Teknologi
Pertama Kali, AI Jaringan Saraf Mencapai Kecerdasan Manusia
ANTARIKSA -- Jaringan saraf sekarang bisa 'berpikir' lebih seperti manusia dibandingkan sebelumnya. Para ilmuwan menunjukkan kemampuan sistem kecerdasan buatan (AI) itu
dalam sebuah studi baru yang diterbitkan di jurnal Nature pada Rabu, 25 Oktober 2023.
Penelitian itu menandakan pergeseran perdebatan selama puluhan tahun tentang ilmu kognitif, sebuah bidang yang mengeksplorasi jenis komputer apa yang paling mewakili pikiran manusia. Sejak tahun 1980-an, sekelompok ilmuwan kognitif berpendapat bahwa sejenis AI jaringan saraf, bukanlah model pikiran yang layak karena arsitekturnya gagal menangkap fitur utama cara berpikir manusia.
Scroll untuk membaca
Scroll untuk membaca
Namun dengan pelatihan, jaringan saraf kini dapat memperoleh kemampuan seperti manusia. “Pekerjaan kami di sini menunjukkan bahwa aspek penting dari kecerdasan manusia ini, dapat diperoleh melalui praktik menggunakan model yang selama ini diabaikan karena kurangnya kemampuan tersebut,” kata rekan penulis studi itu, Brenden Lake kepada Live Science.
Asisten profesor psikologi dan ilmu data di New York University itu mengatakan, jaringan saraf sepertinya meniru struktur otak manusia karena simpul pemrosesan informasinya terhubung satu sama lain, dan pemrosesan datanya mengalir dalam lapisan hierarki. Namun secara historis, sistem AI belum sepenuhnya berperilaku seperti pikiran manusia. Mereka tidak memiliki kemampuan untuk menggabungkan konsep-konsep yang dikenal dengan cara-cara baru, sebuah kapasitas yang disebut 'komposisi sistematis.'
Baca Juga: Pertama Kali AI Berhasil Identifikasi Supernova, Astronom Manusia Bakal Tersingkir?
Misalnya, Lake menjelaskan, jika jaringan saraf standar mempelajari kata 'hop', 'dua kali', dan 'dalam lingkaran', jaringan tersebut perlu diperlihatkan banyak contoh bagaimana kata-kata tersebut dapat digabungkan menjadi frasa yang bermakna, seperti 'hop dua kali dan melompat dalam lingkaran.' Namun jika sistem kemudian diberi kata baru, seperti 'spin', sistem perlu melihat banyak contoh lagi untuk mempelajari cara menggunakannya dengan cara yang sama.
Dalam studi baru tersebut, Lake dan rekan penulis Marco Baroni dari Universitas Pompeu Fabra di Barcelona menguji model AI dan sukarelawan manusia menggunakan bahasa buatan seperti 'dax' dan 'wif.' Kata-kata itu berhubungan dengan titik-titik berwarna, atau dengan fungsi yang entah bagaimana memanipulasi urutan titik-titik tersebut secara berurutan. Jadi, urutan kata menentukan urutan kemunculan titik-titik berwarna.
Jadi, dengan adanya frasa yang tidak masuk akal, AI dan manusia harus memahami aturan tata bahasa yang mendasari, yang menentukan titik mana yang sesuai dengan kata-kata tersebut. Sukarelawan manusia menghasilkan urutan titik yang benar sekitar 80 persen. Ketika gagal, mereka membuat jenis kesalahan yang konsisten, seperti menganggap sebuah kata mewakili satu titik, bukan fungsi yang mengacak seluruh rangkaian titik.
Setelah menguji tujuh model AI, Lake dan Baroni menemukan metode yang disebut meta-learning forcompositionality (MLC). Metode ini memungkinkan jaringan saraf berlatih menerapkan serangkaian aturan berbeda pada kata-kata yang baru dipelajari, sekaligus memberikan masukan apakah jaringan saraf menerapkan aturan tersebut dengan benar.
Mencapai Kemampuan Manusia
Dalam pengujian tersebut, jaringan saraf yang dilatih MLC menyamai atau melampaui kinerja manusia. Lalu, ketika para peneliti menambahkan data tentang kesalahan umum yang dilakukan manusia, model AI kemudian membuat jenis kesalahan yang sama seperti yang dilakukan manusia.
Para penulis juga mengadu MLC dengan dua model berbasis jaringan saraf dari OpenAI, perusahaan di balik ChatGPT. Mereka menemukan bahwa MLC dan manusia memiliki kinerja yang jauh lebih baik daripada model OpenAI pada pengujian titik. Jaringan saraf dengan MLC juga mendapat tugas tambahan, yang melibatkan interpretasi instruksi tertulis dan makna kalimat .
“Mereka mendapatkan keberhasilan yang mengesankan dalam tugas itu, dalam menghitung makna kalimat,” kata Paul Smenesky, profesor ilmu kognitif di Johns Hopkins dan peneliti utama senior di Microsoft Research, yang tidak terlibat dalam studi baru tersebut.
Baca Juga: Jika AI Lebih Dulu Menemukan Alien, Persoalan Lain Bisa Bermunculan
Namun, kata dia, kemampuan model tersebut untuk menggeneralisasi masih terbatas. “Ini bisa bekerja pada jenis kalimat yang telah dilatih, tapi tidak bisa digeneralisasikan ke jenis kalimat baru,” kata Smolensky kepada Live Science.
"Meski demikian, hingga tulisan ini dibuat, kita sebenarnya belum berhasil melatih jaringan agar menjadi komposisi penuh. Di situlah saya pikir makalah mereka membawa kemajuan, meskipun ada keterbatasan saat ini," kata dia.
Smolensky mengatakan, meningkatkan kemampuan MLC untuk menunjukkan generalisasi komposisi merupakan langkah penting berikutnya. “Itu adalah sifat utama yang membuat kita cerdas, jadi kita perlu memanfaatkannya. Pekerjaan ini membawa kita ke arah itu, tetapi belum berhasil." Sumber: Live Science
Ikuti Ulasan-Ulasan Menarik Lainnya dari Penulis Klik di Sini
