AI yang lemah-juga disebut Narrow AI atau Artificial Narrow Intelligence (ANI)-adalah AI yang dilatih dan difokuskan untuk melakukan tugas-tugas tertentu. AI yang lemah mendorong sebagian besar AI yang mengelilingi kita saat ini. 'Sempit' mungkin merupakan deskripsi yang lebih akurat untuk jenis AI ini karena AI ini sama sekali tidak lemah; AI ini memungkinkan beberapa aplikasi yang sangat kuat, seperti Siri Apple, Alexa Amazon, IBM watson, dan kendaraan otonom.

AI yang kuat terdiri dari Kecerdasan Umum Buatan (AGI) dan Kecerdasan Super Buatan (ASI). Kecerdasan umum buatan (AGI), atau AI umum, adalah bentuk teoretis dari AI di mana sebuah mesin akan memiliki kecerdasan yang setara dengan manusia; mesin tersebut akan memiliki kesadaran diri yang memiliki kemampuan untuk memecahkan masalah, belajar, dan merencanakan masa depan. Artificial Super Intelligence (ASI), juga dikenal sebagai kecerdasan super, akan melampaui kecerdasan dan kemampuan otak manusia. Meskipun AI yang kuat masih sepenuhnya bersifat teoretis tanpa contoh praktis yang digunakan saat ini, bukan berarti para peneliti AI tidak mengeksplorasi pengembangannya. Sementara itu, contoh terbaik ASI mungkin berasal dari fiksi ilmiah, seperti HAL, asisten komputer yang sangat kuat dan nakal dalam 2001: A Space Odyssey.

Karena deep learning dan machine learning cenderung digunakan secara bergantian, ada baiknya untuk memperhatikan perbedaan di antara keduanya. Seperti yang telah disebutkan di atas, deep learning dan machine learning merupakan sub-bidang dari kecerdasan buatan, dan deep learning sebenarnya merupakan sub-bidang dari machine learning.

Deep learning sebenarnya terdiri dari jaringan saraf. "Deep" dalam deep learning mengacu pada jaringan saraf yang terdiri dari lebih dari tiga lapisan-yang akan mencakup input dan output-dapat dianggap sebagai algoritme deep learning. Hal ini secara umum direpresentasikan dengan menggunakan diagram di bawah ini.

Perbedaan antara deep learning dan machine learning terletak pada cara masing-masing algoritme belajar. Deep learning mengotomatiskan sebagian besar proses ekstraksi fitur, menghilangkan beberapa intervensi manual yang diperlukan dan memungkinkan penggunaan kumpulan data yang lebih besar. Anda dapat menganggap deep learning sebagai "pembelajaran mesin yang dapat diskalakan" seperti yang dikatakan Lex Fridman dalam kuliah MIT yang sama di atas. Klasik, atau "" non-dalam, pembelajaran mesin lebih bergantung pada campur tangan manusia untuk belajar. Pakar manusia menentukan hirarki fitur untuk memahami perbedaan antara input data, biasanya membutuhkan data yang lebih terstruktur untuk dipelajari.

"Deep" machine learning dapat memanfaatkan dataset berlabel, yang juga dikenal sebagai pembelajaran terawasi, untuk menginformasikan algoritmanya, tetapi tidak selalu membutuhkan dataset berlabel. Itu dapat menelan data tidak terstruktur dalam bentuk mentahnya (mis. teks, gambar), dan secara otomatis dapat menentukan hierarki fitur yang membedakan kategori data yang berbeda satu sama lain. Tidak seperti machine learning, tidak membutuhkan campur tangan manusia untuk memproses data, sehingga memungkinkan kita untuk meningkatkan machine learning dengan cara yang lebih menarik.

AI generatif mengacu pada model pembelajaran mendalam yang dapat mengambil data mentah — katakanlah, semua Wikipedia atau karya Rembrandt yang dikumpulkan — dan "belajar" untuk menghasilkan output yang mungkin secara statistik ketika diminta. Pada tingkat tinggi, model generatif menyandikan yang disederhanakan
representasi data pelatihan mereka dan ambil darinya untuk membuat karya baru yang serupa,
tetapi tidak identik, dengan data asli.

Model generatif telah digunakan selama bertahun-tahun dalam statistik untuk menganalisis data numerik. Namun, munculnya pembelajaran mendalam memungkinkan untuk memperluasnya ke gambar, ucapan, dan tipe data kompleks lainnya. Di antara kelas model pertama yang mencapai prestasi cross-over ini adalah variational autoencoder, atau VAE, yang diperkenalkan pada tahun 2013. VAE adalah model pembelajaran mendalam pertama yang digunakan secara luas untuk menghasilkan gambar dan ucapan yang realistis.

"VAE membuka pintu gerbang menuju pemodelan generatif yang mendalam dengan membuat model lebih mudah untuk
lebih mudah untuk diskalakan," kata Akash Srivastava, seorang pakar AI generatif di MIT-IBM Watson AI Lab.
"Sebagian besar dari apa yang kita pikirkan saat ini sebagai AI generatif bermula dari sini."

Contoh model awal, seperti GPT-3, BERT, atau DALL-E 2, telah menunjukkan apa yang mungkin dilakukan. Masa depan adalah model yang dilatih pada serangkaian data tak berlabel yang luas yang dapat digunakan untuk tugas yang berbeda, dengan penyempurnaan minimal. Sistem yang menjalankan tugas-tugas spesifik dalam satu domain memberi jalan bagi AI yang lebih luas yang belajar secara lebih umum dan bekerja di berbagai domain dan masalah. Model dasar, yang dilatih pada set data besar yang tidak berlabel dan disesuaikan untuk berbagai aplikasi, mendorong pergeseran ini.

Dalam hal AI generatif, diprediksi bahwa model fondasi akan secara dramatis
mempercepat adopsi AI di perusahaan. Mengurangi persyaratan pelabelan akan membuatnya jauh lebih
lebih mudah bagi bisnis untuk terjun, dan otomatisasi berbasis AI yang sangat akurat dan efisien yang mereka aktifkan akan berarti bahwa lebih banyak perusahaan akan dapat menggunakan AI dalam berbagai situasi kritis yang lebih luas. Bagi IBM, harapannya adalah bahwa kekuatan model pondasi pada akhirnya dapat dibawa ke setiap perusahaan dalam lingkungan hybrid-cloud yang tanpa gesekan.

Ada banyak aplikasi dunia nyata dari sistem AI saat ini. Di bawah ini adalah beberapa kasus penggunaan yang paling umum:

• Pengenalan suara: Juga dikenal sebagai pengenalan ucapan otomatis (ASR), pengenalan ucapan komputer, atau ucapan-ke-teks, dan ini adalah kemampuan yang menggunakan pemrosesan bahasa alami (NLP) untuk memproses ucapan manusia ke dalam format tertulis. Banyak perangkat seluler yang menggabungkan pengenalan suara ke dalam sistem mereka untuk melakukan pencarian suara - misalnya SIRI—atau menyediakan lebih banyak aksesibilitas seputar SMS. 
• Layanan pelanggan:  Agen virtual online menggantikan agen manusia di sepanjang perjalanan pelanggan. Mereka menjawab pertanyaan yang sering diajukan (FAQ) seputar topik-topik, seperti pengiriman, atau memberikan saran yang dipersonalisasi, produk penjualan silang, atau menyarankan ukuran untuk pengguna, mengubah cara kita berpikir tentang keterlibatan pelanggan di seluruh situs web dan platform media sosial. Contohnya termasuk bot perpesanan di situs e-commerce dengan agen virtual, aplikasi perpesanan, seperti Slack dan Facebook Messenger, dan tugas-tugas yang biasanya dilakukan oleh asisten virtual dan asisten suara.
• Visi komputer: Teknologi AI ini memungkinkan komputer dan sistem untuk mendapatkan informasi yang berarti dari gambar digital, video dan input visual lainnya, dan berdasarkan input tersebut, komputer dapat mengambil tindakan. Kemampuan untuk memberikan rekomendasi inilah yang membedakannya dari tugas pengenalan gambar. Didukung oleh jaringan saraf convolutional, visi komputer memiliki aplikasi dalam penandaan foto di media sosial, pencitraan radiologi di bidang kesehatan, dan mobil tanpa pengemudi dalam industri otomotif.  
• Mesin rekomendasi: Dengan menggunakan data perilaku konsumsi di masa lalu, algoritme AI dapat membantu menemukan tren data yang dapat digunakan untuk mengembangkan strategi penjualan silang yang lebih efektif. Ini digunakan untuk membuat rekomendasi tambahan yang relevan kepada pelanggan selama proses checkout untuk pengecer online.
• Perdagangan saham otomatis: Dirancang untuk mengoptimalkan portofolio saham, platform trading frekuensi tinggi yang digerakkan oleh AI menghasilkan ribuan bahkan jutaan trade per hari tanpa campur tangan manusia.

Gagasan 'mesin yang berpikir' berasal dari Yunani kuno. Namun, sejak munculnya komputasi elektronik (dan terkait dengan beberapa topik yang dibahas dalam artikel ini), peristiwa dan pencapaian penting dalam evolusi kecerdasan buatan meliputi hal-hal berikut ini:

• 1950: Alan Turing menerbitkan Computing Machinery and Intelligence .Dalam makalah tersebut, Turing yang terkenal karena memecahkan kode ENIGMA Nazi selama Perang Dunia II, mengusulkan untuk menjawab pertanyaan 'dapatkah mesin berpikir?" dan memperkenalkan Turing Test untuk menentukan apakah komputer dapat menunjukkan kecerdasan yang sama (atau hasil kecerdasan yang sama) dengan manusia. Nilai dari tes Turing telah diperdebatkan sejak saat itu.

• 1956: John McCarthy menciptakan istilah 'kecerdasan buatan' pada konferensi AI pertama di Dartmouth College. (McCarthy kemudian menciptakan bahasa Lisp.) Di tahun yang sama, Allen Newell, J.C. Shaw, dan Herbert Simon menciptakan Logic Theorist, program perangkat lunak AI pertama yang berjalan.

• 1967: Frank Rosenblatt membangun Mark 1 Perceptron, komputer pertama yang didasarkan pada jaringan saraf yang 'belajar' melalui trial and error. Setahun kemudian, Marvin Minsky dan Seymour Papert menerbitkan sebuah buku berjudul Perceptron, yang menjadi karya penting dalam jaringan saraf dan, setidaknya untuk sementara waktu, menjadi argumen untuk menentang proyek-proyek penelitian jaringan saraf di masa depan.

• 1980s: Jaringan saraf yang menggunakan algoritma backpropagation untuk melatih dirinya sendiri menjadi banyak digunakan dalam aplikasi AI.

• 1997: Deep Blue IBM mengalahkan juara catur dunia Garry Kasparov, dalam pertandingan catur (dan pertandingan ulang).

• 2011: IBM watson mengalahkan sang juara Ken Jennings dan Brad Rutter di Jeopardy!

• 2015: Superkomputer Minwa milik Baidu menggunakan jenis jaringan saraf dalam khusus yang disebut jaringan saraf konvolusional untuk mengidentifikasi dan mengkategorikan gambar dengan tingkat akurasi yang lebih tinggi daripada manusia pada umumnya.

• 2016: 2016: Program AlphaGo dari DeepMind, yang didukung oleh jaringan saraf dalam, mengalahkan Lee Sodol, pemain Go juara dunia, dalam pertandingan lima game. Kemenangan ini sangat signifikan mengingat banyaknya kemungkinan gerakan yang mungkin terjadi selama permainan berlangsung (lebih dari 14,5 triliun hanya dalam empat gerakan!). Kemudian, Google membeli DeepMind dengan harga 400 juta dolar AS.

• 2023: Peningkatan model bahasa yang besar, atau LLM, seperti ChatGPT, menciptakan
  perubahan besar dalam kinerja AI dan potensinya untuk mendorong nilai perusahaan.
  Dengan praktik AI generatif yang baru ini, model pembelajaran mendalam dapat dilatih terlebih dahulu
  sejumlah besar data mentah yang tidak berlabel.