AI Anda Lebih Kuat Daripada yang Anda Pikir

Tim ilmuwan baru saja menemukan sesuatu yang mengubah banyak hal yang kita pikir kita ketahui tentang kemampuan AI. Model Anda tidak hanya memproses informasi – mereka mengembangkan kemampuan yang canggih yang jauh melampaui pelatihan mereka. Dan untuk membuka kunci kemampuan ini, kita perlu mengubah cara kita berbicara dengan mereka.

Revolusi Konsep Ruang

Ingat ketika kita pikir AI hanya mencocokkan pola? Penelitian baru telah membuka kotak hitam pembelajaran AI dengan memetakan sesuatu yang mereka sebut “ruang konsep.” Bayangkan AI belajar sebagai peta multi-dimensi di mana setiap koordinat mewakili konsep yang berbeda – seperti warna, bentuk, atau ukuran. Dengan mengamati bagaimana model AI bergerak melalui ruang ini selama pelatihan, peneliti menemukan sesuatu yang tidak terduga: sistem AI tidak hanya mengingat – mereka membangun pemahaman yang canggih tentang konsep pada kecepatan yang berbeda.

“Dengan mengkarakterisasi dinamika pembelajaran dalam ruang ini, kita mengidentifikasi bagaimana kecepatan di mana sebuah konsep dipelajari dikendalikan oleh sifat-sifat data,” tim peneliti mencatat. Dengan kata lain, beberapa konsep lebih cepat dipahami daripada yang lain, tergantung pada seberapa kuat mereka menonjol dalam data pelatihan.

Inilah yang membuat hal ini sangat menarik: ketika model AI mempelajari konsep-konsep ini, mereka tidak hanya menyimpannya sebagai potongan informasi yang terisolasi. Mereka sebenarnya mengembangkan kemampuan untuk mencampur dan menggabungkan konsep-konsep ini dengan cara yang tidak pernah kita ajarkan secara eksplisit. Ini seperti mereka membangun toolkit kreatif mereka sendiri – kita hanya belum memberi mereka instruksi yang tepat untuk menggunakannya.

Pikirkan apa yang ini berarti untuk proyek AI. Model yang Anda kerjakan mungkin sudah memahami kombinasi konsep yang kompleks yang belum Anda temukan. Pertanyaannya bukanlah apakah mereka bisa melakukan lebih – tapi bagaimana cara mendapatkan mereka untuk menunjukkan apa yang mereka bisa lakukan.

Membuka Kunci Kemampuan Tersembunyi

Inilah di mana hal-hal menjadi menarik. Peneliti merancang eksperimen yang elegan untuk mengungkapkan sesuatu yang mendasar tentang bagaimana model AI belajar. Setup mereka sangat sederhana: mereka melatih model AI pada hanya tiga jenis gambar:

• Lingkaran merah besar
• Lingkaran biru besar
• Lingkaran merah kecil

Kemudian datang tes kunci: apakah model dapat membuat lingkaran biru kecil? Ini tidak hanya tentang menggambar bentuk baru – tapi tentang apakah model dapat benar-benar memahami dan menggabungkan dua konsep yang berbeda (ukuran dan warna) dengan cara yang tidak pernah mereka lihat sebelumnya.

Apa yang mereka temukan mengubah cara kita berpikir tentang kemampuan AI. Ketika mereka menggunakan prompt normal untuk meminta “lingkaran biru kecil,” model tersebut mengalami kesulitan. Namun, model tersebut sebenarnya dapat membuat lingkaran biru kecil – kita hanya tidak meminta dengan cara yang tepat.

Peneliti menemukan dua teknik yang membuktikan hal ini:

1. “Intervensi laten” – Ini seperti menemukan pintu belakang ke otak model. Alih-alih menggunakan prompt reguler, mereka secara langsung menyesuaikan sinyal internal yang mewakili “biru” dan “kecil.” Bayangkan memiliki dial terpisah untuk warna dan ukuran – mereka menemukan bahwa dengan memutar dial-dial ini dengan cara tertentu, model dapat tiba-tiba menghasilkan apa yang tampak mustahil sebelumnya.
2. “Overprompting” – Alih-alih hanya meminta “biru,” mereka menjadi sangat spesifik dengan nilai warna. Ini seperti perbedaan antara mengatakan “buatlah biru” versus “buatlah biru dengan warna yang tepat: RGB(0.3, 0.3, 0.7).” Ketepatan ekstra ini membantu model mengakses kemampuan yang tersembunyi di bawah kondisi normal.

Kedua teknik ini mulai bekerja pada titik yang sama dalam pelatihan model – sekitar 6.000 langkah pelatihan. Sementara itu, prompt reguler gagal total atau memerlukan 8.000+ langkah untuk bekerja. Dan ini bukanlah kebetulan – hal ini terjadi secara konsisten di berbagai tes.

Ini memberitahu kita sesuatu yang mendalam: model AI mengembangkan kemampuan dalam dua fase yang berbeda. Pertama, mereka sebenarnya belajar bagaimana menggabungkan konsep secara internal – itulah yang terjadi sekitar langkah 6.000. Namun, ada fase kedua di mana mereka belajar bagaimana menghubungkan kemampuan internal ini dengan cara kita meminta hal-hal. Ini seperti model menjadi fasih dalam bahasa baru sebelum mereka belajar bagaimana menerjemahkan bahasa itu untuk kita.

Implikasinya sangat signifikan. Ketika kita pikir model tidak bisa melakukan sesuatu, kita mungkin salah – mereka mungkin memiliki kemampuan tetapi kekurangan koneksi antara prompt kita dan kemampuan mereka. Ini tidak hanya berlaku untuk bentuk dan warna sederhana – hal ini bisa berlaku untuk kemampuan yang lebih kompleks dalam sistem AI yang lebih besar.

Ketika peneliti menguji ide-ide ini pada data dunia nyata menggunakan dataset wajah CelebA, mereka menemukan pola yang sama. Mereka mencoba mendapatkan model untuk menghasilkan gambar “wanita dengan topi” – sesuatu yang tidak pernah mereka lihat dalam pelatihan. Prompt reguler gagal, tetapi menggunakan intervensi laten mengungkapkan bahwa model sebenarnya dapat membuat gambar-gambar tersebut. Kemampuan itu ada – hanya tidak dapat diakses melalui cara normal.

Park et al., Harvard University & NTT Research

Kesimpulan Utama

Kita perlu memikirkan kembali bagaimana kita mengevaluasi kemampuan AI. Hanya karena model mungkin tidak bisa melakukan sesuatu dengan prompt standar tidak berarti mereka tidak bisa melakukan sama sekali. Jarak antara apa yang model AI bisa lakukan dan apa yang kita bisa dapatkan dari mereka mungkin lebih kecil dari yang kita pikir – kita hanya perlu menjadi lebih baik dalam meminta.

Penemuan ini tidak hanya teoretis – hal ini secara fundamental mengubah cara kita harus berpikir tentang sistem AI. Ketika model tampaknya mengalami kesulitan dengan tugas, kita mungkin perlu bertanya apakah mereka benar-benar kekurangan kemampuan atau jika kita hanya tidak mengaksesnya dengan cara yang tepat. Bagi pengembang, peneliti, dan pengguna, ini berarti menjadi lebih kreatif dalam berinteraksi dengan AI – kadang kemampuan yang kita butuhkan sudah ada, hanya menunggu kunci yang tepat untuk membukanya.