Dari AI ke AGI: Menuju Mesin Serba Bisa
IndonesiaNeo, TEKNO - Perkembangan teknologi kecerdasan buatan saat ini sedang mengalami pergeseran mendasar dari sistem AI khusus menuju cakrawala Kecerdasan Umum Buatan atau Artificial General Intelligence (AGI). AGI didefinisikan sebagai tahap hipotetis dalam pengembangan machine learning di mana sistem AI dapat mencocokkan atau melampaui kemampuan kognitif manusia pada tugas apa pun. Replikasi kecerdasan tingkat manusia ini bertujuan agar mesin mampu menangani situasi baru secara adaptif, bukan sekadar berkinerja baik pada satu tugas spesifik yang sempit.
Gagasan mengenai mesin yang dapat berpikir sendiri sebenarnya telah dieksplorasi sejak Proyek Riset Musim Panas Dartmouth pada tahun 1956. Namun, istilah "Kecerdasan Umum Buatan" atau AGI itu sendiri baru dipopulerkan pada tahun 2007 oleh peneliti AI Ben Goertzel atas saran salah satu pendiri DeepMind, Shane Legg. Penggunaan istilah ini ditujukan untuk membedakan bentuk kecerdasan fleksibel baru dari yang disebut sebagai AI sempit (narrow AI).
Untuk memahami posisi teknologi saat ini, perkembangan AI dapat dipahami melalui beberapa tingkatan kapabilitas. Tingkat pertama adalah Generative AI, yaitu sistem seperti ChatGPT, Gemini, atau Claude yang membutuhkan perintah (prompt) dalam bentuk teks dari manusia untuk menghasilkan jawaban. Di atasnya terdapat Agentic AI, yaitu sistem otonom yang mampu merencanakan, mengedit spreadsheet, dan mengotomatiskan alur kerja administratif yang berulang tanpa perlu diperintahkan secara terus-menerus.
Perbedaan mendasar antara Narrow AI dan AGI terletak pada cakupan domain kecerdasannya. Narrow AI hanya mampu menunjukkan keunggulan pada domain spesifik yang ditentukan, seperti bermain catur, memprediksi struktur protein, atau mengemudi mobil. Sebaliknya, AGI berfokus pada kecerdasan umum yang memungkinkan sistem mempelajari dan menyelesaikan berbagai tugas di berbagai bidang secara mandiri, layaknya seorang dewasa yang kompeten.
Dalam diskursus akademis, AGI sering kali dibedakan dari konsep AI Kuat (Strong AI) dan Kecerdasan Buatan Super (Artificial Superintelligence/ASI). Strong AI berfokus pada keberadaan kesadaran atau pikiran sejati pada mesin. Sementara itu, ASI mengacu pada sistem yang kemampuannya jauh melampaui kemampuan manusia di hampir semua bidang. AGI tidak memerlukan kecerdasan super maupun kesadaran diri, melainkan kesetaraan kapabilitas kognitif umum dengan manusia.
Lonjakan kemampuan model-model frontier terbaru semakin memperpendek jarak menuju AGI. Model-model mutakhir saat ini dilaporkan mampu menyelesaikan soal matematika tingkat doktoral (S3) dengan akurasi hingga 97,6%. Selain itu, AI mulai mampu melakukan desain rangkaian elektronik hingga mengoperasikan perangkat lunak 3D secara mandiri untuk menghasilkan berkas cetak tiga dimensi.
Kendati demikian, terdapat perdebatan sengit mengenai apakah Large Language Models (LLM) saat ini sudah tergolong sebagai AGI. Beberapa peneliti berargumen bahwa LLM tingkat lanjut sudah memiliki sifat umum karena mampu mendiskusikan berbagai topik dan memproses input multimodal. Sebaliknya, kritikus seperti Yann LeCun menegaskan bahwa LLM belum memiliki akal sehat (common sense), tidak bisa belajar dari pengalaman dunia nyata, serta memiliki keterbatasan memori dan kemampuan perencanaan secara hierarkis.
Untuk mengukur kemajuan AGI secara objektif, berbagai kerangka kerja dan tolok ukur telah diusulkan. Makalah dari Google DeepMind mengidentifikasi beberapa kategori kerangka kerja AGI, mulai dari Tes Turing, kinerja setara manusia pada tugas kognitif, kemampuan mempelajari tugas baru, hingga pekerjaan yang bernilai secara ekonomis. Tolok ukur fleksibel seperti yang diusulkan Gary Marcus menguji kemampuan AI dalam memahami novel, merangkai kode bebas bug, hingga bekerja di dapur seperti uji menyeduh kopi Steve Wozniak.
Dari sudut pandang arsitektur teknologi, terdapat tiga pendekatan utama untuk mencapai AGI. Pendekatan pertama adalah emulasi otak manusia yang dekat dengan perangkat lunak. Pendekatan kedua mengusulkan arsitektur baru yang berbeda dari LLM, seperti Objective-Driven AI yang mempelajari lingkungan mirip dengan proses belajar hewan. Pendekatan ketiga adalah pendekatan integratif yang menyintesiskan berbagai model spesialis di bawah kendali agen LLM pusat.
Mengenai estimasi waktu kedatangan AGI, pandangan para ahli telah bergeser menjadi semakin cepat dalam beberapa tahun terakhir. Survei terhadap 2.778 peneliti AI oleh Grace et al. memperkirakan peluang 50% bahwa mesin akan mengungguli manusia dalam setiap tugas pada tahun 2047. Perkiraan ini muncul 13 tahun lebih cepat dibandingkan dengan prediksi yang dibuat oleh para pakar sebelum era AI generatif modern.
Kehadiran AGI diprediksi akan membawa dampak yang sangat besar bagi urusan dan tata kehidupan manusia. Dengan fokus pada definisi AGI sebagai kemampuan mengungguli manusia dalam pekerjaan bernilai ekonomis, berbagai sektor industri dan fungsi pekerjaan kognitif berpotensi mengalami otomatisasi. Di sisi lain, AGI dapat mempercepat penemuan ilmiah secara eksponensial, seperti dalam penelitian pengobatan penyakit dan pemecahan masalah sains yang kompleks.
Namun, perkembangan menuju AGI juga membawa risiko keselamatan yang signifikan terkait singularitas teknologi. Ketika sistem AGI mulai digunakan untuk melakukan riset pembuatan AI yang lebih canggih, AI dapat melakukan perbaikan diri secara rekursif hingga berada di luar kendali manusia. Kekhawatiran ini memicu pengunduran diri peneliti AI yang menilai adanya persaingan tidak bertanggung jawab menuju kecerdasan super.
Di balik lompatan kognitif tersebut, hambatan utama di dunia nyata yang menghalangi adopsi massal AGI saat ini adalah ketersediaan energi listrik. Model AGI dan komputasi tingkat lanjut membutuhkan konsumsi daya listrik yang sangat besar, diperkirakan mencapai hingga 100 kali lipat dibandingkan dengan model AI generatif biasa. Keterbatasan pasokan listrik ini menjadi batasan (constraint) fisik utama yang menghambat pergantian tenaga kerja manusia oleh AI secara global.
Masalah pasokan energi ini telah memicu persaingan infrastruktur dan geopolitik antarnegara. Pengembang AI seperti OpenAI telah meminta pemerintah untuk membangun kapasitas listrik baru hingga 100 GW per tahun guna menopang pusat data AI. Sebagai perbandingan, penambahan kapasitas listrik tahunan Amerika Serikat berada pada angka 48,6 GW pada 2024 dan 64 GW pada 2025, sementara Tiongkok mencatatkan penambahan masif sebesar 429 GW pada 2024 dan 543 GW pada 2025.
Pada akhirnya, masa depan transisi dari AI menuju AGI sangat bergantung pada bagaimana manusia mengelola krisis energi dan sumber daya. Meskipun potensi energi terbarukan seperti tenaga surya sangat melimpah di Bumi hingga 173 juta GW setiap detik, keterbatasan teknologi penangkapan energi dan infrastruktur membuat integrasi daya berjalan bertahap. Keseimbangan antara inovasi algoritma, pasokan energi bersih, dan tata kelola keselamatan akan menentukan apakah AGI menjadi mitra akselerasi peradaban atau tantangan eksistensial bagi manusia.[]
Post a Comment