Kecerdasan buatan 📖 Wikipedia

Kecerdasan buatan, juga disebut kecerdasan artifisial^[1] (bahasa Inggris: artificial intelligence, AIcode: en is deprecated ), adalah kecerdasan yang ditunjukkan oleh mesin, yang kontras dengan kecerdasan alami yang ditunjukkan oleh manusia dan hewan.

Aplikasi AI yang populer meliputi mesin pencari web canggih (seperti Google Search), sistem rekomendasi (digunakan oleh YouTube, Netflix, dan Amazon), memahami bahasa manusia (seperti Siri dan Alexa), kendaraan otonom (seperti Tesla), alat kreatif (seperti ChatGPT dan Midjourney), serta permainan strategi tingkat tinggi (seperti catur dan Go).

Objek buatan dengan kecerdasan telah muncul sebagai perangkat sastra sejak zaman kuno, dan umum dalam fiksi ilmiah. Studi formal mengenai AI dimulai pada pertengahan abad ke-20.

Pada abad ke-19 dan ke-20, logika formal dikembangkan secara intensif melalui karya Bertrand Russell dan Alfred North Whitehead dalam Principia Mathematica. Pada tahun 1943, Warren McCulloch dan Walter Pitts menerbitkan fondasi pertama untuk jaringan saraf tiruan. Alan Turing kemudian memperkenalkan Uji Turing pada tahun 1950 melalui makalahnya "Computing Machinery and Intelligence" sebagai cara untuk menguji kemampuan mesin dalam menunjukkan perilaku cerdas.

Konferensi Dartmouth tahun 1956 secara luas dianggap sebagai momen kelahiran AI sebagai bidang akademis yang mandiri. Tokoh-tokoh seperti John McCarthy, Marvin Minsky, Allen Newell, dan Herbert A. Simon memimpin penelitian awal ini dengan optimisme tinggi. Program pada masa ini, seperti *General Problem Solver*, mampu menyelesaikan pembuktian teorema aljabar. Pemerintah AS melalui DARPA menggelontorkan dana besar karena optimisme bahwa kecerdasan buatan setingkat manusia akan tercipta dalam kurun satu generasi.

Pada tahun 1970-an, AI menghadapi kritik keras (seperti Lighthill Report di Inggris) karena keterbatasan komputer dalam menangani "ledakan kombinatorial". Hal ini memicu Musim Dingin AI Pertama (1974–1980), di mana pendanaan dihentikan.

Pada tahun 1980-an, AI bangkit kembali lewat komersialisasi "Sistem Pakar" (Expert Systems) dan program Generasi Kelima dari Jepang. Namun, runtuhnya pasar komputer khusus berbasis Lisp pada akhir 1980-an memicu Musim Dingin AI Kedua (1987–1993).

Dimulai pada akhir dekade 1990-an, AI bangkit kembali berkat hukum Moore, ketersediaan data besar (big data), dan peningkatan daya komputasi. Pada tahun 1997, komputer Deep Blue milik IBM mengalahkan Garry Kasparov.

Pada tahun 2012, penggunaan pembelajaran mendalam (deep learning) berbasis kartu grafis (GPU) berhasil memenangkan kompetisi pengenalan gambar ImageNet dengan selisih besar, menandai dimulainya revolusi AI modern. Pada dekade 2020-an, arsitektur Transformer melahirkan era AI generatif yang mampu memproduksi teks dan media menyerupai buatan manusia.

Tujuan umum penelitian AI adalah menciptakan teknologi yang memungkinkan komputer fungsi secara cerdas. Masalah utama yang coba dipecahkan meliputi beberapa kemampuan spesifik:

Peneliti awal mengembangkan algoritme yang meniru penalaran langkah-demi-langkah manusia. AI modern menangani masalah kompleks menggunakan metode probabilistik dan algoritme pencarian (seperti algoritme pencarian grafik pohon atau metode Monte Carlo) untuk menemukan solusi optimal di bawah ketidakpastian informasi.

Representasi pengetahuan melibatkan cara mesin menyimpan informasi formal tentang dunia. Yang direpresentasikan meliputi objek, properti, kategori, hubungan antar-objek, situasi, peristiwa, dan waktu. Ontologi formal digunakan untuk menyusun pengetahuan ini agar dapat dibaca oleh mesin secara universal.

Agen cerdas harus mampu menetapkan tujuan dan mencapainya secara otonom. Mereka membutuhkan kemampuan untuk memvisualisasikan masa depan—representasi dari keadaan dunia saat ini dan prediksi tentang bagaimana tindakan mereka akan mengubah dunia tersebut dari waktu ke waktu.

Pembelajaran mesin adalah konsep inti di mana algoritme meningkatkan kinerjanya secara otomatis melalui pengalaman data:

• Pembelajaran terbimbing (Supervised learning): Agen menerima data masukan beserta label target yang benar (misalnya, klasifikasi gambar).
• Pembelajaran tak terbimbing (Unsupervised learning): Agen mencari pola tersembunyi dari data tanpa label (misalnya, pengelompokan konsumen).
• Pembelajaran penguatan (Reinforcement learning): Agen belajar berinteraksi dengan lingkungan dinamis melalui sistem imbalan (reward) dan hukuman (penalty).

Pemrosesan bahasa alami (NLP) memungkinkan mesin membaca, memahami, menerjemahkan, dan memproduksi bahasa manusia. Model bahasa modern menggunakan arsitektur statistik berskala besar untuk menangani sintaksis dan semantik teks.

Persepsi mesin adalah kemampuan untuk menafsirkan masukan sensorik (kamera, mikrofon, sonar, lidar) untuk memetakan dunia luar. Bidang utamanya meliputi visi komputer yang menganalisis gambar medis, video pengawasan, hingga navigasi robotik.

AI dalam robotika menangani masalah penanganan objek secara fisik, lokomasi (pergerakan), serta navigasi di lingkungan nyata yang tidak teratur, menggunakan integrasi sensorik-motorik yang cepat.

Sebuah sistem dengan kecerdasan umum buatan (AGI) akan mampu memecahkan masalah apa pun dengan tingkat fleksibilitas yang mirip atau melampaui kecerdasan manusia. Hingga kini, industri masih didominasi "AI sempit" (Narrow AI), yang dirancang khusus untuk satu tugas spesifik.

Mendominasi penelitian dari tahun 1950-an hingga 1980-an. Pendekatan ini memanipulasi simbol-simbol abstrak tingkat tinggi berdasarkan aturan logika formal manusia.

• Sistem Pakar: Menggunakan mesin inferensi untuk memproses basis pengetahuan yang dirancang oleh pakar manusia untuk menghasilkan keputusan.

Koneksionisme memodelkan kecerdasan menggunakan jaringan unit-unit sederhana yang terhubung, mensimulasikan jaringan saraf biologis. Model ini belajar dengan menyesuaikan bobot koneksi antar-node berdasarkan data empiris.

Bagian dari pembelajaran mesin yang memanfaatkan jaringan saraf tiruan berlapis banyak (deep neural networks).

• Jaringan Saraf Konvolusional (CNN): Sangat sukses dalam pemrosesan visual dan gambar.
• Transformer: Menggunakan mekanisme perhatian (attention mechanism) untuk memproses urutan data secara paralel, menjadi fondasi bagi model bahasa besar (LLM).

AI telah menjadi teknologi serbaguna (general-purpose technology) di berbagai industri:

• Kesehatan: Diagnosis radiologi otomatis, penemuan struktur protein (seperti AlphaFold), dan genomik personal.
• Keuangan: Sistem penilaian kredit otomatis, deteksi pencucian uang, dan perdagangan frekuensi tinggi (high-frequency trading).
• Otomotif: Kendaraan otonom tingkat 4 dan 5 yang memadukan computer vision dan navigasi waktu nyata.
• Pendidikan: Menurut Ouyang dan Jiao, pemanfaatan dibagi menjadi tiga paradigma: AI-Directed (AI mengarahkan jalur belajar), AI-Supported (AI sebagai kolaborator), dan AI-Empowered (AI memperkuat kapabilitas siswa sebagai agen utama).^[2]

Pelatihan model AI modern membutuhkan miliaran data yang sering kali memicu sengketa hak cipta karya seni atau tulisan manusia, serta kekhawatiran atas pengumpulan data pribadi tanpa izin.

Algoritme pembelajaran mesin dapat mewarisi bias yang terkandung dalam data pelatihan historis mereka. Hal ini dapat memicu keputusan yang diskriminatif dalam sistem hukum, perekrutan kerja, dan layanan publik.^[3] Konsep "AI Kotak Hitam" (Black Box AI) memicu desakan global untuk mengembangkan *Explainable AI* (XAI) agar keputusan mesin dapat dipertanggungjawabkan.

Otomatisasi kognitif berpotensi menggantikan pekerjaan kerah putih (seperti penulis, pemrogram, analis keuangan) selain pekerjaan manual, memicu disrupsi besar pada pasar tenaga kerja global.

Negara-negara di dunia mulai menerapkan aturan hukum formal (seperti *EU AI Act* di Uni Eropa) yang mengklasifikasikan teknologi AI berdasarkan tingkat risikonya terhadap hak asasi manusia dan keselamatan publik.

Para ilmuwan memperingatkan bahaya jangka panjang jika sistem AGI tidak diselaraskan (misaligned) dengan nilai-nilai kemanusiaan, yang dalam skenario terburuk dapat mengancam eksistensi peradaban manusia.

• AI Kuat vs AI Lemah: Menanyakan apakah mesin komputer yang diprogram dengan benar benar-benar memiliki pikiran (mind) dan memahami apa yang dilakukannya, atau sekadar simulasi fungsional.
• Argumen Ruang Cina (John Searle): Eksperimen pemikiran yang berargumen bahwa manipulasi simbol sintaksis oleh komputer tidak akan pernah menghasilkan pemahaman semantik sejati.
• Kritik Dreyfus: Berargumen bahwa keahlian manusia bergantung pada intuisi bawah sadar dan tubuh fisik (embodiment), bukan pada manipulasi aturan logis formal.

Dalam budaya populer, AI digambarkan dalam dua spektrum ekstrem: sebagai ancaman eksistensial yang mencoba menggulingkan manusia (misalnya HAL 9000, Skynet, atau The Matrix) atau sebagai penyerupaan manusia yang melayani dan berdampingan (seperti C-3PO, Data, atau Jarvis).

• Garis besar kecerdasan buatan
• Kecerdasan umum buatan
• Pembelajaran mesin
• Etika kecerdasan buatan
• Penyelarasan kecerdasan buatan

• (Inggris) Association for the Advancement of Artificial Intelligence (AAAI)
• (Inggris) Artificial Intelligence International Discussion Group