Pandangan umum, dan berulang, dari terobosan terbaru dalam penelitian kecerdasan buatan adalah bahwa mesin yang hidup dan cerdas hanya di cakrawala. Mesin memahami perintah verbal, membedakan gambar, mengendarai mobil dan bermain game lebih baik dari kita. Berapa lama lagi sebelum mereka berjalan di antara kita?
Laporan Gedung Putih baru tentang kecerdasan buatan mengambil pandangan skeptis yang tepat dari mimpi itu. Dikatakan bahwa 20 tahun ke depan kemungkinan tidak akan melihat mesin "menunjukkan kecerdasan yang dapat diterapkan secara luas sebanding dengan atau melebihi manusia," meskipun itu terus mengatakan bahwa di tahun-tahun mendatang, "mesin akan mencapai dan melampaui kinerja manusia pada lebih banyak dan lebih banyak tugas. " Tetapi asumsi tentang bagaimana kemampuan itu akan berkembang melewatkan beberapa poin penting.
Sebagai seorang peneliti AI, saya akui itu baik untuk memiliki bidang saya sendiri disorot di tingkat tertinggi pemerintah Amerika, tetapi laporan itu berfokus hampir secara eksklusif pada apa yang saya sebut "AI yang membosankan." Ini menghilangkan setengah kalimat cabang penelitian AI saya, tentang bagaimana evolusi dapat membantu mengembangkan sistem AI yang terus meningkat, dan bagaimana model komputasi dapat membantu kita memahami bagaimana kecerdasan manusia berkembang.
Laporan ini berfokus pada apa yang bisa disebut alat AI umum: pembelajaran mesin dan pembelajaran mendalam. Ini adalah jenis-jenis teknologi yang dapat memainkan "Jeopardy!" baik, dan kalahkan master manusia Go di game paling rumit yang pernah ditemukan. Sistem cerdas saat ini mampu menangani sejumlah besar data dan membuat perhitungan yang rumit dengan sangat cepat. Tetapi mereka tidak memiliki elemen yang akan menjadi kunci untuk membangun mesin hidup yang kita bayangkan di masa depan.
Kita perlu melakukan lebih dari sekadar mengajarkan mesin untuk belajar. Kita perlu mengatasi batasan yang mendefinisikan empat jenis kecerdasan buatan, hambatan yang memisahkan mesin dari kita - dan kita dari mereka.
Tipe I AI: Mesin reaktif
Jenis paling dasar dari sistem AI adalah murni reaktif, dan tidak memiliki kemampuan untuk membentuk ingatan atau untuk menggunakan pengalaman masa lalu untuk menginformasikan keputusan saat ini. Deep Blue, superkomputer bermain catur IBM, yang mengalahkan grandmaster internasional Garry Kasparov pada akhir 1990-an, adalah contoh sempurna dari jenis mesin ini.
Deep Blue dapat mengidentifikasi potongan-potongan di papan catur dan tahu bagaimana masing-masing bergerak. Itu bisa membuat prediksi tentang apa langkah selanjutnya untuknya dan lawannya. Dan itu dapat memilih langkah paling optimal dari antara kemungkinan.
Tetapi tidak memiliki konsep masa lalu, atau ingatan tentang apa yang telah terjadi sebelumnya. Terlepas dari aturan catur khusus yang jarang digunakan untuk mengulangi gerakan yang sama tiga kali, Deep Blue mengabaikan semuanya sebelum saat ini. Yang dilakukannya hanyalah melihat potongan-potongan di papan catur seperti yang ada sekarang, dan pilih dari kemungkinan langkah selanjutnya.
Jenis kecerdasan ini melibatkan komputer yang memandang dunia secara langsung dan bertindak berdasarkan apa yang dilihatnya. Itu tidak bergantung pada konsep internal dunia. Dalam makalah seminal, peneliti AI Rodney Brooks berpendapat bahwa kita seharusnya hanya membangun mesin seperti ini. Alasan utamanya adalah bahwa orang tidak pandai pemrograman dunia simulasi yang akurat untuk digunakan komputer, yang disebut dalam beasiswa AI sebagai "representasi" dunia.
Mesin cerdas yang kita kagumi saat ini tidak memiliki konsep dunia seperti itu, atau memiliki yang sangat terbatas dan terspesialisasi untuk tugas-tugas khususnya. Inovasi dalam desain Deep Blue bukanlah untuk memperluas jangkauan film yang mungkin dipertimbangkan komputer. Sebaliknya, para pengembang menemukan cara untuk mempersempit pandangannya, untuk berhenti mengejar beberapa potensi pergerakan di masa depan, berdasarkan pada bagaimana ia menilai hasil mereka. Tanpa kemampuan ini, Deep Blue harus menjadi komputer yang bahkan lebih kuat untuk benar-benar mengalahkan Kasparov.
Demikian pula, Google AlphaGo, yang telah mengalahkan para ahli Go manusia, tidak dapat mengevaluasi semua potensi pergerakan di masa depan. Metode analisisnya lebih canggih daripada Deep Blue, menggunakan jaringan saraf untuk mengevaluasi perkembangan game.
Metode-metode ini memang meningkatkan kemampuan sistem AI untuk memainkan game tertentu dengan lebih baik, tetapi mereka tidak dapat dengan mudah diubah atau diterapkan pada situasi lain. Imajinasi yang terkomputerisasi ini tidak memiliki konsep dunia yang lebih luas - artinya mereka tidak dapat berfungsi di luar tugas-tugas spesifik yang ditugaskan dan mudah tertipu.
Mereka tidak dapat berpartisipasi secara interaktif di dunia, seperti yang kita bayangkan sistem AI suatu hari nanti. Sebaliknya, mesin-mesin ini akan berperilaku dengan cara yang persis sama setiap kali mereka menghadapi situasi yang sama. Ini bisa sangat baik untuk memastikan sistem AI dapat dipercaya: Anda ingin mobil otonom Anda menjadi pengemudi yang andal. Tapi itu buruk jika kita ingin mesin benar-benar terlibat, dan merespons, dunia. Sistem AI paling sederhana ini tidak akan pernah bosan, atau tertarik, atau sedih.
Tipe II AI: Memori terbatas
Kelas tipe II ini berisi mesin yang bisa melihat ke masa lalu. Mobil self-driving sudah melakukan ini. Misalnya, mereka mengamati kecepatan dan arah mobil lain. Itu tidak dapat dilakukan hanya dalam satu saat, tetapi membutuhkan identifikasi objek tertentu dan memantau mereka dari waktu ke waktu.
Pengamatan ini ditambahkan ke representasi terprogram mobil self-driving dari dunia, yang juga termasuk tanda jalur, lampu lalu lintas dan elemen penting lainnya, seperti kurva di jalan. Mereka termasuk ketika mobil memutuskan kapan harus berganti jalur, untuk menghindari memotong pengemudi lain atau ditabrak mobil di dekatnya.
Tetapi informasi sederhana tentang masa lalu ini hanya bersifat sementara. Mereka tidak disimpan sebagai bagian dari perpustakaan pengalaman mobil yang bisa dipelajari, cara pengemudi manusia menyusun pengalaman selama bertahun-tahun di belakang kemudi.
Jadi bagaimana kita bisa membangun sistem AI yang membangun representasi penuh, mengingat pengalaman mereka dan belajar bagaimana menangani situasi baru? Brooks benar karena sangat sulit untuk melakukan ini. Penelitian saya sendiri tentang metode yang diilhami oleh evolusi Darwin dapat mulai menebus kekurangan manusia dengan membiarkan mesin membangun representasi mereka sendiri.
Tipe III AI: Teori Pikiran
Kita mungkin berhenti di sini, dan menyebut titik ini kesenjangan penting antara mesin yang kita miliki dan mesin yang akan kita bangun di masa depan. Namun, lebih baik untuk lebih spesifik untuk mendiskusikan jenis-jenis mesin representasi yang perlu dibentuk, dan apa yang perlu mereka ketahui.
Mesin di kelas selanjutnya, yang lebih maju, tidak hanya membentuk representasi tentang dunia, tetapi juga tentang agen atau entitas lain di dunia. Dalam psikologi, ini disebut "teori pikiran" - pemahaman bahwa orang, makhluk, dan benda di dunia dapat memiliki pikiran dan emosi yang memengaruhi perilaku mereka sendiri.
Ini sangat penting untuk bagaimana kita manusia membentuk masyarakat, karena mereka memungkinkan kita untuk melakukan interaksi sosial. Tanpa memahami motif dan niat masing-masing, dan tanpa memperhitungkan apa yang diketahui orang lain tentang saya atau lingkungan, bekerja bersama adalah yang paling sulit, paling tidak mungkin.
Jika sistem AI memang pernah berjalan di antara kita, mereka harus dapat memahami bahwa kita masing-masing memiliki pemikiran dan perasaan serta harapan tentang bagaimana kita akan diperlakukan. Dan mereka harus menyesuaikan perilaku mereka.
Tipe IV AI: Kesadaran diri
Langkah terakhir pengembangan AI adalah membangun sistem yang dapat membentuk representasi tentang diri mereka sendiri. Pada akhirnya, kami para peneliti AI tidak hanya harus memahami kesadaran, tetapi juga membangun mesin yang memilikinya.
Ini, dalam arti tertentu, merupakan perluasan dari "teori pikiran" yang dimiliki oleh kecerdasan buatan Tipe III. Kesadaran juga disebut "kesadaran diri" karena suatu alasan. ("Aku ingin barang itu" adalah pernyataan yang sangat berbeda dari "Aku tahu aku menginginkan barang itu.") Makhluk sadar sadar akan dirinya sendiri, tahu tentang keadaan internal mereka, dan mampu memprediksi perasaan orang lain. Kita menganggap seseorang membunyikan klakson di belakang kita dalam kemacetan atau tidak sabar, karena itulah yang kita rasakan ketika kita membunyikan klakson pada orang lain. Tanpa teori pikiran, kita tidak bisa membuat kesimpulan semacam itu.
Sementara kita mungkin jauh dari menciptakan mesin yang sadar diri, kita harus memfokuskan upaya kita menuju pemahaman memori, pembelajaran dan kemampuan untuk mendasarkan keputusan pada pengalaman masa lalu. Ini adalah langkah penting untuk memahami kecerdasan manusia sendiri. Dan sangat penting jika kita ingin merancang atau mengembangkan mesin yang lebih dari sekadar luar biasa dalam mengklasifikasikan apa yang mereka lihat di depan mereka.
Arend Hintze, Asisten Profesor Biologi Integratif & Ilmu Komputer dan Teknik, Universitas Negeri Michigan
