Bersiap untuk kecerdasan umum buatan dengan contoh

Bayangkan sebuah dunia di mana mesin tidak dibatasi oleh tugas-tugas yang telah diprogram sebelumnya, melainkan beroperasi dengan otonomi dan kompetensi layaknya manusia. Di dunia ini, otak komputer mengemudikan mobil otonom, melakukan penelitian ilmiah rumit, menyediakan layanan pelanggan yang dipersonalisasi, dan bahkan mempelajari hal-hal yang sepenuhnya baru.

Inilah potensi yang dimiliki kecerdasan umum buatan (AGI), sebuah teknologi hipotetis yang mungkin siap untuk merevolusi hampir semua aspek kehidupan dan pekerjaan manusia. Meskipun AGI masih sebatas teori, organisasi dapat mengambil langkah proaktif untuk mempersiapkan kehadirannya dengan membangun infrastruktur data yang kokoh dan menumbuhkan lingkungan kolaboratif tempat manusia dan AI dapat bekerja sama dengan lancar.

AGI, terkadang disebut sebagai AI kuat, merupakan versi fiksi ilmiah dari kecerdasan buatan (AI), di mana kecerdasan mesin buatan mencapai pembelajaran, persepsi, dan fleksibilitas kognitif setingkat manusia. Namun, berbeda dengan manusia, AGI tidak mengalami kelelahan atau memiliki kebutuhan biologis, serta dapat terus belajar dan memproses informasi dengan kecepatan yang tak terbayangkan. Prospek pengembangan pikiran sintetis yang dapat mempelajari dan memecahkan masalah kompleks berpotensi merevolusi dan mendisrupsi banyak industri, karena kecerdasan mesin terus mengambil tugas yang pernah dianggap hanya dapat ditangani oleh kecerdasan dan kemampuan kognitif manusia.

Bayangkan mobil otonom yang dikemudikan oleh AGI. Tidak hanya dapat menjemput penumpang dari bandara dan berkendara di jalan yang belum dikenal, mobil ini juga dapat menyesuaikan percakapannya secara real time. Mobil tersebut mungkin dapat menjawab pertanyaan seputar budaya dan geografi lokal, bahkan menyesuaikannya dengan minat penumpang. Mobil ini mungkin menyarankan restoran berdasarkan preferensi dan tren saat itu. Jika penumpang pernah menumpang mobil ini sebelumnya, AGI dapat menggunakan percakapan terdahulu untuk mempersonalisasi pengalaman lebih lanjut, bahkan merekomendasikan hal-hal yang dinikmati penumpang tersebut pada perjalanan terdahulu.

Sistem AI seperti LaMDA dan GPT-3 mampu menghasilkan teks berkualitas manusia, menyelesaikan tugas-tugas tertentu, menerjemahkan bahasa sesuai kebutuhan, dan membuat berbagai jenis konten kreatif. Meskipun teknologi model bahasa besar (LLM) terkadang tampak seperti itu, penting untuk dipahami bahwa LLM bukan mesin berpikir yang dibayangkan oleh fiksi ilmiah. 

Hasil ini dicapai melalui kombinasi algoritma canggih, pemrosesan bahasa alami (NLP), dan prinsip-prinsip ilmu komputer. LLM, misalnya ChatGPT, dilatih dengan data teks dalam jumlah yang sangat besar, sehingga dapat mengenali pola dan hubungan statistik dalam bahasa. Teknik NLP membantu mengurai nuansa bahasa manusia, termasuk tata bahasa, sintaksis, dan konteks. Dengan menggunakan algoritme AI yang kompleks dan metode ilmu komputer, sistem AI ini kemudian dapat menghasilkan teks layaknya manusia, menerjemahkan bahasa dengan akurasi tinggi, dan menghasilkan konten kreatif yang meniru berbagai gaya yang berbeda.

AI dewasa ini, termasuk AI generatif (gen AI), sering disebut AI sempit dan unggul dalam menyaring kumpulan data besar untuk mengidentifikasi pola, menerapkan otomatisasi pada alur kerja, dan menghasilkan teks berkualitas manusia. Namun, sistem ini tidak memiliki pemahaman sejati dan tidak dapat beradaptasi dengan situasi di luar pelatihannya. Kesenjangan ini menyoroti perbedaan besar antara AI saat ini dan potensi AGI.

Meskipun kemajuannya menarik, lompatan dari AI lemah ke AGI sejati adalah tantangan besar. Para peneliti secara aktif mengeksplorasi kesadaran buatan, pemecahan masalah umum, dan penalaran akal sehat dalam mesin. Meskipun rentang waktu untuk mengembangkan AGI sejati masih belum pasti, organisasi saat ini dapat mempersiapkan infrastruktur teknologinya untuk menghadapi kemajuan di masa depan dengan membangun infrastruktur yang mengutamakan data. 

Sifat teoretis AGI mempersulit penentuan tumpukan teknologi yang tepat yang dibutuhkan organisasi. Namun, jika pengembangan AGI menggunakan elemen penyusun yang serupa dengan AI sempit, beberapa alat dan teknologi yang sudah ada kemungkinan akan diperlukan.

Sifat pasti dari kecerdasan umum dalam AGI tetap menjadi topik perdebatan di kalangan peneliti AI. Beberapa pihak, seperti Goertzel dan Pennachin, beropini bahwa AGI akan memiliki pemahaman diri dan pengendalian diri. Microsoft dan OpenAI mengklaim bahwa kemampuan GPT-4 sangat dekat dengan kinerja tingkat manusia. Kebanyakan pakar mengategorikannya sebagai model AI yang kuat, tetapi sempit.

Kemajuan AI saat ini menunjukkan kemampuan yang mengesankan di beberapa bidang tertentu. Mobil otonom mahir berkendara di jalan, sementara superkomputer seperti IBM Watson mampu menganalisis sejumlah besar data. Terlepas dari itu semua, ini adalah contoh AI sempit. Sistem ini unggul dalam domain spesifiknya masing-masing, tetapi tidak memiliki keterampilan pemecahan masalah umum yang diharapkan untuk AGI.

Bagaimana pun, mengingat banyaknya prediksi terkait kehadiran AGI yang diperkirakan terjadi mulai tahun 2030 hingga 2050 dan seterusnya, sangat penting untuk mengelola ekspektasi dan mengawali penggunaan nilai dari aplikasi AI saat ini. Meskipun para pemimpin memiliki keraguan tentang manfaat AI saat ini, organisasi secara aktif berinvestasi dalam penerapan gen AI dengan meningkatkan anggaran secara signifikan, memperluas contoh penggunaan, dan mengubah proyek dari eksperimen menjadi produksi.

Menurut Andreessen Horowitz, pada tahun 2023, pengeluaran rata-rata untuk antarmuka pemrograman aplikasi (API) model dasar, model dengan hosting mandiri, dan model yang disempurnakan (fine-tuning) di seluruh perusahaan yang disurvei mencapai 7 juta USD. Hampir semua responden melaporkan hasil awal yang menjanjikan dari eksperimen gen AI dan berencana meningkatkan pengeluaran mereka pada tahun 2024 untuk mendukung beban kerja produksi. Menariknya, pada tahun 2024 terjadi pergeseran pendanaan melalui item lini perangkat lunak. Menurunnya jumlah pemimpin yang mengalokasikan anggaran dari dana inovasi menjadi indikasi bahwa gen AI dengan cepat menjadi teknologi esensial. 

Dalam skala yang lebih kecil, beberapa organisasi mengalokasikan ulang anggaran AI untuk penghematan jumlah karyawan, terutama dalam layanan pelanggan. Satu organisasi melaporkan penghematan sekitar 6 USD per panggilan berkat penggunaan sistem layanan pelanggan yang didukung LLM. Ini setara dengan pengurangan biaya 90%, dan menjadi alasan kuat untuk meningkatkan investasi dalam AI generatif.

Di luar penghematan biaya, organisasi mencari cara nyata untuk mengukur laba atas investasi (ROI) dari AI, dengan fokus pada faktor-faktor seperti perolehan pendapatan, penghematan biaya, perolehan efisiensi, dan peningkatan akurasi, tergantung pada contoh penggunaannya. Salah satu tren utama di sini adalah penggunaan beberapa model dalam produksi. Pendekatan multi-model ini menggunakan beberapa model AI secara bersamaan untuk menggabungkan kekuatannya dan meningkatkan output keseluruhan. Pendekatan ini juga membantu menyesuaikan solusi dengan contoh penggunaan tertentu, menghindari ketergantungan pada vendor tertentu (lock-in), dan memanfaatkan kemajuan pesat di lapangan.

46% responden survei pada tahun 2024 menyatakan bahwa mereka lebih menyukai model sumber terbuka. Meskipun biaya bukan menjadi alasan utama, hal ini mengindikasikan menguatnya keyakinan bahwa nilai yang dihasilkan AI lebih besar daripada biayanya. Ini menunjukkan bahwa pola pikir para eksekutif makin mengakui bahwa mendapatkan jawaban yang akurat akan sepadan dengan biaya yang ditimbulkan. 

Perusahaan tetap tertarik untuk menyesuaikan model, tetapi dengan munculnya model sumber terbuka berkualitas tinggi, sebagian besar memilih untuk tidak melatih LLM dari awal. Sebaliknya, mereka menggunakan Retrieval-Augmented Generation (RAG) atau penyempurnaan (fine-tuning) terhadap model sumber terbuka untuk kebutuhan spesifik mereka.

Sebagian besar (72%) perusahaan yang menggunakan API untuk akses model menggunakan model yang dihosting di penyedia layanan cloud mereka. Selain itu, aplikasi yang tidak hanya mengandalkan LLM untuk pembuatan teks, tetapi juga mengintegrasikannya dengan teknologi lain untuk menciptakan solusi lengkap, serta melakukan perombakan besar-besaran terhadap alur kerja perusahaan dan penggunaan data eksklusif, menunjukkan kinerja yang kuat di pasar.

Deloitte mengeksplorasi nilai output yang diciptakan oleh gen AI di antara lebih dari 2.800 pemimpin bisnis. Berikut adalah beberapa area yang menghasilkan ROI bagi organisasi:

• Teks (83%): Gen AI membantu mengotomatiskan tugas-tugas seperti penulisan laporan, peringkasan dokumen, dan pembuatan naskah pemasaran.
• Kode (62%): Gen AI membantu pengembang menulis kode dengan lebih efisien dan lebih sedikit kesalahan.
• Audio (56%): Pusat panggilan Gen AI dengan audio yang realistis membantu pelanggan dan karyawan.
• Gambar (55%): Gen AI dapat membuat simulasi tampilan produk di rumah pelanggan atau merekonstruksi tempat kejadian kecelakaan untuk menilai klaim asuransi dan pertanggungjawaban.
• Area potensial lainnya: Pembuatan video (36%) dan pembuatan model 3D (26%) dapat membuat materi pemasaran, rendering virtual, dan maket produk.

Kesenjangan keterampilan dalam pengembangan AI generatif merupakan tantangan besar. Perusahaan rintisan yang menawarkan alat untuk menyederhanakan pengembangan AI internal kemungkinan akan dapat menjual alat tersebut lebih cepat karena banyak perusahaan yang kesulitan memperoleh personel yang tepat.

Meskipun AGI menjanjikan otonomi mesin yang jauh melampaui gen AI, sistem yang paling canggih sekalipun masih membutuhkan keahlian manusia agar dapat berfungsi secara efektif. Membangun tim internal yang memiliki keterampilan dalam bidang AI, deep learning, machine learning (ML), dan ilmu data merupakan langkah strategis. Yang terpenting, apa pun jenis AI yang digunakan (lemah atau kuat), para ilmuwan data, insinyur AI, ilmuwan komputer, dan spesialis ML sangat diperlukan untuk mengembangkan dan menerapkan sistem ini.

Area penggunaan ini sudah tentu akan berkembang seiring kemajuan teknologi AI. Namun, dengan berfokus pada area-area inti tersebut, organisasi dapat memosisikan diri untuk menggunakan kekuatan kemajuan AI jika saatnya tiba.

Meskipun AI telah berkembang sangat pesat dalam beberapa tahun terakhir, untuk mencapai AGI sejati, yaitu mesin dengan kecerdasan setingkat manusia, berbagai rintangan besar masih harus ditangani. Berikut adalah 7 keterampilan penting yang saat ini belum dikuasai AI dan perlu dimiliki oleh AGI:

1. Persepsi visual: Meski visi komputer berhasil mengatasi tantangan besar dalam hal pengenalan wajah dan deteksi objek, kinerjanya masih jauh dari kemampuan manusia. Sistem AI saat ini masih kesulitan dalam menghadapi konteks, warna, dan pemahaman tentang cara bereaksi terhadap objek yang tersembunyi sebagian. 

• Persepsi audio: Kinerja AI kini lebih baik dalam hal pengenalan suara, tetapi belum dapat diandalkan untuk memahami aksen, sarkasme, dan intonasi bicara emosional lainnya. AI juga mengalami kesulitan dalam memfilter suara bising yang tidak penting di latar belakang dan sukar memahami ekspresi non-verbal, seperti desahan, tawa, atau perubahan volume suara. 

• Keterampilan motorik halus: Perangkat lunak AGI dapat dipasangkan dengan perangkat keras robotik. Dalam hal ini, AGI membutuhkan kemampuan untuk menangani benda yang mudah rusak, memanipulasi alat dalam situasi di dunia nyata, dan mampu beradaptasi dengan cepat terhadap tugas fisik baru. 

• Pemecahan masalah: AI lemah mampu memecahkan masalah yang spesifik dan jelas, tetapi AGI perlu memecahkan masalah layaknya manusia, yaitu dengan penalaran dan pemikiran kritis. AGI harus dapat mengatasi ketidakpastian dan mengambil keputusan dengan informasi yang tidak lengkap. 

• Navigasi: Mobil otonom menunjukkan kemampuan yang mengesankan, tetapi navigasi serupa manusia membutuhkan adaptasi langsung ke lingkungan yang kompleks. Manusia dapat dengan mudah berkendara pada jalan yang ramai, medan yang tidak rata, dan lingkungan yang berubah. 

• Kreativitas: AI dapat menghasilkan format teks kreatif sampai tingkat tertentu, sementara kreativitas sejati membutuhkan orisinalitas dan kebaruan. Menciptakan ide, konsep, atau solusi baru merupakan ciri kreativitas manusia.

• Keterlibatan sosial dan emosional: Kecerdasan manusia sangat terkait dengan kemampuan sosial dan emosional kita. AGI perlu mengenali dan memahami emosi, termasuk menafsirkan ekspresi wajah, bahasa tubuh, dan intonasi suara. Untuk merespons emosi secara tepat, AGI perlu menyesuaikan komunikasi dan perilakunya berdasarkan kondisi emosi pihak lain.

Namun, begitu AGI teoretis mencapai hal di atas dan menjadi AGI sejati, potensi aplikasinya menjadi sangat luas. Berikut adalah beberapa contoh bagaimana teknologi AGI dapat merevolusi berbagai industri:

Layanan pelanggan

Bayangkan sistem layanan pelanggan yang didukung AGI. Sistem ini akan mengakses data pelanggan yang luas dan menggabungkannya dengan analisis real-time untuk memberikan layanan yang efisien dan dipersonalisasi. Dengan membuat profil pelanggan yang komprehensif (meliputi demografi, pengalaman terdahulu, kebutuhan, dan kebiasaan belanja), AGI dapat mengantisipasi masalah, menyesuaikan respons, menyarankan solusi, dan bahkan memprediksi pertanyaan lanjutan.

Contoh: Bayangkan pengalaman layanan pelanggan terbaik yang pernah Anda rasakan. AGI dapat menawarkannya melalui sistem persepsi yang mengantisipasi potensi masalah, menggunakan analisis intonasi suara untuk lebih memahami suasana hati pelanggan, dan memiliki ingatan tajam yang dapat mengingat hal-hal paling spesifik dalam menyelesaikan masalah. Dengan memahami seluk-beluk bahasa manusia, AGI dapat melakukan percakapan yang bermakna, menangani masalah yang kompleks, dan menjalankan langkah-langkah pemecahan masalah. Selain itu, berkat kecerdasan emosional, AGI akan mampu menyesuaikan komunikasi menjadi berempati dan suportif, sehingga menciptakan interaksi yang lebih positif bagi pelanggan.

Kecerdasan pengodean

Di luar analisis kode, AGI memahami logika dan tujuan dari codebase yang ada, serta menyarankan perbaikan dan menghasilkan kode baru berdasarkan spesifikasi manusia. AGI dapat meningkatkan produktivitas dengan memberikan pemahaman hardcode tentang arsitektur, dependensi, dan riwayat perubahan.

Contoh: Saat membangun fitur e-commerce, seorang pemrogram memberikan perintah kepada AGI, "Saya membutuhkan fungsi untuk menghitung biaya pengiriman berdasarkan lokasi, berat, dan metode." AGI akan menganalisis kode yang relevan, menghasilkan draf fungsi dengan komentar yang menjelaskan logikanya, dan memberikannya kepada pemrogram untuk meninjau, mengoptimalkan, dan mengintegrasikan kode tersebut.

Sistem navigasi, eksplorasi, dan otonom

Mobil dan sistem otonom saat ini sangat bergantung pada peta dan sensor yang telah diprogram sebelumnya. AGI tidak hanya akan melihat sekelilingnya, melainkan juga akan memahaminya. AI jenis ini mungkin dapat menganalisis data real-time dari kamera, LiDAR, dan sensor lainnya untuk mengidentifikasi objek, menganalisis risiko, dan mengantisipasi perubahan lingkungan, misalnya kejadian cuaca yang tiba-tiba atau rintangan yang tidak terduga. Tidak seperti sistem saat ini yang memiliki opsi respons terbatas, AGI diharapkan dapat mengambil keputusan rumit secara real time.

AGI dapat mempertimbangkan berbagai faktor seperti arus lalu lintas, kondisi cuaca, dan bahkan potensi bahaya yang tidak terjangkau oleh sensor langsung. Sistem bertenaga AGI tidak akan terbatas pada rute yang telah diprogram sebelumnya. Sistem ini dapat belajar dari pengalaman, beradaptasi dengan situasi baru, dan bahkan menjelajahi wilayah yang belum dipetakan. Bayangkan kendaraan eksplorasi otonom yang berkendara berdasarkan sistem gua yang kompleks atau drone yang membantu misi pencarian dan penyelamatan di lingkungan yang terus berubah.

Contoh: Mobil otonom bertenaga AGI menghadapi kemacetan lalu lintas yang tak terduga di rute yang biasa dilaluinya. Bukannya terpaku mengikuti instruksi yang telah diprogram sebelumnya, AGI akan menganalisis data lalu lintas secara real-time dari kendaraan lain yang terhubung. Selanjutnya, rute alternatif akan diidentifikasi dengan mempertimbangkan faktor-faktor seperti jarak, perkiraan waktu tempuh, dan potensi bahaya seperti zona konstruksi. Terakhir, sistem akan memilih rute yang paling efisien dan paling aman secara real time, sehingga penumpang tetap mendapat informasi dan merasa nyaman sepanjang perjalanan.

Pelayanan Kesehatan

Sejumlah besar data medis yang dihasilkan saat ini masih belum dimanfaatkan secara optimal. AGI dapat menganalisis citra medis, data pasien, dan data genetik untuk mengidentifikasi pola-pola halus yang mungkin luput dari perhatian manusia. Dengan menganalisis data historis dan tren medis, AGI dapat memprediksi potensi risiko spesifik pada pasien yang memiliki penyakit tertentu. AGI mungkin juga menganalisis struktur genetik pasien dan riwayat medis untuk menyesuaikan rencana perawatan. Pendekatan yang dipersonalisasi ini dapat memberikan terapi yang lebih efektif dengan lebih sedikit efek samping.

Contoh: Seorang pasien dengan gejala mengkhawatirkan memeriksakan diri ke dokter. Dokter tersebut mengunggah riwayat medis pasien dan hasil tes terbaru ke sistem analisis medis berteknologi AGI. AGI menganalisis data dan mengidentifikasi mutasi genetik langka yang terkait dengan penyakit tertentu. Informasi ini sangat penting bagi dokter, karena memungkinkan diagnosis yang lebih tepat sasaran dan rencana perawatan yang dipersonalisasi, serta berpotensi meningkatkan hasil pengobatan pasien.

Pendidikan

Bayangkan tutor AGI yang tidak menyajikan informasi, tetapi mempersonalisasi perjalanan belajar. AGI dapat menganalisis kinerja siswa, gaya belajar, dan kesenjangan pengetahuan untuk membuat jalur pembelajaran khusus. Tutor ini tidak akan memperlakukan semua siswa dengan cara yang sama. AGI dapat menyesuaikan progres dan kesulitan materi secara real time berdasarkan pemahaman siswa. Kesulitan memahami konsep? AGI memberikan penjelasan dan contoh lainnya. Menguasai topik? AGI dapat memberi materi yang lebih menantang. Ini lebih dari sekadar kuliah dan buku pelajaran. Tutor AGI mungkin menciptakan simulasi interaktif, latihan yang dipersonalisasi, dan bahkan pengalaman belajar dengan game untuk membuat siswa tetap terlibat dan termotivasi.

Contoh: Seorang siswa kesulitan memahami konsep matematika yang rumit. Tutor AGI mengidentifikasi kesulitan dan menyesuaikan pendekatannya. Tutor tidak memberikan penjelasan apa adanya, melainkan menyajikan konsep secara visual dengan simulasi interaktif dan membaginya menjadi langkah-langkah yang lebih pendek dan lebih mudah dikelola. Siswa berlatih menggunakan materi yang dipersonalisasi berdasarkan kesenjangan pengetahuan yang dihadapi siswa, sementara AGI memberikan masukan dan dorongan selama proses tersebut.

Manufaktur dan manajemen rantai pasokan

AGI dapat merevolusi manufaktur dengan mengoptimalkan setiap langkah proses. Dengan menganalisis sejumlah besar data dari sensor di seluruh lini produksi untuk mengidentifikasi kemacetan, AGI dapat merekomendasikan penyesuaian terhadap konfigurasi mesin dan mengoptimalkan jadwal produksi secara real time untuk memaksimalkan efisiensi. Menganalisis data historis dan pembacaan sensor dapat membantu AGI memprediksi kegagalan peralatan sebelum terjadi. Pendekatan proaktif ini akan mencegah waktu henti yang memakan biaya besar sekaligus membantu memastikan kelancaran operasi. Dengan pengelolaan jaringan logistik yang kompleks secara real time, AGI dapat mengoptimalkan rute pengiriman, memprediksi potensi penundaan, dan menyesuaikan tingkat inventaris untuk membantu memastikan pengiriman yang tepat waktu, sehingga meminimalkan pemborosan dan memangkas biaya penyimpanan.

Contoh: Bayangkan sebuah sistem AGI yang memantau lini perakitan pabrik. Sistem ini mendeteksi getaran halus pada mesin penting, yang menunjukkan potensi keausan. AGI menganalisis data historis dan memprediksi kemungkinan kegagalan dalam 24 jam ke depan. Sistem mengirimkan peringatan kepada personel pemeliharaan, yang dapat secara proaktif mengatasi masalah sebelum produksi terganggu. Dengan demikian, operasi berjalan lancar dan efisien karena waktu henti dapat dihindari.

Layanan keuangan

AGI berpotensi merevolusi analisis keuangan dengan melampaui metode tradisional. AGI dapat menganalisis kumpulan data yang luas yang mencakup berita keuangan, sentimen media sosial, dan bahkan citra satelit untuk mengidentifikasi tren pasar yang kompleks dan potensi gangguan yang mungkin luput dari perhatian analis manusia. Saat ini, beberapa perusahaan rintisan dan lembaga keuangan telah mempersiapkan dan menggunakan teknologi semacam ini secara terbatas.

Dengan kemampuan memproses data historis dalam jumlah besar, AGI dapat membuat model keuangan yang lebih akurat untuk menilai risiko dan mengambil keputusan investasi yang lebih tepat. AGI dapat mengembangkan dan menjalankan algoritma trading kompleks yang memperhitungkan data pasar, berita real-time, dan sentimen media sosial. Namun, pengawasan manusia tetap harus ada untuk pengambilan keputusan akhir dan pertimbangan yang etis.

Contoh: Pengelola dana lindung nilai menggunakan sistem AGI untuk menganalisis pasar keuangan. AGI mendeteksi perubahan halus dalam sentimen media sosial terhadap industri tertentu dan mengidentifikasi potensi penurunan. Sistem ini menganalisis data historis dan artikel berita untuk mengonfirmasi potensi koreksi di pasar. Berbekal informasi ini, manajer investasi dapat mengambil keputusan tepat untuk menyesuaikan portofolio dan mengurangi risiko.

Penelitian dan pengembangan

AGI dapat menganalisis kumpulan data dan literatur ilmiah yang sangat banyak, merumuskan hipotesis baru, dan merancang eksperimen dalam skala sangat besar, sehingga mempercepat terobosan ilmiah di berbagai bidang. Bayangkan mitra dalam bidang sains yang dapat memeriksa data dan menghasilkan ide-ide inovatif dengan menganalisis kumpulan data dan literatur ilmiah yang sangat banyak untuk mengidentifikasi pola dan hubungan halus yang mungkin luput dari peneliti manusia. Situasi ini mungkin mengarah pada perumusan hipotesis dan jalur penelitian yang sama sekali baru.

Dengan menyimulasikan sistem yang kompleks dan menganalisis sejumlah besar data, AGI dapat merancang eksperimen canggih dalam skala sangat besar. Hal ini akan memungkinkan ilmuwan menguji hipotesis secara lebih efisien dan mengeksplorasi batas-batas penelitian yang sebelumnya tidak terbayangkan. AGI dapat bekerja tanpa lelah untuk membantu peneliti memilah data, mengelola simulasi rumit, dan menyarankan arah penelitian baru. Kolaborasi ini akan mempercepat laju terobosan di dunia sains secara signifikan.

Contoh: Sebuah tim astrofisikawan sedang meneliti pembentukan galaksi di alam semesta awal. AGI menganalisis sekumpulan besar data dari teleskop dan simulasi. Sistem ini mengidentifikasi korelasi yang sebelumnya terabaikan antara persebaran materi gelap dan pembentukan gugus bintang. Berdasarkan hal ini, AGI mengajukan hipotesis baru tentang pembentukan galaksi dan menyarankan serangkaian simulasi inovatif untuk menguji keabsahannya. Pengetahuan yang baru ditemukan ini membuka jalan bagi pemahaman yang lebih dalam tentang asal-usul alam semesta.

AGI akan menjadi teknologi berdampak besar yang selamanya mengubah proses bisnis pada industri seperti layanan kesehatan atau manufaktur. Perusahaan teknologi besar dan laboratorium penelitian mencurahkan sumber daya untuk pengembangannya, dan berbagai aliran pemikiran terlibat untuk menangani tantangan demi mencapai kecerdasan tingkat manusia sejati pada mesin. Berikut adalah beberapa bidang eksplorasi utama:

1. AI Simbolis (Symbolic AI): Pendekatan ini berfokus pada pembangunan sistem yang memanipulasi simbol dan logika sebagai representasi pengetahuan dan penalaran. Bidang ini bertujuan menciptakan sistem yang dapat memahami dan memecahkan masalah dengan mengikuti aturan, mirip dengan penggunaan logika pada manusia.

• AI Koneksionis (Connectionist AI) (jaringan neural): Pendekatan ini terinspirasi oleh struktur dan fungsi otak manusia. Bidang ini melibatkan pembangunan jaringan neural dengan node yang saling terhubung untuk mempelajari dan memproses informasi berdasarkan data yang sangat besar.

• Kesadaran buatan: Bidang ini mengeksplorasi mesin dengan pengalaman subjektif dan kesadaran diri. Ini adalah konsep yang sangat teoretis, tetapi mungkin merupakan komponen kunci dari kecerdasan sejati.

• Emulasi otak penuh (WBE): Pendekatan ambisius ini bertujuan untuk membuat simulasi komputer terperinci dari otak biologis. Teorinya adalah bahwa kesadaran dan kecerdasan mungkin timbul dalam simulasi dengan menyalin struktur dan fungsi otak manusia.

• AI Berwujud (Embodied AI) dan kognisi berwujud: Pendekatan ini berfokus pada peran tubuh fisik agen dan interaksinya dengan lingkungan dalam membentuk kecerdasan. Hal ini didasarkan pada ide bahwa kecerdasan sejati membutuhkan agen untuk memiliki pengalaman dan belajar dari dunia melalui tubuh fisik.

Bidang penelitian AGI terus berkembang. Ini hanya beberapa pendekatan yang telah dieksplorasi. Bukan tidak mungkin bahwa kombinasi dari teknik-teknik tersebut atau pendekatan yang sama sekali baru pada akhirnya akan merealisasikan AGI.

AGI mungkin saat ini hanyalah fiksi ilmiah belaka, tetapi organisasi dapat bersiap menghadapi masa depan dengan membangun strategi AI untuk bisnis dengan IBM watsonx, portofolio produk AI yang mempercepat dampak AI generatif dalam alur kerja inti untuk mendorong produktivitas. Latih, validasi, sesuaikan, dan terapkan model AI untuk membantu Anda meningkatkan dan mempercepat dampak AI dengan data tepercaya di seluruh bisnis Anda.