Bagaimana jika model AI yang unggul dalam uji teoretis justru gagal membaca rambu 'berhenti' di perempatan Jakarta saat hujan lebat?
Apa yang Sebenarnya Diukur oleh Lingo-Judge?
Lingo-Judge bukan tes keselamatan berkendara, melainkan benchmark linguistik-multimodal yang menilai kemampuan model memahami instruksi kompleks dalam konteks visual — seperti mengidentifikasi objek, menafsirkan arah gerak, atau menjawab pertanyaan berbasis video singkat. Menurut TechInAsia, Nvidia mengklaim Alpamayo 2 Super mengungguli Qwen2.5-VL 72B, Gemini 2.5 Pro, dan GPT-4o dalam serangkaian uji ini. Namun, skor tinggi di Lingo-Judge tidak otomatis berarti sistem bisa membedakan antara bayangan pohon dan garis marka jalan di bawah sinar matahari terik di Surabaya.
Perbedaan mendasar terletak pada desain tujuan: GPT-4o dan Gemini adalah model umum (general-purpose), dirancang untuk beragam tugas — dari menulis esai hingga menerjemahkan bahasa daerah. Sementara Alpamayo 2 Super dibangun khusus untuk perception stack kendaraan otonom: input utamanya bukan teks, melainkan aliran data sensor waktu nyata — kamera stereo, LiDAR, radar, dan GPS presisi tinggi. Arsitekturnya dioptimalkan untuk inferensi cepat di bawah 100 milidetik, bukan untuk menjawab soal logika abstrak.
Baca juga: Neural Drive Potong Biaya Alat Komunikasi Bantu 90% Tanpa Operasi
Kenapa Benchmark Tidak Bisa Diganti dengan Uji Lapangan di Indonesia?
Di Jepang, sistem otonom diuji di jalan tol berkecepatan tinggi dengan marka sempurna dan cuaca terkendali. Di AS, regulasi NHTSA mensyaratkan laporan kecelakaan setiap 1.000 mil pengemudian tanpa pengemudi. Di Indonesia? Tidak ada kerangka uji formal untuk sistem AI behind-the-wheel. Tidak ada standar nasional tentang bagaimana menilai respons sistem saat mendeteksi becak yang tiba-tiba berbelok di tengah jalan raya Semarang, atau saat kamera terganggu debu jalanan di kawasan industri Cikarang.
TechInAsia mencatat bahwa peluncuran Alpamayo 2 Super dilakukan bersamaan dengan peningkatan kapasitas chip Drive Thor — platform komputasi baru Nvidia yang menjanjikan 2.000 TOPS (trillion operations per second). Tapi performa hardware itu hanya relevan jika perangkat lunaknya telah divalidasi dalam kondisi lokal: suhu 35°C, kelembaban 85%, gangguan sinyal GPS di area gedung tinggi, dan variasi warna seragam polisi yang berbeda antar-Polda. Belum satu pun vendor global — termasuk Nvidia ; yang mempublikasikan hasil uji lapangan di wilayah ASEAN selain Singapura.
Baca juga: Stripe Masuk Singapura: Apa Artinya untuk UMKM Indonesia?
Ini bukan soal ketidakmampuan teknis, melainkan prioritas pasar. Investasi pengembangan AI untuk mobil otonom masih terkonsentrasi di Tiongkok, Jerman, dan Amerika Serikat — tiga negara yang menyumbang lebih dari 78% total paten kendaraan otonom dunia menurut WIPO 2023. Indonesia belum masuk dalam daftar 20 besar. Artinya, Alpamayo 2 Super mungkin sangat andal di jalan raya Munich, tetapi belum tentu siap membaca isyarat tangan tukang ojek di Yogyakarta — sebuah kemampuan yang justru krusial bagi mobilitas urban di Tanah Air.
Yang lebih menarik adalah strategi Nvidia sendiri. Berbeda dengan pendekatan tertutup Tesla Autopilot, Alpamayo 2 Super dirilis sebagai model open-weight — artinya, produsen mobil dan startup dapat mengunduh, menyesuaikan, dan menguji ulang arsitektur dasarnya. Ini membuka ruang bagi tim lokal seperti DeepTech Mobility di Bandung atau AutoVision Labs di Jakarta untuk mengintegrasikan dataset jalan raya Indonesia: gambar rambu dalam bahasa Jawa, video kemacetan di Tol Jagorawi jam 17.00, atau rekaman suara peringatan bahasa Indonesia yang natural — bukan sintetis.
Kelemahan utama bukan pada model, melainkan pada ekosistem pendukung: kurangnya infrastruktur pelatihan AI berbasis data lokal, minimnya insentif regulasi untuk uji coba di jalan umum, dan keterbatasan akses ke komputasi edge yang murah namun andal. Padahal, menurut riset Kominfo 2024, 62% startup transportasi digital di Indonesia sudah mengembangkan prototipe sistem bantu berkendara — tapi 90% di antaranya masih mengandalkan model generik dari Hugging Face atau API cloud asing, bukan solusi yang dioptimalkan untuk kondisi jalan raya domestik.
Alpamayo 2 Super bukan sekadar pembaruan model — ia adalah cermin bagi ambisi teknologi kita: apakah kita akan terus menjadi konsumen akhir dari sistem yang dirancang untuk konteks asing, atau mulai membangun fondasi lokal yang bisa mengubah benchmark menjadi relevansi nyata di jalan raya?