Berapa Lama Lagi hingga Penindakan Nyata terhadap Penghapusan Sensor Model AI?

Jika Anda cukup tua untuk mengingat kancah warez sekitar 1995–2010, ketika koleksi besar perangkat lunak yang dibobol dan film hasil salinan (dibeli secara grosir di jalanan, atau dikumpulkan oleh pembajak amatir setelah koneksi pita lebar berkecepatan tinggi memungkinkan pengunduhan besar-besaran dalam volume tinggi) menumpuk di banyak koleksi DVD yang sesak, kancah yang sedang berkembang untuk model AI sumber terbuka yang “dihapus sensornya” mungkin terasa akrab bagi sebagian orang.

Dari “masa keemasan” perdagangan kasual perangkat lunak dan film di jalanan. Kredit – Shankar.s. “DVD bajakan di pasar jalanan PP” – Sumber / Lisensi

Dahulu, sebelum penyewaan perangkat lunak menjadi hal yang umum bagi konsumen, sekelompok kecil penggemar perangkat lunak “scene” yang andal muncul untuk membobol aplikasi, yang kemudian disebarkan ke grup newsgroup “warez” dan, belakangan, grup torrent. Pembatasan tersebut bisa sulit atau mudah ditembus, tetapi setelah tersebar, pelanggaran itu biasanya tak dapat dihapus.

Inilah yang kini terjadi pada Model Bahasa Besar (LLM) sumber terbuka, yang secara rutin dan dalam skala besar dilucuti dari filter keselamatan yang ditanamkan melalui pelatihan. Setelah itu, model yang dihapus sensornya ini dibagikan di begitu banyak tempat sehingga menutup sumber awal “pembobolan” pun tidak mengubah ketersediaan model tersebut.

Pemberi Manfaat atau Pembawa Kerugian

Pertanyaannya: dari sudut pandang apa Anda ingin melihat aktivitas ini? Tidak seperti dalam kancah warez, tak ada pihak yang dirugikan secara langsung hingga kehilangan pendapatan seperti yang mungkin dialami produsen perangkat lunak kecil 20–30 tahun lalu.

Yang pasti, dalam kasus seperti ini*, ketentuan lisensi asli sering dilanggar. Namun, berbeda dengan rilis bobot parsial dari produsen model AI generatif seperti Black Forest Labs, distributor asli tidak menjadikan versi “berkualitas lebih rendah” sebagai jalur peningkatan menuju model yang lebih mumpuni dan hanya tersedia melalui API; mereka merilis model lengkap secara langsung.

Dalam kebanyakan kasus, hampir tak seorang pun dapat menjalankan rilis awal ini secara lokal karena jumlah parameternya terlalu besar, bahkan untuk kartu GPU dengan kapasitas VRAM 16–24 GB.

Karena itu, rilis awal dengan cepat diubah menjadi versi yang lebih ringkas agar dapat dijalankan di perangkat keras konsumen, melalui kuantisasi model dan pengubahan bobot ke format yang lebih ringan seperti GGUF, AWQ, PTQ, EXL2, atau MLX yang berfokus pada Apple.

Meski kinerjanya tidak sebaik model asli berukuran penuh (yang biasanya akan disediakan secara komersial melalui berbagai pusat komputasi GPU), setidaknya model-model ini berada dalam kendali pengguna dan dapat disesuaikan untuk kebutuhan pengguna tersebut dengan cara yang tidak bisa dilakukan oleh model “yang lebih baik”.

Sesuaikan dengan Keinginan Anda

Sebagian cara penyesuaian ini jelas sah dan biasanya tercakup dalam lisensi dari pihak hulu, seperti penyetelan lanjutan, agar bobot model secara khusus diarahkan pada tugas atau ranah sasaran yang dimasukkan pengguna ke dalamnya. Dalam hal ini, selama kapasitas hard disk mencukupi, pengguna bahkan dapat menyetel beberapa instans model sumber terbuka untuk beragam tugas, seperti rangkaian alat tradisional yang masing-masing dirancang untuk tujuan khusus—alih-alih menggunakan model berbobot penuh dari pihak hulu yang serba bisa seperti “pisau Swiss Army”.

Selain itu, model dengan pengaturan yang kompatibel tetapi data pelatihan berbeda dapat digabungkan; atau kemampuan tambahan dapat ditambahkan ke model melalui filter LoRA yang ringan, tanpa berisiko melemahkan kemampuan asli model dasar melalui penyetelan lanjutan.

Namun, modifikasi yang paling menarik bagi banyak pengguna dan lebih mudah dilakukan daripada metode-metode di atas adalah penghapusan filter keselamatan yang disebutkan sebelumnya, atau pagar pengaman.

Memang, hal ini memungkinkan model menghasilkan konten pornografi dan materi untuk pengembangan malware, tetapi juga menghapus serangkaian pembatasan yang dianggap banyak pengguna terlalu ketat dan sering kali rentan terhadap kesalahan.

Salah satu dari banyak contoh lucu Llama-2-7b-chat yang menolak permintaan wajar dengan alasan keselamatan, tersedia di URL sumber. Sumber

Heretic

Dalam kasus Heretic, perangkat lunak yang belakangan merevolusi penghapusan sensor model, pengguna bahkan dapat mengurangi kadar gaya bahasa berbunga-bunga dan bertele-tele yang cenderung digunakan model.

Heretic mulai menghapus sensor dari gpt-oss, meski harus diakui proses ini memerlukan mesin dengan spesifikasi sangat tinggi yang kemungkinan tidak dimiliki konsumen rata-rata di rumah—walaupun mesin seperti itu dapat disewa dengan murah secara daring selama proses tersebut berlangsung. Sumber

Yang lebih penting, Heretic—yang secara otomatis mencari abliterasi untuk menekan penolakan sambil meminimalkan dampak terhadap perilaku asli model—menyederhanakan tugas menghapus sensor yang relatif rumit menjadi sekadar satu perintah dari sudut pandang pengguna akhir.

Seperti terlihat pada tangkapan layar di atas, Heretic cenderung membutuhkan GPU yang lebih bertenaga daripada yang mungkin dimiliki konsumen di rumah. Namun, pengguna tidak perlu menjalankannya di perangkat keras rumahan, sama seperti mereka tidak perlu membobol perangkat lunak sendiri pada 2002. Seperti pada masa warez, penyedia awal di komunitas (penggemar kasual, biasanya nonkomersial) yang memiliki akses ke perangkat keras semacam itu atau bersedia mengeluarkan sejumlah token untuk menangani masalah ini akan melakukan jailbreak dan merilis model yang telah dihapus sensornya ke komunitas.

Dalam Bidikan

Ketika suatu tindakan digital yang “meragukan” tak lagi sulit dilakukan, biasanya hal itu terjadi akibat lonjakan kemampuan dalam semalam (seperti Napster atau PopCornTime) yang tiba-tiba meningkatkan skala aktivitas itu sendiri sekaligus menarik lebih banyak perhatian resmi untuk membatasinya.

Seiring dengan makin populernya dan mudah digunakannya platform seperti Ollama, Heretic mulai membuat akses ke model yang telah dihapus sensornya terjangkau bagi pengguna nonteknis, meskipun metode yang benar-benar “anti-gagal” belum tersedia.

Hal itu membawa saya kembali ke pertanyaan sebelumnya: apakah aktivitas ini merupakan “masalah” atau bukan. Sebuah makalah yang muncul di arXiv kemarin menunjukkan kepada saya bahwa, berdasarkan sejumlah tren yang sangat baru dalam pembatasan dan pengetatan kebebasan konsumen teknologi, penghapusan sensor kemungkinan akan semakin menarik perhatian dan memicu lebih banyak undang-undang yang bersifat membatasi di seluruh dunia.

Makalah baru itu, sebuah laporan dari 10a Labs, menggambarkan gerakan penghapusan sensor secara negatif dan menyajikan kasus-kasus penyalahgunaan yang biasanya hanya dilakukan oleh sebagian kecil pengguna. Sejarah menunjukkan bahwa kasus-kasus tersebut akan memicu pembatasan, dan tren saat ini meramalkan hal serupa.

Studi tersebut menelusuri apa yang terjadi setelah model yang telah dihapus sensornya dirilis dan didistribusikan kembali, serta mengidentifikasi 1.643 aplikasi GitHub yang mengintegrasikan, merekomendasikan, atau menjadikan model tanpa sensor sebagai pilihan bawaan.

Model yang dimaksud mencakup berbagai jenis, mulai dari chatbot serbaguna dan alat pemrosesan dokumen hingga permainan peran dan penceritaan NSFW; layanan konten eksplisit; alat peretasan dan keamanan ofensif; serta aplikasi penipuan dan pembuat perangkat lunak berbahaya. Studi tersebut menggolongkan 25% model yang dirilis sebagai “secara eksplisit berbahaya”:

Rincian penggunaan model AI tanpa sensor setelah dirilis. Studi tersebut menelusuri 1.643 aplikasi GitHub yang mengintegrasikan, merekomendasikan, atau menjadikan model yang pembatasan keamanannya telah dihapus sebagai pilihan bawaan. Hasilnya, 37% merupakan chatbot serbaguna tanpa sensor, sedangkan alat keamanan siber dan pemrosesan dokumen masing-masing mencakup 16%, disertai kategori-kategori yang lebih kecil, seperti asisten suara, permainan peran NSFW, penulisan kreatif, pemrograman, dan penggunaan lainnya. Makalah tersebut menemukan bahwa sekitar 25% aplikasi yang teridentifikasi dapat digolongkan sebagai “secara eksplisit berbahaya”. Sumber

Mengingat pembatasan akses web yang baru diberlakukan di Inggris (serta niat negara itu untuk membatasi akses VPN yang dapat menghindarinya, yang kini ditangguhkan); persyaratan California pada 2027 agar sebagian besar sistem operasi mengumpulkan rentang usia pengguna dan memberikannya kepada aplikasi; skema Uni Eropa untuk verifikasi usia demi mengakses konten dewasa daring; serta larangan Australia terhadap akun media sosial bagi mereka yang berusia di bawah 16 tahun; makalah baru tersebut tampaknya mengikuti pola ketika meningkatnya perhatian pada akhirnya memicu pengawasan dan regulasi yang lebih ketat, serta kemungkinan pelarangan selektif atau menyeluruh.

Ini Tak Mungkin Terjadi di Sini

Tidak, hal itu jelas bisa terjadi di sini, sebagian karena tingginya persentase penggunaan yang merugikan, menurut perkiraan para penulis studi baru tersebut; dan, bisa dibilang, karena langkah-langkah pengendalian akan semakin membatasi tren yang kian berkembang menuju AI yang dijalankan secara lokal, yang dapat dipandang pemerintah dan lembaga sebagai ancaman—terlebih lagi ketika model-model tersebut dilepaskan dari kendalinya.

Dengan membingkai aktivitas penghapusan sensor sebagai cara untuk “memfasilitasi” keluaran NSFW dan peretasan berbahaya, penghapusan sensor dapat disajikan sebagai pilihan biner yang menyesatkan: karena bisa digunakan untuk hal-hal buruk, aktivitas itu harus tunduk pada regulasi. Dalam praktiknya, tampaknya tidak ada cara realistis untuk mengatur fungsi semacam itu sama sekali selain melarangnya sepenuhnya, mengingat begitu banyak kemungkinan penggunaannya.

Selain itu, dalam kasus ketika penghapusan sensor pada LLM dapat membuat model menghasilkan, misalnya, fiksi CSAM, regulasi yang ketat tampaknya menjadi pilihan yang tak terbantahkan. Siapa pun yang menentangnya dapat secara tersirat digambarkan sebagai pihak yang “mendukung” penggunaan jahat model yang telah dihapus sensornya, alih-alih mendukung penggunaan yang wajar.

Hal ini mengabaikan fakta bahwa model yang telah disetel ulang atau dipengaruhi LoRA dapat menghasilkan konten dalam domain tertentu yang diinginkan pengguna dengan jauh lebih efektif, sebab bobot dasar model menjadi begitu menyimpang demi tugas tersebut sehingga sepenuhnya meruntuhkan perlindungan apa pun yang telah dilatih ke dalamnya.

Semua tentang Kemudahan

Kemudahan penggunaan yang mendorong adopsi secara luas, dan adopsi secara luaslah yang mendorong pemerintah untuk membuat undang-undang—baik karena tekanan kelompok masyarakat, pelobi industri, maupun tekanan antar-pemerintah.

Meskipun penyetelan ulang dan LoRA hampir pasti dapat menghasilkan keluaran yang lebih tepat sasaran daripada sekadar membuka kunci model dasar FOSS, metode ini memerlukan tingkat disiplin dan upaya tertentu untuk diterapkan.

Begitu menjalankan model yang telah dihapus sensornya dan dikuantisasi secara lokal benar-benar hanya memerlukan beberapa klik (karena pengguna hampir pasti akan mengunduh model yang “sudah dibebaskan sebelumnya”, alih-alih membobolnya sendiri dengan Heretic), aktivitas ini keluar dari ranah terbatas para penggemar teknologi dan masuk ke ruang publik, tempat penyalahgunaannya kemungkinan besar akan menjadi bahan perdebatan politik.

Musim panas ini, NVIDIA memimpin sejumlah mitra teknologi besar untuk mengantisipasi pembatasan pemerintah terhadap model sumber terbuka, melalui sebuah surat terbuka yang kembali menyatakan bahwa penyalahgunaan teknologi oleh segelintir pihak tidak seharusnya mengancam potensinya untuk memberi manfaat secara luas. Namun, dalam beberapa tahun terakhir, pandangan ini terbukti tidak populer.

*Ketulusan para pembuat model dalam menyatakan keinginan mereka untuk membatasi aktivitas pengguna kerap dipertanyakan, bahkan perlindungan pagar pengaman pun dianggap sebagai “sekadar sandiwara”.