World AI InnovationHari esok yang lebih cerdas, bersama-sama
Pusat Riset

Pusat Riset

Sepuluh studi terbaru dari universitas terkemuka dunia, dirangkum dalam bahasa yang mudah dipahami. Setiap ringkasan menjelaskan masalah, metode, dan hasilnya dengan kata-kata kami sendiri, serta menautkan langsung ke makalah asli di situs universitas atau jurnal.

Fakultas Kedokteran HarvardInstitut Teknologi MassachusettsStanford Institute for Human-Centered AIUniversitas OxfordUniversitas CambridgeUniversitas Carnegie MellonUniversitas California, BerkeleyETH ZurichUniversitas TsinghuaUniversitas Kecerdasan Buatan Mohamed bin Zayed
10 studi
Kesehatan Fakultas Kedokteran Harvard (Universitas Harvard) · 2026

Kinerja model bahasa besar pada tugas-tugas penalaran seorang dokter (Performance of a large language model on the reasoning tasks of a physician)

Penulis: Brodeur P., Buckley T., Kanjee Z., Goh E., Ling E., Jain P., Cabral S., Abdulnour R.-E., Haimovich A., Freed J., Olson A., Morgan D., Hom J., Gallo R., McCoy L., Mombini H., Lucas C., Fotoohi M., Gwiazdon M., Restifo D., Restrepo D., Horvitz E., Chen J., Manrai A., Rodman A.Diterbitkan di: Science, vol. 392, issue 6797April 2026

Ujian kedokteran pilihan ganda tidak lagi mampu membedakan sistem AI yang kuat dari yang lemah, sehingga tim yang dipimpin Fakultas Kedokteran Harvard dan Beth Israel Deaconess Medical Center mengajukan pertanyaan yang lebih sulit: dapatkah sebuah model penalaran menangani penilaian terbuka yang dibuat dokter setiap hari? Mereka menjalankan lima eksperimen dengan model o1 dari OpenAI, mencakup diagnosis banding, penjelasan penalaran diagnostik, triase, penalaran probabilistik, dan perencanaan penatalaksanaan, lalu meminta dokter praktik menilai keluarannya dengan instrumen penilaian tervalidasi. Set uji mencakup 143 kasus klinikopatologis dari New England Journal of Medicine, kasus simulasi yang sulit, serta perbandingan di dunia nyata pada 76 pasien yang dipilih secara acak dari unit gawat darurat di Boston, di mana model dan dua dokter penanggung jawab masing-masing membaca rekam medis yang sama pada tiga titik: triase, evaluasi awal, dan keputusan rawat inap. Model tersebut menyamai atau melampaui dokter pada sebagian besar tugas. Pada tahap triase, ketika hanya tanda-tanda vital dan catatan singkat perawat yang tersedia, model memberikan diagnosis yang tepat atau sangat mendekati jauh lebih sering daripada para dokter; begitu informasi lebih banyak masuk, selisihnya menyempit dan tidak lagi signifikan secara statistik.

Temuan utama
  • Pada 143 konferensi kasus NEJM, model penalaran memberikan diagnosis yang benar atau sangat mendekati jelas lebih sering daripada GPT-4.
  • Dalam uji di unit gawat darurat, keunggulan model paling besar pada tahap triase, ketika informasi paling sedikit; peninjau yang disamarkan tidak dapat membedakan keluaran AI dari keluaran dokter secara andal.
  • Para penulis menekankan bahwa model hanya membaca teks yang ditulis orang lain dan menyerukan uji klinis prospektif sebelum penerapan apa pun.
Mengapa ini penting

Rumah sakit di kawasan Teluk berinvestasi besar dalam kesehatan digital, dan ini adalah bukti pertama yang ditelaah sejawat di jurnal papan atas bahwa model penalaran serbaguna dapat menyaingi dokter spesialis pada kasus gawat darurat nyata. Studi ini mendukung peran AI sebagai pendapat kedua pada saat-saat ketika klinisi memiliki informasi paling sedikit, sambil menegaskan bahwa uji klinis, tata kelola, dan pengawasan dokter harus didahulukan.

Baca makalah asli DOI: 10.1126/science.adz4433
Ekonomi & ketenagakerjaan Institut Teknologi Massachusetts (bersama Oak Ridge National Laboratory) · 2025

Indeks Gunung Es: Mengukur Paparan Berbasis Keterampilan dalam Ekonomi AI (The Iceberg Index: Measuring Skills-centered Exposure in the AI Economy)

Penulis: Chopra A., Bhattacharya S., Salvador D., Paul A., Wright T., Garg A., Ahmad F., Schwarze A. C., Raskar R., Balaprakash P.Diterbitkan di: Project Iceberg research report (MIT with Oak Ridge National Laboratory)November 2025

Sebagian besar perkiraan dampak AI terhadap lapangan kerja bersandar pada survei atau pada adopsi yang terlihat di dalam perusahaan teknologi. Project Iceberg, yang dipimpin para peneliti MIT bersama Oak Ridge National Laboratory, justru mengukur apa yang secara teknis dapat dilakukan sistem AI pada tingkat keterampilan individual. Tim memetakan lebih dari 13.000 alat AI produksi ke taksonomi keterampilan pemerintah AS, lalu menyimulasikan sekitar 151 juta pekerja di 923 jenis pekerjaan dan 3.000 county pada superkomputer Frontier menggunakan model populasi besar. Indeks Gunung Es yang dihasilkan adalah porsi nilai upah suatu pekerjaan yang terkait dengan keterampilan yang dapat dilakukan AI saat ini. Permukaan paparan yang terlihat, yang terkonsentrasi pada peran-peran teknologi, sekitar 2,2% dari upah, atau 211 miliar dolar. Indeks penuhnya 11,7%, sekitar 1,2 triliun dolar, tersebar di pekerjaan administratif, keuangan, dan jasa profesional di setiap negara bagian, bukan hanya di pusat-pusat teknologi di pesisir. Indikator tradisional seperti PDB atau pengangguran menjelaskan kurang dari 5% variasi antarwilayah, dan para penulis menekankan bahwa indeks ini mengukur paparan teknis, bukan hilangnya pekerjaan yang sebenarnya atau laju adopsi.

Temuan utama
  • Sekitar 11,7% nilai upah AS, kira-kira 1,2 triliun dolar, berada pada keterampilan yang sudah dapat dilakukan alat AI yang ada, lima kali lipat paparan yang terlihat di pekerjaan teknologi.
  • Paparan tersebar luas secara geografis: negara bagian seperti Delaware, South Dakota, Ohio, dan Tennessee memiliki skor setara atau lebih tinggi daripada California.
  • Pendekatan penyematan keterampilan memprediksi 85% transisi karier yang teramati, memberi pembuat kebijakan alat untuk menguji intervensi sebelum diterapkan.
Mengapa ini penting

Pemerintah di kawasan Teluk sedang merencanakan strategi tenaga kerja nasional seputar AI, dan laporan ini menawarkan metode yang dapat digunakan ulang: ukur paparan keterampilan demi keterampilan, simulasikan pasar tenaga kerja, lalu uji kebijakan sebelum bertindak. Laporan ini menggeser percakapan dari ketakutan akan hilangnya pekerjaan ke pengalihan orang dari tugas administratif rutin menuju pekerjaan bernilai lebih tinggi, prioritas bagi Visi Saudi 2030 dan strategi AI UEA.

Baca makalah asli
Ekonomi & ketenagakerjaan Stanford Institute for Human-Centered AI (Universitas Stanford) · 2026

Laporan Indeks AI 2026 (The 2026 AI Index Report)

Penulis: AI Index Steering Committee, Stanford Institute for Human-Centered AI (HAI)Diterbitkan di: Stanford HAI annual reportApril 2026

Indeks AI adalah upaya tahunan Stanford untuk menggambarkan keadaan kecerdasan buatan dengan data, bukan opini. Edisi 2026, yang diterbitkan pada April 2026, bersumber dari ratusan rujukan dalam sembilan bab: riset dan pengembangan, kinerja teknis, AI yang bertanggung jawab, ekonomi, sains, kedokteran, pendidikan, kebijakan, dan opini publik. Metodenya adalah mengumpulkan metrik yang sebanding setiap tahun sehingga tren dapat dilacak dari waktu ke waktu. Beberapa temuan menonjol. Investasi AI swasta di Amerika Serikat mencapai sekitar 286 miliar dolar pada 2025, berkali-kali lipat total Eropa dan Tiongkok, sementara kesenjangan kemampuan antara model terbaik AS dan Tiongkok menyempit menjadi beberapa poin persentase dan berganti posisi beberapa kali. Tolok ukur agen bergerak cepat: akurasi pada OSWorld, yang menguji penggunaan komputer, naik dari sekitar 5% menjadi 66% dalam setahun. AI generatif mencapai adopsi publik 53% dalam tiga tahun, lebih cepat daripada komputer pribadi atau internet pada tahap yang sama. Insiden AI yang dilaporkan mencapai rekor 362, dan kepercayaan terhadap regulasi pemerintah berkisar dari 91% di Singapura hingga 31% di Amerika Serikat.

Temuan utama
  • Investasi AI swasta AS sekitar 286 miliar dolar pada 2025, dan industri menghasilkan lebih dari 90% model frontier yang menonjol.
  • AI generatif mencapai adopsi 53% dalam tiga tahun, dan sekitar empat dari lima mahasiswa kini menggunakannya untuk tugas kuliah.
  • Kesenjangan AS–Tiongkok pada tolok ukur model terdepan menyusut menjadi sekitar 3%, sementara Tiongkok memimpin dalam jumlah superkomputer AI publik.
Mengapa ini penting

Bagi para eksekutif dan pembuat kebijakan di kawasan Teluk, Indeks AI adalah acuan netral yang paling banyak dikutip untuk dokumen strategi, kajian investasi, dan regulasi. Angka-angka 2026 tentang kecepatan adopsi, konsentrasi komputasi, dan kepercayaan publik langsung berguna ketika program AI nasional di UEA dan Arab Saudi menetapkan target atau membandingkan diri dengan Amerika Serikat, Tiongkok, dan Eropa.

Baca makalah asli
Kesehatan Universitas Oxford (Oxford Internet Institute) · 2026

Keandalan LLM sebagai asisten medis bagi masyarakat umum: studi acak terdaftar (Reliability of LLMs as medical assistants for the general public: a randomized preregistered study)

Penulis: Bean A. M., Payne R. E., Parsons G., Kirk H. R., Ciro J., Mosquera-Gómez R., Hincapié M. S., Ekanayaka A. S., Tarassenko L., Rocher L., Mahdi A.Diterbitkan di: Nature Medicine, vol. 32, pp. 609–615February 2026

Model bahasa besar lulus ujian kedokteran, tetapi apakah ia benar-benar membantu orang awam memutuskan apa yang harus dilakukan saat merasa tidak sehat? Para peneliti di Oxford Internet Institute, bersama dokter layanan primer Oxford dan organisasi tolok ukur MLCommons, menjalankan uji acak terdaftar dengan 1.298 orang dewasa di Inggris. Setiap peserta menerima skenario medis yang ditulis dokter, dari sakit kepala hebat yang tiba-tiba hingga ibu baru yang terus-menerus sesak napas, dan harus mengenali kondisi yang mungkin terjadi serta memilih langkah berikutnya yang tepat, seperti perawatan mandiri, menemui dokter keluarga, atau pergi ke gawat darurat. Peserta ditempatkan pada salah satu dari tiga model (GPT-4o, Llama 3, atau Command R+) atau pada kelompok kontrol yang menggunakan sumber biasa seperti penelusuran web. Diuji sendiri, model-model tersebut mengenali kondisi yang relevan pada sekitar 95% skenario. Dengan orang sungguhan dalam prosesnya, pengguna mengenali kondisi pada kurang dari 35% kasus dan langkah berikutnya yang benar pada kurang dari 45%, tidak lebih baik daripada kelompok kontrol. Orang sering tidak tahu apa yang harus disampaikan kepada model, perubahan kecil dalam kata-kata menghasilkan jawaban berbeda, dan saran yang baik dan buruk datang bercampur.

Temuan utama
  • Model yang berskor tinggi pada tolok ukur medis tidak memperbaiki keputusan 1.298 pengguna sungguhan dibandingkan dengan penelusuran web biasa.
  • Tolok ukur standar dan bahkan pasien AI simulasi gagal memprediksi kegagalan ini, sehingga tidak dapat menggantikan pengujian dengan manusia.
  • Makalah ini merekomendasikan uji sistematis dengan pengguna sungguhan sebelum chatbot kesehatan apa pun yang menghadap publik diterapkan.
Mengapa ini penting

Otoritas kesehatan dan perusahaan asuransi di kawasan Teluk sedang menjajaki pemeriksa gejala berbasis AI dalam bahasa Arab dan Inggris. Studi ini adalah peringatan: faktor pembatasnya adalah percakapan antara orang yang cemas dan model, bukan pengetahuan medis model itu. Setiap penerapan membutuhkan perancangan antarmuka yang cermat, panduan tentang apa yang perlu disampaikan ke sistem, dan evaluasi dengan pengguna sungguhan, bukan sekadar skor tolok ukur.

Baca makalah asli DOI: 10.1038/s41591-025-04074-y
Iklim & energi Universitas Cambridge (bersama Alan Turing Institute, Microsoft Research, dan ECMWF) · 2025

Prediksi cuaca berbasis data secara menyeluruh (End-to-end data-driven weather prediction)

Penulis: Allen A., Markou S., Tebbutt W., Requeima J., Bruinsma W. P., Andersson T. R., Herzog M., Lane N. D., Chantry M., Hosking J. S., Turner R. E.Diterbitkan di: Nature, vol. 641, pp. 1172–1179March 2025

Prakiraan cuaca modern adalah rangkaian langkah yang mahal: observasi dikumpulkan, diasimilasikan ke dalam model fisika di superkomputer, lalu dikoreksi untuk kondisi lokal. Peramal AI terkini hanya menggantikan langkah tengah dan masih bergantung pada keluaran sistem berbasis fisika. Tim yang dipimpin Cambridge bersama Alan Turing Institute, Microsoft Research, dan European Centre for Medium-Range Weather Forecasts membangun Aardvark Weather, satu sistem pembelajaran mesin yang langsung bergerak dari pembacaan mentah satelit, stasiun, dan sensor lainnya ke prakiraan global berbasis grid dan prakiraan stasiun lokal, tanpa model numerik saat dijalankan. Dilatih dengan data historis, Aardvark menyamai atau mengalahkan sistem operasional GFS milik AS pada sebagian besar variabel dan rentang waktu serta mendekati model resolusi tinggi ECMWF, sambil hanya menggunakan sekitar 8% observasi dan menghasilkan prakiraan lengkap dalam sekitar satu detik pada empat GPU. Prakiraan stasiun tetap andal hingga sepuluh hari ke depan, dan penyetelan menyeluruh memangkas galat suhu sekitar 6% secara global. Model saat ini berjalan pada resolusi kasar dan belum menghasilkan ansambel, yang ditandai para penulis sebagai langkah berikutnya.

Temuan utama
  • Satu jaringan saraf menggantikan seluruh alur prakiraan dan tetap menyaingi sistem operasional berbasis fisika.
  • Sebuah prakiraan memakan waktu sekitar satu detik pada empat GPU, dibandingkan sekitar seribu jam-node untuk alur kerja konvensional yang setara.
  • Karena pelatihannya murah dan berbasis data, pendekatan ini dapat diarahkan ulang ke wilayah atau bahaya tertentu, seperti panas ekstrem atau badai debu.
Mengapa ini penting

Prakiraan dengan biaya seperti ini membuka layanan cuaca bagi organisasi yang tidak akan pernah mampu menjalankan superkomputer: perusahaan utilitas, maskapai, pelabuhan, pertanian, dan pengembang properti yang mengantisipasi panas dan debu. Bagi negara-negara Teluk, di mana panas ekstrem, banjir bandang, dan badai debu memengaruhi permintaan energi dan konstruksi, model seperti ini yang disetel secara lokal adalah alat jangka pendek yang realistis.

Baca makalah asli DOI: 10.1038/s41586-025-08897-0
Robotika Universitas Carnegie Mellon (Robotics Institute, bersama Siemens) · 2026

Mempelajari Pemantau Kemampuan Berhenti Aman untuk Robot Humanoid (Learning Safe-Stoppability Monitors for Humanoid Robots)

Penulis: Sun Y., Pan Y., Li S., Ding C., Cui T., Wang L., Liu C.Diterbitkan di: arXiv preprint 2603.22703 (cs.RO)March 2026

Menekan tombol henti darurat pada lengan robot industri memutus daya dan lengan itu langsung membeku. Humanoid yang sedang berjalan tidak bisa seperti itu: memutus daya di tengah langkah membuatnya jatuh, yang dapat melukai orang dan merusak robot. Robotics Institute di Carnegie Mellon, bekerja sama dengan Siemens, membingkai ulang masalah ini. Penghentian yang aman seharusnya menyerahkan kendali ke pengendali cadangan yang menjaga keseimbangan dan membawa robot ke keadaan diam berisiko rendah, dan pertanyaan sesungguhnya adalah keadaan robot mana yang memungkinkan cadangan itu berhasil. Tim menyebutnya kemampuan berhenti aman yang bergantung pada kebijakan. Mereka membangun PRISM, kerangka kerja berbasis simulasi yang melatih jaringan saraf untuk memprediksi, dari keadaan robot saat ini, apakah penghentian aman masih mungkin dilakukan. Pengambilan sampel berdasarkan kepentingan memusatkan upaya simulasi pada keadaan langka di ambang batas keputusan, yang meningkatkan efisiensi data dan mengurangi prediksi aman-palsu yang berbahaya untuk anggaran simulasi tertentu. Pemantau yang telah dilatih diterapkan pada humanoid Unitree G1, menunjukkan transfer dari simulasi ke robot sungguhan. Para penulis menyajikan pendekatan ini sebagai bahan dasar untuk mensertifikasi perilaku gagal-aman sebelum humanoid memasuki pabrik dan ruang publik.

Temuan utama
  • Keselamatan bagi humanoid didefinisikan sebagai kemampuan melakukan penghentian aman dengan kebijakan cadangan tertentu, bukan sebagai pemutusan daya mendadak.
  • Pemantau terlatih dengan pengambilan sampel berdasarkan kepentingan membutuhkan lebih sedikit simulasi dan menghasilkan lebih sedikit prediksi aman-palsu daripada pengambilan sampel seragam.
  • Pemantau ini berhasil ditransfer dari simulasi ke Unitree G1 sungguhan, mengarah pada sertifikasi keselamatan waktu-jalan yang praktis.
Mengapa ini penting

Robot humanoid bergerak dari sekadar demonstrasi ke logistik dan manufaktur, dan pelabuhan, bandara, serta proyek-proyek raksasa di Teluk adalah kandidat awal. Sebelum regulator dan perusahaan asuransi mengizinkan robot berada di dekat manusia, seseorang harus menjawab kapan robot dapat dihentikan dengan aman. Karya ini mengubah pertanyaan itu menjadi properti yang terukur dan dapat disertifikasi, jenis bukti yang akan segera diminta oleh tim pengadaan.

Baca makalah asli
Penemuan ilmiah Universitas California, Berkeley · 2026

Memprediksi kendala fungsional di seluruh genom dengan GPN-Star (Predicting genome-wide functional constraints with GPN-Star)

Penulis: Ye C., Benegas G., Albors C., Li J. C., Prillo S., Fields P. D., Clarke B., Song Y. S.Diterbitkan di: NatureSeptember 2026

Membaca huruf-huruf mana dalam genom manusia yang penting adalah salah satu masalah sentral dalam genetika, karena sebagian besar varian yang terkait penyakit berada di luar gen pengode protein. Model bahasa DNA terkini mempelajari pola dari sekuens mentah, tetapi ukurannya sangat besar dan masih tertinggal dari metode evolusioner klasik pada tugas-tugas kunci. Tim Berkeley yang dipimpin Yun Song mengambil jalan berbeda. Model mereka, GPN-Star, dilatih pada penjajaran genom utuh, yang menyejajarkan genom banyak spesies terhadap sebuah referensi, dan menggunakan pohon spesies secara langsung, sehingga model melihat wilayah mana yang dilestarikan atau diubah oleh evolusi. Mereka melatih tiga versi yang mencakup skala waktu vertebrata, mamalia, dan primata, dan menemukan bahwa masing-masing cocok untuk tugas berbeda: penjajaran yang lebih dalam paling baik memprediksi efek varian pengode yang langka, sementara penjajaran tingkat primata lebih baik menangkap varian di balik sifat-sifat kompleks. GPN-Star mencapai akurasi mutakhir dalam memprediksi efek varian di wilayah pengode maupun non-pengode, meningkatkan prioritisasi varian patogenik dan pemetaan halus temuan GWAS, serta memperkuat uji asosiasi varian langka. Kerangka ini juga digeneralisasi ke tikus, ayam, lalat buah, cacing, dan sebuah tanaman. Pelatihan memakan waktu berjam-jam hingga beberapa hari pada segelintir GPU, jauh lebih sedikit daripada model pesaing terbesar, dan tim merilis prediksi untuk seluruh genom.

Temuan utama
  • Memodelkan hubungan evolusioner secara eksplisit mengalahkan model berbasis sekuens saja yang jauh lebih besar dalam memprediksi varian genetik mana yang berbahaya.
  • Kedalaman evolusi yang berbeda menjawab pertanyaan yang berbeda: penjajaran dalam untuk varian pengode langka, penjajaran primata untuk sifat kompleks.
  • Model ini murah untuk dilatih dan disertai prediksi publik untuk seluruh genom guna memandu eksperimen laboratorium.
Mengapa ini penting

Program kedokteran genomik di Arab Saudi, UEA, dan Qatar sedang mengurutkan kohort nasional berskala besar. Alat yang memeringkat varian mana yang penting, dengan biaya komputasi yang moderat, menjadikan data itu dapat ditindaklanjuti untuk mendiagnosis penyakit langka dan untuk riset spesifik populasi. GPN-Star juga menunjukkan bahwa pemanfaatan pengetahuan ilmiah yang cerdas dapat mengalahkan skala kasar, sebuah pelajaran bagi investasi AI pada umumnya.

Baca makalah asli DOI: 10.1038/s41586-026-11005-5
Model bahasa ETH Zurich (bersama EPFL dan Swiss National Supercomputing Centre) · 2025

Apertus: Mendemokratisasi LLM Terbuka dan Patuh Regulasi untuk Lingkungan Bahasa Global (Apertus: Democratizing Open and Compliant LLMs for Global Language Environments)

Penulis: Project Apertus (Hernández-Cano A., Hägele A., … Schlag I.; ETH Zurich, EPFL, CSCS; ~100 authors)Diterbitkan di: arXiv preprint 2509.14233 (cs.CL)September 2025

Sebagian besar model bahasa yang mumpuni bersifat tertutup atau berbobot terbuka dengan data pelatihan yang tidak diungkapkan. Apertus, yang dibangun ETH Zurich, EPFL, dan Swiss National Supercomputing Centre di bawah Swiss AI Initiative, bertujuan membuktikan bahwa model yang sepenuhnya terbuka dan cermat secara hukum tetap dapat bersaing. Tim melatih dua model, dengan 8 miliar dan 70 miliar parameter, pada 15 triliun token menggunakan superkomputer Alps. Datanya hanya berasal dari sumber yang tersedia untuk publik, menghormati sinyal penolakan (opt-out) situs web secara retroaktif, dan disaring dari informasi pribadi, konten beracun, dan materi berlisensi tidak permisif. Tujuan pelatihan yang membatasi hafalan mengurangi pengulangan kata demi kata dari teks pelatihan. Sekitar 40% data bukan berbahasa Inggris, mencakup lebih dari seribu bahasa, termasuk Jerman Swiss dan Romansh, dan makalah ini melaporkan hasil yang mendekati tingkat mutakhir di antara model yang sepenuhnya terbuka pada tolok ukur multibahasa serta kompetitif dengan pesaing berbobot terbuka. Semuanya dirilis di bawah lisensi permisif: resep data, checkpoint, kode pelatihan, dan rangkaian evaluasi, dengan model-model tersebut juga ditawarkan melalui platform cloud berdaulat Swiss untuk dunia usaha.

Temuan utama
  • Data pelatihan, kode, dan checkpoint yang sepenuhnya terbuka dapat memberikan kinerja yang mendekati model berbobot terbuka dari perusahaan besar.
  • Kepatuhan dibangun sejak awal: hanya data publik, penolakan retroaktif, penyaringan data pribadi, dan transparansi yang selaras dengan EU AI Act.
  • Cakupan multibahasa yang kuat menunjukkan bahwa bahasa-bahasa kecil tidak perlu menjadi pelengkap belaka dalam model berskala frontier.
Mengapa ini penting

Negara-negara Teluk sedang membangun model bahasa Arab berdaulat seperti Falcon, Jais, dan ALLaM. Apertus adalah cetak biru publik paling jelas untuk melakukannya dengan tata kelola data yang transparan, yang penting bagi regulator, pengadaan sektor publik, dan kepercayaan. Ia juga menunjukkan bahwa superkomputer nasional ditambah universitas dapat menghasilkan model yang kredibel tanpa bergantung pada vendor asing.

Baca makalah asli
Kota & properti Universitas Tsinghua (bersama MIT Senseable City Lab) · 2025

Perencanaan kota di era model bahasa besar (Urban planning in the era of large language models)

Penulis: Zheng Y., Xu F., Lin Y., Santi P., Ratti C., Wang Q. R., Li Y.Diterbitkan di: Nature Computational Science, vol. 5, pp. 727–736September 2025

Perencanaan kota semakin sulit: para perencana harus mendamaikan transportasi, perumahan, iklim, kesetaraan, dan konsep-konsep baru seperti kota 15 menit, dan hasilnya adalah sistem kompleks yang sulit dievaluasi sebelum dibangun. Para peneliti di Universitas Tsinghua, bersama Senseable City Lab MIT dan Universitas Northeastern, mengusulkan kerangka kerja di mana model bahasa besar mendukung setiap tahap proses. Pada tahap konseptualisasi, LLM bertindak sebagai konsultan perencanaan, mengubah persyaratan dan regulasi menjadi konsep tertulis melalui dialog dengan perencana. Pada tahap generasi, model visi-bahasa yang disetel dengan data desain kota menghasilkan tata guna lahan, jejak bangunan, dan adegan 3D yang menghormati kendala dunia nyata. Pada tahap evaluasi, agen LLM dengan profil demografis, alat, dan memori menyimulasikan perjalanan harian warga dan penggunaan fasilitas, memberikan umpan balik kuantitatif tentang jarak tempuh, penggunaan fasilitas, emisi, dan kesetaraan. Dalam demonstrasi, model berparameter 70 miliar mengungguli 10% kandidat manusia teratas pada soal-soal ujian perencanaan profesional, dan titik panas aktivitas simulasi di lingkungan-lingkungan New York dan Chicago sangat cocok dengan data mobilitas nyata. Para penulis memperingatkan tentang kelangkaan data desain, biaya komputasi yang tinggi, serta bias sosial dan geografis, dan menegaskan perlunya pengawasan manusia.

Temuan utama
  • LLM dapat berperan sebagai konsultan, perancang, dan simulator di sepanjang siklus perencanaan, bukan sebagai alat tunggal.
  • Simulasi warga berbasis agen mereproduksi titik panas mobilitas nyata dan metrik aksesibilitas 15 menit di dua kota AS.
  • Data desain kota yang berkualitas, biaya komputasi, dan bias adalah hambatan utama, sehingga kerangka ini dimaksudkan untuk membantu perencana, bukan menggantikannya.
Mengapa ini penting

Kota-kota di Teluk direncanakan dengan kecepatan yang belum pernah terjadi sebelumnya, dari distrik-distrik baru di Riyadh hingga Rencana Induk Perkotaan Dubai 2040. Metode yang memungkinkan perencana menghasilkan alternatif dan mengujinya dengan warga simulasi sebelum konstruksi dapat memangkas biaya dan meningkatkan kelayakan huni. Bagi pengembang dan pialang, simulasi permintaan berbasis agen juga merupakan cara baru untuk menilai di mana fasilitas, ritel, dan perumahan akan benar-benar digunakan.

Baca makalah asli DOI: 10.1038/s43588-025-00846-1
Model dunia & visi komputer Universitas Kecerdasan Buatan Mohamed bin Zayed (Institute of Foundation Models) · 2025

PAN: Model Dunia untuk Simulasi Dunia yang Umum, Dapat Ditindaklanjuti, dan Berjangka Panjang (PAN: A World Model for General, Actionable, and Long-Horizon World Simulation)

Penulis: PAN Team (Liu Z., Gu Y., Deng M., Liu G., Feng Z., Gao Q., Hu Y., Huang B., Yang Y., Zhou K., Xiang J., Hu Z., Liu Z., Xing E. P.)Diterbitkan di: arXiv preprint 2511.09057 (cs.CV)November 2025

Model bahasa memprediksi teks; model dunia memprediksi apa yang terjadi selanjutnya di dunia fisik ketika suatu tindakan diambil. Institute of Foundation Models di MBZUAI membangun PAN untuk mengatasi tiga kelemahan generator video yang ada ketika digunakan sebagai model dunia: kesulitan dalam prediksi domain terbuka yang digerakkan tindakan, penyimpangan pada jangka waktu panjang, dan ketidakmampuan mendukung penalaran dan perencanaan. PAN mengikuti rancangan yang disebut tim sebagai Generative Latent Prediction. Sebuah pengode visi mengubah observasi saat ini menjadi keadaan laten. Tulang punggung model bahasa besar memajukan keadaan itu langkah demi langkah sebagai respons terhadap tindakan dalam bahasa alami dan riwayat sejauh ini, menjaga alur cerita tetap konsisten. Pendekode difusi video kemudian merender klip pendek berikutnya, menggunakan skema denoising jendela geser agar rollout panjang tetap mulus. Para penulis mengevaluasi fidelitas simulasi yang dikondisikan tindakan, konsistensi prakiraan jangka panjang, dan perencanaan simulatif, di mana agen membayangkan hasil sebelum bertindak. Mereka melaporkan hasil sumber terbuka terbaik pada fidelitas dan konsistensi serta keberhasilan tugas yang jauh lebih tinggi pada tugas manipulasi ketika agen merencanakan dengan PAN, kompetitif dengan sistem komersial terkemuka. Makalah ini berargumen bahwa kemampuan-kemampuan inilah, bukan kualitas video semata, yang seharusnya menentukan cara menilai model dunia.

Temuan utama
  • Memisahkan keadaan (dinalar oleh LLM) dari tampilan (dirender oleh difusi) menjaga simulasi tetap konsisten pada jangka waktu panjang.
  • Agen yang menggunakan PAN untuk menyimulasikan hasil sebelum bertindak lebih sering berhasil daripada agen yang bertindak sendirian.
  • Karya ini menempatkan MBZUAI dari UEA di antara segelintir kelompok yang menerbitkan model dunia serbaguna di garis depan riset.
Mengapa ini penting

Model dunia adalah lapisan berikutnya di bawah robotika, kendaraan otonom, dan pelatihan berbasis simulasi, yang semuanya merupakan prioritas strategi industri UEA. PAN menunjukkan bahwa institusi Teluk dapat berkontribusi di garis depan riset, bukan hanya mengadopsi sistem impor, dan memberi perusahaan regional arsitektur terdokumentasi untuk dibangun lebih lanjut bagi kembaran digital, simulasi logistik, dan AI terwujud.

Baca makalah asli
Ringkasan merupakan pembacaan kami sendiri atas setiap makalah. Untuk kutipan, selalu rujuk sumber aslinya.