Ilya Sutskever, salah satu pendiri OpenAI, menyatakan pada 15 Desember di konferensi Neural Information Processing Systems (NeurIPS) yang diadakan di Vancouver, Kanada, bahwa perkembangan AI telah mencapai titik balik yang kritis, teknologi pra-pelatihan perlahan menghadapi kendala, dan masa depan akan bergerak menuju Kecerdasan Super Buatan (Artificial Super Intelligence, ASI).
Data pelatihan awal AI menghadapi 'plafon', transformasi menjadi keharusan.
Sutskever menyatakan di konferensi bahwa era pra-pelatihan AI segera berakhir. Dia percaya bahwa saat ini jumlah data di internet sudah mendekati batas, dan di masa depan, teknologi baru harus ada untuk terus mendorong AI menuju tahap berikutnya, akhirnya mengembangkan Kecerdasan Super Buatan (ASI).
Sutskever menunjukkan bahwa seiring kemajuan perangkat keras, perangkat lunak, dan algoritma, kemampuan komputasi AI telah meningkat secara signifikan, tetapi data yang digunakan untuk melatih AI tidak dapat diperluas tanpa batas. Sutskever membandingkan data dengan 'bahan bakar fosil' AI, dia menyatakan: 'Data tidak akan terus meningkat tanpa batas, karena internet hanya ada satu. Data seperti bahan bakar fosil AI, yang saat ini hampir habis terbakar, dan di masa depan kita harus menemukan cara untuk memanfaatkan data yang ada dengan baik.'
(Catatan: Model pra-pelatihan, merujuk pada model yang tidak perlu dilatih dari awal, sudah mempelajari pengetahuan dasar.)
Tiga teknologi kunci untuk memajukan perkembangan AI.
Meskipun Sutskever menunjukkan masalah yang dihadapi AI saat ini di konferensi, dia juga mengemukakan tiga teknologi kunci di masa depan yang dapat mempengaruhi evolusi AI menjadi Kecerdasan Super Buatan (ASI):
AI Otonom (Agentic AI): dapat membuat keputusan dan melaksanakan tugas secara mandiri tanpa intervensi manusia, dapat menyesuaikan perilaku berdasarkan tujuan dan lingkungan secara dinamis. Berbeda dengan AI Agent, AI Agent umumnya bertindak secara pasif atau berdasarkan logika tetap, memerlukan lebih banyak intervensi manusia.
Data Sintetis (Synthetic Data): menggunakan AI untuk menghasilkan data simulasi berkualitas tinggi secara mandiri, menyelesaikan masalah kekurangan data. Misalnya: jika ingin melatih model AI untuk mengenali kendaraan yang melaju di jalan, tetapi data lalu lintas di dunia nyata tidak cukup, kita dapat menggunakan teknik sintetis untuk 'menghasilkan' banyak kendaraan dan skenario simulasi sebagai pengganti.
Komputasi Inferensi Waktu Nyata (Inference Time Computing): meningkatkan kemampuan komputasi model AI, sehingga AI dapat lebih cepat menyelesaikan masalah kompleks.
Sutskever percaya bahwa ketiga teknologi ini dapat mendorong teknologi AI saat ini menuju 'Kecerdasan Super Buatan' (ASI).
Gelombang antusiasme AI menyapu pasar blockchain dan LLM.
Konsep agen AI tidak hanya mendapatkan perhatian di bidang teknologi, banyak koin meme dan model bahasa besar (LLMs) juga mulai mengintegrasikan teknologi AI, seperti agen AI Truth Terminal yang mempromosikan koin meme GOAT di media sosial, nilai pasarnya telah melonjak menjadi 600 juta dolar, bahkan pendiri usaha modal ventura terkenal a16z Marc Andreessen terkesan dengan Truth Terminal.
Kasus paling terkenal baru-baru ini tentang agen AI yang menggabungkan model bahasa besar adalah model Gemini 2.0 yang diluncurkan oleh Google DeepMind. Menurut pernyataan resmi Google, Gemini 2.0 dapat langsung menghasilkan gambar, teks, bahkan mengubah teks menjadi suara, dan juga dapat menyesuaikan efek suara dalam berbagai bahasa. Selain itu, dapat langsung menggunakan pencarian Google, menjalankan kode, dan menggunakan alat pihak ketiga yang disesuaikan oleh pengguna.
Keunggulan AI otonom, menyelesaikan masalah 'halusinasi AI'.
Sutskever menunjukkan bahwa AI otonom dan komputasi inferensi waktu nyata membantu menyelesaikan 'halusinasi' AI (AI Hallucinations) dalam pelatihan AI. Yang disebut halusinasi AI merujuk pada informasi yang salah atau tidak akurat yang dihasilkan oleh model AI karena kurangnya data pelatihan. Dengan generasi model AI baru yang masih bergantung pada data dari model lama, masalah ini hanya akan semakin parah.
Sutskever menyatakan bahwa untuk menyelesaikan masalah 'halusinasi', AI otonom dapat memperkuat kemampuan inferensi dan komputasi waktu nyata untuk secara efektif menilai keaslian data, meningkatkan keandalan dan kinerja AI.
Menghadapi masalah besar dari data pelatihan AI yang mencapai batas yang menyebabkan 'halusinasi', sebenarnya memiliki pandangan yang sedikit berbeda dari pemikiran Jensen Huang, CEO Nvidia, yang sebelumnya juga menunjukkan masalah ini dalam wawancara dan mengemukakan tiga fase penting untuk memperbaiki 'halusinasi' di masa depan:
Pelatihan awal:
Untuk fase dasar AI, melalui penyerapan data dari dunia nyata dalam jumlah besar, untuk 'belajar' dan 'menemukan' berbagai pengetahuan, tetapi ini hanya langkah awal, belum cukup mendalam.
Pelatihan lanjutan:
Ini adalah fase penguatan AI, melalui umpan balik manusia, seperti membantu manusia dalam memberikan penilaian. Serta umpan balik dari AI sendiri, menggunakan data sintetis untuk mensimulasikan lebih banyak skenario. Pada saat ini, teknologi seperti pembelajaran penguatan dan pembelajaran jalur ganda akan ditambahkan, membantu AI fokus pada pengembangan keterampilan tertentu, sehingga lebih memahami cara memecahkan masalah.
Skalasi Waktu Uji (Test Time Scaling):
Fase ini dapat dipahami sebagai AI mulai 'berpikir'. Ketika menghadapi masalah kompleks, AI akan secara bertahap membongkar masalah, mensimulasikan berbagai solusi, dan terus menyesuaikan untuk menemukan jawaban terbaik. Jensen Huang percaya bahwa jika diberikan lebih banyak 'waktu berpikir', jawaban yang dihasilkan AI mungkin lebih akurat atau berkualitas lebih tinggi.
Artikel ini akan mengakhiri pra-pelatihan AI! Pendiri OpenAI: AI otonom dan data sintetis mempercepat kedatangan era Kecerdasan Super Buatan. Pertama kali diterbitkan di Chain News ABMedia.