Apa itu kecerdasan umum buatan?
Artificial General Intelligence (AGI) adalah bidang penelitian AI teoretis yang mencoba membuat perangkat lunak dengan kecerdasan mirip manusia dan kemampuan untuk belajar sendiri. Tujuannya adalah agar perangkat lunak dapat melakukan tugas-tugas yang belum tentu dilatih atau dikembangkan.
Teknologi kecerdasan buatan (AI) saat ini semuanya berfungsi dalam satu set parameter yang telah ditentukan sebelumnya. Misalnya, model AI yang dilatih dalam pengenalan dan pembuatan gambar tidak dapat membangun situs web. AGI adalah upaya teoretis untuk mengembangkan sistem AI yang memiliki kontrol diri otonom, tingkat pemahaman diri yang wajar, dan kemampuan untuk mempelajari keterampilan baru. Ia dapat memecahkan masalah kompleks dalam pengaturan dan konteks yang tidak diajarkan kepadanya pada saat pembuatannya. AGI dengan kemampuan manusia tetap menjadi konsep teoretis dan tujuan penelitian.
Apa perbedaan antara kecerdasan buatan dan kecerdasan umum buatan?
Selama beberapa dekade, peneliti AI telah memetakan beberapa tonggak sejarah yang secara signifikan meningkatkan kecerdasan mesin—bahkan hingga tingkat yang meniru kecerdasan manusia dalam tugas-tugas tertentu. Misalnya, ringkas AI menggunakan model machine learning (ML) untuk mengekstrak poin penting dari dokumen dan menghasilkan ringkasan yang dapat dimengerti. Dengan demikian, AI adalah disiplin ilmu komputer yang memungkinkan perangkat lunak untuk menyelesaikan tugas-tugas baru dan sulit dengan kinerja tingkat manusia.
Sebaliknya, sistem AGI dapat memecahkan masalah di berbagai domain, seperti manusia, tanpa intervensi manual. Alih-alih terbatas pada ruang lingkup tertentu, AGI dapat belajar sendiri dan memecahkan masalah yang tidak pernah dilatih untuk itu. AGI dengan demikian merupakan representasi teoretis dari kecerdasan buatan lengkap yang memecahkan tugas-tugas kompleks dengan kemampuan kognitif manusia umum.
Beberapa ilmuwan komputer percaya bahwa AGI adalah program komputer hipotetis dengan pemahaman manusia dan kemampuan kognitif. Sistem AI dapat belajar menangani tugas-tugas asing tanpa pelatihan tambahan dalam teori semacam itu. Sebagai alternatif, sistem AI yang kita gunakan saat ini memerlukan pelatihan substansial sebelum mereka dapat menangani tugas-tugas terkait dalam domain yang sama. Misalnya, Anda harus menyempurnakan model bahasa besar (LLM) yang telah dilatih sebelumnya dengan set data medis sebelum dapat beroperasi secara konsisten sebagai chatbot medis.
AI yang kuat dibandingkan dengan AI yang lemah
AI yang kuat adalah kecerdasan buatan penuh, atau AGI, yang mampu melakukan tugas dengan tingkat kognitif manusia meskipun memiliki sedikit pengetahuan latar belakang. Fiksi ilmiah sering menggambarkan AI yang kuat sebagai mesin berpikir dengan pemahaman manusia yang tidak terbatas pada batasan domain.
Sebaliknya, AI lemah atau AI sempit adalah sistem AI yang terbatas pada spesifikasi komputasi, algoritma, dan tugas spesifik yang dirancang untuknya. Misalnya, model AI sebelumnya memiliki memori terbatas dan hanya mengandalkan data real-time untuk membuat keputusan. Bahkan aplikasi AI generatif yang muncul dengan retensi memori yang lebih baik dianggap AI lemah karena tidak dapat digunakan kembali untuk domain lain.
Apa pendekatan teoretis untuk penelitian kecerdasan umum buatan?
Mencapai AGI membutuhkan spektrum teknologi, data, dan interkonektivitas yang lebih luas daripada yang mendukung model AI saat ini. Kreativitas, persepsi, pembelajaran, dan memori sangat penting untuk menciptakan AI yang meniru perilaku manusia yang kompleks. Pakar AI telah mengusulkan beberapa metode untuk mendorong penelitian AGI.
Simbolik
Pendekatan simbolis mengasumsikan bahwa sistem komputer dapat mengembangkan AGI dengan mewakili pikiran manusia dengan memperluas jaringan logika. Jaringan logika melambangkan objek fisik dengan logika if-else, memungkinkan sistem AI untuk menafsirkan ide pada tingkat pemikiran yang lebih tinggi. Namun, representasi simbolis tidak dapat mereplikasi kemampuan kognitif halus di tingkat yang lebih rendah, seperti persepsi.
Koneksionis
Pendekatan koneksionis (atau emergentis) berfokus pada replikasi struktur otak manusia dengan arsitektur jaringan neural. Neuron otak dapat mengubah jalur transmisi mereka saat manusia berinteraksi dengan rangsangan eksternal. Para ilmuwan berharap model AI yang mengadopsi pendekatan sub-simbolik ini dapat mereplikasi kecerdasan mirip manusia dan menunjukkan kemampuan kognitif tingkat rendah. Model bahasa besar adalah contoh AI yang menggunakan metode koneksionis untuk memahami bahasa alami.
Universalis
Para peneliti yang mengambil pendekatan universalis fokus pada mengatasi kompleksitas AGI di tingkat perhitungan. Mereka mencoba merumuskan solusi teoretis yang dapat mereka gunakan kembali menjadi sistem AGI praktis.
Arsitektur organisme utuh
Pendekatan arsitektur organisme keseluruhan melibatkan pengintegrasian model AI dengan representasi fisik tubuh manusia. Para ilmuwan yang mendukung teori ini percaya AGI hanya dapat dicapai ketika sistem belajar dari interaksi fisik.
Hybrid
Pendekatan hibrida mempelajari metode simbolis dan sub-simbolik untuk mewakili pikiran manusia untuk mencapai hasil di luar pendekatan tunggal. Peneliti AI dapat mencoba mengasimilasi berbagai prinsip dan metode yang diketahui untuk mengembangkan AGI.
Teknologi apa yang mendorong penelitian kecerdasan umum buatan?
AGI tetap menjadi tujuan yang jauh bagi para peneliti. Upaya untuk membangun sistem AGI sedang berlangsung dan didorong oleh perkembangan yang muncul. Bagian berikut menjelaskan teknologi yang muncul.
Deep learning
Deep learning adalah disiplin AI yang berfokus pada pelatihan jaringan neural dengan beberapa lapisan tersembunyi untuk mengekstrak dan memahami hubungan kompleks dari data mentah. Pakar AI menggunakan deep learning untuk membangun sistem yang mampu memahami teks, audio, gambar, video, dan jenis informasi lainnya. Misalnya, pengembang menggunakan Amazon SageMaker untuk membuat model deep learning ringan untuk Internet untuk Segala (IoT) dan perangkat seluler.
AI Generatif
Kecerdasan buatan generatif (AI generatif) adalah bagian dari deep learning di mana sistem AI dapat menghasilkan konten yang unik dan realistis dari pengetahuan yang dipelajari. Model AI generatif berlatih dengan set data besar, yang memungkinkan mereka menanggapi pertanyaan manusia dengan teks, audio, atau visual yang secara alami menyerupai ciptaan manusia. Misalnya, LLM dari AI21 Labs, Anthropic, Cohere, dan Meta adalah algoritma AI generatif yang dapat digunakan organisasi untuk menyelesaikan tugas-tugas kompleks. Tim perangkat lunak menggunakan Amazon Bedrock untuk menerapkan model ini dengan cepat di cloud tanpa menyediakan server.
NLP
Pemrosesan bahasa alami (NLP) adalah cabang AI yang memungkinkan sistem komputer untuk memahami dan menghasilkan bahasa manusia. Sistem NLP menggunakan linguistik komputasi dan teknologi machine learning untuk mengubah data bahasa menjadi representasi sederhana yang disebut token dan memahami hubungan kontekstual mereka. Misalnya, Amazon Lex adalah mesin NLP yang memungkinkan organisasi membangun ai percakapan chatbot.
Visi komputer
Visi komputer adalah teknologi yang memungkinkan sistem untuk mengekstrak, menganalisis, dan memahami informasi spasial dari data visual. Mobil self-driving menggunakan model visi komputer untuk menganalisis umpan real-time dari kamera dan menavigasi kendaraan dengan aman jauh dari rintangan. Teknologi deep learning memungkinkan sistem visi komputer untuk mengotomatiskan pengenalan objek skala besar, klasifikasi, pemantauan, dan tugas pemrosesan gambar lainnya. Misalnya, para insinyur menggunakan Amazon Rekognition untuk mengotomatiskan analisis gambar untuk berbagai aplikasi visi komputer.
Robotika
Robotika adalah disiplin teknik di mana organisasi dapat membangun sistem mekanis yang secara otomatis melakukan manuver fisik. Dalam AGI, sistem robotika memungkinkan kecerdasan mesin untuk bermanifestasi secara fisik. Ini sangat penting untuk memperkenalkan persepsi sensorik dan kemampuan manipulasi fisik yang dibutuhkan sistem AGI. Misalnya, menanamkan lengan robot dengan AGI dapat memungkinkan lengan untuk merasakan, menggenggam, dan mengupas jeruk seperti yang dilakukan manusia. Saat meneliti AGI, tim teknik menggunakan AWS RoboMaker untuk menyimulasikan sistem robot secara virtual sebelum merakitnya.
Apa tantangan dalam penelitian kecerdasan umum buatan?
Ilmuwan komputer menghadapi beberapa tantangan berikut dalam mengembangkan AGI.
Buat koneksi
Model AI saat ini terbatas pada domain spesifiknya dan tidak dapat membuat koneksi antar domain. Namun, manusia dapat menerapkan pengetahuan dan pengalaman dari satu domain ke domain lainnya. Misalnya, teori pendidikan diterapkan dalam desain permainan untuk menciptakan pengalaman belajar yang menarik. Manusia juga dapat menyesuaikan apa yang mereka pelajari dari pendidikan teoritis ke situasi kehidupan nyata. Namun, model deep learning memerlukan pelatihan substansial dengan set data tertentu untuk bekerja dengan andal dengan data yang tidak dikenal.
Kecerdasan emosional
Model deep learning mengisyaratkan kemungkinan AGI, tetapi belum menunjukkan kreativitas autentik yang dimiliki manusia. Kreativitas membutuhkan pemikiran emosional, yang belum dapat ditiru oleh arsitektur jaringan neural. Misalnya, manusia merespons percakapan berdasarkan apa yang mereka rasakan secara emosional, tetapi model NLP menghasilkan keluaran teks berdasarkan set data linguistik dan pola yang mereka latih.
Persepsi sensorik
AGI membutuhkan sistem AI untuk berinteraksi secara fisik dengan lingkungan eksternal. Selain kemampuan robotika, sistem harus memahami dunia seperti manusia. Teknologi komputer yang ada membutuhkan kemajuan lebih lanjut sebelum mereka dapat membedakan bentuk, warna, rasa, bau, dan suara secara akurat seperti manusia.
Bagaimana AWS dapat membantu upaya AI dan AGI Anda?
AWS menyediakan layanan kecerdasan buatan terkelola yang membantu Anda melatih, menerapkan, dan menskalakan aplikasi AI generatif. Organisasi menggunakan alat AI dan model dasar kami untuk berinovasi sistem AI dengan data mereka sendiri untuk kasus penggunaan yang dipersonalisasi.
- Amazon Bedrock adalah layanan yang dikelola sepenuhnya di mana pengembang dapat menggunakan panggilan API untuk mengakses model AI generatif yang mereka terapkan. Anda dapat memilih, menyesuaikan, melatih, dan menerapkan model dasar industri terkemuka di Bedrock untuk bekerja dengan data eksklusif.
- Amazon SageMaker Jumpstart membantu tim perangkat lunak mempercepat pengembangan AI dengan membangun, melatih, dan menerapkan model dasar di hub machine learning.
- Gunakan Amazon Elastic Compute Cloud UltraClusters untuk memberi daya pada beban kerja AI generatif Anda dengan GPU superkomputer untuk memproses set data besar dengan latensi rendah.
Mulai AGI dengan mendaftar akun AWS hari ini
