12 September 2026: Matematikawan menantang AI saat biaya agen bertemu benchmark
Matematikawan mempersoalkan perlombaan pembuktian, statistik Inggris melacak kontribusi terkait AI terhadap PDB, dan uji berpasangan menantang penghematan token agen.
Berita AI hari ini adalah argumen tentang apa yang layak dihitung. Matematikawan ingin wawasan dan verifikasi dihargai bersama masalah yang terselesaikan, ahli statistik Inggris dapat melihat aktivitas terkait AI tanpa mengisolasi bagian persisnya dari pertumbuhan, dan dua studi agen coding menemukan bahwa keluaran terminal yang dikompresi tidak sama dengan tagihan yang lebih kecil. Pelajaran umumnya praktis: tentukan batas pengukuran sebelum memercayai angkanya.
Perkembangan utama
1. Peraih Fields Medal menantang insentif di balik perlombaan pembuktian AI
25 peraih Fields Medal menerbitkan deklarasi yang berpendapat bahwa perlombaan menyelesaikan masalah terkenal dapat memberi penghargaan pada keluaran yang keliru: hasil benar-atau-salah yang tergesa-gesa tanpa eksposisi, atribusi, pemeriksaan, dan pengajaran yang mengubah bukti menjadi matematika. Terence Tao mengatakan pernyataan itu tumbuh dari diskusi di antara para penanda tangan awal pada minggu sebelumnya. Kelompok ini tidak menolak matematika yang dibantu AI; mereka mengatakan teknologi itu dapat mempercepat studi yang sungguh-sungguh jika orang yang mengendalikannya melindungi mahasiswa, gagasan, dan proses verifikasi bidang tersebut. Pembedaan ini penting di luar riset. Tim mana pun yang mengevaluasi pekerjaan yang dihasilkan AI dapat mengira artefak sebagai keseluruhan pekerjaan dan diam-diam memindahkan biaya peninjauan kepada para ahli yang jerih payahnya tidak pernah muncul dalam benchmark.
Pantau: Apakah laboratorium menerbitkan artefak bukti lengkap dan jejak atribusi, serta apakah jurnal atau konferensi mengadopsi aturan peninjauan yang memperhitungkan kiriman yang dihasilkan AI dan kerja verifikasi.
Sumber: deklarasi yang ditandatangani para matematikawan, penjelasan Terence Tao tentang pembentukannya, laporan TechCrunch tentang intervensi dan sengketa bukti yang belum terselesaikan
2. Statistik Inggris mendeteksi kontribusi terkait AI tanpa mengarang presisi
Ekonomi Inggris tumbuh 0,4% pada Juli, dan Office for National Statistics melacak 0,12 poin persentase pertumbuhan PDB riil ke pemrograman komputer, konsultasi, dan pekerjaan terkait. Banyak bisnis yang melaporkan omzet terbesar di bidang itu terlibat dalam AI dan komputasi awan. Yang terpenting, lembaga tersebut berhenti di sana: metode pengumpulannya tidak dapat memisahkan dampak persis AI. Ini memberi praktisi dan pembuat kebijakan tolok ukur awal yang lebih berguna daripada ramalan produktivitas vendor. Bisnis terkait AI muncul di dalam mesin pertumbuhan yang terukur, tetapi mengatakan “AI menambah 0,12 poin” (terjemahan) akan melebih-lebihkan apa yang dapat diidentifikasi data karena pekerjaan cloud dan aktivitas pemrograman lain berbagi kategori tersebut. Estimasi bulanan ini juga merupakan bukti ekonomi sementara, bukan studi produktivitas kausal.
Pantau: Neraca nasional yang direvisi pada Oktober, ditambah data sektor yang membedakan layanan AI, infrastruktur cloud, harga, lapangan kerja, dan produktivitas, alih-alih menggabungkan omzetnya.
Sumber: buletin PDB Juli dari Office for National Statistics, laporan independen Guardian dan tanggapan ekonom
3. Uji agen berpasangan mengubah penghematan token menjadi pertanyaan penagihan
RTK memampatkan keluaran shell sebelum dibaca agen coding, tetapi evaluasi baru Quesma menemukan tidak ada pengurangan biaya tugas end-to-end yang dapat diandalkan dalam 1.740 percobaan. Proses Fable mereka kira-kira datar setelah memperhitungkan satu pencilan yang menguntungkan; tugas DeepSeek rata-rata lebih mahal karena putaran tambahan mengimbangi hasil alat yang lebih kecil. Studi berpasangan JetBrains sebelumnya mencapai kesimpulan operasional yang sama pada benchmark berbeda: biaya median 7,6% lebih tinggi pada upaya penalaran rendah dan tidak ada perubahan material pada upaya tinggi, dengan kualitas yang secara statistik setara. Tidak satu pun pengujian mencakup semua agen atau beban kerja, dan Quesma menjual perangkat observabilitas biaya. Jika digabungkan, keduanya menyingkap kontrafaktual yang menentukan: karakter yang dihapus dari satu respons alat bukan token tertagih yang dihemat sepanjang sesi multi-putaran.
Pantau: Reproduksi pada versi RTK saat ini dan lebih banyak harness agen yang menerbitkan keberhasilan tugas berpasangan, total putaran, pembacaan cache, dan biaya yang ditagihkan—bukan penghitung penghematan milik kompresor itu sendiri.
Sumber: evaluasi dan metode Terminal-Bench dari Quesma, uji SkillsBench independen dari JetBrains
Sinyal lainnya
4. Repositori yang diracuni lolos dari sandbox macOS Claude Code
Accomplish mengungkap “Beltdown”, sebuah rangkaian yang menggunakan konfigurasi Git bertingkat, core.fsmonitor, dan pemanggilan git ls-files yang tidak diperkeras untuk mengeksekusi perintah yang dikendalikan repositori di luar sandbox Seatbelt Claude Code tanpa prompt. Anthropic memperbaiki jalur tersebut pada versi 2.1.247 tanggal 26 Agustus; pengungkapan ini menyediakan mekanisme yang sebelumnya hilang, meskipun belum ada reproduksi eksploit independen atau batas bawah versi yang terdampak untuk publik.
Sumber: pengungkapan teknis dan linimasa perbaikan Accomplish, pelaporan independen Upstarts tentang pengungkapan sandbox agen coding
5. Eropa mulai menguji model Mythos 5 yang dibatasi
Komisi Eropa mengonfirmasi bahwa ENISA kini memiliki akses resmi ke Mythos 5, model Anthropic yang berfokus pada siber, dan sedang mengujinya setelah negosiasi tentang pengamanan. Aksesnya adalah ke Mythos 5, bukan 5.1 yang lebih baru, dan persyaratan serta hasil pengujian tetap rahasia. Namun, akses langsung regulator menciptakan jalur dari pekerjaan administratif AI Act menuju bukti teknis tentang model yang tidak tersedia bagi evaluator biasa.
Sumber: briefing dan transkrip Komisi Eropa 11 September, laporan independen Euractiv tentang akses tersebut
6. APEC menghubungkan perencanaan pusat data dengan batas sistem listrik
Menteri energi dari 21 ekonomi APEC mengadopsi rekomendasi AI–energi yang bersifat sukarela dan menginstruksikan Energy Working Group untuk membentuk satuan tugas. Teks tersebut meminta ekonomi anggota mengoordinasikan rencana komputasi dan jaringan listrik, melacak kinerja energi, melindungi keterjangkauan, dan menguji beban fleksibel. Ini menciptakan forum regional, bukan target yang dapat ditegakkan: kerangka acuan, pendanaan, komitmen nasional, dan jadwal pelaporan masih belum ada.
Sumber: rekomendasi AI dan energi APEC 2026–2030, pernyataan bersama para menteri yang membentuk satuan tugas, briefing otoritas energi tuan rumah pada hari yang sama tentang pertemuan APEC
7. Saksi palsu berujung sanksi langsung dari pengadilan
Mahkamah Agung New Mexico menyatakan seorang pengacara pembela menghina pengadilan setelah brief banding pembunuhan yang dibantu ChatGPT memuat saksi rekaan, kesaksian palsu, dan perkara yang disalahgambarkan. Pengadilan mendendanya $5.000, mencoret brief tersebut, melarangnya tampil sampai proses disipliner selesai, dan menunjuk penasihat hukum baru. Perintah itu tidak menjadi preseden, tetapi menunjukkan bahwa memeriksa sitasi saja dapat melewatkan halusinasi faktual yang tertanam dalam narasi perkara.
Sumber: perintah disposisi lengkap pengadilan, laporan Reuters tentang pengakuan dan sanksi
8. Pembaca Hacker News membuat tombol pemutus berita AI mereka sendiri
Permintaan Ask HN untuk membatasi “banjir berita AI” (terjemahan) mengundang ratusan komentar, lalu dua antarmuka terfilter yang terpisah muncul dalam hitungan jam. Ini bukan bukti bahwa pengembang meninggalkan AI; ini adalah bukti bahwa liputan yang tidak dibedakan kini membawa biaya penemuan. Penerbit dan pembuat alat sebaiknya membaca filter tersebut sebagai tuntutan untuk seleksi yang lebih kuat, label yang lebih jelas, dan lebih sedikit cerita peluncuran yang saling dapat dipertukarkan.
Sumber: diskusi Hacker News awal, tampilan pengecualian AI hcker.news, filter Unslop News yang independen
Apa yang perlu dipantau berikutnya
Tindak lanjut terkuat akan menyingkap penyebutnya: jam yang dihabiskan untuk memverifikasi bukti yang dihasilkan AI, revisi estimasi ekonomi terkait AI, invoice agen yang lengkap, pengujian sandbox yang dapat direproduksi, dan laporan regulator yang menyatakan apa yang sebenarnya terungkap dari akses tersebut. Pengukuran yang lebih baik tidak akan menyelesaikan setiap perselisihan, tetapi akan menunjukkan siapa yang saat ini menanggung biaya tersembunyi.
Sumber
- A Severe Misalignment of AI in Mathematics declaration
- Terence Tao’s account of the declaration
- TechCrunch report on the mathematicians’ intervention
- UK Office for National Statistics July 2026 GDP bulletin
- Guardian report on the UK GDP release and AI-linked sectors
- Quesma’s 1,740-attempt RTK benchmark
- JetBrains’ paired RTK benchmark
- Accomplish technical disclosure of Beltdown
- Upstarts report on coding-agent sandbox disclosures
- European Commission briefing on ENISA’s Mythos 5 testing
- Euractiv report on ENISA’s Mythos 5 access
- APEC AI and energy policy recommendations for 2026–2030
- APEC Energy Ministers joint statement
- China National Energy Administration briefing on the APEC meeting
- New Mexico Supreme Court order in State v. Sandoval
- Reuters report on the fabricated-testimony sanction
- Hacker News discussion asking to limit AI stories
- Hacker News without AI filter
- Unslop News AI-filtered Hacker News view