Source article: A Short History of Foundational AGI Theories
Translation by: decentralrenegade
Dework task link: https://app.dework.xyz/singularitynet-ambas/test-38287?taskId=f1a972c6-5db4-4613-af98-9b14c69dc18f
Community review: Please leave comments below about translation quality or like this post if it is well translated
Sejarah Singkat dari Teori-Teori Dasar AGI
Impian tentang Kecerdasan Umum Buatan (Artificial General Intelligence atau AGI), yang merupakan sebuah mesin dengan kecerdasan seperti manusia, dapat kita telusuri kembali ke teori-teori komputasi awal pada tahun 1950-an, ketika para pionir seperti John von Neumann mengeksplorasi kemungkinan untuk mereplikasi fungsi otak manusia.
Saat ini, AGI merepresentasikan pergeseran paradigma dari berbagai macam alat dan algoritma kecerdasan buatan sempit yang kita gunakan saat ini, yang ternyata sangat unggul dalam penyelesaian tugas-tugas spesifik. Sebuah pergeseran tersebut bergerak menuju bentuk kecerdasan yang dapat belajar, memahami, dan menerapkan pengetahuannya terhadap berbagai tugas atau bahkan hingga melampaui tingkat manusia.
Meskipun definisi atau karakterisasi yang tepat tentang AGI belumlah disepakati secara luas, istilah “Kecerdasan Umum Buatan” tersebut memiliki beberapa makna yang saling terkait, hal ini merujuk pada kemampuan suatu sistem yang direkayasa untuk:
- Menunjukkan jenis kecerdasan umum yang secara kasarnya dapat dikatakan sama dengan manusia;
- Menunjukkan kecerdasan yang tidak terikat pada seperangkat tugas yang sangat spesifik;
- Menerapkan apa yang telah dipelajarinya, termasuk generalisasi ke konteks yang secara kualitatif sangat berbeda dari yang pernah dilihatnya sebelumnya;
- Memiliki pandangan yang luas, dan dapat menafsirkan tugas-tugas yang ada secara fleksibel dalam konteks dunia secara keseluruhan serta keterhubungannya dengan dunia tersebut.
Perjalanan menuju AGI telah ditandai oleh munculnya banyak teori serta kerangka konseptual, teori dan konsep tersebut masing-masing telah berkontribusi pada pemahaman dan aspirasi kita tentang revolusi teknologi yang nampaknya akan segera terjadi di masa kini.
Oleh sebab itu, mari kita melihat ke belakang dan menjelajahi beberapa teori dan konseptualisasi inti, yang dalam jangka panjang telah melahirkan konsep yang kita kenal di masa sekarang sebagai AGI.
Konsep Awal Kecerdasan Umum Buatan (AGI)
Turing dan Tes Turing (1950)
Makalah seminal Alan Turing, “Computing Machinery and Intelligence,” memperkenalkan kita terkait gagasan bahwa mesin mampu menampilkan perilaku cerdas yang tidak dapat dibedakan dari manusia.
Tes Turing, yang mengevaluasi kemampuan mesin untuk menunjukkan respons seperti manusia, menjadi konsep dasar yang menekankan pentingnya perilaku dalam mendefinisikan kecerdasan.
Tak lama setelah itu, pada tahun 1958, buku John von Neumann, “The Computer and the Brain,” mengeksplorasi paralel antara proses neural dan sistem komputasi, memicu minat awal pada model neurokomputasional.
Konseptualisasi awal ini melahirkan era AI Simbolik
Pada tahun 1950-an hingga 1960-an, Allen Newell dan Herbert A. Simon mengajukan Hipotesis Sistem Simbol Fisik, yang menyatakan bahwa sebuah sistem simbol fisik memiliki sarana yang diperlukan dan memadai untuk tindakan cerdas secara umum. Teori ini mendasari banyak penelitian AI awal, yang kemudian menghasilkan pengembangan AI simbolik, yang berfokus pada representasi simbolik tingkat tinggi (dapat dibaca manusia) dari masalah dan logika.
Menjelang akhir 1960-an, buku Marvin Minsky dan Seymour Papert berjudul “Perceptrons,” mengkaji secara kritis model jaringan saraf awal serta menyoroti keterbatasannya. Meskipun awalnya dianggap sebagai kemunduran bagi model koneksionis, karya ini akhirnya mendorong kegiatan penelitian yang lebih mendalam lagi tentang jaringan saraf dan kemampuannya, yang dimana hal ini akan mempengaruhi perkembangan pembelajaran mesin (ML) di masa depan.
Pada tahun 1956, Newell dan Simon mengembangkan Logic Theorist, yang dianggap oleh banyak orang sebagai program AI nyata pertama. Program ini mampu membuktikan teorema dalam logika simbolik, dimana menandai tonggak penting dalam penelitian dan pengembangan AI. Tak lama kemudian, pada tahun 1958, John McCarthy mengembangkan LISP, bahasa pemrograman yang menjadi dasar penting bagi penelitian AI saat itu.
Pada tahun 1970-an, janji-janji awal AI ternyata menghadapi kemunduran signifikan. Harapan yang tinggi menjadi tidak terpenuhi karena teknologi tersebut tidak dapat memberikan manfaat besar yang seperti yang dijanji-janjikan. Sistem AI mengalami kesulitan dengan masalah yang kompleks, dan keterbatasan jaringan saraf awal serta AI simbolik menjadi jelas. Karena kurangnya kemajuan dan ekspektasi yang berlebihan, pendanaan untuk penelitian AI menjadi berkurang secara signifikan. Periode ini kemudian dikenal sebagai periode musim dingin AI yang pertama.
Tentang Jaringan Saraf (NN) dan Koneksionisme
Pada tahun 1980-an, penelitian tentang jaringan saraf mengalami kebangkitan kembali. Pengembangan dan komersialisasi sistem pakar mengembalikan AI ke dalam sorotan publik. Adapun sistem ini, yang menggunakan basis pengetahuan dan aturan inferensi untuk meniru keahlian manusia dalam bidang tertentu, telah terbukti bermanfaat di industri seperti kedokteran, keuangan, dan manufaktur.
Selain itu, kemajuan dalam perkembangan perangkat keras komputer saat itu memberikan daya komputasi yang diperlukan untuk menjalankan algoritma AI yang lebih kompleks. Hal ini mengarah pada teknik dan algoritma baru, meningkatnya minat komersial, serta peningkatan investasi dalam produk AI.
Kebangkitan ini didorong oleh pengembangan algoritma backpropagation oleh David Rumelhart, Geoffrey Hinton, dan Ronald Williams. Terobosan ini telah memungkinkan jaringan saraf berlapis-lapis untuk dapat belajar dari data, secara efektif dapat melatih model yang kompleks serta menghidupkan kembali minat pada pendekatan koneksionis terhadap AI.
John Hopfield memperkenalkan jaringan Hopfield pada tahun 1982, konsep ini menunjukkan bagaimana jaringan saraf dapat menyelesaikan masalah optimasi. Antara tahun 1983 dan 1985, Geoffrey Hinton dan Terry Sejnowski kemudian mengembangkan mesin Boltzmann, yang lebih memajukan teori jaringan saraf dengan menunjukkan potensi jaringan saraf untuk dapat menyelesaikan masalah kompleks melalui representasi terdistribusi dan penalaran probabilistik.
Munculnya Machine Learning dan Deep Learning
Pembelajaran Hebbian dan Peta Pengorganisasian Diri (1949, 1982)
Prinsip Donald Hebb, yang sering diringkas sebagai “sel yang menyala bersama, terhubung bersama,” menjadi sebuah tonggak utama untuk algoritma pembelajaran tanpa pengawasan. Peta pengorganisasian diri (self-organizing maps) dari Profesor Finlandia, Teuvo Kohonen, pada tahun 1982, yang kemudian mengembangkan prinsip-prinsip ini, serta dapat menunjukkan bagaimana sebuah sistem dapat mengorganisir dirinya untuk membentuk pola bermakna dengan tanpa adanya pengawasan eksplisit.
Deep Learning dan Pencapaian Terobosan pada ImageNet (2012)
Terobosan pada ImageNet di tahun 2012, ditandai oleh keberhasilan dari AlexNet, yang telah merevolusi bidang AI dan pembelajaran mendalam. Dikembangkan oleh Alex Krizhevsky, Ilya Sutskever, dan Geoffrey Hinton, arsitektur jaringan saraf konvolusi dalam dari AlexNet, menampilkan inovasi seperti aktivasi ReLU, dropout, dan pemanfaatan GPU, mencapai tingkat kesalahan top-5 sebesar 15,3%, jauh melampaui model sebelumnya.
Kesuksesan ini telah menunjukkan kepada kita tentang kekuatan deep learning untuk klasifikasi gambar serta memicu minat dan kemajuan luas dalam visi komputer dan pemrosesan bahasa alami.
Rangkaian Arsitektur Kognitif dan Kecerdasan Buatan Terintegrasi
SOAR dan ACT-R (1980-an)
Arsitektur kognitif seperti SOAR (State, Operator, And Result) dan ACT-R (Adaptive Control of Thought-Rational) muncul sebagai model komprehensif kognisi manusia. Dikembangkan oleh John Laird, Allen Newell, dan Paul Rosenbloom, SOAR bertujuan untuk mereplikasi perilaku cerdas secara umum melalui pemecahan masalah dan pembelajaran. ACT-R, yang dikembangkan oleh John Anderson, berfokus pada simulasi proses kognitif manusia, memberikan wawasan tentang memori, perhatian, dan pembelajaran.
Teori-teori tentang Kognisi yang Terwujud (1990-an)
Teori-teori kognisi yang terwujud menekankan peran tubuh dan lingkungan dalam membentuk perilaku cerdas. Peneliti seperti Rodney Brooks berpendapat bahwa kecerdasan sejati muncul dari interaksi antara agen dan lingkungannya, yang mengarah pada pengembangan sistem AI terwujud yang belajar dan beradaptasi melalui pengalaman fisik.
Riset dan Teori Terbaru tentang Kecerdasan Buatan Umum (AGI)
Kecerdasan Buatan Universal dan AIXI (2005)
Teori Kecerdasan Buatan Universal dari Marcus Hutter dan model AIXI menyediakan kerangka matematis untuk AGI. AIXI, sebuah agen ideal, yang dirancang untuk AI dapat mencapai perilaku optimal dengan memaksimalkan hadiah yang diharapkan berdasarkan probabilitas algoritmik. Meskipun AIXI tidak dapat dihitung secara praktis, ia menawarkan tolak ukur teoritis untuk penelitian AGI.
OpenCog Classic (2008)
Salah satu perkembangan penting dalam teori AGI adalah penciptaan OpenCog, sebuah kerangka perangkat lunak sumber terbuka untuk penelitian kecerdasan umum buatan. Didirikan oleh Ben Goertzel, yang menciptakan istilah AGI, OpenCog Classic berfokus pada integrasi berbagai metodologi AI, termasuk AI simbolik, jaringan saraf, dan pemrograman evolusioner. Tujuannya adalah untuk menciptakan arsitektur terpadu yang mampu mencapai kecerdasan yang mirip dengan manusia.
Integrasi Neural-Symbolic (2010-an)
Upaya untuk mengintegrasikan pendekatan neural dan simbolik bertujuan untuk menggabungkan kekuatan dari kedua paradigma tersebut. Sistem neural-simbolik memanfaatkan kemampuan belajar dari jaringan saraf dengan kemampuan interpretasi dan penalaran dari AI simbolik, menawarkan jalan yang menjanjikan menuju AGI.
Pengembangan Terkini dalam Kecerdasan Buatan (AI) dan Kecerdasan Umum Buatan (AGI)
Tahun 2000-an hingga 2010-an: Perekayasaan Kemampuan AI yang Spesifik Arsitektur algoritmik telah menunjukkan kecakapan melebihi manusia dalam turnamen permainan khusus, klasifikasi gambar, prediksi statistik, dan sebagainya, namun tetap terbatas dalam hal generalisasi dan kurang memiliki adaptabilitas multi-domain secara seragam.
Tahun 2020-an: Model Bahasa Besar (LLM) Model-model dasar seperti GPT-3 menunjukkan janji awal dalam aplikasi pembuatan teks, dengan menunjukkan beberapa transfer pembelajaran lintas konteks. Namun, mereka masih terbatas dalam penalaran spektrum penuh, kecerdasan emosional, dan transparansi, menyoroti tantangan menuju integrasi yang aman dan bertanggung jawab.
Tahun 2020-an: OpenCog Hyperon Membangun di atas fondasi OpenCog Classic, OpenCog Hyperon mewakili generasi berikutnya dari arsitektur AGI. Kerangka perangkat lunak sumber terbuka ini menyinergikan berbagai paradigma AI dalam arsitektur kognitif terpadu, mendorong kita menuju pencapaian AGI setara manusia dan lebih jauh lagi. Dengan peluncuran terbaru dari OpenCog Hyperon Alpha, SingularityNET telah menciptakan kerangka kerja yang kokoh untuk inovasi kolaboratif di dalam komunitas AGI.
Bagi Dr. Ben Goertzel, segalanya telah jelas sejak awal
Ia mempercayai bahwa sebagian besar ide kunci AI di bidang komersial sudah ada sejak tahun 1960-an dan 1970-an, karena saat itulah sistem AI praktis pertama kali diperkenalkan. Dengan demikian, AI telah berkembang pesat sejak awal mula kemunculannya di pertengahan abad ke-20.
Misalnya, pada tahun 1960-an, sudah ada jaringan saraf, termasuk jaringan saraf dalam dengan beberapa lapisan neuron yang disimulasikan berusaha meniru sel-sel otak. Ada juga sistem penalaran logis otomatis yang menggunakan logika formal untuk menarik kesimpulan berdasarkan bukti.
Dia juga membahas kondisi terkini dari AI, menyoroti bagaimana sistem AI mampu melakukan hal-hal luar biasa, meskipun masih belum mencapai tingkat kecerdasan manusia: “Apa yang terjadi sekarang adalah banyaknya kekuatan pemrosesan dan data yang digunakan untuk membawa pendekatan AI lama agar dapat mencapai tingkat keberhasilan baru”.
Model bahasa besar (LLM) merupakan contoh yang baik dari ini. Model ini dapat menghasilkan teks, menerjemahkan bahasa, menulis berbagai jenis konten kreatif, dan menjawab pertanyaan-pertanyaan anda dengan cara yang informatif, tetapi model ini hanya dapat “sangat pintar dalam konteks menjalankan salah satu fungsi sempit.” Jadi, apa yang akan terjadi selanjutnya?
Dr. Goertzel telah menyatakan, “Secara intuitif jelas bahwa AGI kini sudah dalam jangkauan, dan kemungkinan akan tercapai dalam beberapa tahun ke depan.” Ini karena saat ini kita memiliki beberapa pendekatan berbeda terhadap AGI yang tampak masuk akal. Salah satu pendekatan yang sedang dilakukan oleh tim riset dan perusahaan seperti OpenAI adalah meningkatkan LLM yang telah terbukti mampu melakukan hal-hal mengesankan. Pendekatan lain adalah menghubungkan berbagai jenis jaringan saraf dalam. Pendekatan ketiga adalah menghubungkan jaringan saraf dengan alat AI lainnya dalam arsitektur metagraph terdistribusi seperti OpenCog Hyperon.
Dia mengingatkan semua orang bahwa mencapai AGI menimbulkan beberapa isu sosial, ekonomi, dan etika yang menarik, tetapi dia “tidak terlalu khawatir tentang hal itu seperti beberapa orang lainnya,” karena jika kita bisa menjaga penerapan AGI tetap terdesentralisasi, dengan tata kelola yang partisipatif dan demokratis, kita bisa memiliki banyak keyakinan bahwa AGI akan berkembang menjadi sesuatu yang bermanfaat bagi umat manusia dan membantu kita menjalani hidup yang lebih memuaskan.
Di SingularityNET, kami bekerja keras untuk mendorong batas-batas dari apa yang selama ini dianggap hal mungkin dalam AGI.
Namun merupakan satu hal yang jelas — bahwa kita berdiri di atas bahu raksasa. Dari masa awal Turing dan von Neumann hingga pekerjaan pionir dalam AI simbolik, jaringan saraf (NN), dan pembelajaran mendalam (DL), setiap tonggak telah membawa kita lebih dekat untuk mewujudkan impian AGI.
Saat kita terus mendorong batas-batas ini dengan model bahasa besar dan arsitektur kognitif terintegrasi seperti OpenCog Hyperon, cakrawala AGI semakin mendekat. Jalan yang dilalui memang penuh dengan tantangan, namun upaya kolektif dari para peneliti, visioner, dan praktisi terus mendorong kita untuk dapat semakin maju.
Bersama-sama, kita sedang menciptakan masa depan kecerdasan, mengubah yang abstrak menjadi nyata, dan semakin mendekati mesin yang dapat berpikir, belajar, dan memahami dengan mendalam seperti halnya manusia.
Tentang SingularityNET
SingularityNET didirikan oleh Dr. Ben Goertzel dengan misi menciptakan Kecerdasan Umum Buatan (AGI) yang terdesentralisasi, demokratis, inklusif, dan bermanfaat. AGI tidak bergantung pada entitas pusat mana pun, terbuka untuk siapa saja, dan tidak dibatasi oleh tujuan sempit dari satu perusahaan atau bahkan satu negara. Tim SingularityNET terdiri dari insinyur, ilmuwan, peneliti, pengusaha, dan pemasar berpengalaman. Platform inti kami dan tim AI lebih lanjut dilengkapi oleh tim spesialis yang didedikasikan untuk area aplikasi seperti keuangan, robotika, AI biomedis, media, seni, dan hiburan.
Decentralized AI Platform | OpenCog Hyperon | Ecosystem | ASI Alliance