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

Durasi: 1 · Halaman materi: 16

## Navigasi Bacaan

- [Pelajaran 2｜Topik: Asal-Usul Komputasi Evolusioner dan Persimpangan Multi-Jalur](#lecture-lesson-1)

---

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

## Pelajaran 2｜Topik: Asal-Usul Komputasi Evolusioner dan Persimpangan Multi-Jalur

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

### Asal-Usul Komputasi Evolusioner dan Persimpangan Multi-Jalur

*Halaman 1*

> **Tujuan Halaman:** Melacak titik temu antara simbolisme, koneksionisme, sibernetika, dan komputasi evolusioner, mengungkap bagaimana komputasi evolusioner menyediakan jalur penyelesaian yang tidak bergantung pada jawaban tunggal yang telah ditentukan sebelumnya.

> **Tujuan Halaman**
>
> Komputasi evolusioner bukanlah teknik yang berdiri sendiri, melainkan sebuah paradigma penyelesaian yang terbentuk dari persimpangan berbagai tradisi penelitian kecerdasan buatan. Pembelajar harus dapat menjelaskan keterkaitan antara simbolisme, koneksionisme, sibernetika, dan komputasi evolusioner, serta memahami secara awal mengapa komputasi evolusioner cocok untuk menangani konflik tujuan dan kendala yang kompleks.

> **Urutan Penjelasan**
>
> Mulailah dengan pengantar masalah — jika suatu tugas tidak memiliki jawaban standar yang tunggal, atau terdapat beberapa tujuan yang saling tarik-menarik, kesulitan apa yang akan dihadapi oleh pendekatan tradisional "definisikan solusi optimal terlebih dahulu, lalu selesaikan"? Dari sini, jelaskan percabangan dan pertemuan jalur dalam sejarah kecerdasan buatan: simbolisme menekankan penalaran simbolik dan pengetahuan eksplisit, koneksionisme menekankan pembelajaran representasi dari data, sibernetika berfokus pada umpan balik, adaptasi, dan regulasi sistem; komputasi evolusioner mendorong semua petunjuk ini menuju jalur "pencarian populasi, mutasi, seleksi, perbaikan iteratif". Kemudian tunjukkan garis utama pelajaran ini: dalam skenario yang kompleks, tidak bergantung pada jawaban tunggal yang telah ditentukan, melainkan membiarkan kandidat solusi berevolusi secara bertahap melalui evaluasi dan seleksi.

**Poin Pengajaran**

- Pertama, asal-usul bukanlah pewarisan sederhana, melainkan persimpangan. Tradisi yang berbeda masing-masing menjawab sisi berbeda dari kecerdasan, dan komputasi evolusioner menyerap ide-ide seperti "adaptasi", "umpan balik", dan "eksplorasi populasi" darinya. Kedua, persimpangan multi-jalur berarti metode bukanlah pilihan tunggal. Dalam penelitian dan rekayasa nyata, aturan simbolik, jaringan saraf, umpan balik kontrol, dan pencarian evolusioner sering kali saling melengkapi. Ketiga, skenario keunggulan komputasi evolusioner terletak pada: tujuan-tujuan yang mungkin saling bertentangan, kendala yang kompleks dan sulit ditulis sebagai satu ekspresi analitis tunggal, atau evaluasi yang hanya dapat diberikan melalui simulasi, eksperimen, preferensi manusia, dan sebagainya. Dalam hal ini, daripada mengejar penurunan solusi optimal tunggal dalam satu kali, lebih baik memelihara sekumpulan kandidat solusi dan mendekati trade-off yang lebih baik melalui iterasi.

**Pemeriksaan Pemahaman**

"Mengapa dikatakan bahwa komputasi evolusioner menyediakan jalur penyelesaian yang tidak bergantung pada jawaban tunggal yang telah ditentukan?" Dapat meminta mereka menjawab dari sudut pandang "beberapa kandidat solusi", "evaluasi dan seleksi", "perbaikan bertahap", dan "trade-off tujuan yang bertentangan". Jika siswa hanya menjawab "coba-coba acak", perlu ditambahkan: kunci komputasi evolusioner bukanlah keacakan buta, melainkan pencarian yang memiliki populasi, tekanan seleksi, dan umpan balik iteratif.

> **Petunjuk Transisi**
>
> Selanjutnya akan masuk ke kasus konkret dan kerangka metode, mengamati bagaimana jalur pemikiran ini diimplementasikan menjadi sistem evolusi cerdas yang dapat dioperasikan; saat mendengarkan, perhatikan bagian mana yang sesuai dengan "persimpangan asal-usul" dan bagian mana yang sesuai dengan "penyelesaian di bawah kendala kompleks".

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

### Pertemuan Kembali Multi-Jalur Kecerdasan

*Halaman 2*

> **Tujuan Halaman:** Pembelajar harus memahami latar belakang persimpangan berbagai jalur eksplorasi dalam sejarah kecerdasan buatan dan maknanya bagi sistem cerdas modern.

**Poin Pengajaran**

- Petakan simbolisme, koneksionisme, sibernetika, dan komputasi evolusioner masing-masing ke representasi pengetahuan, pemahaman masalah, umpan balik tindakan, dan pemeliharaan keragaman, kemudian konvergensikan semuanya ke EvoX. Dengan demikian, saat mengingat, pikirkan dulu empat sumber, lalu empat dimensi, dan akhirnya titik pertemuan.
- Model besar menghasilkan kandidat dalam satu kali generasi, tetapi tidak secara otomatis mengevaluasi dan mewarisinya; loop evolusioner memerlukan umpan balik lingkungan, evaluasi seleksi, dan akumulasi jangka panjang. Untuk menilai apakah suatu sistem telah menyelesaikan pertemuan, dapat dilihat apakah ia memiliki evaluasi, seleksi, koreksi kesalahan, dan pewarisan.
- Tidak menentukan jawaban tunggal sebelumnya, menghasilkan perubahan, evaluasi lingkungan, mempertahankan keragaman. Empat kata kunci ini adalah jangkar untuk memahami asal-usul teknis EvoX, dan juga dapat membantu Anda mengidentifikasi bagian yang menjadi tanggung jawab komputasi evolusioner dalam soal kasus.

Tujuan Halaman

Halaman ini adalah halaman awal Pelajaran 2 "Asal-Usul Komputasi Evolusioner dan Persimpangan Multi-Jalur", membantu pembelajar meninjau kembali percabangan dan pertemuan simbolisme, koneksionisme, sibernetika, dan komputasi evolusioner dalam sejarah kecerdasan buatan, memahami bagaimana "pertemuan kembali multi-jalur kecerdasan" menjelaskan asal-usul teknis EvoX, dan dapat membedakan masalah yang dihadapi masing-masing dari empat jalur.

Urutan Penjelasan

Mulailah dari "kecerdasan buatan bukanlah evolusi satu jalur", kemudian jelaskan apa yang menjadi fokus masing-masing dari empat sumber sepanjang diagram struktur, lalu jelaskan dimensi persimpangan mereka dalam sistem cerdas modern, dan akhirnya sampai pada posisi EvoX dan komputasi evolusioner sebagai sumber teknis paling langsung. Dalam pengajaran, dapat memandu siswa mengamati diagram: empat jalur di sebelah kiri melewati empat dimensi di tengah, dan bertemu di EvoX di sebelah kanan; jalur oranye menekankan komputasi evolusioner.

Poin Pengajaran

Menekankan representasi pengetahuan eksplisit, penalaran logis, dan kendala aturan, cocok untuk menjelaskan bagaimana pengetahuan direpresentasikan dan dioperasikan.

Menekankan pembelajaran pola dan representasi dari data, cocok untuk menangani pemetaan berdimensi tinggi dalam pemahaman masalah dan generasi persepsi.

Menekankan umpan balik, regulasi, dan loop tindakan, cocok untuk menjelaskan bagaimana sistem terus memperbaiki perilaku dalam lingkungan.

Menekankan pencarian populasi, menghasilkan perubahan, evaluasi lingkungan, dan pemeliharaan keragaman, cocok untuk eksplorasi terbuka dan optimasi multi-kandidat, merupakan sumber teknis paling langsung dari EvoX.

Bukan sekadar menjumlahkan empat jalur, melainkan membiarkan mereka memainkan peran yang saling melengkapi dalam sistem cerdas yang sama: aturan simbolik menyediakan kendala dan interpretabilitas, model koneksionis menyediakan kemampuan persepsi dan generasi, umpan balik kontrol menyediakan koreksi tindakan, pencarian evolusioner menyediakan eksplorasi terbuka dan keragaman. Dengan demikian, sistem dapat terus mengevaluasi, memilih, mengoreksi, dan mewarisi dalam perubahan lingkungan.

Berada di persimpangan multi-jalur, bukanlah alat yang tumbuh sendiri dalam satu jalur tunggal, melainkan kerangka praktik yang membangun loop evolusioner antara kemampuan model dan kemampuan sistem. Di dalamnya, komputasi evolusioner tidak menentukan jawaban tunggal sebelumnya, melainkan mencari keseimbangan melalui menghasilkan perubahan dan evaluasi lingkungan, serta mempertahankan keragaman.

Cakupan Kata Kunci

Komputasi evolusioner, kecerdasan populasi, keragaman. "Keragaman" dapat dijelaskan sebagai mempertahankan kandidat solusi dan arah eksplorasi yang berbeda, menghindari konvergensi terlalu dini ke optimum lokal, yang merupakan kunci adaptasi berkelanjutan dalam lingkungan terbuka.

Petunjuk Latihan

Latihan halaman ini mencakup analisis konsep dan studi kasus. Soal konsep dapat meminta pembelajar menentukan pemahaman inti dari "pertemuan kembali multi-jalur kecerdasan", jawaban yang benar harus mengarah pada: memahami latar belakang persimpangan berbagai jalur eksplorasi dan maknanya bagi sistem cerdas modern, bukan hanya menghafal empat istilah. Saat memberikan umpan balik, jika siswa memilih untuk melewati konsep, ingatkan untuk meninjau kembali konsep inti terlebih dahulu, lalu coba lagi.

Studi kasus "Integrasi Jalur Platform Penelitian Ilmiah AI Native" dapat ditangani sebagai berikut:

Umpan balik tindakan kekurangan loop tertutup bergaya sibernetika, karena tidak menerima evaluasi lingkungan nyata; representasi pengetahuan kekurangan kendala eksplisit dan aturan yang dapat diinterpretasikan bergaya simbolisme; pemeliharaan keragaman kekurangan pencarian terbuka dan multi-kandidat bergaya komputasi evolusioner; pemahaman masalah dan adaptasi berkelanjutan kekurangan pembelajaran berbasis data dan pembaruan representasi bergaya koneksionisme.

Solusi integrasi dapat mengodekan hipotesis dan rencana eksperimen sebagai individu yang dapat dimutasi, dengan komputasi evolusioner bertanggung jawab atas pencarian populasi; menggunakan aturan simbolik untuk membatasi batas keamanan dan konsistensi logis; menggunakan model jaringan saraf untuk memperkirakan fitness atau perolehan informasi dari data historis; menggunakan loop tertutup sibernetika untuk mengumpan balikkan hasil eksperimen nyata sebagai sinyal evaluasi; kemudian melalui seleksi, persilangan, mutasi, dan pewarisan mempertahankan solusi yang berpotensi. Evaluasi dapat menggabungkan reproduktifitas, perolehan informasi, konsumsi sumber daya, dan indikator keragaman, saat seleksi mempertahankan proporsi tertentu solusi eksploratif, menghindari konvergensi terlalu dini.

Aktivitas Kelas

Simbolisme sesuai dengan representasi pengetahuan, koneksionisme sesuai dengan pemahaman masalah, sibernetika sesuai dengan umpan balik tindakan, komputasi evolusioner sesuai dengan pemeliharaan keragaman, kemudian bertemu di EvoX. Pikirkan dulu empat sumber, lalu empat dimensi, dan akhirnya titik pertemuan.

Model besar menghasilkan kandidat dalam satu kali generasi, tetapi tidak secara otomatis mengevaluasi dan mewarisinya; loop evolusioner memerlukan umpan balik lingkungan, evaluasi seleksi, dan akumulasi jangka panjang. Dapat meminta siswa menggunakan "apakah ada evaluasi, seleksi, koreksi kesalahan, dan pewarisan" untuk menilai apakah sistem telah menyelesaikan pertemuan.

Tidak menentukan jawaban tunggal sebelumnya, menghasilkan perubahan, evaluasi lingkungan, mempertahankan keragaman.

Pemeriksaan Pemahaman

Saat melihat aplikasi model besar, apakah ia hanya melakukan generasi satu kali? Apakah ada umpan balik lingkungan, evaluasi seleksi, pewarisan jangka panjang, dan pemeliharaan keragaman? Jika tidak ada, berarti ia belum menyelesaikan loop tertutup sistem pertemuan multi-jalur. Berdasarkan jawaban, tambahkan kata kunci yang terlewat.

Petunjuk Transisi

Setelah memastikan siswa dapat menyebutkan fokus empat jalur dan hubungan pertemuan mereka ke EvoX, lanjutkan ke halaman berikutnya tentang penjabaran spesifik atau aplikasi asal-usul komputasi evolusioner.

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

### Tinjauan Simbolisme, Koneksionisme, dan Sibernetika

*Halaman 3*

> **Tujuan Halaman:** Pembelajar harus memahami fokus berbagai jalur AI awal dalam pemahaman masalah dan representasi pengetahuan.

> **Tujuan Halaman**
>
> Membantu pembelajar memahami tiga jalur representatif kecerdasan buatan awal — simbolisme, koneksionisme, dan sibernetika — dalam menjawab pertanyaan "bagaimana kecerdasan muncul", dan dapat menggunakan koordinat yang seragam untuk membandingkan pembawa pengetahuan, mekanisme komputasi, dan hubungan mereka dengan lingkungan.

> **Urutan Penjelasan**
>
> Dari mana kecerdasan berasal? Kemudian tampilkan tiga jalur secara berurutan. Simbolisme menggunakan simbol logika sebagai pembawa, memperoleh kesimpulan melalui representasi pengetahuan eksplisit dan penalaran aturan, rantai tipikalnya adalah "premis A — aturan A→B — mesin inferensi — kesimpulan B". Koneksionisme menggunakan bobot koneksi neuron sebagai pembawa, mengekstrak pola dari data melalui pembelajaran representasi paralel terdistribusi antara lapisan input, lapisan tersembunyi, dan lapisan output, kecerdasan muncul dari kolaborasi sejumlah besar unit sederhana. Sibernetika menggunakan loop umpan balik sebagai inti, melalui nilai target, komparator, pengontrol, objek terkendali, dan elemen umpan balik, berfokus pada regulasi kesalahan, mekanisme stabilitas, dan pencapaian tujuan sistem dalam lingkungan dinamis.
>
> Pembawa pengetahuan (simbol/bobot/umpan balik status), mekanisme komputasi (penalaran logis/representasi paralel/regulasi umpan balik), hubungan dengan lingkungan (pemodelan offline/berbasis data/interaksi online).

**Poin Pengajaran**

- Tiga jalur bukanlah kubu yang saling eksklusif, juga bukan siapa yang menggantikan siapa. Sistem cerdas modern sering menggabungkan kendala aturan, representasi jaringan saraf, dan kontrol umpan balik dalam tugas yang sama. Contohnya sistem kontrol adaptif lampu lalu lintas perkotaan: basis aturan mencerminkan simbolisme, jaringan saraf prediksi arus kendaraan mencerminkan koneksionisme, pengontrol umpan balik berdasarkan kesalahan panjang antrian mencerminkan sibernetika. Menghilangkan loop umpan balik akan membuat sistem terdegradasi menjadi loop terbuka, sulit menghadapi kemacetan mendadak, noise sensor, dan pergeseran model, stabilitas dan efektivitas jangka panjang menurun. Ini justru menunjukkan bahwa tiga jalur saling melengkapi, dan juga menyediakan kerangka historis untuk komputasi evolusioner, kecerdasan hibrida, dan "pertemuan kembali multi-jalur kecerdasan" selanjutnya.

**Cakupan Kata Kunci**

- Simbolisme, koneksionisme, sibernetika, representasi pengetahuan, penalaran eksplisit, bobot koneksi, representasi paralel terdistribusi, loop umpan balik, regulasi kesalahan, pembawa pengetahuan, mekanisme komputasi, hubungan lingkungan, komplementaritas.

> **Petunjuk Latihan**
>
> - Apakah simbolisme sesuai dengan simbol eksplisit dan aturan logika
> - Apakah koneksionisme menekankan bobot koneksi dan pembelajaran representasi paralel
> - Apakah sibernetika menjadikan loop tertutup persepsi-keputusan-eksekusi dan regulasi kesalahan sebagai kunci
> - Apakah perbedaan tiga jalur dalam pembawa pengetahuan adalah struktur simbolik, bobot koneksi, dan umpan balik status
> - Apakah nilai meninjau kembali tiga jalur adalah mengidentifikasi komplementaritas dan menyediakan kerangka untuk kecerdasan hibrida dan komputasi evolusioner. Dalam penanganannya, minta siswa menjelaskan dasar pilihan terlebih dahulu, lalu kembali ke bukti yang sesuai dalam penjelasan. Soal kasus meminta mengidentifikasi tiga jalur dalam sistem transportasi perkotaan, dan menalar keterbatasan menghilangkan loop umpan balik, jawaban harus mengarah pada sistem loop terbuka, hilangnya koreksi kesalahan real-time, perubahan lingkungan dan pergeseran model yang sulit dikoreksi sendiri.

**Aktivitas Kelas**

Minta siswa menceritakan kembali tiga jalur menggunakan skenario yang familiar, misalnya manajemen arus manusia di kampus, kontrol suhu ruang kelas, atau pengaturan lalu lintas, dan menunjukkan bagian mana dari skenario yang sesuai dengan aturan simbolik, bagian mana yang sesuai dengan prediksi paralel, dan bagian mana yang sesuai dengan regulasi umpan balik.

**Pemeriksaan Pemahaman**

Bagaimana pengetahuan direpresentasikan? Bagaimana komputasi diparalelkan? Bagaimana perilaku diregulasi? Jika siswa dapat menunjukkan dalam skenario yang sama bagian mana yang termasuk jalur mana, berarti mereka telah menguasai koordinat perbandingan halaman ini.

> **Petunjuk Transisi**
>
> Setelah memastikan siswa dapat menyebutkan perbedaan inti dan hubungan komplementer tiga jalur, lanjutkan ke halaman berikutnya tentang asal-usul komputasi evolusioner, aplikasi, atau diskusi komprehensif.

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

### Komputasi Evolusioner sebagai Sumber Teknis Langsung

*Halaman 4*

> **Tujuan Halaman:** Pembelajar harus menguasai karakteristik inti dan nilai komputasi evolusioner yang tidak bergantung pada jawaban tunggal yang telah ditentukan.

> **Tujuan Halaman**
>
> Menguasai posisi komputasi evolusioner sebagai sumber teknis langsung, memahami bahwa ia tidak bergantung pada penentuan jawaban tunggal sebelumnya, melainkan melalui siklus mutasi, evaluasi, seleksi, dan rekombinasi, membentuk solusi adaptif yang dapat diterima dalam konflik tujuan dan kendala kompleks.

> **Urutan Penjelasan**
>
> 1. Melanjutkan jalur simbolisme, koneksionisme, dan sibernetika, menunjukkan bahwa komputasi evolusioner paling dapat langsung ditransformasikan menjadi sistem algoritma.
>
> Tidak menetapkan jawaban tunggal sebelumnya; evaluasi adalah umpan balik berkelanjutan; seleksi adalah tekanan lingkungan.
>
> Populasi awal → mutasi atau persilangan menghasilkan perubahan → fungsi lingkungan atau evaluasi memberikan umpan balik per generasi → seleksi dan pemeliharaan → populasi generasi baru; setiap generasi setelah evaluasi mengalir kembali, siklus berulang. Individu multi-warna dalam diagram menunjukkan pemeliharaan keragaman di bawah konflik tujuan, menjelaskan bahwa sistem mempertahankan arah trade-off yang berbeda.
>
> Optimasi single-objective tradisional sering memerlukan penentuan bobot terlebih dahulu, mengompresi multi-indikator menjadi satu tujuan; komputasi evolusioner memelihara populasi kandidat, setelah evaluasi setiap generasi mempertahankan individu dengan arah trade-off yang berbeda, akhirnya memberikan kelompok solusi yang dapat dibandingkan, bukan jawaban tunggal. Dengan contoh performa tinggi, biaya rendah, dan ketahanan kuat, metode single-objective harus menetapkan bobot terlebih dahulu, komputasi evolusioner membiarkan individu dengan arah trade-off yang berbeda bertahan secara bersamaan, dan pengambil keputusan memilih setelah melihat biaya.
>
> Siklus mutasi, evaluasi, seleksi adalah titik asal konseptual untuk implementasi sistematis, rekayasa, dan paralelisasi selanjutnya, memungkinkan komponen cerdas yang tersebar untuk terus terakumulasi.

**Poin Pengajaran**

- Kecerdasan bukanlah produk dari jawaban tunggal yang telah ditentukan, melainkan proses berkelanjutan dari menghasilkan perubahan, menerima evaluasi lingkungan, mempertahankan dan merekombinasi. Dari akumulasi gen hingga bahasa dan budaya, hingga perangkat lunak, daya komputasi, dan pembawa kecerdasan buatan, siklus evolusi terus terkompresi
- Konsep mesin anak yang diusulkan Turing pada tahun 1950 dapat dianggap sebagai pelopor pemikiran untuk secara bertahap memperoleh kemampuan dalam lingkungan melalui pendidikan, eksperimen, dan imbalan serta hukuman. Meskipun model besar memiliki kemampuan pemahaman, generasi, dan penalaran, generasi satu kali tidak dapat membuktikan kebenarannya sendiri, dan sulit untuk efektif dalam jangka panjang di tengah perubahan lingkungan dan model yang terus berlanjut
- Komputasi evolusioner melengkapi tautan umpan balik berkelanjutan ini. Tidak menetapkan jawaban tunggal sebelumnya, algoritma menghasilkan individu kandidat yang beragam, disaring oleh lingkungan atau fungsi evaluasi
- Evaluasi adalah umpan balik berkelanjutan, setiap generasi memberikan arah penyesuaian bagi populasi
- Seleksi adalah tekanan lingkungan, melalui pemeliharaan dan eliminasi membuat individu yang lebih adaptif mendapatkan lebih banyak kesempatan untuk berlanjut. Evaluasi tidak sama dengan penerimaan akhir. Evaluasi terjadi di setiap generasi, adalah kekuatan pendorong pembaruan populasi
- Begitu diperlakukan sebagai penilaian satu kali, penyelesaian akan mundur ke generasi satu kali, dilema yang tidak dapat membuktikan kebenarannya sendiri.

> **Petunjuk Latihan**
>
> - Lima soal pilihan ganda digunakan untuk memeriksa posisi konsep. Soal 1 arah yang benar adalah memandang penyelesaian sebagai proses berkelanjutan dari menghasilkan perubahan, evaluasi lingkungan, pemeliharaan atau rekombinasi
> - Jika salah memilih, ingatkan kata kuncinya adalah proses berkelanjutan, bukan memberikan jawaban dalam satu kali. Soal 2 arah yang benar adalah evaluasi sebagai umpan balik berkelanjutan yang terjadi di setiap generasi
> - Jika salah memilih, tanyakan jika evaluasi hanya terjadi satu kali, apakah populasi masih dapat dipandu di generasi selanjutnya. Soal 3 arah yang benar adalah seleksi sebagai pemeliharaan dan eliminasi di bawah tekanan lingkungan, membuat individu yang lebih adaptif mendapatkan lebih banyak kesempatan untuk berlanjut
> - Jika salah memilih, tekankan seleksi bukan keputusan satu kali, melainkan mekanisme yang berulang setiap generasi. Soal 4 arah yang benar adalah memelihara populasi kandidat, mempertahankan individu dengan arah trade-off yang berbeda, mengeluarkan sekelompok solusi yang dapat dibandingkan
> - Jika salah memilih, ingat kembali contoh performa, biaya, ketahanan. Soal 5 arah yang benar adalah mekanisme mutasi, evaluasi, seleksi dapat langsung ditransformasikan menjadi sistem algoritma, dan membentuk solusi adaptif dalam iterasi
> - Jika salah memilih, tunjukkan bahwa langsung berarti dapat diimplementasikan, dapat dijalankan, bukan berhenti pada tingkat spekulasi. Suatu tim merancang sistem inferensi online, sekaligus mengejar throughput tinggi, biaya部署 rendah, dan ketahanan layanan yang kuat. Jika terus menggunakan pendekatan single-objective, harus menentukan bobot terlebih dahulu, mengompresi tiga indikator menjadi satu skor total, lalu mencari konfigurasi optimal tunggal berdasarkan skor total
> - Risikonya adalah bobot menyiratkan penilaian nilai, akan mengecualikan arah kompromi lain terlebih dahulu, dan ketika kepentingan relatif tiga indikator berubah, harus menetapkan ulang bobot dan mencari ulang. Setelah beralih ke komputasi evolusioner, tim tidak menetapkan jawaban tunggal sebelumnya, melainkan memelihara populasi kandidat, setelah evaluasi setiap generasi mempertahankan individu dengan arah trade-off yang berbeda, melalui mutasi dan rekombinasi terus menghasilkan konfigurasi baru, akhirnya memberikan sekelompok solusi yang dapat dibandingkan, dan pengambil keputusan memilih setelah melihat biaya nyata. Tautan kunci loop tertutup adalah: populasi awal → mutasi atau persilangan menghasilkan perubahan → fungsi lingkungan atau evaluasi memberikan skor → seleksi dan pemeliharaan → populasi generasi baru, dan mengalir kembali ke putaran berikutnya. Evaluasi terjadi setiap generasi dan dapat diperbarui seiring lingkungan dan kendala, sehingga merupakan umpan balik berkelanjutan bukan penerimaan akhir
> - Maknanya adalah tidak perlu mengompresi semua nilai menjadi satu tujuan tunggal, dapat mengeksplorasi solusi kompromi di antara multi-indikator, dan melalui umpan balik setiap generasi secara bertahap mendekati solusi keseimbangan yang dapat diterima di bawah kendala kompleks. Ingat loop evolusioner dengan tiga ketukan — mutasi (menghasilkan perubahan) → evaluasi (umpan balik lingkungan) → seleksi (mempertahankan atau mengeliminasi). Saat menghadapi algoritma evolusioner apa pun, tanyakan tiga hal terlebih dahulu: dari mana perubahan berasal, siapa yang memberi skor, siapa yang dipertahankan. Evaluasi tidak sama dengan penerimaan
> - Multi-objective jangan terburu-buru menormalisasi, tanyakan dulu apakah kelompok solusi mencakup arah trade-off yang berbeda, bukan hanya mempertahankan jawaban dengan skor total tertinggi.

**Pemeriksaan Pemahaman**

Minta siswa menjelaskan dengan kata-kata sendiri mengapa evaluasi harus terjadi setiap generasi, dan menilai apakah suatu kelompok solusi mencakup arah trade-off yang berbeda. Dapat menjelaskan bahwa setelah fungsi evaluasi berubah, distribusi populasi akan bergerak ke arah yang sesuai, berarti telah menangkap makna umpan balik; dapat menunjukkan bahwa kelompok solusi tidak boleh hanya mempertahankan yang skor totalnya tertinggi, berarti telah memahami trade-off multi-objective.

> **Petunjuk Transisi**
>
> Setelah memastikan siswa dapat menyebutkan tiga tautan mutasi, evaluasi, seleksi secara lengkap, dan dapat membedakan evaluasi dari penerimaan akhir, lanjutkan ke halaman berikutnya tentang contoh soal, aplikasi, atau ringkasan.

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

### Apakah Kecerdasan Produk yang Telah Ditentukan atau Proses Lingkungan

*Halaman 5*

> **Tujuan Halaman:** Pembelajar harus memahami bahwa sistem cerdas adalah proses dinamis yang terus terbentuk dalam lingkungan, bukan produk yang telah selesai dirancang sebelumnya.

**Poin Pengajaran**

- Mode produk bertanya "apa yang ia outputkan", kemampuan dibekukan sebelum deployment; mode proses bertanya "bagaimana ia bertindak, bagaimana ia mendapatkan umpan balik", kemampuan dihasilkan secara bertahap selama operasi. Saat menghadapi kasus baru, tanyakan dulu pada diri sendiri: apakah batas perilaku sistem ini sudah ditetapkan sebelum operasi?
- Memahami kecerdasan sebagai proses, objek desain berubah dari "perilaku tetap" menjadi "mekanisme yang menghasilkan dan memperbaiki perilaku". Bagaimana tindakan dihasilkan, dari mana umpan balik berasal, dengan standar apa kandidat dievaluasi, apa yang dipertahankan dan kapan diperbarui, hal-hal ini tidak dapat terlewat satu pun, kekurangan tautan mana pun akan menghentikan loop.
- Untuk menilai apakah suatu sistem benar-benar memiliki kemampuan evolusi, dapat bertanya berturut-turut: apakah sinyal umpan balik benar-benar ada dan dapat mengalir kembali ke sistem? Apakah secara bersamaan menghasilkan beberapa kelompok kandidat untuk saling dibandingkan? Apakah ada aturan evaluasi dan pemeliharaan yang jelas sehingga pengalaman tidak hilang? Jika ada satu dari tiga pertanyaan yang tidak dapat dijawab, maka ia masih berada di sisi "produk yang telah ditentukan".

# Apakah Kecerdasan Produk yang Telah Ditentukan atau Proses Lingkungan

## Tujuan Halaman

Sistem cerdas bukanlah produk yang telah selesai dirancang sebelumnya dan tetap tidak berubah setelah deployment, melainkan proses dinamis yang terus berevolusi dalam lingkungan melalui tindakan, umpan balik, penyaringan, dan pemeliharaan. Memahami perbedaan ini adalah dasar untuk menguasai pemikiran komputasi evolusioner selanjutnya.

## Urutan Penjelasan dan Poin Penting

Mode produk dan mode proses lingkungan.

Kebutuhan→Desain→Enkapsulasi→Deployment, kemampuan menetapkan batas sebelum operasi, tidak berubah setelah deployment. Keunggulannya adalah terkendali, dapat direproduksi, mudah diterima; kelemahannya adalah ketika lingkungan berubah hanya dapat merancang ulang dan deploy ulang, masalah berulang secara periodik.

Tindakan→Umpan balik lingkungan→Evaluasi multi-kandidat→Pemeliharaan yang lebih baik→Pembaruan strategi→Tindakan lagi. Kemampuan dihasilkan secara bertahap selama operasi, tidak menuntut kebenaran satu kali, melainkan terus bertindak, menerima umpan balik dan mengubahnya menjadi dasar penyesuaian.

Konsep "mesin anak" yang diusulkan Turing pada tahun 1950 — secara bertahap memperoleh kemampuan dalam lingkungan melalui pendidikan, eksperimen, dan imbalan serta hukuman, adalah bentuk awal dari pemikiran proses lingkungan. Generasi satu kali model besar tidak dapat membuktikan kebenarannya sendiri, dan juga sulit untuk efektif secara berkelanjutan dalam perubahan lingkungan.

Penyaringan dan pemeliharaan. Adaptasi berkelanjutan mode proses bergantung pada mengevaluasi, menyaring, dan mempertahankan hasil yang lebih efektif dari beberapa kemungkinan hasil. Setiap putaran menghasilkan beberapa kelompok kandidat, lingkungan memberikan sinyal keberhasilan dan kualitas, sistem berdasarkan ini mengeliminasi, mempertahankan, dan mengendapkan jalur yang lebih baik sebagai titik awal putaran berikutnya. Pemeliharaan membuat pengalaman tidak terbuang, kemampuan dapat terakumulasi.

Memahami kecerdasan sebagai proses tidak berarti melepaskan desain. Antarmuka tindakan, sinyal umpan balik, standar evaluasi, aturan pemeliharaan semuanya harus dirancang secara eksplisit, hanya saja objek desain berubah dari "perilaku tetap" menjadi "mekanisme yang menghasilkan dan memperbaiki perilaku".

Pusat penelitian bergeser dari "memilih atau men-deploy jawaban tetap" menjadi "membangun proses yang dapat dieksplorasi, dapat diumpan balikkan, dapat berevolusi". Model menghasilkan kemungkinan, lingkungan menyediakan umpan balik, sistem bertanggung jawab atas evaluasi, seleksi, dan pewarisan. Untuk menilai apakah AI Native, lihat apakah memiliki loop tertutup ini, bukan seberapa kuat modelnya.

## Cakupan Kata Kunci

Produk yang telah ditentukan, proses lingkungan, tindakan, umpan balik, penyaringan, pemeliharaan, evaluasi multi-kandidat, pembaruan strategi, loop evolusioner, mesin anak, AI Native, EvoX.

## Petunjuk Materi

Halaman ini dilengkapi dengan "Diagram Perbandingan Mode Produk yang Telah Ditentukan dan Mode Evolusi Lingkungan". Mode produk di sebelah kiri adalah alur linier: kebutuhan→desain→enkapsulasi→deployment→kemampuan tetap, dengan catatan di bawah "batas kemampuan telah ditetapkan sebelum operasi, tidak berubah setelah deployment". Mode evolusi lingkungan di sebelah kanan adalah loop tertutup melingkar: tindakan→umpan balik lingkungan→evaluasi multi-kandidat→pemeliharaan yang lebih baik→pembaruan strategi→tindakan lagi, dengan label di tengah "loop evolusioner: umpan balik·penyaringan·pewarisan", dengan catatan di bawah "bertindak dalam lingkungan, terus menyesuaikan dari umpan balik". Diagram ini dapat digunakan untuk membandingkan kedua mode secara intuitif.

## Penanganan Latihan

Halaman ini berisi lima soal pilihan ganda dan satu kasus, untuk menguji pemahaman.

Poin soal pilihan ganda:

Batas perilaku sistem pada dasarnya sudah ditentukan sebelum operasi, kemampuan tetap tidak berubah setelah deployment. Umpan balik: kemampuan mode produk selesai dienkapsulasi sebelum operasi, tidak ada perubahan struktural selama fase operasi; jika sistem dapat mengubah perilaku berdasarkan umpan balik selama operasi, maka lebih mendekati "proses".

Aturan dan parameter adalah preset sebelum operasi, mode proses menekankan sinyal umpan balik yang diperoleh selama operasi.

Akurasi, siklus deployment, skala data adalah indikator satu kali mode produk, tidak membentuk mekanisme penyesuaian berkelanjutan.

Kata kuncinya adalah "evaluasi, penyaringan, pemeliharaan", enumerasi tidak layak, aturan manual tidak dapat mencakup perubahan, percobaan acak murni kekurangan pemeliharaan dan akumulasi.

5. Implikasi bagi EvoX dan penelitian ilmiah AI Native? Jawaban yang benar: dari memilih atau men-deploy jawaban tetap, beralih ke membangun proses yang dapat dieksplorasi, dapat diumpan balikkan, dapat berevolusi. Umpan balik: model yang lebih besar, generasi satu kali, deployment online semuanya berhenti pada pemikiran "jawaban tetap", kekurangan loop tertutup yang dapat diumpan balikkan dan dapat berevolusi.

Tim melatih strategi pengambilan tetap menurut mode produk, setelah deployment karena perubahan lingkungan menyebabkan tingkat keberhasilan menurun, hanya dapat berulang kali mengumpulkan ulang, melatih, dan men-deploy.

Gunakan kerangka "produk yang telah ditentukan/proses lingkungan" untuk menjelaskan masalah tahap pertama dan mengapa berulang kali gagal. Poin jawaban: tahap pertama memperlakukan kecerdasan sebagai produk yang telah ditentukan, kemampuan dienkapsulasi sebelum operasi, batas perilaku ditetapkan saat deployment, sistem tidak dapat menyesuaikan berdasarkan perubahan lingkungan; ketika bahan kemasan, pencahayaan, kecepatan konveyor berubah, kondisi yang menjadi andalan strategi asli gagal, sistem hanya dapat kembali ke titik awal, tenaga kerja mengumpulkan ulang melatih dan men-deploy; setiap putaran deployment kembali membekukan batas, masalah berulang secara periodik, siklus penyesuaian panjang, pengalaman sulit terakumulasi.

① Produksi tindakan: setiap pengambilan menghasilkan beberapa kelompok kandidat pose dan kekuatan cengkeraman; ② Sumber umpan balik: lingkungan memberikan sinyal keberhasilan (berhasil, tergelincir, waktu, kerusakan), ditambah inspeksi sampling manual; ③ Evaluasi dan penyaringan: memberi skor dan mengurutkan berdasarkan tingkat keberhasilan, waktu, tingkat kerusakan, mengeliminasi kandidat tidak valid; ④ Pemeliharaan dan pewarisan: mencatat solusi skor tinggi dan situasi yang sesuai, sebagai titik awal situasi serupa, mengakumulasi pengalaman; ⑤ Pembaruan strategi dan tindakan lagi: menggunakan sampel berkualitas untuk memperbarui strategi, memasukkan ke putaran berikutnya, membentuk loop tertutup berkelanjutan.

## Aktivitas Kelas dan Pemeriksaan Pemahaman

Dapat meminta siswa menggunakan contoh dekat dengan kehidupan (seperti belajar bersepeda, penyesuaian algoritma rekomendasi) untuk menceritakan kembali perbedaan dua mode, dan menjelaskan hubungan antara contoh dengan "mode produk bertanya apa yang dioutputkan, mode proses bertanya bagaimana bertindak dan mendapatkan umpan balik". Secara acak minta seorang siswa merangkum poin penting halaman ini dengan kata-kata sendiri, guru menambahkan kata kunci yang terlewat berdasarkan jawaban, seperti "antarmuka tindakan", "sinyal umpan balik", "standar evaluasi", "aturan pemeliharaan", dll.

## Petunjuk Transisi

Setelah memastikan siswa dapat menyebutkan perbedaan inti antara produk yang telah ditentukan dan proses lingkungan, dan dapat menggunakan "apakah batas perilaku ditetapkan sebelum operasi" untuk menilai suatu sistem berada di sisi mana, lanjutkan ke halaman berikutnya tentang contoh soal, aplikasi, atau ringkasan.

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

### Kompleksitas Dunia Nyata dan Konflik Multi-Objective

*Halaman 6*

> **Tujuan Halaman:** Pembelajar harus memahami realitas objektif bahwa saling tarik-menarik multi-objective di dunia nyata menyebabkan tidak adanya solusi optimal tunggal.

> **Tujuan Halaman**
>
> Memahami realitas objektif dalam optimasi multi-objective dunia nyata di mana tujuan saling tarik-menarik dan tidak ada solusi optimal tunggal, serta dapat menjelaskan mengapa komputasi evolusioner cocok untuk menangani masalah seperti ini.

**Poin Pengajaran**

- Meningkatkan akurasi sering meningkatkan latensi inferensi dan biaya komputasi
- Memperkuat ketahanan mungkin mengorbankan performa puncak
- Mengurangi konsumsi energi mungkin membatasi kapasitas model. Tujuan-tujuan ini tidak sepenuhnya sebanding, sehingga tidak ada solusi tunggal yang membuat semua tujuan optimal secara bersamaan, hanya ada sekelompok solusi trade-off yang tidak terdominasi, yaitu mendekati Pareto front. Sumbu horizontal adalah latensi inferensi, sumbu vertikal adalah biaya komputasi
- Awan titik abu-abu adalah solusi layak, batas merah adalah Pareto front
- Titik yang berada di dalam front, didominasi oleh solusi lain yang tidak lebih buruk secara menyeluruh dan setidaknya lebih buruk dalam satu tujuan, termasuk solusi terdominasi. Titik lutut (titik belok) adalah titik trade-off dengan rasio harga-manfaat tinggi pada front, untuk terus memperbaiki satu tujuan perlu mengorbankan tujuan lain secara signifikan
- Populasi evolusioner melalui pencarian paralel secara bertahap mendekati front. Saling tarik-menarik multi-objective — perbaikan satu tujuan sering menyebabkan degradasi tujuan lain
- Kendala kompleks — kendala keras, kendala lunak, ketidakpastian, dan lingkungan dinamis bersama-sama mempersempit ruang layak, membuat asumsi solusi optimal titik tunggal gagal
- Solusi optimal tunggal biasanya tidak ada — skalarisasi atau pencarian titik tunggal sulit mengekspresikan ruang keputusan nyata
- Output harus berupa kelompok solusi — mempertahankan kandidat yang beragam, memberikan pengambil keputusan batas trade-off yang dapat dibandingkan dan ruang pilihan preferensi. Solusi A mendominasi solusi B, jika dan hanya jika A tidak lebih buruk dari B dalam semua tujuan, dan setidaknya lebih baik secara ketat dalam satu tujuan. Komputasi evolusioner sering menggunakan non-dominated sorting dan crowding distance, mempertahankan konvergensi dan keragaman sambil mendekati front. Tidak bergantung pada gradien atau diferensiabilitas fungsi tujuan, setiap individu dalam populasi mewakili satu kandidat solusi, melalui pencarian paralel secara bersamaan mendekati beberapa solusi trade-off
- Preferensi pengambil keputusan biasanya masuk pada tahap akhir, memilih solusi dari front, lebih robust daripada menetapkan bobot terlebih dahulu.

**Penanganan Latihan**

Soal 1 item yang benar menekankan tujuan saling tarik-menarik, tidak adanya solusi tunggal yang membuat semua tujuan optimal secara bersamaan; skalarisasi akan kehilangan informasi trade-off.

Soal 2 item yang benar adalah "A tidak lebih buruk dari B dalam semua tujuan, dan setidaknya lebih baik secara ketat dalam satu tujuan"; ingatkan siswa bahwa dominasi menuntut tidak lebih buruk secara menyeluruh, bukan hanya satu tujuan lebih baik.

Soal 3 item yang benar menunjukkan metode weighted sum bergantung pada bobot prior, hanya dapat memperoleh sejumlah solusi terbatas, dan mungkin melewatkan bagian front non-konveks.

Soal 4 item yang benar adalah "pencarian paralel populasi dan pemeliharaan keragaman, dapat secara bersamaan mendekati beberapa solusi trade-off"; saat umpan balik dapat menekankan ketergantungan gradien rendah dan pemeliharaan keragaman.

Soal 5 item yang benar adalah mencari sekelompok solusi trade-off Pareto, kemudian memilih berdasarkan preferensi skenario; penjumlahan sederhana atau hanya mengoptimalkan satu tujuan akan menyembunyikan hubungan trade-off.

**Aktivitas Kelas**

Tujuannya adalah memaksimalkan akurasi, meminimalkan latensi, meminimalkan konsumsi energi; kendala keras seperti batas memori perangkat, kendala lunak dapat mencakup anggaran energi dan bandwidth; ketidakpastian berasal dari fluktuasi bandwidth, pemutusan koneksi, perubahan beban. Karena tujuan bertentangan dan tidak sepenuhnya sebanding, tidak ada solusi optimal tunggal, hanya dapat memperoleh sekelompok solusi trade-off Pareto. Tim dapat menggunakan pencarian paralel populasi untuk mempertahankan beberapa solusi non-dominated, dengan non-dominated sorting dan crowding distance mempertahankan keragaman dan mendekati front; akhirnya menggabungkan titik lutut dan interval preferensi untuk memilih solusi, untuk kendala keras menggunakan aturan kelayakan atau fungsi penalti, untuk lingkungan dinamis memperkenalkan evolusi online atau optimasi robust.

**Pemeriksaan Pemahaman**

Minta siswa menjelaskan dengan kata-kata sendiri "mengapa dalam masalah multi-objective, kita harus waspada ketika melihat solusi optimal tunggal", dan memberikan contoh bagaimana perbaikan satu tujuan menyebabkan degradasi tujuan lain.

> **Petunjuk Transisi**
>
> Setelah memastikan siswa dapat membedakan solusi terdominasi, solusi non-dominated, dan titik lutut, dan dapat menjelaskan mengapa keragaman populasi penting, lanjutkan ke halaman berikutnya tentang aplikasi atau ringkasan.

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

### Mendobrak Kontradiksi antara Keragaman dan Biaya Rekayasa

*Halaman 7*

> **Tujuan Halaman:** Pembelajar harus memahami inspirasi mekanisme mutasi-seleksi alam untuk mengatasi masalah biaya keragaman yang tinggi dalam rekayasa tradisional.

> **Tujuan Halaman**
>
> Struktur kompleks alam berasal dari proses berkelanjutan "mutasi—seleksi", keragaman adalah produk intrinsik dari mekanisme ini; sedangkan rekayasa tradisional telah lama menganggap keragaman sebagai biaya tambahan. Transformasi inti adalah mengubah pemahaman keragaman dari "item biaya" menjadi "sumber daya pencarian".

> **Urutan Penjelasan**
>
> Mutasi menghasilkan cabang kandidat baru, seleksi berdasarkan umpan balik lingkungan mempertahankan jalur yang efektif dan mengeliminasi jalur yang tidak efisien. Produksi dan penyaringan kandidat terjadi secara bersamaan, tidak perlu menghitung semua kemungkinan solusi terlebih dahulu lalu memverifikasi satu per satu.
>
> Jika membutuhkan 100 solusi layak, biasanya berarti sekitar 100 kali "desain—simulasi—evaluasi—produksi percobaan" serial. Setiap percobaan memakan tenaga kerja, daya komputasi, dan waktu, keragaman terwujud sebagai biaya marginal yang tinggi; alur secara alami serial, penjadwalan rumit, skala eksplorasi cepat mencapai batas.
>
> Mengorganisir kandidat menjadi populasi, dapat menghasilkan secara bersamaan, mengevaluasi secara bersamaan, tekanan seleksi diterapkan secara seragam pada himpunan kandidat paralel. Paralelisme bukan teknik optimasi tahap akhir, melainkan atribut bawaan dari mekanisme ini.
>
> Keragaman beralih dari "item biaya tambahan" menjadi "sumber daya pencarian" — lebih banyak kandidat berarti cakupan lebih luas dan ketahanan lebih kuat; hambatan beralih dari penjadwalan manual serial ke throughput komputasi paralel, skalabilitas ditentukan oleh skala daya komputasi.
>
> Daya komputasi paralel GPU dan kemampuan generasi cerdas model besar menyediakan fondasi untuk generasi kandidat skala besar dan evaluasi paralel, tetapi keduanya sendiri bukanlah mekanisme seleksi dan pewarisan; inti mekanisme tetap loop tertutup "mutasi menghasilkan kandidat, seleksi mempertahankan jalur".

**Poin Pengajaran**

- Satu kandidat sesuai dengan satu iterasi dalam alur serial, seluruh populasi sesuai dengan satu pemrosesan batch paralel. Untuk menilai apakah suatu metode dapat diparalelkan, lihat apakah unit pencariannya adalah solusi tunggal, atau populasi yang dapat dihasilkan dan dievaluasi secara bersamaan. GPU dan model besar membuat eksplorasi paralel skala besar layak secara rekayasa, tetapi tautan evaluasi dan penyaringan tidak pernah dapat dilewati. Pohon evolusi alam di sebelah kiri menunjukkan cabang mutasi serta pemeliharaan dan eliminasi
- Saluran pipa serial di kanan atas menekankan keragaman sama dengan biaya tambahan
- Populasi paralel di kanan bawah menunjukkan generasi batch, evaluasi paralel, seleksi dan pemeliharaan, dan menunjukkan hambatan beralih ke throughput komputasi paralel. Komputasi evolusioner mengubah kontradiksi tradisional "keragaman pasti berbiaya tinggi, penjadwalan serial rumit" menjadi masalah komputasi paralel yang dapat diskalakan.

**Penanganan Latihan**

Halaman ini memiliki soal penilaian konsep dan soal kasus. Soal konsep berfokus memeriksa apakah pembelajar dapat menjelaskan "keragaman" sebagai sumber daya pencarian, dan menjelaskan mengapa komputasi evolusioner cocok untuk paralelisasi; jawaban yang benar harus dapat menghubungkan generasi dan evaluasi populasi secara bersamaan, penerapan tekanan seleksi secara seragam. Soal kasus meminta menunjukkan bahwa kontradiksi "keragaman—biaya" terpusat pada tiga tautan: generasi solusi, evaluasi simulasi, penjadwalan alur; saat mereorganisasi alur, harus mengorganisir generasi batch populasi, evaluasi paralel, seleksi terpadu, mempertahankan solusi yang berbeda dan terus bermutasi, membentuk loop tertutup "generasi—evaluasi—seleksi—mutasi lagi", hambatan beralih dari penjadwalan manual ke throughput paralel. Saat umpan balik, untuk jawaban yang benar memastikan mereka dapat menghubungkan dengan bukti halaman ini; untuk jawaban yang salah memandu kembali melihat diagram perbandingan saluran pipa serial dan populasi paralel.

**Pemeriksaan Pemahaman**

Mengapa keragaman dalam rekayasa tradisional adalah biaya, dalam komputasi evolusioner adalah sumber daya? Jika pembelajar dapat menyebutkan "populasi dapat diparalelkan, evaluasi seleksi tetap diperlukan, hambatan beralih ke throughput daya komputasi", maka dapat lanjut ke halaman berikutnya.

> **Petunjuk Transisi**
>
> Setelah memastikan pembelajar dapat membedakan "fondasi yang memungkinkan" dan "mekanisme mutasi—seleksi", lanjutkan ke halaman berikutnya tentang detail bagaimana GPU dan model besar mendukung generasi kandidat skala besar dan evaluasi paralel.

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

### Fondasi Rekayasa yang Dibentuk GPU dan Model Besar

*Halaman 8*

> **Tujuan Halaman:** Pembelajar harus menguasai dukungan kokoh yang diberikan komputasi paralel GPU dan kemampuan generasi model besar untuk eksplorasi evolusioner skala besar.

> **Tujuan Halaman**
>
> GPU menyediakan throughput paralel, model besar menyediakan pintu masuk semantik dan koneksi konteks, EvoX bertanggung jawab atas loop tertutup pencarian, seleksi, dan umpan balik. Pembelajar harus dapat membedakan pembagian kerja tiga lapisan, dan berdasarkan itu menilai kelemahan sistem.

> **Urutan Penjelasan**
>
> Bawa siswa melihat diagram struktur tiga lapisan. Lapisan model besar di atas bertanggung jawab atas pemahaman maksud bahasa alami, pemahaman dan generasi kode, koneksi konteks proyek; fondasi rekayasa EvoX di tengah beroperasi menurut "generasi kandidat→evaluasi paralel→aliran balik umpan balik→lanjutkan evolusi"; lapisan GPU di bawah bertanggung jawab atas evaluasi paralel batch, iterasi throughput tinggi, dan memperluas batas eksplorasi. Kemudian jelaskan perubahan setelah daya komputasi terbuka: evaluasi tidak lagi mengantri menunggu, sejumlah besar kandidat dapat secara bersamaan dikirim ke evaluasi paralel, umpan balik mengalir kembali hampir bersamaan. Selanjutnya jelaskan sumber kandidat beralih dari desain manual dan sampling kecil, menjadi mode hibrida "pasokan batch komputasi paralel + generasi dan penulisan ulang model besar". Akhirnya klarifikasi batas antara fondasi dan algoritma, dan tambahkan kolaborasi multi-Agent, dekomposisi tugas rekursif, dan persistensi tingkat proyek.

**Poin Pengajaran**

- Kontribusi paling fundamental GPU adalah throughput, mendorong evaluasi dan pencarian dari serial, batch kecil ke eksplorasi bersamaan skala besar
- Ia tidak bertanggung jawab atas pemahaman semantik, juga tidak bertanggung jawab atas penyimpanan konteks. Peran paling akurat model besar adalah pintu masuk semantik dan koneksi konteks, mengubah maksud penelitian lebih cepat menjadi kandidat yang dapat dieksekusi, skrip, atau draf operator, dan menjaga konsistensi dengan konteks proyek
- Sebanyak apa pun kandidat, tetap harus disaring melalui umpan balik lingkungan dan evaluasi seleksi menjadi kemampuan yang dapat terakumulasi secara berkelanjutan. Ingat ketiganya sebagai satu mantra: GPU mengurus "bisa berjalan", model besar mengurus "bisa terhubung", EvoX mengurus "bisa berputar". Saat melihat masalah, tentukan dulu apakah yang kurang adalah throughput daya komputasi, pintu masuk semantik, atau mekanisme loop tertutup, lalu putuskan ke lapisan mana harus ditambah.

**Cakupan Kata Kunci**

- Fondasi rekayasa, komputasi paralel GPU, model besar, pintu masuk semantik, koneksi konteks, loop tertutup pencarian·seleksi·umpan balik, generasi kandidat, evaluasi paralel, aliran balik umpan balik, lanjutkan evolusi, pengiriman kandidat batch, iterasi throughput tinggi, memperluas batas eksplorasi, kolaborasi multi-Agent, dekomposisi tugas rekursif, persistensi tingkat proyek, konteks lintas Agent.

> **Petunjuk Materi**
>
> - Diagram arsitektur tiga lapisan cocok untuk dijelaskan sambil menunjuk — lapisan model besar ungu di atas, loop tertutup EvoX hijau di tengah, lapisan GPU biru di bawah. Panah dalam diagram mencerminkan "maksud penelitian→draf kandidat" dan "aliran balik kendala dan konteks", serta "pengiriman kandidat batch" "hasil evaluasi paralel". Saat menjelaskan persistensi tingkat proyek, dapat menggunakan "tujuan, kendala, produk antara, hasil evaluasi" sebagai empat aset proyek yang harus diendapkan.

> **Petunjuk Latihan**
>
> - Lima soal pilihan ganda masing-masing memeriksa tanggung jawab GPU, tanggung jawab model besar, perubahan sumber kandidat, multi-Agent dan persistensi tingkat proyek, pembagian kerja fondasi dan algoritma. Jawaban berturut-turut adalah: C, A, A, C, C. Saat menangani jangan hanya melaporkan jawaban, dapat meminta siswa menyebutkan alasan pengecualian: GPU bukan pemahaman semantik atau penyimpanan
> - Model besar bukan loop tertutup itu sendiri
> - Sumber kandidat adalah perluasan dan hibrida, bukan pembatalan evaluasi atau kembali ke desain manual satu per satu
> - Persistensi memungkinkan konteks kunci berlanjut melintasi Agent yang berbeda
> - Fondasi tidak menggantikan algoritma itu sendiri, juga tidak menghilangkan ketidakpastian. Platform pencarian otomatis operator. Poin jawaban dibagi menjadi dua lapisan. Pertama, lapisan GPU bertanggung jawab atas throughput, evaluasi paralel batch dan memperluas cakupan yang dapat dieksplorasi
> - Lapisan model besar bertanggung jawab atas pintu masuk semantik dan koneksi konteks, mengubah kebutuhan menjadi implementasi kandidat, skrip, atau draf operator. Keduanya tidak dapat saling menggantikan, karena model besar tidak memiliki throughput evaluasi numerik paralel batch, GPU juga tidak memahami bahasa alami dan semantik proyek. Kedua, kolaborasi multi-Agent dan dekomposisi tugas rekursif memerlukan persistensi tingkat proyek yang dibagikan: memecah tujuan umum menjadi pemahaman kebutuhan, dekomposisi tugas, generasi kandidat, evaluasi paralel, pengarsipan hasil, dan sub-tugas lainnya, diklaim oleh Agent yang berbeda
> - Endapkan definisi tujuan, kondisi kendala, versi kandidat, indikator evaluasi, dan alasan kegagalan di tingkat proyek. Dengan demikian bahkan jika mengganti Agent atau versi model di tengah jalan, Agent baru dapat melanjutkan kemajuan yang sudah ada, hasil evaluasi di sisi GPU setelah ditulis kembali menjadi input untuk generasi kandidat putaran berikutnya, loop tertutup dapat beroperasi secara berkelanjutan lintas konteks.

**Pemeriksaan Pemahaman**

Secara acak minta seorang siswa merangkum pembagian kerja tiga lapisan dengan kata-kata sendiri, dan menjawab "jika efek sistem tidak baik, periksa dulu throughput daya komputasi, pintu masuk semantik, atau mekanisme loop tertutup". Kemudian minta siswa memeriksa loop tertutup menurut "generasi kandidat→evaluasi paralel→aliran balik umpan balik→lanjutkan evolusi", menunjukkan langkah mana yang hilang atau melambat; jika setiap putaran harus menjelaskan latar belakang kepada Agent lagi, kemungkinan besar persistensi tingkat proyek tidak dilakukan dengan baik.

> **Petunjuk Transisi**
>
> Setelah memastikan siswa dapat membedakan pembagian kerja fondasi dan algoritma, lanjutkan ke halaman berikutnya tentang implementasi spesifik, kasus aplikasi, atau ringkasan.

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

### Ekspansi Batas Objek Evolusi: dari Parameter ke Program

*Halaman 9*

> **Tujuan Halaman:** Pembelajar harus memahami bagaimana sistem evolusi modern memperluas objek evolusi dari parameter numerik ke program dan mekanisme algoritma.

> **Tujuan Halaman**
>
> Memahami bagaimana sistem evolusi modern memperluas objek evolusi dari parameter numerik ke program dan mekanisme algoritma, menguasai tangga empat tingkat "parameter numerik → hyperparameter dan struktur model → mekanisme algoritma dan operator → program dan status rekayasa".

**Poin Pengajaran**

- Setiap naik satu tingkat, tanyakan tiga hal — bagaimana kandidat direpresentasikan? Apa kendalanya? Sinyal apa yang digunakan untuk evaluasi? Dari "rentang nilai" lapisan parameter beralih ke "sintaksis, semantik, dan kelayakan eksekusi" lapisan program. Semakin bebas objeknya, semakin berat tanggung jawab verifikasi, tidak boleh salah membaca ekspansi sebagai dapat menghasilkan kode secara sembarangan. Jika masih menggunakan fungsi kerugian tunggal untuk mengevaluasi kandidat tingkat modul kode, berarti evaluasi tertinggal
- Perlu memeriksa apakah kompilasi berhasil, apakah pengujian mencakup, apakah benchmark meningkat, apakah biaya sumber daya dapat diterima, apakah perlu trade-off multi-objective. Peningkatan evolusi alur pelatihan sistem rekomendasi. Tahap satu learning rate dan ukuran batch sesuai dengan lapisan parameter numerik, kandidat adalah vektor bilangan real kontinu, dapat dievaluasi dengan tujuan tunggal pada set validasi
- Tahap dua jumlah lapisan jaringan, lebar, dan augmentasi data sesuai dengan lapisan hyperparameter dan struktur model, nilai diskrit, ruang kombinasi besar, selain indikator validasi juga perlu memperhatikan generalisasi dan overfitting
- Tahap tiga bentuk fungsi kerugian dan operator sampling sesuai dengan lapisan mekanisme algoritma dan operator, kandidat harus memenuhi kendala sintaksis dan semantik, evaluasi harus menambahkan ketahanan, stabilitas, dan trade-off multi-objective
- Tahap empat skrip pelatihan dan konfigurasi saluran pipa rekayasa sesuai dengan lapisan program dan status rekayasa, evaluasi meningkat menjadi apakah kompilasi dan pengujian berhasil, apakah biaya sumber daya dapat diterima, serta trade-off multi-objective akurasi dan biaya. Pola inti: semakin dekat objek dengan program, semakin evaluasi harus bergerak dari skalar tunggal ke umpan balik tingkat sistem. Dalam representasi, abstraksikan skrip menjadi struktur sintaksis yang dapat dioperasikan atau komponen modular (tahap saluran pipa, titik injeksi hyperparameter, blok alur kontrol), bukan teks murni yang tidak dapat diuraikan
- Dalam kendala, pastikan dapat dikompilasi, antarmuka dan dependensi konsisten, dapat dijalankan dalam waktu terbatas dan anggaran daya komputasi
- Dalam evaluasi, selain akurasi, sertakan tingkat kelulusan pengujian, biaya evaluasi tunggal, reproduktifitas, dan trade-off Pareto multi-objective. Risiko utama adalah ruang pencarian meluas secara drastis, biaya evaluasi tinggi, sejumlah besar kandidat "bisa berjalan tetapi tidak menguntungkan" membuang daya komputasi, kandidat yang salah bahkan dapat merusak stabilitas rekayasa. Cara penanganannya termasuk prior berlapis, membuka lapisan demi lapisan, model proxy atau penyaringan berbiaya rendah, dan secara eksplisit menimbang akurasi dan biaya.

**Penanganan Latihan**

Soal halaman ini digunakan untuk memeriksa apakah dapat menjelaskan konsep inti dan ekspansi objek evolusi dengan bukti atau contoh. Arah yang benar adalah "dapat menghubungkan dengan konsep halaman ini dan menjelaskan dasarnya"; jika memilih "mengubah semua faktor secara bersamaan untuk membandingkan hasil" "menyimpulkan hanya berdasarkan perasaan" "melewati materi dan langsung menghafal" dll., maka tidak memenuhi persyaratan. Umpan balik dapat diberikan seperti ini: saat menjawab benar katakan "pemahaman ini konsisten dengan garis besar yang telah dikonfirmasi"; saat menjawab salah ingatkan "tinjau kembali konsep inti terlebih dahulu, atau kembali ke penjelasan halaman ini untuk menemukan bukti atau contoh kunci sebelum menilai".

**Pemeriksaan Pemahaman**

Secara acak minta siswa merangkum tangga empat tingkat dengan kata-kata sendiri, dan memberikan contoh representasi, kendala, dan sinyal evaluasi dari objek pada tingkat tertentu. Petunjuk transisi: setelah memastikan siswa dapat menyebutkan "transfer kendala" dan "sinyal evaluasi yang sesuai dengan tingkat" lanjutkan ke halaman berikutnya tentang contoh soal, aplikasi, atau ringkasan.

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

### Batas Kemampuan Model Besar dan Evolusi Berkelanjutan Tingkat Sistem

*Halaman 10*

> **Tujuan Halaman:** Pembelajar harus memahami bahwa meskipun kemampuan model besar kuat, tetap memerlukan kerangka tingkat sistem untuk mengatur perkembangan berkelanjutannya.

**Poin Pengajaran**

- Untuk menilai apakah suatu pekerjaan benar-benar maju, tanyakan dulu pada diri sendiri satu pertanyaan: apakah output kali ini dapat langsung diwarisi oleh tugas berikutnya? Jika jawabannya tidak, kemungkinan besar itu hanya konsumsi satu kali, bukan evolusi. Jangkar memori: menghasilkan kemungkinan bergantung pada model, akumulasi perbaikan bergantung pada sistem.
- Konteks habis, ketiadaan nilai kebenaran, penjadwalan eksperimen, masing-masing sesuai dengan pengendapan dan penggunaan kembali, evaluasi dan penyaringan, konstruksi dan pemanggilan lingkungan. Saat menghadapi masalah "tidak bisa berubah", pertama-tama tentukan jenis kekurangan yang termasuk, lalu putuskan kemampuan sistem mana yang harus ditambah, bukan langsung mempertimbangkan mengganti model.
- Cara implementasi evolusi berkelanjutan tingkat proyek adalah membiarkan output setiap tugas mengendap menjadi empat jenis aset ini. Kembangkan kebiasaan: setelah tugas selesai habiskan sepuluh menit untuk menulis kembali bagian yang dapat digunakan ke repositori, terutama catat kasus kegagalan "jalan ini buntu" — mereka juga menaikkan titik awal tugas berikutnya.

> **Tujuan Halaman**
>
> Memahami bahwa meskipun kemampuan model besar kuat, evolusi berkelanjutan adalah tanggung jawab tingkat sistem, bukan perpanjangan alami dari kemampuan model. Pembagian kerja inti: model bertanggung jawab menghasilkan kemungkinan, sistem bertanggung jawab menerapkan tekanan seleksi dan mempertahankan sejarah.
>
> Poin Pengajaran
>
> Pemahaman semantik dapat menguraikan kebutuhan yang kabur menjadi deskripsi yang dapat dieksekusi dan mengidentifikasi kendala; kemampuan generasi dapat menghasilkan kode, konfigurasi, solusi, dan penjelasan dalam beberapa menit, dan merevisi diri dalam percakapan yang sama; penalaran multi-langkah dapat menyelesaikan dekomposisi tugas, derivasi berantai, dan penjelasan trade-off; pemanggilan alat melalui fungsi dan antarmuka eksternal menghubungkan output bahasa ke tindakan nyata. Dengan demikian, produksi kandidat sudah hampir gratis, yang benar-benar langka adalah mekanisme yang menerapkan tekanan seleksi pada kandidat.
>
> Satu sesi tidak dapat membentuk loop tertutup. Status dalam sesi mudah hilang, setelah konteks habis memori lintas tugas terputus; ketiadaan nilai kebenaran, model tidak dapat secara mandiri mendefinisikan "apa yang dianggap benar", juga sulit memberikan standar evaluasi yang independen dari outputnya sendiri; ketiadaan penjadwalan eksperimen, pengujian benchmark batch, pengujian signifikansi statistik, penilaian kepatuhan kendala, serta eksekusi lingkungan nyata berbiaya tinggi semuanya di luar kendali model. Oleh karena itu, model tidak dapat secara mandiri menyelesaikan loop tertutup "produksi kandidat—verifikasi lingkungan—pengendapan hasil" dalam satu sesi atau satu tugas. Ini bukan karena kemampuan tidak cukup, melainkan karena tanggung jawabnya memang tidak ada pada model.
>
> Produksi dan mutasi kandidat, mengorganisir output model dan secara aktif memperluas, menstrukturkan ruang pencarian; konstruksi dan pemanggilan lingkungan, membangun lingkungan eksperimen yang dapat dieksekusi berulang, bertanggung jawab atas penjadwalan, eksekusi, dan penerimaan; evaluasi dan penyaringan, mendefinisikan nilai kebenaran dan evaluator, menyelesaikan pengurutan, penyaringan, dan penilaian signifikansi; pengendapan dan penggunaan kembali, menulis hasil yang berhasil dan pengalaman kegagalan ke memori jangka panjang, menjadi titik awal tugas berikutnya. Tanpa model, sistem kekurangan keragaman yang dapat disaring; tanpa sistem, model hanya dapat kembali ke nol berulang kali.
>
> Untuk mengukur apakah sistem benar-benar berevolusi, standarnya bukan "seberapa baik output satu kali", melainkan "apakah perbaikan dapat terakumulasi lintas tugas, lintas siklus Agent". Output yang memukau tetapi tidak dapat diwarisi tetap merupakan konsumsi satu kali. Ketika output setiap tugas mengendap menjadi aset rekayasa yang dapat digunakan kembali — kode, konfigurasi, evaluator, kumpulan kasus kegagalan — titik awal tugas berikutnya lebih tinggi dari sebelumnya, inilah evolusi berkelanjutan tingkat proyek. Praktik EvoX memberikan paradigma pengendapan rekayasa yang stabil dan andal: melintasi Agent dan siklus tugas, mengendapkan pengalaman menjadi aset, bukan menyimpannya dalam catatan percakapan.
>
> Saat menghadapi "perbaikan tidak dapat terakumulasi", reaksi pertama sering kali "ganti dengan model yang lebih kuat", tetapi akar masalahnya biasanya adalah kekurangan arsitektur. Dapat memeriksa sendiri: serahkan tugas yang sama kepada model yang lebih kuat, apakah otomatis mendapatkan memori lintas tugas, penentuan nilai kebenaran, dan penjadwalan eksperimen? Jika tidak, masalahnya bukan di sisi model. Tindakan yang benar adalah menambah sistem, bukan mengganti model.
>
> Halaman ini hanya membuktikan "mengapa memerlukan evolusi berkelanjutan tingkat sistem", tidak menjabarkan mekanisme evolusi dua lapisan algoritma itu sendiri, yang terakhir lihat konten MetaDE terkait selanjutnya.
>
> Menghasilkan kemungkinan bergantung pada model, akumulasi perbaikan bergantung pada sistem.
>
> Penanganan Latihan
>
> Model dapat menghasilkan kandidat, tetapi tidak dapat secara mandiri menyelesaikan loop tertutup "produksi kandidat—verifikasi lingkungan—pengendapan hasil" dalam satu sesi. Jika siswa salah memilih "pemanggilan alat dapat secara mandiri menyelesaikan penjadwalan eksperimen", pandu mereka kembali ke paruh kedua loop tertutup.
>
> Soal pilihan ganda 2 sesuai dengan "ketiadaan nilai kebenaran→evaluasi dan penyaringan". Dapat menunjukkan tiga jenis kekurangan yang sesuai satu-satu dengan fungsi sistem: konteks habis→pengendapan dan penggunaan kembali, ketiadaan nilai kebenaran→evaluasi dan penyaringan, penjadwalan eksperimen→konstruksi dan pemanggilan lingkungan.
>
> Akar masalah batas adalah kekurangan arsitektur, tanpa sistem tidak dapat menerapkan tekanan seleksi dan mempertahankan sejarah, mengganti model tidak mengubah struktur.
>
> Apakah perbaikan dapat terakumulasi lintas tugas, lintas siklus Agent, membuat titik awal tugas berikutnya lebih tinggi dari sebelumnya.
>
> Nilai langsung soal pilihan ganda 5 adalah membiarkan pengalaman berhasil dan gagal masuk ke memori jangka panjang, menaikkan titik awal tugas berikutnya, menghindari mengulangi kesalahan yang sama; aset termasuk kode, konfigurasi, evaluator, dan kumpulan kasus kegagalan.
>
> Model dapat secara mandiri menyelesaikan penguraian kebutuhan dan identifikasi kendala, menghasilkan berbagai implementasi dan penjelasan trade-off, penalaran multi-langkah dan pemeriksaan mandiri tingkat kode; yang harus ditanggung oleh sistem adalah pengorganisasian dan mutasi kandidat, penjadwalan eksekusi dan penerimaan lingkungan benchmark batch, evaluasi penyaringan dan penilaian signifikansi kepatuhan, pengendapan dan penggunaan kembali. Tanpa sistem maka kandidat tidak dapat dibandingkan, kesimpulan tidak dapat direproduksi, pengalaman tidak dapat diwarisi, tugas berikutnya tetap mulai dari nol, perbaikan akan kembali ke nol.
>
> Mekanisme pengendapan harus mencakup kode dan konfigurasi yang dapat digunakan kembali, evaluator yang dapat digunakan kembali, kumpulan kasus kegagalan, jejak eksperimen tugas-hasil; fungsinya adalah membiarkan tugas berikutnya memulai dari ruang kandidat yang sudah ada dan batas kegagalan yang diketahui, evaluator dapat dibandingkan dengan yang terbaik historis, kumpulan kegagalan mempersempit ruang pencarian, jejak eksperimen menyeragamkan ukuran, membuat perbaikan dapat terakumulasi, dapat diaudit, dapat diserahkan.

**Pemeriksaan Pemahaman**

Minta siswa menceritakan kembali dengan kata-kata sendiri "model bertanggung jawab menghasilkan kemungkinan, sistem bertanggung jawab menerapkan tekanan seleksi dan mempertahankan sejarah", dan memberikan contoh perbedaan antara output satu kali dan aset rekayasa yang dapat diwarisi. Setelah memastikan siswa dapat membedakan tiga jenis kekurangan dan empat jenis pekerjaan sistem, lanjutkan ke konten selanjutnya.

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

### MetaDE: Menggunakan Algoritma Evolusioner untuk Memperbaiki Algoritma Evolusioner

*Halaman 11*

> **Tujuan Halaman:** Pembelajar harus memahami strategi tingkat lanjut untuk mengoptimalkan konfigurasi evolusioner melalui dua lapisan bersarang dalam dan luar yang memanfaatkan mekanisme evolusi.

**Poin Pengajaran**

- Lapisan dalam mencari "jawaban masalah", lapisan luar mencari "algoritma yang lebih pandai menemukan jawaban". Saat menghadapi masalah meta-optimasi, tanyakan dulu pada diri sendiri: apakah individu yang sedang dievolusi mewakili solusi, atau konfigurasi? Pertanyaan ini menentukan cara pengkodean dan evaluasi selanjutnya.
- Generasi konfigurasi → penyelesaian tugas → umpan balik performa → pembaruan konfigurasi. Ingat empat langkah ini, maka Anda telah menguasai kerangka operasi MetaDE; di dalamnya "umpan balik performa" adalah satu-satunya penghubung yang menghubungkan dua lapisan, tanpanya lapisan luar tidak dapat memilih.
- Setiap kali lapisan luar mengevaluasi satu konfigurasi, lapisan dalam harus berjalan lengkap sekali, anggaran akan berlipat ganda; pada saat yang sama waspadai konfigurasi yang hanya efektif untuk tugas saat ini. Saat membandingkan harus dilakukan pada anggaran evaluasi yang sama, dan menggunakan beberapa tugas atau beberapa pengulangan untuk menguji ketahanan hasil.

> **Tujuan Halaman**
>
> Memahami bagaimana MetaDE menjadikan algoritma evolusioner itu sendiri sebagai objek evolusi, melalui dua lapisan bersarang dalam dan luar membiarkan differential evolution secara otomatis beradaptasi dengan tugas. Satu kalimat inti: lapisan dalam mencari "jawaban masalah", lapisan luar mencari "algoritma yang lebih pandai menemukan jawaban".

> **Urutan Penjelasan**
>
> Algoritma evolusioner sebelumnya menempatkan populasi dalam ruang solusi untuk mencari, fitness mengukur kandidat solusi. MetaDE mendorong satu tingkat lebih tinggi, menjadikan algoritma evolusioner itu sendiri sebagai objek optimasi, tujuan meluas dari "mencari solusi masalah" menjadi "memperbaiki metode penyelesaian".
>
> Lapisan dalam menjalankan differential evolution di ruang solusi, dengan strategi mutasi dan parameter kunci yang diberikan seperti faktor skala F, tingkat persilangan CR, ukuran populasi NP, menyelesaikan fungsi benchmark atau tugas rekayasa, dan menghasilkan performa tugas sebagai fitness. Lapisan luar berevolusi di ruang konfigurasi algoritma, setiap individu mengodekan satu set konfigurasi algoritma; fitness-nya tidak dapat dihitung sendiri, harus ditentukan oleh lapisan dalam yang menjalankan tugas dengan konfigurasi tersebut dan mengembalikan performa. Lapisan luar berdasarkan ini memilih, merekombinasi, dan bermutasi.
>
> Generasi konfigurasi → penyelesaian tugas → umpan balik performa → pembaruan konfigurasi. Siklus empat langkah, algoritma beradaptasi dan membaik seiring tugas, bukan parameter yang ditetapkan secara manual sebelumnya. Di dalamnya "umpan balik performa" adalah satu-satunya penghubung yang menghubungkan dua lapisan, tanpanya lapisan luar tidak dapat memilih.
>
> Ruang konfigurasi tidak sama dengan ruang solusi. Lapisan dalam mencari solusi, lapisan luar mencari konfigurasi; keduanya terkoppeling, karena baik buruknya konfigurasi lapisan luar harus diukur dengan operasi nyata lapisan dalam. Kerangka umum meta-optimasi adalah: menjadikan pencarian itu sendiri sebagai objek yang dicari.
>
> Setiap kali lapisan luar mengevaluasi satu konfigurasi, lapisan dalam harus berjalan lengkap sekali, anggaran komputasi berlipat ganda, sehingga granularitas ruang konfigurasi dan anggaran evaluasi harus ditimbang; juga waspadai konfigurasi yang overfitting ke tugas saat ini, dan noise acak lapisan dalam yang menyesatkan pilihan lapisan luar. Saat membandingkan harus dilakukan pada anggaran evaluasi yang sama, dan menggunakan beberapa tugas atau beberapa pengulangan untuk menguji ketahanan.

**Cakupan Kata Kunci**

- MetaDE
- Dua lapisan dalam dan luar
- Ruang konfigurasi dan ruang solusi
- Differential evolution
- Strategi mutasi
- Faktor skala F
- Tingkat persilangan CR
- Ukuran populasi NP
- Generasi konfigurasi
- Penyelesaian tugas
- Umpan balik performa
- Pembaruan konfigurasi
- Meta-optimasi
- Anggaran komputasi
- Overfitting
- Ketahanan.

> **Petunjuk Materi**
>
> - Populasi konfigurasi lapisan luar menghasilkan konfigurasi dan mengirimkannya
> - Lapisan dalam menjalankan differential evolution sesuai konfigurasi dan mengevaluasi performa tugas
> - Umpan balik performa kembali ke lapisan luar
> - Lapisan luar memperbarui konfigurasi. Saat melihat diagram ingatkan siswa untuk mengenali arah panah dan loop tertutup empat langkah.

> **Petunjuk Latihan**
>
> - Latihan halaman ini berfokus pada membedakan tanggung jawab dua lapisan, konten umpan balik, dan urutan loop tertutup. Soal 1 harus memilih "strategi mutasi dan konfigurasi parameter kunci dari algoritma evolusioner itu sendiri", dapat menunjukkan: yang dievolusi bukan solusi melainkan konfigurasi. Soal 2 harus memilih lapisan dalam, lapisan dalam menjalankan differential evolution untuk menyelesaikan tugas di bawah konfigurasi yang diberikan. Soal 3 harus memilih performa tugas, misalnya indikator performa seperti fitness
> - Yang dibutuhkan lapisan luar adalah bukti "seberapa efektif konfigurasi ini". Soal 4 harus memilih "lapisan dalam mencari solusi di ruang solusi, lapisan luar mencari konfigurasi algoritma di ruang konfigurasi", dan menambahkan keduanya terkoppeling melalui konfigurasi-performa. Soal 5 harus memilih "generasi konfigurasi → penyelesaian tugas → umpan balik performa → pembaruan konfigurasi", ingat berdasarkan rantai kausal: konfigurasi dulu, lalu penyelesaian, lalu umpan balik, akhirnya pembaruan. Jika siswa menjawab salah, pandu kembali ke tanggung jawab lapisan atau panah loop tertutup untuk menilai ulang. Konfigurasi adaptif differential evolution untuk tugas rekayasa. Individu lapisan luar biasanya mengodekan: jenis strategi mutasi (seperti DE/rand/1/bin, DE/best/1/bin dll.) dan parameter kunci F, CR, NP, dapat menggunakan pengkodean hibrida vektor real dan opsi diskrit. Dasar evaluasi lapisan luar berasal dari lapisan dalam: menggunakan konfigurasi tersebut untuk menjalankan differential evolution secara lengkap pada tugas optimasi struktur target, mengambil indikator seperti akurasi konvergensi, jumlah evaluasi fungsi yang diperlukan, atau waktu
> - Tugas yang sama, anggaran evaluasi yang sama, populasi awal yang sama dan kumpulan seed acak yang sama
> - Kelompok kontrol menggunakan konfigurasi DE klasik dengan parameter empiris, kelompok eksperimen menggunakan konfigurasi evolusi MetaDE
> - Kedua kelompok diulang secara independen beberapa kali, membandingkan kualitas solusi akhir dan kurva konvergensi, dan melakukan uji statistik. Harus mempertimbangkan biaya dan risiko: setiap kali lapisan luar mengevaluasi satu konfigurasi memerlukan menjalankan lapisan dalam secara lengkap, anggaran berlipat ganda
> - Konfigurasi mungkin overfitting ke tugas saat ini
> - Noise performa lapisan dalam mungkin menyesatkan pilihan lapisan luar.

**Pemeriksaan Pemahaman**

Apa yang dicari lapisan dalam, apa yang dicari lapisan luar? Apa urutan empat langkah loop tertutup MetaDE? Dapat menyebutkan "lapisan dalam mencari solusi, lapisan luar mencari konfigurasi, umpan balik performa menghubungkan dua lapisan" maka dianggap telah menguasai.

> **Petunjuk Transisi**
>
> Setelah memastikan siswa dapat membedakan ruang konfigurasi dan ruang solusi, dan dapat menceritakan kembali loop tertutup empat langkah, lanjutkan ke halaman berikutnya tentang aplikasi, perluasan, atau ringkasan.

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

### Definisi Elemen Inti untuk Terhubung ke EvoX

*Halaman 12*

> **Tujuan Halaman:** Pembelajar harus menguasai pertanyaan dan langkah kunci yang perlu diklarifikasi saat menghubungkan tugas nyata ke EvoX.

> **Tujuan Halaman**
>
> Memahami bahwa saat terhubung ke EvoX, tugas nyata harus diformalkan terlebih dahulu menjadi sistem eksplorasi yang dapat dievolusi, baru kemudian membahas operator dan paralelisme. Intinya adalah menjawab tiga pertanyaan: apa yang berubah, apa yang diukur, apa yang dipertahankan.

**Poin Pengajaran**

- 1. Kerangka tiga elemen. Objek yang dapat berubah (ruang eksplorasi) mengklarifikasi objek yang diizinkan berubah dan rentang perubahan yang sah serta kendala kerasnya, dapat mencakup parameter, struktur, bahkan objek tingkat program
- Batas yang terlalu sempit akan mempersempit keragaman, terlalu luas akan membuat rantai evaluasi tidak dapat dieksekusi. Hasil yang dapat diamati (sinyal evaluasi) harus membedakan indikator tujuan, indikator kendala, dan sinyal proxy yang diperlukan, serta menilai noise, biaya evaluasi tunggal, dan konsistensi evaluasi berulang
- Sinyal proxy harus dikalibrasi dengan tujuan nyata sebelum dapat digunakan untuk penentuan pemeliharaan. Standar pemeliharaan (mekanisme seleksi) mendefinisikan kriteria perubahan dipertahankan, seperti ambang fitness, hubungan dominasi multi-objective, tingkat kepuasan kendala, atau mekanisme preferensi, ia menentukan apakah eksplorasi dipandu atau dibuang. 2. Loop tertutup. Dapat dieksplorasi (ruang perubahan) × dapat dieksekusi (rantai evaluasi) × dapat diverifikasi (standar pemeliharaan) tidak dapat terlewat satu pun. Tanpa ruang perubahan tidak ada pencarian, tanpa rantai evaluasi tidak ada umpan balik, tanpa standar pemeliharaan tidak ada akumulasi
- Kekurangan tautan mana pun, evolusi akan terdegradasi menjadi loop kosong. 3. Kesalahpahaman umum dan makna rekayasa. Jangan memilih operator dulu, menentukan tingkat paralelisme dulu, lalu kembali melengkapi definisi elemen
- Urutan terbalik akan menyebabkan inisialisasi populasi, desain operator, dan evaluasi multi-objective kekurangan dasar konvergensi. Semakin jelas definisi elemen, semakin dapat dipetakan ke grafik komputasi tensor, penjadwalan Runtime, dan manajemen daya komputasi heterogen: objek yang dapat berubah sesuai dengan dimensi tensor dan domain nilai, hasil yang dapat diamati sesuai dengan rantai evaluasi batch, standar pemeliharaan sesuai dengan logika penjadwalan penyaringan dan pewarisan setiap generasi. 4. Mantra dan diagnosis. Saat terhubung ke tugas baru jawab dengan urutan "apa yang berubah → apa yang diukur → apa yang dipertahankan". Jika kandidat solusi sering tidak dapat dievaluasi, rantai evaluasi sering error, kemungkinan besar batas terlalu luas
- Jika populasi cepat homogen, setelah beberapa generasi hampir tidak berubah lagi, kemungkinan besar batas terlalu sempit. Untuk setiap hasil observasi tandai tingkat noise, biaya evaluasi tunggal, konsistensi evaluasi berulang.

**Penanganan Latihan**

Halaman ini memiliki 5 soal pilihan ganda. Soal 1 item yang benar adalah "klarifikasi terlebih dahulu tiga elemen: objek yang dapat berubah, hasil yang dapat diamati, dan standar pemeliharaan"; Soal 2 item yang benar adalah "rantai evaluasi menjadi tidak dapat dieksekusi, pencarian kehilangan kemampuan verifikasi"; Soal 3 item yang benar adalah "membedakan indikator tujuan, indikator kendala, dan sinyal proxy yang diperlukan, serta menilai noise, biaya, dan reproduktifitasnya"; Soal 4 item yang benar adalah "menentukan apakah perubahan kandidat masuk ke generasi berikutnya, yaitu apakah eksplorasi dipandu atau dibuang"; Soal 5 item yang benar adalah "menentukan apakah dapat dipetakan secara efisien ke grafik komputasi tensor, penjadwalan Runtime, dan manajemen daya komputasi heterogen". Saat umpan balik tekankan: operator dan paralelisme adalah detail implementasi, bukan titik awal;

Gejala tipikal batas terlalu sempit adalah penurunan keragaman dan konvergensi terlalu dini, gejala tipikal batas terlalu luas adalah rantai evaluasi kewalahan.

Pengiriman tanpa awak di taman terhubung ke EvoX. Objek yang dapat berubah dapat mencakup urutan dan waktu kunjungan titik pengambilan dan pengiriman, alokasi kendaraan jalur, parameter kurva kecepatan, bila perlu termasuk struktur aturan penjadwalan; kendala keras setidaknya mencakup batas muatan maksimum dan batas kecepatan taman (termasuk zona terlarang, jendela waktu). Hasil yang dapat diamati dapat dilapisi menjadi indikator tujuan seperti total biaya pengiriman, waktu pengiriman rata-rata atau tingkat keterlambatan, indikator kendala seperti jumlah pelanggaran muatan, jumlah pelanggaran batas kecepatan dan zona terlarang, tingkat kepuasan jendela waktu, serta sinyal proxy seperti tingkat kemacetan atau jumlah konflik jalur. Standar pemeliharaan disarankan menggunakan kombinasi "prioritas kepuasan kendala + hubungan dominasi multi-objective", saring solusi layak terlebih dahulu, lalu pertahankan solusi non-dominated dalam biaya dan ketepatan waktu.

Jika tautan verifikasi hilang, eksplorasi kehilangan umpan balik yang efektif, populasi tidak dapat mengakumulasi struktur keunggulan, evolusi terdegradasi menjadi loop kosong yang berkelanjutan.

**Pemeriksaan Pemahaman**

Minta siswa menceritakan kembali tiga elemen dan hubungan loop tertutup dengan kata-kata sendiri, dan menilai gejala batas terlalu sempit atau terlalu luas dalam suatu contoh.

> **Petunjuk Transisi**
>
> Setelah memastikan siswa dapat menyebutkan bagaimana "objek yang dapat berubah—hasil yang dapat diamati—standar pemeliharaan" membentuk loop tertutup, lanjutkan ke halaman berikutnya tentang contoh soal, aplikasi, atau ringkasan.

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

### Alur Kerja Lengkap Runtime EvoX

*Halaman 13*

> **Tujuan Halaman:** Pembelajar harus memahami sinergi loop tertutup antara model, alat, lingkungan, dan mekanisme evolusi dalam runtime EvoX.

> **Tujuan Halaman**
>
> Memahami bahwa runtime EvoX bukanlah pemanggilan inferensi satu kali, melainkan mengorganisir model, alat, lingkungan, dan mekanisme evolusi menjadi sistem eksekusi loop tertutup, sehingga kandidat terus berevolusi setelah eksekusi, umpan balik, seleksi, penerimaan, dan pewarisan.

> **Urutan Penjelasan**
>
> Berikan dulu rantai total loop tertutup, lalu jelaskan enam tautan satu per satu; kemudian tekankan dua mekanisme yang mudah diremehkan — persistensi tingkat proyek konteks lintas Agent dan penerimaan ketat serta pewarisan historis; akhirnya gunakan latihan dan kasus untuk memeriksa apakah siswa benar-benar menguasai urutan tautan dan batas tanggung jawab.

**Poin Pengajaran**

- Proposal kandidat → penjadwalan Runtime dan eksekusi alat → umpan balik lingkungan → seleksi evolusioner → penerimaan dan persistensi → pewarisan historis, kembali ke model/Agent. Urutan ini memiliki hubungan ketergantungan: tanpa eksekusi tidak ada umpan balik lingkungan, tanpa umpan balik tidak dapat melakukan seleksi yang efektif, penerimaan dan persistensi pasti terjadi setelah seleksi. Enam tautan loop tertutup: Berdasarkan definisi masalah, status historis, dan kendala, menghasilkan kandidat tingkat parameter, tingkat operator, tingkat strategi, bahkan tingkat program, menentukan dari pintu masuk mana ruang pencarian dimasuki. Runtime memanggil evaluator, simulasi atau model proxy, pustaka operator, dan alur kerja, mengubah kandidat menjadi komputasi nyata dan perubahan lingkungan yang dapat diamati. Lingkungan tugas memberikan indikator, pelanggaran kendala, mode kegagalan, dan jejak eksekusi, sinyal ini digunakan untuk memberi skor, juga untuk memandu proposal putaran berikutnya. Melalui pembaruan populasi, mutasi/persilangan, Pareto atau seleksi preferensi, mempertahankan kandidat bernilai tinggi, memodifikasi atau mengeliminasi kandidat bernilai rendah. Bertanggung jawab atas orkestrasi modul, manajemen status, penjadwalan, alokasi daya komputasi heterogen, dan eksekusi yang dapat direproduksi, membuat algoritma dan masalah terdekopel, dikombinasikan sesuai kebutuhan. Konteks lintas Agent menyimpan status tingkat proyek, penerimaan ketat menentukan hasil mana yang diendapkan sebagai baseline yang dapat dipercaya. Dua mekanisme yang mudah diremehkan: Konteks sesi tunggal akan hilang seiring berakhirnya percakapan, sedangkan evolusi memerlukan akumulasi lintas sesi. EvoX menulis kandidat, catatan evaluasi, dan kesimpulan ke penyimpanan tingkat proyek, sesi Agent baru dapat langsung memuat sejarah, tidak perlu mengulangi pekerjaan yang sudah selesai. Tidak semua hasil layak masuk ke baseline. Gateway penerimaan memeriksa indikator, kendala, dan reproduktifitas, hanya versi yang lulus yang ditulis ke sejarah dan diwarisi oleh putaran berikutnya. Ini membuat pewarisan menjadi akselerator yang dapat dipercaya, bukan amplifier kesalahan. Putaran eksplorasi berikutnya tidak perlu mulai dari nol, melainkan melanjutkan evolusi berdasarkan hasil yang telah teruji. Model bertanggung jawab mengajukan kemungkinan, sistem bertanggung jawab memverifikasi, memilih, dan mengakumulasi, ini adalah fondasi operasi berkelanjutan penelitian ilmiah AI Native. Pengingat kunci: bedakan "satu kali generasi" dan "satu putaran evolusi" — yang pertama hanya menghasilkan kandidat, yang terakhir juga mencakup eksekusi, umpan balik, seleksi, penerimaan, dan pewarisan
- Kekurangan tautan mana pun, sistem tidak dapat terus meningkat.

**Penanganan Latihan**

Soal 1 memeriksa urutan enam langkah, opsi yang benar adalah "proposal kandidat → penjadwalan Runtime dan eksekusi alat → umpan balik lingkungan → seleksi evolusioner → penerimaan dan persistensi → pewarisan historis, kembali ke model/Agent"; opsi yang salah biasanya membalik urutan, atau membiarkan seleksi terjadi sebelum umpan balik. Soal 2 memeriksa tanggung jawab Runtime: Runtime bertanggung jawab atas orkestrasi modul, manajemen status, penjadwalan, alokasi daya komputasi heterogen, dan eksekusi yang dapat direproduksi, tidak menggantikan evaluator, tidak bertanggung jawab mengajukan kandidat, juga tidak membuat seleksi untuk mekanisme evolusi. Soal 3 memeriksa penanganan pelanggaran kendala: pelanggaran harus diserahkan sebagai sinyal umpan balik ke tautan evolusi dan penerimaan, mungkin dieliminasi, mungkin juga diperbaiki lalu masuk ke putaran berikutnya;

Ia menyimpan kandidat, catatan evaluasi, dan kesimpulan sebagai status tingkat proyek, memungkinkan sesi baru memuat baseline historis; ia bukan hanya menyimpan konteks percakapan, juga tidak sama dengan menyimpan bobot model, lebih lagi bukan dipelihara sendiri oleh model dalam percakapan. Soal 5 memeriksa hubungan penerimaan dan pewarisan: hanya hasil yang lulus pemeriksaan indikator, kendala, dan reproduktifitas, yang layak menjadi baseline yang dapat dipercaya untuk diwarisi oleh putaran berikutnya; tanpa penerimaan, pewarisan akan mengendapkan kesimpulan yang kebetulan dan tidak dapat direproduksi, menjadi amplifier kesalahan.

Dalam skenario, Agent menghasilkan 40 kelompok kandidat, Runtime menjadwalkan batch evaluator simulasi dan model proxy, mengembalikan indikator multi-objective dan pelanggaran kendala, mekanisme evolusi mempertahankan 8 kelompok menurut Pareto, gateway penerimaan menyelesaikan pemeriksaan reproduktifitas untuk 1 kelompok lalu menulisnya ke sejarah proyek, sesi berikutnya memuat sejarah tersebut untuk melanjutkan optimasi mutasi. Dapat memandu siswa mengidentifikasi: umpan balik lingkungan mencakup indikator multi-objective, catatan pelanggaran kendala, jejak evaluasi, dan informasi reproduktifitas; mereka masing-masing mempengaruhi seleksi evolusioner, penentuan penerimaan, dan proposal putaran berikutnya.

Jika membatalkan penerimaan dan menulis semua 8 kelompok ke sejarah, risikonya adalah baseline tercemar, kesalahan terakumulasi dan teramplifikasi seiring waktu, mutasi selanjutnya berkembang di sekitar titik awal yang salah, biaya pencarian naik sementara manfaat turun, sejarah diencerkan oleh entri dengan kepercayaan rendah, sulit menentukan kesimpulan verifikasi yang benar-benar dapat digunakan.

**Pemeriksaan Pemahaman**

Minta siswa menceritakan kembali urutan enam langkah dengan kata-kata sendiri, dan menjelaskan batas tanggung jawab "model mengajukan kandidat, Runtime mengorganisir eksekusi, mekanisme evolusi membuat seleksi, gateway penerimaan memeriksa, sistem persistensi mewarisi". Jika siswa menggambarkan Runtime sebagai pengambil keputusan atau pengaju kandidat, perlu kembali ke diagram untuk mengklarifikasi.

> **Petunjuk Transisi**
>
> Setelah memastikan siswa dapat membedakan satu kali generasi dan satu putaran evolusi, dapat menyebutkan bahwa penerimaan adalah gerbang pewarisan, lanjutkan ke halaman berikutnya tentang contoh soal, aplikasi, atau ringkasan.

**Dasar Materi**

Persistensi tingkat proyek konteks lintas Agent; mekanisme penerimaan ketat dan pewarisan historis.

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

### Analisis Praktik Kelas: Multi-Jalur Evolusioner dan Jalur Tunggal yang Telah Ditentukan

*Halaman 14*

> **Tujuan Halaman:** Pembelajar harus menganalisis keunggulan kinerja multi-jalur evolusioner dalam menghadapi gangguan yang tidak diketahui melalui contoh rekayasa.

> **Tujuan Halaman**
>
> Melalui contoh optimasi rekayasa dengan gangguan yang tidak diketahui, membandingkan kinerja jalur tunggal yang telah ditentukan dan multi-jalur evolusioner. Fokusnya bukan membuktikan bahwa evolusi selalu lebih baik, melainkan memahami bagaimana multi-jalur memasukkan ketidakpastian, keragaman, dan umpan balik online ke dalam proses pencarian, sehingga meningkatkan ketahanan dan adaptabilitas.

> **Urutan Penjelasan**
>
> Pilih masalah optimasi rekayasa yang dapat disuntikkan gangguan yang tidak diketahui, misalnya optimasi parameter dinamis atau tugas pencarian dengan kendala noise; perbaiki fungsi tujuan, anggaran evaluasi, dan urutan gangguan, memastikan kedua kelompok eksperimen dapat dibandingkan.
>
> Perbaiki algoritma, hyperparameter, dan arah pencarian, selesaikan dalam satu kali berdasarkan asumsi offline. Sebelum gangguan mungkin berkinerja baik, tetapi kurang penyesuaian online, setelah gangguan mudah terjebak dalam optimum lokal atau performa turun drastis.
>
> Dengan populasi, multi-strategi, atau pencarian paralel multi-kandidat, terus menyesuaikan melalui mutasi, persilangan, seleksi, dan umpan balik lingkungan. Multi-jalur bukan sekadar menjalankan berulang, melainkan memanfaatkan informasi online untuk membentuk redundansi eksplorasi.
>
> Sumbu horizontal adalah intensitas gangguan atau putaran evaluasi, sumbu vertikal adalah tingkat pemeliharaan performa. Setelah titik injeksi gangguan, jalur tunggal yang telah ditentukan jelas turun drastis dan terus rendah; multi-jalur evolusioner menunjukkan jendela pemulihan, dan mempertahankan rentang keragaman kandidat tertentu. Diagram dapat langsung membandingkan besarnya penurunan performa, jendela pemulihan, dan keragaman kandidat.
>
> Gangguan dapat mencakup pergeseran tujuan, perubahan kendala, penguatan noise, pengalihan status lingkungan, atau variabel yang tidak dimodelkan, terutama amati gangguan yang belum pernah dilihat pada tahap yang telah ditentukan. Indikator perbandingan mencakup nilai optimal sebelum gangguan, besarnya penurunan performa setelah gangguan, kecepatan pemulihan, tingkat keberhasilan, keragaman kandidat, serta biaya komputasi dan evaluasi untuk mencapai performa yang sama.
>
> Kerapuhan jalur tunggal berasal dari pembekuan asumsi dan keragaman yang tidak cukup; keunggulan multi-jalur berasal dari eksplorasi berkelanjutan, umpan balik fitness, dan tekanan seleksi, tetapi harus menimbang biaya komputasi, stabilitas konvergensi, dan interpretabilitas rekayasa. Kesimpulan harus dibangun di atas anggaran yang adil, eksperimen yang dapat direproduksi, dan batas gangguan yang jelas, menghindari salah membaca multi-jalur sebagai selalu lebih baik dari jalur tunggal.

**Poin Pengajaran**

- Kedua kelompok eksperimen harus menggunakan fungsi tujuan, anggaran evaluasi, dan urutan gangguan yang sama, dan diulang beberapa kali untuk mengambil rata-rata, jika tidak kesimpulan mungkin menyesatkan oleh kondisi awal atau fluktuasi acak. Jangan hanya menguji dalam distribusi pelatihan, harus menyuntikkan gangguan yang belum pernah dilihat pada tahap yang telah ditentukan seperti pergeseran tujuan, perubahan kendala, penguatan noise, atau pengalihan lingkungan, untuk menguji ketahanan yang sesungguhnya. Redundansi eksplorasi membawa adaptabilitas, tetapi juga meningkatkan biaya komputasi dan evaluasi, mungkin mempengaruhi stabilitas konvergensi dan interpretabilitas, perlu ditimbang di bawah kendala rekayasa spesifik. Kunci untuk menilai kegagalan jalur tunggal, bukanlah intensitas gangguan atau sumber daya komputasi itu sendiri, melainkan pembekuan asumsi offline, kurangnya penyesuaian online, dan keragaman yang tidak cukup.

**Penanganan Latihan**

Yang paling perlu dijaga konsisten antara kedua kelompok adalah "anggaran evaluasi dan urutan gangguan". Jenis algoritma, ukuran populasi, operator mutasi adalah perbedaan strategi yang dibandingkan, bukan kondisi eksperimen yang harus diperbaiki. Umpan balik jawaban benar: dapat menghubungkan dengan prinsip perbandingan adil halaman ini dan menjelaskan dasarnya; petunjuk jawaban salah: kembali ke penjelasan halaman ini, temukan perbedaan antara variabel kontrol dan faktor perbandingan.

Jalur tunggal yang telah ditentukan turun drastis setelah gangguan, kemungkinan besar penyebabnya adalah "pembekuan asumsi offline, kurangnya penyesuaian online dan keragaman". Umpan balik jawaban benar: dapat menangkap inti kekurangan mekanisme adaptasi; petunjuk jawaban salah: jangan mengaitkan penyebab dengan sumber daya komputasi eksternal atau intensitas gangguan.

"Multi-jalur" dalam multi-jalur evolusioner pada dasarnya berarti "secara paralel menggunakan populasi, multi-strategi, atau multi-kandidat, dan memanfaatkan umpan balik online untuk membentuk redundansi eksplorasi". Ini bukan sekadar menjalankan berulang, juga bukan sekadar menambah sumber daya atau penyesuaian parameter yang rumit.

Indikator yang paling dapat mencerminkan kemampuan pemulihan setelah gangguan adalah "kecepatan pemulihan dan tingkat keberhasilan". Nilai optimal sebelum gangguan dan keragaman adalah indikator tambahan, besarnya penurunan lebih menunjukkan kerapuhan.

Pernyataan yang paling ketat adalah "di bawah anggaran yang adil, eksperimen yang dapat direproduksi, dan batas gangguan yang jelas, multi-jalur biasanya menunjukkan ketahanan yang lebih kuat, tetapi perlu menimbang biaya tambahan". Harus menghindari absolutisme, juga tidak dapat menjamin optimalitas global, jalur tunggal masih memiliki nilai dalam lingkungan yang stabil.

Saat merancang eksperimen yang adil dan dapat direproduksi, harus memperbaiki fungsi tujuan, anggaran evaluasi, dan urutan gangguan; kedua kelompok menggunakan kondisi awal dan seed acak yang sama; ulangi eksperimen beberapa kali dan ambil rata-rata; catat nilai optimal sebelum gangguan, besarnya penurunan performa setelah gangguan, kecepatan pemulihan, tingkat keberhasilan, keragaman kandidat, dan biaya komputasi; klarifikasi batas gangguan dan waktu injeksi.

Jalur tunggal bergantung pada asumsi offline dan keragaman tidak cukup, setelah gangguan tidak dapat menyesuaikan online, mudah terjebak dalam optimum lokal; multi-jalur melalui pencarian paralel populasi atau multi-strategi, memanfaatkan mutasi, persilangan, seleksi, dan umpan balik lingkungan untuk terus menyesuaikan, membentuk redundansi eksplorasi, sehingga dapat pulih. Biaya tambahan terutama adalah biaya komputasi dan evaluasi; jika tugas menuntut ketahanan dan adaptabilitas tinggi, dan manfaat pemulihan melebihi biaya, maka layak digunakan; jika tidak, perlu menimbang antara stabilitas konvergensi, interpretabilitas, dan kendala rekayasa.

**Pemeriksaan Pemahaman**

Secara acak minta seorang siswa merangkum poin penting halaman ini dengan kata-kata sendiri, guru menambahkan kata kunci yang terlewat berdasarkan jawaban.

Mengapa perbandingan yang adil harus memperbaiki anggaran evaluasi dan urutan gangguan? Jika hanya mengubah jenis algoritma, apakah dapat menjelaskan bahwa multi-jalur lebih baik?

Dalam kondisi apa keunggulan multi-jalur berlaku? Biaya tambahan apa yang harus dibayar?

> **Petunjuk Transisi**
>
> Setelah memastikan siswa dapat menyebutkan tiga lapisan hubungan "perbandingan yang adil adalah prasyarat kesimpulan" "gangguan harus mencakup perubahan yang belum dilihat" "multi-jalur tidak selalu lebih baik", lanjutkan ke halaman berikutnya tentang contoh soal, aplikasi, atau ringkasan.

**Cakupan Kata Kunci**

- Jalur tunggal yang telah ditentukan, multi-jalur evolusioner, gangguan yang tidak diketahui, umpan balik online, redundansi eksplorasi, ketahanan, adaptabilitas, perbandingan adil, anggaran evaluasi, urutan gangguan, tingkat pemeliharaan performa, jendela pemulihan, keragaman kandidat, biaya komputasi, stabilitas konvergensi, interpretabilitas.

> **Petunjuk Materi**
>
> - Grafik garis perbandingan performa menunjukkan titik injeksi gangguan, penurunan performa drastis jalur tunggal dan terus rendah, jendela pemulihan multi-jalur, serta rentang keragaman kandidat, dapat digunakan sebagai dasar visual inti untuk analisis kelas.

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

### Tinjauan Ide Inti Kursus dan Asal-Usul Evolusi

*Halaman 15*

> **Tujuan Halaman:** Pembelajar harus secara sistematis meninjau kembali logika inti dari inspirasi biologis dan asal-usul historis komputasi evolusioner.

> **Tujuan Halaman**
>
> Kecerdasan bukanlah produk tunggal yang telah ditentukan sebelumnya, melainkan proses yang terus berevolusi dalam umpan balik lingkungan. Pembelajar harus dapat menjelaskan sepanjang asal-usul historis bagaimana simbolisme, koneksionisme, sibernetika, dan komputasi evolusioner bergerak dari kompetisi ke komplementaritas, dan memahami mengapa komputasi evolusioner menggunakan populasi, mutasi, seleksi, fitness sebagai kerangka, bukan menjanjikan menulis solusi yang benar dan tunggal sebelumnya.

**Poin Pengajaran**

- Tekankan model menghasilkan kemungkinan, lingkungan menyediakan umpan balik, sistem bertanggung jawab atas evaluasi, seleksi, dan pewarisan, ketiganya terhubung menjadi sirkuit, membentuk loop evolusioner "generasi kandidat→evaluasi→seleksi→pewarisan→iterasi". Dapat mengaitkan kembali dengan konsep "mesin anak" Turing 1950: kemampuan bukan ditulis sekali, melainkan diperoleh secara bertahap melalui pendidikan, eksperimen, dan imbalan serta hukuman. Simbolisme — representasi eksplisit dan penalaran formal, cocok untuk masalah dengan aturan jelas dan batas tertutup
- Koneksionisme — representasi terdistribusi dan pembelajaran, unggul dalam persepsi dan generalisasi
- Sibernetika — regulasi tujuan dalam loop umpan balik, menjawab bagaimana sistem mempertahankan arah dalam gangguan
- Komputasi evolusioner — adaptasi populasi yang berorientasi pada ruang pencarian terbuka, mempertahankan keragaman dan tekanan pencarian dengan populasi. Ingatkan siswa untuk memeriksa diri dengan empat pertanyaan: di mana kendala struktur? dari mana persepsi dan generasi berasal? apa yang menjadi andalan regulasi loop tertutup? siapa yang bertanggung jawab atas eksplorasi dan keragaman? Lapisan simbolik memberikan kendala struktur yang dapat diinterpretasikan dan kondisi verifikasi, lapisan koneksionis menyediakan kemampuan persepsi dan generasi, lapisan kontrol menjamin umpan balik dan regulasi tujuan, lapisan evolusioner bertanggung jawab mencari dan mempertahankan solusi yang beragam dalam lingkungan yang tidak pasti. Sistem cerdas yang kompleks perlu menghubungkan kemampuan menjadi sirkuit, bukan mengharapkan output satu kali. Mekanisme biomimetik seperti mutasi, seleksi, hereditas, keragaman harus diabstraksikan menjadi proses optimasi yang dapat dihitung, dapat diparalelkan, dapat dikombinasikan
- Fitness adalah fungsi tujuan yang dapat diukur, mutasi sering digambarkan dengan distribusi probabilitas, tekanan seleksi diimplementasikan oleh aturan sampling dan pemeliharaan. Tiga hal untuk pemeriksaan mandiri: apakah pengkodean mengekspresikan struktur nyata dari solusi
- apakah fitness dapat diukur dan konsisten dengan tujuan
- apakah tekanan seleksi tidak terlalu kuat (konvergensi terlalu dini) dan tidak terlalu lemah (drift acak). Tugas nyata sering memiliki tiga karakteristik — konflik multi-objective, umpan balik jarang, lingkungan tidak pasti. Saat tujuan bertentangan biasanya tidak ada solusi titik tunggal yang optimal secara bersamaan, hanya ada himpunan solusi trade-off
- Saat umpan balik jarang dan tertunda tidak dapat memperoleh evaluasi lengkap dalam satu kali
- Perubahan lingkungan membuat solusi tunggal statis cepat kadaluarsa. Komputasi evolusioner secara paralel menghasilkan sejumlah besar kandidat, mengevaluasi kinerja trade-off mereka, mempertahankan solusi yang beragam, menunda "pilih yang mana" ke tahap di mana informasi lebih cukup atau preferensi lebih jelas. Saat ruang pencarian sangat besar, siklus serial sulit menyelesaikan sampling yang cukup dan iterasi berkelanjutan. GPU, tensor, dan runtime terpadu menjadikan paralelisme tingkat populasi, paralelisme operator, dan iterasi online jangka panjang sebagai fondasi rekayasa, meningkatkan skala kandidat yang dapat dievaluasi per satuan waktu dan keragaman populasi. Tetapi harus ditekankan: paralelisme hanya meningkatkan skala yang layak, tidak menggantikan desain fitness dan desain tekanan seleksi. Mekanisme dengan metafora biologis tidak sama dengan hasil yang dapat diandalkan
- Keragaman bukan noise, melainkan hasil yang dapat diserahkan. Jika sistem setiap generasi dengan cepat konvergen ke satu bentuk tunggal, mungkin telah kehilangan kemampuan menghadapi ketidakpastian.

**Penanganan Latihan**

Bedakan komputasi evolusioner dan solusi tunggal yang telah ditentukan. Opsi yang benar adalah terus mengeksplorasi kandidat solusi melalui "generasi—evaluasi—seleksi—iterasi" tingkat populasi. Saat umpan balik tangkap empat kata kunci: populasi, mutasi, seleksi, fitness.

Nilai rekayasa keragaman populasi. Opsi yang benar adalah mempertahankan ruang trade-off untuk keputusan selanjutnya, mengurangi risiko konvergensi terlalu dini ke optimum lokal. Tekankan bahwa dalam lingkungan multi-objective dan tidak pasti, himpunan solusi yang beragam itu sendiri adalah output.

Titik persimpangan empat jalur. Opsi yang benar adalah sibernetika berfokus pada umpan balik dan regulasi tujuan, adalah prototipe regulasi loop tertutup. Jika siswa bingung, kembali ke tabel perbandingan: simbolisme sama dengan representasi eksplisit, koneksionisme sama dengan pembelajaran terdistribusi, sibernetika sama dengan regulasi umpan balik, komputasi evolusioner sama dengan adaptasi populasi.

Hambatan siklus serial. Opsi yang benar adalah jumlah sampling tidak cukup, sulit mencakup cukup banyak kandidat dan mempertahankan iterasi berkelanjutan. Kuncinya bukan apakah bisa menghitung, melainkan apakah menghitung cukup banyak dan cukup lama.

Abstraksi rekayasa. Opsi yang benar adalah mengimplementasikan mekanisme seperti mutasi, seleksi, populasi sebagai operator yang dapat dihitung, dapat diparalelkan, dapat dikombinasikan, dan memverifikasi efektivitasnya dengan pengkodean dan fitness yang sesuai dengan tugas. Ingatkan bahwa biomimetik hanyalah titik awal, operator yang dapat direproduksi dan evaluasi yang dapat diukur adalah kriteria implementasi.

Menulis solusi optimal tunggal terlebih dahulu gagal, karena konsumsi energi, biaya, dan keandalan saling bertentangan, umpan balik jarang dan tertunda, parameter musiman terus berubah; komputasi evolusioner menggunakan siklus "generasi kandidat—evaluasi—seleksi—pewarisan—iterasi", mempertahankan sekelompok tata letak yang beragam, menunda pilihan akhir ke saat informasi lebih cukup. Pertanyaan dua: GPU dan runtime terpadu dapat mengubah evaluasi fitness batch menjadi paralelisme tingkat populasi dan paralelisme operator, membuat iterasi online jangka panjang dan pemeliharaan populasi skala besar menjadi layak; paralelisme adalah fondasi rekayasa, menentukan jumlah kandidat yang dapat dievaluasi per satuan waktu dan keragaman populasi; tetapi tidak dapat menggantikan desain pengkodean, fitness, dan tekanan seleksi yang sesuai.

**Pemeriksaan Pemahaman**

Minta siswa menjelaskan dengan satu kalimat tautan apa saja yang termasuk dalam "loop evolusioner", dan masing-masing memberikan contoh pembagian kerja empat jalur. Jika siswa hanya mengingat metafora biomimetik, tanyakan apakah pengkodean, fitness, dan tekanan seleksi sesuai dengan tugas.

> **Petunjuk Transisi**
>
> Setelah memastikan siswa dapat membedakan empat jalur, dan menjelaskan hubungan antara keragaman, eksplorasi paralel, dan loop evolusioner, lanjutkan ke halaman berikutnya tentang aplikasi, kasus, atau ringkasan.

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

### Ringkasan dan Prospek: Membuka Praktik Baru Penelitian Ilmiah AI Native

*Halaman 16*

> **Tujuan Halaman:** Pembelajar harus memperjelas makna bimbingan topik pelajaran ini untuk praktik penelitian ilmiah AI Native selanjutnya.

> **Tujuan Halaman**
>
> Sebagai penutup dan prospek pelajaran ini, membantu pembelajar mengkonvergensikan sumber pemikiran komputasi evolusioner, konteks sejarah kecerdasan, dan batas kemampuan model besar ke arsitektur evolusi terpadu EvoX, dan membangun dasar untuk menilai apakah suatu rencana penelitian ilmiah benar-benar memiliki karakteristik AI Native.

> **Urutan Penjelasan**
>
> Mutasi menyediakan keragaman, seleksi mempertahankan individu yang efektif, hereditas mentransmisikan antar generasi, adaptasi lingkungan menentukan arah pilihan, ini adalah paradigma penyelesaian adaptif yang tidak menetapkan individu optimal sebelumnya. Kedua, konteks sejarah kecerdasan: pada tahun 1950 Turing mengusulkan "mesin anak", berpendapat memperoleh kemampuan secara bertahap dalam lingkungan melalui pendidikan, eksperimen, dan imbalan serta hukuman; budaya dan daya komputasi lebih lanjut mengompresi siklus evolusi dari generasi ke tahun, bulan, bahkan satu iterasi. Ketiga, kebutuhan teknis: model besar memperluas batas generasi, representasi, dan penalaran, tetapi generasi satu kali tidak dapat membuktikan kebenarannya sendiri, juga sulit efektif secara berkelanjutan lintas lingkungan, penelitian ilmiah nyata masih memerlukan eksplorasi paralel skala besar, evaluasi, dan loop tertutup umpan balik.

**Poin Pengajaran**

- Kesimpulan inti halaman ini bukanlah penjumlahan sederhana "model besar plus algoritma evolusioner", melainkan pertemuan kembali tiga garis utama. Arsitektur evolusi terpadu EvoX dapat diringkas sebagai: model menghasilkan kemungkinan, lingkungan menyediakan umpan balik, sistem bertanggung jawab atas evaluasi dan pewarisan. Dengan demikian, transformasi kunci penelitian ilmiah AI Native adalah mengorganisir "eksplorasi masalah → generasi kandidat → evaluasi paralel → perbaikan berkelanjutan" menjadi proses yang dapat digunakan kembali, bukan memperlakukan AI sebagai alat titik tunggal satu kali. Paradigma lama adalah "jawaban yang telah ditentukan/algoritma titik tunggal", pintu masuk praktik baru adalah "proses lingkungan/evolusi berkelanjutan".

**Cakupan Kata Kunci**

- Mutasi, seleksi, hereditas, adaptasi lingkungan, "mesin anak" Turing, batas kemampuan model besar, eksplorasi paralel skala besar, umpan balik lingkungan, evaluasi dan pewarisan, EvoX, eksplorasi masalah, generasi kandidat, evaluasi paralel, perbaikan berkelanjutan, penelitian ilmiah AI Native.

> **Petunjuk Materi**
>
> - Cetak biru visi halaman menampilkan dari kiri ke kanan "asal-usul evolusi biologis" dan "konteks sejarah kecerdasan" bersama-sama menginspirasi batas kemampuan model besar dan fondasi eksplorasi paralel, kemudian bertemu di arsitektur evolusi terpadu EvoX, dan akhirnya titik akhir adalah praktik baru penelitian ilmiah AI Native. Saat menjelaskan dapat meminta siswa menceritakan kembali hubungan konvergensi ini sepanjang panah.

**Penanganan Latihan**

Lima soal pilihan ganda dapat digunakan untuk pemeriksaan cepat. Soal 1 arah yang benar adalah "mutasi, seleksi, hereditas, dan adaptasi lingkungan", menekankan sumber inspirasi biologis; Soal 2 arah yang benar adalah "generasi satu kali tidak dapat membuktikan kebenarannya sendiri dalam lingkungan nyata, juga sulit efektif secara berkelanjutan dalam perubahan lingkungan dan model"; Soal 3 arah yang benar adalah "secara bertahap memperoleh kemampuan dalam lingkungan melalui pendidikan, eksperimen, dan imbalan serta hukuman", sesuai dengan benih pemikiran umpan balik dan pewarisan evaluasi; Soal 4 arah yang benar adalah sistem bertanggung jawab atas "evaluasi, seleksi, koreksi kesalahan, dan pewarisan"; Soal 5 arah yang benar adalah mengorganisir eksplorasi, generasi, evaluasi, dan perbaikan menjadi proses yang dapat digunakan kembali. Saat siswa menjawab salah, dapat meminta mereka kembali ke pembagian kerja "model—lingkungan—sistem" untuk memposisikan ulang.

Kasus formula perovskit cocok sebagai aplikasi komprehensif. Poin diagnosis adalah tim kekurangan evaluasi standar, aliran balik umpan balik lingkungan, mekanisme seleksi dan pewarisan, "generasi satu kali + pemilihan manual" tidak dapat mendukung proses iterasi yang dapat diparalelkan, dapat dievaluasi, dapat diakumulasi. Rencana perbaikan dapat dikembangkan di sekitar tiga segmen loop tertutup: generator kandidat bertanggung jawab menghasilkan dan bermutasi secara terkendali di bawah kendala; lingkungan evaluasi paralel bertanggung jawab atas protokol pengukuran terpadu, mencatat batch dan parameter proses serta meningkatkan throughput evaluasi; modul seleksi dan pewarisan mempertahankan solusi elit berdasarkan fitness komprehensif, mengendapkan sampel kegagalan dan kesimpulan atribusi. Dapat meminta siswa memasangkan satu indikator evaluasi untuk setiap komponen, seperti keragaman kandidat, tingkat kandidat efektif, throughput evaluasi, reproduktifitas antar batch, besarnya peningkatan fitness optimal per putaran, dan tingkat penggunaan kembali pengetahuan.

**Pemeriksaan Pemahaman**

Minta siswa tanpa melihat catatan menyebutkan "eksplorasi masalah → generasi kandidat → evaluasi paralel → perbaikan berkelanjutan", dan menunjukkan setiap langkah dipimpin oleh siapa dari model, lingkungan, dan sistem. Dapat menjelaskan pembagian kerja dengan jelas, berarti telah menangkap poin penting penelitian ilmiah AI Native. Juga dapat bertanya: "Jika suatu alur masih bergantung pada generasi satu kali plus perbandingan manual, apakah sudah memasuki paradigma evolusi?" Pandu siswa menilai dengan "apakah telah membentuk loop tertutup yang dapat beroperasi secara berkelanjutan".

**Aktivitas Kelas**

Gunakan "empat hal evolusi" sebagai daftar periksa, minta siswa saat menghadapi sistem yang mengklaim "evolusioner" memeriksa satu per satu: bagaimana ia menghasilkan keragaman? berdasarkan standar apa menyaring? dengan apa solusi unggul dipertahankan dan ditransmisikan? dari umpan balik lingkungan mana fitness diperoleh? Keempatnya lengkap baru membentuk loop tertutup.

> **Petunjuk Transisi**
>
> Setelah memastikan siswa dapat menyebutkan hubungan inti halaman ini, terutama pembagian kerja model, lingkungan, dan sistem, serta makna bergerak dari algoritma titik tunggal ke proses lingkungan, lanjutkan ke pembelajaran mendalam tentang sistem evolusi cerdas EvoX selanjutnya.