Pendekatan Baru dalam Pembelajaran Mesin yang Terinspirasi dari Cara Otak Manusia
Sebuah pendekatan baru dalam pembelajaran mesin, yang terinspirasi dari cara otak manusia memodelkan dan mempelajari dunia, telah terbukti mampu menguasai sejumlah game sederhana dengan efisiensi yang mengagumkan.
Sistem baru ini, bernama Axiom, menawarkan alternatif bagi jaringan saraf tiruan yang mendominasi kecerdasan buatan (AI) modern. Dikembangkan oleh perusahaan perangkat lunak Verse AI, Axiom dilengkapi dengan pengetahuan awal tentang bagaimana objek-objek berinteraksi secara fisik dalam dunia game. Kemudian, sistem ini menggunakan algoritma untuk memodelkan respons yang diharapkan dari game terhadap input, yang diperbarui berdasarkan pengamatan—proses yang disebut inferensi aktif.
Pendekatan ini terinspirasi dari prinsip energi bebas, sebuah teori yang mencoba menjelaskan kecerdasan menggunakan prinsip-prinsip dari matematika, fisika, teori informasi, serta biologi. Prinsip energi bebas dikembangkan oleh Karl Friston, seorang neurosains ternama yang juga menjabat sebagai kepala ilmuwan di perusahaan "cognitive computing" Verses.
Friston mengungkapkan, pendekatan ini mungkin sangat penting untuk membangun agen AI. "Mereka harus mendukung jenis kognisi yang kita lihat di otak nyata," katanya. "Ini memerlukan pertimbangan, bukan hanya kemampuan untuk belajar, tetapi juga bagaimana bertindak di dunia."
Pendekatan konvensional untuk belajar bermain game melibatkan pelatihan jaringan saraf melalui pembelajaran penguatan mendalam (deep reinforcement learning), yang membutuhkan banyak eksperimen dan penyesuaian parameter berdasarkan umpan balik positif atau negatif. Meski bisa menghasilkan algoritma permainan di atas level manusia, metode ini memerlukan sangat banyak percobaan. Axiom menguasai berbagai versi sederhana game populer seperti drive, bounce, hunt, dan jump dengan contoh dan daya komputasi yang jauh lebih sedikit.
"Tujuan utama pendekatan ini dan beberapa fitur utamanya sejalan dengan masalah terpenting untuk mencapai AGI," kata François Chollet, peneliti AI yang mengembangkan ARC 3, sebuah benchmark untuk menguji kemampuan algoritma AI modern. Chollet juga mengeksplorasi pendekatan baru dalam pembelajaran mesin dan menggunakan benchmark-nya untuk menguji kemampuan model dalam memecahkan masalah yang tidak familier, bukan sekadar meniru contoh sebelumnya.
"Karya ini sangat orisinal, dan itu bagus," ujarnya. "Kita butuh lebih banyak orang yang mencoba ide-ide baru di luar jalur utama model bahasa besar dan model penalaran."
AI modern bergantung pada jaringan saraf tiruan yang terinspirasi dari koneksi otak, tetapi bekerja dengan cara yang sangat berbeda. Dalam satu dekade terakhir, pembelajaran mendalam (deep learning) telah memungkinkan komputer melakukan berbagai hal mengesankan, seperti menyalin ucapan, mengenali wajah, dan membuat gambar. Belakangan, pendekatan ini melahirkan model bahasa besar yang menjadi dasar chatbot yang makin canggih.
Secara teori, Axiom menawarkan pendekatan yang lebih efisien untuk membangun AI dari nol. Gabe René, CEO Verses, mengatakan metode ini mungkin sangat efektif untuk menciptakan agen yang perlu belajar secara efisien dari pengalaman. Salah satu perusahaan keuangan telah mulai menguji teknologi ini untuk memodelkan pasar. "Ini adalah arsitektur baru untuk agen AI yang bisa belajar secara real-time, lebih akurat, efisien, dan jauh lebih kecil," kata René. "Mereka benar-benar dirancang seperti otak digital."
Ironisnya, meskipun Axiom menawarkan alternatif bagi AI modern dan deep learning, prinsip energi bebas awalnya terpengaruh oleh karya Geoffrey Hinton, ilmuwan komputer Inggris-Kanada yang memenangkan Penghargaan Turing dan Hadiah Nobel atas kontribusinya dalam deep learning. Hinton pernah menjadi kolega Friston di University College London.
Untuk mengetahui lebih lanjut tentang Friston dan prinsip energi bebas, sangat direkomendasikan untuk membaca artikel WIRED tahun 2018. Karya Friston juga memengaruhi teori kesadaran yang menarik, yang diulas WIRED dalam sebuah buku tahun 2021.