Matematikawan Rusia Ciptakan ‘Telepati Mesin’: Model AI Bisa Berkomunikasi Tanpa Kata-Kata

Startup Mostik Hadirkan Paradigma Baru Kolaborasi Antar Model AI

Bayangkan dua model AI yang bisa “berbicara” satu sama lain tanpa pernah mengeluarkan satu kata pun—tidak ada token teks, tidak ada percakapan bahasa alami, hanya aliran informasi murni di tingkat representasi internal. Itulah yang dibangun oleh tim matematikawan Rusia di balik startup Mostik (berarti “jembatan” dalam bahasa Rusia), seperti yang dilaporkan Wired awal September 2026.

Masalah Fundamental: Model AI Terisolasi di Dalam Silo Sendiri

Hingga saat ini, ketika kita ingin menggabungkan kelebihan beberapa model—misalnya kemampuan penalaran matematis model A dan kemampuan penulisan kode model B—kita harus memaksa keduanya berkomunikasi melalui teks. Model A menghasilkan jawaban dalam bahasa alami, lalu teks itu dikirim ke model B sebagai konteks. Proses ini mahal, lambat, dan rawan kehilangan nuansa karena tokenization dan pembatasan context window.

Peneliti Mostik menemukan jalan keluar: mengizinkan model bertukar vektor keadaan tersembunyi (hidden states) secara langsung. Dengan kata lain, model A meneruskan representasi internal pemikirannya ke model B tanpa pernah “menurunkan” pemikiran itu ke dalam kata-kata.

Bagaimana “Telepati Mesin” Ini Bekerja Secara Teknis

1. Proyeksi Ruang Laten Tersebar

Setiap model transformer memiliki ruang laten berdimensi tinggi di mana konsep-konsep abstrak direpresentasikan sebagai vektor. Tim Mostik melatih proyektor linier ringan yang memetakan ruang laten model sumber ke ruang laten model target. Proyektor ini dilatih dengan data paralel: pasangan input yang sama diproses oleh kedua model, lalu vektor hidden state mereka disejajarkan menggunakan contrastive loss dan MSE loss.

2. Protokol Pertukaran Tanpa Tokenisasi

Saat inferens, model A memproses prompt hingga lapisan tertentu (misalnya lapisan 24 dari 32). Hidden state di lapisan itu diekstrak, diproyeksikan ke ruang model B, lalu disisipkan sebagai prefix embedding ke model B. Model B melanjutkan pemrosesan dari titik itu seolah-olah ia sendiri yang telah “memikirkan” langkah-langkah awal tersebut.

3. Pelatihan Kooperatif End-to-End

Kunci keberhasilan bukan hanya proyektor statis, melainkan fine-tuning kooperatif. Kedua model dilatih bersama (co-training) pada tugas-tugas yang memerlukan penalaran multi-langkah:, menulis program kompleks, atau mendiagnosis kode yang rusak. Gradien mengalir balik melalui proyektor ke model A, sehingga model A belajar menghasilkan representasi yang “mudah dimengerti” model B.

Hasil Eksperimen: Lonjakan Performa pada Tugas Kompleks

Menurut data internal Mostik yang dibagikan ke Wired, pendekatan ini mengungguli pipeline berbasis teks konvensional pada beberapa benchmark:

• MATH dataset (level 5): akurasi naik dari 42% (GPT-4o solo) menjadi 58% dengan kolaborasi model penalaran + model verifikasi.
• HumanEval+ (Python): pass@1 meningkat dari 72% ke 84% saat model arsitektur kode bekerja sama dengan model penalaran algoritmik.
• Latensi end-to-end: berkurang ~35% karena menghilangkan langkah encode-decode teks berulang.

Perlu dicatat: angka-angka ini berasal dari demo internal Mostik dan belum diverifikasi independen. Namun konsepnya sejalan dengan tren penelitian terbaru seperti “Model Merging in Latent Space” (ICLR 2024) dan “Cross-Model Knowledge Transfer via Hidden States” (NeurIPS 2023).

Implikasi Praktis bagi Pengembang dan Perusahaan

Arsitektur “Mixture of Experts” Tanpa Router

Alih-alih melatih satu model MoE raksasa dengan router yang kompleks, tim bisa menyusun ensemble model spesialis (coding, math, creative writing, analisis data) yang saling terhubung via proyektor Mostik. Setiap model tetap kecil, efisien, dan bisa di-update independen.

Privasi Data & Komputasi Terdistribusi

Karena tidak ada teks mentah yang keluar dari model A, data sensitif (kode rahasia, catatan medis, dokumen hukum) tidak pernah terekspos ke model B atau jaringan. Hanya vektor numerik abstrak yang berpindah—sulit direkonstruksi balik ke data asli.

Membuka Pintu untuk Model Open-Source Kecil

Model 7B atau 13B parameter yang dilatih untuk tugas spesifik (mis. DeepSeek-Coder, WizardMath, Nemotron-3-8B) kini bisa digabungkan tanpa perlu fine-tuning ulang yang mahal. Cukup latih proyektor (hanya beberapa juta parameter) di atas model-model yang sudah frozen.

Tantangan & Batasan Saat Ini

• Ketergantungan arsitektur: Proyektor saat ini bekerja optimal antar model dengan arsitektur serupa (LLaMA-family ke LLaMA-family). Menerjemahkan hidden state GPT-ke-Mistral butuh penyesuaian tambahan.
• Kestabilan pelatihan: Co-training dua model besar bersamaan butuh GPU memory besar dan gradient accumulation yang hati-hati untuk menghindari collapse.
• Evaluasi kualitas representasi: Belum ada metrik standar untuk mengukur “seberapa baik” sebuah hidden state merepresentasikan penalaran yang bermakna.

Cara Mencoba Konsep Serupa Hari Ini (Tanpa Akses Mostik)

Meski kode Mostik belum open-source, Anda bisa bereksperimen dengan ide serupa menggunakan tools yang tersedia:

1. llama.cpp + embedding extraction

# Ekstrak hidden state lapisan terakhir dari model A
./llama-cli -m model-A.gguf -p "Selesaikan integral ini..." --embedding --layer 31 > hidden_A.json # Proyeksikan manual (butuh script Python sederhana)
# Lalu sisipkan ke model B via --prompt-cache atau prefix embedding

2. MergeKit untuk Model Merging di Ruang Parameter

Meskipun bukan hidden-state communication, MergeKit memungkinkan menggabungkan bobot beberapa model (SLERP, DARE, TIES) tanpa pelatihan ulang. Hasilnya sering kali mewarisi kelebihan kedua model induk.

3. LangGraph / AutoGen untuk Orkestrasi Multi-Agent (Berbasis Teks)

Jika butuh solusi produksi sekarang, gunakan framework multi-agent yang sudah matang. Komunikasi masih lewat teks, tapi pola handoff dan verification loop sudah teruji.

Masa Depan: Menuju “Internet of Models”

Visii Mostik melampaui sekadar dua model berbicara. Mereka membayangkan ekosistem model terhubung di mana model spesialis mikro (deteksi bug, optimasi SQL, penulisan docstring, review keamanan) saling memanggil via protokol latent standar—mirip mikroserwis, tapi pada tingkat representasi pengetahuan, bukan API call.

Jika standar ini terbuka dan diadopsi komunitas (misalnya via Hugging Face atau ONNX), kita bisa melihat lahirnya komputasi AI komposabel: Anda menyusun pipeline penalaran dengan menarik-drop model-model spesialis, seperti LEGO blok, tanpa khawatir context window atau biaya token.

Kesimpulan

Pendekatan Mostik menandai pergeseran fundamental: dari AI yang berbicara melalui bahasa manusia menuju AI yang berbicara melalui bahasa pemikiran mereka sendiri. Bagi pengembang Indonesia, ini sinyal untuk mulai memikirkan arsitektur sistem AI tidak lagi sebagai monolit atau rantai teks, melainkan sebagai graf model terhubung di ruang laten.

Langkah praktis hari ini: pelajari ekstraksi hidden state, eksperimen model merging, dan pantau perkembangan standar protokol lintas-model. Jembatan (Mostik) sudah mulai dibangun—tugas kita menyiapkan model-model yang siap melintasinya.

Artikel ini diterjemahkan dan diperkaya konteks teknis dari laporan Wired “These Russian Mathematicians Taught AI Models How to Talk to Each Other Without Using Words” (2 September 2026). Angka performa merujuk pada demo internal Mostik; verifikasi independen dianjurkan.