Tapi justru di malam itu — di tahun 1925 — kamu menulis sesuatu yang akan mengubah cara manusia memahami alam semesta. Dan matematika yang kamu tulis malam itu, sekarang ada di dalam setiap model AI yang kamu pakai, di dalam setiap komputer kuantum yang sedang dibangun di laboratorium Google, IBM, dan ratusan startup di seluruh dunia.
Nama matematika itu: matriks.
▶ Tonton versi video lengkapnya (18–22 menit)
Krisis Fisika dan Lahirnya Matriks
Untuk memahaminya, kita harus mundur ke krisis besar fisika awal abad ke-20. Model atom saat itu — model Bohr — punya masalah serius. Ia berasumsi elektron mengelilingi inti seperti planet mengelilingi matahari. Asumsi ini cukup berhasil untuk hidrogen, tapi gagal total untuk atom-atom yang lebih kompleks.
Lebih buruk lagi: orbit itu tidak bisa diobservasi. Tidak ada alat yang bisa membuktikannya. Fisikawan sedang membangun teori di atas sesuatu yang tidak bisa dilihat.
Heisenberg berkata: "Buang semua yang tidak bisa diukur."
Jika orbit elektron tidak bisa diamati langsung, lupakan orbit. Fokus hanya pada apa yang bisa diukur di laboratorium: frekuensi cahaya yang dipancarkan atom, dan intensitasnya.
Lalu ia menyusun data pengukuran itu dalam bentuk tabel — frekuensi untuk transisi dari state m ke state n, diatur dalam baris dan kolom. Dan ketika ia mencoba mengombinasikan tabel-tabel ini — mengalikan satu tabel dengan tabel lain — muncullah anomali yang mengejutkannya.
Urutan perkalian menghasilkan hasil yang berbeda. Ia panik. Ia pikir ini kesalahan. Tapi pola itu konsisten. Paper itu sampai ke Max Born — seorang matematikawan berpengalaman — yang langsung mengenalinya:
"Ini aljabar matriks. Sudah ada dalam matematika sejak lama. Tapi belum pernah dipakai untuk menggambarkan fisika seperti ini. Alam semesta berpikir dalam matriks."
Born bersama Pascual Jordan kemudian memformalkan seluruh kerangka matematis itu. Lahirlah Matrix Mechanics — representasi pertama dari mekanika kuantum.
Matriks bukan ditemukan untuk teknologi. Bukan untuk grafis komputer. Bukan untuk AI. Ia ditemukan karena seseorang mencoba menggambarkan bagaimana atom bekerja — dan ternyata atom "berpikir" dalam cara yang lebih aneh dari yang bisa kita bayangkan.
Fakta bahwa matriks yang sama akhirnya muncul di setiap teknologi modern adalah bukan kebetulan. Itu sinyal bahwa kita sedang menyentuh sesuatu yang fundamental.
Matriks Bukan Tabel Angka — Ini Mesin Transformasi
Jawaban sederhananya: matriks adalah mesin yang mengubah satu vektor menjadi vektor lain. Bayangkan sebuah panah di ruang dua dimensi — ini adalah vektor. Ia punya arah dan panjang. Sekarang kamu punya sebuah matriks 2×2. Kamu kalikan matriks itu dengan vektor tersebut. Hasilnya adalah vektor baru.
▶ Lihat bagaimana matriks mengubah vektor secara visual
- Matriks bisa memutar vektor — ini yang disebut rotasi
- Matriks bisa meregang atau memipihkan — ini yang disebut scaling atau shear
- Matriks bisa membalik — ini yang disebut refleksi
- Matriks bisa memproyeksikan dari tiga dimensi ke dua dimensi — ini yang disebut proyeksi
Tapi ada satu langkah lebih dalam yang perlu kita ambil untuk benar-benar memahami kenapa matriks begitu penting di fisika kuantum.
Di fisika kuantum, state sebuah sistem direpresentasikan sebagai vektor. Dan setiap pengukuran yang bisa kamu lakukan — apakah itu energi, momentum, spin, atau posisi — direpresentasikan sebagai matriks.
Matriks inilah yang "bekerja" pada state vector, dan dari situ menghasilkan nilai yang bisa diukur di laboratorium. Fisika kuantum, pada intinya, adalah teori tentang matriks yang bekerja pada vektor.
Uncertainty Principle: Bukan Keterbatasan Alat, Tapi Struktur Matematika Realitas
Heisenberg's Uncertainty Principle sering disalahpahami sebagai keterbatasan teknologi. Seolah-olah kalau kita punya alat ukur yang cukup canggih, kita bisa mengukur posisi dan momentum elektron secara bersamaan dengan presisi sempurna.
Ini salah. Keterbatasan itu fundamental. Dan ia muncul langsung dari matematika matriks.
Di mekanika kuantum, setiap besaran yang bisa diukur direpresentasikan sebagai matriks. Posisi elektron punya matriks sendiri (X). Momentum elektron punya matriks sendiri (P). Keduanya adalah matriks — bukan angka biasa.
Apakah X dikali P sama dengan P dikali X? Tidak. Dan ini bukan kebetulan — ini adalah sifat fundamental dari matriks X dan P. Perbedaan antara XP dan PX adalah sesuatu yang konkret dan terukur.
Secara matematis: XP − PX = iħI. Di mana ħ adalah konstanta Planck dibagi 2π, dan i adalah bilangan imajiner. Dari persamaan inilah — secara langsung, melalui derivasi matematika — muncul uncertainty principle.
Ini bukan interpretasi. Ini bukan filosofi.
Ini adalah konsekuensi matematis dari fakta bahwa dua matriks yang merepresentasikan posisi dan momentum tidak komutatif.
Alam semesta, pada level paling fundamentalnya, tidak mengizinkan kamu mengetahui keduanya secara sempurna — bukan karena alat ukurmu kurang baik, tapi karena struktur matematika realitas memang seperti itu.
Uncertainty principle bukan soal gangguan pengukuran. Ia adalah sifat fundamental dari matriks yang merepresentasikan observasi fisik. Dan kamu sampai di sini hanya dari memahami bahwa A × B bisa tidak sama dengan B × A.
The Algorithm of Souls
Pemahaman Teknis yang Membuat Prompt Engineering Lebih Dalam
Ketika kamu memahami cara AI bekerja di level matriks, Framework SCAFE™ dan 50+ prompt di buku ini menjadi jauh lebih bermakna — bukan sekadar template, tapi sistem yang kamu pahami dari dalam.
Lihat The Algorithm of Souls📘 Framework SCAFE™ · 50+ prompt · Garansi 7 hari
Early Bird Rp 99.000 · PDF otomatis ke email
Neural Network: Ratusan Perkalian Matriks untuk Satu Token Output
Bagaimana matriks dari fisika kuantum 1925 bisa jadi fondasi dari ChatGPT, model pengenalan wajah, dan sistem rekomendasi YouTube? Jawabannya ada di cara neural network bekerja.
Ketika kamu mengetik teks ke ChatGPT, teksmu pertama-tama dikodekan — setiap kata atau token direpresentasikan sebagai vektor. Vektor input ini masuk ke layer pertama. Di sana, ia dikalikan dengan sebuah weight matrix — matriks yang berisi nilai-nilai yang sudah dipelajari model dari miliaran contoh data.
Token
Layers
Token
- Untuk model sederhana 10 layer: 10 perkalian matriks
- Untuk GPT-4 dengan 96 transformer layer: ratusan perkalian matriks hanya untuk satu token output
- Beberapa matriks bobot berukuran 12.288 × 12.288 atau lebih besar
- Ini kenapa GPU — chip grafis — sempurna untuk AI: GPU dirancang untuk melakukan ribuan perkalian matriks secara paralel
Ketika seseorang bilang "AI belajar dari data" — secara teknis artinya adalah: matriks bobot diperbarui berulang kali sampai hasilnya cukup baik. Training, backpropagation, inference — semuanya adalah operasi matriks.
Setiap langkah: matriks.
Qubit dan Quantum Gate: Matriks yang Bekerja di Atas Superposisi
Di komputer klasik, bit punya nilai 0 atau 1. Itu saja. Di komputer kuantum, qubit adalah vektor.
|α|² + |β|² = 1
Qubit adalah vektor dalam ruang dua dimensi kompleks. α dan β adalah amplitudo probabilitas — bilangan kompleks yang menentukan "seberapa banyak" qubit berada di state 0 atau 1.
[1 -1]
H|0⟩ = (|0⟩+|1⟩)/√2
Gerbang kuantum paling dasar. Sebuah matriks 2×2 yang mengubah qubit dari state pasti (|0⟩) menjadi superposisi sempurna — setengah 0, setengah 1 secara bersamaan.
Setiap operasi pada qubit — yang disebut quantum gate atau gerbang kuantum — adalah perkalian matriks terhadap vektor state qubit. Selalu dengan matriks.
Untuk sistem dengan n qubit: state vector-nya berukuran 2ⁿ. Untuk 50 qubit: state vector berukuran 2⁵⁰ — lebih dari satu kuadriliun elemen. Dan setiap gerbang kuantum yang bekerja pada n qubit adalah matriks berukuran 2ⁿ × 2ⁿ.
Itulah kenapa komputer kuantum secara prinsip jauh lebih kuat untuk masalah tertentu: ia memanipulasi ruang yang tumbuh eksponensial melalui perkalian matriks yang relatif sederhana.
Algoritma Kuantum Terkenal = Rangkaian Perkalian Matriks
- Shor's Algorithm — yang bisa memecahkan enkripsi RSA — adalah serangkaian gerbang kuantum (perkalian matriks) yang memanfaatkan quantum Fourier transform
- Grover's Algorithm — yang mencari dalam database tak terurut — adalah serangkaian perkalian matriks yang memperkuat amplitude state yang benar dan menekan yang salah
Ketika AI dan Quantum Computing Bertemu di Titik yang Sama
Jika AI dan komputer kuantum sama-sama menggunakan matriks — apakah keduanya bisa digabungkan? Dan apa artinya untuk masa depan? Jawabannya: ya — dan itulah yang sedang dikerjakan sekarang.
Bidang yang disebut Quantum Machine Learning sedang meneliti cara menjalankan operasi matriks neural network di komputer kuantum. Perkalian dua matriks besar — operasi yang paling mahal di deep learning — secara teoritis bisa dilakukan jauh lebih cepat di komputer kuantum untuk dimensi matriks yang sangat besar.
Matrix Mechanics lahir. Fondasi mekanika kuantum formal ditemukan oleh Heisenberg, Born, dan Jordan dari anomali non-komutatif perkalian tabel angka.
Fisika KuantumMcCulloch-Pitts memperkenalkan model neuron artifisial. Perkalian matriks mulai digunakan untuk komputasi — meski koneksi ke fisika kuantum belum disadari.
Awal AIRumelhart, Hinton, Williams membuktikan backprop bekerja. Transpos matriks dan Jacobian menjadi jantung dari pembelajaran mesin modern.
Deep LearningTransformer architecture lahir. Self-attention pada dasarnya adalah perkalian matriks query, key, value dalam dimensi tinggi. ChatGPT adalah hasil akhir dari paper ini.
Transformer & LLMAI dan komputer kuantum mulai bertemu. Perkalian matriks besar yang mahal di classical computing bisa dipercepat secara teoritis dengan quantum hardware. Lingkaran itu sempurna.
Masa DepanMekanika kuantum ditemukan pada 1925 karena fisikawan mencoba mengerti atom.
Dari situ, lahir matriks sebagai bahasa fisika.
Lalu matriks menjadi fondasi neural network dan AI.
Sekarang, AI sedang mencari cara untuk dijalankan di atas komputer kuantum — yang sendiri bekerja berdasarkan mekanika kuantum.
Lingkaran itu sempurna.
Satu Bahasa Matematika, Tiga Dunia Berbeda
-
1.
Matriks adalah mesin transformasi. Ia mengubah vektor — dan di dunia kuantum, vektor adalah state dari sistem fisik. Di AI, vektor adalah representasi data.
-
2.
Sifat non-komutatif matriks (A×B ≠ B×A) bukan keanehan matematika. Ia adalah akar dari Heisenberg Uncertainty Principle, dan ia muncul secara alami dari cara matriks posisi dan momentum berinteraksi.
-
3.
Dari layer neural network di GPT, sampai gerbang kuantum di IBM Quantum — semuanya, pada level paling dasarnya, adalah perkalian matriks pada vektor state. Satu bahasa, tiga dunia berbeda.
"Matriks bukan sekadar alat hitung.
Matriks adalah cara alam semesta mengorganisir transformasi.
Dan kita, tanpa sadar, telah belajar berbicara dalam bahasa yang sama dengan alam semesta."
📘 The Algorithm of Souls
Dari Matriks ke Prompt — Fondasi yang Sama, Aplikasi yang Berbeda
Memahami cara kerja AI di level matriks adalah satu hal. Menguasai cara berbicara dengan AI secara efektif adalah hal lain. Buku ini menggabungkan keduanya — pemahaman teknis yang menghasilkan prompt yang jauh lebih powerful.
Dapatkan Bukunya — Rp 99.000✅ PDF otomatis ke email · 🛡️ Garansi 7 hari · Early Bird s/d 30 April 2026
