Apa itu Kecerdasan Umum Buatan (AGI) dan Mengapa Belum Ada di Sini: Pemeriksaan Kenyataan untuk Penggemar AI

Kecerdasan Buatan (AI) ada di mana-mana. Dari asisten pintar hingga mobil self-driving, sistem AI mengubah kehidupan dan bisnis kita. Tapi bagaimana jika ada AI yang bisa melakukan lebih dari tugas spesifik? Bagaimana jika ada jenis AI yang bisa belajar dan berpikir seperti manusia atau bahkan melebihi kecerdasan manusia?

Ini adalah visi dari Kecerdasan Umum Buatan (AGI), sebuah bentuk hipotetis AI yang memiliki potensi untuk menyelesaikan tugas intelektual apa pun yang bisa dilakukan manusia. AGI sering dibedakan dengan Kecerdasan Buatan Terbatas (ANI), keadaan saat ini dari AI yang hanya bisa unggul dalam satu atau beberapa domain, seperti bermain catur atau mengenali wajah. AGI, di sisi lain, akan memiliki kemampuan untuk memahami dan berpikir di seluruh domain, seperti bahasa, logika, kreativitas, kesadaran, dan emosi.

AGI bukanlah konsep baru. Ini telah menjadi visi utama penelitian AI sejak awal dan tetap menjadi ide yang paling kontroversial. Beberapa penggemar AI percaya bahwa AGI adalah tak terhindarkan dan akan segera terwujud dan akan memimpin era kemajuan teknologi dan sosial baru. Yang lain lebih skeptis dan hati-hati dan memperingatkan tentang risiko etika dan eksistensial dari menciptakan dan mengendalikan entitas yang begitu kuat dan tidak terduga.

Tapi seberapa dekat kita untuk mencapai AGI, dan apakah itu bahkan masuk akal untuk mencoba? Ini sebenarnya adalah pertanyaan penting yang jawabannya mungkin memberikan pemeriksaan kenyataan untuk penggemar AI yang ingin menyaksikan era kecerdasan super.

Apa itu AGI dan Bagaimana Ia Berbeda dari AI?

AGI berbeda dari AI saat ini dengan kemampuannya untuk melakukan tugas intelektual apa pun yang bisa dilakukan manusia, jika tidak melebihi. Perbedaan ini dalam hal beberapa fitur kunci, termasuk:

• berpikir abstrak
• kemampuan untuk menggeneralisasi dari contoh spesifik
• menarik dari pengetahuan latar belakang yang beragam
• menggunakan kesadaran dan kesadaran untuk pengambilan keputusan
• memahami sebab-akibat daripada hanya korelasi
• komunikasi efektif dan interaksi dengan manusia dan agen lain.

Sementara fitur-fitur ini sangat penting untuk mencapai kecerdasan seperti manusia atau super, mereka tetap sulit untuk ditangkap oleh sistem AI saat ini.

AI saat ini sebagian besar bergantung pada pembelajaran mesin, sebuah cabang ilmu komputer yang memungkinkan mesin untuk belajar dari data dan pengalaman. Pembelajaran mesin beroperasi melalui pembelajaran terawasi, pembelajaran tidak terawasi, dan pembelajaran penguatan.

Pembelajaran terawasi melibatkan mesin yang belajar dari data yang dilabeli untuk memprediksi atau mengklasifikasikan data baru. Pembelajaran tidak terawasi melibatkan menemukan pola dalam data yang tidak dilabeli, sedangkan pembelajaran penguatan berfokus pada belajar dari tindakan dan umpan balik, mengoptimalkan untuk penghargaan, atau meminimalkan biaya.

Meskipun mencapai hasil yang luar biasa dalam bidang seperti penglihatan komputer dan pemrosesan bahasa alami, sistem AI saat ini dibatasi oleh kualitas dan kuantitas data pelatihan, algoritma yang telah ditentukan sebelumnya, dan tujuan optimasi yang spesifik. Mereka sering memerlukan bantuan dengan adaptabilitas, terutama dalam situasi baru, dan lebih transparan dalam menjelaskan penalaran mereka.

Di sisi lain, AGI dianggap bebas dari keterbatasan ini dan tidak akan bergantung pada data, algoritma, atau tujuan yang telah ditentukan sebelumnya, tetapi pada kemampuan belajar dan berpikir sendiri. Selain itu, AGI dapat memperoleh dan mengintegrasikan pengetahuan dari sumber dan domain yang beragam, menerapkan secara mulus pada tugas dan situasi baru. Selain itu, AGI akan unggul dalam penalaran, komunikasi, pemahaman, dan manipulasi dunia dan dirinya sendiri.

Apa Tantangan dan Pendekatan untuk Mencapai AGI?

Menghasilkan AGI menimbulkan tantangan yang cukup besar yang mencakup dimensi teknis, konseptual, dan etika.

Misalnya, mendefinisikan dan mengukur kecerdasan, termasuk komponen seperti memori, perhatian, kreativitas, dan emosi, adalah hambatan dasar. Selain itu, memodelkan dan mensimulasikan fungsi otak manusia, seperti persepsi, kognisi, dan emosi, menimbulkan tantangan yang kompleks.

Selain itu, tantangan kritis termasuk merancang dan mengimplementasikan algoritma dan arsitektur pembelajaran dan penalaran yang dapat diskalakan dan umum, serta memastikan keamanan, keandalan, dan akuntabilitas sistem AGI dalam interaksinya dengan manusia dan agen lain, serta memastikan nilai dan tujuan sistem AGI sejalan dengan masyarakat.

Berbagai arah penelitian dan paradigma telah diusulkan dan dieksplorasi dalam upaya mencapai AGI, masing-masing dengan kekuatan dan keterbatasan. AI Simbolik, sebuah pendekatan klasik yang menggunakan logika dan simbol untuk representasi dan manipulasi pengetahuan, unggul dalam masalah abstrak dan terstruktur seperti matematika dan catur, tetapi memerlukan bantuan dalam menskalakan dan mengintegrasikan data sensorik dan motorik.

Demikian pula, AI Koneksi, sebuah pendekatan modern yang menggunakan jaringan saraf dan pembelajaran dalam untuk memproses sejumlah besar data, unggul dalam domain yang kompleks dan bising seperti visi dan bahasa, tetapi memerlukan bantuan dalam menafsirkan dan menggeneralisasi.

AI Hibrid menggabungkan AI simbolik dan koneksi untuk memanfaatkan kekuatan dan mengatasi kelemahan, dengan tujuan mencapai sistem yang lebih kuat dan serbaguna. Demikian pula, AI Evolusioner menggunakan algoritma evolusioner dan pemrograman genetik untuk mengembangkan sistem AI melalui seleksi alam, mencari solusi baru dan optimal yang tidak terikat oleh desain manusia.

Terakhir, AI Neuromorfik menggunakan perangkat lunak dan perangkat keras neuromorfik untuk meniru sistem saraf biologis, dengan tujuan mencapai model otak yang lebih efisien dan realistis, serta memungkinkan interaksi alami dengan manusia dan agen.

Ini bukanlah satu-satunya pendekatan untuk AGI, tetapi beberapa yang paling menjanjikan. Setiap pendekatan memiliki kelebihan dan kekurangan, dan mereka masih belum mencapai keumuman dan kecerdasan yang dibutuhkan AGI.

Contoh dan Aplikasi AGI

Sementara AGI belum tercapai, beberapa contoh sistem AI menunjukkan aspek atau fitur yang mengingatkan pada AGI, yang berkontribusi pada visi pencapaian AGI akhirnya. Contoh-contoh ini mewakili langkah-langkah menuju AGI dengan menunjukkan kemampuan spesifik:

AlphaZero, dikembangkan oleh DeepMind, adalah sistem pembelajaran penguatan yang belajar secara mandiri untuk bermain catur, shogi, dan Go tanpa pengetahuan atau bimbingan manusia. Menunjukkan kemampuan super, AlphaZero juga memperkenalkan strategi inovatif yang menantang kebijaksanaan konvensional.

Demikian pula, OpenAI‘s GPT-3 menghasilkan teks yang koheren dan beragam di seluruh topik dan tugas. Mampu menjawab pertanyaan, mengarang esai, dan meniru gaya penulisan yang berbeda, GPT-3 menunjukkan kelenturan, meskipun dalam batasan tertentu.

Demikian pula, NEAT, sebuah algoritma evolusioner yang dibuat oleh Kenneth Stanley dan Risto Miikkulainen, mengembangkan jaringan saraf untuk tugas seperti kontrol robot, bermain game, dan generasi gambar. Kemampuan NEAT untuk mengembangkan struktur dan fungsi jaringan menghasilkan solusi baru dan kompleks yang tidak ditentukan sebelumnya oleh programmer manusia.

Sementara contoh-contoh ini menggambarkan kemajuan menuju AGI, mereka juga menekankan keterbatasan dan kesenjangan yang ada yang memerlukan eksplorasi dan pengembangan lebih lanjut dalam upaya mencapai AGI yang sebenarnya.

Implikasi dan Risiko AGI

AGI menimbulkan tantangan ilmiah, teknologi, sosial, dan etika dengan implikasi yang mendalam. Secara ekonomi, AGI mungkin menciptakan peluang dan mengganggu pasar yang ada, potensial meningkatkan ketidaksetaraan. Sementara memperbaiki pendidikan dan kesehatan, AGI mungkin memperkenalkan tantangan dan risiko baru.

Secara etika, AGI mungkin mempromosikan norma, kerja sama, dan empati baru, serta memperkenalkan konflik, persaingan, dan kekejaman. AGI mungkin mempertanyakan makna dan tujuan yang ada, memperluas pengetahuan, dan mendefinisikan kembali sifat dan tujuan manusia. Oleh karena itu, para pemangku kepentingan harus mempertimbangkan dan mengatasi implikasi dan risiko ini, termasuk peneliti, pengembang, pembuat kebijakan, pendidik, dan warga.

Kesimpulan

AGI berdiri di garis depan penelitian AI, menjanjikan tingkat kecerdasan yang melebihi kemampuan manusia. Sementara visi ini mempesona penggemar, tantangan tetap ada dalam mewujudkan tujuan ini. AI saat ini, yang unggul dalam domain spesifik, harus memenuhi potensi AGI yang luas.

Berbagai pendekatan, dari AI simbolik dan koneksi hingga model neuromorfik, berusaha untuk mewujudkan AGI. Contoh-contoh terkenal seperti AlphaZero dan GPT-3 menunjukkan kemajuan, tetapi AGI yang sebenarnya masih belum tercapai. Dengan implikasi ekonomi, etika, dan eksistensial, perjalanan menuju AGI memerlukan perhatian dan eksplorasi yang bertanggung jawab.