Apa itu kecerdasan umum buatan (AGI)?

AGI telah dieksplorasi secara aktif sejak masa awal riset AI. Masih belum ada konsensus di lingkungan komunitas akademis mengenai apa yang memenuhi syarat sebagai AGI atau bagaimana cara terbaik untuk mencapainya. Meskipun tujuan luas dari kecerdasan mirip manusia cukup mudah, detailnya mendalam dan subjektif. Oleh karena itu, berburu AGI terdiri dari pengembangan kerangka kerja untuk memahami kecerdasan pada mesin dan model yang mampu memenuhi kerangka kerja tersebut.

Tantangannya adalah filosofis dan teknologi. Secara filosofis, definisi formal AGI membutuhkan definisi formal "kecerdasan" dan kesepakatan umum tentang bagaimana kecerdasan tersebut dapat dimanifestasikan dalam AI. Dari sudut teknologi, AGI memerlukan pembuatan model AI dengan tingkat kecanggihan dan keserbagunaan yang belum pernah terjadi sebelumnya, metrik dan tes untuk memverifikasi kognisi model dan daya komputasi yang diperlukan untuk mempertahankannya.

Gagasan tentang kecerdasan "umum" atau AI umum, dapat dipahami dengan baik sebagai lawan dari AI yang sempit: istilah yang secara efektif menggambarkan hampir semua AI saat ini, yang "kecerdasannya" hanya ditunjukkan dalam domain khusus.

Proyek Riset Musim Panas Dartmouth 1956 tentang Kecerdasan Buatan, yang mempertemukan matematikawan dan ilmuwan dari berbagai institusi termasuk Dartmouth, IBM, Harvard, dan Bell Labs, dianggap sebagai asal dari istilah “kecerdasan buatan.” Seperti yang dijelaskan dalam proposal ini, "penelitian ini [akan] dilanjutkan berdasarkan dugaan bahwa setiap aspek pembelajaran atau fitur kecerdasan lainnya dapat dijelaskan dengan sangat tepat sehingga mesin dapat dibuat untuk menyimulasikannya."

Bidang “AI” yang sedang berkembang ini berusaha mengembangkan peta jalan untuk mesin yang dapat berpikir sendiri. Tetapi beberapa dekade setelahnya, kemajuan menuju kecerdasan seperti manusia dalam mesin terbukti sulit dipahami.

Kemajuan yang jauh lebih besar dibuat dalam mengejar mesin komputasi yang melakukan tugas-tugas spesifik yang biasanya membutuhkan kecerdasan yang signifikan pada manusia, seperti bermain catur, diagnostik perawatan kesehatan, forecasting, atau mengemudi mobil. Tetapi semua model ini, misalnya yang menggerakkan mobil swakemudi, mendemonstrasikan kecerdasan hanya dalam domain spesifik mereka.

Pada tahun 2007, peneliti AI Ben Goertzel memopulerkan istilah "kecerdasan umum buatan" (AGI), atas saran salah satu pendiri DeepMind, Shane Legg, dalam sebuah buku berpengaruh dengan nama yang sama. Berbeda dengan apa yang ia sebut sebagai "AI sempit", kecerdasan umum buatan akan menjadi jenis AI baru dengan, di antara kualitas lainnya, "kemampuan untuk memecahkan masalah umum dengan cara yang tidak terbatas pada domain tertentu, dalam arti yang sama seperti yang bisa dilakukan manusia."

AGI sangat terkait dengan konsep lain dalam machine learning, yang sering digabungkan atau bahkan digunakan secara bergantian dengan AI yang kuat atau kecerdasan super buatan. Meskipun semua konsep ini memiliki cukup banyak hal yang tumpang tindih, masing-masing merupakan konsepsi AI tersendiri yang berbeda.

"AI Kuat,", sebuah konsep yang dibahas secara menonjol dalam karya filsuf John Searle, mengacu pada sistem AI yang menunjukkan kesadaran dan sebagian besar berfungsi sebagai tandingan untuk AI lemah .Meskipun AI kuat umumnya dianalogikan dengan AGI (dan AI lemah umumnya dianalogikan dengan AI sempit), keduanya bukanlah sinonim bagi satu sama lain.

Intinya, jika AI lemah hanyalah sebuah alat untuk digunakan oleh pikiran yang sadar, yaitu, manusia, AI kuat itu sendiri adalah pikiran yang sadar. Meskipun biasanya tersirat bahwa kesadaran ini akan memerlukan kecerdasan yang sesuai yang sama dengan atau lebih unggul dari manusia, AI kuat tidak secara eksplisit berkaitan dengan kinerja relatif pada berbagai tugas. Kedua konsep ini sering kali dicampuradukkan karena kesadaran biasanya dianggap sebagai prasyarat atau konsekuensi dari "kecerdasan umum".

Terlepas dari kemiripannya, AGI dan AI kuat pada akhirnya menggambarkan konsep yang saling melengkapi , bukan konsep yang identik.

Kecerdasan buatan, sesuai namanya, merupakan sistem AI yang kemampuannya jauh melebihi kemampuan manusia.

Perlu dicatat bahwa konsep ini tidak selalu mengandaikan kecerdasan super "umum". Dari ketiga tahap AI yang bersangkut paut ini, AGI, AI kuat, dan kecerdasan super buatan, kecerdasan super buatan adalah satu-satunya yang dapat dikatakan telah tercapai. Alih-alih menjadi satu-satunya domain fiksi ilmiah, ada model AI sempit yang menunjukkan apa yang bisa disebut kecerdasan super karena melebihi kinerja manusia mana pun pada tugas spesifik mereka.

Misalnya,

• AlphaFold melampaui semua ilmuwan manusia dalam memprediksi struktur 3D protein dari urutan asam amino.
• Deep Blue dari IBM mengalahkan juara dunia Garry Kasparov dalam catur pada tahun 1997.
• IBM Watson mengalahkan Jeopardy! juara Ken Jennings dan Brad Rutter pada 2013.
• AlphaGo (dan model penerusnya AlphaZero) dianggap sebagai pemain terhebat di dunia di Go.

Meskipun semua model ini mungkin mewakili terobosan dalam kecerdasan super buatan, mereka belum mencapai kecerdasan "umum" buatan, karena sistem AI semacam itu tidak dapat secara mandiri mempelajari tugas baru atau memperluas kemampuan pemecahan masalah mereka di luar cakupan yang ditentukan secara sempit.

Selain itu, perlu dicatat bahwa kecerdasan super bukanlah prasyarat AGI. Secara teoretis, sistem AI yang menunjukkan kesadaran dan tingkat kecerdasan yang sebanding dengan manusia biasa akan mewakili AGI dan AI kuat, tetapi bukan kecerdasan super buatan.

Tidak ada konsensus di antara para pakar mengenai apa yang sebenarnya harus memenuhi syarat sebagai AGI, meskipun banyak definisi telah diusulkan sepanjang sejarah ilmu komputer. Semua definisi ini umumnya berfokus pada gagasan abstrak tentang kecerdasan mesin, bukan pada algoritma atau model machine learning tertentu yang harus digunakan untuk mencapainya.

Pada tahun 2023, sebuah makalah Google Deepmind menyurvei literatur akademisi yang ada dan mengidentifikasi beberapa kategori kerangka kerja untuk mendefinisikan kecerdasan umum buatan:

• Tes Turing: Mesin yang dapat bertindak seperti manusia dengan meyakinkan
• AI kuat: Sistem yang memiliki kesadaran
• Analogi dengan otak manusia
• Kinerja setingkat manusia pada tugas-tugas kognitif
• Kemampuan untuk mempelajari tugas-tugas baru
• Pekerjaan yang bernilai secara ekonomi
• Kemampuan yang fleksibel dan umum
• “Kecerdasan Berkemampuan Buatan” (ACI)

Alan Turing, tokoh penting dalam sejarah ilmu komputer teoretis, menerbitkan salah satu definisi kecerdasan mesin yang paling awal dan paling berpengaruh dalam makalahnya pada tahun 1950, "Mesin dan Kecerdasan Komputer." Inti dari argumennya adalah bahwa kecerdasan dapat didefinisikan melalui perilaku, bukan kualitas filosofis yang bersifat mistis. Mengakui sulitnya menjabarkan definisi yang pasti tentang konsep-konsep seperti mesin dan pemikiran, Turing mengusulkan cara sederhana untuk mengatasi masalah tersebut berdasarkan permainan pesta yang disebut Imitation Game.

"Tes Turing" itu sederhana: seorang pengamat manusia harus membaca sampel teks dan menentukan apakah teks tersebut dihasilkan oleh manusia atau mesin. Turing mengusulkan bahwa jika manusia tidak dapat membedakan antara keluaran program dan output manusia lain, program tersebut dapat dikatakan menunjukkan kecerdasan seperti manusia.

Kritik terhadap Tes Turing
Terlepas dari pengaruhnya yang monumental, para ilmuwan komputer saat ini tidak menganggap Tes Turing sebagai ukuran yang memadai untuk mengukur AGI. Alih-alih menunjukkan kemampuan mesin untuk berpikir, tes ini sering kali hanya menyoroti betapa mudahnya manusia dibodohi.

Misalnya, pada tahun 1966 Joseph Weizelbaum menciptakan program chatbot bernama ELIZA yang menerapkan aturan sederhana untuk mengubah bahasa manusia dari input pengguna menjadi respons dari chatbot. Program pertama yang ia rancang dengan chatbot ini disebut DOCTOR, yang dirancang untuk meniru ahli psikoterapi Rogerian dengan merespons secara umum atau mengulang input pengguna dalam bentuk pertanyaan:

Manusia: Nah, pacar saya membuat saya datang ke sini.
ELIZA: Pacarmu membuatmu datang ke sini?
Manusia: Dia mengatakan saya sering mengalami depresi.
ELIZA: Saya menyesal mendengar Anda depresi.
Manusia: Itu benar. Saya tidak senang.
ELIZA: Apakah menurut Anda datang ke sini akan membantu Anda untuk tidak merasa tidak bahagia?

Seperti yang dijelaskan Weizelbaum dalam karyanya tahun 1976, Computer Power and Human Reason, ia "terkejut melihat betapa cepat dan sangat dalamnya orang-orang yang berbicara dengan DOCTOR menjadi terlibat secara emosional dengan komputer dan bagaimana mereka dengan tegas membuatnya memiliki karakter manusia." Dia mencatat bahwa bahkan sekretarisnya, yang mengawasinya mengerjakan program tersebut selama berbulan-bulan dan jelas mengetahui metodologinya yang sederhana, memintanya untuk meninggalkan ruangan demi privasi ketika dia mulai berbicara dengannya.¹ Fenomena ini kemudian dikenal sebagai Efek ELIZA.

Definisi lain yang diusulkan menetapkan standar yang lebih tinggi untuk AGI: sistem AI yang memiliki kesadaran. Seperti yang diartikulasikan oleh Searles, "menurut AI kuat, komputer bukanlah sekadar alat dalam mempelajari pikiran; melainkan, komputer yang diprogram dengan tepat benar-benar merupakan pikiran."²

Searles menulis sanggahan filosofis yang menonjol tentang kemampuan Tes Turing untuk membuktikan AI kuat pada tahun 1980. Dia menggambarkan seorang penutur bahasa Inggris yang sama sekali tidak mengerti bahasa Mandarin, terkunci di sebuah ruangan yang penuh dengan buku berisi simbol bahasa Mandarin dan instruksi (dalam bahasa Inggris) untuk memanipulasi simbol tersebut. Dia berpendapat bahwa pembicara bahasa Inggris dapat menipu seseorang di ruangan yang berbeda untuk berpikir bahwa dia dapat berbicara bahasa Mandarin hanya dengan mengikuti instruksi untuk memanipulasi angka dan simbol, meskipun dia tidak memahami pesan orang lain atau bahkan balasannya sendiri.³

Perdebatan selama beberapa dekade seputar Chinese Room Argument, yang dirangkum dalam artikel Stanford Encyclopedia of Philosophy ini, menunjukkan kurangnya konsensus ilmiah tentang definisi "pemahaman" dan apakah program komputer dapat memilikinya. Ketidaksepakatan ini, bersama dengan kemungkinan bahwa kesadaran bahkan mungkin bukan persyaratan untuk kinerja seperti manusia, menjadikan Strong AI saja kerangka kerja yang tidak praktis untuk mendefinisikan AGI.

Pendekatan intuitif terhadap AGI, yang bertujuan untuk meniru jenis kecerdasan yang (sepengetahuan kami) hanya bisa dicapai oleh otak manusia, adalah dengan meniru otak manusia itu sendiri.⁴ Intuisi ini mengarah pada neural networks, yang pada gilirannya telah menghasilkan model pembelajaran mendalam yang saat ini mewakili teknologi canggih di hampir setiap subbidang AI.

Keberhasilan jaringan saraf pembelajaran mendalam, khususnya model bahasa besar (LLM) dan model multimodal di garis depan AI generatif (gen AI), menunjukkan manfaat dari menggambar inspirasi dari otak manusia melalui jaringan neuron buatan yang mengatur diri sendiri, yaitu neural networks. Namun, banyak model pembelajaran mendalam yang paling mampu hingga saat ini menggunakan arsitektur berbasis transformator, yang dengan sendirinya tidak sepenuhnya meniru struktur seperti otak. Ini menunjukkan bahwa meniru otak manusia secara eksplisit mungkin tidak diperlukan secara inheren untuk mencapai AGI.

Pendekatan yang lebih holistik adalah dengan mendefinisikan AGI sebagai sistem AI yang dapat melakukan semua tugas kognitif yang dapat dilakukan manusia. Meskipun definisi ini sangat fleksibel dan intuitif, namun ambigu: tugas apa? Orang mana? Ambiguitas ini membatasi penggunaan praktisnya sebagai kerangka kerja formal untuk AGI.

Kontribusi yang paling menonjol dari kerangka kerja ini adalah membatasi fokus AGI pada tugas-tugas nonfisik. Dengan melakukan hal tersebut, kemampuan seperti menggunakan alat fisik, bergerak, atau memanipulasi objek, yang sering kali dianggap sebagai demonstrasi "kecerdasan fisik."⁵ Ini menghilangkan kemajuan lebih lanjut dalam robotika sebagai prasyarat untuk pengembangan AGI.

Pendekatan intuitif lainnya terhadap AGI, dan terhadap kecerdasan itu sendiri, adalah dengan menekankan kemampuan untuk belajar, khususnya untuk mempelajari berbagai macam tugas dan konsep yang dapat dilakukan manusia. Ini sesuai dengan Turing dalam “Computing Machinery and Intelligence,” di mana ia berspekulasi bahwa mungkin lebih bijaksana untuk memprogram AI seperti anak kecil dan mengharuskannya mengikuti satu periode pendidikan, daripada secara langsung memprogram sistem komputer sebagai pikiran orang dewasa.⁶

Pendekatan ini bertentangan dengan AI sempit, yang secara eksplisit melatih model untuk melakukan tugas tertentu. Misalnya, bahkan LLM seperti GPT-4 yang seolah-olah menunjukkan kapasitas untuk pembelajaran dengan beberapa contoh atau bahkan pembelajaran tanpa contoh pada tugas "baru" terbatas pada fungsi yang berdekatan dengan tugas utamanya: secara autoregresif memprediksi kata berikutnya secara berurutan.

Meskipun model AI multimodal yang canggih dapat melakukan tugas yang semakin beragam, mulai dari pemrosesan bahasa alami (NLP) hingga visi komputer dan pengenalan suara, kemampuan mereka masih terbatas pada daftar keterampilan inti yang diwakili dalam kumpulan data pelatihan mereka. Mereka tidak bisa, misalnya, belajar mengendarai mobil juga. AGI sejati akan mampu belajar dari pengalaman baru secara real-time, suatu prestasi yang tidak biasa bagi anak-anak manusia dan bahkan banyak hewan.

Peneliti AI Pei Wang menawarkan definisi kecerdasan mesin yang berguna dalam kerangka kerja ini: “kemampuan sistem pemrosesan informasi untuk beradaptasi dengan lingkungannya dengan pengetahuan dan sumber daya yang tidak memadai.”⁷

Open AI, yang model GPT-3-nya sering disebut memulai era AI generatif saat ini setelah peluncuran ChatGPT, mendefinisikan AGI dalam piagamnya sebagai “sistem yang sangat otonom yang mengungguli manusia pada pekerjaan yang paling berharga secara ekonomi.”⁸

Seperti yang dicatat oleh makalah DeepMind, definisi ini menghilangkan elemen kecerdasan manusia yang nilai ekonominya sulit didefinisikan, seperti kreativitas artistik atau kecerdasan emosional. Aspek-aspek kecerdasan tersebut maksimal dapat mewujudkan nilai ekonomi secara tidak langsung, seperti kreativitas yang menghasilkan film yang menguntungkan atau kecerdasan emosional yang menggerakkan mesin yang melakukan psikoterapi.

Fokus pada nilai ekonomi juga menyiratkan bahwa kemampuan yang terdiri dari AGI hanya dapat dihitung jika mereka benar-benar dimasukkan ke dalam penerapan dunia nyata. Jika sistem AI dapat menyaingi manusia pada tugas tertentu, tetapi tidak praktis untuk menerapkan untuk tugas itu karena alasan hukum, etika, atau sosial, dapatkah itu dikatakan “mengungguli” manusia?

Makalah DeepMind juga mencatat bahwa OpenAI menutup divisi robotika pada tahun 2021, menyiratkan bahwa replikasi tenaga kerja fisik - dan implikasi yang sesuai pada peran "kecerdasan fisik" dalam AGI - bukan bagian dari interpretasi nilai ekonomi ini.

Gary Marcus, seorang ahli psikologi, ilmuwan kognitif, dan peneliti AI, mendefinisikan AGI sebagai "singkatan dari kecerdasan apa pun... yang fleksibel dan umum, dengan sumber daya dan keandalan yang sebanding dengan (atau melampaui) kecerdasan manusia."⁹ Marcus mengusulkan serangkaian tolak ukur yang dimaksudkan untuk menunjukkan kemampuan beradaptasi dan kompetensi umum, mirip dengan implementasi spesifik dan praktis dari “tugas belajar” kerangka kerja.

Kuantifikasi AGI ini mengingatkan kita pada eksperimen pemikiran yang diusulkan oleh salah satu pendiri Apple, Steve Wozniak, yang bertanya: "Bisakah komputer membuat secangkir kopi?" Wozniak mencatat bahwa tugas yang tampaknya sederhana ini sebenarnya cukup rumit: seseorang harus dapat berjalan, mengetahui apa itu dapur, mengetahui seperti apa mesin kopi atau kopi, dan berinteraksi dengan laci dan lemari. Singkatnya, seorang manusia harus memanfaatkan pengalaman seumur hidup hanya untuk menyeduh secangkir kopi.¹⁰

Secara khusus, Marcus mengusulkan satu kumpulan berisi 5 tugas tolok ukur yang akan mendemonstrasikan AGI jika dilakukan oleh satu sistem AI.¹¹

• Menonton film dan memahami karakter, konflik, dan motivasi mereka.
• Membaca novel dan menjawab pertanyaan-pertanyaan dengan andal, dengan insight di luar teks aslinya, tentang plot, karakter, konflik, dan motivasi.
• Bekerja sebagai juru masak yang kompeten di dapur acak (mirip dengan tolok ukur kopi Wozniak).
• Membangun 10.000 baris kode bebas bug dengan andal dari instruksi bahasa alami, tanpa menyatukan kode dari pustaka yang ada.
• Mengonversi bukti matematika bahasa alami menjadi bentuk simbolis.

Meskipun kerangka kerja yang berorientasi pada tugas ini memperkenalkan beberapa objektivitas yang sangat dibutuhkan ke dalam validasi AGI, sulit untuk menyepakati apakah tugas-tugas spesifik ini mencakup semua kecerdasan manusia. Tugas ketiga, bekerja sebagai juru masak, menyiratkan bahwa robotika, dan dengan demikian, kecerdasan fisik, akan menjadi bagian penting dari AGI.

Pada tahun 2023, CEO Microsoft AI dan salah satu pendiri DeepMind Mustafa Suleyman mengusulkan istilah “Kecerdasan Berkemampuan Buatan” (ACI) untuk menggambarkan sistem AI yang dapat menyelesaikan tugas dengan banyak langkah yang kompleks dan terbuka di dunia nyata. Lebih khusus lagi, ia mengusulkan "Modern Turning Test" di mana AI akan diberikan modal awal sebesar USD 100.000 dan ditugaskan untuk mengembangkannya menjadi USD 1 juta.¹² Secara garis besar, ini memadukan gagasan OpenAI tentang nilai ekonomi dengan fokus Marcus pada fleksibilitas dan kecerdasan umum.

Sementara tolok ukur ini kemungkinan membuktikan kecerdikan sejati dan kompetensi interdisipliner, dalam istilah praktis pembingkaian kecerdasan ini sebagai jenis output ekonomi tertentu sangat sempit. Selain itu, hanya berfokus pada laba akan menyebabkan risiko penyelarasan yang signifikan.¹³

Beberapa peneliti, seperti Blase Agüera y Arcas dan Peter Norvig, berpendapat bahwa LLM tingkat lanjut seperti Llama dari Meta, GPT dari Open AI, dan Claude dari Anthropic telah mencapai AGI. Mereka menyatakan bahwa keumuman adalah elemen kunci dari AGI dan bahwa model saat ini sudah dapat mendiskusikan berbagai topik, melakukan berbagai tugas, dan memproses beragam input multimodal. "'Kecerdasan umum' harus dipikirkan dalam hal kartu skor multidimensi," mereka berpendapat. “Tidak ada satu pun proposisi ya atau tidak.”¹⁴

Ada banyak pencela posisi ini. Para penulis makalah DeepMind berpendapat bahwa keumuman itu sendiri tidak memenuhi syarat sebagai AGI: harus dipasangkan dengan tingkat kinerja tertentu. Sebagai contoh, jika sebuah LLM dapat menulis kode, tetapi kode tersebut tidak dapat diandalkan, maka keumuman tersebut "kinerjanya belum cukup baik."

Yann LeCun, kepala ilmuwan AI Meta, telah menyatakan bahwa LLM tidak memiliki AGI karena mereka tidak memiliki akal sehat: mereka tidak dapat Think sebelum bertindak, tidak dapat melakukan tindakan di dunia nyata atau belajar melalui pengalaman nyata dan tidak memiliki ingatan yang kuat serta kapasitas untuk perencanaan hierarkis.¹⁵ Pada tingkat yang lebih mendasar, LeCun dan Jacob Browning berpendapat bahwa "sistem yang dilatih dengan bahasa saja tidak akan pernah bisa mendekati kecerdasan manusia, meskipun dilatih sejak saat ini hingga kematian alam semesta."¹⁶

Goertzel dan Pennachin menyatakan bahwa setidaknya ada tiga pendekatan teknologi dasar untuk sistem AGI, dalam hal algoritma dan arsitektur model.

• Emulasi yang mendekati otak manusia dalam perangkat lunak: Mengingat bahwa otak manusia adalah satu-satunya sistem yang kita ketahui yang mampu memiliki kecerdasan umum, emulasi yang nyaris sempurna secara teoretis akan menghasilkan kecerdasan yang serupa. Sementara neural networks buatan secara dangkal mereplikasi mekanisme dasar otak, cara kerja otak yang sebenarnya jauh lebih bervariasi dan canggih daripada model pembelajaran mendalam saat ini. Di luar tantangan teknologi untuk benar-benar meniru otak, pendekatan ini juga membutuhkan pemahaman yang lebih besar tentang intrik otak daripada yang kita miliki saat ini.¹⁷
  
  
• Arsitektur model baru, berbeda dari otak dan dari arsitektur AI: Pendekatan ini mengasumsikan bahwa otak bukan satu-satunya struktur yang kondusif untuk kecerdasan umum dan bahwa pendekatan yang ada untuk AI tidak dapat melampaui keterbatasan teknologi atau konseptual mereka. Dengan demikian AGI akan membutuhkan jenis kecerdasan buatan baru. Sebagai contoh, LeCun telah mengusulkan untuk menghindari autoregresif dan arsitektur model AI probabilistik dan generatif lainnya yang mendukung "Sistem AI Berbasis Objektif"yang "model dunianya" belajar lebih banyak seperti hewan dan anak-anak.
  
  
• Pendekatan integratif, menggabungkan algoritma AI yang sempit: Pendekatan ini adalah fokus dari sebagian besar inisiatif dunia nyata saat ini untuk mencapai AGI, yang mencoba menyatukan kemajuan terisolasi yang telah dibuat pada alat AI yang sempit seperti LLM, model gambar, dan agen pembelajaran penguatan. Model multimodal saat ini dapat dilihat sebagai langkah perantara di jalur ini. Pendekatan integratif ini biasanya menggunakan model “agen” pusat — seringkali LLM — untuk menavigasi proses pengambilan keputusan dan mengotomatiskan pendelegasian subtugas ke model spesialis.

Prediksi tentang masa depan AI selalu memerlukan tingkat ketidakpastian yang tinggi, tetapi hampir semua pakar setuju itu akan mungkin terjadi pada akhir abad ini dan beberapa memperkirakan itu mungkin terjadi jauh lebih cepat.

Pada tahun 2023, Max Roser dari Our World in Data menulis ringkasan perkiraan AGI untuk meringkas bagaimana pemikiran pakar telah berkembang pada forecasting AGI dalam beberapa tahun terakhir. Setiap survei bertanya kepada responden — peneliti AI dan machine learning — berapa lama waktu yang mereka pikir akan dibutuhkan untuk mencapai peluang 50% kecerdasan mesin tingkat manusia. Perubahan yang paling signifikan dari tahun 2018-2022 adalah meningkatnya keyakinan responden bahwa AGI akan tiba dalam waktu 100 tahun.

Namun, perlu dicatat bahwa ketiga studi tersebut masing-masing dilakukan sebelum peluncuran ChatGPT dan awal era AI generatif (gen AI) modern. Meningkatnya laju kemajuan dalam teknologi AI sejak akhir 2022, terutama di LLM dan AI multimodal, telah menghasilkan lingkungan forecasting yang jauh berbeda.

Dalam survei lanjutan yang lebih besar oleh Grace et al terhadap 2.778 peneliti AI, yang dilakukan pada Oktober 2023 dan diterbitkan pada Januari 2024, responden memperkirakan 50% peluang "mesin tanpa bantuan mengungguli manusia dalam setiap tugas yang mungkin dilakukan" pada tahun 2047—13 tahun lebih awal daripada yang diperkirakan oleh para pakar dalam studi serupa hanya satu tahun sebelumnya.

Tetapi seperti yang dicatat Roser, riset telah menunjukkan bahwa para pakar di banyak bidang tidak selalu dapat diandalkan ketika memperkirakan masa depan disiplin mereka sendiri. Dia mengutip contoh Wright bersaudara, yang secara umum dianggap sebagai penemu pesawat terbang pertama yang sukses di dunia. Dalam sebuah pidato penerimaan penghargaan pada tanggal 5 November 1908 di Aéro Club de France di Paris, Wilbur Wright dikatakan telah menyatakan, "Saya mengakui bahwa pada tahun 1901, saya berkata kepada saudara saya Orville bahwa manusia tidak akan terbang selama 50 tahun. Dua tahun kemudian, kami melakukan penerbangan.”¹⁸