# EvoX Sistem Evolusi Cerdas dan Praktik Riset Ilmiah AI Native — Modul Kuliah

Durasi: 1 · Halaman materi: 16

## Navigasi Bacaan

- [Kuliah 1｜Topik: Asal-usul Evolusi Cerdas dan Latar Belakang Lahirnya EvoX](#lecture-lesson-1)

---

<a id="lecture-lesson-1"></a>

## Kuliah 1｜Topik: Asal-usul Evolusi Cerdas dan Latar Belakang Lahirnya EvoX

<a id="lecture-page-1"></a>

### Asal-usul Evolusi Cerdas dan Latar Belakang Lahirnya EvoX

*Halaman 1*

> **Tujuan Halaman:** Membahas sejarah evolusi kecerdasan manusia, gagasan Turing tentang "mesin anak-anak," serta bagaimana EvoX membangun lingkaran evolusi antara kemampuan model dan kemampuan sistem.

**Poin Pengajaran**

- Memahami kedalaman sejarah dan kecepatan evolusi kecerdasan
- Membedakan keterbatasan generasi tunggal model besar dan kebutuhan evolusi sistem

Tujuan Halaman

Pertama, kedalaman sejarah dan kecepatan evolusi kecerdasan; kedua, kebutuhan untuk beralih dari generasi tunggal model besar menuju evolusi sistem. Setelah mempelajari, pembelajar harus dapat menjelaskan mengapa EvoX bukan sekadar memanggil model, melainkan membangun lingkaran evolusi antara kemampuan model dan kemampuan sistem.

Urutan Penjelasan

Evolusi tidak berjalan dengan kecepatan konstan; lompatan kunci sering didorong oleh alat, bahasa, kolaborasi, dan mekanisme umpan balik.

Daripada menciptakan pikiran orang dewasa sekaligus, lebih baik merancang mesin yang dapat belajar, dididik, dan tumbuh secara bertahap. Ini menjadi fondasi bagi perspektif "evolusi" selanjutnya.

Kuat dalam pemadatan pengetahuan dan output instan, lemah dalam tujuan berkelanjutan, memori jangka panjang, interaksi lingkungan, koreksi diri, dan kolaborasi multi-putaran.

Menempatkan model sebagai salah satu komponen dalam evolusi, melalui tugas, umpan balik, evaluasi, seleksi, dan iterasi, membangun lingkaran dari kemampuan model menuju kemampuan sistem.

Poin Pengajaran

Evolusi cerdas memiliki kedalaman sejarah, tetapi kecepatan evolusi teknologi sangat cepat; keduanya bersama-sama membentuk latar belakang.

Yang penting dari gagasan Turing bukanlah "mesin seperti anak-anak," melainkan "mesin yang dapat tumbuh melalui pengalaman."

Generasi tunggal seperti snapshot, evolusi sistem seperti proses; snapshot bisa memukau, tetapi hanya proses yang dapat terakumulasi.

Yang ingin diselesaikan EvoX bukanlah menggantikan model, melainkan memberi model arah, memori, dan tekanan seleksi dalam siklus.

Pemeriksaan Pemahaman

Minta siswa menjelaskan dalam satu kalimat perbedaan antara "generasi tunggal model" dan "evolusi sistem," serta memberikan contoh apa yang hilang tanpa yang kedua.

Petunjuk Transisi

Jika model hanya diizinkan menjawab sekali, apa yang akan hilang? Dari sini secara alami masuk ke bagian berikutnya tentang kemampuan sistem dan lingkaran evolusi.

<a id="lecture-page-2"></a>

### Tren Percepatan Evolusi Cerdas dan Pemadatan Siklus

*Halaman 2*

> **Tujuan Halaman:** Pembelajar harus memahami bahwa kecepatan evolusi kecerdasan manusia mengikuti kurva yang menanjak tajam, dengan siklus evolusi yang terkompresi dari generasi genetik hingga iterasi tunggal perangkat lunak dan AI.

> **Tujuan Halaman**
>
> Memahami tren percepatan evolusi cerdas dan pemadatan siklus. Yang ingin dibangun halaman ini bukanlah peristiwa tertentu, melainkan skala waktu: evolusi tidak bergerak dengan kecepatan konstan, melainkan proses percepatan yang didorong oleh pergantian pembawa; kecepatannya mengikuti kurva non-linear yang datar di awal lalu menanjak tajam, dengan siklus evolusi yang terkompresi dari generasi genetik hingga iterasi tunggal perangkat lunak, daya komputasi, dan kecerdasan buatan.

> **Urutan Penjelasan**
>
> Pertama lihat bentuk kurvanya, lalu jelaskan dua rantai dan korespondensinya, kemudian jelaskan mekanisme percepatan, dan terakhir tunjukkan komponen yang tertekan — seleksi dan verifikasi — serta mengapa lingkaran evolusi menjadi keharusan.

**Poin Pengajaran**

- 1. Kurva bukan garis lurus yang naik landai, melainkan kenaikan non-linear yang tajam. Sumbu vertikal mengukur durasi satu siklus evolusi, berubah berdasarkan orde besaran, sehingga intuisi linear tidak dapat digunakan untuk mengekstrapolasi kecepatan masa depan, karena akan secara sistematis meremehkan kenaikan di bagian akhir. Akumulasi genetik → bahasa dan budaya → perangkat lunak, daya komputasi, dan kecerdasan buatan. Setiap migrasi mengubah kondisi dasar tentang di mana informasi dapat berada, seberapa cepat dapat direplikasi, dan berapa lama satu percobaan memakan waktu. Generasi → tahun → bulan → iterasi tunggal. Satu putaran lengkap "coba — pertahankan atau singkirkan" terkompresi dari hitungan generasi menjadi hitungan tahun, bulan, hingga akhirnya satu kali generasi, satu kali kompilasi, satu putaran pelatihan dan evaluasi. Ke pembawa mana pun berpindah, siklus tertekan ke tingkat itu. Saat mengulang, gunakan salah satu rantai untuk mengingat yang lain, lebih efektif daripada menghafal terpisah. 5. Mekanisme percepatan terletak pada penurunan biaya dan durasi satuan dari siklus "coba-coba — replikasi — seleksi": kandidat semakin murah untuk direplikasi, waktu yang dibutuhkan untuk memverifikasi satu putaran semakin pendek, dan jumlah percobaan per satuan waktu meningkat berlipat ganda. 6. Semakin pendek siklus, semakin murah menghasilkan kandidat
- Tetapi yang benar-benar menentukan keberhasilan selalu "kandidat mana yang benar-benar efektif." Ketika generasi dipercepat secara signifikan, yang relatif tertekan justru seleksi dan verifikasi, yang berubah dari premis tersembunyi menjadi hambatan eksplisit. Garis putus-putus abu-abu pada gambar menunjukkan keterlambatan relatif "biaya seleksi dan verifikasi." 7. Generasi tunggal tidak dapat membuktikan kebenarannya sendiri, dan sulit tetap efektif ketika lingkungan dan model terus berubah. Antarmuka yang dituju adalah lingkaran evolusi yang terdiri dari generasi, umpan balik lingkungan, evaluasi seleksi, dan warisan. Apakah kecerdasan merupakan produk yang dirancang selesai di muka, atau proses yang terus terbentuk dalam lingkungan? Halaman ini hanya bertugas membangun skala waktu ini; pengembangan pertanyaan diserahkan ke materi selanjutnya.

**Cakupan Kata Kunci**

- Evolusi cerdas
- Migrasi pembawa
- Pemadatan siklus
- Percepatan non-linear
- Hambatan seleksi dan verifikasi
- Lingkaran evolusi.

> **Petunjuk Materi**
>
> - Grafik garis atau grafik tangga dengan sumbu horizontal berupa era waktu dan sumbu vertikal berupa durasi satu siklus evolusi (skala logaritmik), empat tingkat tangga masing-masing sesuai dengan akumulasi genetik, bahasa dan budaya, perangkat lunak dan daya komputasi, iterasi tunggal model besar
> - Garis putus-putus abu-abu menunjukkan keterlambatan relatif biaya seleksi dan verifikasi. Saat menjelaskan, dapat menggunakan gerakan tangan menuruni tangga, menekankan "siklus menyusut ke bawah, percepatan menanjak ke atas."

> **Petunjuk Latihan**
>
> - Penyebab mendasar percepatan adalah pergantian pembawa evolusi, dari gen ke bahasa dan budaya, lalu ke perangkat lunak, daya komputasi, dan kecerdasan buatan
> - Bukan karena individu lebih rajin, total data lebih besar, atau harga perangkat keras turun. Urutan rantai pemadatan siklus yang benar adalah "generasi → tahun → bulan → iterasi tunggal." Pemahaman yang tepat adalah kurva menanjak tajam secara non-linear, dan ekstrapolasi linear tidak dapat digunakan untuk memproyeksikan kecepatan evolusi masa depan. Setelah pemadatan siklus, yang paling perlu dialokasikan ulang perhatiannya adalah tahap seleksi dan verifikasi — "menentukan kandidat mana yang benar-benar efektif." Generasi tunggal kurang verifikasi berulang dari lingkungan dan seleksi evaluatif, sehingga tidak dapat membentuk lingkaran yang dapat diwariskan.

**Penanganan Latihan**

Biarkan siswa menilai secara mandiri terlebih dahulu, kemudian minta mereka menjelaskan dasarnya. Jika salah memilih, arahkan kembali ke dua bukti kunci: "pergantian pembawa" dan "generasi murah, penilaian tertekan." Analisis kasus dapat memberikan petunjuk: perubahan yang dirasakan peneliti berasal dari migrasi pembawa — pengetahuan tidak lagi terutama tersimpan dalam makalah dan ingatan manusia, melainkan dalam repositori kode, sumber daya komputasi, dan bobot model; yang menyertai migrasi pembawa adalah pemadatan siklus, di mana satu putaran lengkap terkompresi dari hitungan semester menjadi hitungan jam. Hambatan akan berpindah ke seleksi dan verifikasi; generasi tunggal tidak dapat menggantikan lingkaran evolusi berkelanjutan, karena kesimpulan perlu diverifikasi berulang kali dalam lingkungan dan diendapkan menjadi dasar seleksi yang dapat diwariskan.

**Pemeriksaan Pemahaman**

Minta siswa menyatakan inti halaman ini dalam satu kalimat. Pernyataan yang memenuhi syarat harus mencakup "pergantian pembawa mendorong percepatan" dan "generasi semakin murah, penilaian menjadi hambatan"; jika hanya bisa mengatakan "model semakin kuat," perlu kembali ke kurva dan dua rantai untuk menjelaskan ulang.

> **Petunjuk Transisi**
>
> Setelah memastikan siswa dapat membedakan rantai migrasi pembawa dan rantai pemadatan siklus, serta memahami hambatan seleksi dan verifikasi, barulah masuk ke halaman berikutnya tentang pengembangan lingkaran evolusi.

<a id="lecture-page-3"></a>

### Kemampuan Kuat Model Besar Saat Ini dan Keterbatasan Generasi Tunggal

*Halaman 3*

> **Tujuan Halaman:** Pembelajar harus menyadari bahwa meskipun model besar saat ini memiliki kemampuan pemahaman dan generasi yang kuat, generasi tunggal tidak dapat membuktikan kebenarannya sendiri dan sulit beradaptasi secara berkelanjutan terhadap perubahan.

> **Tujuan Halaman**
>
> Membedakan keterbatasan generasi tunggal model besar dan kebutuhan evolusi sistem. Intinya adalah membuat siswa memisahkan "kemampuan menghasilkan konten" dari "kemampuan sistem untuk membuat konten diverifikasi dan diiterasi": model sangat kuat, tetapi tanpa eksekusi verifikasi, evaluasi, umpan balik, dan warisan, output tetap hanya saran sekali pakai.
>
> Pertama akui pemahaman kuat, generasi kuat, dan penalaran kuat model besar, kemudian tunjukkan tiga keterbatasan generasi tunggal, lalu gunakan skenario penurunan latensi untuk menjelaskan mengapa tidak bisa langsung diterapkan, terakhir rangkum lingkaran evolusi dan kaitkan kembali dengan gagasan "mesin anak-anak" Turing.

**Poin Pengajaran**

- Model dapat dengan cepat membentuk penjelasan, rencana, dan konten kandidat — ia adalah "generator kemungkinan" yang efisien. Tidak dapat membuktikan kebenarannya sendiri karena kurangnya eksekusi verifikasi dan evaluasi independen
- Tidak dapat memperbarui diri karena setelah lingkungan, batasan, atau tujuan berubah, ia tidak akan otomatis mengevaluasi ulang
- Tidak dapat mengakumulasi diri karena satu output tidak menghasilkan pengalaman yang dapat diwariskan. 3. Oleh karena itu, hambatan sering kali bukan pada apakah model "tahu" atau tidak, melainkan pada apakah kemampuan cerdas dimasukkan ke dalam proses yang dapat dieksplorasi, dieksekusi, diverifikasi, dan diiterasi. Generasi → eksekusi verifikasi → evaluasi → seleksi/mutasi → generasi ulang. Dengan menjelaskan input, output, dan sinyal penilaian setiap langkah, siswa dapat memahami bagaimana kemampuan terakumulasi dalam siklus. 5. Diagram perbandingan sisi kiri menunjukkan generasi tunggal "berhenti di sini," sisi kanan menunjukkan lingkaran evolusi "iterasi berkelanjutan, evaluasi sistem, dan warisan," yang dapat digunakan untuk menyoroti perbedaan antara jawaban sekali pakai dan evolusi berkelanjutan. Tim ingin mengurangi latensi layanan inferensi online; model memberikan saran pruning, kuantisasi, dan distilasi sekaligus, tetapi hanya dengan mengujinya pada perangkat keras target, batasan presisi, dan fluktuasi beban, lalu mengiterasi berdasarkan umpan balik, barulah dapat diperoleh solusi kandidat yang dapat diverifikasi dan berevolusi.

**Cakupan Kata Kunci**

- Keterbatasan model besar, generasi tunggal, pembuktian kebenaran sendiri, umpan balik berkelanjutan, lingkaran evolusi, seleksi/mutasi, evaluasi sistem dan warisan.

**Penanganan Latihan**

Generasi tunggal adalah output satu kali dan terbuka; tidak dapat membuktikan kebenaran karena kurangnya eksekusi verifikasi, sinyal umpan balik, dan evaluasi independen; solusi sekali pakai akan berhenti pada asumsi saat generasi; langkah pertama menghadapi masalah nyata adalah mengubah masalah menjadi proses yang dapat dieksplorasi, dieksekusi, dan diverifikasi; struktur lingkaran adalah generasi, eksekusi verifikasi, evaluasi, seleksi/mutasi, generasi ulang. Kasus "skenario penurunan latensi" dapat meminta siswa secara berkelompok menuliskan langkah-langkah lingkaran beserta input-output setiap langkah, dan memeriksa apakah mencakup lingkungan verifikasi yang dapat dieksekusi, metrik evaluasi yang dapat dikuantifikasi, dan mekanisme generasi ulang berbasis umpan balik. Jika siswa mengaitkan masalah dengan kekurangan daya komputasi atau prompt yang kurang detail, ingatkan bahwa hambatan ada pada kemampuan sistem; jika hanya menulis "iterasi" tanpa sinyal evaluasi, ingatkan untuk menambahkan metrik penilaian baik-buruk.

Minta siswa menceritakan ulang "tiga ketidakmampuan" dengan contoh yang familiar, lalu jelaskan dalam kondisi apa lingkaran evolusi harus diperkenalkan. Pilih satu siswa secara acak untuk merangkum poin utama halaman ini dengan kata-katanya sendiri; guru melengkapi kata kunci yang terlewat berdasarkan jawaban.

> **Petunjuk Transisi**
>
> Setelah memastikan siswa dapat menjelaskan perbedaan antara generasi tunggal dan lingkaran evolusi, barulah masuk ke halaman berikutnya untuk membahas sumber historis atau aplikasi konkret dari gagasan evolusi.

<a id="lecture-page-4"></a>

### Konvergensi Jalur Kecerdasan dan Asal-usul Komputasi Evolusioner

*Halaman 4*

> **Tujuan Halaman:** Pembelajar harus memahami titik konvergensi berbagai jalur pengembangan sistem cerdas, serta posisi komputasi evolusioner sebagai sumber teknologi inti.

> **Tujuan Halaman**
>
> Memahami mengapa berbagai jalur pengembangan sistem cerdas bertemu di tingkat sistem, dan mengapa komputasi evolusioner dianggap sebagai sumber teknologi paling langsung pada titik konvergensi ini; sekaligus membangun perspektif meta-layer "algoritma mengoptimalkan algoritma," dan belajar mengevaluasi suatu jalur dengan biaya migrasi.

> **Urutan Penjelasan**
>
> Ketika daya komputasi dan kemampuan model tidak lagi langka, masalah inti bergeser dari masalah sampling "menghasilkan satu jawaban baik" menjadi masalah pencarian "bagaimana terus mencari, memberi umpan balik, dan menyaring." Dapat ditekankan: generasi tunggal tidak dapat membuktikan kebenarannya sendiri, dan sulit tetap efektif setelah lingkungan atau model berubah.
>
> Dimensi pemahaman, ekspresi, tindakan-umpan balik, dan penyaringan hasil tidak dapat membentuk lingkaran secara independen; pemahaman dikalibrasi oleh umpan balik, tindakan konvergen melalui penyaringan hasil, ekspresi diverifikasi oleh lingkungan. Oleh karena itu mereka akan bertemu kembali di tingkat sistem, membentuk rantai observasi "ajukan pertanyaan→hasilkan kandidat→umpan balik lingkungan→evaluasi penyaringan→pertahankan dan reproduksi."
>
> Populasi, mutasi, seleksi, dan iterasi secara alami sesuai dengan lingkaran "generasi—evaluasi—pertahankan—reproduksi," sehingga ia adalah mekanisme yang menjalankan lingkaran, bukan sekadar kemampuan ekspresi lain.
>
> Mutasi, persilangan, dan seleksi mengubah solusi kandidat, tetapi jarang mengubah "metode menghasilkan solusi kandidat"; meta-layer lama berhenti di tahap desain manual — algoritma pandai mencari jawaban, tetapi tidak pandai mencari dirinya sendiri. Dapat dijelaskan dengan differential evolution: pemilihan strategi mutasi, vektor basis, faktor mutasi, dan probabilitas persilangan serta penyetelan parameter terjadi di luar pencarian, tidak dapat digunakan ulang, sulit diendapkan.
>
> Membuat metode penyelesaian itu sendiri masuk ke dalam proses pencarian, yaitu "algoritma mengoptimalkan algoritma"; algoritma berubah dari alat menjadi objek yang dicari dan diperbaiki. EvoX adalah pembawa yang mensistematisasi perspektif ini; detail arsitektur diserahkan ke halaman selanjutnya.

**Poin Pengajaran**

- Mengevaluasi suatu jalur kecerdasan tidak hanya melihat kemampuan ekspresi tunggal, tetapi lebih penting melihat apakah ia dapat membentuk lingkaran berkelanjutan yang dapat memperbaiki diri, dan apakah setelah masalah bergeser masih dapat terus mencari dengan biaya rendah. Bukan apakah dapat menghasilkan, melainkan apakah dapat terus mencari, memberi umpan balik, dan menyaring. Yang diubah hanya solusi kandidat, atau apakah "metode menghasilkan solusi kandidat" juga diubah? Hanya yang terakhir yang dianggap masuk ke "algoritma mengoptimalkan algoritma." Mekanisme adaptif dan penyetelan parameter otomatis sering menurunkan biaya migrasi, tetapi membawa overhead komputasi tambahan dan penurunan interpretabilitas — ini adalah trade-off yang perlu dipikirkan matang sebelumnya.

> **Petunjuk Materi**
>
> - Diagram halaman menunjukkan berbagai jalur kecerdasan bertemu ke masalah sistemik, lalu terhubung ke "komputasi evolusioner: sumber teknologi paling langsung"
> - Sekaligus menandai dengan garis putus-putus oranye sirkuit meta-layer, menekankan bahwa algoritma evolusioner tradisional kekurangan di sini. Saat menjelaskan dapat menggunakan diagram untuk menunjukkan perbedaan tingkat antara "algoritma saat ini" dan "metode menghasilkan dan memilih solusi kandidat."

**Penanganan Latihan**

Jawaban soal 1 berpusat pada "bergeser dari masalah sampling ke masalah pencarian," menekankan bahwa hambatan adalah pencarian berkelanjutan, umpan balik, dan penyaringan, bukan data, daya komputasi, atau skala anotasi.

Jawaban soal 2 adalah setiap dimensi tidak dapat membentuk lingkaran secara independen, perlu digabungkan di tingkat sistem; jangan pilih penamaan, biaya, atau urutan historis.

Jawaban soal 3 adalah mekanisme komputasi evolusioner berkorespondensi satu-satu dengan struktur lingkaran sistem; bukan kecepatan, tanpa parameter, atau bidang aplikasi.

Jawaban soal 4 adalah ia mengubah solusi kandidat, tetapi jarang mengubah metode menghasilkan solusi kandidat; meta-layer bergantung pada desain manual; titik buta adalah metode itu sendiri tidak dicari.

Jawaban soal 5 adalah pemilihan dan penyetelan parameter terjadi di luar pencarian, sulit diendapkan, menunjukkan algoritma itu sendiri tidak masuk ke proses pencarian; fokusnya bukan kerapatan pencarian parameter atau otomatisasi penuh.

Dalam kasus penjadwalan bengkel, parameter differential evolution menjadi tidak valid karena batasan pergantian tipe baru dan jendela waktu dua shift, mencerminkan kekurangan meta-layer. Jika metode dimasukkan ke dalam pencarian, dapat menggunakan adaptasi atau penyetelan parameter otomatis untuk merekonstruksi strategi dan parameter secara otomatis, mengurangi biaya migrasi dan eksperimen berulang; harganya adalah overhead komputasi tambahan dan penurunan interpretabilitas. Trade-off-nya adalah: menukar komputasi dan interpretabilitas dengan biaya migrasi yang lebih rendah ketika masalah bergeser.

**Pemeriksaan Pemahaman**

Minta pembelajar membedakan dengan kata-kata sendiri antara "mencari jawaban" dan "mencari metode menghasilkan jawaban," serta menjelaskan mengapa halaman ini memposisikan komputasi evolusioner sebagai sumber teknologi paling langsung pada titik konvergensi.

> **Petunjuk Transisi**
>
> Setelah memastikan pembelajar dapat menyebutkan alur utama "konvergensi multi-jalur—komputasi evolusioner sesuai lingkaran—algoritma tradisional kekurangan meta-layer—algoritma mengoptimalkan algoritma," barulah masuk ke konten selanjutnya tentang arsitektur EvoX.

<a id="lecture-page-5"></a>

### Gagasan Turing tentang "Mesin Anak-Anak"

*Halaman 5*

> **Tujuan Halaman:** Pembelajar harus memahami gagasan "mesin anak-anak" yang diajukan Turing pada tahun 1950 dan pemikiran bahwa kemampuan diperoleh melalui pendidikan dan reward-punishment di dalam lingkungan.

> **Tujuan Halaman**
>
> Memahami gagasan "mesin anak-anak" yang diajukan Turing pada tahun 1950 — mesin mulai dari keadaan tidak lengkap seperti anak-anak, dan secara bertahap memperoleh kemampuan melalui pendidikan, eksperimen, serta reward-punishment dalam lingkungan, sehingga kecerdasan dipahami sebagai "proses yang terus terbentuk," bukan "produk yang dirancang di muka."

> **Urutan Penjelasan**
>
> Pertama tunjukkan dalam satu kalimat jalur alternatif yang diajukan Turing saat itu, lalu gunakan diagram perbandingan kiri-kanan untuk menjelaskan dua sumber kemampuan; selanjutnya kembangkan tiga penilaian kunci; kemudian turunkan ke makna rekayasa saat ini, tambahkan lingkaran eksternal; terakhir klarifikasi kesalahpahaman umum, dan perkuat dengan latihan.

**Poin Pengajaran**

- Pada tahun 1950, ketika membahas "apakah mesin dapat berpikir," Turing mengajukan jalur alternatif yang sangat bernuansa rekayasa — daripada menciptakan pikiran dewasa yang matang dalam satu langkah, lebih baik membuat "mesin anak-anak" terlebih dahulu. Saat keluar dari pabrik, ia tidak lengkap, tetapi "dibesarkan" dalam lingkungan, mengalami pendidikan, eksperimen, dan reward-punishment, barulah kemampuannya tumbuh secara bertahap. Titik balik kunci halaman ini adalah: kecerdasan bukanlah hasil yang diprogram mati, melainkan proses yang dibentuk oleh lingkungan. Sisi kiri "produk yang dirancang di muka" mengikuti alur analisis kebutuhan→desain modul→fiksasi parameter→deployment online (satu arah), kemampuan ditentukan saat pengiriman dan tidak berubah sendiri selama operasi
- Sisi kanan "proses yang terbentuk dalam lingkungan" mengikuti siklus pendidikan→eksperimen→reward-punishment, kemampuan dihasilkan secara bertahap. Reward mempertahankan perilaku efektif, punishment menyingkirkan strategi tidak efektif. Saat menjelaskan, minta siswa mendeskripsikan perbedaan kedua sisi terlebih dahulu, lalu rangkum menjadi "kemampuan diprogram di muka" versus "kemampuan dihasilkan secara bertahap melalui umpan balik lingkungan." Kemampuan tidak dirancang di muka dan ditulis sekali jadi
- Kecerdasan adalah proses yang terus terbentuk; mengevaluasi suatu sistem berarti melihat apakah ia dapat menjadi lebih baik dalam interaksi berkelanjutan
- Umpan balik lingkungan adalah mekanisme inti pembentukan kemampuan; strategi perilaku disaring berulang kali dalam siklus "pendidikan→eksperimen→reward-punishment." Model besar pandai menghasilkan; dapat memberikan banyak jawaban mungkin sekaligus, tetapi hasil generasi tunggal tidak dapat membuktikan kebenarannya sendiri, dan sulit tetap efektif setelah lingkungan berubah. Siapa yang memverifikasi, siapa yang menyingkirkan, siapa yang mempertahankan? Ini memerlukan lingkaran eksternal: model menghasilkan kemungkinan→lingkungan memberikan umpan balik→sistem mengevaluasi, memilih, dan mewarisi. Inilah antarmuka antara halaman ini dan lingkaran evolusi selanjutnya. Jangan menganggap "mesin anak-anak" sebagai struktur jaringan tertentu atau nama algoritma pelatihan tertentu; ia memberikan proposisi metodologis tentang sumber kemampuan.

**Cakupan Kata Kunci**

- Mesin anak-anak, pendidikan, eksperimen, reward-punishment, proses bukan produk jadi, umpan balik lingkungan, lingkaran eksternal, evaluasi—seleksi—warisan.

> **Petunjuk Materi**
>
> - Konsep inti adalah "gagasan mesin anak-anak Turing," istilah kunci adalah "mesin anak-anak," dapat disertai diagram perbandingan untuk menjelaskan perbedaan "kemampuan diprogram di muka" dan "kemampuan dihasilkan secara bertahap melalui umpan balik lingkungan." Lima soal pilihan ganda di halaman ini masing-masing memverifikasi "proposisi inti," "peran umpan balik lingkungan," "pergeseran metodologis perspektif proses," "kurangnya lingkaran eksternal," "penjelasan sumber kemampuan." Saat benar, tekankan dasarnya
> - Saat salah, bawa siswa kembali ke kalimat asli — tidak menuntut kelengkapan sejak awal, melainkan membiarkan kemampuan tumbuh secara bertahap dalam interaksi lingkungan, dan membedakan "sudah tetap saat keluar pabrik" versus "terbentuk secara bertahap"
> - Masalahnya bukan pada panjang prompt, jumlah parameter, atau daya komputasi, melainkan pada kurangnya lingkaran yang membuat hasil diverifikasi, disaring, dan dipertahankan. Soal kasus "dari mana kemampuan robot gudang berasal" disarankan agar siswa terlebih dahulu menandai perbedaan rencana A dan rencana B, lalu menjawab dengan mengaitkan tiga tahap pendidikan, eksperimen, dan reward-punishment
> - Pertanyaan kedua harus bermuara pada "generasi tunggal tidak dapat membuktikan kebenarannya sendiri dan sulit efektif dalam jangka panjang," serta menjelaskan bagaimana lingkaran mempertahankan strategi efektif dan menyingkirkan strategi tidak efektif.

**Aktivitas Kelas**

Minta siswa menceritakan ulang "pendidikan→eksperimen→reward-punishment" dengan contoh yang dekat dengan pengalaman mereka sendiri, dan menjelaskan hubungannya dengan "proses bukan produk jadi."

**Pemeriksaan Pemahaman**

Pilih satu siswa secara acak untuk merangkum poin utama halaman ini dengan kata-katanya sendiri; guru melengkapi kata kunci yang terlewat berdasarkan jawaban.

> **Petunjuk Transisi**
>
> Setelah memastikan siswa dapat menyebutkan rantai "generasi tunggal→umpan balik lingkungan→evaluasi sistem, seleksi, dan warisan," barulah masuk ke halaman berikutnya tentang aplikasi atau ringkasan.

<a id="lecture-page-6"></a>

### Sumber Baru Generasi Kandidat di Bawah Skala Daya Komputasi yang Berkembang

*Halaman 6*

> **Tujuan Halaman:** Pembelajar harus memahami bagaimana, setelah skala komputasi terbuka, model besar membantu sistem menghasilkan solusi kandidat terstruktur yang lebih kaya.

**Poin Pengajaran**

- Ingat tiga sumber baru generasi kandidat: eksplorasi paralel GPU, konstruksi terstruktur model besar, dan partisipasi model dalam pengkodean dan mutasi. Masing-masing menyelesaikan masalah pencarian paralel, generasi struktur kompleks, dan otomatisasi aturan mutasi.
- Sebelum memulai evolusi, tanyakan pada diri sendiri tiga pertanyaan: apa yang dapat diubah? apa yang dapat diobservasi? kriteria apa yang menentukan untuk dipertahankan? Jika ketiga pertanyaan ini tidak terjawab, evolusi akan kehilangan arah.
- Saat mengevaluasi, ikuti prinsip berlapis: evaluasi berbiaya rendah dijalankan secara paralel sebisa mungkin; evaluasi berbiaya tinggi didekati dengan model proxy. Dengan demikian dapat menyeimbangkan overhead komputasi dan presisi evaluasi, serta memperluas ruang kandidat yang dapat dieksplorasi.

Tujuan Halaman

Sistem tidak lagi hanya peduli "apakah dapat menghasilkan satu jawaban," melainkan lebih jauh bertanya "perubahan mana yang dapat dihasilkan, diobservasi, dipertahankan, dan diwariskan." Inti halaman ini adalah menempatkan tiga sumber baru — eksplorasi paralel GPU, konstruksi terstruktur model besar, partisipasi model dalam pengkodean dan mutasi — ke dalam pemahaman tentang definisi batas sebelum evolusi, evaluasi berlapis, penyimpanan hasil, dan lingkaran EvoX.

Urutan Penjelasan

Pertama jelaskan dengan "tiga sumber baru" dari mana kandidat berasal, lalu jelaskan tiga jenis batas yang harus jelas sebelum kandidat masuk evolusi, kemudian jelaskan bagaimana evaluasi berlapis, dan terakhir rangkai struktur yang dapat berevolusi, penyimpanan hasil, dan lingkaran EvoX. Dengan demikian siswa dapat terlebih dahulu melihat perluasan ruang kandidat, lalu memahami mengapa evolusi memerlukan arah, standar, dan memori.

Poin Pengajaran

1. Tiga sumber baru generasi kandidat

Sejumlah besar kemungkinan dieksplorasi secara bersamaan; generasi kandidat beralih dari trial-and-error serial ke pencarian ruang paralel. Misalnya, mengambil sampel ribuan titik secara bersamaan dalam ruang parameter dan mengevaluasinya secara paralel. Ini terutama menyelesaikan masalah "pencarian paralel."

Model besar mampu memahami bahasa alami dan kode, mengonstruksi solusi kandidat dengan struktur kompleks, bukan sekadar menghasilkan jawaban teks. Ia dapat menghasilkan program lengkap, kasus uji, atau konfigurasi sistem. Ini terutama menyelesaikan masalah "generasi struktur kompleks."

Pengkodean dan cara mutasi manual mulai melibatkan model dalam generasinya. Sumber kandidat diperluas dari aturan yang ditulis manusia menjadi aturan dan struktur yang dihasilkan model, misalnya meminta model mengusulkan operator mutasi atau strategi pengkodean baru. Ini terutama menyelesaikan masalah "otomatisasi aturan mutasi."

Ketiganya tidak saling menggantikan, melainkan bersama-sama memperluas sumber kandidat. Perluasan daya komputasi tidak hanya meningkatkan kecepatan generasi, tetapi juga mengubah esensi generasi kandidat.

2. Definisi batas sebelum masuk evolusi

Sebelum kandidat masuk evolusi, tiga pertanyaan harus dijawab terlebih dahulu:

Apakah yang dapat berevolusi adalah struktur kode, hyperparameter, atau seluruh arsitektur?

Bagaimana metrik seperti akurasi, latensi, konsumsi sumber daya didefinisikan dan dikumpulkan?

Biasanya diperlukan fungsi evaluasi multi-tujuan atau ambang batas.

Jika ketiga pertanyaan ini tidak terjawab, evolusi akan kehilangan arah. Oleh karena itu, definisi batas harus mendahului dimulainya evolusi.

3. Strategi evaluasi berlapis

Evaluasi perlu berlapis:

Evaluasi yang dapat diparalelkan dijalankan secara paralel sebisa mungkin.

Evaluasi berbiaya tinggi dikurangi dengan model proxy.

Misalnya, metrik kinerja sederhana dapat dihitung secara paralel di GPU; evaluasi mahal yang memerlukan interaksi lingkungan nyata didekati dengan model proxy. Dengan demikian, dalam daya komputasi terbatas, overhead komputasi dan presisi evaluasi dapat diseimbangkan, dan ruang kandidat yang dapat dieksplorasi diperluas.

4. Identifikasi struktur yang dapat berevolusi dan penyimpanan hasil

Perlu mengidentifikasi struktur mana dalam metode yang ada yang dapat terus berevolusi, bukan hanya menyesuaikan parameter numerik. Misalnya, menjadikan cara koneksi modul dalam jaringan saraf dan struktur alur kontrol kode sebagai objek yang dapat dimutasi. Pada saat yang sama, kode, pengujian, dan bukti verifikasi harus disimpan, agar pekerjaan putaran berikutnya tidak perlu dimulai dari awal dan menghindari kerja berulang.

5. Terhubung ke lingkaran EvoX

Model mengusulkan kandidat, alat menjalankan perubahan, lingkungan mengembalikan umpan balik, mekanisme evolusi menyelesaikan seleksi, Runtime mengatur komputasi, sistem persisten mewarisi hasil yang telah terverifikasi. Dengan demikian, komponen cerdas yang tersebar dapat terus terakumulasi, membentuk sistem yang terus berevolusi.

Petunjuk Materi

Diagram alur halaman ini dapat membantu siswa merangkai "tiga sumber baru → generasi kandidat → evaluasi → seleksi → persistensi" menjadi satu rantai. Saat menjelaskan, dapat menggunakan kalimat penutup dari gambar "Inti: perubahan mana yang dapat dihasilkan, diobservasi, dipertahankan, dan diwariskan," lalu mengarah ke "pergeseran kunci": dari "apakah dapat menghasilkan" ke "menghasilkan apa, bagaimana mengobservasi, bagaimana mempertahankan, bagaimana mewarisi."

Petunjuk Latihan

Latihan halaman ini terutama memeriksa apakah siswa dapat membedakan tiga sumber baru dan menjelaskan perannya dengan bukti atau contoh. Saat menangani, jangan berhenti pada hafalan istilah, tetapi minta siswa menyebutkan skenario konkret.

Jawaban yang wajar harus dapat mengaitkan "banyak kandidat dicari secara bersamaan, sampling dan evaluasi paralel," bukan mengubah semua faktor sekaligus untuk membandingkan hasil.

Jawaban yang wajar harus dapat memberikan contoh bahwa model besar dapat menghasilkan program, kasus uji, atau konfigurasi sistem, bukan sekadar jawaban teks.

Jawaban yang wajar harus dapat menjelaskan bahwa model dapat mengusulkan operator mutasi atau strategi pengkodean baru, sehingga sumber kandidat diperluas dari aturan manual menjadi aturan yang dihasilkan model.

Saat jawaban benar, minta siswa menambahkan satu contoh untuk membuktikan pemahaman; saat jawaban salah, arahkan kembali ke penjelasan halaman ini, temukan bukti atau contoh kunci sebelum menilai, hindari menyimpulkan hanya berdasarkan perasaan.

Penanganan Kasus

Kasus meminta penerapan konsep halaman ini pada "tugas optimasi yang terhubung ke EvoX."

Objek apa yang diizinkan untuk diubah, misalnya jenis lapisan jaringan, cara koneksi, hyperparameter, atau hanya parameter numerik; hasil apa yang dapat diobservasi, misalnya akurasi set validasi, latensi inferensi, jumlah parameter; kriteria apa yang menentukan untuk dipertahankan, misalnya ambang batas multi-tujuan atau skor berbobot.

Simpan kode, pengujian, dan bukti verifikasi yang telah teruji ke sistem persisten; putaran berikutnya dapat dimulai dari struktur yang telah terverifikasi, menghindari kerja berulang; model dapat mengusulkan kandidat baru berdasarkan struktur sukses historis, dan evaluasi paralel GPU juga dapat menggunakan kembali hasil yang ada, sehingga mempercepat lingkaran evolusi.

Pemeriksaan Pemahaman

Apakah dapat menyebutkan tiga sumber baru; apakah dapat menjawab tiga pertanyaan batas sebelum masuk evolusi; apakah dapat menjelaskan prinsip evaluasi berlapis; apakah dapat menjelaskan peran sistem persisten dalam mewarisi hasil. Jika siswa hanya mengingat istilah, dapat ditanya dengan contoh konkret, misalnya "dalam pencarian arsitektur jaringan saraf, objek apa yang diizinkan untuk diubah? metrik apa yang dapat diobservasi? hasil mana yang layak disimpan?"

Petunjuk Transisi

Setelah memastikan siswa dapat menjelaskan hubungan antara "tiga sumber baru, tiga jenis batas, evaluasi berlapis, lingkaran EvoX mewarisi hasil," barulah masuk ke halaman berikutnya tentang contoh soal, aplikasi, atau ringkasan.

<a id="lecture-page-7"></a>

### Perluasan Objek Evolusi dari Parameter Numerik ke Sistem Perangkat Lunak

*Halaman 7*

> **Tujuan Halaman:** Pembelajar harus memahami bahwa objek evolusi telah melampaui parameter numerik, meluas ke program, struktur model, mekanisme algoritma, dan keadaan rekayasa perangkat lunak.

> **Tujuan Halaman**
>
> Memahami bahwa objek evolusi telah meluas dari parameter numerik semata menjadi program, struktur model, mekanisme algoritma, bahkan keadaan rekayasa perangkat lunak; sekaligus memahami pergeseran pusat gravitasi dua tahap "generasi" dan "evaluasi," serta trade-off rekayasa yang menyertainya.

> **Urutan Penjelasan**
>
> Pertama kembali ke praktik tipikal komputasi evolusioner awal — objek yang berevolusi hampir semuanya parameter numerik, seperti learning rate, ukuran batch, kekuatan regularisasi, cara inisialisasi bobot. Pada saat itu ruang pencarian adalah sekumpulan angka, dan cara evaluasi adalah satu kali pelatihan ditambah satu kali validasi. Kemudian tunjukkan bahwa seiring peningkatan skala daya komputasi dan pematangan kemampuan model besar, objek yang dapat berevolusi meluas secara signifikan, membentuk rantai perluasan yang jelas: parameter numerik → program dan struktur model → keadaan rekayasa perangkat lunak dan kandidat tingkat sistem. Semakin ke kanan tingkatannya, semakin kuat daya ekspresinya, semakin banyak jenis perubahan yang dapat dicakup, dan evolusi tingkat sistem menjadi mungkin. Terakhir bermuara pada realitas rekayasa "beban evaluasi meningkat bersamaan," mengingatkan pembelajar: kandidat lebih banyak tidak berarti evolusi lebih baik; kuncinya adalah apakah perangkat eksekusi dan evaluasi ditingkatkan secara bersamaan.

**Poin Pengajaran**

- Tingkat pertama, parameter numerik. Kandidat adalah sekumpulan angka, murah untuk dihasilkan, cepat dievaluasi, biasanya satu kali pelatihan ditambah satu kali validasi sudah cukup untuk memberi skor. Tetapi ia hanya dapat menjawab "seberapa baik penyetelannya," tidak dapat menambahkan mekanisme yang memang hilang. Tingkat kedua, program dan struktur model. Kandidat adalah struktur jaringan, kombinasi operator, alur kerja prompt, atau patch kode; perubahannya mengubah "apa yang dapat dilakukan sistem," bukan hanya "seberapa akurat melakukannya." Cara evaluasi kemudian berubah menjadi eksekusi sandbox dan pengujian regresi. Tingkat ketiga, keadaan rekayasa perangkat lunak dan kandidat tingkat sistem. Kandidat adalah konfigurasi, versi dependensi, kontrak antarmuka, strategi deployment dan operasi, yang secara langsung menentukan apakah sistem dapat berjalan stabil dan dapat direproduksi. Cara evaluasi berubah menjadi perbandingan baseline dan pemeriksaan reproduktibilitas. Generasi menentukan seberapa besar ruang kandidat, evaluasi menentukan mana yang dapat bertahan. Ketika kandidat berubah dari angka menjadi program, "menghasilkan kandidat" justru bukan lagi hambatan — model besar dapat memproduksi struktur, mekanisme, dan patch secara massal
- Siapa yang dapat benar-benar menjalankan kandidat, siapa yang dapat menilai dalam biaya yang dapat diterima apakah ia layak dipertahankan. Isolasi sandbox eksekusi, pengujian regresi, perbandingan metrik baseline, batasan biaya dan risiko, pencatatan reproduktibilitas — inilah perangkat rekayasa yang digunakan untuk membatasi biaya, risiko, dan reproduktibilitas, sekaligus membuat perubahan dapat dipertahankan atau disingkirkan secara stabil. Menyamakan "kandidat lebih banyak" secara langsung dengan "evolusi lebih efektif." Peningkatan jumlah kandidat hanya memperluas cakupan pencarian
- Hanya ketika mekanisme eksekusi dan evaluasi cukup untuk menyaring perubahan tidak valid, kandidat yang lebih banyak akan berubah menjadi sistem yang lebih baik. Dengan kata lain, semakin kuat daya ekspresi, semakin berat beban evaluasi; manfaat dan biaya harus dilihat bersama.

**Penanganan Latihan**

Soal 1 menanyakan "perubahan paling inti dalam perluasan objek evolusi," jawaban yang benar adalah "dari hanya menyesuaikan parameter numerik, meluas ke program, struktur model, mekanisme algoritma, dan keadaan rekayasa perangkat lunak." Dapat diingatkan agar pembelajar menangkap "objek yang berevolusi itu sendiri mengalami lompatan tingkat," sedangkan pelatihan terdistribusi dan perubahan paradigma pembelajaran termasuk sarana implementasi.

Soal 2 menanyakan "mengapa kandidat lebih banyak tidak sama dengan evolusi lebih efektif," jawaban yang benar adalah "karena hanya ketika mekanisme eksekusi dan evaluasi dapat menyaring perubahan tidak valid, kandidat yang lebih banyak berubah menjadi sistem yang lebih baik." Poin umpan balik: jumlah kandidat memperluas cakupan pencarian; apakah perubahan efektif dapat dipertahankan bergantung pada apakah perangkat evaluasi seperti sandbox, pengujian regresi, dan baseline ditingkatkan secara bersamaan.

Soal 3 menanyakan "mengapa diperlukan sandbox, pengujian regresi, dan baseline," jawaban yang benar adalah "untuk menilai dalam biaya yang terkendali apakah kandidat efektif, apakah membawa risiko, dan apakah hasilnya dapat direproduksi." Dapat ditambahkan: kandidat adalah program yang dapat langsung dijalankan, jadi harus diisolasi terlebih dahulu, lalu diverifikasi dengan regresi, lalu dibandingkan dengan baseline.

Soal 4 menanyakan "pergeseran pusat gravitasi generasi dan evaluasi," jawaban yang benar adalah "seiring penguatan kemampuan model besar, masalah kunci bergeser dari bagaimana menghasilkan kandidat ke bagaimana mengeksekusi dan mengevaluasi serta mempertahankan perubahan efektif." Ingatkan pembelajar: peningkatan kemampuan generasi tetap menjadi prasyarat, tetapi kunci keberhasilan evolusi telah condong ke mekanisme eksekusi dan evaluasi.

Soal 5 menanyakan "setelah memperluas objek evolusi dari hyperparameter ke alur kerja prompt, apa yang paling perlu dilengkapi secara bersamaan," jawaban yang benar adalah "perangkat eksekusi dan evaluasi seperti sandbox, pengujian regresi, dan baseline, serta trade-off biaya, risiko, dan reproduktibilitas yang baik." Dapat ditanya lanjut: apa yang terjadi jika terus menumpuk kandidat? Beban evaluasi akan bertambah; jika kandidat dikompresi menjadi 1, maka makna pencarian hilang; kuncinya adalah meningkatkan mekanisme evaluasi.

Dapat digunakan skenario "layanan rekomendasi dari hyperparameter meluas ke patch kode" untuk mengorganisir diskusi. Pertanyaan pertama "mengapa produksi kandidat lebih cepat tetapi tingkat adopsi justru menurun," arahkan untuk menjelaskan dari pergeseran pusat gravitasi: generasi bukan lagi tahap paling ketat, hambatan berpindah ke eksekusi dan evaluasi; kandidat adalah program bukan angka, harus dijalankan terlebih dahulu di lingkungan terkendali, lalu diuji regresi dan dibandingkan dengan baseline, untuk menilai efektivitas, keamanan, dan reproduktibilitas. Pertanyaan kedua "perangkat rekayasa apa yang perlu dilengkapi, masing-masing membatasi jenis risiko apa," dapat dirangkum sebagai: isolasi sandbox eksekusi membatasi risiko "mencemari sistem, dependensi, atau lingkungan online yang ada"; pengujian regresi membatasi risiko "perubahan merusak fungsionalitas yang ada"; perbandingan metrik baseline membatasi risiko kesalahan penilaian "terlihat lebih baik tetapi sebenarnya tidak ada peningkatan";

kontrol anggaran biaya dan timeout membatasi risiko biaya "overhead evaluasi itu sendiri tidak terkendali"; pencatatan seed dan hasil membatasi risiko "hasil tidak dapat direproduksi." Secara keseluruhan, ini adalah trade-off antara daya ekspresi, biaya evaluasi, reproduktibilitas, dan keamanan, bukan sekadar mengejar jumlah kandidat.

**Pemeriksaan Pemahaman**

Minta pembelajar menceritakan ulang rantai perluasan dengan kata-kata sendiri, dan menjelaskan mengapa "setelah tingkat objek naik, perangkat evaluasi harus ditingkatkan secara bersamaan." Jika dapat sekaligus menjelaskan "generasi menentukan ruang kandidat, evaluasi menentukan siapa yang bertahan," maka mencapai persyaratan inti halaman ini.

> **Petunjuk Transisi**
>
> Setelah memastikan pembelajar dapat menyebutkan bentuk kandidat dan cara evaluasi dari tiga tingkat objek evolusi, dan dapat menggunakan kerangka "generasi—evaluasi—pertahankan/singkirkan" untuk menjelaskan mengapa kandidat lebih banyak tidak otomatis berarti evolusi lebih baik, barulah masuk ke halaman berikutnya tentang contoh soal, aplikasi, atau ringkasan.

<a id="lecture-page-8"></a>

### Kompleksitas Dunia Nyata dan Trade-off Multi-Tujuan

*Halaman 8*

> **Tujuan Halaman:** Pembelajar harus memahami bahwa dalam dunia nyata, berbagai tujuan saling membatasi, dan sistem tidak boleh terlalu cepat memberikan solusi optimal tunggal, melainkan harus mempertahankan solusi kandidat yang berbeda-beda.

**Poin Pengajaran**

- Tuliskan batas yang harus dipenuhi di paling depan, misalnya batas atas latensi end-to-end dan anggaran biaya per unit. Kandidat apa pun yang melanggar batas, meskipun salah satu metriknya sangat menonjol, tidak boleh dipertahankan; hanya kandidat yang berada dalam wilayah layak yang berhak ikut dalam perbandingan multi-tujuan.
- Saat membandingkan dua kandidat, lakukan penilaian berpasangan terlebih dahulu: apakah ada satu kandidat yang tidak lebih buruk pada semua tujuan dan lebih baik pada setidaknya satu tujuan. Jika ya, pihak yang secara keseluruhan dilampaui dapat disingkirkan; jika tidak, keduanya saling tidak mendominasi dan keduanya harus dipertahankan. Himpunan kandidat yang diperoleh dengan cara ini tidak akan kehilangan informasi trade-off.
- Mempertahankan sekelompok kandidat yang berbeda secara signifikan adalah agar tetap ada pilihan ketika skenario berubah atau prioritas disesuaikan. Konvergensi terlalu dini ke jawaban tunggal terlihat rapi dalam jangka pendek, tetapi begitu lingkungan atau kebutuhan berubah, sering kali harus membayar biaya eksplorasi ulang yang lebih besar.

> **Tujuan Halaman**
>
> Memahami bahwa optimasi multi-tujuan di dunia nyata jarang memiliki solusi optimal tunggal; memahami makna batasan keras, wilayah layak, solusi non-dominan, dan front Pareto; memahami mengapa EvoX harus mempertahankan sekelompok kandidat yang berbeda-beda, dan menempatkan daya penilaian peneliti di atas implementasi kode.
>
> Urutan penjelasan dan poin pengajaran:
>
> Sistem yang sama sering mengejar kinerja, latensi, konsumsi energi, dan biaya secara bersamaan; tujuan-tujuan ini saling membatasi. Meningkatkan akurasi sering menambah beban komputasi dan konsumsi energi, yang kemudian menaikkan latensi dan biaya; menekan latensi sering mengorbankan akurasi. Tidak ada peningkatan gratis, sehingga masalah optimasi nyata jarang memiliki hanya satu jawaban.
>
> Sumbu horizontal menunjukkan latensi, biaya, konsumsi energi; sumbu vertikal menunjukkan akurasi, kinerja. Titik pada kurva putus-putus adalah solusi non-dominan, membentuk front Pareto; titik abu-abu di bawah kurva adalah solusi terdominasi, dapat disingkirkan. Pada front, solusi latensi rendah akurasi rendah, solusi kompromi seimbang, dan solusi akurasi tinggi biaya tinggi semuanya harus dipertahankan, untuk dipilih oleh pengambil keputusan sesuai skenario. Konvergensi terlalu dini ke jawaban tunggal akan kehilangan informasi trade-off; begitu lingkungan atau prioritas berubah, harus membayar biaya eksplorasi ulang yang lebih besar.
>
> Tujuan dapat di-trade-off, batasan adalah batas yang tidak boleh dilanggar. Batas atas latensi end-to-end, anggaran biaya inferensi per unit, batas atas memori GPU dan konsumsi daya, dan sebagainya, harus ditentukan terlebih dahulu. Kandidat yang melanggar batas, meskipun salah satu metriknya sangat menonjol, tidak boleh masuk perbandingan; hanya kandidat yang berada dalam wilayah layak yang berhak ikut dalam perbandingan multi-tujuan.
>
> Jika satu kandidat tidak lebih buruk dari yang lain pada semua tujuan, dan lebih baik pada setidaknya satu tujuan, maka yang lain adalah solusi terdominasi dan dapat disingkirkan; jika keduanya saling tidak mendominasi, keduanya harus dipertahankan. Semua kandidat yang saling tidak mendominasi jika dihubungkan membentuk front Pareto, yang sepenuhnya mempertahankan hubungan pertukaran "berapa banyak yang harus dikorbankan pada satu hal untuk memperbaiki hal lain."
>
> Objek apa yang dapat diubah? Umpan balik apa yang dapat menunjukkan perubahan itu efektif? Batasan mana yang tidak boleh dilanggar? Apakah perbandingannya adil? Apakah hasilnya cukup untuk mendukung kesimpulan? Apa yang dipertahankan dan apa yang dilepaskan di putaran berikutnya? Pertanyaan-pertanyaan ini secara langsung menentukan ruang pencarian, sinyal evaluasi, wilayah layak, dan aturan penyingkiran.
>
> Kemampuan generasi dapat mempercepat realisasi jawaban, tetapi apakah pertanyaannya layak dijawab, apakah buktinya dapat dipercaya, apakah hasilnya cukup baik — tetap harus diputuskan oleh peneliti. Kode itu murah; selera dan daya penilaianlah yang langka; yang ingin dibangun EvoX adalah infrastruktur yang dapat masuk ke lingkungan nyata, menerima umpan balik nyata, dan dalam operasi jangka panjang menghasilkan, memverifikasi, serta mempertahankan perbaikan.

**Cakupan Kata Kunci**

- Trade-off multi-tujuan, batasan keras, wilayah layak, solusi non-dominan, solusi terdominasi, front Pareto, kandidat yang berbeda-beda, konvergensi dini, perbandingan yang adil, daya penilaian.

**Penanganan Latihan**

Pilihan yang benar untuk soal 1 adalah "beberapa tujuan saling membatasi, memperbaiki salah satunya sering mengorbankan yang lain." Poin umpan balik: kinerja, latensi, konsumsi energi, dan biaya saling tarik-menarik; inilah akar trade-off multi-tujuan.

Pilihan yang benar untuk soal 2 adalah "kehilangan informasi trade-off antar kandidat, pengambil keputusan tidak dapat membandingkan manfaat dan biaya." Jika salah, ingatkan untuk memahami konvergensi dini dari "kehilangan informasi," bukan "kecepatan komputasi."

Pilihan yang benar untuk soal 3 adalah "tidak lebih buruk dari kandidat lain pada semua tujuan, dan lebih unggul pada setidaknya satu tujuan, sehingga tidak dapat dilampaui secara keseluruhan." Poin umpan balik: non-dominan bukan berarti terbaik pada satu hal, melainkan tidak dapat dilampaui secara keseluruhan.

Pilihan yang benar untuk soal 4 adalah "pertama tentukan batasan mana yang tidak boleh dilanggar, dan jadikan itu sebagai batas yang harus dipenuhi solusi kandidat." Poin umpan balik: batasan keras adalah batas, bukan chip tawar; pelanggar batas latensi atau biaya tidak boleh masuk himpunan kandidat.

Pilihan yang benar untuk soal 5 adalah "menilai masalah apa yang layak dijawab, bukti apa yang layak dipercaya, hasil apa yang cukup baik." Poin umpan balik: generasi dapat diotomatisasi, tetapi pemilihan masalah, penilaian bukti, dan standar cukup baik harus dijaga oleh peneliti.

Penanganan studi kasus:

Model rekomendasi diluncurkan, persyaratan kerasnya adalah latensi end-to-end tidak melebihi 80 milidetik dan biaya inferensi per unit tidak melebihi anggaran; kandidat meliputi model besar akurasi tinggi, model kecil latensi rendah, dan model distilasi di tengah.

Tidak boleh hanya mengirimkan yang akurasinya tertinggi, karena mungkin melanggar batasan keras; bahkan jika memenuhi batasan, solusi tunggal menyembunyikan hubungan pertukaran antara akurasi dan biaya, serta latensi. Harus mengeluarkan sekelompok kandidat non-dominan pada front Pareto.

Dapat ditanya lanjut tentang objek yang dapat diubah, umpan balik yang efektif, batasan yang tidak boleh dilanggar, keadilan perbandingan, kecukupan kesimpulan, apa yang dipertahankan dan dilepaskan di putaran berikutnya. Alurnya adalah menyingkirkan pelanggar batasan keras terlebih dahulu, lalu menyingkirkan solusi terdominasi, mempertahankan kandidat yang saling tidak mendominasi dan berbeda secara signifikan, untuk menghadapi perubahan prioritas.

Minta siswa menjelaskan dengan contoh kehidupan atau rekayasa bahwa "memperbaiki satu hal sering memerlukan pengorbanan hal lain," lalu tentukan mana yang merupakan batasan keras dan mana yang merupakan tujuan yang dapat di-trade-off. Pilih satu siswa secara acak untuk menjelaskan front Pareto dengan kata-katanya sendiri; guru melengkapi kata kunci yang terlewat. Jika siswa dapat membedakan tujuan dan batasan, non-dominan dan terdominasi, serta menyebutkan alasan mempertahankan kandidat yang berbeda, maka dapat lanjut ke halaman berikutnya; jika tidak, kembali ke diagram dan definisi penilaian untuk menjelaskan ulang.

> **Petunjuk Transisi**
>
> Setelah memastikan siswa dapat menjawab "mengapa dunia nyata sulit memiliki solusi optimal tunggal" dan "mengapa EvoX mempertahankan sekelompok kandidat yang berbeda-beda," barulah masuk ke halaman berikutnya tentang contoh soal, aplikasi, atau ringkasan.

<a id="lecture-page-9"></a>

### Perbaikan Diri Metode Penyelesaian dan Evolusi Algoritma

*Halaman 9*

> **Tujuan Halaman:** Pembelajar harus memahami bahwa algoritma evolusioner tradisional jarang mengubah metode yang menghasilkan solusi kandidat, sedangkan evolusi yang tersistematisasi dapat membuat algoritma penyelesaian itu sendiri masuk ke proses pencarian.

> **Tujuan Halaman**
>
> Memahami paradigma default algoritma evolusioner tradisional "metode tetap, solusi kandidat berevolusi," dan dapat menjelaskan bagaimana evolusi algoritma menjadikan metode penyelesaian itu sendiri sebagai objek yang dapat dicari, dievaluasi, dan digantikan.

> **Urutan Penjelasan**
>
> Pertama tunjukkan pengaturan default — yang berevolusi adalah solusi kandidat, sedangkan metode yang menghasilkan solusi kandidat tetap tidak berubah; lalu gunakan diagram perbandingan untuk menjelaskan "lapisan solusi bergerak, lapisan metode tidak bergerak"; kemudian jelaskan sirkuit umpan balik kedua yang ditambahkan evolusi algoritma; terakhir bermuara pada pergeseran kunci: dari "menggunakan algoritma tetap untuk mencari solusi lebih baik" meluas ke "membiarkan algoritma memperbaiki dirinya sendiri dalam proses penyelesaian."

**Poin Pengajaran**

- 1. Dalam paradigma default, cara persilangan, strategi mutasi, dan hyperparameter biasanya dipilih sekali sebelum dijalankan, dan setelah itu seluruh putaran pencarian tidak diubah lagi. Mereka secara langsung menentukan bagaimana solusi kandidat dihasilkan, dan secara signifikan memengaruhi hasil penyelesaian, tetapi lapisan metode itu sendiri tidak menerima umpan balik. Solusi kandidat → evaluasi → seleksi → warisan. Masalahnya, lapisan metode tidak bergerak, sehingga setelah tugas berubah, mekanisme generasi mungkin secara bertahap tidak cocok dengan tugas baru. 3. Penyetelan parameter manual diputuskan oleh manusia; setelah diubah, metode dikunci kembali, kecepatan dan cakupan perbaikan terbatas pada pengalaman manusia. Memperbesar populasi dan menambah jumlah iterasi hanya memperpanjang pencarian dalam metode yang sama, tanpa menyentuh lapisan metode. Menjadikan elemen metode seperti cara persilangan, strategi mutasi, dan hyperparameter sebagai objek yang dapat dikandidatkan, dievaluasi, dan digantikan, bersama solusi kandidat menjalani verifikasi kinerja penyelesaian. Elemen metode → menghasilkan solusi kandidat → evaluasi kinerja penyelesaian → pertahankan atau gantikan → pembaruan metode
- Pada saat yang sama, di dalam solusi kandidat tetap berjalan "generasi → evaluasi → seleksi → warisan." Yang pertama mengubah "bagaimana mencari," yang kedua mengubah "apa yang ditemukan." 6. Untuk menilai apakah suatu sistem benar-benar melakukan evolusi algoritma, kuncinya adalah apakah elemen metode telah dimasukkan ke dalam pencarian, dan apakah kelangsungannya ditentukan oleh kinerja penyelesaian, bukan diprogram mati sekali oleh manusia.

> **Petunjuk Materi**
>
> - Diagram perbandingan memiliki dua tingkat — di atas adalah lapisan metode, di bawah adalah lapisan solusi. Diagram kiri menunjukkan lapisan metode terkunci, hanya lapisan solusi yang bergerak
> - Diagram kanan menambahkan panah oranye, dari "evaluasi kinerja penyelesaian" menunjuk kembali ke lapisan metode; inilah sirkuit perbaikan tambahan dari evolusi algoritma.

**Penanganan Latihan**

Soal 1 menguji paradigma default. Arah yang benar adalah "metode pencarian tetap tidak berubah, hanya solusi kandidat yang berubah dalam iterasi." Jika siswa salah memilih, ingatkan untuk kembali ke struktur dua lapisan dan periksa apakah lapisan metode juga dianggap sebagai objek yang berevolusi.

Soal 2 menguji elemen mekanisme generasi. Jawaban yang benar adalah strategi mutasi, cara persilangan, dan hyperparameter. Saat umpan balik dapat ditanya: "Bagaimana solusi baru dibuat?" untuk menyingkirkan gangguan seperti perangkat keras, penomoran, pembagian dataset.

Penyetelan parameter manual dilakukan oleh manusia; elemen metode tidak dievaluasi dan digantikan secara otomatis berdasarkan kinerja penyelesaian. Jika salah, ingatkan siswa untuk memperhatikan "siapa yang mengubah, berdasarkan apa mengubahnya."

Dari "menggunakan algoritma tetap untuk mencari solusi lebih baik" meluas ke "membiarkan algoritma memperbaiki dirinya sendiri dalam proses penyelesaian." Dapat diingatkan siswa untuk memperhatikan dua ujung pergeseran: satu ujung adalah algoritma tetap, ujung lain adalah algoritma yang akan diperbaiki.

Soal 5 menguji manifestasi metode yang masuk ke pencarian. Jawaban yang benar adalah menjadikan cara persilangan, strategi mutasi, dan sebagainya sebagai objek yang dapat dicari, yang dikandidatkan, dievaluasi, dan digantikan berdasarkan kinerja penyelesaian. Harus dijelaskan: hanya memperbesar populasi, menambah iterasi, atau mengganti fungsi evaluasi, tetap mengubah metode tetap yang sama.

Tim menggunakan paradigma default; metode dikunci sebelum dijalankan. Setelah struktur pesanan, jumlah peralatan, dan aturan tenggat berubah, metode yang terkunci tidak menerima umpan balik, dan solusi kandidat semakin tidak cocok dengan tugas baru. Perbedaan mekanismenya adalah: penyetelan parameter manual dinilai oleh manusia, dan setelah diubah dikunci kembali; evolusi algoritma menempatkan elemen metode ke dalam pencarian, dan kinerja penyelesaian secara otomatis menentukan kelangsungannya.

Elemen yang dapat dimasukkan ke dalam pencarian meliputi cara persilangan, strategi mutasi, hyperparameter; dapat juga mempertimbangkan tekanan seleksi, kondisi aktivasi pencarian lokal, dan sebagainya; sinyal evaluasi dapat menggunakan hasil berbobot seperti keterlambatan tenggat, jumlah pergantian lini, utilisasi peralatan dalam tugas penjadwalan nyata, dan sebisa mungkin dibandingkan pada kumpulan instance tugas yang sama; pertahankan kombinasi metode yang berkinerja baik, singkirkan yang buruk, sekaligus pertahankan sedikit gangguan acak untuk menjaga keragaman; alur lingkarannya adalah elemen metode → menghasilkan solusi kandidat → evaluasi kinerja penyelesaian → pertahankan atau gantikan → pembaruan metode, lalu kembali ke tahap generasi, sementara di dalam solusi kandidat tetap berlanjut iterasi biasa.

**Pemeriksaan Pemahaman**

Minta siswa menceritakan ulang dengan kata-kata sendiri perbedaan antara "lapisan solusi bergerak, lapisan metode tidak bergerak" dan "lapisan metode juga masuk ke pencarian"; lalu minta siswa menuliskan lima langkah lingkaran secara langsung; jika "evaluasi" atau "penggantian" hilang, berarti metode belum benar-benar memperbaiki diri.

> **Petunjuk Transisi**
>
> Setelah memastikan siswa dapat membedakan "penyetelan parameter" dan "evolusi algoritma," dan dapat menyebutkan kriteria penilaian bahwa elemen metode dimasukkan ke dalam pencarian serta kelangsungannya ditentukan oleh kinerja penyelesaian, barulah masuk ke halaman berikutnya tentang contoh soal, aplikasi, atau ringkasan.

<a id="lecture-page-10"></a>

### MetaDE: Arsitektur Bersarang Algoritma Mengoptimalkan Algoritma

*Halaman 10*

> **Tujuan Halaman:** Pembelajar harus memahami bagaimana MetaDE mengimplementasikan penggunaan algoritma evolusioner untuk memperbaiki algoritma evolusioner melalui differential evolution dua lapis dalam dan luar.

> **Tujuan Halaman**
>
> Memahami bagaimana MetaDE menggunakan differential evolution bersarang untuk mengimplementasikan "algoritma mengoptimalkan algoritma": lapisan luar mengevolusikan konfigurasi algoritma, lapisan dalam menyelesaikan tugas aktual.

> **Urutan Penjelasan**
>
> 1. Pertama lanjutkan dari lingkaran "generasi—evaluasi—seleksi—warisan" kuliah sebelumnya, tunjukkan bahwa halaman ini mendorongnya satu lapisan lebih dalam: bukan hanya membiarkan algoritma menyelesaikan masalah, tetapi membiarkan algoritma memperbaiki algoritma.
>
> DE lapisan dalam (lapisan tugas) memelihara populasi solusi kandidat, menjalankan mutasi, persilangan, seleksi, dan mengeluarkan kinerja tugas; individu DE lapisan luar (lapisan meta) bukan solusi tugas, melainkan satu set konfigurasi "strategi mutasi + parameter," seperti cara mutasi, faktor skala, probabilitas persilangan.
>
> Lapisan luar menghasilkan konfigurasi→dikirim ke lapisan dalam→lapisan dalam berjalan dan mengembalikan umpan balik kinerja→lapisan luar mempertahankan dan merekombinasi konfigurasi yang lebih baik, lalu masuk ke putaran berikutnya. Dapat dirangkum sebagai "konfigurasi luar→penyelesaian dalam→kinerja tugas→pembaruan luar."
>
> Strategi dan parameter algoritma lapisan dalam tidak lagi ditetapkan sekali oleh manusia lalu dikunci, melainkan terus ditulis ulang seiring pencarian lapisan luar; algoritma dengan demikian memperoleh saluran perbaikan diri.
>
> Setiap evaluasi lapisan luar harus menjalankan lapisan dalam secara penuh; evaluasi bersarang akan memperbesar overhead; paralelisasi GPU dapat mengevaluasi beberapa set konfigurasi secara bersamaan, memampatkan waktu wall-clock satu iterasi lapisan luar, dan menjadi prasyarat agar arsitektur ini dapat digunakan. Jika sumber daya tidak mencukupi, prioritaskan memperkecil skala lapisan luar atau menurunkan presisi evaluasi lapisan dalam, bukan memperluas pencarian secara membabi buta.

**Poin Pengajaran**

- Lapisan luar mengubah algoritma, lapisan dalam menyelesaikan tugas. Melihat "strategi mutasi, konfigurasi parameter, skema algoritma" pikirkan lapisan luar
- Apakah objek yang diubah adalah algoritma atau solusi? MetaDE tidak sama dengan penyetelan parameter manual atau grid search sekali jalan. Penyetelan parameter manual adalah trial-and-error sekali di luar loop oleh manusia
- MetaDE memasukkan konfigurasi ke dalam lingkaran evolusi; konfigurasi terus dihasilkan, dievaluasi, dan direkombinasi; objek pencariannya adalah kombinasi "strategi + parameter." Berapa set konfigurasi yang harus dievaluasi lapisan luar setiap putaran? Seberapa mahal satu evaluasi lapisan dalam? Berapa banyak sumber daya percepatan yang tersedia? Jika waktu wall-clock tidak dapat dikompresi ke rentang yang dapat diterima melalui paralelisasi, perkecil dulu skala lapisan luar atau turunkan presisi evaluasi lapisan dalam, baru pertimbangkan memperluas pencarian.

**Penanganan Latihan**

5 soal pilihan ganda halaman ini dapat digunakan untuk memeriksa pembagian tugas dua lapisan dan kesadaran biaya. Soal 1 pilih "mengiterasi solusi kandidat pada tugas optimasi konkret dan memberikan kinerja tugas," menekankan bahwa lapisan dalam adalah lapisan tugas. Soal 2 pilih "satu set strategi mutasi dan konfigurasi parameter DE lapisan dalam," menekankan bahwa individu lapisan luar adalah konfigurasi bukan solusi tugas. Soal 3 pilih "umpan balik kinerja yang diperoleh setelah lapisan dalam berjalan pada tugas," sesuai saluran naik lingkaran. Soal 4 pilih "evaluasi bersarang melipatgandakan overhead komputasi, paralelisasi dapat memampatkan biaya waktu pencarian lapisan meta," perhatikan bahwa paralelisasi mengurangi waktu wall-clock bukan total komputasi. Soal 5 pilih "MetaDE memasukkan konfigurasi algoritma ke dalam lingkaran evolusi, konfigurasi akan terus dihasilkan, dievaluasi, dan direkombinasi," membedakannya dari penyetelan parameter manual.

Penanganan kasus:

Ruang pencarian lapisan luar adalah "himpunan konfigurasi algoritma," termasuk strategi mutasi dan faktor skala, probabilitas persilangan, dan parameter lainnya; proses penyelesaian lapisan dalam adalah memelihara solusi kandidat pada tugas optimasi jalur tetap, menjalankan evolusi, dan mengeluarkan kualitas jalur. Nilai memasukkan strategi mutasi ke evolusi lapisan luar terletak pada objek pencarian yang meluas dari nilai numerik ke kombinasi "strategi + parameter," yang dapat secara otomatis mengganti strategi sesuai struktur tugas atau tahap pencarian, mengurangi suboptimalitas dan trial-and-error berulang akibat memfiksasi satu strategi secara manual.

Evaluasi batch paralel beberapa set konfigurasi, memampatkan waktu wall-clock iterasi lapisan luar; evaluasi bertingkat, pertama saring kasar dengan populasi lebih kecil atau iterasi lebih sedikit, lalu evaluasi penuh konfigurasi yang menonjol; batasi cakupan pencarian, batasi populasi dan jumlah iterasi lapisan luar, dan cache konfigurasi yang sudah dievaluasi. Trade-off-nya: semakin kasar evaluasi lapisan dalam, semakin besar noise umpan balik, mungkin memilih konfigurasi yang unggul secara kebetulan; semakin tinggi paralelisme, semakin besar overhead memori GPU dan penjadwalan; paralelisasi tidak mengurangi total komputasi, hanya memampatkan waktu wall-clock, sehingga perlu keseimbangan antara presisi evaluasi, luas pencarian, dan anggaran perangkat keras.

**Pemeriksaan Pemahaman**

Dapat meminta siswa secara acak merangkum dalam satu kalimat "siapa yang mengubah algoritma, siapa yang menyelesaikan tugas," dan memberikan contoh menentukan apakah suatu elemen termasuk lapisan luar atau lapisan dalam, misalnya "faktor skala" termasuk lapisan luar, "kualitas jalur" termasuk lapisan dalam. Jika siswa dapat menjelaskan alasannya, lanjut ke halaman berikutnya tentang aplikasi atau ringkasan.

> **Petunjuk Transisi**
>
> Setelah memastikan siswa dapat menyebutkan lingkaran "konfigurasi luar→penyelesaian dalam→umpan balik kinerja→pembaruan luar," barulah masuk ke halaman berikutnya tentang contoh soal, aplikasi, atau ringkasan.

<a id="lecture-page-11"></a>

### Arsitektur Sistem Lingkaran Evolusi EvoX

*Halaman 11*

> **Tujuan Halaman:** Pembelajar harus memahami bagaimana EvoX membangun infrastruktur lingkaran evolusi yang lengkap antara kemampuan model dan kemampuan sistem.

**Poin Pengajaran**

- Model menghasilkan kemungkinan → lingkungan memberikan umpan balik → sistem mengevaluasi dan memilih → warisan. Saat menghadapi soal tentang EvoX, pertama tentukan peran langkah ini dalam lingkaran: menghasilkan kemungkinan, memberikan verifikasi, membuat pilihan, atau mempertahankan hasil.
- Jika suatu pilihan menggambarkan EvoX sebagai "model yang lebih besar" atau "panggilan tunggal yang lebih cepat," pada dasarnya dapat dipastikan itu adalah pengganggu. EvoX menggambarkan mekanisme operasi antar komponen: bagaimana generasi, umpan balik, evaluasi, seleksi, dan warisan terhubung dan berputar.
- Umpan balik yang terdistorsi, standar evaluasi yang menyimpang dari tujuan, mekanisme warisan yang mempertahankan hal yang salah — jika salah satu dari ketiganya bermasalah, penyimpangan akan diwarisi dan diperbesar berulang kali dalam siklus. Saat mengulang, gunakan tiga pertanyaan untuk memeriksa diri: apakah umpan baliknya nyata? apakah evaluasinya sesuai tujuan? apakah warisan mempertahankan hal yang benar?

【Tujuan Halaman】

Model besar sudah dapat menulis kode, mengajukan hipotesis, dan memberikan solusi; mengapa masih memerlukan keseluruhan sistem? Pembelajar harus memahami bagaimana EvoX membangun infrastruktur lingkaran evolusi yang lengkap antara kemampuan model dan kemampuan sistem, menguasai empat tahap lingkaran beserta urutannya, makna arsitektur, mekanisme akumulasi berkelanjutan, sumber pemikiran, dan risikonya.

【Urutan Penjelasan】

Generasi tunggal tidak dapat membuktikan kebenarannya sendiri, dan sulit tetap efektif ketika lingkungan dan model terus berubah. Posisi EvoX adalah menjembatani kemampuan model dan kemampuan sistem, mengorganisir hasil generasi satu per satu menjadi kemampuan yang dapat diverifikasi, dipilih, dan dipertahankan. Selanjutnya jelaskan empat tahap lingkaran: model menghasilkan kemungkinan → lingkungan memberikan umpan balik → sistem mengevaluasi dan memilih → warisan. Kemudian jelaskan makna arsitektur: EvoX bukan algoritma titik tunggal, juga bukan hanya sekali pemanggilan, melainkan mekanisme sistem yang dapat digunakan ulang. Lalu jelaskan akumulasi berkelanjutan dan kaitannya dengan sumber "mesin anak-anak" Turing 1950, terakhir ingatkan bahwa lingkaran juga dapat memperbesar penyimpangan.

【Poin Pengajaran】

Model pandai memberikan "kemungkinan" dalam satu panggilan — sebuah hipotesis, sepotong kode, sebuah rencana. Tetapi kemungkinan tidak sama dengan kesimpulan: apakah hasilnya berlaku harus dibuktikan oleh lingkungan nyata; setelah lingkungan memberikan hasil, siapa yang menilai mana yang lebih baik, apa yang dipertahankan, apa yang disingkirkan, dan siapa yang membawa bagian yang dipertahankan ke putaran berikutnya — tahap-tahap ini tidak ditanggung oleh model itu sendiri. EvoX ditujukan justru untuk kekosongan "setelah generasi" ini, mengubah hasil generasi menjadi kemampuan sistem yang dapat terakumulasi.

2. Empat tahap lingkaran:

Model memberikan solusi kandidat, hipotesis, atau kode; yang ditawarkan adalah kemungkinan, bukan kesimpulan.

Eksperimen, simulasi, atau eksekusi nyata mengembalikan hasil yang dapat diobservasi, membiarkan kandidat menjalani verifikasi realitas.

Sistem membandingkan kandidat berdasarkan tujuan dan batasan, menilai baik-buruk, menentukan mana yang dapat dipertahankan.

Strategi, parameter, atau komponen yang terpilih masuk ke putaran evolusi berikutnya, menjadi titik awal baru.

Model menghasilkan kemungkinan → lingkungan memberikan umpan balik → sistem mengevaluasi dan memilih → warisan → kembali ke model menghasilkan kemungkinan baru. Selama lingkaran berjalan, setiap putaran tidak perlu dimulai dari nol. Kunci urutannya adalah: umpan balik harus terjadi sebelum evaluasi, evaluasi harus terjadi sebelum warisan. Jika tidak, evaluasi akan kekurangan dasar, dan warisan juga kekurangan dasar.

Mengorganisir generasi, eksekusi umpan balik, evaluasi, seleksi, dan warisan menjadi arsitektur sistem yang dapat digunakan ulang adalah perbedaan mendasar EvoX dari algoritma titik tunggal dan panggilan tunggal. Algoritma titik tunggal peduli "bagaimana langkah ini dihitung," panggilan tunggal peduli "apakah jawaban kali ini benar"; EvoX peduli "apakah mekanisme ini dapat berjalan putaran demi putaran, dan semakin baik setiap putarannya." Oleh karena itu ia menggambarkan antarmuka antar komponen, standar evaluasi, dan aturan warisan, bukan sekadar parameter suatu model atau jawaban satu tanya-jawab.

Dalam lingkaran, strategi yang lulus evaluasi diwariskan, yang tidak lulus disingkirkan atau diperbaiki. Komponen cerdas seperti generator, simulator, dan evaluator yang tersebar di berbagai tahap dengan demikian berbagi satu "catatan kelangsungan" yang sama: kemampuan mereka bertumpuk dalam evolusi multi-putaran, bukan direset setiap putaran. Inilah kunci lingkaran yang menggabungkan komponen tersebar menjadi kemampuan yang terakumulasi secara berkelanjutan.

"Mesin anak-anak" Turing 1950. Sejak tahun 1950, Turing telah mengajukan gagasan "mesin anak-anak": mesin seperti anak kecil, melalui pendidikan, eksperimen, dan reward-punishment, secara bertahap memperoleh kemampuan dalam interaksi dengan lingkungan. EvoX dapat dilihat sebagai perpanjangan tersistematisasi dari gagasan ini dalam praktik riset ilmiah AI Native — pendidikan sesuai dengan generasi dan bimbingan, eksperimen sesuai dengan umpan balik lingkungan, reward-punishment sesuai dengan evaluasi seleksi, pertumbuhan sesuai dengan warisan dan akumulasi.

Lingkaran juga memperbesar penyimpangan. Efek lingkaran tidak otomatis berarti lebih baik. Ia bergantung pada konsistensi kualitas tiga tahap: apakah umpan balik lingkungan nyata, apakah standar evaluasi sesuai tujuan, apakah mekanisme warisan mempertahankan hal yang benar. Jika umpan balik terdistorsi atau definisi tujuan menyimpang, kesalahan tidak akan hilang sendiri, melainkan akan diperbesar putaran demi putaran dalam siklus. Merancang lingkaran pada dasarnya adalah merancang aturan evaluasi dan warisan. Saat mengulang, gunakan tiga pertanyaan untuk memeriksa diri: apakah umpan baliknya nyata? apakah evaluasinya sesuai tujuan? apakah warisan mempertahankan hal yang benar?

【Cakupan Kata Kunci】

Sistem lingkaran evolusi, lapisan jembatan EvoX, model menghasilkan kemungkinan, lingkungan memberikan umpan balik, sistem mengevaluasi dan memilih, warisan, kemampuan sistem yang dapat terakumulasi, mesin anak-anak, distorsi umpan balik, standar evaluasi, mekanisme warisan, pembesaran penyimpangan, riset ilmiah AI Native.

【Petunjuk Latihan】

Halaman ini dilengkapi 5 soal pilihan ganda dan 1 kasus, untuk menguji pemahaman tentang urutan lingkaran, makna arsitektur, gagasan Turing, dan risiko.

【Penanganan Latihan】

Apa alasan mendasar mengapa EvoX diperlukan?

Model besar kuat dalam generasi tunggal, tetapi kurang pembawa lingkaran yang mengubah hasil generasi menjadi kemampuan sistem yang dapat terakumulasi.

Bagaimana hasil diverifikasi, dievaluasi, dan diwariskan dalam lingkungan. EvoX menyediakan justru pembawa lingkaran ini. Jika siswa salah memilih opsi seperti "kemampuan generasi kurang," ingatkan bahwa soal menanyakan "mengapa memerlukan sistem," bukan "di mana model salah menghitung."

Apa urutan yang benar dari empat tahap dalam lingkaran evolusi EvoX?

Model menghasilkan kemungkinan → lingkungan memberikan umpan balik → sistem mengevaluasi dan memilih → warisan.

Pertama menghasilkan kemungkinan, lalu lingkungan memberikan umpan balik, kemudian sistem mengevaluasi dan memilih, terakhir mewariskan bagian yang efektif ke putaran berikutnya; ujung dan pangkal terhubung membentuk lingkaran. Umpan balik harus terjadi sebelum evaluasi, evaluasi harus terjadi sebelum warisan.

"EvoX adalah arsitektur sistem" — penjelasan yang paling akurat adalah:

EvoX adalah desain keseluruhan yang mengorganisir generasi, eksekusi umpan balik, evaluasi, seleksi, dan warisan menjadi mekanisme yang dapat digunakan ulang.

Makna arsitektur terletak pada antarmuka antar komponen, standar evaluasi, dan aturan warisan, serta apakah mekanisme ini dapat berjalan stabil putaran demi putaran. Perhatikan perbedaan antara "algoritma titik tunggal/panggilan tunggal" dan "arsitektur sistem": yang pertama menyelesaikan satu langkah atau satu kali, yang kedua menyelesaikan apakah mekanisme dapat terus beroperasi.

Apa inti yang ditekankan oleh gagasan "mesin anak-anak" yang diajukan Turing pada tahun 1950?

Mesin secara bertahap memperoleh kemampuan melalui pendidikan, eksperimen, dan reward-punishment dalam interaksi dengan lingkungan.

Pendidikan memberikan arah, eksperimen memberikan verifikasi, reward-punishment membentuk tekanan seleksi. Ini bukan penanaman pengetahuan sekali jalan, melainkan membiarkan mesin seperti anak kecil secara bertahap memperoleh kemampuan dalam lingkungan.

Jika umpan balik lingkungan terdistorsi dan standar evaluasi menyimpang dari tujuan nyata, konsekuensi apa yang paling mungkin terjadi pada lingkaran evolusi?

Kesalahan akan diwarisi berulang kali dalam siklus dan diperbesar putaran demi putaran.

Lingkaran akan dengan setia memperbesar sinyal yang diterimanya, termasuk sinyal kesalahan. Kualitas umpan balik, standar evaluasi, dan konsistensi mekanisme warisan adalah prasyarat lingkaran yang efektif. Ciri lingkaran adalah "penggunaan berulang": hasil putaran sebelumnya masuk ke putaran berikutnya, sehingga penyimpangan tidak akan sembuh sendiri, melainkan mungkin diwarisi berulang kali dan semakin membesar.

【Penanganan Kasus】

Satu putaran evolusi dalam riset ilmiah AI Native. Kelompok peneliti mencari formula yang layak untuk katalis jenis baru: model besar menghasilkan 20 formula kandidat berdasarkan literatur; dimasukkan ke lingkungan simulasi dan platform eksperimen kecil, mengukur aktivitas dan stabilitas serta mencatat penyebab kegagalan; sistem mengurutkan berdasarkan "aktivitas × stabilitas ÷ biaya" dan batasan keamanan, mempertahankan 5 teratas, dan merapikan penyebab kegagalan ke dalam basis pengalaman; putaran berikutnya, model menghasilkan sekumpulan kandidat baru berdasarkan 5 formula yang dipertahankan dan semua penyebab kegagalan. Tim menemukan bahwa tanpa mencatat penyebab kegagalan, kualitas kandidat stagnan setelah putaran ketiga; setelah penyebab kegagalan dimasukkan sebagai dasar generasi putaran berikutnya, kelayakan kandidat meningkat signifikan.

Tahap mana yang bertanggung jawab untuk "membiarkan kemungkinan menjalani verifikasi realitas"? Jika tahap ini dihilangkan, lingkaran akan merosot menjadi bentuk apa?

Lingkungan simulasi dan platform eksperimen kecil mengembalikan hasil pengukuran nyata seperti aktivitas dan stabilitas, serta mencatat penyebab kegagalan satu per satu. Setelah tahap ini dihilangkan, sistem hanya dapat mengevaluasi kandidat berdasarkan penilaian model itu sendiri; lingkaran merosot menjadi "generasi—evaluasi diri—generasi" yang berputar kosong: kualitas kandidat tidak lagi dibatasi oleh realitas, kegagalan tidak dapat dijelaskan, dan kesimpulan putaran sebelumnya tidak dapat diverifikasi.

Setelah penyebab kegagalan dimasukkan sebagai dasar generasi putaran berikutnya, kelayakan kandidat meningkat signifikan. Jelaskan fenomena ini dengan mengaitkan dua tahap "sistem mengevaluasi dan memilih" dan "warisan," serta tunjukkan prasyarat desain yang diungkapnya.

Tahap "sistem mengevaluasi dan memilih" tidak hanya mempertahankan kandidat sukses dengan peringkat teratas, tetapi juga menyimpan penyebab kegagalan secara terstruktur ke dalam basis pengalaman; tahap "warisan" membawa bukan hanya "solusi mana yang efektif," tetapi juga "jalur mana yang telah terbukti tidak efektif." Informasi ini masuk ke generasi putaran berikutnya, sama seperti menunjukkan area yang harus dihindari dalam ruang pencarian, sehingga kandidat menjadi lebih layak. Prasyarat desain yang diungkapnya adalah: mekanisme warisan harus konsisten dengan standar evaluasi — semua informasi efektif yang diidentifikasi tahap evaluasi, baik keberhasilan maupun kegagalan, harus dapat diwariskan; jika tidak, kemampuan akumulasi lingkaran akan terbuang setengah.

【Pemeriksaan Pemahaman】

Mengapa EvoX memerlukan lingkaran? Apa empat tahap lingkaran? Apa perbedaan arsitektur dengan panggilan tunggal? Risiko apa yang mungkin ditimbulkan lingkaran? Pengajar melengkapi kata kunci yang terlewat berdasarkan jawaban, seperti "kemampuan sistem yang dapat terakumulasi," "umpan balik harus terjadi sebelum evaluasi," "mekanisme warisan konsisten dengan standar evaluasi," dan sebagainya.

【Petunjuk Transisi】

Setelah memastikan siswa dapat menyebutkan urutan lingkaran dan tanggung jawab setiap tahap, barulah masuk ke halaman berikutnya tentang contoh soal, aplikasi, atau ringkasan. Jika siswa masih memahami EvoX sebagai "model yang lebih besar" atau "panggilan tunggal yang lebih cepat," perlu kembali ke bagian makna arsitektur halaman ini untuk membedakan lagi.

<a id="lecture-page-12"></a>

### Batas Inti dan Pertanyaan Kunci dalam Menghubungkan Tugas ke EvoX

*Halaman 12*

> **Tujuan Halaman:** Pembelajar harus memahami bahwa saat menghubungkan masalah nyata ke EvoX, perlu memperjelas objek perubahan, hasil observasi, dan standar evaluasi.

> **Tujuan Halaman**
>
> Menjelaskan "menghubungkan tugas nyata ke EvoX" sebagai proses kontrak terlebih dahulu, baru penyetelan parameter. Pembelajar harus dapat menjelaskan tiga batas: objek mana yang diizinkan untuk diubah (ruang pencarian), hasil mana yang dapat diobservasi (saluran umpan balik), perubahan mana yang harus dipertahankan (standar evaluasi), serta memahami bahwa batas mendahului pemilihan pencarian dan operator.

**Poin Pengajaran**

- Dapat diubah? Dapat diobservasi? Dapat dipertahankan? Batas menentukan arah evolusi; operator hanya menentukan seberapa cepat bergerak dalam arah itu
- Jika batas salah, semakin kuat pencarian semakin jauh menyimpang. Deklarasikan secara eksplisit variabel keputusan dan struktur (genotipe) serta pemetaannya ke produk nyata (fenotipe), sekaligus tandai lingkungan, data, antarmuka, perangkat keras, dan batasan kepatuhan yang hanya-baca. Batas yang terlalu lebar akan memasukkan banyak kandidat tidak valid, terlalu sempit tidak ada ruang evolusi. Setiap kandidat harus menghasilkan sinyal yang dapat ditangkap oleh program; perjelas saluran observasi, latensi, tingkat noise, dan reproduktibilitas. Dimensi yang tidak dapat diobservasi tidak dapat dijadikan dasar optimasi, hanya dapat digunakan untuk penjelasan setelah kejadian
- Menuliskan hal yang tidak dapat diobservasi ke dalam fitness akan membuat evolusi bergeser ke arah noise. Definisikan fitness atau vektor tujuan, batasan, dan penilaian kelayakan; jelaskan apakah dikompresi menjadi satu nilai atau dipertahankan sebagai Pareto multi-tujuan, serta tentukan cara penalti, perbaikan, atau penghentian dini untuk kandidat yang gagal, crash, atau timeout. Setelah standar evaluasi ditentukan, ia menentukan ke arah mana evolusi akan konvergen. Tingkat paralelisme dan latensi tunggal secara langsung menentukan tempo lingkaran evolusi dan jumlah generasi yang dapat ditanggung. Evaluasi serial memperpanjang lingkaran, jumlah generasi yang dapat ditanggung menurun drastis
- Evaluasi batch atau asinkron dapat mempercepat iterasi secara signifikan. Juga harus jelas tentang total anggaran evaluasi, kriteria konvergensi, dan kondisi penghentian, untuk menghindari konsumsi daya komputasi tanpa batas, sekaligus menghindari penghentian terlalu dini pada solusi yang belum terbentuk. Waspadai ketidaksesuaian metrik proxy dengan tujuan nyata, kebocoran tujuan, dan kandidat yang mengeksploitasi evaluator untuk menaikkan skor. Cara mengatasinya adalah mempertahankan set validasi independen atau tinjauan manual, dan membuat evaluasi sebisa mungkin tanpa status dan dapat diputar ulang, untuk memudahkan reproduksi kegagalan dan atribusi hasil. Bungkus tugas sebagai antarmuka terpadu: input satu kandidat, output metrik dan batasan; pastikan evaluasi sebisa mungkin tanpa status dan dapat diputar ulang. Kontrak stabil, lingkaran evolusi baru stabil.

> **Petunjuk Materi**
>
> - Diagram halaman menampilkan aliran data "tugas dan lingkungan nyata—objek yang diizinkan untuk diubah—evaluator dan saluran observasi—lingkaran evolusi EvoX," serta membandingkan waktu evaluasi serial dan batch atau asinkron untuk menjelaskan perbedaan tempo. Dapat digunakan untuk menekankan: gambar tiga batas terlebih dahulu, baru sesuaikan operator dan parameter.

**Penanganan Latihan**

Pilih "variabel keputusan dan struktur yang diizinkan untuk diubah (genotipe) serta pemetaannya ke produk nyata (fenotipe)." Petunjuk: anggaran daya komputasi termasuk batas evaluasi, frekuensi sampling dan noise termasuk batas observasi, operator mutasi adalah detail implementasi.

Pilih "setiap kandidat harus dapat menghasilkan sinyal yang dapat ditangkap oleh program, dan perjelas saluran observasi, latensi, dan noise; dimensi yang tidak dapat diobservasi hanya dapat dijadikan penjelasan setelah kejadian." Petunjuk: dasar optimasi harus berasal dari sinyal yang dapat ditangkap.

Pilih "cara evaluasi menentukan apa yang akan dipertahankan; jika ruang pencarian diperluas terlebih dahulu, evolusi akan overfit pada metrik yang mudah diobservasi dan mudah dimanipulasi." Petunjuk: mempertahankan apa mendahului mencari apa.

Pilih "tingkat paralelisme dan latensi evaluasi tunggal secara langsung menentukan tempo lingkaran evolusi dan jumlah generasi yang dapat ditanggung." Petunjuk: serial memperpanjang lingkaran, batch atau asinkron mempercepat iterasi.

Pilih "kandidat mengeksploitasi celah evaluator untuk mendapatkan skor tinggi, tetapi sebenarnya tidak benar-benar menyelesaikan masalah tugas." Petunjuk: keputusan peluncuran kunci harus melihat hasil validasi independen.

Pemilihan operator, urutan eksekusi, dan hyperparameter setiap operator membentuk genotipe; output pipeline nyata adalah fenotipe. Hasil yang dapat diobservasi: akurasi end-to-end, latensi end-to-end, tingkat kegagalan, serta jelaskan latensi, noise, dan reproduktibilitas. Kriteria retensi: akurasi dan latensi dapat dipertahankan sebagai Pareto multi-tujuan, batas atas latensi ditetapkan sebagai batasan keras, yang tidak memenuhi batasan dinilai tidak layak; kandidat gagal, crash, dan timeout ditetapkan penalti atau diperbaiki lalu dievaluasi ulang. Batasan hanya-baca: definisi struktur data input, persyaratan kepatuhan, antarmuka upstream, perangkat keras dan lingkungan operasi. Kontrak koneksi: input kandidat, output metrik dan batasan, evaluasi sebisa mungkin tanpa status dan dapat diputar ulang, pengiriman batch terkontainerisasi, pengambilan asinkron.

Perjelas total anggaran evaluasi, kriteria konvergensi, dan kondisi penghentian.

**Pemeriksaan Pemahaman**

Pilih satu siswa secara acak untuk merangkum dengan kata-kata sendiri "tiga pertanyaan mendahului penyetelan parameter," dan memberikan contoh apa yang terjadi jika skor set pelatihan dijadikan satu-satunya kriteria retensi. Jika siswa hanya mengulang penyetelan operator, kembali ke "batas menentukan arah" untuk menjelaskan ulang.

> **Petunjuk Transisi**
>
> Setelah memastikan siswa dapat menyebutkan tiga batas — objek perubahan, hasil observasi, standar evaluasi — serta hubungannya dengan lingkaran evolusi, barulah masuk ke halaman berikutnya tentang contoh soal, aplikasi, atau ringkasan.

<a id="lecture-page-13"></a>

### Memulai EvoX dengan Cepat: Konfigurasi Lingkungan dan Penggunaan

*Halaman 13*

> **Tujuan Halaman:** Pembelajar harus menguasai metode dasar untuk memasang dan mengonfigurasi EvoX dengan cepat di alat AI.

> **Tujuan Halaman**
>
> Halaman ini menyelesaikan jalur terpendek "dari nol ke lingkungan EvoX pertama yang dapat dijalankan": menyelesaikan instalasi dan konfigurasi dasar dengan perintah sesedikit mungkin, lalu memverifikasi dengan impor dan contoh minimal, memastikan EvoX dapat dipanggil oleh tugas. Konsep intinya adalah "berhasil terpasang tidak sama dengan berhasil berjalan"; keempat langkah harus mendapatkan output nyata barulah dianggap selesai.

> **Urutan Penjelasan**
>
> Pertama jelaskan bahwa konfigurasi lingkungan bukan sekadar menjalankan satu perintah instalasi, melainkan lingkaran "isolasi—instalasi—konfigurasi—verifikasi"; lalu kembangkan empat langkah secara berurutan, terakhir tambahkan batas bantuan AI dan persyaratan reproduktibilitas.

**Poin Pengajaran**

- Sebelum memasang paket apa pun, buat lingkungan Python terpisah dengan venv atau conda terlebih dahulu. Paket di lingkungan global akan dibagi oleh beberapa proyek; setelah konflik versi, biaya penelusuran sangat tinggi
- Lingkungan terpisah seperti menyediakan meja eksperimen khusus untuk EvoX; jika rusak, seluruh lingkungan dapat dibangun ulang. Cara umum adalah python -m venv.venv, lalu aktifkan lingkungan
- Di Windows, sesuai dengan skrip aktivasi di direktori Scripts. Setelah aktivasi, jalankan pip install -U pip terlebih dahulu, untuk menghindari kesalahan manajer paket versi lama saat mengurai dependensi. Biasanya jalankan pip install evox, juga bisa menggunakan conda atau sumber kode. Nama paket, versi, dan sumber unduhan semuanya mengikuti rilis resmi; jangan salah mengira nama paket yang mirip sebagai EvoX. Proses instalasi tanpa error merah hanya berarti "sudah terpasang," tidak berarti "sudah dapat digunakan," jadi jangan berhenti di langkah ini. Untuk pertama kali, tidak perlu menyetel semua parameter; cukup konfirmasi empat titik awal: apakah versi Python memenuhi persyaratan resmi, apakah versi dependensi kompatibel, apakah eksperimen ini menggunakan CPU atau GPU, apakah random seed sudah ditetapkan. Dua hal pertama menentukan apakah program dapat berjalan normal, dua hal terakhir menentukan apakah hasilnya dapat direproduksi. Penerimaan yang paling andal bukan melihat apakah ada error merah di terminal, melainkan membiarkan EvoX benar-benar berjalan sekali. Pertama import evox dan cetak nomor versi, memastikan paket dimuat oleh lingkungan saat ini
- Lalu jalankan contoh minimal atau selesaikan satu putaran iterasi evolusi, memastikan dapat dipanggil normal oleh tugas. Tanda penerimaan meliputi nomor versi berhasil ditampilkan, contoh minimal tanpa error, menyelesaikan satu putaran iterasi evolusi. Dapat memberitahu AI tentang sistem operasi, versi Python, dan kondisi perangkat keras, meminta AI menghasilkan perintah instalasi, konfigurasi, dan pemecahan masalah, untuk menghemat waktu mencari dokumentasi
- Tetapi nama paket, kombinasi versi, dan operasi tingkat sistem harus diverifikasi kembali dengan dokumentasi resmi dan matriks versi sebelum dijalankan, terutama perintah yang melibatkan modifikasi konfigurasi sistem atau uninstalasi dependensi. Catat perintah instalasi, file dependensi lingkungan, dan nomor versi, agar dapat mereproduksi lingkungan yang sama saat berganti mesin, menghindari "bisa berjalan di mesin ini, tetapi gagal di mesin lain."

> **Petunjuk Materi**
>
> - Halaman menggunakan diagram alur empat langkah untuk menampilkan "isolasi lingkungan—instalasi EvoX—konfigurasi dasar—verifikasi memulai," serta daftar periksa penerimaan
> - Dapat dikombinasikan dengan kotak contoh terminal untuk menjelaskan perintah dan penanda lingkungan.

**Penanganan Latihan**

Jawaban soal pilihan ganda 1 adalah "mengisolasi dependensi, menghindari saling mencemari dengan proyek lain di lingkungan global." Saat umpan balik, tekankan bahwa nilai inti lingkungan terisolasi adalah dependensi tidak saling mengganggu, tidak terkait dengan kemampuan jaringan atau kecepatan operasi.

Jawaban soal pilihan ganda 2 adalah "berhasil import evox, mencetak nomor versi, dan menjalankan contoh minimal." Harus dijelaskan bahwa instalasi tanpa error hanyalah keadaan antara.

Jawaban soal pilihan ganda 3 adalah "beritahu AI terlebih dahulu tentang sistem operasi, versi Python, dan perangkat keras mesin ini, lalu verifikasi dengan dokumentasi resmi dan matriks versi sebelum menjalankan." Harus diingatkan bahwa yang diberikan AI adalah perintah kandidat; verifikasi cakupan dampaknya sebelum dijalankan.

Jawaban soal pilihan ganda 4 adalah "menjamin hasil eksperimen dapat direproduksi, tetap cocok setelah berganti mesin atau versi." Seed dan versi memengaruhi reproduktibilitas, bukan jaminan kecepatan, memori GPU, atau konvergensi.

Jawaban soal pilihan ganda 5 adalah "konflik dependensi atau ketidakcocokan versi tertunda hingga benar-benar menjalankan tugas baru terungkap." Kurangnya verifikasi akan menunda masalah ke titik waktu yang lebih merepotkan.

Berikan langkah minimal yang layak sesuai empat langkah, dan jelaskan sinyal penerimaan setiap langkah, seperti setelah aktivasi muncul penanda lingkungan di baris perintah dan python -V menunjuk ke versi target, instalasi selesai tanpa konflik dependensi, perjelas CPU atau GPU dan tetapkan seed, impor berhasil dan contoh minimal berjalan. Pertanyaan 2: rapikan sistem operasi, versi Python, perangkat keras, dan pesan error lengkap untuk diberikan ke AI, minta AI memberikan perintah penelusuran sesuai urutan intrusi minimal dan jelaskan fungsi serta efek sampingnya; verifikasi nama paket resmi, rentang kompatibilitas versi, dan sumber instalasi sebelum dijalankan; simpan daftar dependensi dan nomor versi kunci untuk membangun ulang lingkungan.

**Pemeriksaan Pemahaman**

Minta siswa menceritakan ulang dengan kata-kata sendiri "berhasil terpasang tidak sama dengan berhasil berjalan," dan menyebutkan sinyal penerimaan masing-masing dari empat langkah.

> **Petunjuk Transisi**
>
> Setelah memastikan siswa dapat membedakan instalasi selesai dan verifikasi lulus, barulah masuk ke halaman berikutnya tentang contoh soal, aplikasi, atau ringkasan.

<a id="lecture-page-14"></a>

### Kemampuan Inti Peneliti dan Penilaian Estetika

*Halaman 14*

> **Tujuan Halaman:** Pembelajar harus menyadari bahwa dalam sistem EvoX, mengajukan pertanyaan kunci dan menjaga estetika ilmiah lebih penting daripada sekadar menulis kode.

> **Tujuan Halaman**
>
> Membuat pembelajar menyadari bahwa dalam sistem evolusi cerdas EvoX, kompetensi inti peneliti sedang bermigrasi dari "menulis setiap baris kode dengan tangan" ke "mengajukan pertanyaan kunci, mendefinisikan bukti yang dapat dipercaya, dan membuat penilaian estetika." Ketika generasi dan trial-and-error menjadi murah, yang benar-benar langka adalah daya penilaian, bukan kecepatan menulis kode.

> **Urutan Penjelasan**
>
> Pertama gunakan "Code is cheap. Taste matters." untuk menunjukkan posisi halaman ini, lalu jelaskan mengapa setelah ledakan generasi kandidat, hambatan berpindah ke kemampuan seleksi, kemudian kembangkan empat tindakan bagaimana standar estetika bekerja, lalu klarifikasi bahwa estetika ilmiah bukan preferensi subjektif, terakhir gunakan soal pilihan ganda dan studi kasus untuk menguji pemahaman.

> **Petunjuk Materi**
>
> - Poster konsep halaman ini dapat dijadikan kerangka papan tulis. Pusatnya adalah "kode murah, selera di atas segalanya," dengan empat simpul di sekelilingnya: "mengajukan pertanyaan kunci, mendefinisikan bukti yang dapat dipercaya, menilai arah evolusi, menetapkan standar estetika." Saat mengajar, dapat menunjuk pandangan pusat terlebih dahulu, lalu minta siswa menjelaskan masalah apa yang diselesaikan setiap simpul.

**Poin Pengajaran**

- Model dapat dengan cepat menghasilkan solusi kandidat; biaya trial-and-error menurun; batas atas hasil tidak lagi ditentukan oleh kecepatan menulis kode, melainkan oleh penilaian peneliti terhadap arah dan nilai. Pasokan kandidat mengembang pesat; dalam satu hari dapat dihasilkan ratusan hingga ribuan solusi yang "terlihat cukup baik"
- Masalah apa yang layak dijawab? Bukti apa yang layak dipercaya? Hasil mana yang cukup untuk mendukung kesimpulan? Ajukan pertanyaan, menilai apakah suatu arah layak untuk diinvestasikan
- Definisikan bukti yang dapat dipercaya: pertama perjelas "hasil seperti apa yang dianggap bukti," lalu berdasarkan itu pilih atau singkirkan kandidat
- Tetapkan standar estetika: gunakan skala yang stabil untuk menyaring pertanyaan, tujuan, bukti, dan arah evolusi
- Nilai arah evolusi: dari banyak langkah berikutnya yang layak, pilih langkah yang dapat membawa sistem ke nilai yang lebih tinggi. Ini tidak sama dengan preferensi subjektif pribadi, bukan "gaya mana yang lebih saya suka," melainkan standar penyaringan yang dapat digunakan ulang, dapat dijelaskan, dan dapat diverifikasi oleh rekan sejawat. Ia menentukan pertanyaan mana yang diajukan, metrik mana yang dipercaya, arah mana yang dipertahankan. Jangan menganggap estetika sebagai hal mistis atau mempercantik setelah kejadian. Ia terjadi di paling depan pengambilan keputusan: ketika memutuskan masalah mana yang diinvestasikan, kelompok metrik mana yang dipercaya, jalur evolusi mana yang dipertahankan, estetika sudah membentuk hasil. Semakin murah generasi, semakin penting selera. Sebelum bertindak, tanyakan pada diri sendiri: apakah pertanyaan yang saya ajukan layak dijawab? Apakah bukti yang saya gunakan dapat dipercaya? Apakah standar evaluasi saya dapat menyaring noise dan mempertahankan solusi yang benar-benar bernilai?

**Cakupan Kata Kunci**

- Migrasi kompetensi inti, mengajukan pertanyaan kunci, mendefinisikan bukti yang dapat dipercaya, menetapkan standar estetika, menilai arah evolusi, kemampuan seleksi, kelangkaan daya penilaian, estetika ilmiah, standar penyaringan yang dapat digunakan ulang, Code is cheap. Taste matters..

**Penanganan Latihan**

Pilihan yang benar untuk soal 1 adalah "ketika biaya generasi kandidat dan trial-and-error menurun, mengajukan pertanyaan kunci dan penilaian estetika menjadi sumber daya yang benar-benar langka." Poin umpan balik: setelah kemampuan generasi diperbesar, hambatan berpindah ke kemampuan tingkat tinggi seperti mengajukan pertanyaan, menetapkan bukti, dan membuat penilaian. Jika siswa salah memilih, ingatkan mereka untuk memikirkan apa yang benar-benar langka setelah generasi menjadi murah.

Pilihan yang benar untuk soal 2 adalah "ketika biaya generasi dan trial-and-error menurun, daya penilaian (selera) menjadi kunci yang menentukan nilai hasil." Poin umpan balik: slogan menekankan perpindahan kelangkaan; generasi murah, daya penilaian yang dapat menyaring noise dan menunjukkan arah itulah yang berharga.

Pilihan yang benar untuk soal 3 adalah "menilai pertanyaan mana yang layak diinvestasikan, metrik mana yang benar-benar penting, hasil mana yang cukup untuk mendukung kesimpulan." Poin umpan balik: semakin banyak kandidat, semakin krusial pemilihan; tidak bisa mempertahankan semuanya, juga tidak bisa melepaskan definisi tujuan dan standar evaluasi.

Pilihan yang benar untuk soal 4 adalah "estetika ilmiah adalah seperangkat penilaian tingkat tinggi yang dapat digunakan ulang dan dijelaskan, untuk menyaring pertanyaan, tujuan, dan bukti." Poin umpan balik: bedakan preferensi pribadi dan standar penyaringan yang dapat digunakan ulang; yang terakhir inilah yang disebut estetika ilmiah dalam halaman ini.

Pilihan yang benar untuk soal 5 adalah "pertama perjelas hasil seperti apa yang dianggap bukti, lalu berdasarkan itu pilih atau singkirkan solusi kandidat." Poin umpan balik: bukti yang dapat dipercaya haruslah standar yang didefinisikan di muka, bukan atribut default dari hasil generasi.

Pilihan saat ledakan kandidat. Skenarionya adalah tim menggunakan sistem untuk menghasilkan dan melakukan trial-and-error ribuan solusi kandidat dalam beberapa jam; metrik awal "terlihat cukup baik," kemudian tim perlu memutuskan apakah akan terus memperluas skala, atau berhenti dan mendefinisikan ulang masalah dan metrik evaluasi.

Pada saat ini yang paling langka adalah daya penilaian peneliti, yaitu "selera." Alasannya adalah biaya generasi kandidat dan trial-and-error sudah menurun drastis; terus memperluas skala secara sederhana akan mengalami penurunan manfaat marginal; semakin banyak solusi justru semakin sulit dibedakan; yang benar-benar menentukan keberhasilan adalah menilai pertanyaan mana yang layak dijawab, metrik mana yang benar-benar penting, hasil mana yang cukup untuk mendukung kesimpulan.

Perjelas pertanyaan kunci yang harus dijawab tahap ini, ganti "menghasilkan lebih banyak" dengan "menjawab lebih tepat"; definisikan standar bukti yang dapat dipercaya, daftarkan metrik apa dan pada tingkat apa yang dianggap bukti; tetapkan standar estetika dan evaluasi yang stabil, gunakan untuk menyaring tujuan dan arah evolusi; lakukan pemilihan kandidat yang beralasan, singkirkan solusi yang "terlihat baik tetapi tidak dapat mendukung kesimpulan," dan pusatkan sumber daya pada segelintir jalur paling bernilai.

**Pemeriksaan Pemahaman**

Minta siswa menjelaskan dengan kata-kata sendiri logika "semakin murah generasi, semakin penting selera," dan menyebutkan setidaknya dua tindakan penilaian konkret. Dapat ditanya lanjut: jika hanya boleh mempertahankan satu standar evaluasi, apa yang akan Anda pertahankan? Mengapa?

> **Petunjuk Transisi**
>
> Setelah memastikan siswa dapat membedakan "kemampuan generasi" dan "daya penilaian," dan dapat menyebutkan empat tindakan mengajukan pertanyaan, mendefinisikan bukti, menetapkan standar, dan menilai arah, barulah masuk ke halaman berikutnya tentang aplikasi, contoh soal, atau ringkasan.

<a id="lecture-page-15"></a>

### Perbandingan antara Tanya-Jawab Tunggal Tradisional dan Sistem Evolusi Berkelanjutan EvoX

*Halaman 15*

> **Tujuan Halaman:** Pembelajar harus memperjelas melalui perbandingan perbedaan inti antara tanya-jawab model besar tradisional dan sistem evolusi berkelanjutan EvoX dalam menghadapi lingkungan yang kompleks.

> **Tujuan Halaman**
>
> Halaman ini bertujuan membuat siswa memperjelas melalui perbandingan perbedaan inti antara tanya-jawab tunggal model besar tradisional dan sistem evolusi berkelanjutan EvoX dalam menghadapi lingkungan yang kompleks. Ini melanjutkan gagasan "mesin anak-anak" Turing: kemampuan berasal dari pengalaman, bukan sekali jadi. Saat menjelaskan, pegang dua titik penilaian: seberapa panjang rantainya, dan apakah ada aliran balik setelah titik akhir; apakah verifikasi terjadi di luar atau di dalam sistem.

> **Urutan Penjelasan**
>
> Pertama kembali ke gagasan Turing 1950, lalu kembangkan dua jalur. Tanya-jawab tunggal tradisional adalah lingkaran terbuka: prompt→generasi→output, output selesai. Tidak ada saluran yang secara otomatis mengembalikan hasil eksekusi ke sistem; verifikasi sebagian besar dilakukan di luar sistem, bergantung pada penilaian manual peneliti, penyaringan, reproduksi, dan pertanyaan ulang; perbaikan tersebar dalam penilaian manusia dan catatan sementara, sulit diendapkan menjadi kemampuan sistem; pada dasarnya terlepas dari lingkungan fisik nyata, setelah satu kali generasi tetap tidak berubah. Oleh karena itu, ketika tugas dapat dihasilkan sekali dan biaya verifikasi rendah, ia lebih langsung dan efisien.
>
> Menghasilkan kandidat→verifikasi lingkungan→akumulasi umpan balik→evolusi ulang, ujung dan pangkal terhubung, siklus berjalan terus. Hasil verifikasi sebagai umpan balik mendorong generasi, seleksi, dan retensi kandidat putaran berikutnya; lingkungan tugas, evaluator, atau antarmuka eksekusi nyata masuk ke batas sistem; kandidat tidak hanya dihasilkan, tetapi juga benar-benar dieksekusi dan diverifikasi; perbaikan diendapkan melalui umpan balik dan mekanisme retensi; kemampuan dapat terakumulasi seiring putaran; terkoppeling erat dengan lingkungan, perubahan lingkungan akan langsung masuk ke evolusi putaran berikutnya. Ketika tugas kompleks, lingkungan nyata, dan memerlukan verifikasi berkelanjutan serta akumulasi perbaikan, lingkaran harus digunakan.

**Poin Pengajaran**

- Empat tahap lingkaran masing-masing memiliki tanggung jawab. Menghasilkan kandidat bertanggung jawab mengajukan kemungkinan
- Verifikasi lingkungan membuat kandidat benar-benar dieksekusi dalam kondisi nyata
- Akumulasi umpan balik mencatat hasil verifikasi
- Evolusi ulang menghasilkan dan mempertahankan kandidat generasi berikutnya berdasarkan umpan balik yang terakumulasi. Keempatnya ujung dan pangkal terhubung; satu kegagalan tidak akan hilang seiring berakhirnya output, melainkan menjadi titik awal putaran berikutnya. Pada saat yang sama harus ditekankan bahwa lingkaran tidak menghilangkan peran manusia, melainkan mengubah posisi manusia: manusia beralih dari penilaian putaran demi putaran, reproduksi, dan pertanyaan lanjutan, ke merancang standar evaluasi, menetapkan aturan seleksi dan retensi, serta meninjau kondisi batas. Inilah cara paling konkret gagasan "mesin anak-anak" Turing diterapkan hari ini — bukan sekali jadi, melainkan tumbuh dalam pengalaman. Kesalahpahaman umum adalah menyamakan "kualitas generasi tinggi" dengan "sistem andal": model dapat memberikan solusi yang tampak masuk akal, tetapi itu tidak berarti solusinya berlaku di lingkungan nyata
- Hanya kandidat yang telah melalui eksekusi dan verifikasi nyata yang mungkin dipertahankan dan diubah menjadi kemampuan yang dapat terakumulasi secara berkelanjutan.

**Penanganan Latihan**

Halaman ini memiliki 5 soal pilihan ganda dan 1 kasus. Disarankan digunakan setelah menjelaskan tabel perbandingan dan empat tahap lingkaran. Soal 1 pilih "prompt→generasi→output, proses berakhir setelah output." Poin umpan balik: rantai tanya-jawab tunggal hanya tiga segmen, output adalah titik akhir, kurang saluran yang secara otomatis mengembalikan hasil eksekusi ke sistem; jika siswa salah memilih empat segmen lingkaran, ingatkan bahwa soal menanyakan tanya-jawab tunggal tradisional. Soal 2 pilih "di luar sistem, bergantung pada penilaian, penyaringan, dan reproduksi manual peneliti." Poin umpan balik: posisi verifikasi adalah kunci penilaian; verifikasi tanya-jawab tunggal umumnya tidak diselesaikan otomatis di dalam sistem. Soal 3 pilih "menghasilkan kandidat→verifikasi lingkungan→akumulasi umpan balik→evolusi ulang."

Pertama ada kandidat, lalu masuk ke lingkungan untuk diverifikasi secara nyata; hasil verifikasi terakumulasi baru mendorong evolusi putaran berikutnya; umpan balik harus kembali ke tahap generasi agar lingkarannya tertutup. Soal 4 pilih "solusi kandidat tidak hanya dihasilkan, tetapi juga benar-benar dieksekusi dan diverifikasi, hasilnya menjadi input putaran berikutnya." Poin umpan balik: masuknya lingkungan ke batas berarti verifikasi dimasukkan ke dalam sistem, bukan menggantikan generasi, juga bukan melewati akumulasi umpan balik. Soal 5 pilih "ketika tugas kompleks, lingkungan nyata, dan memerlukan verifikasi berkelanjutan serta akumulasi perbaikan, lingkaran gaya EvoX harus digunakan." Poin umpan balik: dasar pemilihan adalah kompleksitas tugas dan biaya verifikasi, bukan kecepatan generasi atau panjang output. Jika siswa ragu, arahkan mereka kembali ke tiga baris "mekanisme verifikasi," "akumulasi perbaikan," dan "penilaian pemilihan" pada tabel perbandingan untuk mencari bukti.

Sistem pengambilan oleh lengan robot di gudang tidak terstruktur. Jawaban pertanyaan 1 dapat disusun sebagai berikut: dalam jalur tanya-jawab tunggal, verifikasi diselesaikan di luar sistem, oleh insinyur yang mengamati hasil pengambilan secara manual, mereproduksi skenario kegagalan, dan mengajukan pertanyaan ulang; perbaikan berhenti pada penilaian insinyur dan catatan dokumen, sulit diendapkan secara otomatis menjadi kemampuan sistem. Dalam jalur EvoX, evaluator, antarmuka eksekusi nyata, atau lingkungan tugas masuk ke batas sistem; solusi pengambilan kandidat benar-benar dieksekusi dan diverifikasi; hasil verifikasi kembali mengalir untuk ikut serta dalam generasi, seleksi, dan retensi kandidat putaran berikutnya; perbaikan terendapkan dalam mekanisme retensi seiring putaran. Peran manusia tidak hilang, melainkan naik dari verifikasi dan reproduksi putaran demi putaran ke merancang standar evaluasi (misalnya bagaimana menentukan keberhasilan pengambilan), menetapkan aturan seleksi dan retensi, serta meninjau keamanan dan kondisi batas.

Jika tugas dapat dihasilkan sekali dan biaya verifikasi rendah, misalnya pengambilan berulang di stasiun tetap dengan objek tetap, tanya-jawab tunggal lebih langsung dan berbiaya lebih rendah; tetapi lingkungan kasus ini tidak terstruktur — bentuk dan berat objek beragam, penumpukan acak, pencahayaan berubah, rak dapat bergerak — apakah solusinya berlaku harus dikonfirmasi melalui interaksi berulang dengan lingkungan nyata, dan pola kegagalan juga akan terus berubah, sehingga harus menggunakan lingkaran gaya EvoX, membiarkan kandidat diverifikasi di lingkungan nyata, mengakumulasi hasil verifikasi sebagai umpan balik, lalu umpan balik mendorong generasi dan retensi putaran berikutnya, sehingga kemampuan sistem terus tumbuh seiring putaran. Mantranya adalah: sekali jadi, verifikasi murah→tanya-jawab tunggal; kompleks dan nyata, memerlukan verifikasi berkelanjutan dan akumulasi→lingkaran evolusi.

**Pemeriksaan Pemahaman**

Perbedaan rantai antara tiga segmen lingkaran terbuka dan empat segmen lingkaran tertutup; verifikasi terjadi di luar atau di dalam sistem; pemilihan melihat kompleksitas tugas dan biaya verifikasi. Pengajar melengkapi kata kunci dan dasar penilaian yang terlewat berdasarkan jawaban.

> **Petunjuk Transisi**
>
> Setelah memastikan siswa dapat menjelaskan hubungan inti halaman ini, barulah masuk ke halaman berikutnya tentang contoh soal, aplikasi, atau ringkasan. Dapat meminta siswa menceritakan ulang dua rantai terlebih dahulu, lalu mengambil sistem tertentu untuk menilai apakah ia termasuk lingkaran terbuka atau tertutup, dan menjelaskan di mana verifikasi terjadi serta apakah perbaikan dapat terendapkan.

<a id="lecture-page-16"></a>

### Visi Infrastruktur Evolusi Cerdas untuk Dunia Nyata

*Halaman 16*

> **Tujuan Halaman:** Pembelajar harus memahami bahwa tujuan akhir EvoX adalah membangun infrastruktur yang terus menghasilkan, memverifikasi, dan mempertahankan perbaikan di dunia nyata yang kompleks dan berubah.

> **Tujuan Halaman**
>
> Menutup kursus dengan posisi akhir EvoX — bukan model atau pengoptimal tertentu, melainkan seperangkat infrastruktur evolusi cerdas untuk dunia nyata. Pembelajar harus dapat menjelaskan: EvoX harus dapat terhubung ke tugas nyata, menerima umpan balik nyata, dan dalam operasi jangka panjang terus menghasilkan, memverifikasi, dan mempertahankan perbaikan, akhirnya membentuk lingkaran evolusi yang dapat beroperasi secara berkelanjutan.

**Poin Pengajaran**

- "Apa yang akhirnya ingin menjadi EvoX?" Jawabannya adalah seperangkat "medan evolusi" yang dapat beroperasi dalam jangka panjang. Dijelaskan dengan diagram: pusatnya adalah infrastruktur evolusi cerdas EvoX, empat tahap membentuk lingkaran — menghasilkan kandidat → memverifikasi efek → mempertahankan perbaikan → evolusi ulang
- Di luar dapat terhubung ke tugas dunia nyata, platform eksperimen, sistem produksi; di bagian bawah didukung oleh daya komputasi, model, evaluator. Panah siklus kembali ke titik awal, menekankan bahwa akumulasi kemampuan berasal dari lingkaran, bukan pengiriman linear. Membuat lingkaran menjadi sistem yang dapat berjalan terus. EvoX mendukung riset dan praktik AI Native, mengorganisir koneksi tugas → generasi kandidat → umpan balik evaluasi → lingkaran evolusi menjadi rantai yang stabil
- Ia tidak mengejar output tertentu yang indah, melainkan menjadi lapisan fondasi yang dapat diandalkan sistem lain. Umpan balik nyata, evolusi jangka panjang, mempertahankan perbaikan. Umpan balik nyata menuntut objek evolusi masuk ke lingkungan nyata; metrik offline, efek demonstrasi, dan output tunggal tidak dapat menggantikannya
- Evolusi jangka panjang menuntut terus menghasilkan kandidat baru, memverifikasi efek nyata, mempertahankan perbaikan efektif, sehingga kemampuan dapat terakumulasi, digunakan ulang, dan berevolusi lagi
- Mempertahankan perbaikan menuntut bagian yang terbukti efektif dipertahankan, bukan memulai dari nol setiap putaran. Tujuan-tujuan akan saling tarik-menarik, lingkungan akan bergeser, hasil membawa ketidakpastian. Oleh karena itu sistem ini tidak menjanjikan solusi optimal sekali jadi, melainkan melalui putaran demi putaran lingkaran terus mendekati jawaban yang tersedia saat ini. Mengakui ketidakpastian justru merupakan prasyarat operasi jangka panjang. Halaman ini hanya menjawab satu pertanyaan penilaian — apakah sistem telah mengorganisir "umpan balik nyata + evolusi jangka panjang + mempertahankan perbaikan" menjadi lingkaran yang dapat beroperasi secara berkelanjutan
- Ketiganya berlaku bersamaan, barulah visinya terpenuhi.

**Penanganan Latihan**

Soal 1 pilih "seperangkat infrastruktur evolusi cerdas untuk dunia nyata"; umpan balik harus berpusat pada infrastruktur yang dapat terhubung ke tugas nyata, menerima umpan balik nyata, dan dalam operasi jangka panjang terus menghasilkan, memverifikasi, dan mempertahankan perbaikan; jika salah memilih model generasi, pengoptimal tunggal, atau alat manipulasi skor, arahkan siswa kembali ke posisi halaman ini. Soal 2 pilih "umpan balik nyata, evolusi jangka panjang, mempertahankan perbaikan," menekankan bahwa skala, kecepatan, dan efek demonstrasi bukanlah syarat terpenuhinya. Soal 3 pilih "karena objek evolusi harus masuk ke lingkungan nyata dan menerima umpan balik nyata," menjelaskan bahwa metrik offline tidak dapat menggantikan verifikasi di lingkungan nyata; fokusnya bukan biaya atau penyebaran.

Soal 4 pilih "dalam operasi berkelanjutan menghasilkan kandidat baru, memverifikasi efek nyata, mempertahankan perbaikan efektif," menekankan bahwa menghasilkan—memverifikasi—mempertahankan—evolusi ulang membentuk siklus; kuncinya bukan jumlah kandidat atau sekali jadi. Soal 5 pilih "mengakui trade-off multi-tujuan, ketidakpastian, dan pergeseran lingkungan, tidak menjanjikan solusi optimal sekali jadi," menjelaskan bahwa lingkungan akan bergeser, tujuan akan berkonflik, sistem perlu berevolusi terus.

Seputar skenario "menghubungkan EvoX ke lini produksi nyata," pertama minta siswa menggunakan tiga standar untuk bertanya satu per satu: apakah objek evolusi masuk ke lini produksi nyata dan menerima umpan balik nyata, bukan hanya dievaluasi pada set pengujian offline? Apakah sistem dalam operasi berkelanjutan terus menghasilkan kandidat baru, memverifikasi efek nyata, dan mempertahankan perbaikan yang terbukti efektif? Apakah kemampuan dapat terakumulasi, digunakan ulang, dan berevolusi lagi, bukan dibangun ulang setiap putaran? Jika jawabannya tidak, maka itu masih alat generasi sekali atau pengiriman sekali. Saat merancang lingkaran lebih lanjut, dapat mengembalikan hasil inspeksi kualitas online, kesimpulan inspeksi ulang manual, dan kinerja aktual setelah eksekusi penjadwalan sebagai dasar verifikasi; eksplisitkan trade-off multi-tujuan, pertahankan beberapa strategi kandidat yang telah terverifikasi;

gunakan jendela bergulir agar bobot data yang lebih lama secara bertahap menurun, untuk mengidentifikasi pergeseran lingkungan dan memicu putaran evolusi baru; setiap putaran hanya mempertahankan perbaikan yang terbukti efektif, sehingga kemampuan baru bertumpuk di atas kemampuan lama.

**Pemeriksaan Pemahaman**

Apakah ada umpan balik nyata? Apakah ada evolusi jangka panjang? Apakah ada mempertahankan perbaikan? Jika ketiga pertanyaan dijawab "ya," barulah sistem terpenuhi; jika ada satu yang dijawab "tidak," maka ia masih berhenti pada generasi sekali atau pengiriman sekali. Sekaligus ingatkan siswa bahwa lingkaran bukan garis lurus, melainkan lingkaran yang terus kembali ke titik awal; waspadai pernyataan "sekali jadi, berlaku selamanya."

> **Petunjuk Transisi**
>
> Ini adalah halaman penutup kursus; setelah memastikan siswa dapat membedakan infrastruktur evolusi dari alat generasi sekali, dapat kembali ke alur utama modul ini: tren percepatan evolusi cerdas dan keterbatasan model besar, serta gagasan inti membangun lingkaran evolusi dengan EvoX.

--- AKHIR TEKS SUMBER ---