Pada tahun 2024, Olimpiade Matematika Internasional menjadi saksi tonggak sejarah. Meskipun kompetisi ini biasanya merupakan adu kecerdasan antara siswa paling cerdas di dunia, seorang peserta tidak resmi mencuri perhatian: AlphaProof Google DeepMind. Program AI mencapai skor tingkat medali perak, membuktikan bahwa mesin tidak lagi sekadar menghitung angka—mereka mulai menguasai seni penalaran logis.
Terobosan ini bukanlah keajaiban teknologi yang berdiri sendiri; ini adalah hasil evolusi selama puluhan tahun dalam cara kita memverifikasi kebenaran melalui kode. Dalam buku barunya, The Proof in the Code, jurnalis Kevin Hartnett mengeksplorasi perjalanan Lean yang tidak terduga, sebuah alat perangkat lunak yang bertransformasi dari asisten pengkodean khusus menjadi tulang punggung verifikasi matematika modern dan pengembangan AI.
Jembatan Antara Kode dan Logika
Ceritanya dimulai dengan Leo de Moura, mantan insinyur Microsoft Research yang meluncurkan Lean pada tahun 2013. Awalnya dirancang sebagai alat untuk memeriksa kesalahan kode perangkat lunak, potensi sebenarnya Lean terletak pada kemiripan strukturalnya dengan matematika.
Seperti yang ditunjukkan Hartnett, kedua disiplin ilmu tersebut memiliki DNA fundamental yang sama:
– Sintaks: Keduanya memerlukan petunjuk langkah demi langkah yang tepat.
– Logika: Satu kesalahan dalam satu baris kode secara fungsional identik dengan “celah” dalam pembuktian matematis.
– Eksekusi: Sama seperti sebuah program yang hanya berjalan jika logikanya masuk akal, teorema matematika hanya valid jika pembuktiannya kuat.
Kesadaran ini memicu suatu gerakan. Meskipun Lean tidak dapat “menemukan” matematika baru sendiri, Lean bertindak sebagai pembukti teorema interaktif. Dibutuhkan bukti tertulis—yang mungkin mencapai ratusan halaman dan memerlukan waktu berbulan-bulan untuk ditinjau oleh rekan sejawat—dan memverifikasi kebenaran mutlaknya dalam sekejap.
Perjuangan untuk “Bahasa Matematika”
Transisi dari matematika tradisional ke pembuktian digital tidaklah mulus. Selama bertahun-tahun, para ahli matematika menghadapi masalah “ayam dan telur” yang menakutkan: agar Lean bermanfaat, mereka memerlukan perpustakaan besar berisi definisi matematika yang dikodekan; namun untuk membangun perpustakaan tersebut, mereka membutuhkan ahli matematika untuk menggunakan program tersebut.
Gesekan yang terjadi sering kali sangat tidak masuk akal. Hartnett menjelaskan bagaimana Profesor Kevin Buzzard dari Imperial College London, saat mengajar mahasiswa tingkat sarjana, mendapati dirinya terjebak karena Lean menuntut dia membuktikan bahwa 2 tidak sama dengan 1. Bagi manusia, ini adalah kebenaran yang nyata; bagi sistem logika formal, ini adalah fakta dasar yang harus didefinisikan secara eksplisit sebelum penalaran lebih lanjut dapat dilakukan.
Untuk mengatasi rintangan-rintangan ini diperlukan upaya kolaboratif yang besar:
* Digitisasi Besar-besaran: Pada tahun 2018, para ahli matematika menghabiskan waktu berbulan-bulan untuk menerjemahkan konsep kompleks seperti “ruang sempurna” ke dalam ribuan baris kode.
* Pembangunan Komunitas: Sekelompok kecil peneliti yang berdedikasi berupaya membuat perangkat lunak ini mudah digunakan, mengubahnya dari alat akademis yang rumit menjadi platform yang tangguh.
* Peningkatan: Pada tahun 2025, ekosistem ini telah berkembang pesat, dengan puluhan ribu pengguna dari kalangan akademisi dan industri teknologi berkontribusi pada perpustakaan Lean.
Mengapa Ini Penting: Pencarian “Mesin Kebenaran”
Konvergensi matematika dan AI adalah tujuan akhir dari gerakan ini. Bagi insinyur perangkat lunak seperti de Moura, hadiahnya adalah “mesin kebenaran” yang dapat menjamin perangkat lunak seperti Microsoft Word sepenuhnya bebas bug. Bagi ahli matematika, ini adalah cara untuk memastikan bahwa penemuan abstrak yang paling rumit sekalipun tidak tercela.
Bagi peneliti AI, Lean berfungsi sebagai tempat pelatihan utama. Dengan menyediakan perpustakaan kebenaran matematika yang sangat besar dan terverifikasi, Lean memungkinkan model seperti AlphaProof mempelajari penalaran yang ketat, bukan sekadar pengenalan pola. Hal ini penting untuk memecahkan masalah “halusinasi” dalam AI—kecenderungan model untuk menyatakan informasi palsu dengan percaya diri. Jika AI dapat dilatih untuk mengikuti hukum logika matematika yang ketat dan pantang menyerah, AI pada akhirnya dapat menerapkan ketelitian yang sama pada penalaran di dunia nyata.
“Baiknya [matematika dan pengkodean] ditulis dalam sintaksis yang tepat sebagai serangkaian langkah logis, masing-masing mengarah ke langkah berikutnya.”
Kesimpulan
The Proof in the Code mengisahkan bagaimana alat khusus untuk debugging perangkat lunak menjadi landasan bagi era baru kepastian matematika dan kecerdasan AI. Hal ini menyoroti perubahan besar dalam ilmu pengetahuan: pergerakan menuju masa depan di mana intuisi manusia dan verifikasi digital bekerja sama untuk menentukan apa yang benar.
