Bagaimana Kecerdasan Buatan Benar-benar Bekerja, dan Mengapa Itu Penting Sekarang

Organisasi untuk Kerjasama Ekonomi dan Pembangunan (OECD), yang pemerintah anggotanya mengoordinasikan kebijakan tentang teknologi, mendefinisikan sistem AI sebagai "sistem berbasis mesin yang, untuk tujuan eksplisit atau implisit, menyimpulkan, dari masukan yang diterimanya, bagaimana menghasilkan keluaran seperti prediksi, konten, rekomendasi, atau keputusan yang dapat mempengaruhi lingkungan fisik atau virtual." Dewan OECD merevisi frasa ini pada tahun 2023 untuk tetap akurat secara teknis seiring penyebaran alat AI generatif, menurut penjelasan definisi organisasi sendiri.

Dari aturan tertulis ke pembelajaran dari data

Perangkat lunak yang lebih tua mengikuti instruksi yang ditulis programmer baris demi baris: jika X terjadi, lakukan Y. Pembelajaran mesin, pendekatan di balik sebagian besar AI saat ini, malah memberikan algoritma sejumlah besar contoh dan membiarkannya mencari tahu polanya sendiri, menurut penjelasan teknis IBM tentang subjek ini. Setelah dilatih, sistem dapat mengklasifikasikan informasi baru, memprediksi nilai, menandai sesuatu yang tidak biasa, atau merekomendasikan tindakan tanpa diberikan aturan yang tepat untuk setiap kasus.

OECD membagi operasi sistem AI menjadi tiga elemen. Input adalah data, kode atau aturan yang dimasukkan ke dalam sistem selama pengembangan atau penggunaan. Inferensi adalah langkah di mana sistem menentukan keluaran dari input tersebut, yang dapat terjadi saat model sedang dibangun atau setelah diterapkan. Output adalah prediksi, konten, rekomendasi atau keputusan yang dihasilkan sistem, yang kemudian dapat mempengaruhi lingkungan fisik atau virtual — misalnya, kemudi mobil, daftar video yang direkomendasikan, atau paragraf teks yang dihasilkan.

Apa yang dilakukan jaringan saraf di dalam sistem

Metode pembelajaran mesin yang paling banyak digunakan saat ini adalah jaringan saraf, struktur yang longgar dimodelkan pada otak, terbuat dari lapisan node yang saling terhubung yang memproses data bersama-sama, menurut IBM. Tidak seperti program tradisional, jaringan saraf tidak diberitahu aturan yang menghubungkan input ke output sebelumnya; sebaliknya ditunjukkan banyak pasang input dan output dan menyesuaikan dirinya sendiri, melalui paparan berulang, untuk menemukan apa yang menghubungkan mereka.

Pembelajaran mendalam mengacu pada jaringan saraf dengan banyak lapisan — biasanya lapisan input, setidaknya tiga (dan sering ratusan) lapisan tersembunyi, dan lapisan output, menurut penjelasan IBM. Dalam sistem pengenalan gambar, lapisan awal cenderung merespons fitur sederhana seperti tepi atau warna, sementara lapisan yang lebih dalam menggabungkannya menjadi bentuk dan, akhirnya, objek yang dapat dikenali. Struktur berlapis ini memungkinkan sistem secara otomatis mengekstrak fitur yang relevan dari data tanpa label, yang merupakan bagian dari apa yang membuat alat AI generatif saat ini mungkin.

Membangun model AI generatif besar umumnya melibatkan tiga tahap, menurut IBM: fase pelatihan awal pada dataset besar, sering kali tanpa label, yang dapat memerlukan ribuan prosesor khusus dan biaya jutaan dolar; fase penyetelan di mana model disesuaikan dengan tugas spesifik, kadang-kadang menggunakan umpan balik manusia; dan evaluasi berkelanjutan setelah penerapan untuk memeriksa dan menyempurnakan keluarannya.

Mengapa ini penting: angka adopsi dan investasi

Jangkauan AI telah berkembang dengan cepat menurut beberapa ukuran yang dilacak dalam Laporan Indeks AI 2025 Institut AI Berpusat Manusia Universitas Stanford. Bagian organisasi yang melaporkan penggunaan AI apa pun naik menjadi 78% pada tahun 2024, naik dari 55% tahun sebelumnya. AI generatif secara khusus menarik $33,9 miliar dalam investasi swasta global pada tahun 2024, kenaikan 18,7% dari 2023. Di Amerika Serikat, investasi AI swasta mencapai $109,1 miliar pada tahun 2024, jauh melampaui $9,3 miliar China dan $4,5 miliar Inggris, laporan mengatakan.

Laporan ini juga mencatat lonjakan dalam kinerja tolok ukur AI: pada tiga tes yang diperkenalkan pada tahun 2023 untuk mengukur sistem canggih — MMMU, GPQA dan SWE-bench — skor masing-masing naik 18,8, 48,9 dan 67,3 poin persentase dalam setahun. Di bidang yang diatur, jumlah perangkat medis yang diaktifkan AI yang disahkan oleh Badan Makanan dan Obat AS tumbuh dari enam pada tahun 2015 menjadi 223 pada tahun 2023, menurut laporan yang sama.

Di mana persaingan berdiri

Laporan Stanford juga melacak negara mana yang menghasilkan model AI paling menonjol pada tahun 2024: institusi berbasis U.S. menghasilkan 40, dibandingkan dengan 15 dari China dan tiga dari Eropa. Pada saat yang sama, kesenjangan kinerja antara model U.S. dan China teratas pada tolok ukur utama menyempit dari digit ganda pada tahun 2023 menjadi paritas mendekati pada tahun 2024, laporan mengatakan.