Konsep AI bahkan sudah dikaji jauh sebelum kita lahir. Masa kuliah, kami membayangkan, seperti apa nanti AI dibentuk. Ada expert system dan lain-lain. Kalau kita lihat tulisan lama di blog ini (dan beberapa tulisan berserakku di mana-mana), tentu kita lihat bahwa gagasanku tentang AI sangat berbeda dengan apa yang kini mewujud. Dulu aku bayangkan, AI mungkin dibentuk dari:
- Strange loop. Ini belajar dari Hofstadter bahwa “aku” adalah referensi diri yang terbentuk saat sistem menjadi sangat kompleks sehingga mampu memuat model tentang dirinya sendiri. Dari sini kesadaran muncul.
- Complexity dan emergence-nya. Kesadaran kubayangkan sebagai properti sistem yang terorganisasi jauh dari ekuilibrium. Per Bak menunjukkan bahwa sistem semacam ini akan menyetel dirinya sendiri ke titik kritis tanpa ada yang menyetelnya. Konsep Edge of Chaos dalam teori ini menunjukkan bahwa komputasi yang paling kaya justru terjadi di batas tipis antara keteraturan beku dan kekacauan penuh. Aku pikir, di sana intelijensi seharusnya dicari.
- Cellular automata. Inovasi Wolfram dll yang sempat menunjukkan hasil yang menarik. Aturan lokal yang sangat sederhana, diulang terus-menerus, melahirkan komputasi universal dan kompleksitas yang tak terduga tanpa perancang, tanpa tujuan, tanpa pusat kendali.
Tapi ternyata AI lahir dalam bentuk ML, DL, ANN, Transformer, Foundation Model, dst. AI meraksasa, mencapai skala ekonomi, jadi murah, dan ada di mana-mana, terutama dalam bentuk LLM. Kalau orang awam bilang AI, hampir pasti maksudnya LLM ini. Jadi AI diturunkan bukan dari pendekatan sains, tapi engineering yang pragmatik.
Pendekatan engineering ini berawal dari Alan Turing. Tahun 1950, ia menulis pertanyaan “Dapatkah mesin berpikir?” Tetapi ia menyatakan bahwa kita belum punya definisi yang disepakati, baik untuk “mesin” maupun “berpikir”. Alih-alih, ia mengajukan Imitation Game: perubahan dari pertanyaan ontologis menjadi operasional. Jadi bukan apakah mesin berpikir, tetapi dapatkah mesin menghasilkan hal yang sama dengan yang dilakukan dengan berpikir. Hahh, cerdas tapi menyebalkan. Cerdas karena membuat kemajuan tanpa harus sibuk urusan filsafat selesai. Menyebalkan, karena ia menggeser makna AI, bukan lagi pada kecerdasan, melainkan pada koleksi kemampuan yang berhasil ditiru.
Hingga kini, setiap kali sebuah kemampuan berhasil dikomputerisasi, kemampuan ini tak lagi dianggap kecerdasan, melainkan hasil komputasi. Misalnya: catur, penerjemahan, dan lama-lama makin banyak aktivitas manusia masuk perangkap ini. Ada kalanya kecerdasan didefinisikan sebagai hal yang belum berhasil kita tiru melalui komputasi.

Kembali ke AI via engineering itu. Pedro Domingos dalam The Master Algorithm (2015) menyusun anatomi untuk semua macam teknologi ini. Setiap algoritma pembelajaran, katanya, tersusun atas tiga lapis:
- Representasi: dalam bentuk apa pengetahuan disimpan. Metodenya: aturan logis, jaringan probabilistik, bobot antar neuron, program, atau sekumpulan contoh.
- Evaluasi: bagaimana menilai satu hipotesis lebih baik dari yang lain. Caranya: akurasi, probabilitas posterior, kuadrat kesalahan, fitness, atau lebar margin.
- Optimisasi: bagaimana mencari hipotesis terbaik di ruang yang biasanya jauh terlalu besar untuk disisir satu per satu.
Dari tiga lapis ini, ia menurukan lima mazhab teknologi AI:
| Mazhab | Representasi | Evaluasi | Optimisasi | Contoh algoritma |
|---|---|---|---|---|
| Symbolist | Logika dan aturan | Accuracy | Inverse deduction | Decision tree, rule-based system, ILP |
| Bayesian | Graphical model | Posterior probability | Probabilistic inference | Naive Bayes, Hidden Markov Model, Bayesian network |
| Connectionist | Neural network | Squared error, cross-entropy | Gradient descent | Perceptron, JST/MLP, CNN, RNN, Transformer |
| Evolutionary | Genetic program | Fitness | Genetic search | Genetic algorithm, genetic programming |
| Analogiser | Support vector, instance | Margin | Constrained optimisation | kNN, SVM, kernel method |
Setiap mazhab memiliki akar filosofis yang berbeda. Symbolist berasal dari logika dan linguistik: pengetahuan dianggap dapat direduksi menjadi manipulasi simbol. Bayesian dari statistik: semua pengetahuan dianggap tidak pasti sehingga harus dihitung secara probabilistik. Connectionist dari neurosains: kecerdasan dianggap muncul dari kekuatan keterhubungan antar unit sederhana. Evolutionary berasal dari biologi: mekanisme seleksi alam dimanfaatkan untuk menghasilkan program. Analogiser berasal dari psikologi penalaran: kunci belajar adalah mengenali kemiripan.
LLM? Rangkanya Connectionist, karena dilatih dengan gradient descent. Mekanisme “Attention” yang menjadi cirinya merupakan operasi Analogiser yang dapat diturunkan: setiap token menghitung skor kemiripan terhadap token lain, lalu mengagregasi berdasarkan skor itu. Jadi mirip kNN, namun dilatihnya melalui backpropagation. RLHF-nya membawa gaya Bayesian. Chain-of-thought adalah usaha menempelkan Symbolist di atasnya. Jadi ini agregasi rekayasa yang pragmatik.
Namun tetaplah aku melihat kelima mazhab itu sebagai pendekatan pragmatis atas model berpikir empiris: amati dari luar bagaimana pikiran tampak mengenali pola dan mengambil keputusan, lalu bangun fungsi yang menghasilkan keluaran serupa, dengan cara apa pun yang terbukti bekerja. Memang strateginya seperti itu; tanpa perlu tahu seperti apa sih proses berpikir itu.
Ini juga menjelaskan, kenapa eksplorasi masa laluku (yang di atas sekali itu) belum berhasil: ketiganya tidak punya gradien. Misalnya kita pakai cellular automaton dengan aturan acak. Bagaimana kita melakukan perbaikan sedikit-sedikit terus-menerus seperti berbagai metode rekayasa di atas? Sifat CA itu diskret, dan perubahan kecil menghasilkan perilaku yang berubah sama sekali. Jadi gradien tidak bisa diukur. Idem dengan strange loop: tidak ada permukaan kesalahan yang bisa dirunut, membentuk sistem dari tanpa model diri jadi punya model diri. Komputasi AI jadi sangat sulit untuk model-model semacam ini. Kita bisa bilang bahwa sistem ini berjalan untuk otak manusia. Tapi otak dikembangkan via evolusi biologis miliaran tahun dan paralelisme seukuran planet.
Richard Sutton merangkumnya sebagai bitter lesson: metode yang berhasil dalam jangka panjang adalah metode yang paling banyak menyerap komputasi, bukan yang paling banyak menyerap wawasan manusia tentang cara kerja pikiran.
Yang menarik (buat aku), gagasan-gagasan sains ini sebenarnya belum mati. Mereka sebenarna masih menggali jalan kembali, wkwk.
Contohnya, konsep jaringan Hopfield, yang merupakan pemikiran sistem dinamis murni. Dalam konsep ini, ingatan disimpan dalam bentuk energi minimum. Proses mengingat adalah proses membiarkan sistem meluncur ke attractor terdekat. Ramsauer dan rekan-rekannya (2020) menerbitkan paper Hopfield Networks is All You Need, yang menunjukkan bahwa aturan pembaruan jaringan Hopfield modern dengan sifat kontinu ternyata setara dengan dengan mekanisme attention di algoritma transformer. Jadi transformer yang terkenal saat ini, kalau dilihat dari sisi lain, sebetulnya adalah jaringan attractor dinamis.
Tahun 2020 itu juga, Mordvintsev dan Levin menerbitkan Growing Neural Cellular Automata, dengan mengganti aturan lokal CA yang ditulis manual dengan jaringan saraf kecil yang dilatih backpropagation. Hasilnya CA yang dapat diturunkan, yang tumbuh dari satu sel, dan yang meregenerasi dirinya sendiri ketika dirusak. Jadi, persoalan “CA tidak punya gradien” ternyata dapat mulai diatasi. Jadi, polanya: jalur engineering sebenarya menemukan kembali objek jalur sains, tetapi tentu hanya dalam bentuk yang dapat diturunkan saat itu, incl melalui gradien sebagai gerbang tol.

Tapi tetap ada yang menggangguku. Misalnya kita tetap mengaggap pikiran itu proses alami (yang harus dikenali via sains atau diimitasi via engineering). Tetapi sebenarnya apa sih beda antara pikiran dan mesin? Pikiran, apakah dalam bentuk emergence atau strange loop dll, toh harus tersusun dari materi. Kan? Kan? Kan? Pikiran juga material dan mekanistis. Dan kita belum yakin kita tahu apa itu pikiran. Dan sialnya, di level materinya pun, kita juga tidak tahu materi itu emergent dari apa. Masa complexity berakhir di satu titik kuantum?
Bayangkan dulu. Gravitasi saja konon bukan gaya fundamental, melainkan emergent dari konstruksi ruang/waktu. Ruang/waktu/materi sendiri belum tentu merupakan dasar dari semua ini. Jadi kekeuh di sains, kita tetap belum menemukan dasar juga. Ini bukan cuma lamunan. Daftar diskusinya panjang:
- Anderson (1972) dalam paper More Is Different, memaparkan dasar soalan complexity dan emergence. Argumennya bertahan sampai sekarang: reduksionisme itu benar tetapi tidak berguna, karena pada setiap tingkat kompleksitas muncul keteraturan baru dengan hukumnya sendiri yang secara praktis tidak dapat diturunkan dari tingkat di bawahnya. (Yang rajin lihat presentasiku di IEEE, pasti bosan kucekoki contoh-contoh dari argumen ini).
- Jacobson (1995) dalam paper Thermodynamics of Spacetime, menerapkan relasi termodinamika biasa (panas sama dengan suhu dikali perubahan entropi) pada horison Rindler lokal, yaitu horison kausal yang dilihat pengamat berakselerasi di setiap titik ruang-waktu. Hasilnya sama dengan persamaan medan Einstein. Artinya: persamaan medan Einstein itu emergent dari termodinamika saja, bukan fundamental.
- Verlinde (2011) melanjutkannya dengan entropic gravity, yang mengusulkan gravitasi sebagai gaya entropik yang muncul dari perubahan informasi.
- ‘t Hooft (1993) dan Susskind (1995) merumuskan holographic principle: segala yang terjadi di dalam suatu volume dapat direpresentasikan oleh derajat kebebasan di permukaan yang membatasinya. Maldacena (1997) memberinya realisasi konkret lewat korespondensi AdS/CFT. Ruang tiga dimensi, termasuk gravitasi di dalamnya, ternyata adalah emergent dari kondisi dua dimensi.
- Van Raamsdonk (2010) dalam paper Building up spacetime with quantum entanglement, menunjukkan bahwa geometri ruang-waktu muncul dari korelasi informasional. Jika keterjeratan (wkwk) berkurang, maka jarak merentang. Ryu dan Takayanagi (2006) memberi rumus yang menghubungkan entropi keterjeratan dengan luas permukaan geometris.
- Wheeler (1990) merangkumnya dalam slogan it from bit. Setiap “it”, setiap partikel dan medan dan ruang-waktu itu sendiri, pada akhirnya berasal dari jawaban “ya atau tidak” terhadap pertanyaan yang diajukan lewat pengukuran.
- Zurek melengkapinya dengan quantum darwinism. Dunia yang stabil dan objektif itu bukan realitas asali, melainkan hasil seleksi. Hanya kondisi yang mampu bertahan terhadap interaksi berbagai lingkunganlah yang akan terus bertahan, dan kemudian akan menyebarkan salinan informasi tentang dirinya sehingga banyak pengamat bisa mengaksesnya secara terpisah. Itulah yang kita sebut objektivitas. Wkwk.
- Landauer (1961) menulis dari dari sisi sebaliknya: menghapus satu bit informasi akan melepaskan panas minimal sebesar kT ln 2. Information is physical.
Jadi Landauer bilang informasi itu fisik; tapi lainnya justru bilang fisika (materi, energi, dimensi) itu informasional. Hasilnya adalah lingkaran, loop, di lapisan ontologi. Ladyman dan French menyebut materi sebagai ontic structural realism. Artinya, yang fundamental bukanlah benda, melainkan struktur dan relasi. Ini tetap ilmu fisika, tapi dipaparkan dalam bentuk berbeda.
Nah, kembali ke soalan semula. Soalan intelijensi. Mari berpikir tentang berpikir.
Berpikir. Rumusan yang kuat datang dari teori informasi algoritmik Solomonoff dan Kolmogorov. Dalam rumusan ini, kompleksitas sebuah objek diukur dari panjang program terpendek yang bisa menghasilkannya. Artinya: berpikir sebenarnya adalah proses kompresi pengalaman. Memahami sesuatu berarti menemukan aturan yang lebih pendek daripada kejadian yang dialami. Semua formula fisika seharusnya lebih pendek daripada semua fenomena alami yang diukur, sehingga disebut sebagai pemahaman atas alam, dan bukan sekadar catatan. Ini berlaku baik untuk otak karbon maupun otak silikon, dan menjelaskan kenapa (dalam AI) prediksi token berikutnya yang kelihatannya sepele ternyata menghasilkan kemampuan yang luas. Prediksi yang baik menuntut kompresi yang baik, dan kompresi yang baik memaksa penemuan struktur.
Tetapi rumusan ini terkendala tiga hal:
- Berpikir itu tidak bisa optimal. Induksi Solomonoff tidak dapat dihitung. Kita punya definisi matematis yang tepat tentang penalaran ideal, dan definisi itu memberitahu bahwa penalaran ideal tidak bisa dijalankan oleh apa pun di dunia fisik. Setiap pemikir nyata, otak maupun model, adalah pendekatan kasar yang isinya proses tebak-tebakan.
- Berpikir itu tidak bisa universal. Teorema No Free Lunch dari Wolpert dan Macready menunjukkan bahwa jika semua permasalahan dirata-ratakan (yang memungkinkan), maka semua algoritma pembelajaran akan berkinerja sama. Keunggulan sebuah learner tidak datang dari dirinya sendiri, melainkan dari kecocokan antara asumsi bawaannya dengan struktur dunia tempat ia dijalankan. Artinya kecerdasan bukan sifat alami sebuah sistem, melainkan relasi antara sistem dan lingkungannya. Ashby sudah merumuskan bentuk kuantitatifnya pada 1956 lewat law of requisite variety: hanya variasi yang dapat menyerap variasi. Ini juga menjelaskan perlunya ada lima mazhab di atas. Kalau tidak ada learner yang unggul universal, maka lima mazhab itu perlu ada sebagai pertaruhan berbagai pandangan atas struktur dunia, bukan lima tingkat kecanggihan.
- Berpikir memerlukan biaya. Landauer lagi. Berpikir dibayar dengan ongkos termodinamika. Otak manusia membayarnya sekitar dua puluh watt. Sistem AI modern membayarnya dengan besaran beberapa orde lebih besar.
Kecerdasan. Dari sini definisi Chollet dalam On the Measure of Intelligence (2019) menjadi masuk akal. Kecerdasan bukanlah kumpulan kapabilitas yang dimiliki, melainkan efisiensi memperoleh kapabilitas baru. Ini dapat dihitung relatif terhadap kapabilitas awal plus pengalaman baru yang dipapari. Jadi, sistem AI yang dapat menjalankan sejuta tugas setelah membaca keseluruhan Internet mungkin memang cerdas, tapi cerdas yang biasa saja. Nah, AI itu apa? AI adalah usaha merealisasikan proses itu pada substrat non-biologis.
| Istilah | Rumusan |
|---|---|
| Berpikir | Proses kompresi atas pengalaman, yang secara prinsip tidak pernah bisa optimal |
| Kecerdasan | Efisiensi proses kompresi, relatif terhadap pengalaman dan pengetahuan awal. |
| AI | Usaha merealisasikan proses itu pada substrat non-biologis |
Demikianlah perjalanan panjang ini, mencari definisi AI, dan malah harus mendefinisikan pikiran dan kecerdasan. Informasi itu fisik, dan fisika itu informasional. Pikiran mengompresi dunia, dan dunia mungkin sudah berupa kompresi. Ini bukan penyelesaian. Ini lingkaran. Loop. Mengingatkan kembali ke Hofstadter. Loop ini adalah bentuk yang seharusnya muncul ketika sebuah sistem berusaha memodelkan hal yang menyusun dirinya sendiri.
Mari terus berpikir. Berpikir selalu menyenangkan. Termasuk berpikir tentang berpikir. Haha. Wkwk. Hush.






























