1. Awalnya cuma ingin menang card game
Tujuan pertama bukan akademis: tambah PP, singkirkan Ward, Storm ke leader, menang.
Lalu AI mulai memainkan ribuan pertandingan untuk membandingkan deck. Pertanyaan baru muncul: ini cuma hoki? rata-rata cukup? bagaimana kalau satu matchup hancur? bagaimana berpikir ketika hand lawan tersembunyi? kenapa policy baru justru lebih lemah?
Tiba-tiba muncul Monte Carlo, Bayesian update, Nash equilibrium, dynamic programming, POMDP, robust optimization, causal inference, dan counterfactual.
Manusia tidak perlu menghitung semuanya di kepala. Manusia menentukan pertanyaannya; AI dan kode menangani pengulangan, pencatatan, statistik, dan perbandingan.
2. Bayangkan membuat pekerjaan bernama “guru card game”
Membuat AI bermain seperti manusia kuat mirip melatih pegawai baru.
“Anak magang” harus belajar mulligan, menahan kartu, memakai Evolution, membaca balasan lawan, merencanakan dua-tiga turn, menghitung lethal, mengatur hand, dan menyisakan slot board.
Terlalu banyak untuk diingat bersamaan, maka pekerjaannya dipecah: tentukan win condition, tentukan resource yang belum boleh dipakai, lalu cek apakah akan mati turn berikutnya.
Lalu AI berlatih ribuan game.
Empat ribu game untuk anak magang sudah bukan internship. Itu pabrik training.
3. Mengikuti saran manusia secara harfiah bisa membuat AI lebih lemah
Guide berkata “simpan kartu ini”, “reserve SEP”, “ramp lebih cepat”, “jangan buang combo piece”.
Biasanya benar, tetapi selalu ada syarat.
Simpan, kecuali kalau tidak dipakai sekarang kamu mati. Reserve Evolution, kecuali memakainya sekarang menghancurkan turn lawan. Ramp, kecuali kehilangan board membuatmu mati.
Manusia menambahkan pengecualian itu dari pengalaman. AI mungkin tidak.
Manusia: “Biasanya disimpan.” AI: “Siap.” AI: mati.
Mengikuti instruksi dan memahami tujuan instruksi adalah kemampuan yang berbeda.
4. Tree search: membaca “langkah ini, berikutnya, lalu berikutnya”
Misalkan ada tiga aksi: A remove lawan, B serang leader, C hold kartu.
Setiap aksi membuka masa depan berbeda, lalu lawan punya balasan berbeda. Cabang-cabang itu membentuk pohon.
Masalahnya, cabang meledak. Sepuluh pilihan setiap langkah bisa menjadi sekitar sepuluh ribu cabang dalam empat langkah.
Karena itu dipakai depth limit, beam search, dan node budget.
Tetapi pruning terlalu cepat bisa membuang aksi yang lemah sekarang namun terbaik dua turn lagi.
Search bukan hanya soal melihat lebih jauh. Yang penting adalah masa depan mana yang dibiarkan tetap hidup.
5. Teori lain punya tugas berbeda
Monte Carlo: coba masa depan berkali-kali dan lihat rata-rata.
Bayesian update: ubah probabilitas lawan punya kartu tertentu setelah melihat tindakannya.
POMDP: ambil keputusan ketika sebagian state tersembunyi.
Minimax: anggap lawan memberi respons terbaik.
Nash equilibrium: kondisi ketika mengubah strategi sendirian tidak mudah memberi keuntungan.
No-regret learning: kurangi “seharusnya tadi pilih yang lain” dalam jangka panjang.
Robust optimization: cari kekuatan yang tidak hancur di matchup buruk.
CVaR: lihat wilayah hasil buruk, bukan cuma rata-rata.
Paired A/B: seed, deck, dan urutan sama; hanya policy yang berbeda.
Confidence interval: ukur berapa besar perbedaan yang mungkin cuma noise.
Ablation: lepaskan komponen satu per satu.
Counterfactual: dari state sama, uji aksi lain.
Causal inference: cek apakah mengubah penyebab benar-benar mengubah hasil.
Nama Inggrisnya seram. Isinya: coba banyak, perbarui tebakan, lihat skenario jelek, bandingkan adil, dan periksa satu tersangka tiap kali.
6. Mana yang level kuliah dan mana yang terasa pascasarjana?
Statistik, Monte Carlo, dynamic programming, game theory, Bayes, dan optimization sering muncul di kuliah.
Yang terasa pascasarjana adalah siklus penelitian: temukan regresi, pecah menjadi hipotesis, tentukan bukti yang diharapkan, tambah trace, ubah satu komponen, uji counterfactual, gunakan data unseen, dan tolak metode baru bila gagal.
Kuliah memberi toolbox. Riset bertanya bagaimana memakai toolbox untuk menghasilkan bukti.
7. Sosial atau STEM? Masalah nyata mencampur keduanya
Tree search, algoritma, probabilitas, reinforcement learning sangat teknis.
Game theory, Nash, Pareto, risiko, dan keputusan juga banyak dipelajari di ekonomi dan operations research.
Causal inference muncul di ekonomi, medis, ilmu sosial, dan AI.
Masalah nyata tidak peduli batas fakultas.
Board card game pun bisa menjadi laboratorium lintas disiplin.
8. Nilai kuliah atau sekolah vokasi bukan mengingat semuanya
Wajar lupa rumus setelah beberapa tahun.
Tetapi pernah mendengar Monte Carlo, Bayes, optimization, atau game theory membuat indeks mental.
Saat masalah muncul, kamu bisa berkata: “Ini terasa Bayesian”, “mungkin ini optimization”, “kita bandingkan dalam kondisi sama”.
Jauh lebih mudah daripada tidak tahu kata apa yang harus dicari.
Pendidikan membangun peta alat. Sekolah vokasi juga begitu: dasar dulu, dalamnya nanti ketika pekerjaan membutuhkan.
9. AI membuat “tahu dasar” jauh lebih bernilai
Dulu mengetahui nama teori tidak selalu cukup jika kamu tidak bisa menurunkan rumus, coding, dan statistik sendiri.
Sekarang kamu bisa memberi arah: “Monte Carlo cocok di sini?”, “ini problem hidden information?”, “hitung apakah perbedaannya bisa karena kebetulan”, “lakukan ablation”.
AI membantu implementasi dan perhitungan.
Pengetahuan dasar berubah dari “selesaikan semuanya sendiri” menjadi indeks untuk memberi pekerjaan yang benar kepada AI.
10. Tidak alergi terhadap pengetahuan adalah kekuatan
POMDP, PSRO, CVaR, cluster bootstrap.
Namanya bikin mundur.
Tetapi jika reaksimu “itu gunanya apa?” bukan “itu bukan buat saya”, kamu sudah masuk.
POMDP: hidden information. PSRO: tambah respons kuat. CVaR: lihat hasil buruk. Cluster bootstrap: ukur ketidakpastian sambil menjaga kelompok data terkait.
Tidak perlu paham sempurna dari awal. Sentuh dulu, dalami bersama AI.
11. Kalau working memory penuh, keluarkan memorinya dari kepala
Card game saja sudah meminta hand, board, PP, Evolution, respons lawan, Ward, heal, lethal, dan turn berikutnya.
Riset menambah seed, hash, config, hipotesis, confidence interval, dan riwayat eksperimen.
Tidak perlu menghafal semua.
Kondisi di config, perhitungan di kode, riwayat di log, perbandingan besar di AI.
Manusia menyimpan pertanyaan dan rasa “hasil ini aneh”.
Ini bukan curang. Ini memakai otak untuk judgment.
12. Kesimpulan: cuma ingin Storm ke muka, malah paham kenapa pendidikan berguna
Satu card game menghubungkan search, probabilitas, statistik, game theory, causal inference, pendidikan, dan AI.
Kamu tidak perlu menguasai semuanya saat pertama belajar.
Pernah melihat, tahu namanya, dan tidak takut sudah cukup untuk membuat pintu masuk beberapa tahun kemudian.
AI menurunkan biaya dari “pernah dengar” menjadi “bisa diuji pada masalah nyata”.
Manusia bertanya. Mesin menghitung. Kalau hasilnya aneh, manusia bertanya lagi.
Dan rencana awal tetap sederhana.
Singkirkan Ward. Evolution.
Storm ke muka.
Tempat yang aneh untuk pendidikan membayar kembali.
