Masa Depan Pembelajaran AI: Meniru Otak untuk Efisiensi
Sebuah pendekatan pembelajaran Artificial Intelligence (AI) yang terinspirasi dari cara kerja otak manusia dalam memodelkan dan memahami dunia telah menunjukkan kemampuan luar biasa dalam menguasai beberapa video game sederhana dengan efisiensi yang mengesankan. Sistem baru ini, dinamakan Axiom, menawarkan alternatif dari artificial neural networks yang mendominasi AI modern, khususnya dalam ranah Deep Learning.
Axiom, yang dikembangkan oleh perusahaan software bernama Verses AI, dilengkapi dengan pengetahuan awal (prior knowledge) tentang bagaimana objek berinteraksi secara fisik dalam dunia game. Kemudian, sistem ini menggunakan sebuah algorithm untuk memodelkan bagaimana ia memperkirakan game akan bereaksi terhadap input yang diberikan. Model ini terus diperbarui berdasarkan apa yang diamati oleh sistem, sebuah proses yang disebut active inference.
Memahami Active Inference dan Free Energy Principle
Pendekatan active inference ini mengambil inspirasi dari free energy principle, sebuah teori yang berusaha menjelaskan kecerdasan menggunakan prinsip-prinsip dari matematika, fisika, teori informasi, dan juga biologi. Free energy principle dikembangkan oleh Karl Friston, seorang ahli neurosains ternama yang kini menjabat sebagai chief scientist di perusahaan “cognitive computing” Verses.
Friston menjelaskan bahwa pendekatan ini sangat penting untuk membangun AI agents. “Mereka harus mendukung jenis kognisi yang kita lihat pada otak nyata,” katanya. “Itu membutuhkan pertimbangan, tidak hanya kemampuan untuk mempelajari sesuatu, tetapi juga benar-benar belajar bagaimana Anda bertindak di dunia.” Konsep belajar melalui interaksi dan pemodelan dunia ini berbeda signifikan dengan metode AI konvensional.
Kontras dengan Deep Reinforcement Learning Konvensional
Pendekatan konvensional untuk belajar bermain game melibatkan pelatihan neural networks melalui apa yang dikenal sebagai deep reinforcement learning. Metode ini melibatkan eksperimen dan penyesuaian parameter berdasarkan umpan balik positif atau negatif. Meskipun pendekatan ini dapat menghasilkan algorithm yang melampaui kemampuan manusia dalam bermain game, ia membutuhkan jumlah eksperimen dan daya komputasi yang sangat besar.
Sebaliknya, Axiom berhasil menguasai berbagai versi sederhana dari video game populer seperti drive, bounce, hunt, dan jump dengan menggunakan contoh yang jauh lebih sedikit dan daya komputasi yang lebih rendah. Efisiensi ini menjadi poin kunci yang membedakan Axiom dari pendekatan Deep Learning yang haus data.
Implikasi dan Signifikansi untuk Masa Depan AI
François Chollet, seorang peneliti AI yang mengembangkan ARC-3 (sebuah benchmark untuk menguji kemampuan algorithm AI modern), melihat potensi besar dalam pendekatan Axiom. “Tujuan umum dari pendekatan ini dan beberapa fitur utamanya sejalan dengan apa yang saya lihat sebagai masalah paling penting untuk difokuskan agar mencapai AGI (Artificial General Intelligence),” ujar Chollet.
Chollet sendiri juga sedang mengeksplorasi pendekatan baru dalam machine learning dan menggunakan benchmark ARC-3 untuk menguji kemampuan model dalam memecahkan masalah yang tidak familiar, bukan hanya meniru contoh sebelumnya. “Pekerjaan ini sangat orisinal, dan itu bagus,” katanya. “Kita butuh lebih banyak orang yang mencoba ide-ide baru di luar jalur umum large language models dan reasoning language models.” Axiom, secara teori, menjanjikan pendekatan yang lebih efisien untuk membangun AI dari nol, terutama untuk agents yang perlu belajar secara efisien dari pengalaman.
Potensi Aplikasi untuk Bisnis di Indonesia
Meskipun Axiom masih dalam tahap pengembangan, prinsip di baliknya—belajar efisien dengan memodelkan dunia—memiliki relevansi besar untuk bisnis di Indonesia. Di berbagai sektor seperti manufaktur, konstruksi, hingga smart city, AI perlu berinteraksi dengan lingkungan fisik yang kompleks dan dinamis.
Bayangkan monitoring alat berat di lokasi tambang atau konstruksi. Sistem AI yang dapat memodelkan perilaku normal alat dan mendeteksi anomali berdasarkan pemahaman “dunia” fisik di sekitarnya akan jauh lebih efektif daripada sistem yang hanya dilatih dengan data kerusakan historis. Atau dalam sistem parkir pintar, AI yang bisa memprediksi pola lalu lintas berdasarkan pemahaman spasial area parkir dapat mengoptimalkan alur kendaraan secara real-time. Efisiensi dalam pembelajaran dan adaptasi ini krusial untuk implementasi AI yang skalabel dan efektif di lapangan.
Bagaimana ARSA Technology Dapat Membantu?
Di ARSA Technology, kami memahami pentingnya AI yang tidak hanya cerdas, tetapi juga efisien dan relevan dengan kondisi dunia nyata di Indonesia. Sebagai perusahaan teknologi lokal yang berpengalaman sejak 2018, kami terus berinvestasi dalam riset dan pengembangan untuk menghadirkan solusi AI dan IoT terdepan.
Solusi kami seperti analitik video AI real-time dan otomasi industri berbasis IoT dirancang untuk berinteraksi langsung dengan lingkungan fisik, mengumpulkan data, dan memberikan insight yang dapat ditindaklanjuti. Kami fokus pada penerapan AI yang praktis, presisi, dan adaptif untuk menjawab tantangan spesifik industri di Indonesia, mulai dari peningkatan keamanan hingga optimasi operasional. Kami siap membantu bisnis Anda mengimplementasikan teknologi AI yang cerdas dan efisien.
Kesimpulan
Pendekatan AI seperti Axiom yang meniru cara otak manusia belajar tentang dunia menawarkan potensi besar untuk mengatasi keterbatasan metode Deep Learning konvensional, terutama dalam hal efisiensi data dan komputasi. Kemampuan AI untuk memodelkan dan berinteraksi secara cerdas dengan lingkungan fisik sangat penting untuk aplikasi dunia nyata, mulai dari otomatisasi industri hingga smart city. Inovasi ini membuka jalan bagi AI agents yang lebih adaptif dan mampu belajar lebih cepat di lingkungan yang kompleks.
Konsultasikan kebutuhan AI Anda dengan tim ARSA Technology melalui kontak kami.
