Kecerdasan buatan (AI) mungkin mendapatkan banyak pers saat ini, tetapi mari kita hentikan hype dan lihat di mana lapangan sebenarnya saat ini.
Saat ini, semua AI dikenal sebagai AI yang lemah – yaitu, mereka hanya dapat menyelesaikan masalah dalam satu domain. AI yang kuat – kecerdasan buatan yang dapat memecahkan lebih dari satu jenis masalah – masih bertahun-tahun lagi. Ambil contoh, sebuah sistem yang bisa bermain catur lebih baik daripada manusia mana pun. Sistem yang sama itu tidak memiliki gagasan samar tentang cara bermain poker – permainan yang jauh lebih mudah.
Selanjutnya, kondisi AI saat ini adalah bahwa pembelajaran tanpa pengawasan masih dalam tahap awal. Semua algoritma praktis masih mengandalkan pembelajaran terawasi, di mana mereka belajar dengan data yang diberi label. Dan mereka melakukannya selama fase yang didedikasikan untuk belajar, bukan belajar sambil jalan.
Peneliti Islandia Kristinn Thorissonseorang profesor di Universitas Reykjavik dan pendiri dan direktur Institut Islandia untuk Mesin Cerdas (IIIM), telah mengatakan selama bertahun-tahun bahwa pendekatan AI saat ini tidak akan pernah mengarah pada kecerdasan mesin yang nyata.
Thórisson telah bekerja selama 30 tahun pada proyek kecerdasan umum buatan dan proyek AI terapan, baik di dunia akademis maupun industri. Dia memperkirakan bahwa selama tiga dekade mendatang, sebuah paradigma baru akan mengambil alih, menggantikan jaringan syaraf tiruan dengan metodologi yang lebih mendekati kecerdasan nyata. Hasilnya adalah sistem yang lebih dapat dipercaya yang mengubah industri dan masyarakat.
Satu artikel menarik yang disertakan dalam prosiding ditulis oleh Thórisson sendiri, bersama dengan Henry Minskysalah satu pendiri dan chief technology officer Leela AI. Artikel yang berjudul Masa depan penelitian AI: Sepuluh ‘aksioma kecerdasan’ yang dapat ditolak, panggilan untuk kurang penekanan pada metodologi ilmu komputer tradisional dan matematika, dengan alasan bahwa metodologi baru harus dikembangkan dengan fokus yang lebih besar pada ilmu kognitif. Para penulis menegaskan bahwa kecerdasan sejati mencakup penyatuan hubungan sebab akibat, penalaran, dan perkembangan kognitif.
Apa atribut utama AI masa depan?
Menurut Thórisson dan Minsky, pembelajaran umum otonom, atau pembelajaran umum yang diawasi sendiri, melibatkan pembuatan struktur pengetahuan tentang fenomena asing atau objek dunia nyata tanpa bantuan. AI perlu merepresentasikan sebab dan akibat dan menggunakannya sebagai komponen kunci dalam proses penalarannya. Saat dihadapkan pada fenomena baru, AI harus mampu mengembangkan hipotesis tentang hubungan sebab akibat.
“Bahan terpenting untuk kecerdasan mesin umum masa depan adalah kemampuan untuk menangani kebaruan, kemampuan untuk mengelola pengalaman secara mandiri, dan kemampuan untuk merepresentasikan hubungan sebab-akibat”
Kristinn Thórisson, Universitas Reykjavik dan Institut Islandia untuk Mesin Cerdas
AI harus mampu belajar secara bertahap, memodifikasi pengetahuan yang ada berdasarkan informasi baru. Pembelajaran kumulatif melibatkan perolehan berbasis penalaran dari informasi yang semakin berguna tentang bagaimana sesuatu bekerja. Model harus diperbaiki ketika bukti baru tersedia. Ini membutuhkan pembuatan hipotesis – topik untuk penelitian AI di masa depan.
Namun, yang sudah diketahui adalah bahwa hipotesis harus dibentuk melalui proses penalaran yang mencakup deduksi, penculikan, induksi, dan analogi. Dan AI harus melacak argumen yang mendukung dan menentang hipotesis. Persyaratan penting lainnya dari AI masa depan adalah harus memodelkan apa yang tidak diketahui pada saat perencanaan. Itu kemudian harus dapat membawa pengetahuan yang berguna ke suatu tugas kapan saja.
“Bahan terpenting untuk kecerdasan mesin umum masa depan adalah kemampuan untuk menangani kebaruan, kemampuan untuk mengelola pengalaman secara mandiri, dan kemampuan untuk merepresentasikan hubungan sebab-akibat,” kata Thórisson. “Pendekatan konstruktivis terhadap AI telah memberikan titik awal yang berguna untuk menangani dua poin pertama – menangani hal baru dan mengelola pengalaman secara mandiri. Namun, jalan kita masih panjang sebelum sistem dapat memodelkan kausalitas secara mandiri, dengan cara yang efektif dan efisien.”
Bagaimana kita bisa sampai ke sana dari sini?
Sistem kecerdasan buatan generasi saat ini menggunakan a pendekatan konstruksionisyang menurut Thórisson telah menghasilkan beragam solusi terisolasi untuk masalah yang relatif kecil.
“Sistem AI membutuhkan integrasi yang jauh lebih kompleks daripada yang telah dicoba hingga saat ini, terutama ketika fungsi transversal dilibatkan, seperti perhatian dan pembelajaran,” katanya. “Satu-satunya cara untuk mengatasi tantangan tersebut adalah dengan mengganti metodologi pengembangan arsitektur top-down dengan arsitektur yang mengatur diri sendiri yang mengandalkan kode yang dihasilkan sendiri. Kami menyebutnya ‘AI konstruktivis’.”
Baik Thórisson dan Minsky sedang mengerjakan algoritme berdasarkan prinsip-prinsip ini. Thórisson mendemonstrasikan pendekatan AI konstruktivis dengan sistem, yang dikenal sebagai AERA, yang secara mandiri mempelajari cara berpartisipasi dalam wawancara multimoda lisan dengan mengamati manusia berpartisipasi dalam wawancara bergaya TV. Sistem secara mandiri memperluas kemampuannya melalui konfigurasi ulang sendiri.
AERA, yang telah dikembangkan selama 15 tahun, mempelajari tugas-tugas yang sangat kompleks secara bertahap. Dimulai dengan hanya dua halaman kode benih untuk bootstrap dan berjalan di komputer desktop biasa, agen AERA membuat tindakan yang bermakna secara semantik, ucapan yang benar secara tata bahasa, koordinasi waktu nyata, dan pengambilan giliran – tanpa mempelajari apa pun sebelumnya. Itu dilakukan setelah hanya 20 jam pengamatan. Pengetahuan yang dihasilkan terdiri dari lebih dari 100 halaman kode yang dapat dieksekusi yang ditulis sendiri oleh sistem untuk memungkinkannya mengambil peran sebagai pewawancara atau orang yang diwawancarai.
Berfokus pada otomasi industri, Minsky mengambil pendekatan yang sangat mirip dengan sistem cerdas di Leila AI. Dia neuro-simbolik teknologi telah menghasilkan pendekatan baru untuk otomasi industri yang dapat melacak aktivitas orang dan mesin di lantai pabrik dan menghasilkan informasi yang dapat ditindaklanjuti tentang operasi mereka.
Menurut Minsky dan Thórisson, fokus saat ini pada jaringan saraf dalam menghambat kemajuan di lapangan. “Menjadi tergantung secara eksklusif pada representasi statistik – bahkan ketika dilatih pada data yang mencakup informasi kausal – jaringan saraf yang dalam tidak dapat secara andal memisahkan korelasi palsu dari korelasi yang bergantung pada kausal,” kata Thórisson. “Akibatnya, mereka tidak dapat memberi tahu Anda ketika mereka mengada-ada. Sistem seperti itu tidak dapat dipercaya sepenuhnya.”
Indonesian
Arabic
Chinese (Simplified)
Dutch
English
French
German
Italian
Portuguese
Russian
Spanish