Mewujudkan Penalaran AI yang Mirip Manusia: Integrasi Keyakinan dan Pembelajaran Penguatan dalam Model VLM

      Kecerdasan Buatan (AI) terus berkembang, berupaya tidak hanya melakukan tugas, tetapi juga memahami dan berinteraksi dengan dunia seperti halnya manusia. Salah satu tantangan terbesar adalah mengembangkan model AI yang dapat bernalar dalam lingkungan yang tidak pasti dan dinamis, mirip dengan bagaimana manusia memperbarui keyakinan mereka tentang niat orang lain seiring waktu. Sebuah studi terbaru dari Anshul Nayak, Shahil Shaik, dan Yue Wang, dengan judul "Belief-Aware VLM Model for Human-like Reasoning" (tersedia di arXiv:2604.09686), menyajikan kerangka kerja inovatif untuk mencapai penalaran AI yang lebih adaptif dan mirip manusia.

Keterbatasan Model AI Konvensional dalam Penalaran

      Sistem robotik yang beroperasi di lingkungan yang berpusat pada manusia harus mampu bernalar di bawah ketidakpastian, mengantisipasi tindakan di masa depan, dan beradaptasi dengan konteks yang sebagian dapat diamati serta terus berkembang. Kerangka kerja klasik seperti Markov Decision Processes (MDPs) dan Partially Observable MDPs (POMDPs) secara eksplisit memodelkan status laten dan pembaruan keyakinan, memungkinkan penalaran yang terstruktur di bawah ketidakpastian. Konsep-konsep ini juga telah menginspirasi model kognitif penalaran manusia, di mana agen mempertahankan dan memperbarui keyakinan tentang niat orang lain untuk memandu pengambilan keputusan.

      Namun, model kognitif dan probabilistik tradisional sering kali bergantung pada representasi yang dibuat secara manual dan asumsi yang menyederhanakan, sehingga membatasi skalabilitas dalam pengaturan multimodal berdimensi tinggi. Di sisi lain, pendekatan deep learning modern unggul dalam persepsi, tetapi seringkali kurang memiliki mekanisme eksplisit untuk penalaran terstruktur dan pemodelan keyakinan. Akibatnya, metode yang ada cenderung bergantung pada keadaan yang dapat diamati, kesulitan dengan penalaran jangka panjang, dan memiliki kemampuan generalisasi yang buruk dalam skenario multi-agen yang kompleks.

Membangun Penalaran Layaknya Manusia: Konsep "Belief-Aware VLM"

      Model Vision-Language Model (VLM) telah muncul sebagai sistem penalaran multimodal yang kuat, mengintegrasikan persepsi visual dengan pemahaman semantik. VLM dilatih pada data berskala besar, memungkinkan generalisasi zero-shot dan few-shot yang kuat, serta dapat menyimpulkan konteks tingkat tinggi, hubungan, dan tujuan implisit dari observasi mentah. Hal ini menjadikan VLM sangat cocok untuk memodelkan perilaku dan niat manusia.

      Namun, penerapan VLM secara langsung dalam mode zero-shot tidak cukup untuk memodelkan pengambilan keputusan manusia yang nuansanya kompleks dalam pengaturan interaktif. Perilaku dan pengambilan keputusan manusia secara inheren didorong oleh keyakinan; individu terus-menerus memperbarui keyakinan mereka tentang agen lain berdasarkan observasi dan menggunakan keyakinan ini untuk memandu tindakan mereka. Pekerjaan sebelumnya dalam ilmu kognitif dan robotika telah menunjukkan pentingnya pemodelan keyakinan semacam itu untuk tugas-tugas termasuk inferensi niat, teori pikiran, dan perencanaan kolaboratif. Namun, pendekatan berbasis VLM yang ada sebagian besar mengabaikan aspek ini, memperlakukan penalaran sebagai pemetaan statis dari observasi ke tindakan tanpa secara eksplisit memodelkan dinamika keyakinan yang mendasarinya untuk mencapai penalaran mirip manusia.

Mekanisme Inti: Memori Berbasis Vektor dan Pembelajaran Penguatan

      Untuk mengatasi keterbatasan ini, penelitian ini mengusulkan Vision-Language Model (VLM) yang "sadar keyakinan" (belief-aware) yang mengintegrasikan keyakinan ke dalam penalaran multimodal. Pendekatan ini memodelkan pengambilan keputusan sebagai proses yang dikondisikan oleh keyakinan, di mana tindakan bergantung pada observasi saat ini dan konteks sebelumnya. Alih-alih mempelajari model keyakinan parametrik eksplisit, para peneliti membangun memori berbasis vektor dari embedding multimodal masa lalu. Memori ini mengambil K konteks yang paling relevan berdasarkan kesamaan untuk mendekati keyakinan.

      Formulasi berbasis pengambilan ini memungkinkan penalaran yang sadar konteks tanpa secara eksplisit memodelkan dinamika keyakinan. Mekanisme keyakinan memberikan landasan kontekstual sebelumnya, memungkinkan VLM untuk membentuk representasi yang lebih kaya tentang lingkungan dan niat agen. Namun, VLM saja mungkin kekurangan konsistensi dan perilaku yang berorientasi pada tujuan. Untuk mengatasi hal ini, model disempurnakan menggunakan kebijakan reinforcement learning (RL) yang mengoptimalkan pemilihan tindakan melalui hadiah khusus tugas. Dalam kerangka kerja ini, keyakinan meningkatkan penalaran, sementara RL memastikan keselarasan dengan tujuan tugas.

Implikasi Praktis dan Penerapan di Dunia Nyata

      Kerangka kerja Belief-Aware VLM ini memiliki implikasi besar untuk berbagai aplikasi dunia nyata. Dalam konteks keamanan dan pengawasan, sistem seperti ARSA AI Video Analytics dapat ditingkatkan untuk tidak hanya mendeteksi peristiwa, tetapi juga memahami niat di balik perilaku. Misalnya, dalam pemantauan area terbatas, AI dapat membedakan antara karyawan yang tidak sengaja memasuki zona terlarang dan seseorang dengan niat jahat, berdasarkan urutan tindakan, konteks historis, dan pembaruan keyakinan berkelanjutan.

      Dalam industri manufaktur dan konstruksi, pemantauan kepatuhan Alat Pelindung Diri (APD) dapat melampaui deteksi sederhana menjadi pemahaman mengapa seorang pekerja tidak memakai APD dalam konteks tertentu, dan memprediksi risiko potensial dengan akurasi yang lebih tinggi. Ini dapat mengurangi kecelakaan kerja dan meningkatkan efisiensi operasional secara signifikan. Model AI Box dari ARSA Technology, seperti AI BOX - Basic Safety Guard, dapat memperoleh manfaat dari kemampuan penalaran semacam itu untuk memberikan peringatan yang lebih cerdas dan adaptif di lapangan.

      Untuk kota cerdas dan manajemen lalu lintas, penalaran yang sadar keyakinan dapat memungkinkan sistem untuk tidak hanya menghitung kendaraan, tetapi juga memahami pola perilaku pengemudi dan pejalan kaki, memprediksi potensi kemacetan atau insiden berdasarkan niat yang disimpulkan. Ini mengarah pada manajemen lalu lintas yang lebih proaktif dan responsif, jauh melampaui analisis data observasional sederhana. ARSA sendiri menyediakan Smart Parking System dan Traffic Monitoring yang bisa memanfaatkan teknologi ini.

Masa Depan AI: Menuju Interaksi yang Lebih Cerdas dan Adaptif

      Pengujian pendekatan ini pada dataset VQA (Video Question Answering) publik seperti HD-EPIC menunjukkan peningkatan kinerja yang konsisten dibandingkan baseline zero-shot, menyoroti pentingnya penalaran yang sadar keyakinan. Ini menandai langkah penting menuju AI yang tidak hanya bereaksi terhadap lingkungan, tetapi juga memahaminya secara mendalam, termasuk niat agen di dalamnya.

      VLM yang sadar keyakinan, ditambah dengan pembelajaran penguatan, membuka jalan bagi sistem AI yang lebih tangguh, adaptif, dan mirip manusia. Seiring dengan terus berkembangnya bidang ini, integrasi penalaran yang didorong oleh keyakinan akan menjadi krusial untuk menciptakan AI yang dapat berinteraksi secara mulus dan cerdas dalam kehidupan kita sehari-hari, dari rumah pintar hingga otomatisasi industri yang kompleks. Dengan pengalaman kami sejak tahun 2018 dalam mengembangkan solusi AI & IoT yang praktis dan terbukti, ARSA Technology berkomitmen untuk mengintegrasikan inovasi semacam ini ke dalam solusi masa depan untuk pelanggan kami di berbagai industri.

      Tertarik untuk memahami bagaimana solusi AI canggih dapat mentransformasi operasi Anda? Jangan ragu untuk contact ARSA.

      Source: Nayak, A., Shaik, S., & Wang, Y. (2026). Belief-Aware VLM Model for Human-like Reasoning. arXiv preprint arXiv:2604.09686.