Evolusi “Exolution” AI yang Akan Datang

Hari ini, berada di tepi garis kesalahan teknologi, kita menyaksikan perjalanan dari LLMs ke agen, dan akhirnya ke agentic AI dan AGI, dan itu tidak hanya tentang model yang lebih besar atau respon yang lebih cepat. Ini juga tentang mesin yang bergerak dari asisten pasif ke kolaborator aktif, dan mungkin, suatu hari nanti, pemikir independen.

Mari kita telusuri jalur ini dan menjelajahi apa yang dimaksud dengan kerja, keahlian, dan peran manusia dalam membentuk kecerdasan masa depan.

Perbedaan antara LLMs, sistem berbasis agen, dan agentic AI

Untuk memahami perbedaan, berikut adalah contoh. Jika saya bertanya kepada LLM tentang sesuatu seperti: “Saya ingin bepergian dari Chicago ke Austin, mengemudi tidak lebih dari empat jam sehari, dan berhenti di tempat-tempat indah,” LLM biasa akan mengembalikan respons statis dalam format teks berdasarkan generasi bahasa. Ini kemungkinan hanya akan merespons permintaan tanpa melakukan analisis yang menyeluruh.

Seorang agen akan pertama-tama mengklasifikasikan permintaan sebagai terkait perjalanan. Kemudian, ia akan menentukan apa data yang dibutuhkan: rute menggunakan layanan pemetaan, informasi cuaca, biaya bahan bakar, hotel, restoran, dll. Setelah itu, agen akan memecah permintaan menjadi tugas-tugas kecil dan mengarahkannya ke modul-modul khusus atau LLM yang dilatih pada sumber-sumber yang relevan. Ini adalah orkestrasi dan koordinasi beberapa model dan alat di bawah logika yang terpadu.

Hari ini, sebagian besar sistem besar seperti ChatGPT atau Claude dari Anthropic pada dasarnya sudah merupakan agen. Meskipun mungkin tampak bagi pengguna bahwa mereka berinteraksi dengan model tunggal, di balik layar ada arsitektur yang kompleks yang melibatkan banyak model dan sistem. Mereka sudah dapat menangani kueri yang kompleks, tetapi kemampuan mereka sebagian besar terbatas pada menyediakan informasi; mereka belum mengambil tindakan.

Sebuah agen otonom yang sepenuhnya agentic AI adalah sistem yang mengumpulkan informasi dan dapat, misalnya, secara independen memesan hotel, membeli tiket, atau memulai pembayaran, asalkan memiliki akses ke API atau data pengguna yang relevan. Agen-agen seperti itu saat ini masih dalam tahap pengembangan awal. Pada titik ini, mereka lebih seperti semi-agen, yang dapat memproses informasi tetapi belum melakukan tindakan otonom.

Sebuah area diskusi menarik dalam komunitas penelitian adalah agentic AI. Tidak seperti agen biasa, yang perilakunya ditentukan oleh pengembang, agentic AI adalah sistem yang secara independen memutuskan tugas apa yang harus dilakukan, apa data yang dibutuhkan, dan bahkan bagaimana melanjutkan pelatihan sendiri. Ini melampaui eksekusi instruksi; ini melibatkan membuat keputusan otonom. Namun, agentic AI masih teoretis pada tahap ini; tidak ada sistem seperti itu yang ada dalam praktiknya.

AGI – cakrawala baru. Tapi apakah itu dapat dicapai?

Meta telah berinvestasi di Scale AI tiga bulan yang lalu. Tujuannya adalah untuk bergabung dalam perjalanan menuju pembangunan AGI, Kecerdasan Umum Buatan, yang dapat melakukan tugas apa pun pada tingkat manusia atau bahkan melampaui itu. Jika AI hari ini adalah revolusi teknologi, AGI akan menjadi revolusi mega; terkadang saya menyebutnya “exolution”, yang berarti “eksodus” AI dari bayang-bayang. Siapa pun yang mencapainya pertama kali akan memperoleh keunggulan strategis global.

Menurut seberapa dekat kita dengan AGI yang sebenarnya, itu tergantung pada bagaimana kita mendefinisikannya. Saya setuju dengan pandangan Ilya Sutskever: AGI adalah sistem yang dapat melakukan tugas intelektual apa pun yang dapat dilakukan manusia. Bukan hanya menjawab pertanyaan, tetapi juga penalaran, pengambilan keputusan, generalisasi, dan interpretasi di seluruh domain. AGI yang sebenarnya adalah universal dan tidak terbatas pada tugas-tugas yang sempit.

Tidak ada model saat ini yang telah mencapai tingkat itu. Kita bergerak menuju arah itu, tetapi AGI yang sebenarnya, dalam arti teoretis, masih belum ada. Dan mungkin itu yang terbaik. Kita masih dalam fase pendekatan, dan kemungkinan kita akan tetap berada di sana untuk waktu yang cukup lama.

Dasar AGI kemungkinan akan menjadi sistem berbasis agen. Ini tidak harus bergantung pada satu LLM, karena sama seperti tidak ada satu manusia, tidak peduli seberapa cerdas, yang dapat menguasai semua domain pengetahuan dan keterampilan, tidak ada satu LLM yang dapat menangani spektrum penuh tugas AGI sendirian. Apa yang kita butuhkan adalah jenis “kecerdasan kolektif”: arsitektur yang dapat mengoordinasikan beberapa model dan komponen.

AGI kemungkinan akan muncul tidak hanya sebagai agen yang dirancang manusia, tetapi sebagai meta-agen. Ini akan menjadi sistem yang sebagian dikembangkan dan berkembang dengan bantuan AI itu sendiri. Ini penting karena sistem yang dirancang sepenuhnya oleh manusia mungkin memiliki keterbatasan bawaan. Mengikutkan AI dalam proses desain dapat membantu mengatasi keterbatasan ini dan membuat sistem lebih adaptif.

AGI mungkin tidak akan datang dari satu temuan spesifik. Tidak hanya LLM yang lebih besar, agen yang lebih pintar, atau arsitektur yang sepenuhnya baru, tetapi dari sintesis ketiganya. Kemungkinan besar, sesuatu yang secara fundamental baru yang melampaui kategori yang kita gunakan saat ini.

“Ujian Terakhir Kemanusiaan” dan benchmark AGI lainnya

“Ujian Terakhir Kemanusiaan” (HLE) adalah salah satu benchmark yang lebih ambisius yang saat ini dibahas dalam konteks LLMs, Agen, dan AGI. Secara esensial, ini adalah tes yang terdiri dari sekitar 2.500 pertanyaan yang meliputi berbagai disiplin ilmu – matematika, fisika, biologi, kimia, teknik, ilmu komputer, dan bahkan catur. Ide ini adalah untuk mengevaluasi apakah sistem AI dapat menyelesaikan masalah pada tingkat yang mencerminkan pemahaman manusia yang sebenarnya.

Model bahasa saat ini performanya sangat buruk pada HLE, sering skor di bawah 5% akurasi. Ini berbeda dengan benchmark lain seperti MMLU atau GPQA, di mana model mencapai skor yang jauh lebih tinggi. Kesulitan model dengan HLE menyoroti betapa jauhnya mereka masih dari kecerdasan umum yang sebenarnya.

Penting untuk dicatat bahwa kinerja tinggi pada benchmark dengan dataset yang diketahui atau sempit tidak selalu menunjukkan kehadiran kecerdasan umum yang sebenarnya. Sebuah model dapat difine-tune atau “dilatih untuk tes”, yang mungkin mengembangbiakkan kemampuan yang tampaknya. Jadi, bahkan skor sempurna pada HLE tidak akan berarti kita telah mencapai AGI; itu hanya berarti kita telah lulus satu tes tertentu.

Apa yang Menggerakkan AGI

Saya sepenuhnya setuju bahwa pilar-pilar inti AGI adalah data, komputasi, dan talenta. Situasi dengan komputasi sudah jelas. Pemain kunci seperti Meta mencoba memproduksi chip mereka sendiri, menginvestasikan miliaran dalam proses pengembangan chip mereka. Tetapi perusahaan masih sangat bergantung pada chip dan kekuatan komputasi pemain lain seperti Nvidia, yang tidak hanya menyediakan perangkat keras yang diperlukan tetapi juga memahami pentingnya meningkatkan produksi.

Lebih banyak pertanyaan tentang data dan talenta. Internet telah kehabisan — tidak ada potongan teks yang dibuat manusia dari sumber terbuka yang tidak digunakan untuk pelatihan pada saat ini. Volume total informasi yang telah diproduksi manusia hingga saat ini ternyata sangat kecil. Itulah mengapa perusahaan mulai bermitra aktif dengan mereka yang dapat menghasilkan data manusia berkualitas tinggi.

Otomatisasi Penuh atau Manusia dalam Lingkaran?

Poin lain – penurunan permintaan akan anotasi data manual. Beberapa tahun yang lalu, industri ini berkembang dengan kecepatan penuh. Ribuan anotator diterima untuk memenuhi kebutuhan pipa AI. Hari ini, sebagian besar momentum itu telah bergeser ke arah otomatisasi. Model telah matang, dan begitu juga dengan tooling di sekitarnya.

Ambil contoh pengenalan wajah. Ini dulu salah satu penggerak utama volume anotasi gambar. Tetapi kategori ini sebagian besar sudah terpecahkan. Model seperti YOLO, SAM, dan Samurai dengan cepat menyerap pekerjaan rutin. Sistem-sistem ini mengompresi pekerjaan manual mingguan menjadi menit, sering dengan akurasi yang mengagumkan. Kami juga mengimplementasikan banyak alat ML yang dibantu dalam platform kami Keylabs. Ini benar-benar membantu memotong alur kerja rutin.

Namun, semua model ini terbatas oleh generalisasi dan hanya cocok untuk mengotomatisasi operasi standar dan seragam. Kasus yang kompleks atau unik masih memerlukan perhatian manusia.

Kita bergerak menjauh dari paradigma lama di mana seorang anotator hanya orang yang detail dan dapat mengenali objek atau emosi. Dalam kenyataan baru, profesional diperlukan: dokter untuk menandai gambar medis, programmer untuk mengkode, arsitek untuk membuat blueprint, pemasar untuk wawasan pelanggan, dan ahli militer untuk skenario pertahanan.

Kita sudah melihat kasus nyata, seperti pilot tempur yang menandai data untuk AI dan mendapatkan $1.000 per jam untuk keahlian mereka. Karena spesialis seperti itu jarang dan pengetahuan mereka sangat penting untuk melatih AI dengan kinerja tinggi.

Dunia sedang berubah: lebih dan lebih orang menjadi operator dan “pelatih” kecerdasan buatan. Baru-baru ini, saya menerima pesan LinkedIn yang meminta saya untuk memeriksa dataset untuk aplikasi AI yang dirancang untuk CEO. Di masa depan, salah satu dari kita mungkin menerima tawaran untuk bekerja sebagai anotator, tidak hanya orang yang mengklik tombol, tetapi ahli yang pengetahuannya membentuk kecerdasan masa depan.

Kita sudah hidup dalam kenyataan baru ini, dunia pelabelan data dan pelatihan AI. Mereka yang mengenali dan beradaptasi akan memperoleh keunggulan signifikan.