## Kecerdasan Buatan (AI): Panduan Komprehensif tentang Teknologi, Tantangan, dan Masa Depan
Kecerdasan Buatan (AI) atau *Artificial Intelligence* merupakan kemampuan sistem komputasi untuk menjalankan tugas yang biasanya dikaitkan dengan kecerdasan manusia, seperti pembelajaran, penalaran, pemecahan masalah, persepsi, dan pengambilan keputusan. Bidang studi ini, yang merupakan cabang dari ilmu komputer, berfokus pada pengembangan dan pengkajian metode serta perangkat lunak yang memungkinkan mesin untuk memahami lingkungan sekitarnya, menggunakan pembelajaran dan kecerdasan untuk mengambil tindakan yang memaksimalkan peluang keberhasilan dalam mencapai tujuan tertentu. Dari sekadar pengolahan data, AI telah berevolusi menjadi teknologi yang mampu meniru—bahkan melampaui—kemampuan kognitif manusia dalam berbagai aspek.
**Penerapan AI yang Menarik Perhatian Publik:**
Kehadiran AI telah merevolusi berbagai sektor kehidupan. Aplikasi AI yang menonjol antara lain mesin pencari web canggih (misalnya, Google Search), sistem rekomendasi (digunakan oleh YouTube, Amazon, dan Netflix), asisten virtual (misalnya, Google Assistant, Siri, dan Alexa), kendaraan otonom (misalnya, Waymo), alat-alat generatif dan kreatif (misalnya, model bahasa besar dan seni AI), serta kemampuan bermain dan menganalisis strategi permainan tingkat lanjut (misalnya, catur dan Go). Namun, banyak aplikasi AI yang tidak disadari sebagai AI. Fenomena ini sering disebut sebagai “efek AI,” di mana teknologi AI yang canggih telah terintegrasi ke dalam aplikasi umum tanpa disebut sebagai AI karena setelah suatu teknologi cukup bermanfaat dan umum, label “AI” seringkali dihilangkan.
**Cabang-Cabang Penelitian Kecerdasan Buatan:**
Penelitian AI terbagi ke dalam beberapa subbidang yang berpusat pada tujuan dan alat-alat spesifik. Tujuan tradisional penelitian AI meliputi pembelajaran, penalaran, representasi pengetahuan, perencanaan, pemrosesan bahasa alami, persepsi, dan dukungan untuk robotika. Untuk mencapai tujuan tersebut, para peneliti AI telah mengadaptasi dan mengintegrasikan berbagai teknik, termasuk pencarian dan optimasi matematis, logika formal, jaringan saraf tiruan, serta metode-metode berbasis statistik, riset operasi, dan ekonomi. AI juga memanfaatkan ilmu psikologi, linguistik, filsafat, neurosains, dan bidang-bidang lain untuk memperoleh pemahaman yang lebih komprehensif tentang kecerdasan. Beberapa perusahaan terkemuka, seperti OpenAI, Google DeepMind, dan Meta, bahkan berambisi menciptakan Kecerdasan Umum Buatan (AGI) — AI yang mampu menyelesaikan hampir semua tugas kognitif setidaknya sebaik manusia.
**Sejarah Perkembangan Kecerdasan Buatan:**
Kecerdasan buatan resmi didirikan sebagai disiplin akademik pada tahun 1956. Sepanjang sejarahnya, perkembangan AI mengalami siklus optimisme yang tinggi diikuti periode kekecewaan dan pengurangan pendanaan, yang dikenal sebagai “musim dingin AI.” Pendanaan dan minat terhadap AI meningkat pesat setelah tahun 2012 ketika unit pemrosesan grafis (GPU) mulai digunakan untuk mempercepat jaringan saraf, dan pembelajaran mendalam (deep learning) melampaui teknik AI sebelumnya. Pertumbuhan ini semakin dipercepat setelah tahun 2017 dengan munculnya arsitektur transformer. Pada dekade 2020-an, periode kemajuan pesat dalam AI generatif canggih dikenal sebagai “boom AI.” Kemampuan AI generatif untuk membuat dan memodifikasi konten telah menimbulkan beberapa konsekuensi dan dampak yang tidak diinginkan, memicu kekhawatiran etis tentang efek jangka panjang AI dan potensi risiko eksistensial. Hal ini mendorong diskusi mengenai kebijakan regulasi untuk memastikan keamanan dan manfaat teknologi ini.
**Masalah Utama dalam Simulasi Kecerdasan:**
Masalah umum dalam mensimulasikan (atau menciptakan) kecerdasan telah dipecah menjadi sub-masalah. Sub-masalah ini terdiri dari sifat atau kemampuan khusus yang diharapkan peneliti akan ditampilkan oleh sistem cerdas. Sifat-sifat yang dijelaskan di bawah ini telah mendapat perhatian paling besar dan mencakup ruang lingkup penelitian AI.
**Penalaran (Reasoning):**
Peneliti awal mengembangkan algoritma yang meniru penalaran langkah demi langkah yang digunakan manusia saat memecahkan teka-teki atau membuat deduksi logis. Pada akhir tahun 1980-an dan 1990-an, dikembangkan metode untuk menangani informasi yang tidak pasti atau tidak lengkap, menggunakan konsep dari teori probabilitas dan ekonomi. Namun, banyak algoritma ini tidak cukup untuk memecahkan masalah penalaran yang besar karena mengalami “eksplosi kombinatorial”: Kecepatan pemrosesan menjadi semakin lambat secara eksponensial seiring dengan bertambahnya kompleksitas masalah. Bahkan manusia jarang menggunakan deduksi langkah demi langkah yang dapat dimodelkan oleh penelitian AI awal. Mereka memecahkan sebagian besar masalah mereka menggunakan penilaian intuitif yang cepat. Penalaran yang akurat dan efisien masih menjadi masalah yang belum terpecahkan.
**Representasi Pengetahuan (Knowledge Representation):**
Representasi pengetahuan dan rekayasa pengetahuan memungkinkan program AI untuk menjawab pertanyaan secara cerdas dan membuat deduksi tentang fakta-fakta dunia nyata. Representasi pengetahuan formal digunakan dalam pengindeksan dan pengambilan informasi berbasis konten, interpretasi adegan, dukungan pengambilan keputusan klinis, penemuan pengetahuan (menambang inferensi yang “menarik” dan dapat ditindaklanjuti dari basis data besar), dan area lainnya. Basis pengetahuan adalah kumpulan pengetahuan yang direpresentasikan dalam bentuk yang dapat digunakan oleh program. Ontologi adalah himpunan objek, relasi, konsep, dan properti yang digunakan oleh domain pengetahuan tertentu. Basis pengetahuan perlu merepresentasikan hal-hal seperti objek, properti, kategori, dan relasi antar objek; situasi, peristiwa, keadaan, dan waktu; sebab dan akibat; pengetahuan tentang pengetahuan (apa yang kita ketahui tentang apa yang orang lain ketahui); penalaran default (hal-hal yang diasumsikan manusia benar sampai diberitahu sebaliknya dan akan tetap benar meskipun fakta lain berubah); dan banyak aspek dan domain pengetahuan lainnya.
Di antara masalah paling sulit dalam representasi pengetahuan adalah luasnya pengetahuan akal sehat (himpunan fakta atomik yang diketahui orang rata-rata sangat besar); dan bentuk sub-simbolik dari sebagian besar pengetahuan akal sehat (banyak dari apa yang diketahui orang tidak direpresentasikan sebagai “fakta” atau “pernyataan” yang dapat mereka ungkapkan secara verbal). Ada juga kesulitan akuisisi pengetahuan, yaitu masalah mendapatkan pengetahuan untuk aplikasi AI.
**Agen (Agent):**
“Agen” adalah apa pun yang merasakan dan mengambil tindakan di dunia. Agen rasional memiliki tujuan atau preferensi dan mengambil tindakan untuk mewujudkannya. Dalam perencanaan otomatis, agen memiliki tujuan spesifik. Dalam pengambilan keputusan otomatis, agen memiliki preferensi—ada beberapa situasi yang lebih disukainya, dan beberapa situasi yang ingin dihindarinya. Agen pengambilan keputusan memberikan angka pada setiap situasi (disebut “utilitas”) yang mengukur seberapa besar agen lebih menyukai situasi tersebut. Untuk setiap tindakan yang mungkin, ia dapat menghitung “utilitas yang diharapkan”: utilitas dari semua kemungkinan hasil tindakan, ditimbang dengan probabilitas bahwa hasil tersebut akan terjadi. Kemudian ia dapat memilih tindakan dengan utilitas yang diharapkan maksimum.
Dalam perencanaan klasik, agen tahu persis apa efek dari setiap tindakan. Namun, dalam sebagian besar masalah dunia nyata, agen mungkin tidak yakin tentang situasi yang mereka hadapi (itu “tidak diketahui” atau “tidak dapat diamati”) dan mungkin tidak tahu pasti apa yang akan terjadi setelah setiap tindakan yang mungkin (itu tidak “deterministik”). Ia harus memilih tindakan dengan membuat tebakan probabilistik dan kemudian menilai kembali situasi untuk melihat apakah tindakan tersebut berhasil.
Dalam beberapa masalah, preferensi agen mungkin tidak pasti, terutama jika ada agen lain atau manusia yang terlibat. Ini dapat dipelajari (misalnya, dengan pembelajaran penguatan terbalik), atau agen dapat mencari informasi untuk meningkatkan preferensinya. Teori nilai informasi dapat digunakan untuk menimbang nilai tindakan eksplorasi atau eksperimental. Ruang tindakan dan situasi masa depan yang mungkin biasanya sangat besar, sehingga agen harus mengambil tindakan dan mengevaluasi situasi sementara tidak pasti tentang apa hasilnya.
Proses keputusan Markov memiliki model transisi yang menggambarkan probabilitas bahwa tindakan tertentu akan mengubah keadaan dengan cara tertentu dan fungsi reward yang memberikan utilitas setiap keadaan dan biaya setiap tindakan. Kebijakan mengaitkan keputusan dengan setiap keadaan yang mungkin. Kebijakan dapat dihitung (misalnya, dengan iterasi), heuristik, atau dapat dipelajari.
Teori permainan menggambarkan perilaku rasional dari beberapa agen yang berinteraksi dan digunakan dalam program AI yang membuat keputusan yang melibatkan agen lain.
**Pembelajaran Mesin (Machine Learning):**
Pembelajaran mesin adalah studi tentang program yang dapat meningkatkan kinerja mereka pada tugas tertentu secara otomatis. Pembelajaran mesin telah menjadi bagian dari AI sejak awal. Ada beberapa jenis pembelajaran mesin. Pembelajaran tanpa pengawasan menganalisis aliran data dan menemukan pola serta membuat prediksi tanpa panduan lain. Pembelajaran dengan pengawasan membutuhkan pelabelan data pelatihan dengan jawaban yang diharapkan, dan datang dalam dua variasi utama: klasifikasi (di mana program harus belajar memprediksi kategori mana yang dimiliki input) dan regresi (di mana program harus menyimpulkan fungsi numerik berdasarkan input numerik).
Dalam pembelajaran penguatan, agen diberi penghargaan untuk respons yang baik dan dihukum untuk respons yang buruk. Agen belajar memilih respons yang diklasifikasikan sebagai “baik”. Pembelajaran transfer adalah ketika pengetahuan yang diperoleh dari satu masalah diterapkan pada masalah baru. Pembelajaran mendalam adalah jenis pembelajaran mesin yang menjalankan input melalui jaringan saraf tiruan yang terinspirasi secara biologis untuk semua jenis pembelajaran ini. Teori pembelajaran komputasional dapat menilai pembelajar berdasarkan kompleksitas komputasi, kompleksitas sampel (berapa banyak data yang dibutuhkan), atau gagasan optimasi lainnya.
**Pengolahan Bahasa Alami (Natural Language Processing – NLP):**
Pengolahan bahasa alami (NLP) memungkinkan program untuk membaca, menulis, dan berkomunikasi dalam bahasa manusia. Masalah spesifik meliputi pengenalan ucapan, sintesis ucapan, terjemahan mesin, ekstraksi informasi, pengambilan informasi, dan menjawab pertanyaan.
Pekerjaan awal, berdasarkan tata bahasa generatif Noam Chomsky dan jaringan semantik, mengalami kesulitan dengan disambiguasi arti kata kecuali dibatasi pada domain kecil yang disebut “mikro-dunia” (karena masalah pengetahuan akal sehat). Margaret Masterman percaya bahwa makna dan bukan tata bahasa adalah kunci untuk memahami bahasa, dan tesaurus dan bukan kamus harus menjadi dasar struktur bahasa komputasional.
Teknik pembelajaran mendalam modern untuk NLP meliputi penyematan kata (mewakili kata, biasanya sebagai vektor yang mengkodekan maknanya), transformer (arsitektur pembelajaran mendalam yang menggunakan mekanisme perhatian), dan lainnya. Pada tahun 2019, model bahasa generatif pra-terlatih transformer (atau “GPT”) mulai menghasilkan teks yang koheren, dan pada tahun 2023, model-model ini mampu mendapatkan skor tingkat manusia pada ujian pengacara, ujian SAT, ujian GRE, dan banyak aplikasi dunia nyata lainnya.
**Persepsi Mesin (Machine Perception):**
Persepsi mesin adalah kemampuan untuk menggunakan input dari sensor (seperti kamera, mikrofon, sinyal nirkabel, lidar aktif, sonar, radar, dan sensor taktil) untuk menyimpulkan aspek dunia. Penglihatan komputer adalah kemampuan untuk menganalisis input visual. Bidang ini mencakup pengenalan ucapan, klasifikasi gambar, pengenalan wajah, pengenalan objek, pelacakan objek, dan persepsi robotika.
**Komputasi Afektif (Affective Computing):**
Komputasi afektif adalah bidang yang mencakup sistem yang mengenali, menafsirkan, memproses, atau mensimulasikan perasaan, emosi, dan suasana hati manusia. Misalnya, beberapa asisten virtual diprogram untuk berbicara secara percakapan atau bahkan untuk bercanda; ini membuat mereka tampak lebih sensitif terhadap dinamika emosional interaksi manusia, atau untuk memfasilitasi interaksi manusia-komputer. Namun, ini cenderung memberi pengguna yang naif konsepsi yang tidak realistis tentang kecerdasan agen komputer yang ada. Keberhasilan sedang yang terkait dengan komputasi afektif meliputi analisis sentimen teks dan, baru-baru ini, analisis sentimen multimodal, di mana AI mengklasifikasikan efek yang ditampilkan oleh subjek yang direkam video.
**Kecerdasan Umum Buatan (Artificial General Intelligence – AGI):**
Mesin dengan kecerdasan umum buatan akan mampu menyelesaikan berbagai masalah dengan keluasan dan fleksibilitas yang mirip dengan kecerdasan manusia.
**Teknik dalam Penelitian Kecerdasan Buatan:**
Penelitian AI menggunakan berbagai teknik untuk mencapai tujuan di atas.
**Pencarian (Search):**
AI dapat memecahkan banyak masalah dengan cerdas mencari melalui banyak solusi yang mungkin. Ada dua jenis pencarian yang sangat berbeda yang digunakan dalam AI: pencarian ruang keadaan dan pencarian lokal. Pencarian ruang keadaan mencari melalui pohon keadaan yang mungkin untuk mencoba menemukan keadaan tujuan. Misalnya, algoritma perencanaan mencari melalui pohon tujuan dan subtujuan, mencoba menemukan jalur menuju tujuan target, suatu proses yang disebut analisis tujuan-cara. Pencarian lengkap sederhana jarang cukup untuk sebagian besar masalah dunia nyata: ruang pencarian (jumlah tempat untuk dicari) dengan cepat tumbuh menjadi jumlah astronomi. Hasilnya adalah pencarian yang terlalu lambat atau tidak pernah selesai. “Heuristik” atau “aturan praktis” dapat membantu memprioritaskan pilihan yang lebih cenderung mencapai tujuan. Pencarian adversarial digunakan untuk program permainan, seperti catur atau Go. Ia mencari melalui pohon gerakan dan kontra-gerakan yang mungkin, mencari posisi yang menang. Pencarian lokal menggunakan optimasi matematis untuk menemukan solusi untuk suatu masalah. Ia dimulai dengan beberapa bentuk tebakan dan menyempurnakannya secara bertahap. Penurunan gradien adalah jenis pencarian lokal yang mengoptimalkan serangkaian parameter numerik dengan secara bertahap menyesuaikannya untuk meminimalkan fungsi kerugian. Varian penurunan gradien umumnya digunakan untuk melatih jaringan saraf, melalui algoritma backpropagation. Jenis pencarian lokal lainnya adalah komputasi evolusioner, yang bertujuan untuk secara iteratif meningkatkan serangkaian solusi kandidat dengan “memutasikan” dan “menggabungkan” mereka, hanya memilih yang paling fit untuk bertahan hidup setiap generasi. Proses pencarian terdistribusi dapat berkoordinasi melalui algoritma kecerdasan kawanan. Dua algoritma kawanan populer yang digunakan dalam pencarian adalah optimasi kawanan partikel (terinspirasi oleh kawanan burung) dan optimasi koloni semut (terinspirasi oleh jejak semut).
**Logika Formal (Formal Logic):**
Logika formal digunakan untuk penalaran dan representasi pengetahuan. Logika formal datang dalam dua bentuk utama: logika proposisional (yang beroperasi pada pernyataan yang benar atau salah dan menggunakan konektif logis seperti “dan”, “atau”, “tidak”, dan “menyiratkan”) dan logika predikat (yang juga beroperasi pada objek, predikat, dan relasi dan menggunakan pengukur seperti “Setiap X adalah Y” dan “Ada beberapa X yang adalah Y”).
Penalaran deduktif dalam logika adalah proses membuktikan pernyataan baru (kesimpulan) dari pernyataan lain yang diberikan dan diasumsikan benar (premis). Bukti dapat disusun sebagai pohon bukti, di mana simpul diberi label dengan kalimat, dan simpul anak dihubungkan ke simpul induk oleh aturan inferensi.
Diberikan suatu masalah dan serangkaian premis, pemecahan masalah direduksi menjadi pencarian pohon bukti yang simpul akarnya diberi label dengan solusi masalah dan simpul daunnya diberi label dengan premis atau aksioma. Dalam kasus klausa Horn, pencarian pemecahan masalah dapat dilakukan dengan bernalar maju dari premis atau mundur dari masalah. Dalam kasus yang lebih umum dari bentuk klausal logika orde pertama, resolusi adalah satu-satunya aturan inferensi bebas aksioma, di mana suatu masalah diselesaikan dengan membuktikan kontradiksi dari premis yang mencakup negasi masalah yang akan diselesaikan.
Inferensi dalam logika klausa Horn dan logika orde pertama tidak dapat diputuskan, dan karena itu sulit diatasi. Namun, penalaran mundur dengan klausa Horn, yang mendasari komputasi dalam bahasa pemrograman logika Prolog, adalah Turing complete. Selain itu, efisiensinya sebanding dengan komputasi dalam bahasa pemrograman simbolik lainnya.
Logika fuzzy menetapkan “derajat kebenaran” antara 0 dan 1. Oleh karena itu, ia dapat menangani proposisi yang samar dan sebagian benar. Logika non-monotonik, termasuk pemrograman logika dengan negasi sebagai kegagalan, dirancang untuk menangani penalaran default. Versi logika khusus lainnya telah dikembangkan untuk menggambarkan banyak domain yang kompleks.
**Probabilitas dan Ekonomi (Probability and Economics):**
Banyak masalah dalam AI (termasuk penalaran, perencanaan, pembelajaran, persepsi, dan robotika) mengharuskan agen untuk beroperasi dengan informasi yang tidak lengkap atau tidak pasti. Para peneliti AI telah merancang sejumlah alat untuk menyelesaikan masalah ini menggunakan metode dari teori probabilitas dan ekonomi. Alat matematis yang tepat telah dikembangkan yang menganalisis bagaimana suatu agen dapat membuat pilihan dan merencanakan, menggunakan teori keputusan, analisis keputusan, dan teori nilai informasi. Alat-alat ini termasuk model seperti proses keputusan Markov, jaringan keputusan dinamis, teori permainan, dan desain mekanisme.
Jaringan Bayesian adalah alat yang dapat digunakan untuk penalaran (menggunakan algoritma inferensi Bayesian), pembelajaran (menggunakan algoritma ekspektasi-maksimisasi), perencanaan (menggunakan jaringan keputusan), dan persepsi (menggunakan jaringan Bayesian dinamis).
Algoritma probabilistik juga dapat digunakan untuk penyaringan, prediksi, penghalusan, dan menemukan penjelasan untuk aliran data, sehingga membantu sistem persepsi menganalisis proses yang terjadi dari waktu ke waktu (misalnya, model Markov tersembunyi atau filter Kalman).
**Klasifikasi dan Pengontrol (Classifiers and Controllers):**
Aplikasi AI paling sederhana dapat dibagi menjadi dua jenis: pengklasifikasi (misalnya, “jika berkilau maka berlian”), di satu sisi, dan pengontrol (misalnya, “jika berlian maka ambil”), di sisi lain. Pengklasifikasi adalah fungsi yang menggunakan pencocokan pola untuk menentukan kecocokan terdekat. Mereka dapat disetel berdasarkan contoh yang dipilih menggunakan pembelajaran yang diawasi. Setiap pola (juga disebut “observasi”) diberi label dengan kelas tertentu yang telah ditentukan. Semua observasi yang digabungkan dengan label kelasnya dikenal sebagai kumpulan data. Ketika observasi baru diterima, observasi tersebut diklasifikasikan berdasarkan pengalaman sebelumnya.
Ada banyak jenis pengklasifikasi yang digunakan. Pohon keputusan adalah algoritma pembelajaran mesin simbolik paling sederhana dan paling banyak digunakan. Algoritma K-tetangga terdekat adalah AI analogis yang paling banyak digunakan hingga pertengahan tahun 1990-an, dan metode Kernel seperti mesin vektor pendukung (SVM) menggantikan K-tetangga terdekat pada tahun 1990-an. Pengklasifikasi naive Bayes dilaporkan sebagai “pembelajar yang paling banyak digunakan” di Google, sebagian karena skalabilitasnya. Jaringan saraf juga digunakan sebagai pengklasifikasi.
**Jaringan Saraf Tiruan (Artificial Neural Networks):**
Jaringan saraf tiruan didasarkan pada kumpulan node yang juga dikenal sebagai neuron buatan, yang secara longgar memodelkan neuron di otak biologis. Ia dilatih untuk mengenali pola; setelah dilatih, ia dapat mengenali pola tersebut dalam data baru. Ada input, setidaknya satu lapisan tersembunyi dari node dan output. Setiap node menerapkan fungsi dan setelah bobot melewati ambang batas yang ditentukan, data ditransmisikan ke lapisan berikutnya. Suatu jaringan biasanya disebut jaringan saraf dalam jika memiliki setidaknya 2 lapisan tersembunyi.
Algoritma pembelajaran untuk jaringan saraf menggunakan pencarian lokal untuk memilih bobot yang akan mendapatkan output yang benar untuk setiap input selama pelatihan. Teknik pelatihan yang paling umum adalah algoritma backpropagation. Jaringan saraf belajar memodelkan hubungan kompleks antara input dan output dan menemukan pola dalam data. Secara teori, jaringan saraf dapat mempelajari fungsi apa pun.
Dalam jaringan saraf umpan maju, sinyal hanya melewati satu arah. Istilah perseptron biasanya merujuk pada jaringan saraf satu lapisan. Sebaliknya, pembelajaran mendalam menggunakan banyak lapisan. Jaringan saraf berulang (RNN) memberi makan sinyal output kembali ke input, yang memungkinkan memori jangka pendek dari peristiwa input sebelumnya. Jaringan memori jangka pendek panjang (LSTM) adalah jaringan saraf berulang yang lebih baik melestarikan dependensi jangka panjang dan kurang sensitif terhadap masalah gradien yang hilang. Jaringan saraf konvolusi (CNN) menggunakan lapisan kernel untuk memproses pola lokal secara lebih efisien. Pemrosesan lokal ini sangat penting dalam pemrosesan gambar, di mana lapisan CNN awal biasanya mengidentifikasi pola lokal sederhana seperti tepi dan kurva, dengan lapisan berikutnya mendeteksi pola yang lebih kompleks seperti tekstur, dan akhirnya seluruh objek.
**Pembelajaran Mendalam (Deep Learning):**
Pembelajaran mendalam menggunakan beberapa lapisan neuron antara input dan output jaringan. Beberapa lapisan dapat secara bertahap mengekstrak fitur tingkat tinggi dari input mentah. Misalnya, dalam pemrosesan gambar, lapisan bawah mungkin mengidentifikasi tepi, sementara lapisan atas mungkin mengidentifikasi konsep yang relevan dengan manusia seperti angka, huruf, atau wajah.
Pembelajaran mendalam telah sangat meningkatkan kinerja program di banyak subbidang penting kecerdasan buatan, termasuk penglihatan komputer, pengenalan ucapan, pemrosesan bahasa alami, klasifikasi gambar, dan lainnya. Alasan mengapa pembelajaran mendalam berkinerja sangat baik dalam begitu banyak aplikasi tidak diketahui pada tahun 2021. Keberhasilan mendadak pembelajaran mendalam pada tahun 2012-2015 tidak terjadi karena beberapa penemuan baru atau terobosan teoretis (jaringan saraf dalam dan backpropagation telah dijelaskan oleh banyak orang, sejak tahun 1950-an), tetapi karena dua faktor: peningkatan luar biasa dalam daya komputasi (termasuk peningkatan kecepatan seratus kali lipat dengan beralih ke GPU) dan ketersediaan sejumlah besar data pelatihan, terutama kumpulan data yang dikurasi besar yang digunakan untuk pengujian tolok ukur, seperti ImageNet.
**Transformer Pra-terlatih Generatif (Generative Pre-trained Transformers – GPT):**
Transformer pra-terlatih generatif (GPT) adalah model bahasa besar (LLM) yang menghasilkan teks berdasarkan hubungan semantik antara kata-kata dalam kalimat. Model GPT berbasis teks dilatih sebelumnya pada korpus teks besar yang dapat berasal dari Internet. Pelatihan sebelumnya terdiri dari memprediksi token berikutnya (token biasanya merupakan kata, sub-kata, atau tanda baca). Sepanjang pelatihan sebelumnya ini, model GPT mengakumulasi pengetahuan tentang dunia dan kemudian dapat menghasilkan teks seperti manusia dengan berulang kali memprediksi token berikutnya. Biasanya, fase pelatihan selanjutnya membuat model lebih jujur, berguna, dan tidak berbahaya, biasanya dengan teknik yang disebut pembelajaran penguatan dari umpan balik manusia (RLHF). Model GPT saat ini rentan terhadap menghasilkan kepalsuan yang disebut “halusinasi”. Ini dapat dikurangi dengan RLHF dan data berkualitas, tetapi masalahnya telah memburuk untuk sistem penalaran. Sistem seperti itu digunakan dalam chatbot, yang memungkinkan orang untuk mengajukan pertanyaan atau meminta tugas dalam teks sederhana.
Model dan layanan saat ini meliputi ChatGPT, Claude, Gemini, Copilot, dan Meta AI. Model GPT multimodal dapat memproses berbagai jenis data (modalitas) seperti gambar, video, suara, dan teks.
**Perkembangan Perangkat Keras dan Perangkat Lunak:**
Pada akhir tahun 2010-an, unit pemrosesan grafis (GPU) yang semakin dirancang dengan peningkatan spesifik AI dan digunakan dengan perangkat lunak TensorFlow khusus telah menggantikan unit pemrosesan pusat (CPU) yang sebelumnya digunakan sebagai cara utama untuk pelatihan model pembelajaran mesin skala besar (komersial dan akademik). Bahasa pemrograman khusus seperti Prolog digunakan dalam penelitian AI awal, tetapi bahasa pemrograman serbaguna seperti Python telah menjadi dominan.
Kepadatan transistor dalam sirkuit terpadu telah diamati kira-kira dua kali lipat setiap 18 bulan—suatu tren yang dikenal sebagai hukum Moore, dinamai menurut pendiri Intel, Gordon Moore, yang pertama kali mengidentifikasinya. Perbaikan pada GPU bahkan lebih cepat, suatu tren yang kadang-kadang disebut hukum Huang, dinamai menurut pendiri dan CEO Nvidia, Jensen Huang.
**Penerapan AI dalam Berbagai Sektor:**
Teknologi AI dan pembelajaran mesin digunakan di sebagian besar aplikasi penting tahun 2020-an, termasuk: mesin pencari (seperti Google Search), penargetan iklan online, sistem rekomendasi (yang ditawarkan oleh Netflix, YouTube, atau Amazon), mengarahkan lalu lintas internet, iklan bertarget (AdSense, Facebook), asisten virtual (seperti Siri atau Alexa), kendaraan otonom (termasuk drone, ADAS, dan mobil self-driving), terjemahan bahasa otomatis (Microsoft Translator, Google Translate), pengenalan wajah (Apple’s FaceID atau Microsoft’s DeepFace dan Google’s FaceNet), dan pelabelan gambar (yang digunakan oleh Facebook, Apple’s Photos, dan TikTok). Penerapan AI dapat diawasi oleh kepala petugas otomatisasi (CAO).
**AI dalam Kedokteran dan Penelitian Medis:**
Penerapan AI dalam kedokteran dan penelitian medis memiliki potensi untuk meningkatkan perawatan pasien dan kualitas hidup. Melalui Sumpah Hipokrates, para profesional medis secara etis berkewajiban untuk menggunakan AI, jika aplikasi dapat mendiagnosis dan merawat pasien dengan lebih akurat.
Untuk penelitian medis, AI merupakan alat penting untuk memproses dan mengintegrasikan big data. Ini sangat penting untuk pengembangan organoid dan rekayasa jaringan yang menggunakan pencitraan mikroskopi sebagai teknik kunci dalam fabrikasi. Telah disarankan bahwa AI dapat mengatasi perbedaan dalam pendanaan yang dialokasikan untuk berbagai bidang penelitian. Alat AI baru dapat memperdalam pemahaman tentang jalur yang relevan secara biomedis. Misalnya, AlphaFold 2 (2021) menunjukkan kemampuan untuk memperkirakan, dalam beberapa jam dan bukan beberapa bulan, struktur 3D suatu protein. Pada tahun 2023, dilaporkan bahwa penemuan obat yang dipandu AI membantu menemukan kelas antibiotik yang mampu membunuh dua jenis bakteri resisten obat yang berbeda. Pada tahun 2024, para peneliti menggunakan pembelajaran mesin untuk mempercepat pencarian perawatan obat penyakit Parkinson. Tujuan mereka adalah untuk mengidentifikasi senyawa yang menghalangi penggumpalan, atau agregasi, alpha-synuclein (protein yang menjadi ciri penyakit Parkinson). Mereka mampu mempercepat proses penyaringan awal sepuluh kali lipat dan mengurangi biaya seribu kali lipat.
**AI dalam Permainan:**
Program permainan telah digunakan sejak tahun 1950-an untuk menunjukkan dan menguji teknik AI yang paling canggih. Deep Blue menjadi sistem permainan catur komputer pertama yang mengalahkan juara catur dunia yang berkuasa, Garry Kasparov, pada 11 Mei 1997. Pada tahun 2011, dalam pertandingan eksibisi acara kuis Jeopardy!, sistem tanya jawab IBM, Watson, mengalahkan dua juara Jeopardy! terbesar, Brad Rutter dan Ken Jennings, dengan selisih yang signifikan. Pada Maret 2016, AlphaGo memenangkan 4 dari 5 pertandingan Go dalam pertandingan dengan juara Go Lee Sedol, menjadi sistem permainan Go komputer pertama yang mengalahkan pemain Go profesional tanpa hambatan. Kemudian, pada tahun 2017, ia mengalahkan Ke Jie, yang merupakan pemain Go terbaik di dunia. Program lain menangani permainan informasi yang tidak sempurna, seperti program permainan poker Pluribus. DeepMind mengembangkan model pembelajaran penguatan yang semakin umum, seperti dengan MuZero, yang dapat dilatih untuk bermain catur, Go, atau permainan Atari. Pada tahun 2019, AlphaStar DeepMind mencapai level grandmaster di StarCraft II, permainan strategi real-time yang sangat menantang yang melibatkan pengetahuan yang tidak lengkap tentang apa yang terjadi di peta. Pada tahun 2021, agen AI bersaing dalam kompetisi PlayStation Gran Turismo, menang melawan empat dari pembalap Gran Turismo terbaik di dunia menggunakan pembelajaran penguatan yang mendalam. Pada tahun 2024, Google DeepMind memperkenalkan SIMA, sejenis AI yang mampu secara otonom memainkan sembilan gim video dunia terbuka yang belum pernah dilihat sebelumnya dengan mengamati output layar, serta mengeksekusi tugas spesifik singkat sebagai respons terhadap instruksi bahasa alami.
**AI dalam Matematika:**
Model bahasa besar, seperti GPT-4, Gemini, Claude, Llama, atau Mistral, semakin banyak digunakan dalam matematika. Model probabilistik ini serbaguna, tetapi juga dapat menghasilkan jawaban yang salah dalam bentuk halusinasi. Mereka terkadang membutuhkan basis data masalah matematika yang besar untuk dipelajari, tetapi juga metode seperti penyetelan halus yang diawasi atau pengklasifikasi yang dilatih dengan data yang diberi anotasi manusia untuk meningkatkan jawaban untuk masalah baru dan belajar dari koreksi. Suatu studi pada bulan Februari 2024 menunjukkan bahwa kinerja beberapa model bahasa untuk kemampuan penalaran dalam menyelesaikan masalah matematika yang tidak termasuk dalam data pelatihan mereka rendah, bahkan untuk masalah dengan hanya penyimpangan kecil dari data yang dilatih. Salah satu teknik untuk meningkatkan kinerja mereka melibatkan pelatihan model untuk menghasilkan langkah-langkah penalaran yang benar, bukan hanya hasil yang benar. Alibaba Group mengembangkan versi model Qwen-nya yang disebut Qwen2-Math, yang mencapai kinerja terbaik dalam beberapa tolok ukur matematika, termasuk akurasi 84% pada kumpulan data MATH dari masalah matematika kompetisi. Pada Januari 2025, Microsoft mengusulkan teknik rStar-Math yang memanfaatkan pencarian pohon Monte Carlo dan penalaran langkah demi langkah, memungkinkan model bahasa yang relatif kecil seperti Qwen-7B untuk menyelesaikan 53% dari AIME 2024 dan 90% dari masalah tolok ukur MATH.
Sebagai alternatif, model khusus untuk pemecahan masalah matematika dengan presisi lebih tinggi untuk hasil termasuk pembuktian teorema telah dikembangkan seperti AlphaTensor, AlphaGeometry, AlphaProof, dan AlphaEvolve, semuanya dari Google DeepMind, Llemma dari EleutherAI, atau Julius.
Ketika bahasa alami digunakan untuk menggambarkan masalah matematika, konverter dapat mengubah prompt tersebut menjadi bahasa formal seperti Lean untuk mendefinisikan tugas matematika. Model eksperimental Gemini Deep Think menerima prompt bahasa alami secara langsung dan mencapai hasil medali emas dalam Olimpiade Matematika Internasional tahun 2025.
Beberapa model telah dikembangkan untuk menyelesaikan masalah yang menantang dan mencapai hasil yang baik dalam pengujian tolok ukur, yang lain untuk berfungsi sebagai alat pendidikan dalam matematika. Pembelajaran mendalam topologi mengintegrasikan berbagai pendekatan topologi.
**AI dalam Keuangan:**
Keuangan adalah salah satu sektor yang paling cepat berkembang di mana alat AI terapan sedang digunakan: dari perbankan ritel online hingga nasihat investasi dan asuransi, di mana “penasihat robot” otomatis telah digunakan selama beberapa tahun.
Menurut Nicolas Firzli, direktur World Pensions & Investments Forum, mungkin masih terlalu dini untuk melihat munculnya produk dan layanan keuangan yang sangat inovatif yang diinformasikan oleh AI. Ia berpendapat bahwa “penggunaan alat AI hanya akan lebih lanjut mengotomatiskan hal-hal: menghancurkan puluhan ribu pekerjaan di perbankan, perencanaan keuangan, dan nasihat pensiun dalam prosesnya, tetapi saya tidak yakin itu akan melepaskan gelombang baru inovasi pensiun [misalnya, canggih].”
**AI dalam Militer:**
Berbagai negara menggunakan aplikasi militer AI. Aplikasi utama meningkatkan komando dan kontrol, komunikasi, sensor, integrasi, dan interoperabilitas. Penelitian menargetkan pengumpulan dan analisis intelijen, logistik, operasi dunia maya, operasi informasi, dan kendaraan semi-otonom dan otonom. Teknologi AI memungkinkan koordinasi sensor dan efektor, deteksi dan identifikasi ancaman, penandaan posisi musuh, akuisisi target, koordinasi, dan dekonfliksi Api Gabungan terdistribusi antara kendaraan tempur yang terhubung jaringan, baik yang dioperasikan manusia maupun otonom.
AI telah digunakan dalam operasi militer di Irak, Suriah, Israel, dan Ukraina.
**AI Generatif (Generative AI):**
Kecerdasan buatan generatif (Generative AI, GenAI, atau GAI) adalah subbidang kecerdasan buatan yang menggunakan model generatif untuk menghasilkan teks, gambar, video, atau bentuk data lainnya. Model-model ini mempelajari pola dan struktur mendasar dari data pelatihan mereka dan menggunakannya untuk menghasilkan data baru berdasarkan input, yang seringkali berupa prompt bahasa alami.
Alat AI generatif telah menjadi lebih umum sejak booming AI pada tahun 2020-an. Boom ini dimungkinkan oleh peningkatan dalam jaringan saraf dalam berbasis transformer, terutama model bahasa besar (LLM). Alat utama meliputi chatbot seperti ChatGPT, Copilot, Gemini, Claude, Grok, dan DeepSeek; model teks-ke-gambar seperti Stable Diffusion, Midjourney, dan DALL-E; dan model teks-ke-video seperti Veo dan Sora. Perusahaan teknologi yang mengembangkan AI generatif meliputi OpenAI, xAI, Anthropic, Meta AI, Microsoft, Google, DeepSeek, dan Baidu.
**Agen AI (AI Agents):**
Agen AI adalah entitas perangkat lunak yang dirancang untuk merasakan lingkungan mereka, membuat keputusan, dan mengambil tindakan secara otonom untuk mencapai tujuan tertentu. Agen ini dapat berinteraksi dengan pengguna, lingkungan mereka, atau agen lain. Agen AI digunakan dalam berbagai aplikasi, termasuk asisten virtual, chatbot, kendaraan otonom, sistem permainan, dan robotika industri. Agen AI beroperasi dalam batasan pemrograman mereka, sumber daya komputasi yang tersedia, dan batasan perangkat keras. Ini berarti mereka dibatasi untuk melakukan tugas dalam lingkup yang telah ditentukan dan memiliki memori dan kemampuan pemrosesan yang terbatas. Dalam aplikasi dunia nyata, agen AI sering menghadapi kendala waktu untuk pengambilan keputusan dan eksekusi tindakan. Banyak agen AI menggabungkan algoritma pembelajaran, yang memungkinkan mereka untuk meningkatkan kinerja mereka dari waktu ke waktu melalui pengalaman atau pelatihan. Menggunakan pembelajaran mesin, agen AI dapat beradaptasi dengan situasi baru dan mengoptimalkan perilaku mereka untuk tugas yang ditunjuk.
**AI dalam Pencarian:**
Microsoft memperkenalkan Pencarian Copilot pada Februari 2023 dengan nama Bing Chat, sebagai fitur bawaan untuk Microsoft Edge dan aplikasi seluler Bing. Pencarian Copilot menyediakan ringkasan yang dihasilkan AI dan penalaran langkah demi langkah berdasarkan informasi dari penerbit web, yang diberi peringkat dalam Pencarian Bing. Untuk keamanan, Copilot menggunakan pengklasifikasi dan filter berbasis AI untuk mengurangi konten yang berpotensi berbahaya.
Google secara resmi mendorong Pencarian AI pada acara Google I/O-nya pada 20 Mei 2025. Ini membuat orang tetap melihat Google daripada mengklik hasil pencarian. Tinjauan AI menggunakan Gemini 2.5 untuk memberikan jawaban kontekstual untuk kueri pengguna berdasarkan konten web.
**AI dan Seksualitas:**
Aplikasi AI di domain ini meliputi pelacak menstruasi dan kesuburan yang didukung AI yang menganalisis data pengguna untuk menawarkan prediksi, mainan seks terintegrasi AI (misalnya, teledildonics), konten pendidikan seks yang dihasilkan AI, dan agen AI yang mensimulasikan pasangan seksual dan romantis (misalnya, Replika). AI juga digunakan untuk produksi pornografi deepfake yang tidak konsensual, menimbulkan kekhawatiran etis dan hukum yang signifikan.
Teknologi AI juga telah digunakan untuk mencoba mengidentifikasi kekerasan berbasis gender online dan perawatan seksual online anak di bawah umur.
**Penerapan AI Lainnya:**
Ada juga ribuan aplikasi AI yang sukses yang digunakan untuk memecahkan masalah spesifik untuk industri atau lembaga tertentu. Dalam survei tahun 2017, satu dari lima perusahaan melaporkan telah memasukkan “AI” dalam beberapa penawaran atau proses. Beberapa contohnya adalah penyimpanan energi, diagnosis medis, logistik militer, aplikasi yang memprediksi hasil keputusan peradilan, kebijakan luar negeri, atau manajemen rantai pasokan.
Aplikasi AI untuk evakuasi dan manajemen bencana semakin meningkat. AI telah digunakan untuk menyelidiki pola dalam evakuasi skala besar dan kecil menggunakan data historis dari GPS, video, atau media sosial. Selain itu, AI dapat memberikan informasi real-time tentang kondisi evakuasi.
Dalam pertanian, AI telah membantu petani untuk meningkatkan hasil dan mengidentifikasi area yang membutuhkan irigasi, pemupukan, perawatan pestisida. Ahli agronomi menggunakan AI untuk melakukan penelitian dan pengembangan. AI telah digunakan untuk memprediksi waktu pematangan untuk tanaman seperti tomat, memantau kelembapan tanah, mengoperasikan robot pertanian, melakukan analitik prediktif, mengklasifikasikan emosi panggilan babi ternak, mengotomatiskan rumah kaca, mendeteksi penyakit dan hama, dan menghemat air.
Kecerdasan buatan digunakan dalam astronomi untuk menganalisis peningkatan jumlah data dan aplikasi yang tersedia, terutama untuk “klasifikasi, regresi, pengelompokan, peramalan, generasi, penemuan, dan pengembangan wawasan ilmiah baru.” Misalnya, ia digunakan untuk menemukan exoplanet, meramalkan aktivitas matahari, dan membedakan antara sinyal dan efek instrumental dalam astronomi gelombang gravitasi. Selain itu, ia dapat digunakan untuk aktivitas di luar angkasa, seperti eksplorasi ruang angkasa, termasuk analisis data dari misi ruang angkasa, keputusan ilmiah real-time pesawat ruang angkasa, penghindaran puing-puing ruang angkasa, dan operasi yang lebih otonom.
Selama pemilihan umum India tahun 2024, US$50 juta dihabiskan untuk konten yang dihasilkan AI yang telah diotorisasi, terutama dengan membuat deepfake dari politisi sekutu (termasuk yang sudah meninggal) untuk lebih terlibat dengan pemilih, dan dengan menerjemahkan pidato ke berbagai bahasa daerah.
**Manfaat dan Risiko AI:**
AI memiliki manfaat dan risiko potensial. AI mungkin dapat memajukan sains dan menemukan solusi untuk masalah serius: Demis Hassabis dari DeepMind berharap untuk “memecahkan kecerdasan, dan kemudian menggunakannya untuk memecahkan semua hal lainnya”. Namun, seiring dengan meluasnya penggunaan AI, beberapa konsekuensi dan risiko yang tidak diinginkan telah diidentifikasi. Sistem produksi kadang-kadang tidak dapat mempertimbangkan etika dan bias ke dalam proses pelatihan AI mereka, terutama ketika algoritma
