Evolusi AI: Kreativitas vs Prediktabilitas

Sejarah AI Generatif: Dari Ketidakpastian Kreatif Menuju Keandalan

Sejarah AI generatif berakar pada keyakinan para insinyur pertengahan abad ke-20 bahwa ketidakrasionalan diperlukan untuk meniru cara berpikir manusia.

Benjamin Lindquist, asisten profesor di Bagian Sejarah MIT dan peneliti utama di Laboratorium Sistem Informasi dan Keputusan, membahas gagasan ini dalam makalahnya di jurnal Past and Present.

Apa Itu AI Generatif?

AI generatif adalah kecerdasan buatan yang menghasilkan konten baru, seperti teks, gambar, atau kode, berdasarkan pola dari data yang dipelajarinya. Contoh yang dikenal luas adalah ChatGPT dan Claude.

Menelusuri sejarah AI generatif membantu kita memahami mengapa sistem ini dirancang seperti sekarang, dan apa yang mungkin hilang dalam prosesnya.

Awal Sejarah AI Generatif: Ketidakpastian sebagai Kunci Kreativitas

Menurut Lindquist, para pelopor AI awal sengaja memasukkan unsur ketidakpastian ke dalam algoritma untuk meniru kreativitas manusia. Praktik ini disebut terus memengaruhi pengembangan sistem AI hingga kini.

Ia juga menyoroti dilema antara mendorong kreativitas dan menjaga prediktabilitas pada mesin yang dirancang meniru perilaku manusia.

Peluang dan Kreativitas

Secara historis, banyak ilmuwan dan seniman percaya bahwa peluang berperan penting dalam kreativitas dan penemuan. Mereka mengaitkan kreativitas dengan lompatan logika yang tak terduga, atau keadaan seperti mimpi yang membuka perspektif baru.

Gagasan John Pierce

Pada 1950-an, John Pierce, insinyur listrik di Bell Labs, mengusulkan bahwa matematika dapat mengganggu keteraturan dalam seni. Ia percaya ketidakteraturan dapat mematahkan klise dan memicu wawasan baru.

Gagasan ini menarik perhatian para peneliti komputasi awal. Mereka lalu menyuntikkan ketidakpastian ke dalam sistem yang bersifat deterministik.

Jaringan Saraf Buatan

Salah satu metodenya adalah jaringan saraf buatan, yang sering dikembangkan oleh psikolog. Jaringan ini dianggap sebagai model otak manusia, yang menunjukkan cara pikiran memproses informasi dan membuat kesalahan yang produktif.

Sebagian peneliti memandang kreativitas sebagai perpanjangan dari pemikiran logis. Yang lain percaya kreativitas berasal dari sifat bawaan otak yang tidak teratur. Perdebatan ini berpusat pada esensi daya cipta manusia dan cara mereplikasinya di mesin.

Garis Waktu Sejarah AI Generatif

Berdasarkan makalah yang dikutip, perjalanannya kira-kira sebagai berikut:

• 1950-an: jaringan saraf mulai mendapat perhatian, dan ide ketidakteraturan sebagai sumber kreativitas muncul.
• 1970-an: jaringan saraf kehilangan popularitas. Kematian mendadak Frank Rosenblatt, psikolog pelopor jaringan saraf, disebut ikut berkontribusi.
• 1980-an: jaringan saraf menemukan tempat baru dalam ilmu kognitif.
• 2012: jaringan saraf mulai mengungguli metode machine learning statistik tradisional.

Sepanjang sebagian besar sejarah AI, pendekatan simbolik yang mengandalkan aturan dan logika yang ditentukan sebelumnya lebih dominan.

Sejarah AI Generatif dan Pergeseran dari Kreativitas ke Keandalan

Kini sistem seperti ChatGPT dan Claude dihargai karena memberikan jawaban yang akurat dan dapat diandalkan.

Para pendukung AI awal justru menghargai sistem ini karena kemampuannya menghasilkan keluaran yang tak terduga, bahkan aneh. Kita sudah punya alat yang hasilnya dapat diprediksi, sedangkan mereka melihat nilai jaringan saraf karena sifatnya yang tidak dapat diprediksi.

Mengapa Perspektif Berubah?

Menurut sumber, perubahan ini mungkin disebabkan oleh konteks operasional. Sistem AI awal terbatas di laboratorium, sehingga keluaran yang aneh atau salah nyaris tak berdampak di dunia nyata.

Aplikasi AI modern menghadapi risiko hukum dan finansial. Pengembang pun terdorong menekan ketidakpastian demi keandalan, dan hal ini disebut telah “menghaluskan” potensi kreatif yang dulu menjadi ciri sistem ini.

Evolusi Jaringan Saraf dalam Sejarah AI Generatif

Jaringan saraf yang memakai ketidakpastian untuk memecahkan masalah kembali bangkit pada 1980-an. Kebangkitannya ditopang oleh ketersediaan data dalam jumlah besar dan kemajuan daya komputasi.

Pada 2012, jaringan saraf mulai mengungguli metode machine learning statistik tradisional. Sejak itu, jaringan saraf mendominasi penelitian AI.

Pelajaran dari Sejarah AI Generatif

Upaya meminimalkan kesalahan dan halusinasi dalam sistem AI sangat penting, tetapi ada konsekuensinya. Insinyur awal mengenali hubungan antara kreativitas dan ketidakpastian, sehingga menekan yang satu dapat mengurangi yang lain.

Saat sistem dibuat makin andal, kemampuan kreatifnya mungkin ikut berkurang. Mungkin mustahil mencapai keseimbangan sempurna. Namun memahami dilema ini dapat membantu pengembangan sistem yang lebih selaras dengan kebutuhan dan harapan manusia.

Apa Artinya bagi Pengguna AI?

Bagi pengguna, dilema ini terasa dalam pilihan sehari-hari. Untuk tugas yang menuntut ketepatan, seperti angka atau fakta, keandalan lebih penting dan jawaban perlu diperiksa ulang.

Untuk tugas yang menuntut gagasan baru, seperti ide judul atau konsep desain, jawaban yang tak terduga justru berguna. Memahami perbedaannya membantu kita memakai AI sesuai kebutuhan.

Pertanyaan Umum tentang Sejarah AI Generatif

Mengapa pelopor AI sengaja memasukkan ketidakpastian?

Menurut Lindquist, mereka ingin meniru kreativitas manusia, karena banyak ilmuwan dan seniman saat itu percaya peluang berperan penting dalam penemuan.

Mengapa AI modern lebih mengutamakan keandalan?

Menurut sumber, aplikasi modern menghadapi risiko hukum dan finansial, sehingga pengembang terdorong menekan ketidakpastian.

Apa dampak menekan halusinasi AI?

Menurut makalah yang dikutip, hal itu dapat mengurangi potensi kreatif sistem, karena kreativitas dan ketidakpastian saling berkaitan.

Kesimpulan: Sejarah AI Generatif dan Dilemanya

Sejarah AI generatif menunjukkan bahwa kreativitas dan keandalan sulit dicapai sekaligus. Para pelopor memilih ketidakpastian demi kreativitas, sedangkan sistem modern memilih keandalan.

Memahami dilema ini membantu pengembang dan pengguna menimbang apa yang diutamakan dari sebuah sistem AI.