riset kecerdasan buatan, memaparkan arah teknis yang mereka tempuh untuk mewujudkan misi tersebut. Mereka melatih model-model kuat dengan kemampuan interaksi multimodal dan dapat disesuaikan. Bukan sekadar mengejar performa mentah, lab ini juga merilis perangkat yang memungkinkan masyarakat melatih bobot model sendiri sesuai kebutuhan unik.
Antarmuka yang mereka kembangkan sengaja dirancang memperlebar saluran komunikasi antara manusia dan mesin. Tujuannya agar penilaian pribadi dapat terus memengaruhi jalannya kerja AI. Selain itu, publikasi riset terbuka dilakukan supaya pemahaman mendalam tentang pembuatan AI tidak terkungkung di sedikit perusahaan raksasa.
Pendekatan ini lahir dari keresahan atas bentuk AI saat ini yang umumnya dilatih di segelintir tempat lalu dibekukan. Sistem tersebut tidak dibentuk oleh orang-orang yang menggunakannya dan minim belajar dari kolaborasi harian. Padahal, keputusan tentang apa yang seharusnya dilakukan AI memerlukan pengetahuan serta pertimbangan yang hanya diperoleh lewat kontak terus-menerus dengan pekerjaan.
Landasan filosofisnya merujuk pada pemikiran Michael Polanyi dalam "The Tacit Dimension" (1966). Polanyi menekankan bahwa pengetahuan bersifat tacit, lokal, dan tersebar pada setiap pelaku kerja, seperti chef yang meracik resep baru atau penjaga toko yang mengatur tata letak barang. Friedrich Hayek dalam "The Use of Knowledge in Society" (1945) menambahkan bahwa penyebaran pengetahuan adalah kekuatan kolektif yang membuat pasar bebas lebih adaptif dibanding ekonomi terencana.
Memang ada ranah di mana kecerdasan otonom memadai, misalnya catur yang mesin terkuat dilatih lewat self-play murni, serta matematika di mana model frontier memecahkan teorema lama tanpa campur tangan manusia. Namun kedua domain itu memiliki tujuan statis dan aturan universal. Di luar papan catur dan rumus, intelijensi saja tidak cukup karena menyimpan pengetahuan tersembunyi yang hanya dikuasai pelaku langsung.
Bagi Indonesia, gagasan AI terdesentralisasi membuka peluang bagi jutaan usaha mikro, kecil, dan menengah yang selama ini mengandalkan intuisi lokal. Seorang pedagang warung di Yogyakarta atau perajin di Bali membawa pengetahuan tacit yang tak tercatat dalam database manapun. Alat yang memungkinkan fine-tuning model dengan data lokal akan lebih berharga dibandingkan layanan AI generik yang menyeragamkan proses bisnis.
Di sisi lain, ekosistem teknologi domestik cenderung mengadopsi model besar dari penyedia global tanpa kemampuan kustomisasi mendalam. Ketergantungan ini berisiko mengikis keunikan operasional yang menjadi keunggulan kompetitif pelaku ekonomi lokal. Pendekatan Thinking Machines menawarkan alternatif: AI yang menanamkan diri di tempat pengetahuan dihasilkan, bukan mengekstraknya lalu mengganti dengan penawaran standar.
Sektor pendidikan dan layanan publik di Tanah Air juga dapat mengambil manfaat serupa. Model yang terus belajar dari umpan balik guru atau petugas lapangan akan menjaga relevansi dengan konteks sosial budaya yang beragam. Tanpa distribusi tersebut, kebijakan berbasis AI berpotensi mengabaikan suara komunitas yang tak terwakili dalam data pelatihan awal.
Contoh nyata tentang sinergi manusia-mesin datang dari Toyota pada 2014. Mitsuru Kawai, sosok yang memimpin kembalinya ahli kerajinan ke lini produksi, menegaskan, "Untuk menjadi penguasa mesin, seseorang harus memiliki pengetahuan dan keterampilan untuk mengajari mesin itu." Pernyataan tersebut menggarisbawahi bahwa produksi pengetahuan dan penerapan intelijensi saling mengangkat, bukan mengganti.
Kutipan itu sejalan dengan argumen bahwa kolaborator terbaik mengantisipasi kebutuhan tanpa diminta, namun tetap tahu kapan harus meminta pengawasan. Tantangannya bersifat teknis: merancang AI yang memahami kapan bertindak mandiri dan kapan mengundang umpan balik. Evaluasi model pun harus melampaui akurasi saja, mencakup keselarasan dengan pertimbangan manusia.
Ke depan, Thinking Machines membayangkan AI frontier sebagai kolektif yang setara beragamnya dengan manusia karena dibentuk di setiap lokasi unik. Mereka akan menerbitkan resep pelatihan agar kemampuan tersebut menjangkau lebih banyak orang. Jalan ini memang panjang, tetapi menempatkan agensi kembali ke tangan individu dan organisasi.
Dunia teknologi mungkin akan menyaksikan bergesernya fokus dari model monolitik tertutup menuju infrastruktur yang bisa dipelihara komunitas. Jika tren tersebut merasuk ke Indonesia, kita bisa melihat munculnya laboratorium lokal yang melatih model bahasa dengan naskah dan dialek daerah. Masa depan yang layak dibangun, dalam pandangan lab tersebut, adalah masa depan yang humanis.