Apa itu artificial general intelligence?

AGI telah dieksplorasi secara aktif sejak masa awal riset AI. Belum terdapat konsensus di kalangan komunitas akademis mengenai apa yang memenuhi syarat sebagai AGI atau bagaimana cara terbaik mencapainya. Meskipun tujuan luas berupa kecerdasan menyerupai manusia cukup mudah dipahami, detailnya mendalam dan subjektif. Oleh karena itu, pencarian AGI terdiri atas pengembangan kerangka kerja untuk memahami kecerdasan pada mesin dan model yang mampu memenuhi kerangka kerja tersebut.

Tantangannya bersifat filosofis dan teknologis. Secara filosofis, definisi formal AGI membutuhkan definisi formal mengenai “kecerdasan” dan kesepakatan umum mengenai bagaimana kecerdasan tersebut dapat termanifestasi dalam AI. Secara teknologis, AGI memerlukan pembangunan model AI dengan tingkat kecanggihan dan keserbagunaan yang belum pernah ada sebelumnya, metrik dan tes untuk memverifikasi kognisi model, serta daya komputasi yang diperlukan untuk mempertahankannya.

Gagasan kecerdasan “umum”, atau AI umum, dapat dipahami dengan baik sebagai kontras terhadap AI sempit: istilah yang secara efektif menggambarkan hampir seluruh AI saat ini, yang “kecerdasannya” hanya ditunjukkan pada domain khusus.

Dartmouth Summer Research Project on Artificial Intelligence (1956), yang mempertemukan matematikawan dan ilmuwan dari berbagai institusi termasuk Dartmouth, IBM, Harvard, dan Bell Labs, dianggap sebagai asal dari istilah “kecerdasan buatan.” Seperti dijelaskan dalam proposal tersebut, “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 tersebut berusaha mengembangkan roadmap bagi mesin yang dapat berpikir sendiri. Namun beberapa dekade kemudian, kemajuan menuju kecerdasan menyerupai manusia dalam mesin terbukti sulit dicapai.

Kemajuan yang jauh lebih besar dicapai dalam mengejar mesin komputasi yang melakukan tugas spesifik yang biasanya menuntut kecerdasan yang signifikan pada manusia, seperti bermain catur, diagnostik perawatan kesehatan, forecasting, atau mengemudi mobil. Namun seluruh model tersebut, misalnya yang menggerakkan mobil self-driving, mendemonstrasikan kecerdasan hanya pada domain spesifiknya.

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 mengacu pada kemampuan yang luas pada seluruh tugas, dan sangat terkait dengan konsep lain dalam machine learning. AI yang kuat biasanya mengacu pada kesadaran atau pikiran sejati. Kecerdasan super buatan melebihi kemampuan manusia pada hampir seluruh tugas. Meskipun terdapat cukup banyak tumpang tindih, masing-masing konsep merupakan konsepsi AI yang berbeda secara tersendiri.

“AI yang 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 terhadap AI yang lemah. Meskipun AI yang kuat umumnya analog dengan AGI (dan AI lemah umumnya analog dengan AI yang sempit), keduanya bukan sinonim satu dengan yang lain.

Pada intinya, jika AI lemah hanyalah alat bagi pikiran yang sadar — yaitu manusia — AI kuat itu sendiri merupakan pikiran yang sadar. Meskipun biasanya tersirat bahwa kesadaran tersebut akan memerlukan kecerdasan yang sesuai, yang sama dengan atau lebih unggul daripada manusia, AI kuat tidak secara eksplisit berkaitan dengan kinerja relatif pada berbagai tugas. Kedua konsep tersebut 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 super buatan, sesuai namanya, merupakan sistem AI yang kemampuan umumnya jauh melebihi manusia mana pun pada seluruh tugas.

Perlu dicatat bahwa kita boleh dikatakan telah mencapai versi sempit dari kecerdasan super manusia pada beberapa kesempatan, dalam bentuk segelintir sistem AI yang seolah-olah mengungguli seluruh manusia pada tugas atau domain spesifik yang menjadi tujuan perancangannya. Sebagai contoh:

• AlphaFold melampaui semua ilmuwan manusia dalam memprediksi struktur 3D protein dari urutan asam amino.
  
  
• Deep Blue IBM® mengalahkan juara dunia Garry Kasparov dalam catur pada tahun 1997.

• IBM® Watson mengalahkan Jeopardy! juara Ken Jennings dan Brad Rutter pada tahun 2011.
  
  
• AlphaGo (dan model penggantinya, AlphaZero) dianggap sebagai pemain terbesar dunia di Go.

Konsep seperti transfer learning dan few-shot learning dibahas dalam kaitannya dengan AGI karena mencerminkan kemampuan sistem menerapkan pengetahuan dari satu tugas ke tugas lainnya.

Meskipun transfer learning membantu model AI saat ini melakukan generalisasi pada tugas yang terkait, hal tersebut tidak sama dengan kecerdasan umum buatan. Model tersebut mungkin mewakili terobosan menuju kecerdasan super buatan, tetapi belum mencapai kecerdasan “umum” buatan, karena sistem AI semacam itu tidak dapat secara mandiri mempelajari tugas baru atau memperluas kemampuan pemecahan masalahnya di luar cakupan yang ditentukan secara sempit. ASI sejati akan memerlukan superioritas tidak hanya dalam satu domain tertentu, tetapi pada seluruh tugas yang mungkin diharapkan dilakukan manusia.

Kecerdasan super bukanlah prasyarat AGI. Secara teori, sistem AI yang menunjukkan kesadaran dan tingkat kecerdasan yang sebanding dengan manusia biasa akan mewakili AGI dan AI yang kuat — tetapi bukan kecerdasan super buatan.

Belum terdapat konsensus di antara para pakar mengenai apa yang sebenarnya harus memenuhi syarat sebagai AGI, meskipun banyak definisi telah diusulkan sepanjang sejarah ilmu komputer. Seluruh definisi tersebut umumnya berfokus pada gagasan abstrak mengenai kecerdasan mesin, bukan pada algoritme atau model machine learning tertentu yang harus digunakan untuk mencapainya.

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

• Tes Turing: Mesin yang dapat secara meyakinkan bertindak seperti manusia
• AI Kuat: Sistem yang memiliki kesadaran
• Analogi dengan otak manusia
• Kinerja setara manusia pada tugas kognitif
• Kemampuan mempelajari tugas baru
• Pekerjaan yang bernilai ekonomis
• Kemampuan yang fleksibel dan umum
• “Artificial Capable Intelligence“ (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, “Computing Machinery and Intelligence”. Inti dari argumennya adalah bahwa kecerdasan dapat didefinisikan melalui perilaku, bukan melalui kualitas filosofis yang bersifat mistis. Mengakui sulitnya menjabarkan definisi yang pasti mengenai konsep seperti mesin dan pemikiran, Turing mengusulkan cara sederhana untuk mengatasi masalah tersebut berdasarkan permainan pesta yang disebut Imitation Game.

“Tes Turing” tersebut 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 output program dan output manusia lain, program tersebut dapat dikatakan menunjukkan kecerdasan menyerupai manusia.

Kritik terhadap Tes Turing

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

Misalnya, pada tahun 1966 Joseph Weizenbaum menciptakan program chatbot bernama ELIZA yang menerapkan aturan sederhana untuk mengubah bahasa manusia dari input pengguna menjadi respons chatbot. Program pertama yang ia rancang dengan chatbot tersebut disebut DOCTOR, yang dirancang untuk meniru psikoterapis 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 Weizenbaum 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 bagi AGI: sistem AI yang memiliki kesadaran. Beberapa peneliti mengaitkan AGI dengan kesadaran atau kesadaran diri, sementara peneliti lain berpendapat bahwa kesadaran diri tidak diperlukan bagi kinerja tugas tingkat manusia. Apakah kesadaran diri diperlukan bagi kecerdasan umum buatan masih belum dipastikan. Seperti diartikulasikan Searle, “menurut AI yang kuat, komputer bukan hanya alat dalam mempelajari pikiran; sebaliknya, komputer yang diprogram dengan tepat benar-benar adalah pikiran.”²

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

Debat selama beberapa dekade seputar Argumen Ruang Cina, yang dirangkum dalam artikel Stanford Encyclopedia of Philosophy ini, menunjukkan ketiadaan konsensus ilmiah mengenai definisi “pemahaman” dan apakah program komputer dapat memilikinya. Perbedaan pandangan tersebut, bersama kemungkinan bahwa kesadaran mungkin bukan prasyarat bagi pencapaian kinerja yang menyerupai manusia, menjadikan AI Kuat sebagai kerangka kerja tunggal untuk mendefinisikan AGI tidak lagi praktis.

Pendekatan intuitif untuk AGI, yang bertujuan untuk mereplikasi jenis kecerdasan yang (sepengetahuan kami) hanya pernah dicapai oleh otak manusia, adalah untuk mereplikasi otak manusia itu sendiri.⁴ Intuisi ini melahirkan neural networks buatan pertama, yang kemudian menjadi dasar bagi pengembangan model pembelajaran mendalam yang saat ini merepresentasikan teknologi paling mutakhir di hampir setiap subbidang AI.

Keberhasilan neural networks pembelajaran mendalam, terutama model bahasa besar (LLM) dan model multimodal di garis depan AI generatif (gen AI), menunjukkan manfaat menarik inspirasi dari otak manusia melalui jaringan neuron buatan yang mengatur diri sendiri. 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 mendefinisikan AGI sebagai sistem AI yang dapat melakukan seluruh tugas kognitif yang dapat dilakukan manusia. Meskipun definisi tersebut sangat fleksibel dan intuitif, definisi tersebut ambigu: tugas apa? Orang mana? Ambiguitas tersebut membatasi penggunaan praktisnya sebagai kerangka kerja formal bagi AGI.

Kontribusi yang paling menonjol dari kerangka kerja tersebut adalah pembatasan fokus AGI pada tugas nonfisik. Dengan melakukan hal tersebut, kerangka kerja ini mengecualikan kemampuan seperti menggunakan alat fisik, bergerak, atau memanipulasi objek — yang sering kali dianggap sebagai demonstrasi “kecerdasan fisik”.⁵ Hal ini menghilangkan kemajuan dalam robotika sebagai prasyarat bagi pengembangan AGI.

Pendekatan intuitif lain untuk AGI, dan kecerdasan itu sendiri, adalah untuk menekankan kemampuan untuk belajar —khususnya untuk mempelajari berbagai tugas dan konsep seluas mungkin manusia. Hal ini sejalan dengan pemikiran Turing dalam “Computing Machinery and Intelligence,” yang mengemukakan bahwa mungkin lebih bijaksana untuk memprogram AI yang menyerupai anak dan membimbingnya melalui proses pendidikan, daripada langsung memprogram sistem komputer agar memiliki pola pikir seperti orang dewasa.⁶

Pendekatan ini bertentangan dengan AI sempit, yang secara eksplisit melatih model untuk melakukan tugas tertentu. Sebagai contoh, bahkan LLM seperti GPT-4 yang tampaknya memiliki kemampuan few-shot learning atau bahkan zero-shot learning untuk menyelesaikan tugas-tugas “baru” tetap terbatas pada fungsi yang berdekatan dengan tugas utamanya, yaitu secara regresif otomatis memprediksi kata berikutnya dalam suatu urutan.

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

OpenAI, 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 dicatat makalah DeepMind, definisi tersebut menghilangkan elemen kecerdasan manusia yang nilai ekonominya sulit didefinisikan, seperti kreativitas artistik atau kecerdasan emosional. Aspek kecerdasan tersebut paling banyak hanya 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 menyusun AGI dapat dihitung hanya jika kemampuan tersebut benar-benar dimasukkan ke dalam penerapan di dunia nyata. Jika sistem AI dapat menyaingi manusia pada tugas tertentu, tetapi tidak praktis diterapkan pada tugas tersebut karena alasan hukum, etika, atau sosial, dapatkah sistem tersebut dikatakan “mengungguli” manusia?

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

Gary Marcus, seorang psikolog, 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 tolok ukur yang dimaksudkan untuk menunjukkan kemampuan beradaptasi dan kompetensi umum, mirip dengan implementasi yang spesifik dan praktis dari kerangka kerja “pembelajaran tugas”.

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

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

• Menonton film dan memahami karakter, konflik, serta motivasinya.
• Membaca novel dan menjawab pertanyaan secara andal, dengan insight di luar teks asli, mengenai plot, karakter, konflik, dan motivasi.
• Bekerja sebagai juru masak yang kompeten di dapur mana pun (mirip dengan tolok ukur kopi Wozniak).
• Membangun 10.000 baris kode bebas bug secara andal dari instruksi bahasa alami, tanpa menggabungkan kode dari library yang ada.
• Mengonversi bukti matematika dalam bahasa alami menjadi bentuk simbolis.

Meskipun kerangka kerja yang berorientasi pada tugas tersebut memperkenalkan objektivitas yang sangat dibutuhkan ke dalam validasi AGI, sulit untuk menyepakati apakah tugas spesifik tersebut mencakup seluruh 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 “Artificial Capable Intelligence“ (ACI) untuk menggambarkan sistem AI yang dapat menyelesaikan tugas multilangkah yang kompleks dan terbuka di dunia nyata. Lebih khusus lagi, ia mengusulkan “Modern Turing Test“, yang memberikan AI modal awal sebesar USD 100.000 dan menugaskannya mengembangkannya menjadi USD 1 juta.¹² Secara garis besar, hal ini memadukan gagasan OpenAI mengenai nilai ekonomi dengan fokus Marcus pada fleksibilitas dan kecerdasan umum.

Meskipun tolok ukur tersebut kemungkinan membuktikan kecerdikan sejati dan kompetensi interdisipliner, dalam istilah praktis, pembingkaian kecerdasan tersebut sebagai jenis output ekonomi tertentu sangat sempit. Selain itu, fokus hanya pada laba akan menyebabkan risiko penyelarasan (alignment) yang signifikan.¹³

Beberapa peneliti, seperti Blaise Agüera y Arcas dan Peter Norvig, berpendapat bahwa LLM tingkat lanjut seperti Llama dari Meta, GPT dari OpenAI, dan Claude dari Anthropic telah mencapai AGI. Mereka menyatakan bahwa keumuman merupakan 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 scorecard multidimensi,” mereka berpendapat. “Tidak ada satu pun proposisi ya atau tidak.”¹⁴

Terdapat banyak penentang posisi tersebut. Penulis makalah DeepMind berpendapat bahwa keumuman itu sendiri tidak memenuhi syarat sebagai AGI: keumuman 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 LLM tidak memiliki akal sehat: LLM tidak dapat berpikir sebelum bertindak, tidak dapat melakukan tindakan di dunia nyata atau belajar melalui pengalaman nyata, dan tidak memiliki ingatan yang kuat serta kapasitas bagi 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 terdapat tiga pendekatan teknologi dasar bagi sistem AGI, dalam hal algoritme dan arsitektur model.

• Emulasi mendekati otak manusia dalam perangkat lunak: Insight dari neuroscience terus memengaruhi riset AGI, bahkan ketika arsitektur model tidak secara langsung meniru otak. Mengingat bahwa otak manusia merupakan satu-satunya sistem yang kita ketahui mampu memiliki kecerdasan umum, emulasi yang hampir sempurna darinya secara teoretis akan menghasilkan kecerdasan yang sama. Meskipun neural network secara superfisial mereplikasi mekanisme dasar otak, cara kerja otak yang sebenarnya jauh lebih bervariasi dan canggih daripada deep learning saat ini. Di luar tantangan teknologi untuk benar-benar meniru otak, pendekatan tersebut juga membutuhkan pemahaman yang lebih besar mengenai kerumitan otak daripada yang kita miliki saat ini.¹⁷

• Arsitektur model baru, berbeda dari otak dan arsitektur AI sempit: Pendekatan tersebut berasumsi bahwa otak bukanlah satu-satunya struktur yang mendukung kecerdasan umum, dan bahwa pendekatan yang ada bagi AI sempit tidak dapat melampaui keterbatasan teknologi atau konseptualnya. Dengan demikian, AGI akan membutuhkan jenis kecerdasan buatan yang baru. Sebagai contoh, LeCun mengusulkan untuk tidak lagi menggunakan arsitektur model AI autoregressive maupun arsitektur AI generatif dan probabilistik lainnya, melainkan mengadopsi “sistem AI objective-driven“ yang “world model“-nya mempelajari lingkungan dengan cara yang lebih menyerupai proses belajar pada hewan dan anak-anak.

• Pendekatan integratif, menyintesiskan algoritme AI sempit: Pendekatan tersebut menjadi fokus sebagian besar inisiatif di dunia nyata saat ini untuk mencapai AGI, dengan berupaya menyatukan kemajuan yang terpisah yang telah dicapai pada alat AI sempit seperti LLM, model gambar, dan agen reinforcement learning. Model multimodal saat ini dapat dilihat sebagai langkah perantara pada jalur tersebut. Pendekatan integratif tersebut biasanya menggunakan model “agen” pusat — biasanya 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

Kecerdasan buatan adalah kategori sangat luas yang mencakup sistem apa pun yang mampu membuat keputusan atau prediksi tanpa campur tangan manusia, dari hantu di Pac-Man hingga LLM canggih. Kecerdasan umum buatan mengacu secara khusus pada sistem AI dengan kemampuan mirip manusia (atau lebih baik) yang menggeneralisasi di seluruh tugas apa pun.

Tidak. AI agen mengacu pada sistem yang dapat merencanakan, mengambil tindakan, dan mengoordinasikan tugas multi-langkah, seringkali dengan menggunakan alat atau beberapa model. Sementara sistem AI agen dapat menjalankan tugas multi-langkah untuk mencapai tujuan tertentu dengan intervensi manusia yang terbatas, mereka biasanya beroperasi dalam domain dan kemampuan yang ditentukan.

AGI, sebaliknya, menggambarkan bentuk hipotetis AI dengan kecerdasan umum tingkat manusia yang dapat memahami, belajar, bernalar, dan beradaptasi di hampir semua tugas atau domain kognitif. Secara sederhana, AI agen berfokus pada tindakan otonom dan eksekusi tujuan, sementara AGI berfokus pada kecerdasan dan kemampuan beradaptasi yang luas seperti manusia.

Model dasar dapat membantu mengaktifkan AGI, tetapi model dasar itu sendiri bukanlah AGI. Model dasar menyediakan teknologi yang mendasari sistem AI canggih dengan mempelajari pola dari kumpulan data besar dan mendukung berbagai tugas. Meskipun banyak pakar meyakini bahwa model dasar yang semakin canggih dapat menjadi salah satu komponen utama dalam mewujudkan AGI, sebagian besar peneliti sepakat bahwa kemampuan tambahan—seperti kemampuan penalaran yang andal, memori jangka panjang, pemahaman terhadap dunia nyata, dan pembelajaran secara otonom—masih diperlukan sebelum AGI yang sesungguhnya dapat dicapai.

Tidak, LLM saat ini tidak dianggap AGI. Meskipun model bahasa besar mampu memahami dan menghasilkan bahasa, melakukan penalaran di berbagai bidang, serta menyelesaikan berbagai macam tugas, model ini masih belum memiliki kemampuan adaptasi yang luas setara manusia, pemahaman terhadap dunia nyata, dan kemampuan pemecahan masalah secara umum yang umumnya diasosiasikan dengan kecerdasan umum buatan (AGI). Namun, para pakar terus memperdebatkan apakah LLM yang semakin mampu mewakili jalur menuju AGI atau bentuk awalnya.

AGI merupakan prasyarat bagi kecerdasan super buatan (ASI), tetapi kecerdasan super tidak diperlukan untuk AGI. Sistem AI dengan kecerdasan dan kemampuan yang identik dengan orang biasa yang biasa-biasa saja akan memenuhi syarat sebagai AGI, tetapi itu bukan ASI.

Tidak ada konsensus. Beberapa peneliti berpendapat bahwa kesadaran diri atau kesadaran diperlukan untuk kecerdasan umum buatan sejati, sementara yang lain mendefinisikan AGI secara lebih sempit sebagai kecerdasan tingkat manusia di seluruh tugas, terlepas dari apakah sistem sadar diri atau tidak. Perdebatan ini adalah salah satu alasan AGI tetap sulit untuk didefinisikan dan diukur.

Karena tidak ada konsensus sejati tentang apa yang memenuhi syarat sebagai AGI, tidak ada cara yang disepakati untuk mengetahui kapan kita telah mencapainya. Beberapa tolok ukur kinerja, seperti ARC-AGI, memang dimaksudkan untuk mengukur AGI—tetapi subjektivitas yang terlibat membuat tidak mungkin bahwa satu tolok ukur dapat memberikan bukti definitif.