Peta Hassabis: Cara Merencanakan Dua Puluh Tahun Tanpa Kalender

TL;DR: Demis Hassabis tidak memprediksi masa depan. Ia membangun peta masalah yang penting tetapi belum dapat dipecahkan, lalu menunggu teknologi untuk mengejar. Terobosan lipatan protein memerlukan empat tahun kerja—dan dua puluh tahun persiapan. Pelajaran: rencanakan berdasarkan kondisi pemicu, bukan garis waktu. Cari simpul akar, bukan daun. Dan jangan pernah bingung mengikuti tren dengan mengikuti peluang.

James di sini, CEO Mercury Technology Solutions. Hong Kong — Juli 2026

Pada tahun 2016, AlphaGo mengalahkan Lee Sedol, dan dunia mengenal nama Demis Hassabis. Apa yang hampir tidak ada yang perhatikan: dalam penerbangan kembali dari Seoul ke London, ia meluncurkan proyek pelipatan protein yang akan membuatnya memenangkan Hadiah Nobel 2024 dalam Kimia.

Empat tahun kemudian, AlphaFold2 memecahkan masalah yang sudah ada selama lima puluh tahun. Tapi cerita sebenarnya bukanlah empat tahun itu. Ini adalah dua puluh tahun sebelum mereka.

Hassabis pertama kali menemui masalah pelipatan protein sebagai mahasiswa sarjana di Cambridge pada tahun 1990-an. Ia belajar ilmu komputer, bukan kimia. Ia tidak akan memulai DeepMind selama satu dekade lagi. Ia tidak akan menyentuh pelipatan protein selama dua tahun.

Kebanyakan orang melihat ini dan melihat karir dengan lompatan aneh: permainan, neuroscience, AI, biologi. Tapi jika kita menarik kamera kembali, setiap langkah adalah disengaja. Gelar ilmu komputer, PhD neuroscience kognitif, perusahaan permainan, laboratorium AI—setiap bagian adalah langkah di papan yang hanya bisa ia lihat.

Jika Hassabis telah mempelajari kimia sebagai mahasiswa sarjana, ia mungkin tidak akan memecahkan pelipatan protein.Itu adalah bagian yang tidak intuitif. Terobosan yang diperlukan adalah seseorang yang bisa memegang beberapa bidang dalam pikirannya secara bersamaan, yang memahami apa yang bisa dilakukan AI sebelum AI benar-benar bisa melakukannya.

Ini bukan biografi. Ini adalah dekonstruksi tentang bagaimana dia berpikir tentang perencanaan—dan apa yang bisa kita curi darinya.

Retakan di Es

Hassabis beroperasi dalam apa yang saya sebut retakan—celah antara "mustahil" dan "jelas."

Di satu sisi, Anda memiliki masalah yang sedang dikerjakan semua orang. Topik hangat. Bidang yang sedang tren. Hal-hal yang didanai oleh komite hibah dan diperdebatkan dalam panel konferensi. Ini ramai. Hasilnya sudah diperebutkan sebelum Anda mulai.

Di sisi lain, Anda memiliki masalah yang disepakati semua orang penting tetapi saat ini tidak dapat diselesaikan. Perbatasan terlalu jauh. Alatnya tidak ada. Ini adalah kuburan tesis PhD yang ditinggalkan dan startup yang gagal.

Retakan adalah jalur sempit di antara:masalah penting yang hampirdapat diselesaikan. Belum. Tapi segera. Jalur teknologi sudah jelas, meskipun garis waktunya tidak.

Hassabis tidak memprediksi bahwa pelipatan protein akan dapat diselesaikan pada tahun 2016. Dia tidak bisa. Apa yang dia lakukan adalah mempertahankan peta masalah di retakan itu dan melacak mana yang mendekati dapat diselesaikan seiring dengan kemajuan kemampuan AI.

Ini membutuhkan jenis perhatian yang spesifik. Bukan fokus—sensitivitas. Anda belum bekerja pada masalah ini. Anda mengamatinya. Merasakan perubahan suhu di lingkungan teknologi yang mungkin mencairkan salah satunya.

Semakin Anda melacak celah, semakin baik intuisi Anda. Anda mulai membedakan antara pergeseran kemampuan yang nyata dan siklus hype. Anda belajar mencium ketika suatu bidang akan beralih dari "mustahil" ke "mahal" hingga "rutin."

Kebanyakan orang bahkan tidak tahu bahwa celah itu ada. Mereka entah mengejar yang sedang tren atau menghindari yang sulit. Hassabis membangun seluruh kariernya di ruang antara.

Node Akar, Bukan Daun

Ada filter kedua, dan di sinilah kebanyakan orang pintar gagal.

Hassabis tidak hanya menyelesaikan sembarang masalah di celah. Dia berburu node akar—masalah yang berada di dasar seluruh pohon aplikasi hilir.

Pikirkan masalah ilmiah sebagai pohon besar. Daunnya adalah pertanyaan yang terlihat dan langsung: Bagaimana kita memperbaiki obat spesifik ini? Bagaimana kita mengoptimalkan material tertentu ini? Ini penting, tetapi sempit. Menyelesaikan satu daun membantu satu cabang.

Akar berbeda. Mereka adalah masalah mendasar yang solusinya membuka seluruh hutan. Lipatan protein bukan hanya tentang protein. Ini tentang memahami mesin kehidupan itu sendiri. Selesaikan, dan Anda tidak hanya mendapatkan obat yang lebih baik—Anda mendapatkan cara baru untuk melakukan biologi.

Kebanyakan ilmuwan bekerja pada daun karena daun lebih aman. Jalannya lebih jelas. Publikasi datang lebih cepat. Hibah lebih mudah untuk dibenarkan. Node akar menakutkan karena sulit, dan karena kegagalan berarti bertahun-tahun kerja tanpa hasil.

Tapi inilah hal tentang node akar: mereka hanya dapat didekati dari celah. Pada saat node akar menjadi jelas dapat diselesaikan, semua orang sudah bekerja di atasnya. Keuntungannya datang dari melihatnya sebelum itu jelas—dari memiliki peta dan kepekaan untuk mengetahui kapan momen itu tiba.

Hassabis tidak memilih lipatan protein karena itu sedang tren. Dia memilihnya karena itu adalah node akar yang telah dia lacak selama dua puluh tahun, dan pada tahun 2016, celah akhirnya terbuka cukup lebar.

Strategi Bayesian

Di sinilah ia menjadi taktis.

Hassabis tidak merencanakan berdasarkan kalender. Ia merencanakan berdasarkan bukti. Setiap proyek—berhasil atau gagal—memperbarui modelnya tentang apa yang dapat dan tidak dapat dilakukan AI.

AlphaGo bukan hanya aksi publisitas atau tonggak penelitian. Itu adalah sebuah probe. Itu menguji apakah pembelajaran penguatan mendalam dapat menguasai masalah dengan kompleksitas yang luar biasa. Keberhasilan AlphaGo memberikan bukti bahwa AI telah melampaui ambang batas. Bukti itu memperbarui peta Hassabis. Itu memberitahunya: alat-alat sudah siap untuk pelipatan protein sekarang.

Ini adalah perencanaan Bayesian. Anda memegang hipotesis tentang kemampuan teknologi. Setiap proyek menghasilkan bukti yang mengonfirmasi atau menantang hipotesis tersebut. Hipotesis diperbarui. Peta menggambar ulang dirinya sendiri. Langkah berikutnya menjadi jelas hanya dalam retrospeksi.

Inilah mengapa Hassabis tidak meluncurkan proyek pelipatan protein pada tahun 2010 atau 2012. Buktinya belum ada. Alatnya belum siap. Memulai lebih awal tidak akan membuatnya lebih cepat—itu hanya akan membuatnya gagal.

Bandingkan ini dengan bagaimana sebagian besar organisasi merencanakan: "Tahun 1: membangun AI permainan. Tahun 3: mengalahkan juara dunia di Go. Tahun 6: menyelesaikan pelipatan protein." Ini adalah perencanaan kalender, dan itu sampah. Terobosan tidak datang sesuai jadwal. Mereka datang ketika kondisi mendasar membuatnya mungkin.

Perencanaan berdasarkan garis waktu adalah perencanaan untuk fantasi. Perencanaan berdasarkan kondisi pemicu adalah perencanaan untuk kenyataan.

Dua Cara Perencanaan Gagal

Saya telah menyaksikan pola ini menghancurkan karir dan perusahaan. Dua mode kegagalan, keduanya umum, keduanya fatal.

Mode Kegagalan 1: Mengejar Panas

Pada tahun 2016, setelah AlphaGo, saya melihat seorang profesor filsafat beralih ke AI. Membuat grup WeChat bernama "Grup Diskusi AI." Delapan puluh persen anggota tidak memiliki latar belakang AI. Saya diundang karena saya telah menulis prediksi yang populer (dan salah) tentang pertandingan Lee Sedol.

Profesor tersebut memberikan ceramah. Mengajukan permohonan untuk hibah. Menghabiskan dua tahun pada "AI dan filsafat." Tidak menghasilkan apa-apa. Ketika ChatGPT muncul pada tahun 2022, dia kembali ke topik yang sama. Masih tidak ada hasil.

Ini adalah mengejar panas. Anda melihat sesuatu yang sedang tren, Anda berlari ke arahnya. Tetapi pada saat Anda tiba, kerumunan sudah mengambilnya habis-habisan. Anda tidak datang lebih awal—Anda terlambat, dan Anda tidak siap.

Mode Kegagalan 2: Mengunci Garis Waktu

Kesalahan yang berlawanan adalah perencanaan jangka panjang yang kaku. Anda menetapkan tonggak: pengiriman Q1, tinjauan Q2, integrasi Q3. Ini berhasil untuk proyek rekayasa dengan parameter yang diketahui. Ini gagal secara katastropis untuk penelitian, inovasi, atau domain mana pun di mana jalannya kabur.

Mengapa? Karena terobosan nyata tidak menghormati bagan Gantt Anda. Jika Anda memaksa hasil untuk sesuai dengan garis waktu, Anda mendapatkan salah satu dari dua hal: "tonggak" yang dibuat-buat yang hanya kemasan, atau pekerjaan sepele yang sudah dapat diprediksi sejak hari pertama. Keduanya bukan terobosan. Keduanya tidak penting.

Hassabis menghindari kedua jebakan tersebut. Dia tidak mengejar panas—dia sudah diposisikan di tempat di mana panas akan berada, sebelum siapa pun merasakannya. Dan dia tidak mengunci garis waktu—dia mengunci kondisi pemicu. "Ketika kemampuan X ditunjukkan, maka proyek Y diluncurkan."

Langkah Dua Puluh Tahun

Mari kita bicarakan tentang garis waktu yang sebenarnya, karena di sinilah kebanyakan orang salah paham tentang Hassabis sepenuhnya.

1990-an: Sarjana di Cambridge. Belajar tentang pelipatan protein. Mengakui itu sebagai penting. Menyimpannya di peta mentalnya. Tidak melakukan apa-apa tentang itu.

2000-an: Membangun perusahaan AI game. Menjualnya. Mendapatkan PhD dalam ilmu saraf kognitif. Tidak jelas terkait dengan pelipatan protein. Tapi dia sedang membangun alat dan pemahaman.

2010: Mendirikan DeepMind. Fokus pada AI umum. Masih bukan pelipatan protein.

2016: AlphaGo mengalahkan Lee Sedol. Dalam penerbangan pulang, meluncurkan proyek pelipatan protein. Empat tahun kemudian, AlphaFold2. Empat tahun setelah itu, Hadiah Nobel.

Jarak antara menghadapi masalah dan menyelesaikannya adalah dua puluh lima tahun.Tapi pekerjaan aktif hanya empat. Dua puluh satu lainnya adalah persiapan, pemposisian, dan menunggu celah terbuka.

Inilah yang saya maksud dengan merencanakan tanpa kalender. Hassabis tidak menjadwalkan "menyelesaikan pelipatan protein" untuk 2020. Dia mempertahankan peta hidup, memperbaruinya terus-menerus dengan bukti dari setiap proyek, dan menarik pelatuk ketika kondisi sudah tepat.

Pertandingan Go bukanlah prasyarat untuk pelipatan protein dalam arti teknis. Anda tidak perlu menguasai permainan papan untuk melipat protein. Tapi pertandingan Go memberikan buktibahwa alat-alat sudah siap. Itu adalah kondisi pemicu, bukan batu loncatan.

Apa Artinya Ini untuk Anda

Anda mungkin tidak akan memenangkan Hadiah Nobel. Saya juga tidak. Tetapi kerangka kerja Hassabis berlaku untuk domain mana pun di mana garis waktu tidak pasti dan taruhannya tinggi.

Buat peta masalah. Bukan daftar tugas—sebuah peta. Apa masalah akar di bidang Anda? Mana yang berada di celah? Mana yang mendekati dapat diselesaikan? Lacak mereka. Perbarui mereka. Biarkan mereka terpendam selama bertahun-tahun jika perlu.

Rencanakan berdasarkan pemicu, bukan garis waktu. "Ketika kami mencapai metrik X, kami memperluas ke pasar Y." "Ketika teknologi ini menunjukkan kemampuan Z, kami meluncurkan produk ini." Bukan: "Kami meluncurkan di Q3."

Perbarui model Anda dengan setiap proyek.Kesuksesan mengajarkan Anda apa yang mungkin. Kegagalan mengajarkan Anda apa yang tidak. Keduanya adalah bukti. Keduanya memperbarui peta Anda.

Buru node akar.Masalah yang jelas ramai. Masalah mendasar adalah tempat leverage berada. Tapi Anda perlu peta dan kesabaran untuk menunggu celah terbuka.

Abaikan panasnya.Pada saat sesuatu menjadi tren, kesempatan sudah terhitung. Keunggulan Anda adalah melihatnya sebelum kerumunan, bukan berlari bersama kerumunan.

Gerakan Go

Ada momen di permainan kedua pertandingan Lee Sedol yang masih dibicarakan oleh pemain Go. Gerakan 37. Lee Sedol bangkit, pergi ke kamar mandi, berpikir selama lima belas menit. Itu adalah gerakan yang tidak akan dimainkan oleh manusia. Nilainya tidak terlihat pada saat itu—ia muncul dua puluh gerakan kemudian.

Pertemuan sarjana Hassabis dengan pelipatan protein adalah Gerakan 37-nya. Itu tampak tidak relevan dengan permainan yang sedang dia mainkan. Nilainya tidak akan terlihat selama dua puluh tahun.

Kebanyakan orang tidak dapat mempertahankan sebuah gerakan dalam pikiran mereka selama dua puluh menit, apalagi dua puluh tahun. Mereka membutuhkan umpan balik segera, kemajuan yang terlihat, validasi triwulanan. Tetapi masalah akar tidak menghargai pemikiran triwulanan. Mereka menghargai orang-orang yang bisa menunggu.

Pertanyaannya bukan apakah Anda memiliki IQ Hassabis. Anda mungkin tidak. Saya pasti tidak. Pertanyaannya adalah apakah Anda dapat membangun peta, mempertahankan sensitivitas, dan menunggu celah terbuka.

Itu adalah keterampilan. Itu bisa dipelajari. Itu bisa dipraktikkan. Dan di dunia yang terobsesi dengan hasil triwulanan dan topik yang sedang tren, itu adalah hal terdekat dengan keuntungan struktural yang akan Anda temukan.

Mercury Technology Solutions: Percepat Digitalitas.