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

Durasi: 1 · Halaman materi: 16

## Navigasi Bacaan

- [Pelajaran 7｜Topik: Paradigma Riset Ilmiah AI Native dan Titik Masuk Praktik EvoX](#lecture-lesson-1)

---

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

## Pelajaran 7｜Topik: Paradigma Riset Ilmiah AI Native dan Titik Masuk Praktik EvoX

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

### Paradigma Riset Ilmiah AI Native dan Titik Masuk Praktik EvoX

*Halaman 1*

> **Tujuan halaman:** Menguasai jalur praktis untuk masuk ke EvoX dalam lingkungan AI Native, dan merasakan prinsip inti riset ilmiah "Code is cheap. Taste matters."

> **Tujuan halaman**
>
> Ini adalah halaman pembuka pelajaran ketujuh, yang menetapkan nada untuk seluruh unit "Paradigma Riset Ilmiah AI Native dan Praktik EvoX". Pembelajar perlu membangun dua pemahaman: pertama, jalur praktis untuk menjalankan eksperimen EvoX secara efisien dengan bantuan alat AI seperti Codex dalam lingkungan AI Native; kedua, ketika kode dapat dihasilkan secara otomatis, kemampuan yang benar-benar tidak tergantikan bagi peneliti — daya apresiasi dan kemampuan mengajukan pertanyaan kunci, yaitu kalimat yang berulang kali ditekankan di halaman ini: Code is cheap. Taste matters.

> **Urutan penjelasan**
>
> 1. Mulai dari skenario. Jelaskan bahwa dalam cara kerja AI Native, "kerja kasar" seperti menulis skrip eksperimen, membangun alur optimasi EvoX, dan menjalankan eksperimen perbandingan, sebagian besar dapat ditangani oleh alat AI, sehingga peneliti tidak perlu lagi menulis baris demi baris. Ini secara langsung mengubah ritme penelitian: dari "bisa tidak menulisnya" menjadi "layak tidak dikerjakan".
>
> 2. Lalu masuk ke metode. Saat menjalankan eksperimen EvoX dengan alat seperti Codex, pendekatan tipikalnya adalah menjelaskan maksud eksperimen, pengaturan masalah, dan kriteria evaluasi dengan jelas, membiarkan alat menghasilkan kerangka program yang dapat dijalankan, sementara peneliti fokus memeriksa apakah desain eksperimen valid dan apakah hasilnya dapat dipercaya.
>
> 3. Terakhir, tunjukkan prinsip inti. Karena kode menjadi murah, yang langka adalah daya penilaian: apakah topiknya bernilai, apakah baseline-nya adil, apakah metriknya menjelaskan masalah, apakah kesimpulannya dapat dipertahankan. Taste menentukan arah penelitian, kemampuan bertanya menentukan kedalaman penelitian.

**Poin pengajaran**

- Alat AI menurunkan biaya implementasi, bukan ambang batas penelitian
- Ambang batas bergeser dari "kemahiran pemrograman" ke "selera masalah". Saat menggunakan alat seperti Codex, peran manusia adalah mengajukan pertanyaan yang baik, menetapkan standar evaluasi, dan meninjau hasil yang dihasilkan, bukan menerima output secara pasif. "Code is cheap. Taste matters." bukan menyangkal kemampuan rekayasa, melainkan mengingatkan: di era pemrograman otomatis, daya apresiasi dan kemampuan bertanya adalah parit pertahanan sejati bagi peneliti.

**Pemeriksaan pemahaman**

Minta seorang pembelajar menjelaskan dengan kata-katanya sendiri, jika kode dapat dihasilkan secara otomatis, ke mana waktu peneliti dalam eksperimen EvoX harus dialihkan kembali. Jawaban yang memenuhi syarat harus mengarah pada pekerjaan penilaian seperti pemilihan masalah, desain eksperimen, dan penilaian hasil, bukan hanya "membiarkan AI menulis lebih cepat".

> **Petunjuk transisi**
>
> Setelah memastikan pembelajar dapat menyebutkan hubungan inti "biaya implementasi turun, nilai penilaian naik", baru lanjut ke halaman berikutnya untuk menguraikan langkah dan contoh praktik EvoX yang spesifik.

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

### Paradigma Riset Ilmiah AI Native dan Titik Masuk Praktik EvoX

*Halaman 2*

> **Tujuan halaman:** Memahami jalur keseluruhan dan prinsip inti riset ilmiah untuk masuk ke EvoX dalam lingkungan AI Native.

> **Tujuan halaman**
>
> Menghubungkan "paradigma riset ilmiah AI Native" dan "titik masuk praktik EvoX" menjadi satu jalur — ketika biaya implementasi turun, peneliti harus mengalihkan perhatian dari menulis kode ke mengajukan pertanyaan, mendefinisikan evaluasi, menilai arah, dan mengkritisi hasil, serta mengingat prinsip inti "Code is cheap. Taste matters."

> **Urutan penjelasan**
>
> Pertama jelaskan pergeseran paradigma, lalu baca diagram arsitektur, kemudian jelaskan bahwa EvoX bukan alat algoritma tunggal, melainkan sistem evolusi cerdas yang dapat dijalankan, dikombinasikan, dan dieksplorasi secara berkelanjutan; terakhir masuk ke praktik: dari "memilih algoritma" menjadi "merancang proses".

**Poin pengajaran**

- Model besar, GPU, Agent, dan alur kerja otomatis menjadi infrastruktur riset ilmiah default. Kode implementasi, eksperimen batch, dan perluasan pencarian semakin murah
- AI bertanggung jawab mengimplementasikan jawaban, mempercepat eksperimen, dan memperluas pencarian
- Manusia bertanggung jawab atas arah, batasan, selera, dan keputusan kunci. Perhatian manusia bergeser dari "mengetik kode" ke "menetapkan standar, membuat pilihan, melihat hasil". Berangkat dari "masalah nyata · selera penelitian", manusia mengajukan pertanyaan, menetapkan standar, dan menilai arah
- Setelah dikonversi menjadi eksplorasi yang dapat dieksekusi, infrastruktur AI menanganinya, lalu diserahkan ke EvoX. Empat tahap internal EvoX: definisi masalah (konflik tujuan, batasan), desain evaluasi (metrik, bobot, ambang batas), proses evolusi (solusi kandidat, iterasi batch), penjadwalan Runtime (komputasi, konkurensi, reproduksibilitas). Output berupa beberapa solusi kandidat, hasil yang dapat diverifikasi, evolusi berkelanjutan, membentuk output riset yang dapat dikritisi dan direproduksi, serta melalui loop umpan balik "kritik dan penerimaan" kembali ke titik awal. Meneruskan aliran komputasi evolusioner, berorientasi pada multi-tujuan kompleks, eksplorasi terbuka, dan evolusi berkelanjutan tingkat sistem. Ini bukan solver tunggal, melainkan fondasi rekayasa yang dapat dijalankan, dikombinasikan, dan dieksplorasi secara berkelanjutan: produk dari satu eksperimen dapat diwarisi oleh eksperimen berikutnya, dan proses pencarian itu sendiri dapat terus berevolusi. Empat pegangan utamanya tetap definisi masalah, desain evaluasi, proses evolusi, dan penjadwalan Runtime. Kesalahpahaman tipikal adalah menganggap titik masuk sebagai "memilih satu dari beberapa algoritma". Titik awal yang benar adalah mengidentifikasi konflik tujuan dan batasan terlebih dahulu, mengubah masalah menjadi proses eksplorasi yang dapat dieksekusi, dibandingkan, dan berevolusi secara berkelanjutan. Manusia mendefinisikan konflik tujuan, kondisi batasan, dan standar penerimaan terlebih dahulu
- AI menghasilkan dan mengiterasi kode dengan cepat
- EvoX menjalankan secara batch dan membandingkan solusi kandidat
- Akhirnya membentuk hasil yang dapat dikritisi dan diverifikasi. Misalnya dalam eksperimen optimasi multi-tujuan, AI tidak boleh dibiarkan menulis semua kode lalu langsung mempercayai outputnya, melainkan mesin bertanggung jawab atas implementasi dan eksplorasi, manusia bertanggung jawab atas definisi dan penilaian. Code is cheap. Taste matters. Ketika kode tidak lagi langka, selera masalah, standar evaluasi, penilaian trade-off, dan kemampuan penerimaan adalah kompetensi riset yang lebih sulit digantikan.

**Penanganan latihan**

Halaman ini dilengkapi 5 soal pilihan ganda. Soal 1 jawaban benar adalah "beralih dari menulis kode implementasi ke mengajukan pertanyaan, mendefinisikan standar evaluasi, dan menilai arah"; poin umpan balik: implementasi dan eksplorasi batch dapat diserahkan ke AI, tanggung jawab inti manusia adalah mengajukan pertanyaan, mendefinisikan standar, dan menilai hasil. Soal 2 jawaban benar adalah "sistem evolusi cerdas dan fondasi rekayasa yang dapat dijalankan, dikombinasikan, dan dieksplorasi secara berkelanjutan"; jika salah, ingatkan agar tidak menyederhanakan EvoX menjadi algoritma tertentu. Soal 3 jawaban benar adalah "mengidentifikasi konflik tujuan dan batasan terlebih dahulu, mengubah masalah menjadi proses eksplorasi yang dapat dieksekusi"; tekankan bahwa titik masuk bukan pemilihan algoritma atau pengaturan parameter. Soal 4 jawaban benar adalah "ketika kode tidak lagi langka, selera masalah, standar evaluasi, dan penilaian penerimaan menjadi kemampuan yang lebih langka";

ini tidak menyangkal implementasi dan verifikasi, melainkan menekankan pergeseran kelangkaan. Soal 5 jawaban benar adalah "membiarkan AI menulis semua kode lalu langsung menggunakan hasil eksekusinya, tanpa lagi mendefinisikan tujuan dan standar secara manual"; ini bertentangan dengan pembagian kerja "AI mengimplementasikan dan mengeksplorasi, manusia mendefinisikan dan menilai".

Rancang satu eksperimen optimasi multi-tujuan dengan EvoX. Skenario mensyaratkan optimasi biaya, performa, dan robustness secara simultan, tiga metrik saling bertentangan, serta dibatasi oleh anggaran komputasi dan siklus pengiriman. Pembagian kerja manusia-mesin harus ditulis sebagai: manusia bertanggung jawab atas definisi dan penilaian — mengajukan pertanyaan, menuliskan konflik tujuan dan batasan secara eksplisit, merancang metrik evaluasi dan ambang penerimaan, serta membuat penilaian arah dan penerimaan kritis di hadapan hasil; AI bertanggung jawab atas implementasi dan eksplorasi — menghasilkan dan mengiterasi kode dengan cepat, menjalankan solusi kandidat secara batch, memperluas pencarian dan mempercepat eksperimen. Keduanya membentuk loop tertutup "manusia menetapkan arah — AI memperluas eksplorasi — manusia melakukan penerimaan".

Konflik tujuan tidak didefinisikan secara eksplisit, standar evaluasi kabur, batasan diabaikan, hasilnya sulit dinilai baik-buruk, direproduksi, dan diendapkan; seharusnya diubah menjadi fokus pada desain proses, memperjelas definisi masalah dan cara evaluasi, merencanakan generasi solusi kandidat, perbandingan eksekusi batch, dan penjadwalan Runtime, serta memasukkan hasil setiap putaran ke dalam kritik dan penerimaan.

**Aktivitas kelas**

Minta siswa memilih satu masalah yang familiar, menuliskan konflik tujuan dan standar penerimaan dalam satu kalimat, lalu menjelaskan segmen mana yang ditangani AI dan segmen mana yang ditangani EvoX. Pemeriksaan pemahaman: minta siswa secara acak mengulang "mengapa menetapkan evaluasi dulu, baru menyentuh kode", dan menunjukkan peran loop umpan balik dalam diagram arsitektur. Petunjuk transisi: Setelah memastikan siswa dapat membedakan kemampuan murah dan kemampuan langka, baru lanjut ke halaman berikutnya yang berisi contoh soal, aplikasi, atau ringkasan.

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

### Batas Kemampuan Model Besar dan Sistem Evolusi Berkelanjutan

*Halaman 3*

> **Tujuan halaman:** Memahami kesenjangan antara pertumbuhan kemampuan model besar dan pembangunan sistem yang beradaptasi jangka panjang terhadap dunia nyata.

**Poin pengajaran**

- Saat melihat pernyataan seperti "peningkatan kemampuan model", tanyakan dua hal: di mana <em>hasil efektif</em> putaran ini diendapkan? Siapa yang mewarisinya di putaran berikutnya? Jika tidak bisa menjawab, yang meningkat hanyalah kemampuan pemanggilan tunggal, bukan kemampuan adaptasi jangka panjang sistem.
- Hasilkan kandidat dulu → verifikasi nyata → endapkan ke repositori → warisi dan berevolusi lagi. Urutannya tidak bisa ditukar: tanpa kandidat tidak ada yang diverifikasi, tanpa verifikasi tidak ada pengendapan, tanpa pengendapan tidak ada titik awal yang dapat diwarisi.
- Dua kesalahpahaman yang sering terjadi: menganggap "performa baik pada tugas tunggal" sebagai "sistem dapat beradaptasi jangka panjang"; menganggap "kandidat yang belum diverifikasi" sebagai "kesimpulan yang sudah ada". Cara memeriksa diri adalah melihat apakah hasil ini telah melewati verifikasi nyata, dan apakah telah ditulis ke versi proyek yang dapat diwarisi.

Tujuan halaman**

"Pertumbuhan kemampuan" model besar dan "adaptasi jangka panjang" sistem bukan hal yang sama. Pembelajar perlu memahami mengapa memperkuat kemampuan model tidak secara otomatis berarti proyek dapat berevolusi secara berkelanjutan di dunia nyata, serta tahap apa saja yang harus membentuk loop tertutup tingkat sistem.

Urutan penjelasan**

Disarankan mengikuti urutan "komponen kemampuan → mengapa tidak cukup → loop tertutup empat langkah → hubungan komponen dan sistem → pemeriksaan kesalahpahaman". Pertama jelaskan apa yang bisa dilakukan model besar, lalu ciptakan kesenjangan kognitif (kuat sekali ≠ stabil jangka panjang), kemudian berikan struktur loop tertutup sebagai solusi, dan terakhir tutup dengan konsep "komponen—sistem".

Poin pengajaran**

Satu, tiga jenis kemampuan yang disediakan model besar. Ia sudah dapat secara stabil menangani pemahaman kuat, generasi, dan pemanggilan alat: mengurai tujuan dan batasan menjadi deskripsi tugas yang dapat dieksekusi; menghasilkan hipotesis kandidat, kode, desain eksperimen, dan dokumentasi; menghubungkan sumber daya eksternal seperti pencarian, komputasi, kompilasi, dan simulasi. Karena itu, menjadikan model besar sebagai "komponen cerdas" yang terintegrasi ke dalam alur riset dan rekayasa sudah menjadi praktik yang realistis dan dapat digunakan. Namun harus dijelaskan: ketiga jenis kemampuan ini menjawab "apakah tugas tunggal bisa dikerjakan dengan benar", bukan "apakah tugas jangka panjang bisa terus dikerjakan dengan benar".

Dua, mengapa kemampuan tunggal yang kuat tidak cukup. Proyek rekayasa nyata sering berlangsung berbulan-bulan bahkan bertahun-tahun, sementara konteks Agent tunggal pada akhirnya akan habis. Jika pengalaman tidak dapat diendapkan, setiap putaran pekerjaan harus dimulai dari nol, dan pertumbuhan kemampuan tidak akan otomatis berubah menjadi kemampuan adaptasi jangka panjang. Di sini dapat diajukan: perlu memperluas objek evolusi menjadi "dunia perangkat lunak" yang terus ada, dan mengandalkan persistensi tingkat proyek agar pengalaman tidak hilang bersama eksperimen tunggal.

Komponen cerdas mengajukan hipotesis, modifikasi, atau implementasi, saat ini mereka hanya kandidat, bukan kesimpulan; verifikasi nyata: kandidat harus melewati lingkungan nyata, simulasi, atau eksperimen, dan melewati gerbang seperti kompilasi, pengujian, pemeriksaan perilaku, dan penerimaan tingkat atas; pengendapan hasil: hanya hasil efektif yang lolos verifikasi yang ditulis ke versi proyek yang diterima, menjadi aset yang dapat digunakan kembali; evolusi lanjutan: pekerjaan berikutnya mewarisi hasil yang telah diendapkan, dan atas dasar itu terus mengajukan kandidat. Mantranya adalah "hasilkan kandidat dulu → verifikasi nyata → endapkan ke repositori → warisi dan berevolusi lagi". Tekankan ketergantungan logis: tanpa kandidat tidak ada yang diverifikasi, tanpa verifikasi tidak ada pengendapan, tanpa pengendapan tidak ada titik awal yang dapat diwarisi.

Empat, gunakan sistem kolaborasi multi-Agent seperti Genesis sebagai contoh loop tertutup. Siklus hidup Agent yang berpartisipasi terbatas, eksekutor tingkat atas memahami tujuan dan mengurai tugas secara rekursif, eksekutor tingkat bawah menyelesaikan implementasi dan pengujian lokal, dan melanjutkan rekursi ke bawah jika perlu; modifikasi kandidat hanya diajukan sebagai kandidat, harus melewati kompilasi, pengujian, pemeriksaan perilaku, dan penerimaan tingkat atas untuk diterima, upaya yang gagal ditolak, hasil yang lolos verifikasi ditulis ke versi proyek, menjadi dasar historis bagi eksekutor berikutnya. Dalam skenario seperti refactoring kompilator dan peningkatan perangkat lunak ilmiah, mekanisme ini menunjukkan keandalan tinggi dan rasio percepatan eksekusi.

Komponen kemampuan bertanggung jawab menghasilkan kandidat berkualitas tinggi di titik tunggal, loop tertutup sistem bertanggung jawab menentukan kandidat mana yang layak dipertahankan, bagaimana mempertahankannya, dan bagaimana diwarisi oleh putaran berikutnya. Tanpa loop tertutup, semakin kuat kemampuan hanya akan menghasilkan lebih banyak kandidat yang belum diverifikasi; tanpa komponen yang kuat, loop tertutup kekurangan sumber kandidat berkualitas tinggi.

Enam, kesalahpahaman umum dan cara memeriksa diri. Kesalahpahaman paling umum adalah menyamakan "peningkatan kemampuan model" dengan "sistem dapat beradaptasi jangka panjang". Kriteria penilaiannya bukan seberapa baik model tampil pada tugas tertentu, melainkan apakah hasil efektif dapat diendapkan secara stabil dan diwarisi oleh pekerjaan putaran berikutnya. Dapat diajarkan dua pertanyaan lanjutan kepada pembelajar: di mana hasil efektif putaran ini diendapkan? Siapa yang mewarisinya di putaran berikutnya? Jika tidak bisa menjawab, yang meningkat hanyalah kemampuan pemanggilan tunggal. Kesalahpahaman lain adalah menganggap "kandidat yang belum diverifikasi" sebagai "kesimpulan yang sudah ada", cara memeriksa diri adalah melihat apakah ia telah melewati verifikasi nyata, dan ditulis ke versi proyek yang dapat diwarisi.

Petunjuk materi**

Sisi kiri adalah area komponen "kemampuan model besar", mencantumkan pemahaman, generasi, dan pemanggilan alat; sisi kanan adalah "loop tertutup sistem evolusi berkelanjutan", terdiri dari empat node yaitu generasi kandidat, verifikasi nyata, pengendapan hasil, dan evolusi lanjutan yang membentuk siklus, di tengahnya diberi label "komponen kemampuan perlu diorganisir oleh sistem". Saat menjelaskan, dapat menuntun siswa menyusuri loop tertutup searah panah, lalu menunjuk kembali ke kiri, menjelaskan bahwa komponen hanya memiliki nilai jangka panjang jika diorganisir oleh sistem.

Petunjuk latihan dan panduan jawaban**

Posisi yang benar model besar dalam alur (komponen cerdas yang dapat diorganisir oleh sistem, bertanggung jawab atas pemahaman, generasi, dan pemanggilan alat); mengapa pertumbuhan kemampuan tidak sama dengan adaptasi jangka panjang (konteks sesi tunggal akan habis, dan hasil yang belum diverifikasi tidak dapat diendapkan sebagai aset yang dapat diwarisi); urutan tahap loop tertutup yang benar (generasi kandidat → verifikasi nyata → pengendapan hasil → evolusi lanjutan); ambang batas kode masuk ke sejarah proyek dalam Genesis (lolos kompilasi, pengujian, dan pemeriksaan perilaku serta mendapat penerimaan tingkat atas); serta pernyataan yang akurat tentang hubungan "komponen—sistem".

Soal kasus meminta merancang loop tertutup tingkat sistem untuk laboratorium komputasi ilmiah jangka panjang, dan memberikan mekanisme untuk "solusi gagal yang diulang terus-menerus" dan "anggota baru yang tidak dapat mewarisi kesimpulan awal". Poin jawaban: gunakan gerbang penerimaan ketat dan catatan keputusan untuk menolak kandidat yang tidak lolos dan menyimpan alasan kegagalan, gunakan persistensi tingkat proyek untuk menulis hasil yang lolos penerimaan ke versi proyek yang diterima; sekaligus tunjukkan — hanya meningkatkan kemampuan model hanya dapat meningkatkan kualitas kandidat tunggal, sedangkan akar kedua masalah ini terletak pada kurangnya verifikasi, pencatatan, dan pengendapan.

Pemeriksaan pemahaman**

Mengapa model yang lebih kuat tidak sama dengan proyek yang lebih mampu berevolusi jangka panjang, dan apa yang diselesaikan oleh masing-masing dari empat langkah loop tertutup. Jika jawaban hanya berhenti pada "modelnya sangat hebat", dapat diingatkan untuk kembali ke dua pertanyaan lanjutan "di mana hasil efektif diendapkan, siapa yang mewarisinya" untuk melengkapi.

Petunjuk transisi**

Setelah memastikan pembelajar dapat membedakan "kualitas kandidat tunggal" dan "penyaringan, pengendapan, dan pewarisan tingkat sistem", baru lanjut ke halaman berikutnya yang berisi aplikasi, contoh soal, atau sesi praktik.

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

### Mengubah Masalah Nyata menjadi Proses Eksplorasi EvoX

*Halaman 4*

> **Tujuan halaman:** Menguasai cara mendefinisikan objek yang dapat diubah, standar evaluasi, dan mekanisme retensi saat menghadapi masalah nyata.

> **Tujuan halaman**
>
> Menguasai cara mendefinisikan objek yang dapat diubah, standar evaluasi, dan mekanisme retensi saat menghadapi masalah nyata, serta memahami urutan "lakukan konversi masalah dulu, baru bicarakan pemilihan algoritma".

> **Urutan penjelasan**
>
> Masalah nyata (permintaan dapat dideskripsikan) → pendefinisian objek yang dapat diubah (variabel dapat disampel) → konstruksi standar evaluasi (tujuan dapat dihitung) → mekanisme retensi dan seleksi (kandidat dapat diwarisi) → iterasi eksplorasi EvoX (setiap generasi dapat direproduksi) → output solusi kandidat (kesimpulan dapat diukur).
>
> Saat evaluasi terdistorsi, mundur ke konstruksi standar evaluasi; saat keragaman kolaps, mundur ke mekanisme retensi.
>
> 3. Lalu uraikan empat kondisi penerimaan secara berurutan, dan gunakan desain airfoil superkritis untuk menjelaskan cara pemetaannya.
>
> 4. Terakhir, uji pemahaman melalui lima soal benar-salah dan kasus pelat pendingin paket baterai.

**Poin pengajaran**

- Mengubah masalah nyata menjadi proses eksplorasi EvoX berarti, sebelum menulis konfigurasi algoritma apa pun, mengubah tuntutan rekayasa atau riset yang kabur menjadi definisi masalah evolusi yang "dapat disampel, dapat dievaluasi, dapat dipertahankan, dan dapat diverifikasi secara iteratif". EvoX menangani jalur pipa eksplorasi, ia perlu tahu di ruang apa menyampel, dengan standar apa menilai, dan hasil mana yang layak dilanjutkan. Informasi ini hanya bisa berasal dari masalah itu sendiri. Algoritma hanya dapat mencari jawaban dalam batas definisi, tidak dapat menemukan jawaban benar dari masalah yang didefinisikan secara salah. Terjemahkan tuntutan nyata menjadi variabel keputusan, tentukan bentuk representasi, dimensi, dan batas, serta bedakan parameter kontinu, struktur diskrit, bahkan objek tingkat program. Batas yang terlalu sempit akan mengecualikan solusi optimal sejati dari ruang pencarian
- Variabel dapat disampel. Uraikan tujuan kabur menjadi fungsi tujuan dan batasan yang dapat dihitung, perjelas metrik yang dimaksimalkan, batasan keras, dan trade-off multi-tujuan. Saat umpan balik jarang atau simulasi mahal, perkenalkan model surrogate untuk menggantikan komputasi berbiaya tinggi. Kondisi penerimaan: tujuan dapat dihitung, dan hasilnya stabil serta dapat direproduksi pada input yang sama. Definisikan bagaimana kandidat disimpan, dibandingkan, dan dilanjutkan, sehingga proses evolusi memiliki memori, arah, dan keragaman, bukan trial-and-error sekali pakai yang saling tidak terkait. Kondisi penerimaan: kandidat dapat diwarisi. Hasil konversi harus dapat direproduksi, diukur, dan diverifikasi secara iteratif, setiap langkah dapat menjawab "apakah perubahan ini benar-benar lebih baik". Variabel yang terlewat akan salah memahami ruang solusi, evaluasi yang terdistorsi akan membuat optimasi menyimpang secara keseluruhan
- Kedua jenis deviasi ini tidak dapat dikompensasi oleh operator selanjutnya atau iterasi yang lebih banyak. Dalam desain airfoil superkritis, objek yang dapat diubah adalah parameter perturbasi geometri airfoil dasar
- Standar evaluasi adalah metrik multi-tujuan seperti rasio lift-to-drag, divergence drag, robustnes, dan menggunakan model surrogate untuk mengendalikan biaya simulasi
- Mekanisme retensi adalah mengeluarkan kelompok solusi kandidat yang beragam dengan mempertimbangkan berbagai metrik, diserahkan kepada ahli domain untuk menimbang dan memutuskan. Masalah nyata yang sama, cukup mengganti satu set batas variabel atau cakupan evaluasi, kesimpulan eksplorasi akan sepenuhnya berbeda.

**Cakupan kata kunci**

- Konversi masalah, pendefinisian objek yang dapat diubah, variabel dapat disampel, konstruksi standar evaluasi, tujuan dapat dihitung, mekanisme retensi dan seleksi, kandidat dapat diwarisi, iterasi eksplorasi EvoX, setiap generasi dapat direproduksi, evaluasi terdistorsi, keragaman kolaps, model surrogate, airfoil superkritis.

**Penanganan latihan**

Jawaban benar adalah "karena konversi menentukan ruang pencarian dan cakupan evaluasi, algoritma hanya dapat mencari jawaban dalam batas definisi ini". Saat menjelaskan, tekankan bahwa konversi menjawab "apa yang dapat diubah" dan "bagaimana mengevaluasi setelah perubahan", batas atas ruang eksplorasi dan arah optimasi ditentukan olehnya; biaya penyampelan atau jenis operator bukanlah kuncinya.

Jawaban benar adalah "ruang pencarian terlalu sempit, solusi optimal sejati tidak ada di dalamnya, operator dan iterasi selanjutnya tidak dapat mengompensasi". Variabel yang terlewat termasuk deviasi tahap konversi, fungsi evaluasi, mekanisme retensi, dan operator tidak akan menciptakan dimensi yang tidak terdefinisi dari ketiadaan.

Jawaban benar adalah "gunakan model surrogate untuk mengaproksimasi evaluasi berbiaya rendah, sekaligus secara eksplisit mempertahankan hubungan trade-off multi-tujuan dan batasan keras". Ketika evaluasi mahal dan tujuan bertentangan, cara yang benar adalah menurunkan biaya evaluasi tunggal dan mengekspresikan konflik serta batasan secara eksplisit, bukan mengurangi jumlah generasi iterasi atau menggabungkan dengan pembobotan sederhana.

Jawaban benar adalah "membuat kandidat disimpan, dibandingkan, dan dilanjutkan, sehingga proses evolusi memiliki memori, arah, dan keragaman". Mekanisme retensi tidak bertanggung jawab atas evaluasi, juga tidak bertanggung jawab memperbaiki batas variabel.

Jawaban benar adalah "setiap langkah harus dapat direproduksi dan dapat menjawab 'apakah perubahan ini benar-benar lebih baik', jika tidak deviasi akan diperbesar dalam iterasi". Evaluasi menyeluruh setelah kejadian tidak dapat menggantikan verifikasi bertahap, variabel yang terlewat dan evaluasi terdistorsi terjadi pada tahap konversi, iterasi hanya akan memperbesar deviasi.

Saat jawaban benar, puji siswa karena dapat menghubungkan konsep halaman ini dan menjelaskan dasarnya; saat jawaban salah, minta siswa kembali ke paragraf yang sesuai, menemukan bukti kunci atau contoh, baru kemudian menilai.

> **Petunjuk latihan**
>
> - Optimasi geometri saluran pendingin pelat pendingin paket baterai. Hanya menjadikan lebar saluran sebagai variabel keputusan, mengabaikan derajat kebebasan struktur diskrit seperti arah saluran, bentuk topologi, jumlah tingkatan cabang, posisi inlet dan outlet, termasuk pendefinisian objek yang dapat diubah yang terlalu sempit, geometri optimal sejati mungkin tidak ada dalam ruang pencarian
> - Hanya menggunakan suhu maksimum sebagai satu-satunya tujuan, menyerahkan pressure drop dan keseragaman suhu pada penilaian pengalaman, termasuk distorsi standar evaluasi, konflik multi-tujuan tidak dimodelkan secara eksplisit
> - Simulasi tunggal 3 jam dikalikan 200 generasi, kurangnya kontrol biaya evaluasi dan cakupan verifikasi yang dapat direproduksi, langsung memilih individu "yang tampak terbaik" dari hasil, tidak dapat menjawab "apakah perubahan ini benar-benar lebih baik". Pada objek yang dapat diubah, masukkan parameter kontinu (lebar saluran, kedalaman, ketebalan dinding) bersama struktur diskrit (topologi saluran, jumlah tingkatan cabang, posisi inlet dan outlet), tuliskan rentang nilai atau cara pengkodean, dan bedakan besaran tetap, kondisi verifikasi adalah variabel dapat disampel. Pada standar evaluasi, tuliskan suhu maksimum, pressure drop, keseragaman suhu sebagai fungsi tujuan multi-tujuan yang eksplisit, tuliskan batas atas pressure drop dan kelayakan manufaktur sebagai batasan keras, gunakan model surrogate untuk menanggung sebagian besar evaluasi dan secara berkala mengkalibrasi dengan simulasi nyata, kondisi verifikasi adalah tujuan dapat dihitung dan stabil serta dapat direproduksi pada input yang sama. Pada mekanisme retensi, simpan satu set kandidat beragam yang mencakup trade-off lintas tujuan, bukan solusi optimal tunggal, definisikan aturan perbandingan dan aturan kelanjutan, serta pantau homogenisasi dengan metrik keragaman, kondisi verifikasi adalah kandidat dapat diwarisi. Dalam eksekusi dan verifikasi, catat metrik yang dapat direproduksi per generasi
> - Jika keandalan evaluasi menurun, mundur ke konstruksi standar evaluasi untuk kalibrasi ulang
> - Jika keragaman kolaps, mundur ke mekanisme retensi untuk menyesuaikan strategi penyaringan dan kelanjutan.

**Aktivitas kelas**

Minta siswa menulis ulang "buat desain ini lebih baik" dalam satu kalimat menjadi definisi masalah eksplorasi yang mencakup objek yang dapat diubah, standar evaluasi, dan mekanisme retensi, lalu saling memeriksa apakah memenuhi "dapat disampel, dapat dihitung, dapat diwarisi, dapat direproduksi".

**Pemeriksaan pemahaman**

Minta seorang siswa secara acak merangkum poin utama halaman ini dengan kata-katanya sendiri, guru melengkapi kondisi penerimaan dan loop umpan balik yang terlewat berdasarkan jawaban.

> **Petunjuk transisi**
>
> Setelah memastikan siswa dapat menyebutkan "definisikan dulu, baru nyalakan optimizer" dan dua jenis mekanisme mundur, baru lanjut ke halaman berikutnya yang berisi contoh soal, aplikasi, atau ringkasan.

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

### Optimasi Multi-Tujuan dan Eksplorasi Multi-Solusi

*Halaman 5*

> **Tujuan halaman:** Mengenali kompleksitas tarik-menarik multi-tujuan di dunia nyata dan kebutuhan untuk mempertahankan satu set solusi kandidat.

> **Tujuan halaman**
>
> Mengenali kompleksitas tarik-menarik multi-tujuan di dunia nyata, memahami mengapa perlu mempertahankan satu set solusi kandidat, serta menguasai dominasi Pareto, front Pareto, biaya skalarissasi, dan evaluasi dua dimensi konvergensi dan keragaman.

**Poin pengajaran**

- Apakah ini benar-benar masalah multi-tujuan? Kriteria penilaiannya bukan "jumlah tujuan lebih dari 1", melainkan apakah tujuan-tujuan saling bertentangan. Ambil contoh desain airfoil superkritis: rasio lift-to-drag, kekuatan struktur, margin stall, dan biaya manufaktur/simulasi saling bertentangan, meningkatkan rasio lift-to-drag sering berarti beban struktur dan biaya manufaktur naik bersamaan. Jika semua tujuan dapat ditingkatkan secara bersamaan tanpa kerugian, masalahnya merosot menjadi single-objective, eksplorasi multi-solusi tidak hanya tidak perlu, tetapi juga memboroskan komputasi. Arah berlawanan, saling bertentangan, itulah yang membentuk multi-tujuan sejati. Dua, dominasi Pareto dan front Pareto. Solusi A mendominasi solusi B, jika dan hanya jika A tidak lebih buruk dari B pada semua tujuan (untuk setiap tujuan i, fᵢ(A) ≤ fᵢ(B)), dan lebih baik secara ketat pada setidaknya satu tujuan (ada j sehingga fⱼ(A) < fⱼ(B)). Solusi apa pun yang terdominasi memiliki pengganti yang "setidaknya sama baik, lebih baik di suatu tempat", sehingga tidak memiliki nilai retensi. Semua solusi yang tidak didominasi oleh solusi mana pun membentuk front Pareto — solusi di front saling tidak mendominasi, mana yang lebih cocok tergantung preferensi, bukan matematika. Tiga, biaya single-objectiveization. Metode skalarissasi seperti penjumlahan berbobot, ε-constraint memampatkan tujuan vektor menjadi satu skalar, praktis secara rekayasa, tetapi biayanya sangat konkret: Menutupi struktur trade-off — begitu bobot ditetapkan, bentuk front dan arah alternatif menjadi tidak terlihat, pengambil keputusan hanya melihat satu skor. Bobot harus diberikan terlebih dahulu — padahal preferensi sejati sering tidak dapat diformalkan terlebih dahulu, sering baru menjadi jelas secara bertahap pada tahap tinjauan. Cakupan terbatas — penjumlahan berbobot biasanya hanya dapat mencapai titik-titik tertentu pada front, sebagian segmen front non-konveks sulit dicapai. Begitu tinjauan berikutnya mengubah bobot, seluruh pencarian harus dijalankan ulang, ini justru kebalikan dari "satu eksplorasi untuk kebebasan keputusan berkali-kali". Konvergensi dan keragaman. Konvergensi (apakah himpunan solusi mendekati front sejati) dan keragaman (apakah solusi mencakup segmen berbeda dari front). Keduanya sering saling tarik-menarik: begitu tekanan seleksi terlalu condong ke "lebih baik", populasi akan kolaps ke satu titik atau satu segmen kecil di front, tampak konvergen cepat, tetapi informasi trade-off hilang. Karena itu perlu secara eksplisit mempertahankan keragaman populasi, dan dikombinasikan dengan tekanan seleksi seperti crowding distance, dekomposisi, dan berbasis indikator (seperti hypervolume). Posisi keputusan bergeser. Optimizer hanya bertanggung jawab menghasilkan kelompok kandidat yang dapat dibandingkan, pemilihan akhir dilakukan oleh preferensi atau ahli domain, optimizer tidak boleh konvergen terlalu dini atas nama pengambil keputusan. Alasan realistis mempertahankan kelompok kandidat yang terdiferensiasi adalah "hedging" — ketika preferensi tidak diketahui, berubah sesuai situasi, atau batasan akan direvisi pada tahap implementasi, kelompok solusi yang beragam lebih bernilai daripada "solusi optimal" tunggal. Pada antarmuka implementasi, masalah multi-tujuan harus didefinisikan sebagai fungsi evaluasi bernilai vektor (mengembalikan beberapa nilai tujuan sekaligus) dan output himpunan solusi kandidat, bukan fitness skalar dengan nilai kembalian tunggal. Jumlah nilai kembalian fungsi evaluasi menentukan dimensi tujuan, struktur output menentukan apakah keragaman dapat dipertahankan.

> **Petunjuk materi**
>
> - Halaman ini menyediakan scatter plot front Pareto dua dimensi, sumbu horizontal adalah tujuan 1 kualitas struktur (semakin kecil semakin baik), sumbu vertikal adalah tujuan 2 biaya manufaktur (semakin kecil semakin baik). Pada gambar ditandai solusi non-dominasi, solusi terdominasi, front Pareto, titik pencapaian skalarissasi, arah perbaikan, area jarang dan area padat. Dapat menggunakan gambar ini untuk menjelaskan secara intuitif hubungan dominasi, bentuk front, dan keragaman, serta menjelaskan bahwa penjumlahan berbobot biasanya hanya dapat mengenai titik-titik tertentu pada front.

> **Petunjuk latihan**
>
> - Halaman ini berisi 5 soal pilihan ganda dan 1 studi kasus. Soal 1 menguji penilaian dominasi Pareto, jawaban benar adalah "solusi A mendominasi solusi B, jika dan hanya jika A tidak lebih buruk dari B pada semua tujuan, dan lebih baik secara ketat pada setidaknya satu tujuan". Saat membimbing, tekankan kedua kondisi harus terpenuhi bersamaan, solusi yang saling unggul satu sama lain tidak saling mendominasi, akan tetap berada di front Pareto secara bersamaan. Soal 2 menguji dasar penilaian masalah multi-tujuan, jawaban benar adalah "tujuan-tujuan saling berlawanan arah, memperbaiki satu pasti mengorbankan yang lain". Saat membimbing, tunjukkan bahwa sifat konflik adalah esensi multi-tujuan, kuncinya bukan jumlah tujuan, melainkan hubungan konflik yang saling bertentangan. Soal 3 menguji penilaian metode skalarissasi, jawaban benar adalah "skalarissasi menutupi struktur trade-off, dan mensyaratkan bobot diberikan terlebih dahulu, padahal preferensi sejati sering tidak dapat diformalkan sebelumnya". Saat membimbing, ingatkan dua biaya: menutupi struktur trade-off, dan harus memberikan bobot terlebih dahulu. Soal 4 menguji hubungan konvergensi dan keragaman, jawaban benar adalah "keduanya sering saling tarik-menarik, mengejar konvergensi berlebihan mudah membuat populasi kolaps ke segmen tertentu front". Dapat ditanyakan balik: jika semua solusi menumpuk di satu titik pada front, meskipun tampak konvergen, apakah pengambil keputusan masih dapat memilih? Soal 5 menguji pembagian kerja optimizer dan pengambil keputusan, jawaban benar adalah "optimizer mengeluarkan satu set kandidat non-dominasi yang dapat dibandingkan, pemilihan akhir diserahkan kepada preferensi atau ahli domain". Saat membimbing, jelaskan bahwa posisi keputusan bergeser, nilai optimasi multi-tujuan justru terletak pada mempertahankan kelompok kandidat. Studi kasus berkisar pada trade-off multi-tujuan airfoil superkritis. Pertanyaan 1 meminta menjelaskan mengapa ini membentuk masalah multi-tujuan sejati, dan risiko mengeluarkan satu "airfoil optimal" dengan skor berbobot tunggal pada tahap tinjauan. Poin jawaban: tujuan-tujuan berlawanan arah, saling bertentangan, tidak dapat ditingkatkan bersamaan tanpa kerugian
> - Skor berbobot menutupi struktur trade-off, mensyaratkan bobot diberikan terlebih dahulu, begitu bobot disesuaikan harus dijalankan ulang, anggaran simulasi sulit ditanggung. Pertanyaan 2 meminta menjelaskan bagaimana mendefinisikan fungsi evaluasi dan struktur output, serta bagaimana memilih pada saat tinjauan. Poin jawaban: fungsi evaluasi diubah menjadi bentuk bernilai vektor, mengembalikan kuadruplet (rasio lift-to-drag, kualitas struktur, margin stall, biaya manufaktur dan simulasi)
> - Output adalah himpunan solusi kandidat, yaitu satu set solusi front Pareto yang saling tidak mendominasi
> - Pada tingkat algoritma secara eksplisit mempertahankan keragaman, dikombinasikan dengan tekanan seleksi seperti crowding distance, dekomposisi, atau hypervolume
> - Pada saat tinjauan memilih dari kelompok kandidat sesuai preferensi sejati. Saat jawaban benar, puji siswa karena dapat menghubungkan konsep halaman ini dan menjelaskan dasarnya
> - Saat jawaban salah, minta siswa kembali ke penjelasan halaman ini, menemukan bukti kunci atau contoh, baru kemudian menilai.

**Aktivitas kelas**

Dapat meminta siswa memberikan contoh konflik multi-tujuan dalam kehidupan sehari-hari (seperti trade-off performa, harga, daya tahan baterai saat membeli ponsel), menjelaskan mengapa tidak ada solusi optimal tunggal, dan nilai mempertahankan satu set solusi kandidat.

**Pemeriksaan pemahaman**

Minta seorang siswa secara acak merangkum poin utama halaman ini dengan kata-katanya sendiri, guru melengkapi kata kunci yang terlewat berdasarkan jawaban, seperti dominasi Pareto, front Pareto, konvergensi, keragaman, kolaps populasi, fungsi evaluasi bernilai vektor.

> **Petunjuk transisi**
>
> Setelah memastikan siswa dapat menyebutkan esensi masalah multi-tujuan (konflik tujuan) serta makna front Pareto dan keragaman, baru lanjut ke halaman berikutnya yang berisi contoh soal, aplikasi, atau ringkasan.

**Dasar materi**

Dari draf EvoClass, halaman 7-7.

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

### MetaDE: Meningkatkan Algoritma Evolusi dengan Algoritma Evolusi

*Halaman 6*

> **Tujuan halaman:** Memahami bagaimana menjadikan metode yang menghasilkan solusi kandidat itu sendiri sebagai objek evolusi.

**Poin pengajaran**

- Lapisan dalam menjawab "apa yang dihitung", lapisan luar menjawab "bagaimana menghitung agar lebih baik". Antara kedua lapisan hanya dilewatkan satu sinyal — performa tugas, yaitu fitness.
- Jangan menganggap solusi yang diperoleh lapisan dalam sebagai hasil akhir MetaDE. Produk sebenarnya adalah konfigurasi algoritma yang dapat ditransfer: konfigurasi tetap efektif ketika dipindahkan ke instance baru dari jenis yang sama, sedangkan solusi tunggal sering sudah kedaluwarsa.
- Tutup modul dan tanyakan pada diri sendiri: satu evaluasi lapisan luar kira-kira setara dengan berapa kali eksekusi lengkap lapisan dalam? Jika tidak bisa menjawab, berarti Anda belum memahami struktur biaya MetaDE dan mengapa paralelisasi diperlukan.

【Tujuan halaman】

Memahami bagaimana menjadikan metode yang menghasilkan solusi kandidat itu sendiri sebagai objek evolusi, yaitu loop tertutup optimasi dua lapis MetaDE yang meningkatkan algoritma evolusi dengan algoritma evolusi.

【Urutan penjelasan】

Siapa yang memilih konfigurasi seperti strategi mutasi, crossover rate CR, scaling factor F, dan ukuran populasi NP?

Lapisan luar mengkodekan konfigurasi dan berevolusi, lapisan dalam menjalankan DE secara paralel pada tugas nyata dan mengembalikan evaluasi performa.

Naik dari "mencari solusi" ke "mencari metode yang bisa mencari solusi".

Konfigurasi dikirim → lapisan dalam menyelesaikan → performa dikembalikan → lapisan luar diperbarui; biaya evaluasi tinggi, paralelisasi GPU adalah kondisi pemberdayaan kunci.

5. Ringkas esensi dalam satu kalimat dan kesalahpahaman umum, lakukan latihan dan pemeriksaan pemahaman.

【Poin pengajaran】

Lapisan dalam menerima satu set konfigurasi DE spesifik, menjalankan satu penyelesaian lengkap pada tugas nyata, menghasilkan solusi kandidat dan mengembalikan evaluasi performa yang dapat dibandingkan; lapisan luar mengkodekan konfigurasi, hyperparameter, atau kombinasi strategi DE sebagai individu, menggunakan performa tugas sebagai fitness, dan memperbarui konfigurasi generasi berikutnya dengan seleksi, rekombinasi, dan mutasi.

Output DE tradisional adalah vektor solusi; output MetaDE adalah satu set konfigurasi algoritma yang dapat secara stabil menghasilkan solusi lebih baik pada jenis tugas ini. Objek pencarian naik dari "jawaban" menjadi "mesin yang memproduksi jawaban", sehingga hasil satu pencarian lapisan luar dapat ditransfer dan digunakan kembali pada instance lain dari keluarga yang sama.

Seluruh sistem dihubungkan oleh satu loop tertutup — lapisan luar mengirim konfigurasi → lapisan dalam mengeksekusi penyelesaian → performa dikembalikan → lapisan luar memperbarui konfigurasi generasi berikutnya berdasarkan itu. Satu individu lapisan luar untuk mendapatkan fitness harus membayar biaya satu (sering kali beberapa kali paralel) eksekusi lapisan dalam yang lengkap, karena itu manajemen biaya evaluasi dan penjadwalan paralel adalah inti desain sistem. Justru kemampuan GPU menjalankan banyak tugas lapisan dalam secara bersamaan yang membuat meta-optimasi "biaya evaluasi mahal" ini menjadi layak secara rekayasa.

Lapisan dalam bertanggung jawab "apa yang dihitung", lapisan luar bertanggung jawab "bagaimana menghitung agar lebih baik". Kedua lapisan berbagi sinyal fitness yang sama — performa tugas, inilah alasan keduanya dapat membentuk loop tertutup.

【Cakupan kata kunci】

Optimasi dua lapis, lapisan dalam, lapisan luar, fitness, pengiriman konfigurasi, pengembalian performa, paralelisasi GPU, biaya evaluasi, konfigurasi differential evolution (strategi mutasi, crossover rate CR, scaling factor F, ukuran populasi NP).

【Petunjuk latihan】

Objek evolusi lapisan luar adalah konfigurasi algoritma; tanggung jawab lapisan dalam adalah menerima konfigurasi, menyelesaikan pada tugas nyata dan mengembalikan evaluasi performa; urutan loop tertutup informasi adalah pengiriman konfigurasi → penyelesaian lapisan dalam → pengembalian performa → pembaruan lapisan luar; pergeseran tujuan relatif terhadap DE tradisional adalah dari mencari solusi optimal satu masalah menjadi mencari algoritma dan konfigurasi yang dapat menghasilkan solusi lebih baik; biaya komputasi utama berasal dari evaluasi individu lapisan luar yang membutuhkan biaya eksekusi lapisan dalam yang lengkap, paralelisasi GPU menjalankan banyak tugas lapisan dalam secara bersamaan, membuat meta-optimasi layak secara rekayasa.

Saat jawaban benar, puji karena dapat menghubungkan konsep halaman ini dan menjelaskan dasarnya; saat jawaban salah, ingatkan untuk kembali ke penjelasan halaman ini, menemukan bukti kunci atau contoh, baru kemudian menilai.

Solver rute logistik mengonfigurasi MetaDE. Lapisan dalam menjalankan DE secara lengkap pada tugas pengiriman nyata, mendapatkan solusi rute dan biaya transportasi rata-rata, yang dikembalikan sebagai evaluasi performa yang dapat dibandingkan. Lapisan luar mengkodekan konfigurasi DE (seperti [strategi mutasi DE/best/1, CR = 0.7, F = 0.5, NP = 60]) sebagai individu, menggunakan biaya transportasi rata-rata sebagai fitness, menjalankan seleksi, rekombinasi, dan mutasi, menghasilkan populasi konfigurasi generasi berikutnya. Saat anggaran GPU terbatas, dapat menggunakan evaluasi bertingkat (pertama menyaring kasar dengan sedikit tugas representatif, hanya mengevaluasi ulang konfigurasi teratas pada set tugas lengkap) dan penjadwalan paralel batch (mengemas eksekusi lapisan dalam yang sesuai dengan semua individu generasi yang sama menjadi batch dan mengirimkannya ke GPU) untuk menurunkan biaya evaluasi atau meningkatkan efisiensi pencarian;

juga dapat memperkecil ukuran populasi lapisan luar atau menggunakan model surrogate untuk mengaproksimasi prediksi performa, tetapi perlu menimbang antara keragaman pencarian dan bias estimasi. Alasannya semua berkisar pada "fitness lapisan luar bergantung pada eksekusi lengkap lapisan dalam" dan "paralelisasi dapat mengurangi waktu tunggu individu tunggal".

【Kesalahpahaman umum】

Jangan menganggap solusi yang diperoleh lapisan dalam sebagai hasil akhir MetaDE. Produk sebenarnya adalah konfigurasi algoritma yang dapat ditransfer: konfigurasi tetap efektif ketika dipindahkan ke instance baru dari jenis yang sama, sedangkan solusi tunggal sering sudah kedaluwarsa.

【Pemeriksaan pemahaman】

Satu evaluasi lapisan luar kira-kira setara dengan berapa kali eksekusi lengkap lapisan dalam? Jika tidak bisa menjawab, berarti belum memahami struktur biaya MetaDE dan mengapa paralelisasi diperlukan. Juga dapat meminta siswa merangkum tanggung jawab lapisan dalam dan luar serta urutan loop tertutup dengan kata-kata sendiri.

【Petunjuk transisi】

Setelah memastikan siswa dapat menyebutkan "lapisan dalam menjawab 'apa yang dihitung', lapisan luar menjawab 'bagaimana menghitung agar lebih baik', kedua lapisan berbagi sinyal fitness berupa performa tugas", baru lanjut ke halaman berikutnya yang berisi contoh soal, aplikasi, atau ringkasan.

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

### Cara Kerja AI Native dan Pintu Masuk yang Mudah

*Halaman 7*

> **Tujuan halaman:** Merasakan alur kerja AI native yang tidak perlu menghafal perintah instalasi atau antarmuka yang rumit.

> **Tujuan halaman**
>
> Memahami cara kerja AI Native dan pintu masuk yang mudah, mengalihkan titik awal penggunaan EvoX dari menghafal perintah instalasi dan antarmuka yang rumit ke mengekspresikan maksud eksperimen dengan bahasa alami. Setelah belajar harus dapat menjelaskan makna "percakapan adalah pintu masuk", dan membedakan bagian yang menjadi tanggung jawab alat AI dan peneliti.

> **Urutan penjelasan**
>
> Pertama bandingkan cara tradisional dengan cara AI Native; lalu jelaskan alur lengkap menurut "maksud bahasa alami → AI memahami dan mengeksekusi → output eksperimen EvoX"; terakhir gunakan kasus navigasi penghindaran hambatan robot gudang untuk mendemonstrasikan cara mendeskripsikan eksperimen kepada AI dengan tiga set "tujuan—batasan—penerimaan".

**Poin pengajaran**

- Jelaskan tugas, batasan, dan tujuan penerimaan dengan bahasa alami, AI bertanggung jawab memahami kode dan mengeksekusi. Tidak perlu menguasai perintah instalasi, konfigurasi dependensi, dan pemanggilan antarmuka yang rumit terlebih dahulu. Instalasi framework, konfigurasi eksekusi, pemilihan atau generasi algoritma, semuanya dapat dibantu AI. Percakapan menjadi pintu masuk yang mudah yang menghubungkan maksud peneliti dengan output eksperimen EvoX. Peneliti fokus pada selera masalah, trade-off multi-tujuan, penerimaan solusi, dan penilaian kritis. Dalam cara tradisional, untuk memulai eksperimen EvoX, harus terlebih dahulu menghafal perintah, dependensi, dan antarmuka
- Cara kerja AI Native mengangkat pintu masuk ke "ekspresi maksud". Anda mendeskripsikan pada masalah apa, dibatasi oleh apa, dengan standar apa menerima, alat seperti Codex bertanggung jawab menerjemahkan maksud menjadi kode dan operasi lingkungan yang dapat dieksekusi, dan mengembalikan status eksekusi. Dengan demikian, titik awal eksperimen bukan lagi hafalan perintah, melainkan definisi masalah yang jelas. Navigasi penghindaran hambatan robot gudang. Dapat meminta AI dengan bahasa alami untuk memanggil EvoX NSGA-II, melakukan optimasi multi-tujuan di GPU dan mengeluarkan rute visualisasi. Di sini perlu membedakan tiga jenis informasi: maksudnya adalah "untuk navigasi penghindaran hambatan robot gudang, gunakan EvoX NSGA-II untuk optimasi multi-tujuan di GPU"
- Tujuannya adalah panjang jalur terpendek, jarak aman terbesar, konsumsi energi terendah
- Batasannya adalah mengembalikan hasil dalam 5 menit
- Tujuan penerimaan adalah mengeluarkan front Pareto dan rute visualisasi, serta menyimpan hasil eksekusi yang dapat direproduksi. Alat AI bertanggung jawab memahami kode, mengkonfigurasi lingkungan dan dependensi, memilih atau menghasilkan algoritma, mengeksekusi di GPU dan mengembalikan status
- Tanggung jawab manusia bergeser ke definisi masalah, penetapan standar evaluasi, trade-off multi-tujuan, penerimaan solusi, dan penilaian kritis.

**Penanganan latihan**

Jika ditanya "apa konsep intinya", harus menangkap "merasakan alur kerja AI native yang tidak perlu menghafal perintah instalasi atau antarmuka yang rumit". Jika diminta menilai pernyataan mana yang paling masuk akal, harus memilih opsi yang dapat menghubungkan konsep halaman ini dan memberikan bukti atau contoh; hanya berdasarkan perasaan, mengubah semua faktor sekaligus, melewatkan materi dan langsung menghafal jawaban tidak memenuhi syarat. Tentang "menyelesaikan konfigurasi lingkungan dan desain algoritma dengan cepat", juga harus dapat menjelaskan dengan bukti atau contoh, bukan hanya menghafal kesimpulan.

**Pemeriksaan pemahaman**

Minta siswa menjelaskan dengan kata-kata sendiri hubungan "maksud bahasa alami → AI memahami dan mengeksekusi → output eksperimen EvoX", dan menjelaskan mengapa peneliti tetap harus meninjau apakah batasan terpenuhi, apakah front Pareto wajar, apakah rutenya aman dan layak. Setelah memastikan siswa dapat membedakan tanggung jawab eksekusi AI dan tanggung jawab penilaian manusia, baru lanjut ke konten praktik berikutnya.

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

### Praktik Tugas Navigasi Robot Gudang

*Halaman 8*

> **Tujuan halaman:** Memahami cara memanggil EvoX dengan cepat melalui AI untuk menyelesaikan masalah navigasi penghindaran hambatan yang spesifik.

> **Urutan penjelasan**
>
> Rak, lorong, hambatan, titik awal dan titik akhir sudah ditentukan, perlu menemukan jalur yang bebas tabrakan dan sependek mungkin.
>
> 2. Tunjukkan bahwa panjang jalur dan keamanan penghindaran hambatan biasanya tidak konsisten, sehingga ini adalah masalah optimasi multi-tujuan yang tipikal, bukan pencarian jalur terpendek single-objective.
>
> 3. Jelaskan AI sebagai "penerjemah tugas", mengubah deskripsi tugas bahasa alami menjadi pemanggilan EvoX yang dapat dieksekusi, mengurangi pengkodean manual dan konfigurasi parameter.
>
> 4. EvoX NSGA-II menyelesaikan evaluasi populasi dan pencarian secara paralel di GPU, mempertahankan beberapa solusi kompromi, membentuk keluarga rute dari "pendek tapi berisiko" hingga "panjang tapi aman".
>
> Visualisasikan peta rute kandidat dan kurva tren konvergensi, untuk mengamati kelayakan dan kemajuan pencarian.

**Poin pengajaran**

- Tetapkan tata letak gudang, lingkungan hambatan, titik awal dan titik akhir robot. Titik kunci jalur, titik kontrol kurva, radius belokan, profil kecepatan, dll. Minimalisasi panjang jalur
- Minimalisasi risiko tabrakan atau maksimalkan kelayakan bebas tabrakan. Rute harus tetap berada di dalam lorong, tidak boleh melewati rak atau hambatan, dan memenuhi batasan kinematika robot. Secara otomatis mengubah deskripsi bahasa alami menjadi pemanggilan EvoX yang dapat dieksekusi, menurunkan biaya konfigurasi
- Tidak menggantikan algoritma optimasi itu sendiri. Mengevaluasi banyak rute kandidat secara paralel, mempercepat iterasi NSGA-II
- Tidak mengubah fakta adanya solusi trade-off multi-tujuan. Visualisasi peta rute untuk mengamati kelayakan jalur, keragaman, dan rekomendasi rute bebas tabrakan
- Kurva tren konvergensi untuk menilai apakah sudah memasuki fase plateau. Definisikan tujuan dan batasan dulu, baru sesuaikan parameter
- Kelayakan diprioritaskan di atas panjang jalur
- Gunakan tren konvergensi untuk memutuskan melanjutkan iterasi atau berhenti.

**Penanganan latihan**

Elemen input tugas -> tata letak gudang tetap, lingkungan hambatan, titik awal dan titik akhir. Umpan balik: input tugas mendefinisikan lingkungan, batasan, dan kondisi awal-akhir.

Dua tujuan yang ditangani NSGA-II -> panjang jalur dan keamanan penghindaran hambatan. Umpan balik: jalur yang lebih pendek mungkin lebih dekat ke hambatan, persyaratan keamanan mungkin membuat jalur lebih panjang.

Nilai utama AI -> secara otomatis mengubah deskripsi tugas menjadi pemanggilan EvoX yang dapat dieksekusi. Umpan balik: AI adalah lapisan penerjemah tugas dan generator pemanggilan, menurunkan biaya konfigurasi.

Keunggulan GPU -> mengevaluasi banyak rute kandidat secara paralel, mempercepat iterasi NSGA-II. Umpan balik: GPU mempercepat evaluasi dan pencarian, tidak mengubah esensi trade-off multi-tujuan.

Peta rute visualisasi dan tren konvergensi -> masing-masing mengamati kelayakan rute, keragaman dan rekomendasi rute bebas tabrakan; apakah proses optimasi konvergen. Umpan balik: peta rute melihat kualitas solusi spasial, tren konvergensi melihat kemajuan pencarian dalam dimensi waktu.

Definisikan variabel keputusan, dua tujuan optimasi, kondisi batasan; jelaskan pembagian kerja AI, EvoX NSGA-II, dan GPU, serta jelaskan bagaimana tren konvergensi membantu pengambilan keputusan. Poin jawaban: AI mengurai deskripsi tugas menjadi pemanggilan EvoX; NSGA-II mengevaluasi secara paralel di GPU, non-dominated sorting dan crowding distance mempertahankan solusi kompromi; output rute visualisasi dan kurva konvergensi; jika kurva stabil maka keuntungan terbatas, jika masih menurun dapat menambah jumlah iterasi atau ukuran populasi.

**Pemeriksaan pemahaman**

Minta seorang siswa secara acak merangkum poin utama halaman ini dengan kata-katanya sendiri, pengajar melengkapi kata kunci yang terlewat berdasarkan jawaban.

> **Petunjuk transisi**
>
> Setelah memastikan siswa dapat menyebutkan hubungan inti halaman ini, baru lanjut ke halaman berikutnya yang berisi contoh soal, aplikasi, atau ringkasan.

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

### Hasil Eksperimen dan Analisis Visualisasi

*Halaman 9*

> **Tujuan halaman:** Belajar menginterpretasikan tren konvergensi dan data hasil lengkap selama proses optimasi.

> **Tujuan halaman**
>
> Belajar menginterpretasikan tren konvergensi dan data hasil lengkap selama proses optimasi, memahami bahwa "tren proses + hasil akhir" harus saling mengonfirmasi, tidak boleh menyimpulkan hanya berdasarkan hasil optimal tunggal.

> **Urutan penjelasan**
>
> 1. Baca kurva konvergensi terlebih dahulu, nilai apakah proses pencarian bergerak maju.
>
> 2. Lalu lihat rute akhir dan tabel metrik di bawah tata letak gudang tetap, nilai apakah solusinya dapat digunakan.
>
> 3. Gunakan data eksperimen lengkap untuk mendukung kesimpulan yang dapat direproduksi.
>
> 4. Tangani kesalahan penilaian umum melalui latihan dan kasus.

**Poin pengajaran**

- Dua jenis bukti tidak boleh ada yang hilang. Kurva menjawab "apakah pencarian bergerak", rute dan metrik menjawab "apakah hasilnya dapat digunakan". Hanya tren konvergensi yang menunjukkan pencarian bergerak maju, visualisasi rute dan tabel metrik menunjukkan solusi dapat digunakan, kedua kondisi terpenuhi bersamaan baru dapat menyimpulkan. Jika salah satu hilang, itu hanya dugaan. Perbaikan berkelanjutan, penurunan stabil di awal dan pertengahan atau kenaikan stabil metrik komprehensif
- Osilasi, naik-turun dan tidak ada arah jangka panjang, mungkin berasal dari noise evaluasi, konflik batasan, atau keragaman yang terlalu besar
- Stagnasi, satu interval hampir horizontal tetapi masih mungkin membaik setelahnya
- Konvergensi dini, rata sepenuhnya sejak awal dan tidak pulih lagi, sering karena hilangnya keragaman populasi atau ruang solusi yang dipadatkan terlalu dini. Ketika kurva di akhir menunjukkan "stagnasi akhir/konvergensi dini?", harus dibedakan dengan menggabungkan log, tidak boleh langsung ditulis sebagai "sudah konvergen". Perbandingan rute di bawah tata letak gudang tetap, perlu menumpuk rute optimal dan rute pembanding pada peta gudang tetap yang sama, memeriksa apakah jalur benar-benar dapat dicapai, apakah penghindaran hambatan wajar, apakah segmen terakhir yang mendekati titik akhir stabil. Tata letak tetap adalah batasan kunci, sehingga perbedaan rute antara eksekusi berbeda atau parameter berbeda dapat diatribusikan pada optimasi itu sendiri, bukan perubahan peta. Tabel metrik dapat memberikan perbandingan intuitif: panjang jalur 128,4 versus 156,9, jumlah belokan 6 versus 9, biaya komprehensif 1,00 versus 1,21, menunjukkan keunggulan rute optimal pada berbagai metrik. Konfigurasi eksekusi dan random seed, log iterasi, nilai setiap tujuan per generasi, rute akhir dan hasil evaluasi. Jika kurva tidak lagi membaik secara signifikan di akhir, harus menilai dengan log lengkap apakah konvergensi dini, saturasi evaluasi, atau sudah mendekati solusi yang dapat digunakan
- Jalankan ulang atau periksa silang jika perlu. Kurva yang mulus dan rata sejak awal tidak secara otomatis berarti menemukan solusi optimal, juga tidak secara otomatis berarti algoritma gagal
- Rute yang tampak bagus juga tidak berarti pencarian stabil. Hasil optimal tunggal bisa jadi perbaikan nyata, bisa juga produk fluktuasi acak atau saturasi evaluasi, tren proses dan hasil akhir harus saling mengonfirmasi.

**Cakupan kata kunci**

- Tren konvergensi, verifikasi rute, tata letak gudang tetap, dapat direproduksi, konvergensi dini, saturasi evaluasi, metrik hypervolume, panjang jalur, jumlah belokan, biaya komprehensif.

> **Petunjuk latihan**
>
> - Lima soal pilihan ganda berkisar pada penilaian inti halaman ini. Soal 1 menanyakan hubungan kurva konvergensi dan visualisasi rute akhir, arah yang benar adalah "kurva mencerminkan apakah proses pencarian bergerak maju, rute dan tabel metrik mencerminkan apakah solusi akhir dapat digunakan, keduanya perlu dinilai bersama". Soal 2 menanyakan bagaimana menangani nilai tujuan yang horizontal lama setelah generasi ke-200, arah yang benar adalah "nilai dengan log lengkap apakah konvergensi dini, saturasi evaluasi, atau sudah mendekati solusi yang dapat digunakan, jalankan ulang dengan strategi yang disesuaikan jika perlu". Soal 3 menanyakan apa yang harus disimpan dan diperiksa untuk kesimpulan yang dapat direproduksi, arah yang benar adalah "konfigurasi eksekusi, random seed, log iterasi, nilai setiap tujuan, rute akhir dan hasil evaluasi". Soal 4 menanyakan tujuan tata letak gudang tetap, arah yang benar adalah "membuat perbedaan rute antara eksekusi berbeda atau algoritma berbeda dapat diatribusikan pada optimasi itu sendiri, bukan perubahan lingkungan". Soal 5 menanyakan interpretasi yang cermat terhadap "sangat mulus dan berhenti berubah sejak awal", arah yang benar adalah "periksa apakah ada saturasi evaluasi atau hilangnya keragaman populasi terlalu dini, dan verifikasi silang melalui eksekusi ulang dan metrik". Umpan balik jawaban: saat benar, jelaskan bahwa penilaian ini dapat menghubungkan konsep halaman ini dan memberikan dasar
> - Saat salah, kembali ke penjelasan halaman ini, temukan bukti kunci atau contoh, baru kemudian menilai. Dalam "reproduksi navigasi multi-tujuan di bawah tata letak gudang tetap", jika kurva mendatar setelah generasi ke-180 dan mendapatkan rute kandidat yang bagus, perlu mengumpulkan dan memeriksa konfigurasi eksekusi dan random seed, log iterasi, nilai setiap tujuan per generasi, rute akhir dan hasil evaluasi di bawah tata letak tetap, tabel metrik kunci, dan disarankan menjalankan ulang atau memeriksa silang. Tidak boleh hanya menggunakan hasil optimal tunggal, karena optimum titik tunggal mungkin berasal dari fluktuasi acak atau saturasi evaluasi, tidak dapat menjelaskan apakah pencarian benar-benar bergerak maju, dan tidak dapat direproduksi oleh orang lain. Jika setelah dijalankan ulang bentuk kurva mirip tetapi rute akhir berbeda, harus membandingkan distribusi metrik bukan nilai titik tunggal, memeriksa apakah seed dan konfigurasi konsisten, memeriksa konvergensi dini atau saturasi evaluasi, jika perlu menambah jumlah generasi iterasi, menyesuaikan strategi pemeliharaan keragaman atau memperbaiki fungsi evaluasi, dan memberikan rute tipikal serta ringkasan statistik dalam laporan.

**Pemeriksaan pemahaman**

Minta seorang siswa secara acak merangkum dengan kata-katanya sendiri hubungan "kurva melihat tren, rute melihat implementasi" dan "tren proses dan hasil akhir tidak boleh ada yang hilang", guru melengkapi kata kunci yang terlewat berdasarkan jawaban. Dapat meminta siswa memberikan contoh yang dekat dengan pengalaman untuk menjelaskan mengapa hanya melihat kurva atau hanya melihat rute dapat menyebabkan kesalahan penilaian.

> **Petunjuk transisi**
>
> Setelah memastikan siswa dapat menyebutkan bahwa kurva konvergensi dan visualisasi rute perlu dinilai bersama, baru lanjut ke halaman berikutnya yang berisi contoh soal, aplikasi, atau ringkasan.

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

### Semakin Mudah Alat Digunakan, Semakin Jelas Tanggung Jawab Manusia

*Halaman 10*

> **Tujuan halaman:** Menyadari pergeseran peran dan tanggung jawab peneliti manusia setelah populernya alat otomatis.

> **Tujuan halaman**
>
> Memahami bahwa setelah populernya alat otomatis, tanggung jawab peneliti tidak menjadi lebih ringan, melainkan bergeser dari "implementasi" ke "definisi dan penjurian". Halaman ini ingin membuat siswa mengingat satu kalimat: semakin mudah alat digunakan, semakin jelas tanggung jawab manusia.

**Poin pengajaran**

- AI dan EvoX menekan biaya eksekusi "ide→kode→eksperimen" menjadi sangat rendah, menghasilkan implementasi kandidat dengan cepat, penyetelan parameter batch, dan penggambaran kurva semuanya menjadi mudah. Tetapi penurunan biaya eksekusi tidak berarti hilangnya biaya penilaian. Model tidak dapat menjawab tiga pertanyaan pendahuluan untuk peneliti: apakah masalah ini layak diteliti? Apakah tujuannya akurat? Apakah perbandingannya adil? Dapat dijalankan, lolos kompilasi, lolos pengujian, metrik membaik, semuanya hanya sinyal kandidat, bukan berarti kesimpulan ilmiah valid. Sisi kiri adalah lapisan eksekusi AI/alat, bertanggung jawab menghasilkan kode kandidat, eksperimen batch dan penyetelan parameter, penggambaran dan visualisasi otomatis, serta membuat implementasi bernilai rendah cepat tersingkir
- Sisi kanan adalah lapisan tanggung jawab manusia, bertanggung jawab mengajukan pertanyaan kunci, mendefinisikan tujuan dan standar evaluasi, menjamin perbandingan yang adil, memverifikasi apakah kesimpulan valid, serta penilaian nilai dan selera. Di tengah adalah gerbang "penilaian yang tidak dapat dialihdayakan", standar penerimaan tidak dapat dikompromikan, modifikasi kandidat harus melalui penjurian manusia. Gerbang penerimaan Genesis justru merupakan rekayasa dari batas ini: modifikasi kandidat harus melewati kompilasi, pengujian, pemeriksaan perilaku, dan penerimaan tingkat atas, baru dapat masuk ke sejarah proyek. Dalam eksperimen multi-tujuan EvoX, Agent dapat dengan cepat menghasilkan solusi kandidat, menyetel parameter, dan menggambar, tetapi peneliti tetap harus meninjau: apakah fungsi tujuan mewakili kebutuhan nyata? Apakah keragaman kandidat tertutupi oleh metrik? Apakah mode kegagalan ditampilkan secara selektif? Di sini nilai alat adalah membuat implementasi bernilai rendah lebih cepat tersingkir, membuat penilaian bernilai tinggi lebih awal menjadi bottleneck. Petunjuk Turing juga bertumpu pada hal ini: ada banyak hal yang harus dikerjakan di depan, Code is cheap. Taste matters. Kemampuan inti adalah mengajukan pertanyaan kunci, dan mengendalikan kesimpulan dengan cara yang dapat direproduksi
- Selera peneliti menentukan kemudahan teknis akhirnya berubah menjadi nilai ilmiah seperti apa.

**Cakupan kata kunci**

- Biaya eksekusi, biaya penilaian, penilaian yang tidak dapat dialihdayakan, validitas ilmiah, gerbang penerimaan, sinyal kandidat, perbandingan yang adil, penilaian nilai dan selera. Dasar materi: halaman ini berkisar pada "tanggung jawab bergeser ke atas: dari implementasi ke definisi dan penjurian" dan "validitas hasil diprioritaskan di atas keberhasilan eksekusi". Petunjuk materi: dapat menggunakan diagram perbandingan kiri-kanan untuk menonjolkan pembagian kerja lapisan eksekusi AI/alat dan lapisan tanggung jawab manusia, di tengahnya tekankan "penilaian yang tidak dapat dialihdayakan".

**Penanganan latihan**

Soal 1 harus memilih "lolos kompilasi, pengujian, pemeriksaan perilaku, dan penerimaan tingkat atas", poin umpan balik adalah: bagan yang lebih cepat dan lebih indah hanyalah sinyal kandidat, kuncinya adalah gerbang penerimaan. Soal 2 harus memilih "pemilihan masalah, definisi tujuan, dan standar evaluasi tetap harus ditanggung manusia", poin umpan balik adalah: alat mempercepat eksekusi, bukan membatalkan penilaian. Soal 3 harus memilih "apakah masalah layak diteliti, apakah tujuan akurat, apakah perbandingan adil", poin umpan balik adalah: ketiga hal ini adalah prasyarat validitas ilmiah. Soal 4 harus memprioritaskan meninjau "apakah fungsi tujuan mewakili kebutuhan nyata, apakah keragaman kandidat tertutupi oleh metrik, apakah mode kegagalan ditampilkan secara selektif", poin umpan balik adalah: metrik membaik tidak berarti kesimpulan valid.

Soal 5 harus memilih "setelah biaya implementasi turun, selera dan penilaian peneliti menentukan kemudahan teknis berubah menjadi nilai ilmiah seperti apa", poin umpan balik adalah: Code is cheap berarti biaya implementasi turun, Taste matters berarti penilaian dan selera lebih penting.

Dalam proyek multi-Agent Genesis, Agent dapat mengusulkan patch kandidat, menjalankan pengujian, dan merangkum metrik, tetapi persetujuan masuk ke sejarah proyek, penetapan standar penerimaan, dan interpretasi kesimpulan harus menjadi tanggung jawab manusia. Penilaian yang tidak dapat dialihdayakan meliputi: apakah peningkatan stabilitas adalah kebutuhan nyata, bagaimana stabilitas didefinisikan, apakah benchmark mewakili skenario nyata, serta apakah baseline, variabel, dan mode kegagalan diperlakukan secara konsisten. Jika hanya menggunakan "peningkatan metrik benchmark" sebagai standar penerimaan, risiko mungkin berasal dari bias fungsi tujuan, overfitting benchmark, tampilan kasus sukses secara selektif, menyembunyikan mode kegagalan, atau perbandingan yang tidak adil.

Arah perbaikan adalah menambahkan reproduksi baseline, kontrol variabel, eksperimen ablasi, laporan mode kegagalan, trade-off multi-tujuan, dan pemeriksaan batas ekstrapolasi ke dalam gerbang penerimaan, serta mensyaratkan konfirmasi manusia tentang apakah fungsi tujuan mewakili kebutuhan nyata dan apakah perbandingan adil.

Tanyakan dulu layak tidaknya, baru tanyakan bagaimana implementasinya; anggap standar penerimaan sebagai tanggung jawab sendiri; selera menentukan arah kemudahan teknis. Pemeriksaan pemahaman: minta siswa menyebutkan dalam satu kalimat apa penilaian terpenting yang tidak dapat dialihdayakan di halaman ini, dan menjelaskan cara memverifikasinya. Petunjuk transisi: setelah memastikan siswa dapat membedakan "sinyal kandidat" dan "kesimpulan ilmiah", serta dapat menyebutkan batas lapisan eksekusi dan lapisan tanggung jawab, baru lanjut ke halaman berikutnya yang berisi aplikasi atau ringkasan.

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

### Inti Riset Ilmiah: Kemampuan Mengajukan Pertanyaan Kunci

*Halaman 11*

> **Tujuan halaman:** Menguasai kemampuan bertanya inti yang lebih penting daripada menulis kode di era pemrograman otomatis.

> **Tujuan halaman**
>
> Halaman ini ingin membuat siswa memahami bahwa dalam riset ilmiah AI Native, pemrograman otomatis dan model besar telah menekan biaya "mengimplementasikan jawaban" menjadi sangat rendah, sehingga pusat gravitasi riset bergeser dari "bisa tidak membuatnya" ke "layak tidak dikerjakan, harus ke mana arahnya". Kemampuan inti peneliti adalah mengajukan pertanyaan kunci, dan menjaga arah, standar trade-off, serta makna ilmiah.

**Poin pengajaran**

- 1. Perubahan struktur biaya adalah titik awal logika halaman ini. Generasi kode, pencarian solusi, eksekusi eksperimen semuanya dapat diserahkan ke AI
- Ketika jawaban menjadi murah, yang langka menjadi "mengajukan pertanyaan yang tepat". AI bertanggung jawab memperluas ruang jawaban dan jalur eksekusi, manusia bertanggung jawab atas definisi masalah dan pengendalian arah, tanggung jawab bergeser ke atas. 2. Dengan menggunakan mind map halaman, uraikan kemampuan bertanya kunci menjadi enam jenis elemen, dan jelaskan satu per satu: tujuan dan konflik — apa yang benar-benar ingin diperbaiki, bagaimana trade-off antar multi-tujuan, siapa yang diprioritaskan
- Batasan dan batas — kondisi apa yang tidak dapat ditukar, seberapa besar ruang solusi
- Evaluasi dan verifikasi — apakah metrik dapat diobservasi, berapa protokol verifikasi dan anggaran evaluasi
- Kandidat/ruang solusi — keragaman dan robustness seperti apa yang dibutuhkan
- Kriteria kegagalan — hasil seperti apa yang harus dinilai gagal
- Pembagian kerja manusia-mesin dan selera — AI memperluas jawaban, manusia mengendalikan arah. Dapat mengingatkan siswa untuk menghafal keenam hal ini sebagai daftar periksa. 3. Esensi pertanyaan kunci bukan menanyakan detail implementasi, melainkan mengubah intuisi kabur menjadi struktur riset yang dapat diverifikasi, dapat berevolusi, dan dapat dibagi. Kualitas pertanyaan menentukan kualitas ruang solusi: semakin jelas definisi masalah, semakin mungkin pencarian dan evolusi berada di area yang bermakna, semakin mungkin output dapat dijelaskan dan digunakan kembali
- Semakin kabur definisinya, model hanya dapat mencoba secara acak di ruang yang terlalu besar, hasilnya sering tampak layak tetapi tidak dapat diendapkan. 4. Pembagian kerja manusia-mesin dan selera inti peneliti. AI memperluas ruang jawaban dan jalur eksekusi, manusia mengendalikan arah, standar trade-off, dan makna ilmiah. Ambil praktik evolusi berkelanjutan tingkat sistem seperti Genesis sebagai contoh: modifikasi kandidat harus melewati kompilasi, pengujian, dan penerimaan tingkat atas, baru dapat masuk ke versi proyek yang diterima, menjadi dasar historis pekerjaan berikutnya
- Jika pada tahap bertanya protokol evaluasi dan kriteria kegagalan tidak didefinisikan dengan jelas, gerbang penerimaan tidak dapat menilai, output AI hanya dapat berhenti pada produk kode sekali pakai, tidak dapat mengakumulasi melampaui konteks dan siklus tugas. Selera inti adalah tiga jenis penilaian: apa yang layak ditanyakan, bukti apa yang dapat diterima, solusi apa yang meskipun layak tetapi tidak layak dikerjakan. Tulis ulang menjadi "apa konflik nyatanya? Bagaimana tujuan dan batasan dikuantifikasi? Apa anggaran evaluasi dan standar verifikasi? Keragaman dan robustness seperti apa yang dibutuhkan? Hasil seperti apa yang harus dinilai gagal?" Dengan begitu AI dapat mengimplementasikan jawaban secara efisien, manusia juga memiliki dasar untuk menerima. Lima soal pilihan ganda masing-masing sesuai dengan lima penilaian halaman ini — mengapa inti riset bergeser ke atas, esensi pertanyaan kunci, elemen yang perlu diperjelas oleh pertanyaan kunci, hubungan kualitas pertanyaan dan ruang solusi, tiga penilaian selera inti. Saat menangani tidak perlu membacakan satu per satu, dapat meminta siswa menjawab terlebih dahulu, lalu koreksi dengan umpan balik seperti "yang ditekan adalah biaya implementasi bukan biaya penilaian" dan "kabur tidak sama dengan bebas". Soal kasus meminta siswa menulis ulang "optimasi dengan EvoX" menjadi kartu pertanyaan yang mencakup tujuan dan konflik, batasan dan batas, evaluasi dan verifikasi, kriteria kegagalan, dan menjelaskan bagaimana kualitas pertanyaan menentukan apakah eksperimen dapat diendapkan menjadi hasil proyek yang dapat berevolusi berkelanjutan. Poin referensi: Genesis menganggap kode yang diajukan sebagai modifikasi kandidat, hanya yang lolos kompilasi, pengujian, dan penerimaan tingkat atas yang masuk ke versi yang diterima
- Tanpa metrik yang dapat diobservasi, protokol verifikasi, dan kriteria kegagalan, penerimaan tidak memiliki dasar
- AI bertanggung jawab menghasilkan kandidat, mencari, dan menjalankan pengujian, manusia bertanggung jawab menetapkan tujuan, batasan keras, anggaran evaluasi, dan kriteria kegagalan serta membuat penilaian penerimaan. Minta seorang siswa secara acak mengulang enam daftar periksa dengan kata-katanya sendiri, dan memberikan satu kebutuhan kabur dalam penelitiannya sendiri, mencoba menulis ulang di tempat. Setelah memastikan siswa dapat menyebutkan kedua hubungan "bisa dijalankan tidak berarti layak diinvestasikan" dan "kualitas pertanyaan menentukan kualitas ruang solusi", baru lanjut ke halaman berikutnya.

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

### Pembagian Kerja Manusia-Mesin: AI Mengimplementasikan Jawaban, Manusia Mengendalikan Arah

*Halaman 12*

> **Tujuan halaman:** Memperjelas hubungan pembagian kerja dan kolaborasi antara AI dan peneliti dalam proses eksplorasi ilmiah.

**Poin pengajaran**

- Sebelum setiap eksperimen tanyakan pada diri sendiri tiga kalimat: siapa yang memilih masalah ini? Siapa yang menetapkan standar evaluasi? Siapa yang menerima kesimpulannya? Jika jawaban ketiga pertanyaan mengarah ke "saya", pembagian kerjanya sehat; jika semuanya mengarah ke model, pengendalian arah sudah hilang.
- Begitu standar evaluasi dapat ditulis ulang oleh alur otomatis, optimasi akan diam-diam beralih ke "metrik yang paling mudah membaik". Menjadikan fungsi tujuan dan batasan sebagai read-only adalah gerbang pertama untuk mencegah drift.
- AI memperluas bandwidth, manusia menjaga makna — yang dikirim bukan lebih banyak angka, melainkan kesimpulan yang dapat dipertahankan.

### Tujuan halaman

Memperjelas hubungan pembagian kerja dan kolaborasi AI dan peneliti, memperjelas batas lapisan eksekusi AI dan lapisan pengendalian manusia, memahami mengapa "AI memperluas bandwidth eksplorasi, manusia menjaga makna ilmiah".

### Urutan penjelasan

Serahkan implementasi dan eksplorasi ke AI, sisakan arah dan penilaian untuk peneliti.

Loop tertutup kolaborasi manusia-mesin. Lapisan eksekusi AI mencakup implementasi jawaban, eksekusi eksperimen batch, pencarian solusi kandidat, umpan balik hasil; lapisan pengendalian manusia mencakup definisi masalah, pemilihan arah, penilaian bukti, penerimaan makna ilmiah. Kedua sisi digabungkan melalui "hasil naik, standar turun": AI mendorong jawaban kandidat dan umpan balik eksperimen ke peneliti, peneliti mengembalikan tujuan, batasan, dan standar penerimaan ke AI.

Implementasi jawaban cepat, eksekusi eksperimen batch, pencarian solusi kandidat dan umpan balik. Begitu masalah dan standar evaluasi jelas, AI dapat memberikan solusi yang dapat dijalankan dan diverifikasi dalam waktu sangat singkat, membuat trial-and-error berubah dari sumber daya langka menjadi operasi rutin.

Ajukan pertanyaan kunci, tetapkan tujuan, batasan, dan standar evaluasi, nilai apakah bukti dapat dipercaya, selesaikan penerimaan makna ilmiah. Harus dapat membedakan "hasil yang bisa dijalankan" dan "hasil yang andal", mengidentifikasi overfitting, kebocoran data, dan pemalsuan metrik.

Jika salah satu sisi absen semua akan gagal. Hanya AI, akan mendapatkan banyak hasil tidak bermakna; hanya manusia, bandwidth eksplorasi terbatas. Ambil contoh eksplorasi evolusi multi-tujuan, AI dapat secara otomatis menghasilkan dan menjalankan banyak solusi kandidat, peneliti memutuskan apakah tujuan optimasi, kondisi batasan, dan metrik evaluasi mencerminkan masalah nyata, dan menyaring arah yang secara ilmiah dapat dipercaya dan layak dieksplorasi lebih lanjut.

Serahkan standar evaluasi juga ke AI untuk diputuskan secara otomatis. Dengan begitu sistem akan sangat efisien mengoptimalkan tujuan yang tidak mencerminkan masalah ilmiah nyata, menghasilkan banyak hasil "tampak masuk akal" tetapi tidak bermakna. Semua keputusan yang akan mengubah "apa yang dianggap baik" harus tetap berada di sisi manusia.

Siapa yang memilih masalah ini? Siapa yang menetapkan standar evaluasi? Siapa yang menerima kesimpulannya? Jika jawaban ketiga pertanyaan mengarah ke "saya", pembagian kerjanya sehat; jika semuanya mengarah ke model, pengendalian arah sudah hilang.

AI memperluas bandwidth, manusia menjaga makna — yang dikirim bukan lebih banyak angka, melainkan kesimpulan yang dapat dipertahankan.

### Poin pengajaran

Implementasi jawaban, eksekusi eksperimen batch, pencarian solusi kandidat, umpan balik hasil, intinya menekan biaya implementasi hingga mendekati nol.

Definisi masalah, pemilihan arah, penilaian bukti, penerimaan makna ilmiah, intinya menyimpan biaya penilaian di tangan sendiri.

AI memperluas bandwidth eksplorasi, manusia mengendalikan arah dan standar penerimaan.

Begitu standar evaluasi dapat ditulis ulang oleh alur otomatis, optimasi akan diam-diam beralih ke "metrik yang paling mudah membaik". Menjadikan fungsi tujuan dan batasan sebagai read-only adalah gerbang pertama untuk mencegah drift.

Bukan menghasilkan lebih banyak hasil angka, melainkan hasil yang secara ilmiah benar-benar bermakna, barulah jumlah memiliki nilai.

### Cakupan kata kunci

Lapisan eksekusi AI, lapisan pengendalian manusia, loop tertutup kolaborasi manusia-mesin, bandwidth eksplorasi, drift standar evaluasi, fungsi tujuan read-only, penerimaan makna ilmiah, tiga pertanyaan pemeriksaan diri.

### Penanganan latihan

Jawaban benar adalah "mengimplementasikan jawaban dengan cepat, menjalankan eksperimen batch, dan mencari solusi kandidat". AI menanggung implementasi dan eksplorasi; memutuskan nilai masalah, menilai keandalan bukti, menerima makna ilmiah termasuk lapisan pengendalian manusia.

Jawaban benar adalah "karena hanya ketika hasil secara ilmiah benar-benar bermakna, barulah jumlah memiliki nilai". Jumlah berasal dari bandwidth eksplorasi AI, nilai berasal dari penilaian manusia atas makna ilmiah.

Jawaban benar adalah "apakah tujuan optimasi, kondisi batasan, dan metrik evaluasi mencerminkan masalah nyata". Generasi kandidat dan eksekusi batch termasuk lapisan eksekusi AI; peneliti harus memegang lapisan "apa yang dianggap baik".

Jawaban benar adalah "membuat peneliti dapat memusatkan perhatian pada penilaian arah dan standar penerimaan". AI memperluas keluasan, manusia memberikan arah, keduanya saling melengkapi bukan saling menggantikan.

Jawaban benar adalah "sistem akan efisien mengoptimalkan tujuan yang tidak mencerminkan masalah ilmiah nyata, menghasilkan banyak hasil yang tampak masuk akal tetapi tidak bermakna". Menyerahkan standar evaluasi ke sistem sama dengan membiarkan yang dinilai membuat soal ujiannya sendiri; semua keputusan yang akan mengubah standar evaluasi harus tetap dalam peninjauan manusia.

### Penanganan kasus

1. Lapisan eksekusi AI mencakup generasi formula kandidat, eksekusi simulasi batch, pengumpulan metrik performa, dan pembaruan populasi, ini termasuk implementasi dan eksplorasi. Lapisan pengendalian manusia mencakup sistem material yang akan dicari, tujuan performa dan batasan proses, apakah metrik mencerminkan makna fisik nyata, apakah kandidat akhir layak dilanjutkan ke eksperimen, ini termasuk arah dan penilaian. Dasar pembagiannya adalah: semua keputusan yang akan mengubah "apa yang dianggap baik" harus tetap di sisi manusia; semua pekerjaan yang mengeksekusi standar yang sudah ditetapkan ke skala lebih besar dapat diserahkan ke AI.

2. Jika AI dibiarkan menyesuaikan bobot metrik performa secara otomatis melalui meta-optimasi, risiko utamanya adalah drift standar evaluasi: setelah sistem yang dioptimalkan sekaligus menguasai kekuasaan mengevaluasi dirinya sendiri, ia akan condong ke "metrik yang paling mudah membaik", formula berkinerja tinggi yang dihasilkan mungkin secara fisik tidak dapat diimplementasikan atau tidak memiliki nilai nyata, dan secara permukaan sering tampak sangat masuk akal, sulit dikenali sekilas. Desain perlindungannya meliputi: menyatakan fungsi tujuan dan batasan sebagai terkendali dan read-only; meta-optimasi hanya diizinkan menyesuaikan sejumlah kecil hyperparameter dalam batas yang ditentukan manusia dengan batas atas dan bawah; menetapkan gerbang penerimaan yang independen dari tujuan optimasi, misalnya eksperimen sintesis dan karakterisasi nyata; setiap perubahan bobot harus melalui peninjauan eksplisit peneliti dan meninggalkan catatan, menjamin keputusan arah dapat dilacak.

### Aktivitas kelas

Minta siswa menggunakan contoh yang dekat dengan pengalaman belajar atau penelitiannya sendiri, mengulang pembagian kerja "AI mengimplementasikan jawaban, manusia mengendalikan arah", dan menjelaskan hubungan antara contoh ini dengan tiga pertanyaan pemeriksaan diri.

### Pemeriksaan pemahaman

Lapisan eksekusi AI, lapisan pengendalian manusia, loop tertutup kolaborasi manusia-mesin, drift metrik, tiga pertanyaan pemeriksaan diri. Lengkapi kata kunci yang terlewat berdasarkan jawaban.

### Petunjuk transisi

Setelah memastikan siswa dapat menyebutkan hubungan inti "AI memperluas bandwidth eksplorasi, manusia mengendalikan arah dan standar penerimaan", baru lanjut ke halaman berikutnya yang berisi contoh soal, aplikasi, atau ringkasan.

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

### Prinsip Inti: Code is cheap. Taste matters

*Halaman 13*

> **Tujuan halaman:** Merasakan filosofi Turing dan tujuan akhir EvoX membangun infrastruktur terbuka.

> **Tujuan halaman**
>
> Memahami prinsip inti "Code is cheap. Taste matters", merasakan filosofi Turing dan tujuan akhir EvoX membangun infrastruktur terbuka.

**Poin pengajaran**

- 1. Code is cheap adalah deskripsi objektif atas kondisi rekayasa saat ini. Ketika biaya marginal generasi dan implementasi kode ditekan mendekati nol oleh model besar dan fondasi tensorisasi, kode bukan lagi penghalang, juga bukan lagi unit pengukuran kontribusi riset. "Bisa dijalankan" merosot dari hasil menjadi prasyarat, dari prestasi yang dapat dipamerkan menjadi tiket masuk untuk melanjutkan pekerjaan. 2. Taste matters adalah reposisi tanggung jawab manusia setelah pembagian kerja manusia-mesin. Ketika "AI mengimplementasikan jawaban, manusia mengendalikan arah" menjadi pembagian kerja default, yang benar-benar langka di sisi manusia adalah kemampuan mengajukan pertanyaan kunci, menetapkan standar evaluasi, dan menilai arah dalam konflik multi-tujuan. 3. Tiga penilaian inti selera. Pemilihan masalah — masalah mana yang dikerjakan lebih menentukan batas atas daripada metode apa yang digunakan, ketika arah salah semakin cepat implementasi semakin boros
- Desain fungsi tujuan dan standar evaluasi — begitu metrik salah pilih, model hanya akan konvergen secara efisien ke arah yang salah
- Kriteria trade-off multi-tujuan — preferensi antara performa, reproduksibilitas, maintainability, biaya implementasi harus dinyatakan secara eksplisit, bukan diputuskan secara dadakan
- Interpretasi dan atribusi hasil — membedakan "kebetulan berjalan" dan "benar-benar memahami", serta menilai dari perubahan mana keuntungan sebenarnya berasal. 4. Selera harus dapat diuji. Selera bukan pernyataan estetika, juga tidak dapat diputuskan berdasarkan senioritas atau voting. Ia harus difalsifikasi melalui "masuk ke lingkungan nyata—menerima umpan balik nyata": tulis penilaian sebagai hipotesis yang dapat diverifikasi, revisi dengan kegagalan dan keberhasilan di skenario nyata. Jika tidak, diskusi hanya menyisakan perselisihan preferensi. 5. Makna infrastruktur adalah memberikan tempat berpijak bagi selera. Tujuan akhir EvoX justru membangun infrastruktur terbuka yang dapat masuk ke lingkungan nyata dan menerima umpan balik nyata. Fondasi yang terbuka, terdekopel, dan dapat dikombinasikan menurunkan biaya implementasi cukup rendah, sehingga ide bagus dapat masuk ke skenario nyata dengan biaya rendah, disaring, diendapkan, diwarisi — daya penilaian karenanya memiliki wadah yang dapat terus diasah. Code cheap tidak berarti rekayasa dapat dihilangkan. Gerbang penerimaan, reproduksibilitas, maintainability, dan loop umpan balik tetap membentuk ambang nyata. Selera justru tercermin dalam penilaian trade-off terhadap ambang ini: umpan balik seperti apa yang layak dipercaya, metrik seperti apa yang harus dipertahankan, upaya gagal seperti apa yang harus ditolak bukan digabungkan. Nilai mekanisme gaya Genesis juga di sini — modifikasi kandidat hanya dapat menjadi dasar historis yang dapat diwarisi oleh eksekutor berikutnya setelah melewati kompilasi, pengujian, pemeriksaan perilaku, dan penerimaan tingkat atas. Kita hanya dapat melihat jarak yang sangat dekat di depan, tetapi dapat melihat ada banyak hal yang harus diselesaikan di sana. Daripada memperdebatkan bentuk konkret akhir kecerdasan, lebih baik membangun infrastruktur terbuka yang dapat terus masuk ke skenario nyata dan menerima umpan balik nyata, membuat setiap putaran eksplorasi dapat diverifikasi dan diwarisi. Halaman ini menggunakan grafik tren untuk menunjukkan biaya implementasi terus menurun, nilai penilaian terus naik, titik persilangan keduanya membentuk titik belok, berarti daya penilaian menjadi variabel kunci. Di bawah gambar tercantum kata kunci visi EvoX: terbuka, dapat dikombinasikan, umpan balik nyata, evolusi berkelanjutan.

**Penanganan latihan**

Halaman ini dilengkapi lima soal pilihan ganda, masing-masing memeriksa pemahaman tentang makna rekayasa Code is cheap, arah pergeseran kelangkaan, falsifiabilitas selera, empat ambang rekayasa, dan tujuan infrastruktur EvoX. Setelah menjawab silakan cocokkan dengan umpan balik, tekankan membedakan "metrik sisi implementasi" dan "kemampuan sisi penilaian": jumlah baris kode, akurasi completion, popularitas framework, frekuensi commit tidak dapat menggantikan penilaian "apa yang harus diterima". Soal kasus meminta tim mendaftar tahap yang harus diprioritaskan dan merancang alur penerimaan modifikasi kandidat yang menguji selera;

arah referensi meliputi pemilihan masalah dan definisi tujuan, desain fungsi tujuan dan standar evaluasi, gerbang penerimaan dan kriteria trade-off multi-tujuan, interpretasi dan atribusi hasil, serta loop tertutup "modifikasi kandidat—pengujian terisolasi—penilaian skor—penerimaan tingkat atas—pewarisan historis—umpan balik kembali".

**Pemeriksaan pemahaman**

Minta seorang siswa secara acak merangkum poin utama halaman ini dengan kata-katanya sendiri, pengajar melengkapi kata kunci yang terlewat berdasarkan jawaban, misalnya "bisa dijalankan hanyalah tiket masuk", "selera harus dapat difalsifikasi", "empat ambang rekayasa".

> **Petunjuk transisi**
>
> Halaman ini melanjutkan pembagian kerja "AI mengimplementasikan jawaban, manusia mengendalikan arah" dari halaman sebelumnya, memberikan prinsip inti yang mendukung pembagian kerja ini; halaman berikutnya akan beralih ke praktik memandu AI menyelesaikan tugas EvoX melalui percakapan.

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

### Aktivitas Kelas: Memandu AI Menyelesaikan Tugas EvoX melalui Percakapan

*Halaman 14*

> **Tujuan halaman:** Memverifikasi alur tugas optimasi dasar dalam lingkungan AI Native melalui praktik langsung.

**Aktivitas kelas**

Memandu AI menyelesaikan tugas EvoX melalui percakapan

> **Tujuan halaman**
>
> Menyelesaikan loop tertutup minimal "prompt → generasi → eksekusi → penerimaan" dalam lingkungan EvoX nyata. Fokusnya bukan hanya mendapatkan kode yang dapat dibaca, melainkan memverifikasi cara kerja AI Native: manusia memberikan arah, AI memberikan implementasi, manusia melakukan penerimaan.

> **Urutan penjelasan**
>
> Pertama jelaskan tugas aktivitas, lalu uraikan cara menyusun prompt, kemudian jelaskan cara menerima hasil eksekusi, terakhir tangani hasil yang tidak ideal dengan menambahkan batasan, dan kembali ke pembagian kerja manusia-mesin.

**Poin pengajaran**

- Gunakan satu prompt percakapan untuk memandu AI menghasilkan dan menjalankan tugas optimasi EvoX dasar, lalu periksa output seperti seorang engineer. Masalah optimasi dan fungsi tujuan (misalnya minimalisasi fungsi Rastrigin), ruang pencarian dan dimensi (misalnya 10 dimensi dan rentang nilainya), algoritma atau operator (misalnya algoritma DE, operator crossover dan mutasi), ukuran populasi dan jumlah generasi iterasi (misalnya populasi 128, iterasi 200 generasi), platform komputasi (CPU atau GPU tensorisasi), output yang diharapkan (nilai optimal, kurva konvergensi, log eksekusi). Terlalu kasar akan memicu konfigurasi default, sulit menilai apakah sesuai maksud
- Terlalu detail akan merosot menjadi pengkodean manual. Cara yang tepat adalah memperjelas batasan dan cakupan penerimaan, menyerahkan detail implementasi ke AI. Misalnya tentukan masalah, algoritma, ukuran populasi, dan jumlah iterasi, tetapi tidak perlu menentukan bagaimana antarmuka spesifik dipanggil. Apakah benar-benar dieksekusi, bukan hanya memberikan kode, dapat dilihat dari log terminal dan waktu eksekusi
- Apakah kurva konvergensi monoton membaik dan tidak ada osilasi abnormal
- Apakah nilai optimal sesuai dengan orde besaran yang diketahui dari masalah, misalnya optimum global fungsi Rastrigin adalah 0
- Apakah random seed dan konfigurasi dapat direproduksi, setelah seed tetap, eksekusi berulang harus mendapatkan hasil yang sama atau mirip. Ketika hasil tidak sesuai harapan, prioritaskan menambahkan batasan melalui percakapan, misalnya "tetapkan seed=42 dan jalankan ulang serta berikan mean dan varians dari tiga kali pengulangan", amati apakah AI dapat mengoreksi secara iteratif bukan menulis ulang. Manusia bertanggung jawab atas definisi masalah, cakupan metrik, dan penilaian hasil
- AI bertanggung jawab atas pemilihan antarmuka, organisasi kode, dan eksekusi debugging. Hanya melakukan verifikasi alur tugas dasar, tidak membahas topik lanjutan seperti evolusi dua lapis MetaDE, trade-off multi-tujuan, atau multi-Agent Genesis. Contoh prompt referensi: "Gunakan EvoX untuk menyelesaikan nilai minimum fungsi Rastrigin (10 dimensi), gunakan algoritma DE, populasi 128, iterasi 200 generasi, gunakan backend tensorisasi GPU, tetapkan seed=42
- Tolong langsung jalankan dan kembalikan fitness optimal, grafik kurva konvergensi, dan log eksekusi." Apakah benar-benar dijalankan, apakah bentuk kurva konvergensi wajar, apakah nilai optimal mendekati 0, apakah hasil eksekusi berulang konsisten.

> **Petunjuk latihan**
>
> - Tidak perlu menentukan jumlah baris kode spesifik untuk implementasi algoritma
> - Bukti kunci verifikasi eksekusi nyata adalah log iterasi terminal dan kurva konvergensi
> - Cara paling efektif saat hasil kurang baik adalah menambahkan batasan, misalnya menetapkan random seed dan menjalankan berulang
> - Manusia terutama bertanggung jawab mendefinisikan masalah, cakupan metrik, dan penilaian hasil
> - Granularitas prompt harus memperjelas batasan dan cakupan penerimaan, menyerahkan detail implementasi ke AI. Jika siswa menjawab salah, dapat dibimbing kembali ke tiga tempat "elemen prompt", "daftar periksa eksekusi", "pembagian kerja manusia-mesin" untuk mencari dasar. Fungsi Ackley 20 dimensi, CMA-ES, populasi 64, iterasi 500, CPU, seed tetap=123, jika kurva berosilasi hebat di awal dan nilai optimal jauh lebih besar dari 0, kemungkinan penyebabnya meliputi parameter langkah terlalu besar, keragaman populasi tidak cukup, parameter algoritma tidak cocok dengan dimensi masalah, random seed menyebabkan fluktuasi eksplorasi awal, dll. Batasan tambahan dapat berupa menetapkan seed dan menjalankan ulang tiga kali, menghitung mean dan varians
> - Meminta output perubahan nilai optimal setiap generasi
> - Menyesuaikan langkah atau ukuran populasi lalu menjalankan ulang. Saat penerimaan, selain nilai optimal, juga harus memeriksa apakah benar-benar dieksekusi, bentuk kurva konvergensi, orde besaran nilai optimal, reproduksibilitas, kewajaran waktu eksekusi. Dapat meminta siswa berkelompok menyelesaikan pembagian peran, satu orang bertanggung jawab menyusun prompt, satu orang bertanggung jawab mengamati log eksekusi dan kurva konvergensi, satu orang bertanggung jawab memberikan kesimpulan penerimaan berdasarkan daftar periksa
> - Catat satu kegagalan atau hasil yang tidak ideal, dan coba tingkatkan dengan menambahkan batasan.

**Pemeriksaan pemahaman**

Minta seorang siswa secara acak merangkum poin utama halaman ini dengan kata-katanya sendiri, pengajar melengkapi elemen prompt, empat pertanyaan penerimaan, dan prinsip iterasi bukan penulisan ulang berdasarkan jawaban.

> **Petunjuk transisi**
>
> Setelah memastikan siswa dapat menyebutkan hubungan inti "manusia memberikan arah, AI memberikan implementasi, manusia melakukan penerimaan", baru lanjut ke halaman berikutnya yang berisi contoh soal, aplikasi, atau ringkasan.

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

### Ringkasan Kursus: Alur Kerja AI Native dan Selera Ilmiah

*Halaman 15*

> **Tujuan halaman:** Merangkum alur kerja AI Native EvoX dan pemikiran kritis dalam kolaborasi manusia-mesin.

> **Tujuan halaman**
>
> Halaman ini sebagai penutup seluruh kursus, menyatukan alur kerja AI Native EvoX dan selera ilmiah peneliti yang tidak tergantikan menjadi satu kesimpulan: ketika alat menekan biaya "mengimplementasikan jawaban" menjadi sangat rendah, "mendefinisikan apa yang layak dikerjakan, menilai hasil apa yang dapat dipercaya" menjadi pembatas nilai riset.

> **Urutan penjelasan**
>
> Sisi kiri adalah alur kerja AI Native, mulai dari percakapan bahasa alami, menyelesaikan konfigurasi lingkungan, membangun masalah dan batasan, mendorong eksekusi evolusi dan eksplorasi batch, analisis visualisasi hasil dan refleksi; sisi kanan adalah selera ilmiah manusia, bertanggung jawab mendefinisikan masalah, menetapkan tujuan dan batasan, trade-off multi-tujuan, menilai keandalan hasil dan arah evolusi.
>
> AI mengimplementasikan jawaban, manusia mengendalikan arah; diringkas dalam satu kalimat yaitu Code is cheap. Taste matters.
>
> Alur kerja memampatkan biaya jalur dari ide ke eksperimen pertama yang dapat dijalankan; tanggung jawab naik seiring kemudahan; selera ilmiah memiliki tempat berpijak yang dapat ditunjuk; pemikiran kritis memiliki empat pertanyaan terstruktur; evolusi berkelanjutan tingkat proyek dan sistem tetap memerlukan manusia untuk menetapkan standar penerimaan dan arah evolusi.
>
> Yang langka bukan kode, melainkan daya penilaian; kemahiran alur kerja menentukan seberapa cepat dapat berjalan, selera ilmiah dan pemikiran kritis menentukan apakah arahnya benar.

**Poin pengajaran**

- Dengan percakapan bahasa alami sebagai pintu masuk, mendorong eksperimen rantai penuh EvoX. Yang diturunkan adalah biaya jalur dari "ide" ke "eksperimen pertama yang dapat dijalankan", bukan eksperimen itu sendiri, juga tidak menggantikan definisi masalah dan penilaian hasil. Kerangka skrip, antarmuka parameter, dan kode penggambaran dapat terbentuk lebih cepat, peneliti karenanya mendapatkan frekuensi iterasi eksperimen yang lebih tinggi. Semakin mudah alat digunakan, semakin jelas tanggung jawab manusia. Otomatisasi memindahkan beban eksekusi, bukan tanggung jawab penilaian. Ketika AI menghasilkan solusi kandidat dalam beberapa menit, "apakah trade-off multi-tujuan wajar", "apakah peningkatan metrik dapat dipercaya", "arah mana yang harus dieksplorasi selanjutnya" tetap harus dijawab peneliti. Kemudahan meningkatkan throughput trial-and-error, juga secara setara memperbesar kecepatan penyebaran keputusan yang salah. Definisi masalah, menentukan apa yang diteliti dan apa yang ditinggalkan
- Penetapan tujuan dan batasan, menerjemahkan maksud kabur menjadi fungsi tujuan yang dapat dioptimalkan dan batasan keras
- Trade-off multi-tujuan, memberikan preferensi yang dapat dipertahankan antara kecepatan konvergensi, keragaman, robustness, dan biaya
- Penilaian keandalan hasil, membedakan "sudah dijalankan" dan "kesimpulan dapat dipertahankan"
- Penetapan arah evolusi, menentukan ke mana eksplorasi putaran berikutnya, bukan menerima secara pasif optimum saat ini. Ini bukan masalah komputasi, melainkan masalah nilai dan penilaian. Apakah asumsi valid? AI mungkin diam-diam melengkapi premis yang tidak dinyatakan
- Apakah metrik salah dibaca? Peningkatan mungkin berasal dari kebocoran data, perubahan cakupan evaluasi, atau overfitting
- Apakah hasil dapat direproduksi? Random seed, penjadwalan paralel, versi dependensi semuanya mempengaruhi reproduksibilitas
- Apakah batas dan mode kegagalan diverifikasi? Apakah masih valid dalam batasan ekstrem, data jarang, atau kasus dimensi tinggi. AI bertanggung jawab atas implementasi dan eksplorasi batch, manusia bertanggung jawab atas arah dan penilaian nilai. Tidak peduli seberapa tinggi tingkat otomatisasi, standar penerimaan dan arah evolusi tetap harus ditetapkan manusia
- Jika penilaian ini hilang dalam jangka panjang, celah selera akan diperbesar oleh waktu menjadi utang teknis yang sulit dibayar. AI mengimplementasikan jawaban, manusia mengendalikan arah. Sebelum menyerahkan tugas ke AI setiap kali, pikirkan dulu apa standar penerimaannya.

**Cakupan kata kunci**

- Alur kerja AI Native, selera ilmiah, pemikiran kritis, pembagian kerja manusia-mesin, beban eksekusi, tanggung jawab penilaian, definisi masalah, tujuan dan batasan, trade-off multi-tujuan, keandalan hasil, arah evolusi, utang teknis, Code is cheap. Taste matters.

> **Petunjuk latihan**
>
> - Latihan halaman ini berkisar pada pemampatan biaya, pergeseran tanggung jawab, tempat berpijak selera ilmiah, verifikasi kritis, dan risiko evolusi berkelanjutan. Saat menangani, minta siswa menilai terlebih dahulu "apa yang digantikan otomatisasi, apa yang tidak digantikan", lalu kembali ke kerangka dua langkah "jalankan dulu, verifikasi kemudian".

**Penanganan latihan**

Alat memampatkan biaya implementasi dari ide ke eksperimen pertama yang dapat dijalankan, tetapi tidak mengubah kesulitan definisi masalah dan penilaian hasil. Saat umpan balik, ingatkan untuk membedakan "beban eksekusi" dan "tanggung jawab penilaian".

Kecepatan output meningkat, membuat kesimpulan yang belum diverifikasi lebih mudah dianggap sebagai hasil yang sudah dikonfirmasi dan menyebar. Saat umpan balik, tekankan kemudahan meningkatkan throughput trial-and-error, juga secara proporsional memperbesar kecepatan penyebaran keputusan yang salah.

Definisi masalah, penetapan tujuan dan batasan, trade-off multi-tujuan, penilaian keandalan hasil, penetapan arah evolusi. Saat umpan balik, jelaskan bahwa tahap-tahap ini adalah masalah nilai dan penilaian, bukan masalah komputasi.

Asumsi implisit yang tidak dinyatakan AI tetapi diam-diam dilengkapi, serta apakah cakupan evaluasi diubah. Saat umpan balik, tunjukkan bahwa fokus verifikasi kritis adalah asumsi, cakupan metrik, reproduksibilitas, dan kondisi batas, bukan bentuk penyajian.

Celah selera terus diperbesar oleh waktu, terakumulasi menjadi utang teknis yang sulit dibayar. Saat umpan balik, tegaskan otomatisasi hanya dapat menjamin "bisa dijalankan", tidak dapat menjamin "arahnya benar".

Menghadapi solusi kandidat dan peringkat rekomendasi yang diberikan AI, pertama periksa apakah tujuan dan batasan sesuai dengan tuntutan bisnis nyata, lalu verifikasi cakupan metrik dan baseline, periksa distribusi dan robustness solusi pada front trade-off, lakukan pengujian batas dan mode kegagalan, dan tetapkan random seed, versi dependensi, dan konfigurasi eksperimen untuk menjamin reproduksi. Jika sepenuhnya mengikuti peringkat rekomendasi AI untuk menentukan solusi jalur utama dan secara otomatis mendorong arah, risikonya adalah mengalihdayakan penilaian nilai trade-off multi-tujuan, arah yang salah diwarisi berulang kali oleh iterasi berikutnya, dan "bisa dijalankan" akan salah dianggap sebagai "arahnya benar". Saat menetapkan ulang pembagian kerja, biarkan AI bertanggung jawab atas implementasi dan eksplorasi batch, manusia memperjelas bobot tujuan dan batasan keras, menetapkan standar penerimaan, mempertahankan hak peninjauan dan veto, serta menetapkan asumsi dan cara verifikasi untuk eksplorasi putaran berikutnya.

**Aktivitas kelas**

Minta siswa mengulang "empat pertanyaan pemeriksaan diri" dengan kata-kata sendiri, dan memberikan contoh yang dekat dengan pengalaman belajar atau penelitiannya sendiri, menjelaskan bagaimana melewatkan verifikasi akan salah menganggap "sudah dijalankan" sebagai "dapat dipertahankan".

**Pemeriksaan pemahaman**

Minta seorang siswa secara acak merangkum poin utama halaman ini, dan menjawab "kemahiran alur kerja menentukan apa, selera ilmiah dan pemikiran kritis menentukan apa". Pengajar melengkapi hubungan yang terlewat berdasarkan jawaban: yang pertama menentukan kecepatan, yang kedua menentukan arah dan nilai.

> **Petunjuk transisi**
>
> Setelah memastikan siswa dapat membedakan "bisa dijalankan" dan "dapat dipertahankan", "mengimplementasikan jawaban" dan "mengendalikan arah", baru lanjut ke halaman berikutnya yang berisi contoh soal, aplikasi, atau ringkasan.

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

### Lampiran dan Pintu Masuk Komunitas Open Source

*Halaman 16*

> **Tujuan halaman:** Mendapatkan saluran komunikasi resmi EvoX dan sumber daya pembelajaran berkelanjutan.

> **Tujuan halaman**
>
> Halaman ini sebagai lampiran kursus, merangkum pintu masuk komunitas resmi EvoX Sistem Evolusi Cerdas dan praktik riset ilmiah AI Native, menjelaskan saluran untuk pembelajaran berkelanjutan, bertanya, dan berpartisipasi dalam eksplorasi前沿 setelah kelas.

**Poin pengajaran**

- Pertama bedakan dua pintu masuk resmi. Akun WeChat resmi adalah "演化机器智能", digunakan untuk menerbitkan pembaruan kursus, artikel teknis, pemberitahuan aktivitas, dan interpretasi前沿, cocok untuk melacak arah evolusi cerdas secara sistematis. Grup QQ resmi bernomor 297969717, digunakan untuk bertanya secara real-time, berdiskusi, dan berkomunikasi dengan rekan, memudahkan mendapatkan umpan balik untuk masalah spesifik. Keduanya mengarah pada "partisipasi berkelanjutan dalam eksplorasi前沿 evolusi cerdas", bukan menggantikan pembelajaran di kelas, melainkan membentuk siklus "belajar—praktik—komunikasi—belajar lagi". Setelah bergabung, pertama-tama jelajahi pengumuman yang disematkan dan pesan historis, pahami norma dan sumber daya yang sudah ada, baru berpartisipasi dalam diskusi sesuai arah penelitian. Saat bertanya berikan latar belakang yang jelas, pertanyaan spesifik, dan metode yang sudah dicoba
- Berpartisipasi aktif dalam diskusi orang lain juga dapat memperdalam pemahaman. Secara berkala memeriksa konten前沿, mengubah sumber daya komunitas menjadi kemampuan penelitian. Latihan halaman ini berkisar pada tiga fakta dan dua sikap. Nama akun resmi adalah "演化机器智能"
- Nomor grup QQ adalah 297969717
- Tujuan pintu masuk komunitas adalah menyediakan saluran pembelajaran berkelanjutan, bertanya, dan eksplorasi前沿 setelah kelas
- Mendapatkan sumber daya setelah kelas harus melalui pintu masuk resmi dengan mengikuti akun resmi dan bergabung dengan grup QQ
- Menggunakan komunitas harus dengan aktif bertanya, berbagi, dan berpartisipasi dalam diskusi, bukan hanya menggunakannya sebelum ujian, bergabung dengan grup tidak resmi, atau hanya diam. Studi kasus dapat memandu siswa menuliskan dua saluran resmi, dan memberikan setidaknya dua saran pembelajaran berkelanjutan, seperti mengikuti pembaruan akun resmi, bertanya dan berdiskusi di grup, melacak dinamika前沿, berpartisipasi dalam proyek open source atau aktivitas online, menggunakan apa yang dipelajari di kursus untuk penelitian nyata dan berbagi pengalaman.

**Pemeriksaan pemahaman**

Minta siswa menjelaskan dengan kata-kata sendiri untuk apa masing-masing dari dua pintu masuk resmi cocok, dan mengulang cara yang benar setelah bergabung dengan komunitas. Jika siswa hanya mengingat nama tanpa bisa menjelaskan kegunaannya, minta mereka melihat kembali halaman untuk membandingkan kedua pintu masuk.

> **Petunjuk transisi**
>
> Setelah memastikan siswa dapat menyebutkan hubungan antara pintu masuk resmi dan siklus pembelajaran berkelanjutan, baru lanjut ke halaman berikutnya.