# EvoX Sistem Evolusi Cerdas dan Praktik Riset AI Native

[Daftar Kursus](START_HERE.html)

## Pengantar Kursus

Kursus ini secara sistematis memperkenalkan konsep inti evolusi cerdas, fondasi komputasi paralel, mekanisme evolusi metode, serta praktik riset AI Native, membantu peneliti menjembatani kesenjangan antara kemampuan model dan kemampuan sistem, untuk terus mengeksplorasi dan berinovasi dalam lingkungan nyata.

> Panduan sistem evolusi tingkat lanjut yang menghubungkan model, algoritma, dan lingkungan nyata

**Penulis**: Tim EvoX

## Tujuan Pembelajaran

1. Memahami kedalaman historis dan kecepatan evolusi kecerdasan cerdas
2. Menganalisis keterbatasan generasi tunggal model besar dan kebutuhan evolusi sistem
3. Meninjau kembali percabangan dan penggabungan berbagai jalur evolusi dalam sejarah kecerdasan buatan
4. Menguasai keunggulan komputasi evolusioner dalam menangani konflik tujuan dan kendala kompleks
5. Mengidentifikasi tantangan konflik tujuan dan umpan balik sparse dalam praktik teknik
6. Memahami nilai praktis eksplorasi multi-kandidat dan studi kasus optimasi airfoil
7. Menguasai metode mengekspresikan proses evolusi sebagai komputasi tensor batch
8. Memahami peran Runtime dalam penjadwalan daya komputasi heterogen dan menjaga komposabilitas algoritma
9. Memahami ide inti evolusi metode (Meta-Evolution)
10. Menguasai arsitektur yang menyerahkan strategi mutasi dan hyperparameter kepada optimasi evolusi lapisan luar
11. Memahami pola rekayasa kolaborasi multi-Agent dan dekomposisi tugas rekursif
12. Menguasai mekanisme yang mengendapkan modifikasi efektif menjadi sejarah proyek melalui kompilasi, pengujian, dan penerimaan
13. Menguasai metode melakukan eksperimen EvoX secara efisien dengan bantuan alat AI (seperti Codex)
14. Memperjelas kemampuan apresiasi inti dan kemampuan bertanya kunci yang harus dipertahankan peneliti di era pemrograman otomatis

## Pelajaran 1 · Asal-usul Evolusi Cerdas dan Latar Belakang Kelahiran EvoX

Membahas sejarah evolusi kecerdasan manusia, visi Turing tentang "mesin anak", dan bagaimana EvoX membangun loop evolusi tertutup antara kemampuan model dan kemampuan sistem.

**Tujuan Pembelajaran**

- Memahami kedalaman historis dan kecepatan evolusi kecerdasan cerdas
- Menganalisis keterbatasan generasi tunggal model besar dan kebutuhan evolusi sistem

## Pelajaran 2 · Asal-usul Komputasi Evolusioner dan Persimpangan Multi-Jalur

Menelusuri titik persimpangan antara simbolisme, koneksionisme, sibernetika, dan komputasi evolusioner, mengungkap bagaimana komputasi evolusioner menyediakan jalur solusi yang tidak bergantung pada jawaban tunggal yang telah ditentukan.

**Tujuan Pembelajaran**

- Meninjau kembali percabangan dan penggabungan berbagai jalur evolusi dalam sejarah kecerdasan buatan
- Menguasai keunggulan komputasi evolusioner dalam menangani konflik tujuan dan kendala kompleks

## Pelajaran 3 · Kompleksitas Dunia Nyata dan Pertukaran Multi-Tujuan

Membahas tujuan dan kendala kompleks yang saling membatasi di dunia fisik nyata, mempelajari cara menggunakan EvoX untuk menghasilkan kelompok solusi kandidat yang mengandung berbagai hubungan pertukaran.

**Tujuan Pembelajaran**

- Mengidentifikasi tantangan konflik tujuan dan umpan balik sparse dalam praktik teknik
- Memahami nilai praktis eksplorasi multi-kandidat dan studi kasus optimasi airfoil

## Pelajaran 4 · Fondasi Komputasi Modern dan Evolusi Paralel Tensorisasi

Mempelajari bagaimana EvoX mengorganisir populasi, evaluasi, dan status menjadi tensor yang dapat dihitung secara keseluruhan, menembus bottleneck serial tradisional untuk mencapai akselerasi skala besar.

**Tujuan Pembelajaran**

- Menguasai metode mengekspresikan proses evolusi sebagai komputasi tensor batch
- Memahami peran Runtime dalam penjadwalan daya komputasi heterogen dan menjaga komposabilitas algoritma

## Pelajaran 5 · Evolusi Metode: Dari Solusi Optimasi ke Algoritma Optimasi Itu Sendiri

Membahas mekanisme evolusi metode seperti MetaDE, AutoPSO, mempelajari cara memasukkan metode yang menghasilkan kandidat ke dalam objek optimasi, mewujudkan evolusi diri algoritma.

**Tujuan Pembelajaran**

- Memahami ide inti evolusi metode (Meta-Evolution)
- Menguasai arsitektur yang menyerahkan strategi mutasi dan hyperparameter kepada optimasi evolusi lapisan luar

## Pelajaran 6 · Evolusi Berkelanjutan Tingkat Sistem: Genesis dan Pengendapan Dunia Perangkat Lunak

Mempelajari bagaimana Genesis melalui kolaborasi multi-Agent dan mekanisme verifikasi ketat, memungkinkan kode proyek melintasi siklus hidup untuk terus terakumulasi dan berevolusi.

**Tujuan Pembelajaran**

- Memahami pola rekayasa kolaborasi multi-Agent dan dekomposisi tugas rekursif
- Menguasai mekanisme yang mengendapkan modifikasi efektif menjadi sejarah proyek melalui kompilasi, pengujian, dan penerimaan

## Pelajaran 7 · Paradigma Riset AI Native dan Titik Masuk Praktik EvoX

Menguasai jalur praktis untuk memasuki EvoX dalam lingkungan AI Native, merasakan prinsip inti riset "Code is cheap. Taste matters".

**Tujuan Pembelajaran**

- Menguasai metode melakukan eksperimen EvoX secara efisien dengan bantuan alat AI (seperti Codex)
- Memperjelas kemampuan apresiasi inti dan kemampuan bertanya kunci yang harus dipertahankan peneliti di era pemrograman otomatis