Jika Wu-Tang memproduksinya pada tahun ’23 dan bukan ’93, mereka akan menyebutnya MIMPI — karena data mengatur segalanya di sekitar saya. Di mana dulu masyarakat kita menengahi kekuatan berdasarkan kekuatan lengan dan dompet kita, dunia modern didorong oleh data yang memberdayakan algoritme untuk menyortir, menyekat, dan menjual kita. Peramal kotak hitam dari pembuat keputusan yang angkuh dan tak terlihat ini yang mendapat pinjaman rumah, yang mendapat jaminan, yang menemukan cinta dan yang anak-anaknya diambil dari mereka oleh negara.
Dalam buku baru mereka, How Data Happened: A History from the Age of Reason to the Age of Algorithms, yang dibangun dari kurikulum yang ada, Profesor Universitas Columbia Chris Wiggins dan Matthew L Jones meneliti bagaimana data dikurasi menjadi informasi yang dapat ditindaklanjuti dan digunakan untuk membentuk semuanya mulai dari pandangan politik dan adat istiadat sosial hingga tanggapan militer dan kegiatan ekonomi kita. Dalam kutipan di bawah ini, Wiggins dan Jones melihat karya matematikawan John McCarthy, profesor junior Dartmouth yang menciptakan istilah “kecerdasan buatan”… sebagai bagian dari taktiknya untuk mengamankan pendanaan penelitian musim panas.
WW Norton
Dikutip dari How Data Happened: A History from the Age of Reason to the Age of Algorithms oleh Chris Wiggins dan Matthew L Jones. Diterbitkan oleh WW Norton. Hak Cipta © 2023 oleh Chris Wiggins dan Matthew L Jones. Seluruh hak cipta.
Menghubungkan “Kecerdasan Buatan”
Seorang pendukung pendekatan simbolik yang bersemangat, ahli matematika John McCarthy sering dipuji karena menemukan istilah “kecerdasan buatan”, termasuk dirinya sendiri: “Saya menemukan istilah kecerdasan buatan,” jelasnya, “ketika kami mencoba mendapatkan uang untuk musim panas belajar” untuk mengarah pada “tujuan jangka panjang untuk mencapai kecerdasan tingkat manusia.” “Studi musim panas” yang dimaksud berjudul “Proyek Penelitian Musim Panas Dartmouth tentang Kecerdasan Buatan”, dan dana yang diminta berasal dari Rockefeller Foundation. Pada saat menjadi profesor matematika junior di Dartmouth, McCarthy dibantu dalam promosinya ke Rockefeller oleh mantan mentornya Claude Shannon. Seperti yang dijelaskan McCarthy tentang pemosisian istilah tersebut, “Shannon berpikir bahwa kecerdasan buatan adalah istilah yang terlalu mencolok dan mungkin menarik perhatian yang tidak menguntungkan.” Namun, McCarthy ingin menghindari tumpang tindih dengan bidang “studi automata” yang ada (termasuk “jaring saraf” dan mesin Turing) dan mengambil sikap untuk menyatakan bidang baru. “Jadi saya memutuskan untuk tidak mengibarkan bendera palsu lagi.” Ambisinya sangat besar; proposal tahun 1955 mengklaim “setiap aspek pembelajaran atau fitur kecerdasan lainnya pada prinsipnya dapat dijelaskan dengan sangat tepat sehingga sebuah mesin dapat dibuat untuk mensimulasikannya.” McCarthy berakhir dengan lebih banyak pemodel otak daripada ahli matematika aksiomatik seperti yang dia inginkan pada pertemuan tahun 1956, yang kemudian dikenal sebagai Dartmouth Workshop. Acara tersebut menyaksikan penyatuan berbagai upaya yang seringkali bertentangan untuk membuat komputer digital melakukan tugas-tugas yang dianggap cerdas, namun menurut sejarawan kecerdasan buatan Jonnie Penn, tidak adanya keahlian psikologis di bengkel berarti bahwa akun kecerdasan “diinformasikan terutama oleh sekumpulan spesialis yang bekerja di luar ilmu manusia.” Setiap peserta melihat akar usaha mereka secara berbeda. McCarthy mengenang, “siapa pun yang ada di sana sangat keras kepala dalam mengejar ide-ide yang dia miliki sebelum dia datang, sejauh yang saya bisa lihat, tidak ada pertukaran ide yang nyata.”
Seperti makalah Turing tahun 1950, proposal tahun 1955 untuk lokakarya musim panas dalam kecerdasan buatan tampaknya sangat tepat. Tujuh masalah yang diusulkan McCarthy, Shannon, dan kolaborator mereka untuk dipelajari menjadi pilar utama ilmu komputer dan bidang kecerdasan buatan:
“Komputer Otomatis” (bahasa pemrograman)
“Bagaimana Komputer Dapat Diprogram untuk Menggunakan Bahasa” (pemrosesan bahasa alami)
“Neuron Nets” (jaring saraf dan pembelajaran mendalam)
“Teori Ukuran Perhitungan” (kompleksitas komputasi)
“Peningkatan diri” (pembelajaran mesin)
“Abstraksi” (rekayasa fitur)
“Keacakan dan Kreativitas” (metode Monte Carlo termasuk pembelajaran stokastik).
Istilah “kecerdasan buatan”, pada tahun 1955, lebih merupakan aspirasi daripada komitmen pada satu metode. AI, dalam arti luas ini, melibatkan penemuan apa yang terdiri dari kecerdasan manusia dengan mencoba menciptakan kecerdasan mesin serta upaya yang tidak terlalu filosofis hanya untuk membuat komputer melakukan aktivitas sulit yang mungkin dilakukan manusia.
Hanya sedikit dari aspirasi ini yang memicu upaya yang, dalam penggunaan saat ini, menjadi sinonim dengan kecerdasan buatan: gagasan bahwa mesin dapat belajar dari data. Di kalangan ilmuwan komputer, belajar dari data tidak lagi ditekankan selama beberapa generasi.
Sebagian besar dari setengah abad pertama kecerdasan buatan berfokus pada penggabungan logika dengan pengetahuan yang dikodekan ke dalam mesin. Data yang dikumpulkan dari aktivitas sehari-hari hampir tidak menjadi fokus; itu memucat dalam gengsi di samping logika. Dalam lima tahun terakhir ini, kecerdasan buatan dan pembelajaran mesin mulai digunakan secara sinonim; itu latihan pikiran yang kuat untuk mengingat bahwa tidak harus seperti ini. Selama beberapa dekade pertama dalam kehidupan kecerdasan buatan, belajar dari data tampaknya merupakan pendekatan yang salah, pendekatan non-ilmiah, yang digunakan oleh mereka yang tidak mau “hanya memprogram” pengetahuan ke dalam komputer. Sebelum data berkuasa, aturan melakukannya.
Terlepas dari semua antusiasme mereka, sebagian besar peserta di lokakarya Dartmouth hanya membawa sedikit hasil nyata. Satu kelompok berbeda. Sebuah tim dari RAND Corporation, dipimpin oleh Herbert Simon, telah membawa barang-barang tersebut, berupa pembukti teorema otomatis. Algoritma ini dapat menghasilkan bukti teorema aritmatika dan logika dasar. Tapi matematika hanyalah ujian bagi mereka. Seperti yang ditekankan oleh sejarawan Hunter Heyck, kelompok itu mulai bukan dari komputasi atau matematika daripada dari studi tentang bagaimana memahami organisasi birokrasi besar dan psikologi orang-orang yang memecahkan masalah di dalamnya. Bagi Simon dan Newell, otak manusia dan komputer adalah pemecah masalah dari genus yang sama.
Posisi kami adalah bahwa cara yang tepat untuk menggambarkan sepotong perilaku pemecahan masalah adalah dalam kaitannya dengan program: spesifikasi tentang apa yang akan dilakukan organisme dalam berbagai keadaan lingkungan dalam kaitannya dengan proses informasi dasar tertentu yang mampu dilakukannya.. Komputer digital masuk ke dalam gambar hanya karena mereka dapat, dengan pemrograman yang tepat, dibujuk untuk mengeksekusi urutan proses informasi yang sama yang dijalankan manusia ketika mereka memecahkan masalah. Oleh karena itu, seperti yang akan kita lihat, program-program ini menggambarkan pemecahan masalah manusia dan mesin pada tingkat proses informasi.
Meskipun mereka memberikan banyak kesuksesan besar pertama dalam kecerdasan buatan awal, Simon dan Newell berfokus pada penyelidikan praktis tentang organisasi manusia. Mereka tertarik pada pemecahan masalah manusia yang memadukan apa yang disebut Jonnie Penn sebagai ”gabungan dari logika simbolis Inggris awal abad ke-20 dan logika administrasi Amerika dari organisasi yang sangat rasional”. Sebelum mengadopsi nama AI, mereka memposisikan pekerjaan mereka sebagai studi tentang “sistem pemrosesan informasi” yang terdiri dari manusia dan mesin, yang memanfaatkan pemahaman terbaik tentang penalaran manusia saat itu.
Simon dan rekan-rekannya sangat terlibat dalam perdebatan tentang sifat manusia sebagai hewan yang berakal. Simon kemudian menerima Hadiah Nobel Ekonomi untuk karyanya tentang keterbatasan rasionalitas manusia. Dia prihatin, bersama perkumpulan intelektual pascaperang, dengan membantah gagasan bahwa psikologi manusia harus dipahami sebagai reaksi seperti binatang terhadap rangsangan positif dan negatif. Seperti yang lainnya, dia menolak pandangan behavioris tentang manusia yang digerakkan oleh refleks, hampir secara otomatis, dan bahwa pembelajaran terutama berkaitan dengan akumulasi fakta yang diperoleh melalui pengalaman semacam itu. Kemampuan manusia yang luar biasa, seperti berbicara dalam bahasa alami atau mengerjakan matematika tingkat lanjut, tidak pernah dapat muncul hanya dari pengalaman—mereka membutuhkan jauh lebih banyak. Berfokus hanya pada data berarti salah memahami spontanitas dan kecerdasan manusia. Generasi intelektual ini, pusat pengembangan ilmu kognitif, menekankan abstraksi dan kreativitas atas analisis data, sensorik atau lainnya. Sejarawan Jamie Cohen-Cole menjelaskan, ”Belajar bukanlah proses memperoleh fakta tentang dunia melainkan mengembangkan keterampilan atau memperoleh kemahiran dengan alat konseptual yang kemudian dapat digunakan secara kreatif.” Penekanan pada konseptual ini adalah inti dari program Logic Theorist Simon dan Newell, yang tidak hanya mengerjakan proses logis, tetapi menggunakan “heuristik” seperti manusia untuk mempercepat pencarian sarana untuk mencapai tujuan. Sarjana seperti George Pólya menyelidiki bagaimana matematikawan memecahkan masalah telah menekankan kreativitas yang terlibat dalam menggunakan heuristik untuk memecahkan masalah matematika. Jadi matematika bukanlah pekerjaan yang membosankan — tidak seperti melakukan banyak sekali pembagian panjang atau pengurangan data dalam jumlah besar. Itu adalah aktivitas kreatif — dan, di mata pembuatnya, benteng melawan visi totaliter manusia, baik dari kiri maupun kanan. (Demikian pula, kehidupan dalam organisasi birokrasi – tidak perlu membosankan dalam gambar ini – ini bisa menjadi tempat kreativitas. Hanya saja, jangan katakan itu kepada karyawannya.)
Semua produk yang direkomendasikan oleh Engadget dipilih oleh tim editorial kami, terlepas dari perusahaan induk kami. Beberapa cerita kami menyertakan tautan afiliasi. Jika Anda membeli sesuatu melalui salah satu tautan ini, kami dapat memperoleh komisi afiliasi. Semua harga adalah benar pada saat penerbitan.