Insting Baru AI: Mengapa Berpikir Lebih Cerdas Lebih Penting Daripada Berpikir Lebih Lama

Kemajuan dalam kecerdasan buatan (AI) telah lama didorong oleh keyakinan bahwa peningkatan data dan daya komputasi dapat meningkatkan kinerja. Pendekatan “brute force” ini telah menghasilkan sistem AI yang mengesankan, seperti GPT-3, yang telah berperforma sangat baik selama beberapa tahun. Namun, paradigma ini mulai mencapai batasnya. Ketika masalah AI menjadi lebih kompleks, menjadi jelas bahwa hanya menambahkan lebih banyak daya komputasi tidak akan menjadi solusi yang berkelanjutan atau efektif untuk kemajuan jangka panjang. Realisasi ini telah mendorong peneliti untuk memikirkan kembali pendekatan mereka terhadap pengembangan AI. Dalam konteks ini, model Cogito v2 dari Deep Cogito memperkenalkan pendekatan baru yang dapat mengubah masa depan pengembangan AI. Daripada bergantung pada lebih banyak daya komputasi atau penalaran yang lebih panjang, Cogito v2 mengembangkan “insting” internal yang memandu model untuk mengidentifikasi jalur yang tepat sebelum memulai pencarian. Ini adalah pergeseran paradigma dalam cara AI dikembangkan dengan fokus pada berpikir lebih cerdas, bukan lebih lama.

Perubahan dalam Pengembangan AI

Selama beberapa tahun, kekuatan pendorong di balik kemajuan AI adalah ide bahwa “lebih banyak lebih baik.” Pendekatan ini telah menghasilkan model AI yang menghasilkan rantai penalaran yang luas untuk memecahkan masalah yang kompleks. Model OpenAI, seperti GPT-3, adalah contoh dari pendekatan ini, di mana rantai penalaran yang lebih panjang telah menghasilkan hasil yang mengesankan pada tugas yang sulit. Namun, metode ini memiliki kelemahan yang signifikan. Rantai penalaran yang lebih panjang memerlukan lebih banyak sumber daya komputasi, yang menghasilkan waktu inferensi yang lebih lambat dan biaya operasional yang lebih tinggi. Selain itu, penelitian telah menunjukkan bahwa proses yang lebih panjang ini sering menghasilkan hasil yang menurun, di mana penalaran yang lebih panjang menghasilkan bias yang lebih besar dan efisiensi yang lebih rendah. Masalah dasar adalah bahwa mengandalkan rantai penalaran yang panjang dan meningkatkan daya komputasi tidak lagi menjadi solusi yang efektif untuk memecahkan masalah AI yang kompleks. Pendekatan ini terbatas oleh waktu pemrosesan yang besar dan kebutuhan memori.

Mengapa ‘Insting’ Penting bagi AI

Tidak seperti sistem AI saat ini yang bergantung pada penalaran yang panjang, manusia sering mengandalkan apa yang disebut “insting” (sebuah bentuk penilaian yang cepat dan intuitif) untuk memecahkan masalah. Meskipun insting mungkin tampak seperti konsep abstrak, seringkali hasil dari tahun-tahun pengalaman, pembelajaran, dan pemrosesan konteks yang memungkinkan manusia untuk membuat keputusan yang cepat tanpa menganalisis setiap detail. Ini adalah jenis intuisi yang membedakan komputasi mentah dari penalaran yang seperti manusia. Manusia membangun “insting” ini melalui pengenalan pola dan pengalaman yang terkumpul, yang memungkinkan kita untuk membuat keputusan tanpa mengeksplorasi setiap opsi yang mungkin. AI yang baru ini bertujuan untuk meniru proses ini.

Bagaimana Cogito v2 Mengintegrasikan ‘Insting’

Cogito telah mengintegrasikan konsep “insting” (lebih teknis, prioritas kecerdasan) ke dalam model terbarunya, Cogito v2. Mereka mengintegrasikan konsep ini menggunakan mekanisme yang disebut Iterated Distillation and Amplification (IDA). Mekanisme ini memungkinkan model untuk belajar dari proses penalaran sendiri dan memperbaiki keterampilan pemecahan masalahnya seiring waktu. Daripada bergantung pada prompt statis atau guru yang tetap, IDA memungkinkan AI untuk menyuling jalur penalaran yang sukses kembali ke parameter inti model. Proses perbaikan diri ini memperbaiki kemampuan penalaran model seiring waktu, mengoptimalkan tidak hanya untuk jawaban yang akurat, tetapi juga untuk metode berpikir yang paling efisien.

• Iterated Distillation and Amplification (IDA)

Untuk memahami bagaimana IDA bekerja, kita dapat melihat teori proses ganda, yang membagi pemikiran manusia menjadi dua sistem: Sistem 1 dan Sistem 2. Sistem 1 merujuk pada pengambilan keputusan yang cepat dan intuitif, sedangkan Sistem 2 lebih lambat, dengan penalaran yang lebih sadar. Teori ini menunjukkan bahwa manusia mengandalkan Sistem 1 untuk sebagian besar tugas, tetapi beralih ke Sistem 2 ketika dihadapkan pada keputusan yang lebih kompleks.

IDA adalah siklus dua tahap: amplifikasi dan penyulingan. Pada tahap amplifikasi, model menggunakan metode komputasi yang intensif untuk menghasilkan solusi atau jejak penalaran yang berkualitas tinggi. Ini seperti pemikiran Sistem 2, di mana AI mengambil waktu untuk mengevaluasi solusi yang mungkin dengan hati-hati. Pada tahap penyulingan, model kemudian menginternalisasi wawasan dari tahap amplifikasi, mengubah proses penalaran dari Sistem 2 ke Sistem 1. Seperti halnya seorang pengemudi menjadi lebih intuitif setelah mendapatkan pengalaman, model AI dengan IDA dapat membuat keputusan yang lebih cepat dan efisien seiring waktu.

Ide kunci di balik IDA adalah menggunakan penalaran komputasi yang intensif pada tahap amplifikasi, kemudian menyuling penalaran yang ditingkatkan kembali ke parameter model. Proses ini memungkinkan model untuk menginternalisasi strategi penalaran yang efektif, yang membangun kapasitasnya untuk berpikir secara intuitif ketika memecahkan masalah. Dengan mengulangi siklus ini, sistem AI terus memperbaiki kemampuan membuat keputusan dengan sumber daya komputasi yang lebih sedikit.

Kelebihan Mengintegrasikan ‘Insting’ ke dalam AI

Salah satu kelebihan utama dari insting AI adalah efisiensinya. Model seperti Cogito v2 menunjukkan rantai penalaran yang hingga 60% lebih pendek daripada model lain. Ini berarti bahwa mereka dapat mencapai jawaban dengan langkah internal yang lebih sedikit, mengurangi waktu dan sumber daya yang diperlukan untuk inferensi. Sebagai contoh, masalah yang mungkin memerlukan DeepSeek R1 lebih dari 200 token untuk diselesaikan dapat diselesaikan oleh Cogito v2 dalam kurang dari 100 token.

Lebih lagi, biaya pelatihan Cogito v2 jauh lebih rendah daripada model AI tradisional. Proses pelatihan keseluruhan untuk Cogito v2, yang mencakup berbagai parameter, berbiaya kurang dari $3,5 juta, yang jauh lebih rendah daripada biaya yang biasanya terkait dengan model skala besar seperti GPT-4.

Cogito v2 juga menunjukkan kemampuan yang muncul di area yang tidak dilatih secara eksplisit. Sebagai contoh, meskipun dilatih terutama pada teks, Cogito v2 dapat berpikir tentang gambar, menggambar wawasan tentang komposisi gambar dan habitat. Kemampuan penalaran antar moda ini adalah langkah besar menuju kecerdasan umum, sebuah tonggak penting di jalur menuju Kecerdasan Umum Buatan (AGI).

Mempikirkan Kembali Pengembangan AI

Keberhasilan prioritas kecerdasan menunjukkan bahwa strategi pengembangan AI perlu bergeser secara fundamental. Daripada hanya menskalakan ukuran model atau meningkatkan sumber daya komputasi, pengembangan AI harus fokus pada membangun sistem yang dapat mengembangkan dan memperbaiki strategi kognitif mereka sendiri. Perubahan ini mencerminkan perkembangan kognitif manusia, di mana kecerdasan tidak merupakan hasil dari otak yang lebih besar atau waktu berpikir yang lebih lama, tetapi lebih dari model mental dan strategi penalaran yang lebih baik. Perubahan ini dapat memiliki implikasi jangka panjang. Dengan menekankan penalaran yang lebih cerdas daripada daya komputasi mentah, AI dapat menjadi lebih serbaguna, adaptif, dan mampu menangani tantangan baru. Perubahan ini dapat mempercepat penerapan AI di industri seperti kesehatan, keamanan siber, dan transportasi otonom, membuat sistem AI lebih efisien, hemat biaya, dan berdampak.

Ringkasan

Keberhasilan Cogito v2 menunjukkan bahwa masa depan AI tidak terletak pada penskalaan model atau peningkatan daya komputasi, tetapi pada perbaikan arsitektur penalaran dan optimasi untuk pemecahan masalah yang lebih cerdas. Perubahan ini menjanjikan masa depan yang lebih berkelanjutan dan dapat diakses untuk AI, di mana sistem dapat terus memperbaiki dan beradaptasi dengan ketergantungan yang lebih sedikit pada sumber daya komputasi yang luas. Dengan fokus pada penalaran yang cerdas daripada komputasi yang kuat, AI dapat menjadi lebih mampu menangani masalah dunia nyata yang kompleks.