Merefleksikan 80 tahun perkembangan AI, 5 pelajaran sejarah ini patut diambil.

Penulis: Gil Press

Kompilasi: Felix, PANews

Pada 9 Juli 2025, Nvidia menjadi perusahaan publik pertama yang mencapai nilai pasar sebesar 4 triliun dolar. Apa yang akan terjadi selanjutnya untuk Nvidia dan bidang AI yang bergejolak?

Meskipun sulit untuk memprediksi, ada banyak data yang tersedia untuk digunakan. Setidaknya dapat membantu untuk memahami mengapa prediksi sebelumnya tidak terwujud, dan dalam aspek apa, dengan cara apa, serta alasan apa yang menyebabkan ketidakberhasilan tersebut. Inilah sejarah.

Dalam perjalanan 80 tahun perkembangan Kecerdasan Buatan (AI), pelajaran dan pengalaman apa yang dapat diambil? Dalam perjalanan ini, investasi dana naik turun, metode penelitian dan pengembangan sangat bervariasi, publik kadang-kadang penuh rasa ingin tahu, kadang merasa cemas, dan kadang lagi penuh semangat.

Sejarah AI dimulai pada bulan Desember 1943, ketika ahli neurofisiologi Warren S. McCulloch dan logician Walter Pitts menerbitkan sebuah makalah tentang logika matematis. Dalam artikel "Logika Kalkulasi Ide-Ide Inheren dalam Aktivitas Saraf", mereka mengusulkan jaringan neuron yang ideal dan disederhanakan, serta bagaimana mereka dapat melakukan operasi logika sederhana dengan mentransmisikan atau tidak mentransmisikan impuls.

Saat itu, Ralph Lillie yang sedang menciptakan bidang kimia organisasi menggambarkan pekerjaan McCulloch dan Pitts sebagai memberi "realitas" pada "model logika dan matematis" dalam kekurangan "fakta eksperimen". Kemudian, ketika hipotesis di makalah tersebut gagal diuji secara empiris, Jerome Lettvin dari MIT menunjukkan bahwa meskipun bidang neurologi dan neurobiologi mengabaikan makalah ini, ia telah menginspirasi "sekelompok orang yang ditakdirkan untuk menjadi penggemar bidang baru (yang sekarang dikenal sebagai AI)".

Sebenarnya, makalah McCulloch dan Pitts menginspirasi "konneksionisme", yaitu varian spesifik dari AI yang saat ini dominan, yang sekarang dikenal sebagai "deep learning", dan baru-baru ini dinamakan kembali sebagai "AI". Meskipun pendekatan ini tidak ada hubungannya dengan cara kerja otak yang sebenarnya, metode analisis statistik yang mendukung varian AI ini—"jaringan saraf buatan", sering digambarkan oleh praktisi dan pengamat AI sebagai "meniru otak". Tokoh terkemuka, praktisi AI terkemuka Demis Hassabis, menyatakan pada tahun 2017 bahwa deskripsi fiktif McCulloch dan Pitts tentang cara kerja otak serta penelitian serupa "terus menjadi dasar bagi penelitian deep learning kontemporer."

Pelajaran Satu**: Waspadalah terhadap mencampuradukkan rekayasa dengan sains, mencampuradukkan sains dengan spekulasi, serta mencampuradukkan sains dengan makalah yang penuh dengan simbol dan rumus matematika. Yang terpenting, tahan godaan ilusi "kita seperti dewa", yaitu anggapan bahwa manusia tidak berbeda dengan mesin, dan bahwa manusia dapat menciptakan mesin yang mirip dengan manusia.**

Sikap sombong yang keras kepala dan umum ini telah menjadi katalisator untuk gelembung teknologi dan gairah siklus AI selama 80 tahun terakhir.

Ini mengingatkan pada AI umum (AGI), yaitu gagasan tentang mesin yang segera akan memiliki kecerdasan mirip manusia atau bahkan kecerdasan super.

Pada tahun 1957, pelopor AI Herbert Simon menyatakan: "Saat ini di dunia telah ada mesin yang dapat berpikir, belajar, dan menciptakan." Dia juga meramalkan bahwa dalam sepuluh tahun, komputer akan menjadi juara catur internasional. Pada tahun 1970, pelopor AI lainnya, Marvin Minsky, dengan percaya diri menyatakan: "Dalam waktu tiga sampai delapan tahun, kita akan memiliki mesin dengan kecerdasan setara manusia biasa... Setelah komputer menguasai situasi, kita mungkin tidak akan pernah bisa merebut kembali. Kita akan bergantung pada anugerah mereka untuk bertahan hidup. Jika beruntung, mereka mungkin akan memutuskan untuk memperlakukan kita sebagai hewan peliharaan."

Harapan akan munculnya AI umum memiliki makna yang luar biasa, bahkan mempengaruhi pengeluaran dan kebijakan pemerintah. Pada tahun 1981, Jepang mengalokasikan 850 juta dolar untuk proyek komputer generasi kelima, bertujuan untuk mengembangkan mesin yang dapat berpikir seperti manusia. Menanggapi hal ini, Badan Penelitian Pertahanan Lanjutan AS, setelah mengalami "musim dingin AI" yang panjang, pada tahun 1983 merencanakan untuk mendanai kembali penelitian AI untuk mengembangkan mesin yang dapat "melihat, mendengar, berbicara, dan berpikir seperti manusia."

Pemerintah-pemerintah yang progresif di seluruh dunia menghabiskan waktu sekitar sepuluh tahun dan biaya miliaran dolar, tidak hanya untuk mendapatkan pemahaman yang jelas tentang AI umum (AGI), tetapi juga untuk menyadari keterbatasan AI tradisional. Namun, pada tahun 2012, koneksionisme akhirnya mengalahkan aliran AI lainnya, dan prediksi baru tentang kedatangan AI umum segera menyapu dunia. OpenAI mengklaim pada tahun 2023 bahwa AI super pintar — "penemuan paling berpengaruh dalam sejarah manusia" — mungkin akan datang dalam dekade ini dan "mungkin menyebabkan manusia kehilangan kekuasaan, bahkan punah."

Pelajaran Kedua: Waspadai hal-hal baru yang terlihat mengesankan, dan telitilah, berhati-hati, serta bijaksana dalam menilainya. Mereka mungkin tidak jauh berbeda dari semua spekulasi sebelumnya tentang kapan mesin dapat memiliki kecerdasan yang mirip dengan manusia.**

Salah satu "bapak" pembelajaran mendalam, Yann LeCun, pernah menyatakan: "Untuk membuat mesin belajar dengan efisien seperti manusia dan hewan, kita masih kekurangan beberapa hal penting, tetapi saat ini kita belum tahu apa itu."

Selama bertahun-tahun, AI umum (AGI) telah disebut-sebut "akan segera terwujud", semua itu karena "kesalahan langkah pertama". Pel先先机器翻译先驱 Yehoshua Bar-Hillel adalah salah satu yang pertama berbicara tentang keterbatasan kecerdasan mesin, dia menunjukkan bahwa banyak orang berpikir bahwa jika seseorang mendemonstrasikan sebuah komputer yang dapat melakukan sesuatu yang baru-baru ini dianggap bisa dilakukan oleh manusia, bahkan jika itu dilakukan dengan sangat buruk, hanya perlu pengembangan teknologi lebih lanjut agar dapat menyelesaikan tugas dengan sempurna. Orang-orang umumnya percaya bahwa selama mereka bersabar menunggu, pada akhirnya itu akan terwujud. Namun, Bar-Hillel telah memperingatkan sejak pertengahan tahun 1950-an bahwa kenyataannya tidak demikian, dan kenyataan telah terbukti berkali-kali bahwa itu bukanlah demikian.

Pelajaran Tiga: Jarak dari tidak bisa melakukan sesuatu ke melakukannya dengan buruk, biasanya jauh lebih pendek daripada jarak dari melakukannya dengan buruk ke melakukannya dengan sangat baik.

Pada tahun 1950-an dan 1960-an, banyak orang terjebak dalam "kesalahan langkah pertama" karena peningkatan kecepatan pemrosesan semikonduktor yang menggerakkan komputer. Dengan perangkat keras yang berkembang setiap tahun mengikuti jalur peningkatan yang dapat diandalkan dari "hukum Moore", orang-orang secara umum percaya bahwa kecerdasan mesin juga akan berkembang seiring dengan perangkat keras.

Namun, selain dari peningkatan terus-menerus dalam kinerja perangkat keras, perkembangan AI telah memasuki tahap baru dengan diperkenalkannya dua unsur baru: perangkat lunak dan pengumpulan data. Sejak pertengahan tahun 1960-an, sistem pakar (catatan: sistem program komputer cerdas) telah memfokuskan perhatian baru pada pengambilan dan pemrograman pengetahuan dunia nyata, terutama pengetahuan dari ahli di bidang tertentu dan aturan pengalaman mereka (metode heuristik). Sistem pakar semakin populer, dan pada tahun 1980-an, diperkirakan dua pertiga dari perusahaan Fortune 500 menerapkan teknologi ini dalam kegiatan bisnis sehari-hari.

Namun, pada awal tahun 1990-an, gelombang AI ini benar-benar hancur. Banyak perusahaan rintisan AI bangkrut, dan perusahaan-perusahaan besar pun mulai membekukan atau membatalkan proyek AI mereka. Sebagai contoh, pada tahun 1983, pelopor sistem pakar Ed Feigenbaum telah menunjukkan "kendala kunci" yang menyebabkan kepunahan mereka: perluasan proses akuisisi pengetahuan, "ini adalah proses yang sangat rumit, memakan waktu, dan mahal."

Sistem pakar juga menghadapi tantangan akumulasi pengetahuan. Permintaan untuk terus menambahkan dan memperbarui aturan membuatnya sulit untuk dipelihara dan mahal. Mereka juga mengungkapkan kekurangan mesin berpikir dibandingkan dengan kecerdasan manusia. Mereka "rapuh", membuat kesalahan konyol ketika menghadapi input yang tidak biasa, tidak dapat mentransfer pengetahuan mereka ke bidang baru, dan kekurangan pemahaman tentang dunia di sekitarnya. Pada tingkat yang paling mendasar, mereka tidak dapat belajar dari contoh, pengalaman, dan lingkungan seperti manusia.

Pelajaran Empat: Keberhasilan awal, yaitu adopsi luas oleh perusahaan dan lembaga pemerintah serta investasi publik dan swasta yang besar, bahkan setelah sepuluh atau lima belas tahun, belum tentu dapat menghasilkan "industri baru" yang tahan lama. Gelembung seringkali akan pecah.

Dalam naik turunnya, spekulasi, dan frustrasi, dua metode pengembangan AI yang sangat berbeda telah bersaing untuk perhatian akademis, investor publik dan swasta, serta media. Selama lebih dari empat dekade, metode AI berbasis aturan simbolik telah mendominasi. Namun, koneksionisme yang didorong oleh analisis statistik, sebagai metode AI utama lainnya, juga pernah menjadi sangat populer pada akhir 1950-an dan akhir 1980-an.

Sebelum kebangkitan konektivisme pada tahun 2012, penelitian dan pengembangan AI sebagian besar didorong oleh kalangan akademis. Ciri khas kalangan akademis adalah adanya dogma (yang disebut "ilmu konvensional"), di mana selalu ada pilihan antara simbolisme AI dan konektivisme. Pada tahun 2019, Geoffrey Hinton dalam pidato penerimaan Hadiah Turing-nya, sebagian besar waktu berbicara tentang kesulitan yang dia dan sedikit penggemar pembelajaran mendalam alami di tangan para akademisi AI dan pembelajaran mesin arus utama. Hinton juga secara khusus merendahkan pembelajaran penguatan serta pekerjaan rekan-rekannya di DeepMind.

Hanya beberapa tahun kemudian, pada tahun 2023, DeepMind mengambil alih bisnis AI Google (Hinton juga meninggalkan tempat itu), ini terutama merupakan respon terhadap keberhasilan OpenAI, yang juga menjadikan pembelajaran penguatan sebagai salah satu komponen dalam pengembangan AI-nya. Dua pelopor pembelajaran penguatan, Andrew Barto dan Richard Sutton, menerima Hadiah Turing pada tahun 2025.

Namun, saat ini tidak ada tanda-tanda bahwa baik DeepMind maupun OpenAI, atau berbagai perusahaan "unicorn" yang berfokus pada AI umum (AGI), memperhatikan fokus yang melampaui paradigma model bahasa besar yang sedang populer saat ini. Sejak tahun 2012, fokus perkembangan AI telah bergeser dari akademisi ke sektor swasta; namun, seluruh bidang masih terobsesi dengan satu arah penelitian.

Pelajaran Lima: Jangan menaruh semua "telur" AI di "keranjang" yang sama.

Tidak diragukan lagi, Jensen Huang adalah seorang CEO yang luar biasa, dan NVIDIA adalah perusahaan yang luar biasa. Lebih dari sepuluh tahun yang lalu, ketika peluang AI tiba-tiba muncul, NVIDIA dengan cepat mengambil kesempatan ini, karena kemampuan pemrosesan paralel chip-nya (yang awalnya dirancang untuk render video game secara efisien) sangat cocok untuk komputasi pembelajaran mendalam. Jensen Huang selalu waspada, ia memberi tahu karyawan: "Perusahaan kita hanya berjarak 30 hari dari kebangkrutan."

Selain tetap waspada (ingat Intel?), pelajaran berharga dari perkembangan AI selama 80 tahun mungkin juga dapat membantu NVIDIA melewati gejolak 30 hari atau 30 tahun ke depan dengan aman.

Baca Juga: Daftar 10 Perusahaan dan Model AI yang Mendefinisikan Revolusi AI Saat Ini