Berpikir Seperti Manusia: Dapatkah AI Mengembangkan Penalaran Analog?

Ketika dihadapkan pada sesuatu yang baru, manusia secara naluriah mencari kesamaan. Seorang anak yang belajar tentang atom mungkin mendengar bahwa elektron mengelilingi inti “seperti planet mengelilingi matahari.” Seorang wirausaha mungkin mempresentasikan startup mereka sebagai “Uber untuk perawatan hewan peliharaan.” Seorang ilmuwan mungkin mengatakan kepada audiens non-spesialis bahwa otak memproses informasi “seperti komputer.”

Lompatan mental ini – melihat bagaimana satu hal menyerupai yang lain dalam struktur yang lebih dalam – disebut penalaran analog. Dan mungkin ini adalah bahan yang memisahkan kecerdasan manusia dari AI dalam bentuknya saat ini. Jika kita ingin mengembangkan Kecerdasan Buatan Umum – Holy Grail of AI yang telah terbukti sulit ditemukan – kita harus mengetahui apakah memungkinkan mesin untuk belajar berpikir analogis. Taruhan tidak bisa lebih tinggi. Jika jawabannya adalah “Tidak,” maka bahkan sistem AI yang paling canggih akan selamanya tetap menjadi tidak lebih dari kalkulator yang ditingkatkan. Mereka tidak akan dapat menyelesaikan masalah yang memerlukan lebih dari sekedar pengaturan ulang data yang telah mereka pelajari.

Arsitektur Pemahaman

Penalaran analog bekerja pada tingkat kesamaan struktural, bukan kesamaan permukaan. Misalnya, apa yang membuat jantung dan pompa air serupa? Tentu tidak penampilan fisik mereka. Ini adalah fakta bahwa keduanya melakukan fungsi yang sama, yaitu mengalirkan cairan melalui sistem. Dan ini adalah kemampuan untuk memetakan hubungan yang khas dalam satu konteks ke konteks lain yang membuat pembelajaran, kreativitas, dan pemecahan masalah manusia begitu unik.

Tidak ada kekurangan contoh dunia nyata. Ambil August Kekulé, ahli kimia Jerman yang brilian, yang menerima petunjuk tentang struktur benzene dalam bentuk mimpi di mana dia melihat ular menggigit ekornya sendiri. Hari ini, programmer menerapkan pelajaran dari mengatur dapur ketika membangun kode, dan guru menjelaskan arus listrik dengan membandingkannya dengan air yang mengalir melalui pipa.

Sistem AI saat ini, bagaimanapun, menemukan keterampilan kognitif yang umum ini sangat sulit. Ketika dipicu, model bahasa besar (LLM) modern dengan senang hati menjelaskan mengapa “waktu adalah uang,” atau menyelesaikan teka-teki penalaran verbal. Tapi bukti yang meningkat menunjukkan bahwa mereka sering terlibat dalam pencocokan pola yang canggih, bukan pemetaan struktural yang sebenarnya. Ketika peneliti mempresentasikan model-model ini dengan masalah analogi baru yang menyimpang dari data pelatihan mereka, kinerja sering menurun. Ini karena LLM unggul dalam mereproduksi analogi yang telah mereka lihat sebelumnya, tetapi gagal ketika diminta untuk membangun koneksi baru.

Tidak Ada Penalaran Analog, Tidak Ada AGI

Jelas, penalaran analog adalahsine qua non dari AGI. Tanpa itu, sistem AI tetap rapuh, tidak dapat menyesuaikan pengetahuan yang relevan dalam satu domain untuk menyelesaikan masalah di domain lain. Misalnya, bayangkan mobil self-driving yang telah belajar menavigasi jalan-jalan California yang cerah, tetapi tidak dapat mengekstrapolasi pembelajaran itu untuk menangani kondisi bersalju. Sistem AI mobil itu adalah pemecah pola yang mahal, bukan sistem yang mampu kecerdasan yang sebenarnya. Kecerdasan yang sebenarnya akan memerlukan fleksibilitas kognitif untuk mengenali bahwa mengemudi di jalan es adalah struktural serupa dengan skenario permukaan licin lainnya, bahkan jika detailnya berbeda.

Prinsip yang sama berlaku di domain di luar kendaraan otonom, tentu saja. Pemikiran analog juga mengarahkan kemajuan dalam ilmu pengetahuan, diagnosis medis, penalaran hukum, dan upaya kreatif. Sistem AI tanpa kapasitas ini menyerupai seorang sarjana yang telah menghafal seluruh perpustakaan, tetapi tidak dapat mensintesis pengetahuan itu di seluruh disiplin. Mengesankan, tentu, tetapi hanya dalam cara yang terbatas.

Membangun Pikiran Analog

Jadi, apa yang diperlukan untuk mengembangkan sistem AI yang mampu berpikir analogis seperti manusia? Berdasarkan penelitian yang muncul dan sifat dasar pemikiran analog, beberapa kondisi dan teknik kritis tampaknya diperlukan.

Data Pelatihan yang Kaya Struktur dan Beragam

Persyaratan pertama adalah memiliki sistem AI yang dilatih pada data yang melampaui pola teks permukaan. Internet, dengan repositori luas makalah ilmiah, dokumentasi teknis, karya kreatif, dan konten penjelasan, adalah titik awal yang baik. Tapi tidak semua data internet akan dilakukan. Apa yang diperlukan adalah keragaman struktural. Dengan kata lain, untuk memandu sistem AI menuju pengenalan pola abstrak, pengembang harus mulai memperkenalkan kontras sejak hari pertama pelatihan. Data pelatihan mereka dapat menampilkan cetak biru arsitektur di samping skor musik, bukti matematika bersama dengan puisi, atau argumen hukum di samping resep masak. Karena setiap domain mengandung jenis struktur relasional yang berbeda, AGI yang akan datang akan mendapat manfaat dari latihan ini.

Lebih penting lagi, data ini perlu mempertahankan dan menyoroti hubungan struktural, bukan hanya korelasi statistik. Grafik pengetahuan, diagram kausal, dan hubungan konsep yang dipetakan secara eksplisit dapat membantu sistem AI belajar untuk “melihat” struktur, bukan menghafal asosiasi secara mekanis. Bayangkan ini sebagai mengajar AI tidak hanya apa yang ada, tetapi bagaimana mereka berhubungan satu sama lain dengan cara yang berprinsip.

Menguji di Luar Set Pelatihan

Untuk memastikan sistem AI belajar berpikir analogis, dan tidak hanya meningkatkan keterampilan meniru mereka, kita perlu memiliki alat yang secara sengaja memeriksa kemampuan mereka untuk memetakan struktur ke situasi yang belum pernah mereka temui sebelumnya. Ini memerlukan pembangunan tugas pengujian yang secara sengaja berbeda dari apa pun yang mungkin muncul dalam data pelatihan – apa yang disebut peneliti sebagai tugas “kontrafaktual”.

Misalnya, alih-alih meminta AI untuk menyelesaikan analogi standar seperti “anak anjing adalah untuk anjing seperti anak kucing adalah untuk ____,” kita mungkin mempresentasikan masalah yang menggunakan konsep yang dibuat atau meminta mereka untuk memetakan hubungan antara domain yang belum pernah mereka lihat sebelumnya. Bisakah mereka mengenali bahwa hubungan antara bahan dan resep sejajar dengan hubungan antara bukti dan argumen hukum, bahkan jika mereka belum pernah melihat perbandingan spesifik tersebut? Tes seperti ini akan mengungkapkan apakah sistem memahami struktur yang mendasarinya atau hanya mengingat contoh yang serupa.

Mengukur Apa yang Penting

Kabar baik bagi pengembang AI adalah bahwa ada penelitian ilmu kognitif selama beberapa dekade yang khusus menangani bagaimana manusia memproses analogi. Mereka dapat menggunakan penelitian ini untuk mengembangkan benchmark yang kuat untuk penalaran analog. Namun, benchmark ini harus melampaui sekedar menghitung jawaban yang benar pada tes analogi. Apa yang benar-benar diperlukan adalah metrik yang menangkap apakah sistem AI dapat mengidentifikasi hubungan mana yang relevan untuk dipetakan, sambil mengabaikan kesamaan permukaan dan mempertahankan konsistensi di seluruh pemetaan mereka.

Ini mungkin melibatkan sistem penilaian yang memberi penghargaan pada identifikasi hubungan tingkat tinggi. Misalnya, AI akan mendapatkan skor yang lebih tinggi jika dapat mengenali tidak hanya bahwa atom dan sistem surya melibatkan orbit, tetapi juga memahami hubungan kausal yang mengatur orbit tersebut. Kemampuan lain yang dapat dievaluasi adalah apakah AI dapat secara spontan menghasilkan analogi yang tepat untuk menjelaskan konsep baru, bukan hanya menyelesaikan tugas analogi yang telah terstruktur sebelumnya.

Membangun Melalui Pemancingan

Penelitian terbaru menunjukkan bahwa kemampuan AI untuk berpikir analogis sangat bergantung pada bagaimana mereka diminta untuk melakukannya. Pemancingan analogis – memandu model melalui proses pemetaan struktural – dapat memicu penalaran yang lebih canggih daripada hanya mempresentasikan masalah secara langsung. Ini mungkin melibatkan meminta sistem untuk mengidentifikasi hubungan dalam domain sumber, kemudian secara eksplisit meminta mereka untuk memetakan hubungan tersebut ke domain target.

Teknik ini dapat berfungsi ganda: meningkatkan kemampuan analogis sistem AI saat ini, sambil juga menghasilkan data pelatihan untuk model di masa depan. Dengan merekam contoh-contoh penalaran analogis yang berhasil, contoh dapat dibuat yang dapat mengajar sistem berikutnya untuk terlibat dalam proses ini secara lebih alami.

Arsitektur Hibrida

Mencapai penalaran analogis seperti manusia mungkin memerlukan melampaui pendekatan jaringan saraf murni. Sistem hibrida yang menggabungkan pengenalan pola dengan penalaran simbolik – secara eksplisit merepresentasikan dan memanipulasi hubungan struktural – dapat memberikan potongan yang hilang. Sementara jaringan saraf unggul dalam belajar pola implisit, sistem simbolik dapat menegakkan konsistensi struktural dan pemetaan logis yang penalaran analogis tuntut.

Arsitektur hibrida masih dalam masa bayi, tetapi peneliti secara aktif menjelajahi potensinya. Beberapa, misalnya, berargumentasi untuk menggabungkan jaringan saraf dengan penalaran simbolik yang mungkin mengarah pada kemampuan analogis yang ditingkatkan. Yang lain mempromosikan model hibrida yang dibangun untuk mengatasi kecenderungan model AI untuk berbohong dan berpikir analogis dengan cara yang dangkal.

Ke Mana Selanjutnya?

Tergantung pada siapa yang Anda tanyakan, penalaran analogis sudah ada atau AI hanya menjadi lebih canggih dalam meniru. Apa pun posisi yang lebih dekat dengan kebenaran, jelas bahwa, jika impian AGI akan terwujud, itu akan memerlukan lebih dari sekedar model yang lebih besar atau lebih banyak data. Ini juga akan memerlukan beberapa inovasi mendasar dalam bagaimana kita membangun, melatih, dan mengevaluasi sistem AI kita.

Ketika kemampuan transformasional AI terbuka, penalaran analogis mewakili baik tolak ukur kritis untuk kinerja dan pengingat yang menyedihkan tentang kesenjangan antara kemampuan AI saat ini dan kognisi manusia yang sebenarnya. Ketika sistem AI dapat melihat bahwa demokrasi adalah untuk warga negara apa yang orkestra adalah untuk musisi – mengenali tidak hanya fitur permukaan tetapi hubungan struktural yang dalam tentang koordinasi, representasi, dan harmoni yang muncul – maka itu akan melintasi ambang batas penting menuju kecerdasan yang sebenarnya.