The Brain, In Theory: Ketika Seorang Neurosaintis Menggugat Mitos 'Otak Adalah Komputer'

Buku baru Romain Brette baru terbit April 2026 dan langsung memantik perdebatan di kalangan neurosaintis. Klaimnya sederhana sekaligus mengganggu: metafora “otak adalah komputer” yang membentuk neurosains modern selama lebih dari setengah abad mungkin lebih banyak menyesatkan ketimbang menjelaskan — dan itu punya konsekuensi langsung bagi cara kita menilai kecerdasan buatan hari ini.

Poin-poin utama

• The Brain, In Theory (Princeton University Press, 7 April 2026) karya Romain Brette, neurosaintis di Institute of Intelligent Systems and Robotics, Paris, menggugat kebiasaan menjelaskan otak lewat bahasa rekayasa komputer: komputasi, kode, representasi.
• Argumen intinya bertumpu pada satu perbedaan asal-usul: komputer adalah hasil rekayasa dengan fungsi yang ditentukan sejak awal, sementara otak adalah hasil evolusi tanpa cetak biru maupun tujuan akhir.
• Ini bukan argumen baru bagi Brette. Ia sudah mengajukan kritik serupa soal neural coding dalam makalah akademik 2019 di jurnal Behavioral and Brain Sciences yang memicu belasan tanggapan sejawat — termasuk dari peneliti DeepMind yang mempersoalkan relevansinya bagi pengembangan AI.
• Bagi riset kecerdasan buatan, implikasinya jelas: kemampuan model bahasa besar meniru keluaran manusia tidak otomatis membuktikan mekanismenya sama dengan otak manusia.

Beberapa tahun terakhir, kecerdasan buatan berkembang jauh lebih cepat daripada yang dibayangkan banyak orang. Model bahasa besar (large language models/LLM) seperti ChatGPT, Claude, Gemini, dan DeepSeek kini menulis esai, menerjemahkan puluhan bahasa, menyusun kode program, sampai menjawab pertanyaan yang dulu hanya bisa diselesaikan manusia. Kemampuan ini memunculkan kekaguman sekaligus satu pertanyaan yang makin sering terdengar: apakah mesin mulai berpikir seperti manusia?

Di tengah antusiasme itu, beredar juga ungkapan-ungkapan yang terdengar meyakinkan. “Jaringan saraf tiruan meniru cara kerja otak.” “AI belajar seperti manusia belajar.” Tidak sedikit yang menyebut model AI modern sebagai “otak digital”. Semua pernyataan itu mudah dipahami karena menawarkan analogi sederhana. Tapi kesederhanaan analogi tidak selalu sejalan dengan ketepatan ilmiah.

Selama lebih dari setengah abad, neurosains banyak dipengaruhi oleh metafora bahwa otak adalah komputer biologis. Dalam kerangka ini, neuron dipandang sebagai komponen pemroses informasi, sinapsis sebagai jalur komunikasi data, memori sebagai media penyimpanan, dan pikiran sebagai hasil komputasi yang berlangsung di jaringan saraf. Cara pandang ini melahirkan banyak teori penting dalam neurosains, psikologi kognitif, sampai kecerdasan buatan — dan menjadi bahasa paling umum untuk menjelaskan cara kerja otak kepada mahasiswa maupun masyarakat luas.

Tapi bagaimana jika metafora yang selama ini kita pakai justru lebih membatasi daripada membantu? Bagaimana jika konsep seperti “pemrosesan informasi”, “komputasi”, atau “pengodean neural” sebenarnya lebih mencerminkan cara manusia membangun mesin, bukan cara alam membentuk organisme hidup?

Pertanyaan itulah titik berangkat The Brain, In Theory, buku yang ditulis Romain Brette, neurosaintis di Institute of Intelligent Systems and Robotics, Paris — sebelumnya berkarier di Institut de la Vision, Sorbonne Université, tempat sebagian besar argumen dalam buku ini pertama kali ia kembangkan. Alih-alih menawarkan temuan baru soal struktur otak atau fungsi neuron, Brette mengajukan kritik yang lebih mendasar: mungkin masalah terbesar neurosains bukan kurangnya data, melainkan kerangka berpikir yang dipakai untuk menafsirkan data itu.

Buku ini terbit 7 April 2026 lewat Princeton University Press dan langsung mendapat perhatian serius. Ulasan di jurnal Nature yang ditulis neurosaintis Àlex Gómez-Marín memuji buku ini karena berhasil menantang kerangka teoretis yang menurutnya sudah membeku dan menghambat kemajuan neurosains, sekaligus melawan pandangan bahwa teori cuma pelengkap eksperimen. György Buzsáki, penulis The Brain from Inside Out, malah menyejajarkan Brette dengan Wittgenstein di dunia neurosains masa kini.

Brette berpendapat banyak konsep yang kini dianggap fondasi neurosains sebenarnya berasal dari dunia rekayasa (engineering). Komputer dirancang manusia untuk menjalankan fungsi tertentu, sehingga wajar kalau kita bicara soal masukan (input), keluaran (output), penyimpanan data, atau algoritma. Tapi otak tidak pernah dirancang seorang insinyur. Ia hasil evolusi biologis yang berlangsung ratusan juta tahun lewat seleksi alam yang tidak punya cetak biru maupun tujuan akhir. Ini, menurut Brette, justru inti wawasan Darwin yang sering dilupakan orang: evolusi bukan rekayasa, dan tidak bekerja dengan rencana atau pengetahuan sebelumnya.

Perbedaan asal-usul ini bukan sekadar soal istilah. Ia menentukan bagaimana ilmuwan menyusun teori, merancang eksperimen, menafsirkan hasil penelitian, bahkan membangun sistem AI yang terinspirasi otak. Kalau metafora yang dipakai tidak sesuai dengan objek yang dipelajari, ilmu pengetahuan berisiko menghasilkan penjelasan yang tampak masuk akal tapi sebenarnya hanya menggambarkan cara kerja metaforanya sendiri.

Di saat dunia berlomba membangun AI yang makin canggih dan makin sering dibandingkan dengan kecerdasan manusia, buku ini jadi pengingat bahwa kemiripan perilaku tidak selalu berarti kemiripan mekanisme. Mesin bisa menghasilkan jawaban yang menyerupai manusia tanpa harus bekerja dengan prinsip yang sama seperti otak. Memahami perbedaan itu bukan cuma penting bagi neurosains, tapi juga bagi masa depan riset kecerdasan buatan.

Artikel ini mengulas gagasan utama Brette sekaligus menempatkannya dalam konteks perkembangan neurosains dan AI kontemporer, disusun dalam enam bagian ditambah satu bagian penilaian kritis di akhir. Bukan sekadar merangkum isi buku, tulisan ini mengajak kita meninjau ulang salah satu asumsi paling berpengaruh dalam sains modern: benarkah otak adalah komputer, atau selama ini kita cuma terlanjur nyaman memakai metafora yang keliru?

Bagian 1 — Dari Mana Ide “Otak Adalah Komputer” Berasal?

Bagi generasi yang tumbuh bersama komputer pribadi, internet, dan telepon pintar, membandingkan otak dengan komputer terasa alami. Kita bicara soal “memori”, “pemrosesan informasi”, “kapasitas penyimpanan”, bahkan “mengunduh pengetahuan” seolah-olah semua istilah itu memang berasal dari biologi. Padahal sebagian besar konsep itu lahir dari dunia teknik dan ilmu komputer, lalu dipinjam untuk menjelaskan cara kerja otak.

Dalam sejarah sains, ini bukan hal aneh. Ilmuwan sering memakai metafora untuk memahami fenomena kompleks. Pada abad ke-17, alam semesta dipandang seperti jam mekanik yang bekerja menurut hukum-hukum pasti. Ketika revolusi industri berkembang, tubuh manusia dianalogikan sebagai mesin uap — jantung sebagai pompa, pembuluh darah sebagai jaringan pipa. Memasuki abad ke-20, saat komputer elektronik mulai mengubah dunia, metafora dominan pun bergeser. Kini otaklah yang dipandang sebagai komputer paling canggih yang pernah ada.

Pergeseran ini tidak terjadi kebetulan. Ia hasil pertemuan berbagai disiplin ilmu yang berkembang hampir bersamaan setelah Perang Dunia II.

Ketika Revolusi Komputer Mengubah Cara Pandang tentang Pikiran

Tahun-tahun setelah Perang Dunia II jadi masa yang sangat menentukan bagi ilmu pengetahuan. Komputer elektronik pertama mulai dikembangkan untuk kebutuhan militer dan penelitian ilmiah. Di saat yang sama, matematikawan Inggris Alan Turing, lewat makalahnya “On Computable Numbers, with an Application to the Entscheidungsproblem” (1936), menunjukkan bahwa proses berpikir tertentu bisa direpresentasikan sebagai langkah-langkah komputasi yang sistematis. Gagasan ini membuka kemungkinan bahwa aktivitas intelektual bukan sesuatu yang sepenuhnya misterius, melainkan bisa dijelaskan lewat operasi simbol dan aturan logis.

Di sisi lain, John von Neumann merancang arsitektur komputer modern yang memisahkan unit pemrosesan, memori, dan mekanisme input-output — arsitektur yang sampai hari ini masih dipakai hampir semua komputer. Model ini kemudian jadi kerangka konseptual yang sangat berpengaruh, bukan cuma di ilmu komputer, tapi juga psikologi kognitif dan neurosains. Tanpa disadari, banyak ilmuwan mulai membayangkan otak sebagai sistem yang menerima masukan, mengolah informasi, menyimpan hasilnya, lalu menghasilkan keluaran berupa perilaku.

Pengaruh lain datang dari Claude Shannon lewat teori informasi dalam makalahnya “A Mathematical Theory of Communication” (1948). Shannon memperkenalkan cara matematis untuk mengukur informasi tanpa bergantung pada makna pesan — pendekatan yang revolusioner untuk komunikasi digital karena memungkinkan insinyur menghitung efisiensi transmisi data secara presisi.

Keberhasilan teori informasi lalu menginspirasi para ilmuwan saraf. Aktivitas neuron mulai dipandang sebagai sinyal yang membawa informasi. Muncul pertanyaan-pertanyaan baru: informasi apa yang dikodekan neuron? Bagaimana otak mengirim pesan? Bagaimana informasi disimpan dan diproses? Bahasa komunikasi digital perlahan jadi bahasa utama untuk memahami sistem saraf.

Lahirnya Revolusi Kognitif

Pada dekade 1950-an hingga 1960-an, psikologi mengalami perubahan besar yang dikenal sebagai Cognitive Revolution. Sebelumnya, aliran behaviorisme lebih banyak meneliti hubungan antara rangsangan (stimulus) dan respons tanpa mencoba menjelaskan apa yang terjadi di dalam pikiran.

Revolusi kognitif mengubah pendekatan itu. Para peneliti mulai menganggap proses mental bisa dipelajari secara ilmiah — dan untuk menjelaskannya, mereka meminjam metafora yang sedang paling sukses pada masanya: komputer.

Dalam paradigma baru ini, otak diposisikan sebagai perangkat keras (hardware), pikiran sebagai perangkat lunak (software). Persepsi jadi proses penerimaan data, memori jadi media penyimpanan informasi, perhatian jadi mekanisme seleksi data, dan penalaran dipahami sebagai komputasi atas simbol-simbol mental.

Model ini terbukti sangat produktif. Ia melahirkan berbagai teori baru, mempercepat perkembangan psikologi kognitif, linguistik, kecerdasan buatan, dan akhirnya ilmu saraf komputasional (computational neuroscience) — puncaknya lewat karya David Marr, Vision (1982), yang sampai sekarang masih jadi rujukan wajib di banyak kelas pengantar neurosains karena mudah dipahami dan menghasilkan prediksi yang bisa diuji lewat eksperimen.

Mengapa Metafora Ini Sangat Berhasil?

Metafora komputer akhirnya mendominasi neurosains bukan semata karena menarik secara intelektual. Ada alasan yang lebih praktis.

Pertama, metafora ini memberi bahasa seragam bagi ilmuwan dari berbagai bidang. Ahli komputer, matematikawan, psikolog, dan ahli saraf bisa berdiskusi memakai istilah yang sama — informasi, algoritma, representasi, komputasi.

Kedua, pendekatan komputasional menghasilkan model matematis yang bisa diuji. Aktivitas neuron bisa disimulasikan, perilaku bisa diprediksi, hipotesis bisa dibandingkan dengan hasil eksperimen. Dalam tradisi sains modern, kemampuan menghasilkan prediksi yang bisa diuji adalah salah satu ukuran keberhasilan sebuah teori.

Ketiga, paradigma ini terbukti sangat berguna bagi perkembangan teknologi. Dari jaringan saraf tiruan (artificial neural networks) sampai model bahasa besar yang kita pakai sekarang, banyak kemajuan AI berakar pada inspirasi dari cara ilmuwan memahami sistem saraf biologis.

Keberhasilan ini membuat paradigma komputasional memperoleh posisi yang hampir tidak tergoyahkan. Konsep seperti information processing, neural coding, representation, prediction, dan optimization lambat laun tidak lagi diperlakukan sebagai alat bantu berpikir, melainkan sebagai gambaran yang dianggap benar-benar menjelaskan cara kerja otak.

Ketika Metafora Berubah Jadi Asumsi

Di sinilah Brette mulai mengajukan keberatannya.

Menurut Brette, keberhasilan sebuah metafora tidak otomatis membuktikan bahwa metafora itu menggambarkan realitas biologis secara akurat. Analogi bisa sangat berguna untuk mengembangkan teori, tapi tetap punya batas. Masalah muncul ketika ilmuwan lupa bahwa mereka sedang memakai bahasa pinjaman.

Brette tidak menyangkal bahwa model komputasional sudah menghasilkan banyak kemajuan ilmiah. Ia juga tidak menolak penggunaan matematika, simulasi komputer, atau teori informasi dalam riset neurosains. Yang ia pertanyakan adalah kecenderungan menganggap konsep-konsep rekayasa itu sebagai sifat bawaan otak itu sendiri.

Dengan kata lain: apakah neuron benar-benar “mengodekan informasi”, atau kita cuma memilih menggambarkan aktivitas neuron memakai bahasa komunikasi digital? Apakah otak benar-benar “melakukan komputasi”, atau istilah itu sekadar metafora yang memudahkan kita menyusun model?

Beda antara dua pertanyaan ini tampak sederhana, tapi konsekuensinya besar. Kalau kita gagal membedakan model ilmiah dari kenyataan biologis, kita berisiko membangun teori yang makin canggih secara matematis tapi makin jauh dari hakikat sistem hidup yang sebenarnya. Kritik inilah fondasi seluruh argumen Brette dalam The Brain, In Theory — sekaligus titik awal untuk meninjau ulang salah satu paradigma paling berpengaruh dalam neurosains modern.

Bagian 2 — Ketika Metafora Disangka Kenyataan

Kalau ada satu gagasan yang jadi benang merah seluruh The Brain, In Theory, gagasan itu adalah ini: metafora ilmiah sangat berguna, tapi metafora bukan kenyataan.

Sekilas, pernyataan itu terdengar sederhana. Tapi menurut Brette, di sinilah letak salah satu persoalan terbesar neurosains modern. Selama beberapa dekade, banyak istilah yang awalnya cuma dimaksudkan sebagai alat bantu berpikir perlahan berubah status jadi asumsi yang diterima nyaris tanpa dipertanyakan. Kata-kata seperti informasi, komputasi, representasi, pengodean (coding), atau pemrosesan sinyal kini begitu melekat dalam bahasa neurosains sehingga sering dianggap menggambarkan sifat alami otak, bukan sekadar cara manusia menjelaskannya.

Brette mengajak pembaca mengambil satu langkah mundur. Sebelum bertanya bagaimana otak memproses informasi, ia mengajukan pertanyaan yang lebih mendasar: apa sebenarnya yang dimaksud dengan “informasi” dalam konteks otak? Sebelum bicara soal komputasi neural, ia bertanya: siapa yang menentukan bahwa neuron sedang melakukan komputasi, dan menurut definisi yang mana?

Pertanyaan-pertanyaan ini tampak filosofis, tapi justru jadi dasar bagi cara ilmu pengetahuan menyusun penjelasan.

Peta Bukanlah Wilayah

Untuk menjelaskan posisinya, Brette pada dasarnya mengingatkan pada prinsip lama dalam filsafat ilmu yang paling terkenal lewat ungkapan Alfred Korzybski, “peta bukanlah wilayah”: model bukanlah realitas.

Bayangkan seseorang menunjukkan peta Pulau Bali. Peta itu sangat berguna — kita bisa melihat letak kota, jalan raya, gunung, dan pantai. Tapi tidak seorang pun akan mengira peta itu adalah Pulau Bali itu sendiri. Peta adalah representasi yang disederhanakan supaya manusia lebih mudah memahami kenyataan yang jauh lebih kompleks.

Menurut Brette, teori ilmiah seharusnya diperlakukan dengan cara yang sama. Model komputasional bisa membantu menjelaskan perilaku neuron, tapi keberhasilan model tidak otomatis berarti otak benar-benar bekerja seperti komputer.

Beda ini tampak sepele, tapi konsekuensinya besar. Dalam praktik ilmiah, sebuah model yang sangat berhasil kerap perlahan berubah jadi satu-satunya lensa untuk melihat dunia. Ketika itu terjadi, ilmuwan mulai tanpa sadar menyamakan keberhasilan model dengan kebenaran ontologis — keyakinan bahwa dunia memang tersusun sebagaimana model itu menggambarkannya.

Mengapa Komputer dan Otak Berbeda Sejak Awal?

Salah satu argumen terkuat Brette adalah bahwa komputer dan otak punya asal-usul yang sepenuhnya berbeda.

Komputer adalah artefak hasil rekayasa manusia. Setiap komponennya dirancang untuk menjalankan fungsi tertentu. Prosesornya dibuat untuk melakukan operasi logika, memori dirancang menyimpan data, sistem operasi mengatur interaksi antarbagian. Tidak ada bagian yang muncul kebetulan; semuanya hasil keputusan seorang perancang.

Sebaliknya, otak adalah produk evolusi biologis. Tidak ada insinyur yang duduk di meja gambar lalu memutuskan berapa jumlah neuron, bagaimana bentuk sinapsis, atau algoritma apa yang harus dipakai. Struktur otak adalah hasil perubahan bertahap selama jutaan tahun, dipengaruhi mutasi genetik, seleksi alam, perkembangan embrio, interaksi dengan tubuh, dan lingkungan tempat organisme hidup.

Perbedaan ini penting karena dalam sistem hasil rekayasa, fungsi biasanya ditentukan sebelum sistem dibangun. Dalam sistem biologis, fungsi lebih sering muncul sebagai konsekuensi sejarah evolusi dan interaksi dengan lingkungan. Dengan kata lain, fungsi pada organisme lebih sering ditemukan daripada ditentukan.

Di sinilah Brette mulai mempertanyakan penggunaan bahasa rekayasa untuk menjelaskan kehidupan. Ketika kita bilang otak “dirancang untuk memproses informasi”, tanpa sadar kita memakai cara berpikir yang berasal dari dunia teknik, bukan dari biologi evolusioner.

Bahasa Teknik Membawa Cara Berpikir Teknik

Menurut Brette, setiap istilah ilmiah membawa asumsi tertentu.

Istilah input dan output, misalnya, mengandaikan ada batas sistem yang jelas. Istilah komputasi mengandaikan ada aturan transformasi yang sudah ditentukan. Istilah kode mengandaikan ada hubungan sistematis antara simbol dan makna. Istilah representasi mengandaikan ada sesuatu di dalam otak yang “mewakili” dunia luar.

Dalam komputer, semua asumsi itu masuk akal karena sistemnya memang dibangun seperti itu. Tapi pada organisme hidup, situasinya jauh lebih rumit. Neuron tidak bekerja terpisah dari tubuh. Aktivitas listriknya dipengaruhi metabolisme, hormon, perkembangan jaringan, pengalaman hidup, bahkan kondisi fisiologis yang terus berubah. Sulit menentukan secara tegas di mana “input” berakhir dan “pemrosesan” mulai, karena keduanya saling memengaruhi terus-menerus.

Brette tidak bilang istilah-istilah itu harus ditinggalkan. Ia mengingatkan bahwa setiap istilah punya ruang lingkup. Sebuah konsep bisa sangat berguna untuk menjelaskan satu fenomena, tapi jadi menyesatkan kalau diperlakukan sebagai penjelasan universal.

Ketika Metafora Menentukan Pertanyaan Penelitian

Salah satu kritik paling menarik dalam buku ini: metafora tidak cuma memengaruhi jawaban ilmiah, tapi juga menentukan pertanyaan apa yang dianggap layak diajukan.

Kalau ilmuwan menganggap otak sebagai komputer, pertanyaan yang muncul biasanya: informasi apa yang diproses? Di mana informasi disimpan? Bagaimana neuron mengodekan dunia luar? Bagaimana algoritma otak bekerja?

Pertanyaan-pertanyaan itu sudah menghasilkan banyak penemuan penting. Tapi Brette mengingatkan mungkin masih ada pertanyaan lain yang tidak pernah diajukan karena seluruh komunitas ilmiah sudah terlalu lama memakai lensa yang sama.

Misalnya, alih-alih bertanya “bagaimana otak merepresentasikan dunia?”, kita bisa bertanya “bagaimana organisme membangun hubungan dinamis dengan lingkungannya?” Alih-alih mencari “kode neural”, kita bisa menyelidiki bagaimana aktivitas saraf jadi bagian dari sistem biologis yang terus berubah.

Perubahan sudut pandang semacam ini mungkin terdengar kecil, tapi dalam sejarah sains, perubahan pertanyaan sering kali lebih revolusioner daripada perubahan jawaban.

Kritik, Bukan Penolakan

Penting dipahami: Brette tidak sedang bilang seluruh neurosains modern salah. Ia juga tidak menyerukan agar semua model komputasional dibuang. Sikap seperti itu justru bertentangan dengan semangat ilmiah yang ingin ia pertahankan.

Yang ia kritik adalah kecenderungan menjadikan satu metafora sebagai dasar tunggal untuk memahami otak. Model komputasional tetap punya nilai besar karena mampu menghasilkan prediksi, simulasi, dan eksperimen yang bermanfaat. Tapi menurut Brette, keberhasilan metodologis tidak boleh diartikan sebagai bukti bahwa otak secara hakiki adalah komputer.

Perbedaan ini penting. Teleskop membantu astronom mengamati galaksi, tapi tidak seorang pun menyimpulkan alam semesta bekerja seperti teleskop. Begitu pula, model komputasional bisa membantu ilmuwan memahami aktivitas neuron tanpa harus menganggap neuron benar-benar menjalankan komputasi dalam pengertian yang sama seperti prosesor digital.

Di sinilah letak kekuatan utama The Brain, In Theory. Brette mengingatkan bahwa ilmu pengetahuan berkembang bukan cuma dengan mengumpulkan lebih banyak data, tapi juga dengan terus menguji bahasa, asumsi, dan metafora yang dipakai untuk menafsirkan data itu. Ketika sebuah metafora jadi begitu dominan sampai tidak lagi terasa sebagai metafora, di situlah ilmu pengetahuan perlu berhenti sejenak dan bertanya: apakah kita sedang memahami alam, atau cuma makin mahir menggambarkan dunia lewat bahasa yang kita ciptakan sendiri?

Bagian 3 — Benarkah Neuron “Mengodekan” Informasi? Kritik Brette terhadap Neural Coding

Di antara semua konsep yang dikritik Brette, mungkin tidak ada yang lebih sentral daripada gagasan tentang neural coding. Istilah ini begitu umum dipakai dalam neurosains sehingga hampir setiap mahasiswa yang belajar ilmu saraf akan menemukannya sejak awal perkuliahan. Banyak penelitian bertujuan mencari tahu “apa yang dikodekan neuron”, seolah-olah aktivitas listrik di dalam otak memang sebuah bahasa yang menunggu diterjemahkan.

Bagian buku ini sebenarnya melanjutkan argumen yang sudah lama dibangun Brette. Tujuh tahun sebelum The Brain, In Theory terbit, ia menulis makalah “Is coding a relevant metaphor for the brain?” di jurnal Behavioral and Brain Sciences (2019) — format jurnal yang memang dirancang untuk memicu perdebatan terbuka, karena setiap makalah utama otomatis diikuti belasan tanggapan tertulis dari sesama ilmuwan. Makalah itu memicu tanggapan dari berbagai penjuru, termasuk dari enam peneliti DeepMind yang mempersoalkan apakah argumen Brette juga berlaku untuk membangun AI, bukan cuma untuk memahami otak. Buku barunya bisa dibaca sebagai versi yang lebih luas dan matang dari perdebatan yang sudah berjalan hampir satu dekade itu.

Brette mengajukan pertanyaan yang sederhana sekaligus mengganggu: apakah neuron benar-benar sedang mengirim kode, atau kitalah yang memilih menggambarkannya sebagai kode?

Beda ini tampak kecil, tapi menyentuh inti cara ilmuwan memahami hubungan antara otak dan dunia.

Dari Morse hingga Otak

Untuk memahami kritik Brette, pertama-tama kita perlu memahami apa yang dimaksud dengan sebuah kode.

Dalam kehidupan sehari-hari, kode adalah sistem yang menghubungkan satu simbol dengan makna tertentu. Kode Morse mengubah huruf jadi kombinasi titik dan garis. Kode biner mengubah angka dan huruf jadi deretan nol dan satu. Kode QR mengubah informasi jadi pola visual yang bisa dibaca mesin.

Semua sistem itu punya satu kesamaan: hubungan antara simbol dan makna ditentukan oleh aturan yang sudah disepakati sebelumnya. Tanpa aturan itu, titik dan garis hanyalah titik dan garis. Nol dan satu hanyalah angka.

Karena itu, sebuah kode selalu melibatkan tiga unsur: ada pengirim, ada penerima yang memahami aturan yang sama, dan ada sistem penerjemahan yang menghubungkan simbol dengan makna. Dalam komunikasi digital, ketiga unsur itu dirancang secara sengaja oleh manusia.

Pertanyaannya, apakah sistem saraf biologis juga bekerja seperti itu?

Mengapa Neuron Disebut “Mengodekan”?

Konsep neural coding lahir dari pengamatan eksperimental yang sangat masuk akal. Ketika seekor monyet melihat garis vertikal, beberapa neuron di korteks visualnya menembakkan impuls listrik lebih sering dibandingkan saat melihat garis horizontal — temuan klasik yang pertama kali didokumentasikan lewat kerja Hubel dan Wiesel pada pertengahan abad ke-20. Dari pengamatan seperti ini, para peneliti menyimpulkan neuron tersebut “mengodekan orientasi garis”.

Contoh lain datang dari penelitian sistem pendengaran. Frekuensi bunyi tertentu menghasilkan pola aktivitas neuron yang berbeda dibanding frekuensi lainnya. Dalam sistem penciuman, bau yang berbeda memicu kombinasi neuron yang berbeda pula.

Temuan-temuan ini sangat konsisten dan bisa diulang. Tidak mengherankan kalau para ilmuwan lalu mulai bicara soal “kode visual”, “kode suara”, atau “kode penciuman”.

Pendekatan ini menghasilkan banyak keberhasilan. Peneliti bisa memetakan fungsi berbagai wilayah otak, memahami gangguan neurologis, bahkan mengembangkan brain-computer interface yang memungkinkan seseorang mengendalikan lengan robot lewat aktivitas saraf saja. Tapi menurut Brette, keberhasilan praktis ini tidak otomatis membuktikan neuron memang sedang “mengirim pesan” dalam arti yang sama seperti komputer.

Masalahnya Bukan Data, Melainkan Penafsiran

Brette tidak membantah bahwa aktivitas neuron berkorelasi dengan rangsangan tertentu, atau bahwa hubungan itu bisa diukur secara statistik. Yang ia pertanyakan adalah lompatan logika dari korelasi menuju makna.

Bayangkan seorang ilmuwan mengamati bahwa setiap kali matahari terbit, ayam jantan berkokok. Korelasi itu nyata. Tapi apakah itu berarti ayam sedang “mengodekan matahari terbit”? Tentu tidak — kita cuma tahu kedua peristiwa itu sering terjadi bersamaan.

Menurut Brette, banyak penelitian neural coding melakukan langkah yang serupa. Ketika aktivitas neuron berubah seiring perubahan rangsangan, ilmuwan mengatakan neuron itu “mewakili”, “mengirim”, atau “mengodekan” informasi tentang rangsangan tersebut. Padahal yang benar-benar diamati hanyalah hubungan statistik antara dua variabel. Makna “kode” muncul karena peneliti memilih memakai bahasa komunikasi.

Siapa yang Membaca Kode Itu?

Di sinilah kritik Brette jadi lebih tajam.

Dalam sistem komunikasi digital, selalu ada penerima yang tahu cara membaca kode. Tapi dalam otak, siapa sebenarnya penerimanya? Kalau satu neuron mengirim “kode”, neuron berikutnya juga cuma sel biologis yang merespons perubahan kimia dan listrik. Tidak ada “kamus” yang tersimpan di suatu tempat dalam otak untuk menerjemahkan sinyal jadi makna, seperti komputer menerjemahkan kode ASCII jadi huruf.

Masalah ini sering disebut persoalan homunculus — penjelasan yang diam-diam mengandaikan ada “pembaca” kecil di dalam otak yang memahami seluruh sinyal itu. Padahal tentu saja tidak ada manusia mini yang duduk di kepala kita membaca aktivitas neuron satu per satu.

Menurut Brette, kalau setiap tahap pemrosesan masih butuh “penerjemah”, penjelasan ilmiah cuma memindahkan masalah ke tingkat berikutnya tanpa benar-benar menyelesaikannya.

Organisme Tidak Pernah Terpisah dari Lingkungannya

Kritik Brette juga berkaitan dengan cara eksperimen neurosains dilakukan. Dalam banyak penelitian laboratorium, seekor hewan diperlihatkan gambar, suara, atau cahaya yang sudah dikontrol ketat, lalu peneliti menghubungkan perubahan aktivitas neuron dengan stimulus itu. Pendekatan ini sangat berguna untuk menghasilkan data yang bersih.

Tapi kehidupan nyata jauh lebih kompleks. Di alam, organisme tidak pernah menerima satu stimulus yang berdiri sendiri. Seekor burung yang sedang terbang tidak cuma melihat cahaya — ia juga merasakan arah angin, posisi tubuhnya, suara kawanan, ancaman predator, serta kebutuhan mencari makanan, semua berlangsung bersamaan dalam interaksi yang terus berubah.

Karena itu, Brette berpendapat aktivitas neuron tidak bisa dipahami cuma sebagai respons terhadap rangsangan yang diisolasi. Aktivitas itu bagian dari sistem biologis yang aktif berinteraksi dengan lingkungannya, bukan sekadar saluran komunikasi yang menunggu pesan masuk.

Dari “Representasi” Menuju Relasi

Salah satu usulan implisit Brette adalah menggeser fokus penelitian. Alih-alih bertanya “apa yang direpresentasikan neuron?”, mungkin lebih produktif bertanya “bagaimana aktivitas neuron memungkinkan organisme bertindak secara efektif di dalam lingkungannya?”

Perubahan ini tampak sederhana, tapi sebenarnya menggeser perhatian dari simbol menuju hubungan (relations), dari representasi menuju interaksi, dan dari pemrosesan informasi menuju dinamika sistem hidup.

Pandangan ini dekat dengan pendekatan embodied cognition dan enactive cognition, yang menekankan bahwa kecerdasan tidak cuma lahir dari aktivitas otak, tapi juga dari hubungan terus-menerus antara tubuh, lingkungan, dan tindakan. Dalam perspektif ini, makna tidak pertama-tama “tersimpan” di dalam neuron; makna muncul lewat interaksi organisme dengan dunia yang dihadapinya.

Apa Pelajaran bagi Pembaca?

Bagi pembaca awam, kritik Brette mungkin terdengar seperti perdebatan istilah. Tapi bagi ilmuwan, bedanya sangat mendasar.

Kalau neuron benar-benar dipandang sebagai pengirim kode, tujuan penelitian adalah menemukan kamus biologis yang menerjemahkan setiap pola aktivitas jadi makna tertentu. Sebaliknya, kalau aktivitas neuron dipahami sebagai bagian dari dinamika organisme hidup, fokus penelitian bergeser. Yang ingin dipahami bukan lagi “isi pesan” yang dikirim neuron, melainkan bagaimana seluruh sistem saraf, tubuh, dan lingkungan bekerja bersama menghasilkan perilaku yang adaptif.

Perubahan sudut pandang seperti inilah yang membuat The Brain, In Theory jadi buku yang memancing perdebatan. Brette tidak sekadar mengkritik istilah neural coding; ia mempertanyakan cara berpikir yang sudah lama membentuk arah penelitian neurosains modern. Terlepas dari apakah pembaca menerima seluruh argumennya, buku ini mengingatkan bahwa dalam ilmu pengetahuan, memilih metafora bukan perkara bahasa semata. Pilihan metafora bisa menentukan jenis eksperimen yang dilakukan, pertanyaan yang diajukan, bahkan jawaban yang akhirnya dianggap benar.

Bagian 4 — Apakah Otak Benar-Benar Melakukan Komputasi?

Kalau neural coding adalah salah satu pilar utama neurosains modern, gagasan bahwa otak melakukan komputasi adalah fondasi yang menopang hampir seluruh bangunan itu.

Istilah ini terdengar begitu akrab sehingga jarang dipertanyakan. Buku teks, artikel ilmiah, sampai berita populer sering menyebut otak sebagai “komputer biologis”. Bahkan ketika ilmuwan tidak memakai istilah itu secara langsung, mereka tetap bicara soal “algoritma otak”, “komputasi neural”, atau “pemrosesan informasi”, seolah-olah semuanya fakta yang sudah selesai diperdebatkan.

Brette meminta kita berhenti sejenak dan mengajukan pertanyaan yang tampaknya sederhana: apa sebenarnya yang dimaksud dengan komputasi? Jawabannya ternyata jauh lebih rumit daripada yang dibayangkan.

Apa Itu Komputasi?

Dalam ilmu komputer, komputasi biasanya dipahami sebagai proses menjalankan aturan formal untuk mengubah masukan (input) jadi keluaran (output). Kalkulator menghitung hasil penjumlahan berdasarkan aturan aritmetika. Program menerjemahkan kode sumber jadi instruksi yang bisa dijalankan prosesor. Model bahasa besar seperti ChatGPT menghasilkan kalimat lewat miliaran operasi matematika pada parameter yang sudah dipelajari sebelumnya.

Dalam semua contoh itu, ada tiga unsur yang jelas: aturan yang sudah ditentukan, representasi simbol atau data, dan mekanisme yang menjalankan aturan tersebut.

Definisi ini bekerja sangat baik untuk mesin yang memang dirancang melakukan komputasi. Karena itu, muncul godaan untuk memakai kerangka yang sama saat mempelajari otak. Kalau neuron menerima sinyal, mengolahnya, lalu menghasilkan sinyal baru, bukankah itu juga komputasi? Sekilas, analogi ini tampak masuk akal. Tapi menurut Brette, di sinilah kita harus hati-hati.

Kapan Sebuah Sistem Disebut Melakukan Komputasi?

Bayangkan bunga matahari yang setiap hari mengikuti arah datangnya cahaya. Kita bisa membuat model matematika yang sangat akurat untuk menggambarkan gerak itu, bahkan mensimulasikannya di komputer dengan presisi tinggi.

Tapi apakah itu berarti bunga matahari sedang “menghitung” posisi matahari? Sebagian besar orang akan menjawab tidak. Bunga itu tidak menjalankan algoritma sebagaimana komputer menjalankan program. Ia bergerak karena proses biologis, kimia, dan fisiologi yang merupakan hasil evolusi.

Contoh ini menunjukkan beda penting antara sistem yang bisa dimodelkan secara komputasional dan sistem yang benar-benar melakukan komputasi. Menurut Brette, kedua hal ini sering dicampuradukkan. Fakta bahwa perilaku otak bisa disimulasikan memakai komputer tidak otomatis berarti otak bekerja sebagai komputer — sama seperti model cuaca tidak berarti atmosfer adalah komputer.

Simulasi Bukan Bukti Ontologis

Di sinilah Brette membawa pembaca memasuki wilayah filsafat ilmu.

Dalam sains, model dipakai karena mampu menyederhanakan kenyataan supaya lebih mudah dipahami. Model matematika memungkinkan ilmuwan membuat prediksi, menguji hipotesis, dan membandingkan hasil eksperimen. Tanpa model, sains modern nyaris mustahil berkembang. Tapi keberhasilan sebuah model tidak serta-merta menentukan hakikat objek yang dimodelkan.

Seorang insinyur bisa mensimulasikan aliran sungai memakai persamaan diferensial. Seorang ekonom bisa mensimulasikan pasar memakai model statistik. Seorang ahli iklim bisa mensimulasikan pembentukan badai memakai superkomputer. Tidak seorang pun lalu menyimpulkan bahwa sungai, pasar, atau badai “sedang melakukan komputasi” cuma karena perilakunya bisa direpresentasikan dalam model matematika.

Menurut Brette, argumen yang sama seharusnya juga berlaku untuk otak. Kemampuan ilmuwan membuat simulasi jaringan saraf bukan bukti bahwa neuron menjalankan algoritma dalam pengertian yang sama seperti prosesor digital.

Risiko Definisi yang Terlalu Luas

Sebagian ilmuwan mencoba mengatasi persoalan ini dengan memperluas definisi komputasi — setiap sistem fisik yang mengubah keadaan awal jadi keadaan akhir dianggap melakukan komputasi. Sekilas definisi ini tampak inklusif. Tapi Brette melihat ada konsekuensi serius.

Kalau semua perubahan fisik disebut komputasi, hampir segala sesuatu di alam semesta bisa dianggap komputer: api yang membakar kayu, air yang mengalir menuruni gunung, planet yang mengorbit matahari, kristal yang tumbuh, bahkan batu yang memanas di bawah sinar matahari. Semuanya mengalami perubahan keadaan. Apakah semuanya juga sedang melakukan komputasi?

Kalau jawabannya ya, istilah komputasi kehilangan daya jelasnya. Sebuah konsep ilmiah seharusnya membantu membedakan fenomena, bukan jadi label yang bisa ditempelkan pada apa saja. Menurut Brette, ketika definisi jadi terlalu luas, istilah itu tidak lagi memberi penjelasan yang bermakna.

Komputasi Sebagai Bahasa, Bukan Hakikat

Brette tidak menyatakan kata komputasi harus dihapus dari neurosains. Ia mengakui pendekatan komputasional sudah menghasilkan kemajuan besar, dari pemodelan jaringan saraf sampai pengembangan antarmuka otak-komputer. Dalam banyak konteks penelitian, bahasa komputasi tetap alat yang sangat berguna.

Tapi ia mengingatkan bahwa alat bukan kenyataan. Mengatakan model komputasional berguna berbeda dengan mengatakan otak pada hakikatnya adalah komputer biologis. Perbedaan ini memengaruhi arah penelitian: kalau sejak awal kita menganggap otak sebagai komputer, kita cenderung mencari algoritma yang tersembunyi di balik setiap perilaku. Tapi kalau kita melihat otak sebagai bagian dari organisme hidup yang terus berkembang dan berinteraksi dengan lingkungannya, fokus penelitian bisa bergeser menuju dinamika biologis, perkembangan, adaptasi, dan hubungan antara tubuh dengan dunia.

Dengan kata lain, Brette tidak mengajak kita meninggalkan matematika atau simulasi. Ia mengajak kita bersikap lebih rendah hati terhadap batas-batas model yang kita bangun.

Perdebatan yang Masih Terbuka

Perlu ditekankan, posisi Brette bukan konsensus dalam neurosains. Banyak peneliti berpendapat kerangka komputasional tetap cara paling produktif untuk memahami fungsi otak. Pendekatan seperti Bayesian brain hypothesis, predictive processing, maupun free energy principle — kerangka yang dikembangkan Karl Friston lewat makalahnya “The free-energy principle: a unified brain theory?” di Nature Reviews Neuroscience (2010) — sudah menghasilkan model yang mampu menjelaskan berbagai fenomena persepsi, pembelajaran, dan pengambilan keputusan.

Di sisi lain, kritik Brette mengingatkan bahwa keberhasilan prediksi belum tentu menyelesaikan pertanyaan tentang hakikat biologis otak. Sebuah model bisa sangat akurat tanpa harus jadi gambaran lengkap tentang mekanisme yang sebenarnya terjadi.

Perdebatan ini menunjukkan neurosains masih bidang yang hidup dan terus berkembang. Tidak ada satu teori yang sudah menjawab seluruh pertanyaan soal bagaimana otak bekerja. Justru lewat perdebatan semacam inilah ilmu pengetahuan bergerak maju — dengan terus menguji bukan cuma data yang dikumpulkan, tapi juga bahasa, asumsi, dan kerangka konseptual yang dipakai untuk memahaminya.

Dalam konteks itulah The Brain, In Theory jadi penting. Buku ini tidak menawarkan teori pengganti yang siap menggantikan paradigma lama. Sebaliknya, ia mengingatkan bahwa sebelum membangun teori baru, ilmuwan perlu memastikan pertanyaan yang diajukan benar-benar berasal dari sifat organisme yang dipelajari, bukan semata-mata dari metafora teknologi yang sedang populer pada zamannya.

Bagian 5 — Apa Arti Semua Ini bagi AI? Ketika Mesin Tampak Cerdas, Apakah Ia Berpikir Seperti Kita?

Sulit membaca The Brain, In Theory tanpa memikirkan perkembangan kecerdasan buatan beberapa tahun terakhir. Buku ini terbit di tengah kemajuan pesat AI generatif. Model bahasa besar mampu menulis artikel, menerjemahkan bahasa, menyusun program komputer, bahkan lulus berbagai ujian profesional. Kemampuan ini membuat banyak orang bertanya: kalau mesin bisa melakukan begitu banyak hal yang dulu dianggap ciri khas kecerdasan manusia, apakah kita akhirnya berhasil menciptakan “otak digital”?

Pertanyaan itu terdengar wajar. Selama puluhan tahun, riset AI dan neurosains memang saling memengaruhi. Istilah seperti artificial neural network (jaringan saraf tiruan) menunjukkan bahwa perintis AI mengambil inspirasi dari struktur dasar sistem saraf biologis. Gagasan tentang neuron buatan, pembelajaran lewat penyesuaian bobot (weights), sampai kemampuan mengenali pola lahir dari upaya memahami cara kerja jaringan neuron.

Tapi seiring berkembangnya AI modern, hubungan antara keduanya jadi jauh lebih kompleks daripada sekadar “mesin meniru otak”.

Mengapa LLM Tidak Bekerja Seperti Otak?

Model bahasa besar seperti ChatGPT dibangun lewat proses pelatihan terhadap data dalam jumlah sangat besar. Selama pelatihan, model mempelajari pola statistik hubungan antar-kata, antar-kalimat, dan antar-konsep. Ketika pengguna mengajukan pertanyaan, model memperkirakan token berikutnya yang paling mungkin muncul berdasarkan pola yang sudah dipelajarinya.

Proses ini sangat mengesankan, tapi mekanismenya berbeda mendasar dari cara organisme hidup berkembang. Otak manusia tidak pernah “dilatih” dengan membaca hampir seluruh isi internet. Seorang anak belajar lewat pengalaman yang melibatkan tubuhnya — menyentuh benda, merasakan gravitasi, mendengar suara, melihat ekspresi wajah, gagal, mencoba lagi, lalu membangun pemahaman secara bertahap dalam interaksi dengan dunia. Dengan kata lain, manusia tidak cuma belajar dari data. Manusia belajar dari kehidupan.

Perbedaan ini sejalan dengan kritik Brette. Kalau otak dipahami sebagai bagian dari organisme hidup yang terus berinteraksi dengan lingkungannya, kecerdasan tidak bisa direduksi jadi proses pemrosesan simbol semata. Tubuh, lingkungan, emosi, tujuan biologis, dan sejarah perkembangan individu semuanya ikut membentuk cara manusia memahami dunia.

Kesamaan Perilaku Tidak Berarti Kesamaan Mekanisme

Salah satu pelajaran penting dalam ilmu pengetahuan: dua sistem bisa menghasilkan perilaku yang tampak serupa lewat mekanisme yang sama sekali berbeda.

Seekor burung dan sebuah pesawat sama-sama bisa terbang, tapi keduanya tidak terbang karena alasan yang sama. Burung mengepakkan sayap sebagai bagian dari sistem biologis yang terus menyesuaikan diri terhadap angin, keseimbangan tubuh, dan kebutuhan bertahan hidup. Pesawat terbang karena hukum aerodinamika dimanfaatkan lewat rancangan teknik yang presisi.

Begitu pula dengan AI. Model bahasa besar bisa menghasilkan tulisan yang tampak seperti karya manusia — bahkan dalam banyak tugas tertentu, hasilnya mungkin lebih cepat atau lebih konsisten. Tapi kemiripan keluaran (output) tidak otomatis berarti kesamaan proses internal.

Di sinilah Brette mengingatkan agar kita tidak terjebak pada apa yang oleh para filsuf disebut fallacy of functional equivalence — menganggap dua sistem yang menunjukkan fungsi serupa pasti punya mekanisme yang sama. Dalam sejarah biologi, asumsi semacam itu sering terbukti keliru.

AI Tidak Punya Sejarah Evolusi Biologis

Beda lain yang sering luput dari perhatian adalah asal-usul kedua sistem itu.

AI adalah hasil rekayasa. Arsitekturnya dipilih peneliti, fungsi kerugiannya (loss function) dirancang secara eksplisit, parameter pelatihannya ditentukan lewat eksperimen, dan keberhasilannya diukur memakai metrik yang sudah ditetapkan.

Sebaliknya, otak manusia tidak punya “perancang”. Ia hasil evolusi selama ratusan juta tahun. Tidak ada satu tujuan tunggal yang dikejar evolusi selain mempertahankan keberlangsungan hidup dan reproduksi organisme dalam lingkungan yang terus berubah.

Akibatnya, banyak kemampuan manusia lahir sebagai konsekuensi dari sejarah biologis yang panjang. Persepsi, emosi, rasa sakit, rasa lapar, kemampuan bergerak, bahkan kecenderungan bekerja sama dengan sesama tidak berkembang terpisah — semuanya saling terkait dalam tubuh yang hidup.

Brette melihat perbedaan ini sebagai alasan mengapa kita harus hati-hati saat memakai keberhasilan AI untuk menjelaskan cara kerja otak. Mesin bisa mengungguli manusia dalam permainan catur atau analisis data tanpa harus punya rasa ingin tahu, rasa takut, atau kebutuhan biologis apa pun. Argumen inilah yang sebenarnya juga jadi titik perdebatan dengan para peneliti DeepMind yang menanggapi makalah Brette tahun 2019: mereka setuju neural coding bukan penjelasan lengkap soal otak, tapi mempertanyakan apakah kesimpulan itu berarti prinsip-prinsip pengodean juga tidak berguna untuk membangun agen AI — dua soal yang menurut mereka perlu dipisahkan, meski keduanya berangkat dari observasi Brette yang sama.

Apakah AI Membuktikan Bahwa Otak Adalah Komputer?

Sebagian orang berpendapat keberhasilan AI modern adalah bukti bahwa paradigma komputasional memang benar. Kalau mesin yang dibangun berdasarkan prinsip komputasi mampu menghasilkan perilaku yang menyerupai manusia, bukankah itu menunjukkan kecerdasan pada dasarnya adalah komputasi?

Pertanyaan ini layak dipertimbangkan, tapi jawabannya tidak sesederhana itu. Keberhasilan AI menunjukkan bahwa komputasi bisa menghasilkan perilaku cerdas pada banyak tugas. Tapi dari sudut pandang filsafat ilmu, keberhasilan itu tidak serta-merta membuktikan otak bekerja dengan prinsip yang sama.

Analogi sederhana bisa membantu. Simulator penerbangan yang sangat realistis mampu melatih pilot menghadapi berbagai kondisi cuaca. Tapi tidak seorang pun menyimpulkan atmosfer sesungguhnya bekerja seperti perangkat lunak simulator. Simulator berhasil karena berhasil menangkap sebagian aspek penting dari fenomena yang dimodelkannya, bukan karena ia identik dengan fenomena itu. Begitu pula, model AI bisa berhasil meniru sebagian kemampuan kognitif manusia tanpa harus mereplikasi seluruh mekanisme biologis yang menghasilkan kemampuan itu.

Pelajaran untuk Masa Depan AGI

Perdebatan ini makin penting ketika dunia mulai membicarakan Artificial General Intelligence (AGI) — sistem AI yang diharapkan mampu belajar, bernalar, dan beradaptasi secara luas seperti manusia.

Kalau kritik Brette benar, jalan menuju AGI mungkin tidak cukup hanya dengan memperbesar model, menambah data, atau meningkatkan daya komputasi. Kecerdasan manusia mungkin tidak semata-mata lahir dari kemampuan mengolah informasi, tapi juga dari fakta bahwa manusia adalah organisme yang hidup, punya tubuh, berkembang sejak bayi, berinteraksi dengan lingkungan, serta dibentuk sejarah evolusi yang panjang.

Pandangan ini bukan berarti AGI mustahil dicapai. Tapi ia mengisyaratkan bahwa kecerdasan biologis mungkin mengandung dimensi yang belum sepenuhnya tercermin dalam arsitektur AI saat ini.

Mengapa Buku Brette Datang pada Saat yang Tepat?

Ada ironi menarik di sini. Selama beberapa dekade, metafora “otak adalah komputer” banyak menginspirasi perkembangan AI. Kini, setelah AI mencapai tingkat keberhasilan yang belum pernah terjadi sebelumnya, Brette justru mengajak kita mempertanyakan apakah metafora itu masih cukup untuk menjelaskan kecerdasan itu sendiri.

Pertanyaan yang ia ajukan bukan apakah AI akan melampaui manusia, melainkan apakah kita memahami dengan benar apa yang sedang dibandingkan.

Barangkali keberhasilan AI bukan terutama menunjukkan bahwa otak adalah komputer. Mungkin keberhasilan itu justru menunjukkan ada lebih dari satu jalan menuju perilaku yang tampak cerdas. Evolusi biologis menempuh satu jalur. Rekayasa komputasi menempuh jalur lain. Keduanya bisa bertemu pada hasil yang sekilas serupa, tapi berangkat dari prinsip yang sangat berbeda.

Di sinilah letak relevansi terbesar The Brain, In Theory. Buku ini mengingatkan bahwa kemajuan teknologi tidak boleh membuat kita terburu-buru menyamakan kemiripan hasil dengan kesamaan hakikat. Dalam ilmu pengetahuan, memahami perbedaan mekanisme sering kali sama pentingnya dengan mengagumi kesamaan perilaku.

Bagian 6 — Mengapa The Brain, In Theory Layak Dibaca?

Tidak banyak buku yang mampu membuat pembaca mempertanyakan asumsi paling mendasar dalam suatu disiplin ilmu. The Brain, In Theory salah satunya.

Pada pandangan pertama, buku ini mungkin tampak seperti kritik terhadap neurosains komputasional. Tapi setelah dibaca lebih mendalam, terlihat bahwa sasaran utama Brette bukan model matematika, simulasi komputer, atau penggunaan teori informasi dalam penelitian otak. Yang ia pertanyakan adalah kecenderungan melupakan bahwa semua itu pada dasarnya alat konseptual — cara manusia menyusun penjelasan tentang alam, bukan alam itu sendiri.

Perbedaan ini terdengar halus, tapi dampaknya luas. Sejarah ilmu pengetahuan menunjukkan bahwa kemajuan sering kali tidak cuma lahir dari penemuan data baru, melainkan juga dari keberanian meninjau ulang kerangka berpikir yang selama ini dianggap mapan. Revolusi ilmiah yang dipelopori Nicolaus Copernicus, Charles Darwin, sampai Albert Einstein bukan semata menghasilkan jawaban baru — mereka juga mengubah pertanyaan yang dianggap penting.

Dalam semangat itulah buku Brette layak dibaca.

Mengingatkan Bahwa Ilmu Pengetahuan Selalu Dibangun dengan Model

Salah satu kontribusi terbesar buku ini adalah mengingatkan bahwa sains tidak pernah berhubungan langsung dengan realitas tanpa perantara. Untuk memahami dunia, ilmuwan membangun model, metafora, persamaan matematika, dan kerangka konseptual yang membantu menyederhanakan fenomena yang sangat kompleks.

Model-model itu sangat berharga. Tanpa model gravitasi, manusia tidak bisa mengirim satelit ke luar angkasa. Tanpa model genetika, kedokteran modern tidak akan berkembang seperti sekarang. Tanpa model komputasional, neurosains mungkin tidak akan mencapai kemajuan yang sudah dicapai beberapa dekade terakhir.

Tapi sejarah juga menunjukkan setiap model punya batas. Ketika sebuah model terlalu berhasil, muncul godaan memperlakukannya sebagai gambaran sempurna tentang kenyataan. Brette mengingatkan bahwa di titik itulah kewaspadaan ilmiah jadi penting.

Kritik yang Memperkaya, Bukan Menghancurkan

Sebagian pembaca mungkin berharap menemukan teori alternatif yang sepenuhnya menggantikan paradigma komputasional. Buku ini tidak menawarkan penggantian yang sesiap itu — sebagian besar halamannya memang lebih banyak menunjukkan di mana letak keterbatasan bahasa dan asumsi yang dipakai saat ini, ketimbang menyajikan satu kerangka baru yang lengkap dengan model matematisnya sendiri.

Meski begitu, Brette tidak berhenti di titik nol. Menurut sinopsis resmi penerbit, ia mengajak pembaca melihat otak bukan sebagai rakitan komponen mesin yang dioptimalkan, melainkan sebagai komunitas entitas hidup yang mengatur dirinya sendiri dan terus berkembang (self-organized, developing community of living entities). Ini bukan model matematis siap pakai seperti free energy principle atau teori Bayesian, melainkan lebih ke arah lensa konseptual — cara memandang otak yang menaruh biologi dan sejarah perkembangan organisme di pusat penjelasan, bukan di pinggirannya sebagai sekadar “implementasi”.

Bagi sebagian ilmuwan, ini bisa terasa kurang memuaskan karena kritiknya lebih kuat daripada solusi konkret yang ditawarkan. Tapi justru di sinilah nilai intelektual buku ini. Dalam perkembangan ilmu pengetahuan, tidak semua karya besar lahir sebagai teori pengganti. Ada kalanya kontribusi terbesar seorang ilmuwan adalah menunjukkan bahwa pertanyaan yang selama ini diajukan mungkin belum sepenuhnya tepat. Kritik semacam itu sering membuka jalan bagi generasi peneliti berikutnya untuk membangun pendekatan baru.

Apa Artinya bagi Neurosains?

Bagi neurosains, pesan Brette bukan agar peneliti berhenti memakai model komputasional. Sebaliknya, ia mendorong penggunaan model dengan kesadaran yang lebih tinggi terhadap asumsi yang menyertainya.

Pendekatan komputasional tetap bisa menghasilkan prediksi yang akurat dan eksperimen yang produktif. Tapi peneliti juga perlu terbuka pada kemungkinan bahwa ada aspek kehidupan biologis yang tidak sepenuhnya bisa dipahami lewat bahasa komputasi. Sikap seperti ini tidak melemahkan sains — justru sebaliknya, ia memperkuatnya dengan menjaga ruang bagi lahirnya ide-ide baru.

Apa Artinya bagi Penelitian AI?

Bagi dunia kecerdasan buatan, buku ini menawarkan pelajaran yang tidak kalah penting.

Keberhasilan AI generatif menunjukkan bahwa mesin bisa menghasilkan perilaku yang sangat meyakinkan tanpa harus punya struktur biologis seperti manusia. Ini memperluas pemahaman kita tentang apa yang mungkin dicapai lewat komputasi. Tapi pada saat yang sama, keberhasilan itu tidak otomatis menjawab bagaimana kecerdasan biologis bekerja.

Kedua pertanyaan itu berbeda. Yang pertama pertanyaan rekayasa: bagaimana membangun sistem yang mampu melakukan tugas tertentu? Yang kedua pertanyaan ilmiah: bagaimana organisme hidup menghasilkan kecerdasan? Sering kali kedua pertanyaan itu saling membantu, tapi tidak selalu punya jawaban yang sama.

Apa Artinya bagi Pembaca?

Mungkin pelajaran terbesar dari The Brain, In Theory justru melampaui neurosains maupun AI.

Buku ini mengingatkan bahwa manusia cenderung memahami dunia lewat analogi yang berasal dari teknologi paling maju pada zamannya. Ketika mesin uap jadi simbol kemajuan, tubuh dipandang seperti mesin. Ketika komputer mengubah peradaban, otak pun dipandang sebagai komputer. Bukan tidak mungkin di masa depan, ketika teknologi baru muncul, kita kembali menemukan metafora berbeda untuk menjelaskan pikiran.

Kesadaran semacam ini membuat kita lebih hati-hati menerima penjelasan ilmiah yang terdengar sangat intuitif. Sebuah metafora bisa membantu membuka jalan menuju pengetahuan baru, tapi ia juga bisa membatasi imajinasi ilmiah kalau diperlakukan sebagai kenyataan itu sendiri.

Refleksi: Apakah Kita Sedang Memahami Otak, atau Memahami Mesin?

Pada akhirnya, The Brain, In Theory tidak memberi jawaban sederhana soal bagaimana otak bekerja. Buku ini justru berhasil melakukan sesuatu yang mungkin lebih berharga: mengembalikan rasa ingin tahu terhadap pertanyaan yang selama ini terasa sudah selesai dijawab.

Ketika dunia makin terpesona oleh kemampuan AI, godaan melihat otak sebagai komputer jadi makin kuat. Tapi Brette mengingatkan bahwa kemajuan teknologi tidak boleh membuat kita lupa bahwa otak adalah bagian dari organisme hidup yang dibentuk evolusi, tubuh, dan lingkungan — bukan oleh meja gambar seorang insinyur.

Apakah kritik Brette akan mengubah arah neurosains dalam beberapa dekade mendatang? Belum tentu. Paradigma komputasional masih sangat produktif dan terus menghasilkan penelitian penting. Tapi sejarah ilmu pengetahuan menunjukkan bahwa setiap paradigma besar memerlukan kritik supaya tidak berubah jadi dogma.

Mungkin di situlah nilai terbesar buku ini. Ia tidak meminta kita meninggalkan bahasa komputasi, melainkan memakainya dengan lebih hati-hati. Ia tidak mengajak kita menolak AI, melainkan menghindari kesimpulan yang terlalu cepat tentang hubungan antara mesin dan pikiran. Dan yang terpenting, ia mengingatkan bahwa memahami otak bukan cuma soal mengumpulkan lebih banyak data, tapi juga soal memilih pertanyaan yang tepat.

Pada akhirnya, pertanyaan yang diajukan Brette tetap menggantung di benak pembaca setelah halaman terakhir ditutup: ketika kita mengatakan otak adalah komputer, apakah kita benar-benar sedang menjelaskan cara kerja otak — atau sebenarnya kita cuma sedang menggunakan bahasa teknologi paling berpengaruh pada zaman kita?

Bisa jadi, jawaban atas pertanyaan itu akan menentukan arah neurosains dan kecerdasan buatan pada abad ke-21.

Catatan Kritis — Apakah Romain Brette Terlalu Keras terhadap Neurosains Komputasional?

Salah satu kekuatan terbesar The Brain, In Theory justru sekaligus jadi sumber kritik terhadapnya.

Dengan mempertanyakan istilah seperti information processing, neural coding, dan computation, Brette berhasil memaksa pembaca melihat kembali asumsi yang selama puluhan tahun dianggap nyaris tidak perlu diperdebatkan. Tapi di sisi lain, sebagian ilmuwan berpendapat Brette mungkin terlalu jauh ketika menyimpulkan bahwa bahasa komputasi berisiko menyesatkan cara kita memahami otak.

Perdebatan ini penting karena menunjukkan bahwa neurosains modern tidak sedang memilih antara dua jalan yang saling meniadakan. Yang dipersoalkan bukan apakah model komputasional harus dipakai atau ditinggalkan, melainkan apa yang sebenarnya bisa dan tidak bisa dijelaskan oleh model tersebut.

Keberhasilan yang Sulit Diabaikan

Sulit membantah bahwa paradigma komputasional sudah menghasilkan kemajuan luar biasa. Selama beberapa dekade terakhir, pendekatan ini membantu menjelaskan bagaimana sistem visual mengenali objek, bagaimana otak menggabungkan informasi dari berbagai indra, bagaimana manusia membuat keputusan di bawah ketidakpastian, sampai bagaimana gangguan neurologis bisa dimodelkan secara matematis.

Bahkan teknologi seperti brain-computer interface — yang memungkinkan aktivitas saraf dipakai untuk mengendalikan lengan robot atau perangkat komunikasi — lahir dari pemahaman bahwa pola aktivitas neuron mengandung keteraturan yang bisa dipelajari. Dengan kata lain, model komputasional bukan cuma menghasilkan teori. Ia juga menghasilkan teknologi yang bekerja. Bagi banyak peneliti, keberhasilan empiris seperti ini alasan kuat untuk mempertahankan paradigma tersebut.

Bantahan paling konkret justru datang dari dunia AI itu sendiri. Ketika makalah Brette soal neural coding terbit tahun 2019, enam peneliti DeepMind menulis tanggapan yang pada dasarnya setuju bahwa metafora coding memang bukan penjelasan lengkap soal cara kerja otak biologis — tapi mereka menekankan bahwa dalam sistem buatan, di mana peneliti punya akses penuh ke data pelatihan dan bisa mengintervensi setiap parameter secara langsung, konsep semacam representasi neural tetap alat analisis yang berguna, meski terbatas. Bagi mereka, kelemahan sebuah metafora untuk memahami otak biologis tidak otomatis membuatnya tidak berguna sama sekali untuk merancang sistem buatan — dua soal yang perlu dipisahkan.

Apakah Model Harus Sama dengan Kenyataan?

Di sinilah perdebatan jadi menarik.

Pendukung neurosains komputasional umumnya tidak bilang otak adalah komputer dalam arti harfiah seperti laptop atau pusat data. Yang mereka maksud biasanya lebih sederhana: perilaku otak bisa dipahami secara produktif lewat konsep-konsep komputasi.

Perbedaan ini penting. Dalam sains, sebuah model dinilai terutama dari kemampuannya menjelaskan fenomena dan menghasilkan prediksi yang bisa diuji. Model atom Bohr, misalnya, terbukti sangat berguna meski kemudian diketahui tidak menggambarkan struktur atom secara lengkap. Model Newton tetap dipakai menghitung lintasan satelit meski relativitas Einstein memberi penjelasan yang lebih mendasar.

Dari sudut pandang ini, keberhasilan model tidak bergantung pada apakah ia identik dengan realitas, melainkan pada apakah ia membantu memahami dan memprediksi fenomena. Karena itu, sebagian ilmuwan berpendapat kritik Brette terhadap metafora mungkin benar secara filosofis, tapi belum tentu mengurangi nilai praktis paradigma komputasional.

Predictive Processing: Salah Satu Paradigma Paling Berpengaruh

Perdebatan makin menarik kalau kita melihat perkembangan teori predictive processing.

Pendekatan ini berangkat dari gagasan bahwa otak terus-menerus membangun prediksi mengenai dunia. Ketika kenyataan tidak sesuai prediksi, muncul apa yang disebut prediction error — kesalahan yang mendorong otak memperbarui modelnya tentang lingkungan.

Teori ini berhasil menjelaskan berbagai fenomena, dari persepsi visual, perhatian, pembelajaran, sampai ilusi optik. Sebagian peneliti bahkan mencoba memakainya untuk memahami gangguan seperti skizofrenia dan autisme.

Apakah semua itu berarti otak benar-benar “menghitung prediksi”? Belum tentu. Tapi banyak ilmuwan berpendapat pertanyaan itu bukan persoalan utama. Yang lebih penting, model ini menghasilkan hipotesis yang bisa diuji lewat eksperimen.

Di sinilah beda pendekatan mulai terlihat. Brette lebih menekankan pertanyaan ontologis: apa sebenarnya yang dilakukan otak? Sementara banyak peneliti lain lebih fokus pada pertanyaan metodologis: model apa yang paling berhasil menjelaskan data? Kedua pertanyaan ini saling berkaitan, tapi tidak identik.

Free Energy Principle: Teori Besar atau Metafora Baru?

Perdebatan serupa muncul pada free energy principle yang dikembangkan Karl Friston. Teori ini menyatakan bahwa organisme hidup cenderung meminimalkan ketidakpastian dengan terus memperbarui model internalnya terhadap dunia — pendekatan yang sangat ambisius karena berusaha menjelaskan persepsi, tindakan, pembelajaran, bahkan adaptasi biologis dalam satu kerangka matematis.

Bagi para pendukungnya, free energy principle adalah salah satu teori paling menjanjikan dalam neurosains modern. Tapi bagi para pengkritiknya, termasuk mereka yang sejalan dengan semangat Brette, muncul pertanyaan: apakah teori ini benar-benar menjelaskan mekanisme biologis, atau cuma menyediakan bahasa matematika yang sangat elegan untuk mendeskripsikan fenomena yang sudah diketahui? Pertanyaan itu masih jadi bahan diskusi aktif sampai sekarang.

Kritik Brette Tidak Harus Menggugurkan Paradigma Komputasional

Mungkin cara terbaik memahami buku ini bukan dengan menganggap Brette sebagai penentang neurosains komputasional, melainkan sebagai pengingat bahwa setiap paradigma punya titik buta.

Paradigma komputasional sudah memberi alat yang sangat kuat untuk membangun model, merancang eksperimen, dan mengembangkan teknologi. Tapi sebagaimana semua paradigma ilmiah sebelumnya, ia juga membawa asumsi tertentu tentang bagaimana dunia bekerja. Brette mengajak komunitas ilmiah terus menguji asumsi-asumsi itu — bukan karena paradigmanya pasti salah, melainkan karena sejarah menunjukkan ilmu pengetahuan berkembang justru ketika ilmuwan berani mempertanyakan kerangka berpikir yang paling mapan.

Mungkin Tidak Ada Satu Metafora yang Cukup

Pada akhirnya, bisa jadi perdebatan ini tidak akan berakhir dengan satu pihak dinyatakan menang. Otak adalah objek yang luar biasa kompleks. Sangat mungkin tidak ada satu metafora pun yang mampu menjelaskan seluruh sifatnya.

Dalam konteks tertentu, memandang otak sebagai sistem komputasi menghasilkan prediksi yang sangat berguna. Dalam konteks lain, melihat otak sebagai organisme hidup yang terus berkembang bersama tubuh dan lingkungannya mungkin memberi wawasan yang lebih kaya.

Alih-alih memilih salah satu dan menolak yang lain, masa depan neurosains mungkin justru terletak pada kemampuan menggabungkan berbagai perspektif secara kritis. Metafora tetap dibutuhkan karena ilmu pengetahuan tidak bisa berkembang tanpa model. Tapi setiap model harus diperlakukan sebagai jendela untuk melihat kenyataan, bukan sebagai kenyataan itu sendiri.

Mungkin di situlah pesan paling berharga dari The Brain, In Theory. Buku ini tidak mengajak kita meninggalkan neurosains komputasional, tapi mengingatkan bahwa setiap kali sebuah metafora jadi terlalu dominan, ilmu pengetahuan perlu bertanya kembali: apakah kita sedang melihat dunia apa adanya, atau cuma melihat dunia lewat lensa yang kebetulan paling berhasil pada zaman kita?

Catatan Metodologi

Artikel ini disusun sebagai ulasan dan analisis, bukan ringkasan bab-per-bab dari isi lengkap buku. Enam bagian di atas adalah kerangka penyajian yang dipakai artikel ini sendiri, bukan daftar isi resmi buku Brette. Sumber utama yang dipakai adalah sinopsis dan materi resmi dari Princeton University Press, ulasan yang sudah terbit di Nature, serta makalah akademik Brette tahun 2019 di Behavioral and Brain Sciences — yang secara substansial memuat argumen inti soal neural coding yang kemudian diperluas dalam buku ini — ditambah literatur pembanding soal predictive processing dan free energy principle yang sudah lebih dulu mapan di neurosains.

Karena buku ini baru terbit 7 April 2026, sekitar tiga bulan sebelum artikel ini ditulis, perdebatan akademik yang lebih luas — termasuk kemungkinan tanggapan tertulis dari ilmuwan lain terhadap buku ini secara spesifik — masih dalam proses terbentuk. Pembaca yang ingin menelusuri argumen lengkap Brette, termasuk contoh dan data yang ia pakai bab demi bab, disarankan membaca buku aslinya secara langsung.

Referensi Utama

1. Brette, R. (2026). The Brain, In Theory. Princeton, NJ: Princeton University Press. Terbit 7 April 2026. press.princeton.edu
2. Brette, R. (2019). “Is coding a relevant metaphor for the brain?” Behavioral and Brain Sciences, 42. DOI: 10.1017/S0140525X19000049. Versi pracetak terbuka: bioRxiv
3. Santoro, A., Hill, F., Barrett, D. G. T., Raposo, D., Botvinick, M., & Lillicrap, T. (2019). “Is coding a relevant metaphor for building AI? A commentary on ‘Is coding a relevant metaphor for the brain?’, by Romain Brette.” arXiv:1904.10396
4. Gómez-Marín, À. (2026). “How to breathe life back into brain theory” (resensi buku). Nature, 653, 1002–1004. nature.com
5. Friston, K. (2010). “The free-energy principle: a unified brain theory?” Nature Reviews Neuroscience, 11(2), 127–138. nature.com
6. Marr, D. (1982). Vision: A Computational Investigation into the Human Representation and Processing of Visual Information. San Francisco: W. H. Freeman.
7. Shannon, C. E. (1948). “A Mathematical Theory of Communication.” Bell System Technical Journal, 27, 379–423, 623–656.
8. Turing, A. M. (1936). “On Computable Numbers, with an Application to the Entscheidungsproblem.” Proceedings of the London Mathematical Society, s2-42(1), 230–265.

Bacaan Lanjutan

• Buzsáki, G. (2019). The Brain from Inside Out. Oxford University Press.
• Clark, A. (2016). Surfing Uncertainty: Prediction, Action, and the Embodied Mind. Oxford University Press.
• Varela, F., Thompson, E., & Rosch, E. (1991). The Embodied Mind: Cognitive Science and Human Experience. MIT Press.
• Barrett, L. F. (2017). How Emotions Are Made: The Secret Life of the Brain. Houghton Mifflin Harcourt.
• Damasio, A. (2018). The Strange Order of Things: Life, Feeling, and the Making of Cultures. Pantheon.
• Dennett, D. (2017). From Bacteria to Bach and Back: The Evolution of Minds. W. W. Norton.