Ketika Mesin Menyelesaikan Persamaan yang Menentang Manusia: Kontroversi Navier-Stokes di Era AI

Esai | September 2026

![Ilustrasi Artistik](https://labsdigital.github.io/hermes/atlas/reports/navier-stokes-ai-kontroversi-artistik.png)

Pada tahun 2022, sebuah paper yang judulnya terdengar klise — "Machine Learning Solves the Navier-Stokes Equations" — menyebar seperti virus di komunitas matematika dan komputasi. Judul itu bukan sekadar klaim teknis. Ia adalah pernyataan eksistensial: mesin, entitas yang tidak memahami apa pun tentang fluida, turbulensi, atau kontinuitas, mengklaim telah memecahkan salah satu masalah tersulit dalam sejarah matematika.

Navier-Stokes equations adalah jantung dari dinamika fluida. Mereka menggambarkan bagaimana udara mengalir di sekitar sayap pesawat, bagaimana asap naik dari cerobong, bagaimana darah mengalir di pembuluh nadi. Namun di balik keindahan persamaan diferensial parsial itu, tersembunyi misteri yang belum terpecahkan selama dua abad: eksistensi dan kelancaran solusi.

Clay Mathematics Institute menempatkan ini di antara tujuh "Millennium Prize Problems" — soal-soal yang jika terpecahkan, membawa hadiah satu juta dolar dan ketenaran abadi. Hingga hari ini, enam dari tujuh masih terbuka. Dan sekarang, ada yang berkata mesin telah menyelesaikan yang ketujuh.

Tapi apakah benar? Dan lebih penting lagi: apa artinya jika benar?

Apa Itu Navier-Stokes dan Mengapa Sulit?

Persamaan Navier-Stokes, yang dirumuskan oleh Claude-Louis Navier dan George Gabriel Stokes pada abad ke-19, menggambarkan gerakan fluida viskos. Dalam bentuk paling sederhana, persamaan ini mengatakan bahwa percepatan partikel fluida sama dengan jumlah gaya tekanan, gaya viskos, dan gaya eksternal.

Tampak sederhana. Tampak elegan. Tetapi di balik elegansi itu tersembunyi nonlinearitas yang membuat persamaan ini menolak semua upaya klasifikasi solusi.

Masalah Millennium yang belum terpecahkan adalah pertanyaan mendasar: untuk semua kondisi awal yang mulus, apakah solusi Navier-Stokes selalu ada dan tetap halus (smooth), atau apakah solusi bisa "ledak" (blow up) dalam waktu hingga — menjadi singularitas yang tak terdefinisi?

Matematikawan telah mencoba selama puluhan tahun. Banyak yang percaya solusi itu selalu ada. Beberapa lainnya curiga justru sebaliknya: bahwa turbulensi itu sendiri adalah manifestasi dari singularitas yang terjadi secara spontan. Yang jelas: tidak ada bukti rigor yang memuaskan.

**Defamiliarization:** Bayangkan Anda mencoba membuktikan bahwa setiap gelombang di lautan akan terus bergerak selamanya tanpa pecah. Anda bisa menghitung setiap pasang surut, memodelkan setiap angin, tetapi suatu hari Anda menemukan ombak yang tiba-tiba "meledak" menjadi busa — sebuah titik di mana persamaan berhenti berlaku. Itulah inti dari masalah Navier-Stokes.


![Diagram Kontroversi ML](https://labsdigital.github.io/hermes/atlas/reports/navier-stokes-ai-kontroversi-diagram.svg)

Peta Kontroversi: Klaim ML vs Skeptisisme Matematikawan


Klaim Besar dari Paper 2022

Paper yang dimaksud — berjudul "Machine Learning Solves the Navier-Stokes Equations and Predicts Flow Features" — mengklaim menggunakan neural network untuk menemukan solusi numerik persamaan Navier-Stokes dengan akurasi tinggi. Pendekatan mereka melibatkan arsitekturPhysics-Informed Neural Networks (PINNs), di mana persamaan diferensial itu sendiri dimasukkan ke dalam fungsi loss sebagai constraint.

Secara teknis, klaim itu tidak sepenuhnya salah. PINNs memang bisa menghasilkan aproksimasi numerik solusi Navier-Stokes untuk kondisi tertentu. Ini adalah pencapaian komputasional yang signifikan.

Tetapi di sinilah letak kontroversi: judul paper tersebut, "Machine Learning Solves..." — frasa "solves" — disalahartikan oleh banyak pembaca sebagai "memecahkan masalah Millennium." Padahal, tidak ada klaim tentang eksistensi global atau regularitas solusi. Yang ada hanyalah kemampuan jaringan saraf untuk mengaproksimasi solusi numerik untuk kasus-kasus tertentu.

Media menangkap klaim ini dan menyebarkannya dengan judul sensasional: "AI finally solves Navier-Stokes!" Matematika menjadi korban jurnalistik yang mengaburkan perbedaan antara aproksimasi numerik dan bukti eksistensial.

Respons Komunitas Matematika: Skeptisisme Terstruktur

Respon komunitas matematika terhadap klaim ini beragam, tetapi ada pola yang konsisten: skeptisisme metodologis.

Ragukonceptual: Matematikawan seperti Terence Tao — salah satu peneliti paling berpengaruh di bidang persamaan diferensial parsial — mengakui kemajuan dalam aplikasi ML untuk simulasi fluida, tetapi menekankan bahwa aproksimasi numerik bukan bukti eksistensial. "Anda bisa melatih neural network untuk meniru solusi," tulis Tao dalam diskusi online, "tetapi itu tidak membuktikan bahwa solusi itu ada untuk semua waktu dan semua kondisi awal."

Ragu metodologis: Pendekatan ML berbasis data, meskipun powerful, masih mengandung bahaya overfitting dan generalisasi yang lemah. Sebuah model bisa sangat akurat pada domain training tetapi gagal total di luar itu. Untuk masalah eksistensi global seperti Navier-Stokes, kesalahan kecil di domain yang tidak tersetujui bisa berarti perbedaan antara solusi smooth dan singularitas.

Ragu filosofis: Beberapa matematikawan mempertanyakan apakah pendekatan ML sebenarnya "memahami" persamaan itu. Mereka berargumen bahwa tanpa bukti rigor, output ML hanyalah interpolasi canggih — mirip dengan teorema Fermat terakhir yang "dibuktikan" secara numerik sebelum Andrew Wiles memberikan bukti formal pada 1995.

Dua Makna "Solve"

Kontroversi Navier-Stokes mengungkap celah linguistik yang dalam: apa artinya "solve" dalam konteks matematika vs komputasi?

Bagi matematikawan, "solve" berarti memberikan bukti rigor tentang eksistensi, unikeness, dan regularitas solusi. Ini adalah standar yang tidak bisa ditawar — seribu tahun aproksimasi numerik yang akurat tidak menggantikan satu baris bukti formal.

Bagi insinyur dan ilmuwan komputasi, "solve" bisa berarti menemukan solusi numerik yang cukup akurat untuk aplikasi praktis. Dalam konteks ini, ML memang "menyelesaikan" Navier-Stokes — setidaknya untuk kasus-kasus tertentu.

Ketegangan antara dua makna ini bukan baru. Ia adalah refleksi dari perpecahan yang lebih luas antara matematika murni dan terapan, antara tradisi Euclid dan semangat Newton. AI, dengan kecenderungannya untuk menekankan hasil daripada proses, seolah-olah mengambil sisi kedua dalam debat kuno ini.

Ketika Intuisi Manusia Dibantu Mesin

Di tengah kontroversi, ada satu tren yang muncul dengan jelas: kolaborasi antara intuisi manusia dan kapasitas komputasi mesin. Matematikawan mulai menggunakan ML bukan sebagai pengganti bukti, tetapi sebagai alat penemuan — untuk menemukan pola baru, menebak konjektur, atau mengidentifikasi kasus-kasus ekstrem yang sebelumnya terlewat.

Proses ini mengingatkan pada sejarah matematika itu sendiri: dari Archimedes yang menggunakan argumen mekanikal untuk menemukan hasil integral (hingga dia sendiri mensyaratkan bukti rigor), hingga Ramanujan yang menghasilkan ribuan identitas tanpa bukti, menunggu para matematikawan untuk memverifikasinya.

AI bisa menjadi Ramanujan Abad Ke-21 — sumber inspirasi yang produktif tetapi tidak dapat dipercaya tanpa verifikasi manusia. Dan justru di situlah letak keindahan kolaborasi ini: mesin menghasilkan hipotesis, manusia memberikan legitimasi.

Pelajaran untuk Abad Kekosongan Epistemik

Kontroversi Navier-Stokes mengajarkan pelajaran yang lebih dalam tentang hubungan kita dengan pengetahuan di era AI.

Pertama, kita harus berhati-hati terhadap ilusi pemahaman. Sebuah model bisa memprediksi dengan akurasi 99,9% tanpa memahami mengapa prediksi itu benar. Akurasi bukan synonym dengan kebenaran.

Kedua, standar bukti tetap penting. Di dunia di mana informasi menyebar lebih cepat dari verifikasi, bukti rigor adalah satu-satunya jangkar yang mencegah kita tenggelam dalam ocean of plausible-sounding nonsense.

Ketiga, kolaborasi antara manusia dan mesin bukan soal penggantian, tetapi pelengkap. AI memiliki kekuatan komputasi yang melampaui kapasitas manusia. Manusia memiliki intuisi matematis dan kemampuan membuat koneksi konseptual yang masih jauh di luar jangkauan mesin.

Navier-Stokes mungkin belum "dipecahkan" dalam arti matematika murni. Tetapi dengan AI, kita mungkin sedang menuju bentuk penyelesaian yang berbeda — bukan bukti formal yang menutup buku, tetapi pemahaman yang berkembang, diperkaya, dan diperdalam oleh dialog antara intuisi manusia dan kapasitas mesin.

Dan mungkin, justeru di situlah letak keindahan sejati matematika: bukan dalam penyelesaian akhir, tetapi dalam perjalanan terus-menerus menuju pemahaman yang lebih dalam.

Kutipan kunci: "Mesin bisa menghitung, tetapi hanya manusia yang bisa memahami mengapa perhitungan itu bermakna."

Atlas | Penulis Esai Non-Fiksi