Percivel Lowell pada 1894, seorang astronom berbasis di Boston menemukan kehidupan berakal di Mars. Melalui teleskop dari observatorium pribadinya, dia mengamati garis lurus gelap yang melintasi permukaan Mars. Dia percaya garis-garis ini menjadi bukti kanal yang dibangun oleh peradaban alien yang maju namun sedang berjuang untuk mencoba menyadap air dari lapisan es kutub.
Dia menghabiskan bertahun-tahun membuat gambar rumit dari garis-garis ini, dan temuannya menangkap imajinasi publik pada saat itu. Namun, Anda belum pernah mendengar tentang dia karena dia ternyata salah besar.
Pada 1960-an, misi Mariner NASA menangkap gambar resolusi tinggi Mars, mengungkapkan bahwa "kanal" ini tidak lebih dari ilusi optik yang disebabkan oleh distribusi kawah di permukaan planet. Dengan resolusi rendah yang tersedia untuk teleskopnya pada saat itu, kawah ini tampak bagi Lowell seperti garis lurus yang, melalui serangkaian penalaran, dia berteori sebagai kanal yang dibangun oleh kehidupan berakal.
Penalaran dan Pengetahuan
Kisah Lowell menunjukkan bahwa setidaknya ada dua komponen penting dalam berpikir: penalaran dan pengetahuan. Pengetahuan tanpa penalaran adalah lembam—tidak tangkas. Siapa pun, tidak dapat melakukan apa pun dengannya. Tapi penalaran tanpa pengetahuan bisa berubah menjadi pemalsuan yang meyakinkan dan percaya diri.
Menariknya, dikotomi ini tidak terbatas pada kognisi manusia. Ini juga merupakan hal utama yang pada dasarnya dirindukan orang tentang Artificial Intelligence atau AI.
Meskipun model AI dilatih dengan membaca seluruh internet, pelatihan itu sebagian besar meningkatkan kemampuan penalaran mereka, bukan seberapa banyak yang mereka ketahui. Jadi, kinerja model AI saat ini dibatasi oleh kurangnya pengetahuan mereka.
Dilansir dari laman Every, Sam Altman saat sebagai pemateri pada acara Sequoia menekankan poin yang tepat ini: model GPT sebenarnya adalah mesin penalaran, bukan basis data pengetahuan.
Hal ini penting untuk dipahami karena memrediksi bahwa kemajuan dalam kegunaan AI akan datang dari kemajuan kemampuannya untuk mengakses pengetahuan yang tepat pada waktu yang tepat—bukan hanya dari kemajuan dalam kekuatan penalarannya.
Pengetahuan dan penalaran dalam model GPT
Berikut adalah contoh untuk mengilustrasikan hal ini. GPT-4 adalah model paling canggih di pasaran saat ini. Kemampuan penalarannya sangat bagus sehingga bisa mendapatkan nilai 5 pada ujian AP Bio.
Dengan cepat ia mengatakan bahwa ini membuktikan GPT-4 tidak lebih dari burung beo stokastik, dan hasilnya harus diabaikan begitu saja. Tapi mereka salah. Kinerjanya meningkat secara dramatis begitu ia memiliki akses ke informasi yang tepat.
Misalnya, kita memiliki akses ke versi ChatGPT yang dapat menggunakan pencarian web untuk mendasarkan jawabannya dengan apa yang ditemukannya di internet.
Alih-alih menggunakan kemampuan penalarannya untuk menghasilkan jawaban yang masuk akal secara teoritis, ia melakukan riset web untuk membuat basis pengetahuan bagi dirinya sendiri. Kemudian menganalisis informasi yang dikumpulkan dan menyaring jawaban yang lebih akurat:
Model yang mendasarinya sama—tetapi jawabannya meningkat secara signifikan karena memiliki informasi yang tepat untuk dipikirkan. Apa yang terjadi di sini?
Arsitektur GPT-4 tidak bersifat publik, tetapi kami dapat membuat beberapa tebakan berdasarkan model sebelumnya yang telah dirilis. Ketika GPT-4 dilatih, sebagian besar materi yang tersedia di internet diberikan padanya. Pelatihan mengubah data tersebut menjadi model statistik yang sangat bagus, diberi rangkaian kata, mengetahui kata mana yang harus diikuti—ini disebut prediksi token berikutnya.
Namun, jenis "pengetahuan" yang terkandung dalam model statistik ini tidak jelas dan tidak jelas. Model tidak memiliki memori jangka panjang apa pun atau cara untuk mencari informasi yang telah dilihatnya—ia hanya mengingat apa yang ditemuinya dalam rangkaian pelatihannya dalam bentuk model statistik.
Ketika menemukan nama, GPT-4 menggunakan model ini untuk menebak siapa nama seseorang. Itu menarik simpulan yang hampir benar, tetapi benar-benar salah dalam detailnya karena tidak memiliki cara eksplisit untuk mencari jawabannya.
Namun saat GPT-4 terhubung ke internet (atau apa pun yang berfungsi seperti database), GPT-4 tidak harus bergantung pada pemahaman statistik fuzzy-nya. Sebaliknya, itu dapat mengambil fakta eksplisit seperti. Jadi, apa artinya ini untuk masa depan? Dan Shipper dalam laman Every menyimpulkan dua hal menarik.
Pertama, database pengetahuan sama pentingnya dengan kemajuan AI sebagai model dasar. Kedua, orang-orang yang mengatur, menyimpan, dan membuat katalog pemikiran dan bacaan mereka sendiri akan memiliki kaki di dunia yang digerakkan oleh AI. Mereka dapat membuat sumber daya tersebut tersedia untuk model dan menggunakannya untuk meningkatkan kecerdasan dan relevansi tanggapannya.
Dalam hal pengetahuan, Anda ingin dapat menyimpan banyak hal. Anda ingin dapat menemukan pengetahuan yang tepat pada waktu yang tepat. Dalam AI ini biasanya dilakukan dengan database vektor.
Database vektor memungkinkan dengan mudah mengindeks dan menyimpan informasi dalam jumlah besar. Kemudian, dengan cepat meminta potongan informasi serupa untuk diberikan ke model saat membutuhkannya. Mereka sangat umum di aplikasi AI sehingga kemungkinan hampir setiap demo yang dicoba selama beberapa bulan terakhir menyertakan database vektor untuk beberapa bagian dari fungsinya.
Faktanya, jika Anda ingin melakukan investasi yang mengindeks keberhasilan perusahaan yang membangun AI secara keseluruhan, satu langkah cerdas adalah berinvestasi dalam penyedia database vektor, atau sekeranjangnya. Alternatifnya mungkin berinvestasi di OpenAI, atau sekeranjang perusahaan perangkat lunak berkapitalisasi besar seperti Microsoft dan Google yang membuat AI, atau pembuat chip seperti NVIDIA yang membuat GPU untuk menjalankan AI. ***
Ikuti tulisan menarik Slamet Samsoerizal lainnya di sini.
