AI telah belajar untuk membuktikan ketidakmungkinan: AWM dari Tsinghua mengalahkan GPT-6 Astra dan Claude Opus 5.5 saat mereka menyerah

Apa yang dilakukan AI ketika suatu tugas tidak memiliki solusi? Biasanya tertulis “Saya tidak dapat melakukannya” — yang tidak dapat dibedakan dengan “Saya tidak menemukannya”. Sebuah tim dari Universitas Tsinghua dan Universitas Zhejiang yang dipimpin oleh pemenang Turing Award Andrew Yao telah memperkenalkan Algebraic World Model (AWM), sebuah sistem yang membuktikan ketidakmungkinan secara harfiah: sistem ini membangun model matematika dari lingkungan asing, memformalkannya dalam Lean 4 dan menghasilkan bukti yang dapat diperiksa bahwa tidak ada urutan pemenang. Pada ARC-AGI-3 pendekatan ini menyelesaikan seluruh 183 level dan meningkatkan skor Claude Opus 5 dari 40,7 menjadi 99,9.

Mengapa “tidak berhasil” adalah jawaban yang buruk

ARC-AGI-3 adalah serangkaian 25 permainan publik di mana agen tidak mendapat aturan maupun tujuan. Ia harus mengerjakan mekanismenya dan kemudian menyelesaikan levelnya. Tugas-tugas ini menguji apakah model dapat mempertimbangkan dunia asing dibandingkan mengingat contoh serupa dari pelatihan.

Di situlah letak unggulannya tersandung. Dalam percobaan pada dua tingkat tersegel – tingkat yang anggaran tindakannya satu unit di bawah kemungkinan kemenangan termurah – baik Claude Opus 5.5 maupun GPT-6 Astra, keduanya dilengkapi dengan alat pengkodean, tidak menghasilkan satu bukti pun. Dalam 12 kali proses, mereka mengatakan bahwa tugas tersebut tidak mungkin dilakukan hanya sebanyak lima kali, dan dalam empat kasus di antaranya mereka menyebutkan biaya minimum yang salah. Pada tingkat sc25 dengan anggaran 18 tindakan (kemenangan termurah berharga 19), GPT-6 Astra menemukan rute yang memakan biaya 22 perjalanan dan menyimpulkan tidak ada yang lebih murah — tanpa bukti.

Bagaimana AWM mengubah permainan menjadi teorema

Pekerjaan itu terjadi dalam tiga tahap. Pertama, eksplorasi: agen memainkan, mencatat observasi, dan menulis hipotesis sebagai kode Python yang dapat dieksekusi. Setiap hipotesis diuji terhadap semua transisi yang diamati dan ditulis ulang jika ada satu transisi saja yang bertentangan dengannya.

Kemudian muncullah struktur: hipotesis menjadi objek yang diketik dan aturan bersama, sementara transformasi yang diilhami teori kategori menghilangkan redundansi. Dalam permainan lp85, sebelas konsep terpisah tentang empat jenis tombol digabung menjadi satu aturan, press_permutes. Terakhir, model diterjemahkan ke dalam Lean 4, bahasa yang digunakan ahli matematika untuk pembuktian yang dapat diperiksa oleh mesin. Terdapat AWM yang membuktikan dua jenis pernyataan: bahwa rute tertentu mencapai tujuan, dan bahwa berdasarkan anggaran tertentu, tidak ada rute pemenang sama sekali.

Frasa kuncinya adalah “sama sekali.” Model normal berkata, “Saya tidak menemukannya.” AWM menyajikan bukti yang dapat diperiksa baris demi baris dan mengesampingkan setiap rangkaian tindakan hukum, bukan hanya tindakan yang kebetulan dilakukan oleh agen.

Enam bukti versus nol

Pada dua level yang tersegel AWM menghasilkan bukti tertutup Lean bahwa menang sesuai anggaran tidak mungkin dilakukan dalam enam putaran dari enam pertandingan. GPT-6 Astra dan Claude Opus 5.5 tidak menghasilkan bukti seperti itu dalam dua belas kali proses. Perkiraan biaya minimum bahkan lebih tepat: empat dari enam batasan awal AWM benar, Claude Opus 5.5 menjawab satu dari enam batasan yang benar, dan GPT-6 Astra tidak menjawab satu pun. Setelah diberi tahu bahwa ada kemenangan yang lebih murah, AWM merevisi aturannya dan mencapai enam dari enam batas yang benar.

183 level, 99,9 poin dan 43% tindakan manusia

Kemudian datanglah set ARC-AGI-3 lengkap. Dari 25 permainan publik, model AWM memungkinkan Lean memutar ulang lintasan kemenangan di 183 level. Pada tata letak yang tidak terlihat, aturan yang dibekukan memperkirakan 4.160 transisi; setelah perubahan mekanik, model tersebut menolak 4.031 transisi — yang berarti model tersebut menyadari bahwa dunia telah berubah alih-alih melanjutkan instruksi lama.

Dengan Claude Opus 5 sebagai model dasar, AWM mendapat skor 99,9; sama Claude Opus 5 tanpa AWM skor 40,7. Lintasan pemenang tersertifikasi menggunakan 43% tindakan yang dilakukan manusia. Dengan kata lain, sistem tidak hanya menyelesaikan permainan; ia menyelesaikannya dengan lebih ekonomis daripada manusia pada umumnya.

Dimana hasil tangkapannya

Bukti AWM adalah bukti tentang model yang dipelajari, bukan tentang permainan itu sendiri. Mengubah layar menjadi status terjadi di Python, di luar Lean. Modelnya bisa menjadi lebih ketat daripada permainannya; maka bukti “tidak mungkin” akan benar untuk model dan salah untuk kenyataan. Para penulis secara eksplisit menyatakan bukti-bukti yang ada: peraturan sesuai dengan setiap transisi yang tercatat, rute yang tersertifikasi benar-benar memenuhi tingkat peraturan tersebut, dan pada tingkat yang tertutup, tidak ada rute pemenang yang masuk dalam anggaran.

Tautan ke game sebenarnya dibuat dari luar: aturan yang dibekukan memperkirakan 4.160 transisi pada tata letak yang tidak terlihat, dan pencarian menyeluruh pada mesin game mengonfirmasi ambang batas yang disegel. Namun jika eksplorasi tidak lengkap dan agen melewatkan satu aturan penting, hasilnya adalah kebenaran lokal, bukan gambaran seluruh dunia. Penulis menggambarkan sebuah lingkaran: observasi, hipotesis, eksperimen, abstraksi, pembuktian, dan observasi lagi. Kertasnya menyala arXiv (diserahkan 29 Oktober 2026, direvisi 30 Oktober), dan menjalankan rekaman plus demo di lokasi proyek.

Mengapa hal ini penting di luar permainan

Agen sudah merencanakan perjalanan, menulis kode, dan mengelola tugas. Namun, di dunia nyata, mereka tidak hanya harus mengatakan “inilah solusinya” namun “tidak ada solusinya, dan inilah alasannya.” Perbedaannya sangat besar. “Saya tidak menemukannya” berarti mencoba pendekatan lain atau menunggu. “Saya membuktikan hal itu tidak dapat dilakukan” membebaskan sumber daya, mengubah rencana, dan menghentikan putaran tanpa akhir.

Untuk platform yang dibangun berdasarkan model generatif, pertanyaannya terlihat sama dari sisi lain: semakin banyak tugas yang diotomatisasi, semakin penting kemampuan untuk diperiksa — bukan keyakinan akan sebuah jawaban. Pembuktian formal adalah bentuk pemeriksaan yang paling ekstrim dan paling ketat. Di game sudah berfungsi. Dalam perencanaan, penganggaran, dan peninjauan kode, langkah selanjutnya adalah belajar membuat bukti yang singkat dan mudah dibaca untuk masalah tanpa aturan yang jelas.

Apa artinya bagi pengguna

Kedua model dari kertas — Claude Opus 5.5 dan GPT-6 Astra — tersedia dalam NeuralSpace Obrolan. AWM adalah proyek penelitian tanpa akses publik, tetapi Anda sudah dapat melihat bagaimana model modern memikirkan tugas Anda sendiri. Untuk agen bangunan dan proyek Anda sendiri, ada Kode bagian.

Dan sedikit statistik nyata. Menurut data produksi anonim dari NeuralSpace selama 30 hari terakhir (jendela 03.10–02.11.2026), obrolan tersebut menangani 1.513 pesan pengguna dalam 516 sesi. Empat model menyumbang 69% balasan, dengan GPT-5.4 Mini memimpin dengan 580 tanggapan. Produk andalan yang berat dipilih secara selektif: dalam pekerjaan sehari-hari, kecepatan dan harga biasanya menang, sedangkan masalah sulit adalah cerita tersendiri.

Pertanyaan Umum

Apa itu Algebraic World Model?

Sebuah sistem yang mengeksplorasi lingkungan asing, membangun model matematisnya, dan secara formal membuktikan pernyataan tentang model tersebut di Lean 4 — misalnya, bahwa suatu tujuan tidak dapat dicapai dalam anggaran tindakan tertentu.

Apa perbedaan AWM dengan model bahasa biasa?

Model bahasa mengusulkan sebuah jawaban dan bisa saja salah tanpa menunjukkannya. AWM pertama-tama membuat aturan dunia yang eksplisit, kemudian memeriksanya dan mendapatkan konsekuensi sebagai bukti yang dapat diverifikasi oleh program independen. Kesalahan dalam suatu aturan terlihat, bukannya tersembunyi dalam bobot.

Bisakah saya mencoba AWM?

Tidak ada versi publik; ini adalah proyek penelitian. Namun model dasar yang dijalankannya tersedia di NeuralSpace Obrolan, dan Anda dapat membuat eksperimen Anda sendiri di bagian Kode.