Tiga Bapak Deep Learning Yakin AI Belum Menemui Jalan Buntu

Kalimat seperti ini mulai sering terdengar sejak kemunculan berbagai model AI generatif. Banyak peneliti berpendapat bahwa pendekatan yang selama ini mendominasi dunia kecerdasan buatan tidak akan mampu membawa AI menuju kecerdasan yang menyerupai manusia. Alasannya beragam: model membutuhkan data dalam jumlah sangat besar, sulit memahami sebab-akibat, mudah keliru ketika menghadapi situasi baru, hingga tidak memiliki penalaran layaknya manusia.

Namun menariknya, tiga tokoh yang justru membangun fondasi deep learning memiliki pandangan berbeda.

Ketika Para Pelopor Tidak Sepakat dengan Kritik

Nama Geoffrey Hinton, Yoshua Bengio, dan Yann LeCun hampir selalu muncul ketika membahas sejarah kecerdasan buatan modern. Ketiganya menerima penghargaan bergengsi Turing Award pada 2018 berkat kontribusi mereka terhadap perkembangan deep learning.

Yang menarik, mereka mengakui bahwa deep learning saat ini memang memiliki banyak keterbatasan. Namun menurut mereka, kelemahan tersebut bukanlah tanda bahwa pendekatan ini telah gagal. Sebaliknya, itu adalah tantangan yang akan diselesaikan melalui evolusi deep learning itu sendiri, bukan dengan meninggalkannya dan kembali ke pendekatan AI klasik.

Pandangan ini cukup berbeda dengan sebagian peneliti yang percaya bahwa AI masa depan harus menggabungkan neural network dengan sistem simbolik (symbolic AI).

Deep Learning Memang Belum Sempurna

Sulit membantah bahwa deep learning telah mengubah banyak industri. Teknologi ini memungkinkan komputer mengenali wajah, menerjemahkan bahasa, memahami ucapan manusia, hingga menghasilkan gambar dan teks yang semakin realistis.

Namun di balik keberhasilannya, masih ada sejumlah persoalan mendasar.

1. Sangat Bergantung pada Data

Manusia dapat mengenali seekor kucing hanya setelah melihat beberapa contoh.

Sebaliknya, model deep learning sering kali membutuhkan jutaan gambar sebelum mampu mencapai tingkat akurasi yang tinggi.

Artinya, proses belajar mesin masih jauh lebih “boros pengalaman” dibanding manusia.

2. Sulit Beradaptasi

Model AI biasanya bekerja sangat baik selama kondisi yang dihadapinya mirip dengan data pelatihan.

Masalah muncul ketika lingkungan berubah.

Sedikit perubahan pada gambar, pencahayaan, atau konteks terkadang sudah cukup membuat model memberikan prediksi yang salah. Dalam dunia AI, kondisi ini sering disebut sebagai out-of-distribution problem.

3. Belum Memiliki Common Sense

Kita memahami bahwa gelas yang jatuh kemungkinan akan pecah.

Kita juga tahu bahwa seseorang tidak mungkin berada di dua tempat pada waktu yang sama.

Pengetahuan seperti ini tampak sederhana bagi manusia, tetapi masih sangat sulit dipelajari oleh model AI.

Deep learning unggul dalam mengenali pola, tetapi belum benar-benar memahami dunia sebagaimana manusia memahaminya.

Mengapa Mereka Tetap Optimistis?

Alih-alih melihat keterbatasan tersebut sebagai kegagalan, Hinton, Bengio, dan LeCun menganggapnya sebagai fase perkembangan teknologi.

Mereka percaya bahwa banyak penelitian terbaru justru mengarah pada solusi.

Salah satu contohnya adalah berkembangnya self-supervised learning.

Berbeda dengan supervised learning yang membutuhkan data berlabel, pendekatan ini memungkinkan model belajar dari struktur alami data tanpa campur tangan manusia dalam jumlah besar. Dengan kata lain, AI mulai belajar dengan cara yang sedikit lebih mirip manusia: mengamati lingkungan terlebih dahulu, baru kemudian memahami pola-pola yang ada. (TechTalks⁠)

Transformer Menjadi Titik Balik

Perkembangan lain yang memberi harapan adalah lahirnya arsitektur Transformer.

Teknologi inilah yang menjadi fondasi berbagai Large Language Model (LLM) modern.

Transformer menunjukkan bahwa model tidak selalu harus diberi label untuk setiap data. Mereka dapat mempelajari representasi bahasa, gambar, bahkan hubungan antarkonsep melalui proses pelatihan mandiri dalam skala besar.

Keberhasilan model seperti GPT menjadi salah satu bukti bahwa pendekatan ini mampu menghasilkan lompatan besar dalam kemampuan AI. (TechTalks⁠)

AI Harus Belajar Bernalar

Menurut ketiga pelopor tersebut, masa depan AI bukan hanya tentang membuat model semakin besar.

Yang jauh lebih penting adalah mengembangkan kemampuan bernalar.

Mereka membayangkan sistem AI yang mampu:

• memahami hubungan sebab dan akibat,

• merencanakan langkah-langkah untuk mencapai tujuan,

• belajar dari sedikit contoh,

• beradaptasi terhadap lingkungan baru,

• serta mengembangkan pengetahuan umum (common sense).

Semua kemampuan itu diharapkan tetap dapat dicapai melalui evolusi arsitektur deep learning, bukan dengan mengganti paradigma secara total. (TechTalks⁠)

Apakah Deep Learning Akan Digantikan?

Pertanyaan ini sering muncul setiap kali teknologi AI mengalami lonjakan.

Sejarah menunjukkan bahwa setiap generasi AI selalu dianggap sebagai solusi terakhir.

Namun kenyataannya, teknologi terus berevolusi.

Deep learning hari ini pun berbeda jauh dibanding sepuluh tahun lalu.

Dulu kita mengenal Convolutional Neural Network (CNN) sebagai standar dalam computer vision.

Kemudian muncul Transformer yang mengubah cara AI memahami bahasa.

Kini dunia mulai memasuki era multimodal, ketika satu model mampu memahami teks, gambar, suara, hingga video secara bersamaan.

Artinya, deep learning tidak berhenti berkembang. Ia terus berubah mengikuti tantangan baru.

Refleksi

Ada pelajaran menarik dari perjalanan tiga tokoh tersebut.

Mereka tidak menutup mata terhadap kelemahan teknologi yang mereka bangun sendiri. Sebaliknya, mereka mengakuinya secara terbuka sambil tetap percaya bahwa solusi akan lahir dari penelitian berikutnya.

Dalam dunia teknologi, mengakui keterbatasan bukan berarti menyerah.

Justru dari pengakuan itulah inovasi biasanya dimulai.

Mungkin itulah alasan mengapa deep learning masih menjadi fondasi hampir seluruh perkembangan AI saat ini. Bukan karena ia sudah sempurna, tetapi karena para penelitinya masih terus menemukan cara agar ia menjadi lebih baik.

Dan jika sejarah AI mengajarkan sesuatu kepada kita, jawabannya sederhana: setiap kali orang mengatakan “AI sudah mentok”, biasanya itu hanyalah awal dari lompatan berikutnya.