Bisakah 'AI' Memiliki Akal Sehat?

Kemajuan yang Stabil

Penelitian tentang akal sehat mesin dimulai pada lokakarya tahun 1956 yang berpengaruh di Dartmouth, New Hampshire, yang mempertemukan para peneliti AI terkemuka. Kerangka kerja simbolis berbasis logika yang menggunakan huruf atau operator logika untuk menggambarkan hubungan antara objek dan konsep kemudian dikembangkan untuk menyusun pengetahuan akal sehat tentang waktu, peristiwa, dan dunia fisik.

Misalnya, serangkaian pernyataan 'jika ini terjadi, maka ini akan terjadi' dapat diprogram secara manual ke dalam mesin dan kemudian digunakan untuk mengajari mereka fakta akal sehat. Bahwa objek yang tidak didukung akan jatuh di bawah gravitasi.

Penelitian tersebut menetapkan visi akal sehat mesin yang berarti membangun program komputer yang belajar dari pengalaman mereka seefektif manusia. Secara lebih teknis, tujuannya adalah untuk membuat mesin yang secara otomatis menyimpulkan sendiri kelas konsekuensi langsung yang cukup luas dari apa pun yang diberitahukan kepadanya dan apa yang sudah diketahuinya, dengan serangkaian aturan.

Dengan demikian, akal sehat mesin melampaui pembelajaran yang efisien hingga mencakup kemampuan seperti refleksi diri dan abstraksi. Pada intinya, akal sehat membutuhkan pengetahuan faktual dan kemampuan untuk bernalar dengan pengetahuan itu.

Menghafal serangkaian fakta yang besar tidaklah cukup. Sama pentingnya untuk menyimpulkan informasi baru dari informasi yang ada, yang memungkinkan pengambilan keputusan dalam situasi baru atau yang tidak pasti.

Upaya awal untuk memberi mesin kekuatan pengambilan keputusan tersebut melibatkan pembuatan basis data pengetahuan terstruktur, yang berisi konsep-konsep yang masuk akal dan aturan-aturan sederhana tentang cara kerja dunia. Upaya-upaya seperti proyek Cyc (proyek kecerdasan buatan jangka panjang yang bertujuan untuk mengumpulkan ontologi komprehensif dan basis pengetahuan yang mencakup konsep dasar dan aturan tentang cara kerja dunia) pada tahun 1980-an merupakan salah satu yang pertama melakukan hal ini dalam skala besar.

Cyc dapat mewakili pengetahuan relasional, misalnya tidak hanya bahwa seekor anjing 'adalah' hewan (kategorisasi), tetapi bahwa anjing 'membutuhkan' makanan. Ia juga berupaya untuk menggabungkan, menggunakan notasi simbolik seperti 'adalah' sebagai pengetahuan yang bergantung pada konteks.

Salah contoh dari Cyc misalnya, bahwa 'berlari' dalam atletik berarti sesuatu yang berbeda dari 'berlari' dalam konteks pertemuan bisnis. Dengan demikian, Cyc memungkinkan mesin untuk membedakan antara pengetahuan faktual, seperti 'Presiden pertama Amerika Serikat adalah George Washington,' dan pengetahuan yang masuk akal, seperti 'kursi adalah tempat duduk.'

Lalu bagaimana sistem AI bereaksi terhadap contoh ketidakpastian dan kebaruan seperti itu akan menentukan laju evolusi menuju akal sehat mesin. Namun, metode yang lebih baik juga diperlukan untuk melacak kemajuan. Dan menilai secara ketat seberapa baik LLM tertentu memberikan jawaban yang masuk akal lebih sulit daripada yang terlihat. hay/I-1