Apa itu AGI (Kecerdasan Umum Buatan)?

Kecerdasan Umum Buatan (AGI) adalah bidang penelitian AI teoretis yang mencoba membuat perangkat lunak dengan kecerdasan mirip manusia dan kemampuan untuk belajar sendiri. Tujuannya adalah agar perangkat lunak dapat melakukan tugas-tugas yang tidak secara khusus dilatih atau dikembangkan untuk itu. 

Teknologi kecerdasan buatan (AI) saat ini semuanya berfungsi dalam satu set parameter yang telah ditentukan sebelumnya. Misalnya, model AI yang dilatih dalam pengenalan dan pembuatan gambar tidak dapat membangun situs web. AGI adalah upaya teoretis untuk mengembangkan sistem AI yang memiliki kontrol diri otonom, tingkat pemahaman diri yang wajar, dan kemampuan untuk mempelajari keterampilan baru. AGI dapat memecahkan masalah kompleks dalam pengaturan dan konteks yang tidak diajarkan kepadanya pada saat pembuatannya. AGI dengan kemampuan manusia tetap menjadi konsep teoretis dan tujuan penelitian.

Selama beberapa dekade, peneliti AI telah memetakan beberapa tonggak sejarah yang secara signifikan meningkatkan kecerdasan mesin—bahkan hingga tingkat yang meniru kecerdasan manusia dalam tugas-tugas tertentu. Misalnya, peringkas AI menggunakan model machine learning (ML) untuk mengekstraksi poin penting dari dokumen dan menghasilkan ringkasan yang dapat dipahami. Dengan demikian, AI adalah disiplin ilmu komputer yang memungkinkan perangkat lunak untuk menyelesaikan tugas-tugas baru dan sulit dengan performa tingkat manusia. 

Sebaliknya, sistem AGI dapat memecahkan masalah di berbagai domain, seperti manusia, tanpa intervensi manual. Alih-alih terbatas pada ruang lingkup tertentu, AGI dapat belajar sendiri dan memecahkan masalah yang tidak pernah dilatih untuk itu. AGI dengan demikian merupakan representasi teoretis dari kecerdasan buatan lengkap yang memecahkan tugas-tugas kompleks dengan kemampuan kognitif manusia umum. 

Beberapa ilmuwan komputer percaya bahwa AGI adalah program komputer hipotetis dengan pemahaman manusia dan kemampuan kognitif. Sistem AI dapat belajar menangani tugas-tugas yang tidak familer tanpa pelatihan tambahan dalam teori semacam itu. Sebagai alternatif, sistem AI yang kita gunakan saat ini memerlukan pelatihan substansial sebelum dapat menangani tugas-tugas terkait dalam domain yang sama. Misalnya, Anda harus menyempurnakan model bahasa besar (LLM) yang telah dilatih sebelumnya dengan set data medis sebelum dapat beroperasi secara konsisten sebagai chatbot medis. 

AI yang Kuat Dibandingkan dengan AI yang Lemah

AI yang kuat adalah kecerdasan buatan penuh, atau AGI, yang mampu melakukan tugas dengan tingkat kognitif manusia meskipun memiliki sedikit pengetahuan latar belakang. Fiksi ilmiah sering menggambarkan AI yang kuat sebagai mesin berpikir dengan pemahaman manusia yang tidak terbatas pada batasan domain. 

Sebaliknya, AI lemah atau AI sempit adalah sistem AI yang terbatas pada spesifikasi komputasi, algoritma, dan tugas spesifik yang didesain untuknya. Misalnya, model AI sebelumnya memiliki memori terbatas dan hanya mengandalkan data waktu nyata untuk membuat keputusan. Bahkan aplikasi AI generatif yang muncul dengan retensi memori yang lebih baik dianggap AI lemah karena tidak dapat digunakan kembali untuk domain lain. 

Mencapai AGI membutuhkan spektrum teknologi, data, dan interkonektivitas yang lebih luas daripada apa yang mendukung model AI saat ini. Kreativitas, persepsi, pembelajaran, dan memori sangat penting untuk menciptakan AI yang meniru perilaku manusia yang kompleks. Ahli AI telah mengusulkan beberapa metode untuk mendorong penelitian AGI. 

Simbolik

Pendekatan simbolis mengasumsikan bahwa sistem komputer dapat mengembangkan AGI dengan mewakili pikiran manusia dengan memperluas jaringan logika. Jaringan logika melambangkan objek fisik dengan logika if-else, yang memungkinkan sistem AI untuk menginterpretasikan ide pada tingkat pemikiran yang lebih tinggi. Namun, representasi simbolis tidak dapat mereplikasi kemampuan kognitif halus di tingkat yang lebih rendah, seperti persepsi.

Koneksionis

Pendekatan koneksionis (atau emergentist) berfokus pada replikasi struktur otak manusia dengan arsitektur jaringan neural. Neuron otak dapat mengubah jalur transmisinya saat manusia berinteraksi dengan rangsangan eksternal. Para ilmuwan berharap model AI yang mengadopsi pendekatan subsimbolik ini dapat mereplikasi kecerdasan yang mirip manusia dan menunjukkan kemampuan kognitif tingkat rendah. Model bahasa besar adalah contoh AI yang menggunakan metode koneksionis untuk memahami bahasa alami. 

Universalis

Para peneliti yang mengambil pendekatan universalis fokus pada mengatasi kompleksitas AGI di tingkat penghitungan. Mereka mencoba merumuskan solusi teoretis yang dapat mereka gunakan kembali menjadi sistem AGI praktis. 

Arsitektur organisme utuh

Pendekatan arsitektur organisme utuh melibatkan pengintegrasian model AI dengan representasi fisik tubuh manusia. Para ilmuwan yang mendukung teori ini percaya AGI hanya dapat dicapai ketika sistem belajar dari interaksi fisik. 

Hibrida

Pendekatan hibrida mempelajari metode simbolis dan subsimbolis untuk merepresentasikan pikiran manusia untuk mencapai hasil di luar pendekatan tunggal. Peneliti AI dapat mencoba mengasimilasi berbagai prinsip dan metode yang diketahui untuk mengembangkan AGI.

AGI tetap menjadi tujuan yang jauh bagi para peneliti. Upaya untuk membangun sistem AGI sedang berlangsung dan didorong oleh perkembangan yang muncul. Bagian berikut menjelaskan teknologi yang muncul. 

Deep learning 

Deep learning adalah disiplin AI yang berfokus pada pelatihan jaringan neural dengan banyak lapisan tersembunyi untuk mengekstraksi dan memahami hubungan kompleks dari data mentah. Ahli AI menggunakan deep learning untuk membangun sistem yang mampu memahami teks, audio, gambar, video, dan tipe informasi lainnya. Misalnya, developer menggunakan Amazon SageMaker guna membangun model deep learning ringan untuk Internet untuk Segala (IoT) dan perangkat seluler. 

AI Generatif

Kecerdasan buatan generatif (AI generatif) adalah bagian dari deep learning di mana sistem AI dapat menghasilkan konten yang unik dan realistis dari pengetahuan yang dipelajari. Model AI generatif berlatih dengan set data besar, yang memungkinkannya merespons kueri manusia dengan teks, audio, atau visual yang secara alami menyerupai ciptaan manusia. Misalnya, LLM dari AI21 Labs, Anthropic, Cohere, dan Meta adalah algoritma AI generatif yang dapat digunakan organisasi untuk menyelesaikan tugas-tugas kompleks. Tim perangkat lunak menggunakan Amazon Bedrock untuk men-deploy model ini dengan cepat di cloud tanpa perlu menyediakan server. 

NLP

Pemrosesan bahasa alami (NLP) adalah cabang AI yang memungkinkan sistem komputer untuk memahami dan menghasilkan bahasa manusia. Sistem NLP menggunakan linguistik komputasi dan teknologi machine learning untuk mengubah data bahasa menjadi representasi sederhana yang disebut token serta memahami hubungan kontekstualnya. Misalnya, Amazon Lex adalah mesin NLP yang memungkinkan organisasi untuk membangun chatbot ai percakapan.  

Penglihatan Komputer

Penglihatan komputer adalah teknologi yang memungkinkan sistem untuk mengekstraksi, menganalisis, dan memahami informasi spasial dari data visual. Mobil swakemudi menggunakan model penglihatan komputer untuk menganalisis umpan waktu nyata dari kamera dan menavigasi kendaraan dengan aman jauh dari rintangan. Teknologi deep learning memungkinkan sistem penglihatan komputer untuk mengotomatiskan pengenalan objek skala besar, klasifikasi, pemantauan, dan tugas pemrosesan gambar lainnya. Misalnya, para rekayasawan menggunakan Amazon Rekognition guna mengotomatiskan analisis gambar untuk berbagai aplikasi penglihatan komputer. 

Robotika

Robotika adalah disiplin rekayasa di mana organisasi dapat membangun sistem mekanis yang secara otomatis melakukan manuver fisik. Dalam AGI, sistem robotika memungkinkan kecerdasan mesin untuk bermanifestasi secara fisik. Hal ini sangat penting untuk memperkenalkan persepsi sensorik dan kemampuan manipulasi fisik yang dibutuhkan sistem AGI. Misalnya, menanamkan lengan robot dengan AGI dapat memungkinkan lengan untuk merasakan, menggenggam, dan mengupas jeruk seperti yang dilakukan manusia. Saat meneliti AGI, tim rekayasawan menggunakan AWS RoboMaker untuk menyimulasikan sistem robot secara virtual sebelum merakitnya. 

Ilmuwan komputer menghadapi beberapa tantangan berikut dalam mengembangkan AGI. 

Membuat Koneksi

Model AI saat ini terbatas pada domain spesifiknya dan tidak dapat membuat koneksi antar domain. Namun, manusia dapat menerapkan pengetahuan dan pengalaman dari satu domain ke domain lainnya. Misalnya, teori pendidikan diterapkan dalam desain game untuk menciptakan pengalaman belajar yang menarik. Manusia juga dapat menyesuaikan hal-hal yang mereka pelajari dari pendidikan teoritis ke situasi kehidupan nyata. Namun, model deep learning memerlukan pelatihan substansial dengan set data tertentu agar dapat bekerja secara andal dengan data yang tidak dikenal. 

Kecerdasan Emosional

Model deep learning mengisyaratkan kemungkinan AGI, tetapi belum menunjukkan kreativitas autentik yang dimiliki manusia. Kreativitas membutuhkan pemikiran emosional, yang belum dapat direplikasi oleh arsitektur jaringan neural. Misalnya, manusia merespons percakapan berdasarkan hal-hal yang mereka rasakan secara emosional, tetapi model NLP menghasilkan output teks berdasarkan set data linguistik dan pola yang mereka latih. 

Persepsi Sensorik

AGI membutuhkan sistem AI untuk berinteraksi secara fisik dengan lingkungan eksternal. Selain kemampuan robotika, sistem harus memahami dunia seperti yang dilakukan manusia. Teknologi komputer yang sudh ada membutuhkan kemajuan lebih lanjut sebelum dapat mendiferensiasikan bentuk, warna, rasa, bau, dan suara secara akurat seperti manusia.  

AWS menyediakan layanan kecerdasan buatan terkelola yang membantu Anda melatih, men-deploy, dan menskalakan aplikasi AI generatif. Organisasi menggunakan alat AI dan model fondasi kami guna menginovasikan sistem AI dengan data mereka sendiri untuk kasus penggunaan yang dipersonalisasi.

• Amazon Bedrock adalah layanan terkelola penuh di mana developer dapat menggunakan panggilan API untuk mengakses model AI generatif yang mereka deploy. Anda dapat memilih, mengustomisasi, melatih, dan men-deploy model fondasi yang terkemuka di industri di Bedrock untuk bekerja dengan data kepemilikan. 
• Amazon SageMaker Jumpstart membantu tim perangkat lunak mempercepat pengembangan AI dengan membangun, melatih, dan men-deploy model fondasi di hub machine learning. 
• Gunakan Amazon Elastic Compute Cloud UltraClusters untuk mendukung beban kerja AI generatif Anda dengan GPU superkomputasi untuk memproses set data besar dengan latensi rendah.

Mulai AGI dengan Mendaftar Akun AWS Sekarang Juga