Kecerdasan buatan

Kecerdasan buatan atau Akal Imitasi (dari bahasa Inggris:artificial intelligence atau AI) adalah kemampuan sistem komputasi untuk melakukan tugas-tugas yang biasanya berkaitan dengan kecerdasan manusia, seperti belajar, penalaran, pemecahan masalah, persepsi, dan pengambilan keputusan. AI merupakan bidang penelitian dalam teknik, matematika, dan ilmu komputer yang mengembangkan dan mempelajari metode serta perangkat lunak yang memungkinkan mesin memahami lingkungannya dan menggunakan pembelajaran serta kecerdasan untuk melakukan tindakan yang memaksimalkan peluang mereka dalam mencapai tujuan yang telah ditentukan.^[1]

Penerapan AI yang terkenal meliputi mesin pencari web canggih, bot percakapan, asisten virtual, kendaraan otonom, permainan dan analisis dalam permainan strategi (misalnya catur dan Go), serta pembuatan konten (misalnya teks, gambar, audio, dan video).

Bagian dari seri tentang
Kecerdasan buatan (AI)
Tujuan utama Kecerdasan umum buatan Agen cerdas Peningkatan diri rekursif Perencanaan Penglihatan komputer Permainan umum Representasi pengetahuan Pemrosesan bahasa alami Robotika Keamanan AI
Pendekatan Pembelajaran mesin Penambangan data Simbolik Pembelajaran mendalam Jaringan Bayesian Algoritme evolusioner AI neuro-simbolik Integrasi sistem Sumber terbuka Pusat data AI
Penerapan Bioinformatika Deepfake Ilmu kebumian Keuangan AI generatif Seni Audio Musik Pemerintahan Kesehatan Industri Pengembangan perangkat lunak Penerjemahan Militer Fisika Proyek
Filosofi Penyelarasan AI Kesadaran buatan Pelajaran pahit Ruangan Tionghoa AI ramah Etika Risiko eksistensial Uji Turing Lembah aneh Interaksi manusia–AI
Sejarah Garis waktu Kemajuan Musim dingin AI Ledakan AI Gelembung AI
Kontroversi Pornografi deepfake Kontroversi pornografi deepfake Taylor Swift Skandal deepfake seksual Grok Kontroversi pembuatan gambar Google Gemini It's the Most Terrible Time of the Year Jeda Eksperimen AI Raksasa Pemberhentian Sam Altman dari OpenAI Pernyataan tentang Risiko AI Tay (chatbot) Théâtre D'opéra Spatial Skandal plagiarisme Voiceverse NFT
Glosarium Glosarium
l b s

Tujuan tradisional penelitian AI meliputi pembelajaran, penalaran, representasi pengetahuan, perencanaan, pemrosesan bahasa alami, dan persepsi, serta dukungan untuk robotika.^[a] Untuk mencapai tujuan tersebut, peneliti AI menggunakan teknik yang mencakup pencarian ruang keadaan dan optimisasi matematika, logika formal, jaringan saraf tiruan, serta metode yang didasarkan pada statistika, riset operasi, dan ekonomi.^[b] AI juga memanfaatkan psikologi, linguistik, filsafat, neurosains, dan bidang lainnya.^[2] Beberapa perusahaan, seperti OpenAI, Google DeepMind, dan Meta, bertujuan menciptakan kecerdasan buatan umum (AGI)—AI yang dapat menyelesaikan hampir semua tugas kognitif setidaknya sebaik manusia.^[3]

Kecerdasan buatan didirikan sebagai disiplin akademik pada tahun 1956.^[4] Bidang ini mengalami beberapa siklus optimisme sepanjang sejarahnya,^[5][6] yang diikuti oleh periode kekecewaan dan berkurangnya pendanaan, yang dikenal sebagai musim dingin AI.^[7][8] Pendanaan dan minat meningkat secara signifikan setelah tahun 2012, ketika unit pemrosesan grafis (GPU) mulai digunakan untuk mempercepat jaringan saraf, dan pembelajaran mendalam mengungguli teknik AI sebelumnya.^[9] Pertumbuhan ini semakin cepat setelah tahun 2017 dengan arsitektur transformer.^[10] Ledakan AI pada dekade 2020-an sebagian besar didorong oleh kemajuan dalam AI generatif, yang dapat membuat dan memodifikasi media. Selain keamanan AI dan konsekuensi serta dampak yang tidak diinginkan dari penggunaan AI, permasalahan etika, dampak jangka panjang AI, dampak lingkungan,^[11] dan potensi risiko eksistensial telah mendorong pembahasan mengenai regulasi AI.

Tujuan

Masalah umum dalam menyimulasikan (atau menciptakan) kecerdasan telah diuraikan menjadi berbagai submasalah. Submasalah tersebut terdiri atas sifat atau kemampuan khusus yang diharapkan peneliti ditampilkan oleh sistem cerdas. Sifat-sifat yang dijelaskan di bawah ini telah mendapat perhatian terbesar dan mencakup ruang lingkup penelitian AI.^[a]

Penalaran dan pemecahan masalah

Peneliti awal mengembangkan algoritme yang meniru penalaran langkah demi langkah yang digunakan manusia ketika memecahkan teka-teki atau membuat deduksi logis.^[12] Pada akhir 1980-an dan 1990-an, metode dikembangkan untuk menangani informasi yang tidak pasti atau tidak lengkap, dengan menggunakan konsep dari probabilitas dan ekonomi.^[13]

Banyak dari algoritme tersebut tidak memadai untuk memecahkan masalah penalaran berskala besar karena mengalami "ledakan kombinatorial", yang berarti algoritme menjadi semakin lambat secara eksponensial ketika masalah bertambah besar.^[14] Bahkan manusia jarang menggunakan deduksi langkah demi langkah yang dapat dimodelkan oleh penelitian AI awal. Manusia memecahkan sebagian besar masalah mereka menggunakan penilaian yang cepat dan intuitif.^[15]

Model penalaran, yaitu jenis model bahasa besar (LLM) yang dilatih untuk menghasilkan rangkaian pemikiran perantara, muncul pada tahun 2024 dan memungkinkan peningkatan kinerja pada masalah kompleks dalam matematika dan pemrograman.^[16] Model-model ini dapat menghasilkan keluaran yang salah atau "halusinasi", berbeda dengan sistem penalaran simbolik.^[17]

Representasi pengetahuan

Program AI menggunakan pengetahuan untuk menjawab pertanyaan secara cerdas dan membuat deduksi mengenai fakta-fakta dunia nyata.

Representasi pengetahuan formal dan rekayasa pengetahuan menggunakan simbol untuk merepresentasikan kata, konsep, dan benda di dunia.^[18][c] Basis pengetahuan adalah sekumpulan pengetahuan yang direpresentasikan dalam bentuk yang dapat digunakan oleh suatu program. Ontologi adalah sekumpulan objek, relasi, konsep, dan properti yang digunakan oleh suatu domain pengetahuan tertentu.^[24] Pengetahuan formal telah dipelajari secara ekstensif sejak tahun 1970-an dan peneliti telah mengembangkan formalisme untuk berbagai domain yang sulit.^[d]

Pendekatan simbolik mengalami kesulitan dalam beberapa masalah: luasnya pengetahuan akal sehat (jumlah fakta atomik yang diketahui orang rata-rata sangat besar),^[30] bentuk subsimbolik dari sebagian besar pengetahuan akal sehat (sebagian besar hal yang diketahui manusia tidak direpresentasikan sebagai "fakta" atau "pernyataan" yang dapat mereka ungkapkan secara verbal),^[15] dan akuisisi pengetahuan (masalah memperoleh pengetahuan untuk aplikasi AI).^[e]

Model bahasa besar (dan beberapa program AI lain yang dikembangkan sejak 2012) tidak memerlukan pengetahuan simbolik eksplisit. Model-model tersebut memperoleh pengetahuan dengan dilatih menggunakan gabungan teks dari jutaan buku dan miliaran situs web. AI modern juga dapat mempelajari suatu domain dengan melakukan eksperimen (seperti ketika AlphaZero mempelajari strategi permainan dengan bermain melawan dirinya sendiri). Pembelajaran mesin memecahkan masalah pengetahuan umum, pengetahuan akal sehat, dan akuisisi pengetahuan, tetapi pendekatan ini mengalami kesulitan dalam mengingat informasi secara akurat dan melakukan penalaran yang valid.^[33]

Perencanaan dan pengambilan keputusan

"Agen" adalah entitas apa pun (buatan maupun bukan) yang memahami dan melakukan tindakan di dunia. Agen rasional memiliki tujuan atau preferensi dan melakukan tindakan untuk mewujudkannya.^[f][34] Dalam perencanaan otomatis, agen memiliki tujuan tertentu.^[35] Dalam pengambilan keputusan otomatis, agen memiliki preferensi—ada beberapa situasi yang lebih ingin dicapainya dan beberapa situasi yang berusaha dihindarinya. Agen pengambil keputusan memberikan suatu angka kepada setiap situasi (disebut "utilitas") yang mengukur seberapa besar agen menyukai situasi tersebut. Untuk setiap tindakan yang mungkin, agen dapat menghitung "utilitas ekspektasian": utilitas dari semua hasil tindakan yang mungkin, yang dibobot berdasarkan probabilitas terjadinya hasil tersebut. Agen kemudian dapat memilih tindakan dengan utilitas ekspektasian maksimum.^[36]

Dalam perencanaan klasik, agen mengetahui secara pasti apa dampak dari setiap tindakan.^[37] Namun, dalam sebagian besar masalah dunia nyata, agen mungkin tidak memahami situasi saat ini dengan pasti (situasinya "tidak diketahui" atau "tidak dapat diamati") dan mungkin tidak mengetahui dengan pasti apa yang akan terjadi setelah setiap tindakan yang mungkin dilakukan (situasinya tidak "deterministik"). Agen harus memilih tindakan dengan membuat perkiraan probabilistik, kemudian menilai kembali situasi untuk melihat apakah tindakan tersebut menghasilkan dampak yang diinginkan.^[38]

Selain pengujian menyeluruh dan perbaikan berdasarkan keputusan sebelumnya, memberikan penjelasan mengenai alasan agen mengambil keputusan tertentu merupakan salah satu cara membangun kepercayaan, terutama ketika keputusan tersebut harus dapat diandalkan.^[39]

Dalam beberapa masalah, preferensi agen mungkin tidak pasti, terutama jika terdapat agen lain atau manusia yang terlibat. Preferensi tersebut dapat dipelajari (misalnya dengan pembelajaran penguatan terbalik), atau agen dapat mencari informasi untuk memperbaikinya.^[40] Teori nilai informasi dapat digunakan untuk menimbang nilai tindakan eksploratif atau eksperimental.^[41] Ruang kemungkinan tindakan dan situasi di masa depan biasanya terlalu besar untuk dihitung secara layak, sehingga agen harus melakukan tindakan dan mengevaluasi situasi ketika hasilnya masih belum pasti.

Proses keputusan Markov memiliki model transisi yang menjelaskan probabilitas bahwa suatu tindakan tertentu akan mengubah keadaan dengan cara tertentu serta fungsi imbalan yang memberikan utilitas setiap keadaan dan biaya setiap tindakan. Suatu kebijakan mengaitkan suatu keputusan dengan setiap keadaan yang mungkin. Kebijakan tersebut dapat dihitung (misalnya melalui iterasi kebijakan), ditentukan oleh suatu heuristik, atau dipelajari.^[42]

Teori permainan menjelaskan perilaku rasional dari banyak agen yang saling berinteraksi dan digunakan dalam program AI yang membuat keputusan yang melibatkan agen lain.^[43]

Pembelajaran

Pembelajaran mesin adalah studi mengenai program yang dapat meningkatkan kinerjanya pada tugas tertentu secara otomatis.^[44] Pembelajaran mesin telah menjadi bagian dari AI sejak awal.^[g]

Ada beberapa jenis pembelajaran mesin:

• Pembelajaran tanpa pengawasan menganalisis aliran data, menemukan pola, dan membuat prediksi tanpa panduan lain.^[47]
• Pembelajaran terawasi memerlukan pemberian label pada data pelatihan dengan jawaban yang diharapkan dan memiliki dua bentuk utama: klasifikasi (program harus mempelajari cara memprediksi kategori yang termasuk di dalamnya suatu masukan) dan regresi (program harus menyimpulkan fungsi numerik berdasarkan masukan numerik).^[48]
• Pembelajaran penguatan adalah ketika agen diberi penghargaan atas respons yang baik dan hukuman atas respons yang buruk. Agen belajar memilih respons yang diklasifikasikan sebagai "baik".^[49]
• Pembelajaran transfer adalah ketika pengetahuan yang diperoleh dari satu masalah diterapkan pada masalah baru.^[50]
• Pembelajaran mendalam adalah jenis pembelajaran mesin yang memasukkan masukan melalui jaringan saraf tiruan yang terinspirasi secara biologis untuk semua jenis pembelajaran tersebut.^[51]

Teori pembelajaran komputasional dapat menilai pembelajar berdasarkan kompleksitas komputasional, kompleksitas sampel (jumlah data yang diperlukan), atau gagasan lain mengenai optimisasi.^[52]

Pemrosesan bahasa alami

Pemrosesan bahasa alami (NLP) memungkinkan program membaca, menulis, dan berkomunikasi dalam bahasa manusia.^[53] Masalah khusus mencakup pengenalan ucapan, sintesis ucapan, penerjemahan mesin, ekstraksi informasi, pengambilan informasi, dan penjawaban pertanyaan.^[54]

Pekerjaan awal, yang didasarkan pada tata bahasa generatif Noam Chomsky dan jaringan semantik, mengalami kesulitan dalam disambiguasi makna kata^[h] kecuali jika dibatasi pada domain kecil yang disebut "dunia mikro" (karena masalah pengetahuan akal sehat^[30]). Ahli bahasa dan filsuf Britania Margaret Masterman meyakini bahwa makna, bukan tata bahasa, merupakan kunci untuk memahami bahasa,^[55] dan bahwa kamus serta terutama tesaurus harus menjadi dasar struktur bahasa komputasional.^[56]

Teknik pembelajaran mendalam modern untuk NLP mencakup penyematan kata (merepresentasikan kata, biasanya sebagai vektor yang mengodekan maknanya),^[57] transformer (arsitektur pembelajaran mendalam yang menggunakan mekanisme atensi),^[58] dan teknik lainnya.^[59] Pada tahun 2019, model bahasa transformer pralatih generatif (atau "GPT") mulai menghasilkan teks yang koheren.^[60][61] Pada tahun 2023, model-model ini mampu memperoleh skor setara manusia dalam ujian pengacara, SAT (Scholastic Assessment Test), GRE (Graduate Record Examination), dan banyak penerapan dunia nyata lainnya.^[62]

Persepsi

Persepsi mesin adalah kemampuan menggunakan masukan dari sensor (seperti kamera, mikrofon, sinyal nirkabel, lidar aktif, sonar, radar, dan sensor taktil) untuk menyimpulkan aspek-aspek dunia. Visi komputer adalah kemampuan untuk menganalisis masukan visual.^[63]

Bidang ini mencakup pengenalan ucapan,^[64] klasifikasi citra,^[65] pengenalan wajah, pengenalan objek,^[66] pelacakan objek,^[67] dan persepsi robot.^[68]

Kecerdasan sosial

Komputasi afektif adalah bidang yang mencakup sistem yang mengenali, menafsirkan, memproses, atau menyimulasikan afek manusia (perasaan, emosi, dan suasana hati).^[70] Sebagai contoh, beberapa asisten virtual diprogram untuk berbicara secara percakapan atau bahkan melontarkan candaan secara humoris; hal ini membuat mereka tampak lebih peka terhadap dinamika emosional interaksi manusia atau dengan cara lain memfasilitasi interaksi manusia–komputer.

Namun, hal ini cenderung memberikan pemahaman yang tidak realistis kepada pengguna naif mengenai kecerdasan agen komputer yang ada saat ini.^[71] Keberhasilan yang cukup baik terkait komputasi afektif mencakup analisis sentimen tekstual dan, yang lebih baru, analisis sentimen multimodal, yang mana AI mengklasifikasikan afek yang ditampilkan oleh subjek yang direkam dalam video.^[72]

Kecerdasan umum

Mesin dengan kecerdasan buatan umum (AGI) akan mampu memecahkan berbagai macam masalah dengan keluasan dan fleksibilitas yang serupa dengan kecerdasan manusia.^[73]

Teknik

Penelitian AI menggunakan berbagai macam teknik untuk mencapai tujuan-tujuan di atas.^[b]

Pencarian dan optimisasi

Ada dua jenis pencarian yang digunakan dalam AI: pencarian ruang keadaan dan pencarian lokal:

Pencarian ruang keadaan

Pencarian ruang keadaan menelusuri pohon keadaan yang mungkin untuk mencoba menemukan keadaan tujuan.^[74] Sebagai contoh, algoritme perencanaan menelusuri pohon tujuan dan subtujuan, berusaha menemukan jalur menuju tujuan target, suatu proses yang disebut analisis cara-tujuan.^[75]

Pencarian menyeluruh sederhana^[76] jarang memadai untuk sebagian besar masalah dunia nyata: ruang pencarian (jumlah tempat yang harus dicari) dengan cepat berkembang hingga mencapai jumlah yang amat besar. Akibatnya, pencarian menjadi terlalu lambat atau tidak pernah selesai.^[14] "Heuristik" atau "aturan praktis" dapat membantu memprioritaskan pilihan yang lebih mungkin mencapai suatu tujuan.^[77]

Pencarian adversarial digunakan untuk program permainan, seperti catur atau Go. Pencarian ini menelusuri pohon dari kemungkinan langkah dan langkah balasan, untuk mencari posisi yang menang.^[78]

Pencarian lokal

Pencarian lokal menggunakan optimisasi matematika untuk menemukan solusi suatu masalah. Pencarian ini dimulai dengan suatu bentuk tebakan dan menyempurnakannya secara bertahap.^[79]

Penurunan gradien adalah salah satu jenis pencarian lokal yang mengoptimalkan sekumpulan parameter numerik dengan menyesuaikannya secara bertahap untuk meminimalkan fungsi kerugian. Varian penurunan gradien umumnya digunakan untuk melatih jaringan saraf,^[80] melalui algoritme propagasi balik.

Jenis pencarian lokal lainnya adalah komputasi evolusioner, yang bertujuan meningkatkan sekumpulan solusi kandidat secara iteratif dengan "memutasi" dan "mengombinasikan kembali" solusi tersebut, serta memilih hanya solusi yang paling sesuai untuk bertahan pada setiap generasi.^[81]

Proses pencarian terdistribusi dapat berkoordinasi melalui algoritme kecerdasan kawanan. Dua algoritme kawanan populer yang digunakan dalam pencarian adalah optimisasi kawanan partikel (terinspirasi oleh kawanan burung) dan optimisasi koloni semut (terinspirasi oleh jejak semut).^[82]

Logika

Logika formal digunakan untuk penalaran dan representasi pengetahuan.^[83] Logika formal memiliki dua bentuk utama: logika proposisional (yang beroperasi pada pernyataan yang benar atau salah dan menggunakan penghubung logika seperti "dan", "atau", "tidak", dan "mengimplikasikan")^[84] dan logika predikat (yang juga beroperasi pada objek, predikat, dan relasi serta menggunakan kuantor seperti "Setiap X adalah Y" dan "Ada X tertentu yang merupakan Y").^[85]

Penalaran deduktif dalam logika adalah proses membuktikan suatu pernyataan baru (kesimpulan) dari pernyataan lain yang diberikan dan diasumsikan benar (yaitu premis).^[86] Pembuktian dapat disusun sebagai pohon pembuktian, yang simpul-simpulnya diberi label berupa kalimat, dan simpul anak dihubungkan dengan simpul induk melalui aturan inferensi.

Dengan diberikan suatu masalah dan sekumpulan premis, pemecahan masalah dapat direduksi menjadi pencarian pohon pembuktian yang simpul akarnya diberi label berupa solusi masalah dan simpul daun-nya diberi label berupa premis atau aksioma. Dalam kasus klausa Horn, pencarian pemecahan masalah dapat dilakukan dengan melakukan penalaran maju dari premis atau mundur dari masalah.^[87] Dalam kasus yang lebih umum, yaitu bentuk klausal dari logika orde pertama, resolusi adalah satu-satunya aturan inferensi tanpa aksioma, yang digunakan untuk menyelesaikan masalah dengan membuktikan kontradiksi dari premis yang mencakup negasi masalah yang hendak diselesaikan.^[88]

Inferensi dalam logika klausa Horn maupun logika orde pertama bersifat tak dapat diputuskan, dan oleh karena itu sulit ditangani secara komputasional. Namun, penalaran mundur dengan klausa Horn, yang menjadi dasar komputasi dalam bahasa pemrograman logika Prolog, bersifat Turing lengkap. Selain itu, efisiensinya kompetitif dengan komputasi dalam bahasa pemrograman simbolik lainnya.^[89]

Logika fuzzy menetapkan suatu "derajat kebenaran" antara 0 dan 1. Oleh karena itu, logika ini dapat menangani proposisi yang samar dan sebagian benar.^[90]

Logika non-monotonik, termasuk pemrograman logika dengan negasi sebagai kegagalan, dirancang untuk menangani penalaran default.^[29] Berbagai versi logika khusus lainnya telah dikembangkan untuk menggambarkan banyak ranah yang kompleks.

Metode probabilistik untuk penalaran dengan ketidakpastian

Banyak masalah dalam AI (termasuk penalaran, perencanaan, pembelajaran, persepsi, dan robotika) mengharuskan agen beroperasi dengan informasi yang tidak lengkap atau tidak pasti. Para peneliti AI telah mengembangkan sejumlah alat untuk menyelesaikan masalah tersebut menggunakan metode dari teori probabilitas dan ekonomi.^[91] Alat matematika yang presisi telah dikembangkan untuk menganalisis bagaimana suatu agen dapat membuat pilihan dan merencanakan menggunakan teori keputusan, analisis keputusan,^[92] dan teori nilai informasi.^[93] Alat-alat ini mencakup model seperti proses keputusan Markov,^[94] jaringan keputusan dinamis,^[95] teori permainan, dan desain mekanisme.^[96]

Jaringan Bayesian^[97] merupakan alat yang dapat digunakan untuk penalaran (menggunakan algoritme inferensi Bayesian),^[i][99] pembelajaran (menggunakan algoritme ekspektasi–maksimisasi),^[j][101] perencanaan (menggunakan jaringan keputusan)^[102] dan persepsi mesin (menggunakan jaringan Bayesian dinamis).^[95]

Algoritme probabilistik juga dapat digunakan untuk penyaringan, prediksi, penghalusan, dan menemukan penjelasan dari aliran data, sehingga membantu sistem persepsi menganalisis proses yang terjadi dari waktu ke waktu (misalnya model Markov tersembunyi atau filter Kalman).^[95]

Pengklasifikasi dan metode pembelajaran statistik

Aplikasi AI paling sederhana dapat dibagi menjadi dua jenis: pengklasifikasi (misalnya, "jika berkilau maka berlian"), di satu sisi, dan pengendali (misalnya, "jika berlian maka ambil"), di sisi lain. Pengklasifikasi^[103] adalah fungsi yang menggunakan pencocokan pola untuk menentukan kecocokan terdekat. Pengklasifikasi dapat disempurnakan berdasarkan contoh-contoh yang dipilih menggunakan pembelajaran terawasi. Setiap pola (juga disebut "pengamatan") diberi label dengan kelas tertentu yang telah ditentukan sebelumnya. Semua pengamatan beserta label kelasnya secara keseluruhan dikenal sebagai kumpulan data. Ketika pengamatan baru diterima, pengamatan tersebut diklasifikasikan berdasarkan pengalaman sebelumnya.^[48]

Ada banyak jenis pengklasifikasi yang digunakan.^[104] Pohon keputusan adalah algoritme pembelajaran mesin simbolik yang paling sederhana dan paling banyak digunakan.^[105] Algoritme K-tetangga terdekat merupakan AI analogis yang paling banyak digunakan hingga pertengahan 1990-an, dan metode kernel seperti mesin vektor pendukung (SVM) menggantikan K-tetangga terdekat pada 1990-an.^[106] Pengklasifikasi Bayes naif dilaporkan sebagai "pembelajar yang paling banyak digunakan"^[107] di Google, sebagian karena skalabilitasnya.^[108] Jaringan saraf juga digunakan sebagai pengklasifikasi.^[109]

Jaringan saraf tiruan

Jaringan saraf tiruan didasarkan pada kumpulan simpul yang juga dikenal sebagai neuron buatan, yang secara longgar memodelkan neuron dalam otak biologis. Jaringan ini dilatih untuk mengenali pola; setelah dilatih, jaringan tersebut dapat mengenali pola tersebut dalam data baru. Terdapat masukan, setidaknya satu lapisan tersembunyi dari simpul, dan keluaran. Setiap simpul menerapkan suatu fungsi dan ketika bobot melewati ambang yang ditentukan, data diteruskan ke lapisan berikutnya. Suatu jaringan biasanya disebut jaringan saraf dalam jika memiliki setidaknya 2 lapisan tersembunyi.^[109]

Algoritme pembelajaran untuk jaringan saraf menggunakan pencarian lokal untuk memilih bobot yang menghasilkan keluaran yang tepat untuk setiap masukan selama pelatihan. Teknik pelatihan yang paling umum adalah algoritme propagasi balik.^[110] Jaringan saraf belajar memodelkan hubungan kompleks antara masukan dan keluaran serta menemukan pola dalam data. Secara teori, jaringan saraf dapat mempelajari fungsi apa pun.^[111]

Dalam jaringan saraf feedforward, sinyal hanya bergerak dalam satu arah.^[112] Istilah perceptron biasanya merujuk pada jaringan saraf satu lapisan.^[113] Sebaliknya, pembelajaran mendalam menggunakan banyak lapisan.^[114] Jaringan saraf berulang (RNN) memasukkan kembali sinyal keluaran ke dalam masukan, yang memungkinkan penyimpanan memori jangka pendek dari peristiwa masukan sebelumnya. Jaringan memori jangka pendek-panjang (LSTM) merupakan jaringan saraf berulang yang lebih baik dalam mempertahankan dependensi jangka panjang dan lebih tidak sensitif terhadap masalah gradien menghilang.^[115] Jaringan saraf konvolusional (CNN) menggunakan lapisan kernel untuk memproses pola lokal secara lebih efisien. Pemrosesan lokal ini sangat penting terutama dalam pemrosesan citra, ketika lapisan awal CNN biasanya mengidentifikasi pola lokal sederhana seperti tepi dan kurva, kemudian lapisan berikutnya mendeteksi pola yang lebih kompleks seperti tekstur, dan akhirnya keseluruhan objek.^[116]

Pembelajaran mendalam

Pembelajaran mendalam menggunakan beberapa lapisan neuron di antara masukan dan keluaran jaringan.^[114] Lapisan-lapisan tersebut dapat secara bertahap mengekstraksi fitur tingkat lebih tinggi dari masukan mentah. Sebagai contoh, dalam pemrosesan citra, lapisan yang lebih rendah dapat mengidentifikasi tepi, sedangkan lapisan yang lebih tinggi dapat mengidentifikasi konsep yang relevan bagi manusia seperti angka, huruf, atau wajah.^[118]

Pembelajaran mendalam meningkatkan kinerja visi komputer, pengenalan suara, pemrosesan bahasa alami, klasifikasi citra, dan banyak aplikasi lainnya.^[9] Alasan pembelajaran mendalam mengungguli metode lain^[119] dalam begitu banyak aplikasi belum diketahui hingga 2021.^[120]

GPT dan LLM

Transformer pralatih generatif (GPT) adalah model bahasa besar (LLM) yang menghasilkan teks berdasarkan hubungan semantik antara kata-kata dalam kalimat. Model GPT berbasis teks dipratraining pada korpus teks berukuran besar yang dapat berasal dari Internet. Prapelatihan tersebut terdiri atas prediksi token berikutnya (token biasanya berupa kata, subkata, atau tanda baca). Selama prapelatihan ini, model GPT mengumpulkan pengetahuan tentang dunia dan kemudian dapat menghasilkan teks yang menyerupai tulisan manusia dengan berulang kali memprediksi token berikutnya. Biasanya, tahap pelatihan berikutnya membuat model lebih benar, berguna, dan tidak berbahaya, biasanya dengan teknik yang disebut pembelajaran penguatan dari umpan balik manusia (RLHF). Model GPT saat ini rentan menghasilkan pernyataan palsu yang disebut "halusinasi". Halusinasi tersebut dapat dikurangi dengan RLHF dan data berkualitas, tetapi masalah ini semakin buruk pada sistem penalaran.^[121] Sistem semacam ini digunakan dalam chatbot, yang memungkinkan orang mengajukan pertanyaan atau meminta suatu tugas menggunakan teks sederhana.^[122][123]

Model dan layanan GPT saat ini mencakup ChatGPT, Claude, Gemini, Copilot, dan Meta AI.^[124] Model GPT multimodal dapat memproses berbagai jenis data (modalitas) seperti gambar, video, suara, dan teks.^[125]

Perangkat keras dan perangkat lunak

Pada akhir 2010-an, unit pemrosesan grafis (GPU) yang semakin dirancang dengan peningkatan khusus AI dan digunakan bersama perangkat lunak TensorFlow khusus telah menggantikan unit pemrosesan pusat (CPU) yang sebelumnya digunakan sebagai sarana dominan untuk melatih model pembelajaran mesin skala besar (komersial dan akademik).^[126] Bahasa pemrograman khusus seperti Prolog digunakan dalam penelitian AI awal,^[127] tetapi bahasa pemrograman serbaguna seperti Python telah menjadi yang dominan.^[128]

Kepadatan transistor dalam sirkuit terpadu telah diamati kira-kira berlipat ganda setiap 18 bulan—suatu tren yang dikenal sebagai hukum Moore, dinamai dari salah satu pendiri Intel, Gordon Moore, yang pertama kali mengidentifikasinya. Peningkatan pada GPU bahkan lebih cepat,^[129] suatu tren yang terkadang disebut hukum Huang,^[130] yang dinamai menurut salah satu pendiri dan CEO Nvidia, Jensen Huang.

Aplikasi

Teknologi AI dan pembelajaran mesin digunakan dalam sebagian besar aplikasi penting pada dekade 2020-an, termasuk:

• mesin pencari (seperti Google Search)
• penargetan iklan daring
• sistem rekomendasi (yang ditawarkan oleh Netflix, YouTube, atau Amazon) yang mendorong lalu lintas Internet
• iklan bertarget (AdSense, Facebook)
• asisten virtual (seperti Siri atau Alexa)
• kendaraan otonom (termasuk drone, ADAS, dan mobil swakemudi)
• penerjemahan bahasa otomatis (Microsoft Translator, Google Translate)
• sistem pengenalan wajah (Apple Face ID atau DeepFace milik Facebook dan FaceNet milik Google)
• pelabelan citra (digunakan oleh Facebook, Photos milik Apple, dan TikTok).

Pengembangan perangkat lunak berbantuan AI

Chatbot

AI fisik

Kesehatan dan kedokteran

AlphaFold 2 (2021) menunjukkan kemampuan untuk memperkirakan struktur 3D protein dalam hitungan jam, bukan berbulan-bulan.^[131] Pada 2023, dilaporkan bahwa penemuan obat berbantuan AI membantu menemukan kelas antibiotik yang mampu membunuh dua jenis bakteri yang resistan terhadap obat.^[132] Pada 2024, para peneliti menggunakan pembelajaran mesin untuk mempercepat pencarian pengobatan untuk penyakit Parkinson. Tujuan mereka adalah mengidentifikasi senyawa yang menghambat penggumpalan, atau agregasi, alfa-sinuklein (protein yang menjadi ciri penyakit Parkinson). Mereka berhasil mempercepat proses penyaringan awal sepuluh kali lipat dan mengurangi biayanya seribu kali lipat.^[133][134]

Sebuah artikel Nature tahun 2026 berjudul "Dozens of AI disease-prediction models were trained on dubious data" menyoroti penggunaan data yang tidak dapat diandalkan untuk melatih model prediksi penyakit AI untuk stroke dan diabetes dalam 125 artikel penelitian. Bukti menunjukkan bahwa beberapa alat AI yang dikembangkan berdasarkan data yang tidak dapat diandalkan telah digunakan pada pasien, meskipun belum jelas apakah terdapat dampak yang merugikan.^[135][136]

Permainan

Program permainan telah digunakan sejak 1950-an untuk mendemonstrasikan dan menguji teknik AI yang paling maju.^[137] Deep Blue menjadi sistem komputer permainan catur pertama yang mengalahkan juara dunia catur yang sedang bertahan, Garry Kasparov, pada 11 Mei 1997.^[138] Pada 2011, dalam pertandingan eksibisi acara kuis Jeopardy!, IBM sistem penjawab pertanyaan, Watson, mengalahkan dua juara Jeopardy! terbaik, Brad Rutter dan Ken Jennings, dengan selisih yang signifikan.^[139] Pada Maret 2016, AlphaGo memenangkan 4 dari 5 pertandingan Go dalam pertandingan melawan juara Go Lee Sedol, menjadi sistem komputer Go pertama yang mengalahkan pemain Go profesional tanpa handicap. Kemudian, pada 2017, AlphaGo mengalahkan Ke Jie, yang saat itu merupakan pemain Go terbaik di dunia.^[140] Program lain menangani permainan dengan informasi yang tidak sempurna, seperti program permainan poker Pluribus.^[141] DeepMind mengembangkan model pembelajaran penguatan yang semakin umum, seperti MuZero, yang dapat dilatih untuk memainkan catur, Go, atau permainan Atari.^[142] Pada 2019, AlphaStar milik DeepMind mencapai tingkat grandmaster dalam StarCraft II, sebuah permainan strategi waktu nyata yang sangat menantang yang melibatkan pengetahuan tidak lengkap mengenai apa yang terjadi di peta.^[143] Pada 2021, sebuah agen AI berkompetisi dalam kompetisi Gran Turismo di PlayStation dan mengalahkan empat pengemudi Gran Turismo terbaik dunia menggunakan pembelajaran penguatan mendalam.^[144] Pada 2024, Google DeepMind memperkenalkan SIMA, sejenis AI yang mampu memainkan sembilan permainan video dunia terbuka yang sebelumnya belum pernah dilihat secara mandiri dengan mengamati keluaran layar, serta menjalankan tugas-tugas singkat dan spesifik sebagai respons terhadap instruksi bahasa alami.^[145]

Matematika

Pada Januari 2025, Microsoft mengusulkan teknik rStar-Math yang memanfaatkan pencarian pohon Monte Carlo dan penalaran langkah demi langkah, yang memungkinkan model bahasa yang relatif kecil seperti Qwen-7B menyelesaikan 53% soal AIME 2024 dan 90% soal pada tolok ukur MATH.^[146] Google DeepMind telah mengembangkan model untuk menyelesaikan masalah matematika: AlphaDev, AlphaEvolve, AlphaGeometry, AlphaProof, AlphaTensor, dan FunSearch.^[147][148]

Ketika bahasa alami digunakan untuk mendeskripsikan masalah matematika, konverter dapat mengubah perintah tersebut menjadi bahasa formal seperti Lean untuk mendefinisikan tugas matematika. Model eksperimental Gemini Deep Think menerima perintah bahasa alami secara langsung dan mencapai hasil setara medali emas dalam Olimpiade Matematika Internasional 2025.^[149]

Pada Juni 2026, kelompok matematikawan internasional menerbitkan sebuah pernyataan yang menyerukan kepada matematikawan, organisasi profesi, dan pembuat kebijakan untuk mengungkapkan penggunaan AI, menjunjung tinjauan sejawat, serta melindungi keterbukaan dan nilai-nilai disiplin ilmu tersebut.^[150]

Pada September 2026, OpenAI mengumumkan bahwa salah satu modelnya telah menghasilkan contoh tandingan untuk masalah eksistensi dan kehalusan Navier–Stokes, salah satu Masalah Hadiah Milenium dalam matematika. Hingga 2026, klaim tersebut belum diverifikasi oleh matematikawan eksternal mana pun^[151] dan menjadi subjek sengketa prioritas.^[152]

Keuangan

Menurut Nicolas Firzli, direktur World Pensions & Investments Forum, mungkin masih terlalu dini untuk melihat munculnya produk dan layanan keuangan yang sangat inovatif dan diinformasikan oleh AI. Ia berpendapat bahwa "penerapan alat AI hanya akan semakin mengotomatiskan berbagai hal: menghancurkan puluhan ribu pekerjaan di bidang perbankan, perencanaan keuangan, dan penasihat pensiun dalam prosesnya, tetapi saya tidak yakin hal tersebut akan memicu gelombang baru inovasi pensiun [misalnya yang canggih]."^[153]

Militer

Penggunaan AI militer berupaya meningkatkan komando dan kendali, komunikasi, sensor, integrasi, dan interoperabilitas.^[154] Pengumpulan dan analisis intelijen, logistik, operasi siber, operasi informasi, serta kendaraan semiautonom dan otonom sedang diteliti.^[155] Teknologi AI digunakan dalam koordinasi sensor dan efektor, deteksi dan identifikasi ancaman, penandaan posisi musuh, akuisisi target, serta koordinasi dan pencegahan konflik Joint Fires terdistribusi antara kendaraan tempur yang terhubung dalam jaringan, baik yang dioperasikan manusia maupun otonom.^[154]

AI telah digunakan dalam operasi militer di Irak, Suriah, Israel, dan Ukraina.^{[155][156][157][158]}

AI generatif

Agen

Agen AI adalah entitas perangkat lunak yang dirancang untuk memahami lingkungannya, membuat keputusan, dan mengambil tindakan secara otonom untuk mencapai tujuan tertentu. Agen ini dapat berinteraksi dengan pengguna, lingkungannya, atau agen lainnya. Agen AI digunakan dalam berbagai aplikasi, termasuk asisten virtual, chatbot, kendaraan otonom, sistem permainan, dan robotika industri. Agen AI beroperasi dalam batasan pemrogramannya, sumber daya komputasi yang tersedia, dan keterbatasan perangkat keras. Artinya, agen tersebut terbatas untuk melakukan tugas dalam lingkup yang telah ditentukan dan memiliki kemampuan memori serta pemrosesan yang terbatas. Dalam aplikasi dunia nyata, agen AI sering menghadapi batasan waktu dalam pengambilan keputusan dan pelaksanaan tindakan. Banyak agen AI menggunakan algoritme pembelajaran, yang memungkinkan mereka meningkatkan kinerja dari waktu ke waktu melalui pengalaman atau pelatihan. Dengan menggunakan pembelajaran mesin, agen AI dapat beradaptasi terhadap situasi baru dan mengoptimalkan perilakunya untuk tugas yang ditetapkan.^{[161][162][163]}

Pencarian web

Microsoft memperkenalkan Copilot Search pada Februari 2023 dengan nama Bing Chat. Copilot Search menyediakan ringkasan yang dihasilkan AI.^[164]

Fitur AI generatif yang ditambahkan ke Google Search mencakup AI Overviews pada Mei 2024^[165] dan AI Mode pada Mei 2025.^[166]

Seksualitas

Penerapan AI dalam ranah ini mencakup pelacak menstruasi dan kesuburan berbasis AI yang menganalisis data pengguna untuk memberikan prediksi,^[167] mainan seks yang terintegrasi dengan AI (misalnya teledildonik),^[168] konten pendidikan seksual yang dihasilkan AI,^[169] serta agen AI yang menyimulasikan pasangan seksual dan romantis (misalnya Replika).^[170] AI juga digunakan untuk menghasilkan pornografi deepfake tanpa persetujuan, yang menimbulkan kekhawatiran etis dan hukum yang signifikan.^[171]

Teknologi AI juga telah digunakan untuk mencoba mengidentifikasi kekerasan berbasis gender daring dan grooming seksual daring terhadap anak di bawah umur.^[172][173]

Tugas khusus industri lainnya

Dalam survei tahun 2017, satu dari lima perusahaan melaporkan telah mengintegrasikan "AI" ke dalam beberapa penawaran atau prosesnya.^[174]

Dalam bidang evakuasi dan manajemen bencana, AI telah digunakan untuk menyelidiki pola dalam evakuasi skala besar maupun kecil menggunakan data historis dari GPS, video, atau media sosial.^{[175][176][177]}

Selama pemilihan umum India 2024, US$50 juta dibelanjakan untuk konten yang dihasilkan AI dan diotorisasi, terutama dengan membuat deepfake politisi sekutu (termasuk terkadang politisi yang telah meninggal) untuk meningkatkan keterlibatan dengan pemilih, serta menerjemahkan pidato ke berbagai bahasa lokal.^[178]

Penggunaan AI generatif oleh firma hukum untuk penelitian hukum menghasilkan basis data global "AI Hallucination Cases" pada April 2025, yang didirikan oleh HEC Paris dan dosen analisis data hukum Sciences Po, Damien Charlotin.^[179][180] Pada 2026, hakim telah menjatuhkan sanksi dan asosiasi pengacara telah mengeluarkan peringatan karena pengajuan pengacara ke pengadilan mengandung kutipan putusan yang dibuat-buat dan dihalusinasikan oleh alat AI.^[181]

Etika

AI memiliki potensi manfaat dan risiko.^[182] AI mungkin mampu memajukan ilmu pengetahuan dan menemukan solusi bagi masalah-masalah serius: Demis Hassabis dari DeepMind berharap untuk "memecahkan kecerdasan, lalu menggunakannya untuk memecahkan segala sesuatu yang lain".^[183] Namun, seiring meluasnya penggunaan AI, sejumlah konsekuensi yang tidak diinginkan dan risiko telah diidentifikasi.^[184][185] Sistem yang digunakan dalam produksi terkadang tidak memasukkan etika dan bias ke dalam proses pelatihan AI, terutama ketika algoritme AI pada dasarnya tidak dapat dijelaskan dalam pembelajaran mendalam.^[186]

Risiko dan bahaya

Privasi dan hak cipta

Algoritme pembelajaran mesin membutuhkan data dalam jumlah besar. Teknik yang digunakan untuk memperoleh data tersebut telah menimbulkan kekhawatiran mengenai privasi, pengawasan, dan hak cipta.

Perangkat dan layanan yang didukung AI, seperti asisten virtual dan produk IoT, terus-menerus mengumpulkan informasi pribadi, sehingga menimbulkan kekhawatiran mengenai pengumpulan data yang mengganggu privasi dan akses tanpa izin oleh pihak ketiga. Hilangnya privasi semakin diperburuk oleh kemampuan AI untuk memproses dan menggabungkan data dalam jumlah sangat besar, yang berpotensi mengarah pada masyarakat pengawasan ketika aktivitas individu terus-menerus dipantau dan dianalisis tanpa perlindungan atau transparansi yang memadai.

Data pengguna sensitif yang dikumpulkan dapat mencakup catatan aktivitas daring, data geolokasi, video, atau audio.^[187] Sebagai contoh, untuk membangun algoritme pengenalan suara, Amazon merekam jutaan percakapan pribadi dan mengizinkan pekerja sementara mendengarkan serta mentranskripsikan sebagian di antaranya.^[188] Pendapat mengenai pengawasan yang meluas ini berkisar dari mereka yang melihatnya sebagai kejahatan yang diperlukan hingga mereka yang menganggapnya jelas tidak etis dan merupakan pelanggaran terhadap hak privasi.^[189]

Pengembang AI berpendapat bahwa hal tersebut merupakan satu-satunya cara untuk menyediakan aplikasi yang bernilai dan telah mengembangkan beberapa teknik yang berupaya menjaga privasi sambil tetap memperoleh data, seperti agregasi data, deidentifikasi, dan privasi diferensial.^[190] Sejak 2016, beberapa pakar privasi, seperti Cynthia Dwork, mulai memandang privasi dalam kerangka keadilan. Brian Christian menulis bahwa para pakar telah beralih "dari pertanyaan 'apa yang mereka ketahui' ke pertanyaan 'apa yang mereka lakukan terhadapnya'."^[191]

AI generatif sering dilatih menggunakan karya berhak cipta yang tidak berlisensi, termasuk dalam bidang seperti gambar atau kode komputer; keluarannya kemudian digunakan dengan alasan "penggunaan wajar". Para pakar berbeda pendapat mengenai seberapa baik dan dalam keadaan apa alasan tersebut akan bertahan di pengadilan; faktor yang relevan dapat mencakup "tujuan dan karakter penggunaan karya berhak cipta" serta "dampaknya terhadap pasar potensial untuk karya berhak cipta tersebut".^[192][193] Pemilik situs web dapat menunjukkan bahwa mereka tidak menginginkan kontennya diambil melalui berkas "robots.txt".^[194] Namun, beberapa perusahaan tetap mengambil konten^[195][196] karena berkas robots.txt tidak memiliki kewenangan hukum yang nyata. Pada 2023, para penulis terkemuka (termasuk John Grisham dan Jonathan Franzen) menggugat perusahaan AI karena menggunakan karya mereka untuk melatih AI generatif.^[197][198] Pendekatan lain yang telah dibahas adalah membayangkan sistem perlindungan sui generis yang terpisah untuk kreasi yang dihasilkan AI guna memastikan atribusi dan kompensasi yang adil bagi penulis manusia.^[199]

Dominasi oleh perusahaan teknologi raksasa

Dunia AI komersial didominasi oleh perusahaan Big Tech seperti Alphabet Inc., Amazon, Apple Inc., Meta Platforms, dan Microsoft.^{[200][201][202]} Beberapa perusahaan tersebut telah memiliki sebagian besar infrastruktur cloud dan daya komputasi yang ada dari pusat data, sehingga memungkinkan mereka semakin memperkuat posisi di pasar.^[203][204] Selama sebagian besar 2025–2026, perusahaan yang terkait dengan AI juga mendominasi imbal hasil pasar saham. Menurut laporan S&P Global pada Juli 2024, investor mulai mempertanyakan apakah pengeluaran besar untuk infrastruktur AI dan pusat data akan menghasilkan keuntungan yang memadai, sehingga meningkatkan volatilitas saham teknologi dan semikonduktor serta menimbulkan kekhawatiran mengenai kemungkinan gelembung AI.^[205] Dalam sebuah artikel Economic Policy tahun 2025, ekonom Anton Korinek dan Jai Vipra menggambarkan beberapa sektor pasar yang berkaitan dengan AI sebagai sektor yang sangat terkonsentrasi.^[206]

Kebutuhan daya dan dampak lingkungan

Perusahaan teknologi telah membangun infrastruktur kelistrikan dan kecerdasan buatan untuk memfasilitasi ledakan AI pada dekade 2020-an. Laporan tahun 2025 dari perusahaan konsultan McKinsey & Company memperkirakan bahwa pada tahun 2030, sebesar US$2,7 triliun akan diinvestasikan ke dalam infrastruktur AI dan pusat data di AS, melampaui Proyek Manhattan pada Perang Dunia II setiap bulannya.^[208]

Pada Januari 2024, International Energy Agency (IEA) menerbitkan Electricity 2024, Analysis and Forecast to 2026.^[209] Ini merupakan laporan IEA pertama yang membuat proyeksi untuk pusat data dan konsumsi daya oleh AI serta mata uang kripto. Laporan tersebut menyatakan bahwa permintaan daya untuk penggunaan ini mungkin berlipat ganda pada tahun 2026, dengan konsumsi daya tambahan yang setara dengan konsumsi Jepang.^[210]

Konsumsi daya oleh AI bertanggung jawab atas peningkatan penggunaan bahan bakar fosil dan telah menunda penutupan fasilitas pembangkit listrik tenaga batu bara yang sudah usang dan menghasilkan karbon. Pencarian ChatGPT menggunakan energi listrik 10 kali lebih banyak daripada pencarian Google.^[211]

Makalah penelitian Goldman Sachs tahun 2024, AI Data Centers and the Coming US Power Demand Surge, menemukan bahwa "permintaan daya AS kemungkinan akan mengalami pertumbuhan yang belum pernah terlihat selama satu generasi...." dan memperkirakan bahwa pada tahun 2030, pusat data AS akan mengonsumsi 8% daya AS, dibandingkan dengan 3% pada tahun 2022, yang mengisyaratkan pertumbuhan industri pembangkitan tenaga listrik melalui berbagai cara.^[212] Kebutuhan pusat data akan semakin banyak daya listrik sedemikian rupa sehingga dapat membebani jaringan listrik hingga kapasitas maksimumnya. Perusahaan-perusahaan Big Tech menanggapi bahwa AI dapat digunakan untuk memaksimalkan pemanfaatan jaringan listrik oleh semua pihak.^[213]

Pada tahun 2024, The Wall Street Journal melaporkan bahwa perusahaan-perusahaan AI besar telah mulai melakukan negosiasi dengan penyedia tenaga nuklir AS untuk memasok listrik bagi pusat data. Pada Maret 2024, Amazon membeli sebuah pusat data bertenaga nuklir di Pennsylvania seharga US$650 juta.^[214]

Pada September 2024, Microsoft mengumumkan perjanjian dengan Constellation Energy untuk membuka kembali Pembangkit Listrik Tenaga Nuklir Three Mile Island guna memasok Microsoft dengan 100% seluruh energi listrik yang dihasilkan pembangkit tersebut selama 20 tahun. Pembukaan kembali pembangkit listrik tersebut, yang mengalami pelelehan inti nuklir sebagian pada reaktor Unit 2 pada tahun 1979, akan mengharuskan Constellation melalui proses regulasi yang ketat, termasuk pemeriksaan keselamatan secara ekstensif oleh Nuclear Regulatory Commission AS. Jika disetujui (ini akan menjadi pembukaan kembali pembangkit listrik tenaga nuklir pertama di AS), lebih dari 835 megawatt daya—cukup untuk 800.000 rumah—akan dihasilkan. Biaya pembukaan kembali dan peningkatan fasilitas diperkirakan mencapai US$1,6 miliar dan bergantung pada keringanan pajak untuk tenaga nuklir yang tercantum dalam Inflation Reduction Act AS tahun 2022.^[215] Hingga tahun 2024, pemerintah AS dan negara bagian Michigan telah menginvestasikan hampir US$2 miliar untuk membuka kembali reaktor nuklir Palisades di Danau Michigan. Ditutup sejak tahun 2022, pembangkit tersebut dijadwalkan dibuka kembali pada Oktober 2025.^[216]

Setelah persetujuan terakhir pada September 2023, Taiwan menghentikan persetujuan untuk pusat data di sebelah utara Taoyuan dengan kapasitas lebih dari 5 MW pada tahun 2024 karena kekurangan pasokan listrik.^[217] Taiwan bertujuan untuk menghentikan penggunaan tenaga nuklir pada tahun 2025.^[217]

Singapura memberlakukan larangan pembukaan pusat data pada tahun 2019 karena keterbatasan daya listrik, tetapi mencabutnya pada tahun 2022.^[217]

Meskipun sebagian besar pembangkit listrik tenaga nuklir di Jepang telah ditutup setelah kecelakaan nuklir Fukushima tahun 2011, menurut artikel Bloomberg berbahasa Jepang pada Oktober 2024, perusahaan layanan cloud gaming Ubitus, yang sebagian sahamnya dimiliki Nvidia, sedang mencari lahan di Jepang di dekat pembangkit listrik tenaga nuklir untuk pusat data baru bagi AI generatif.^[218]

Pada 1 November 2024, Federal Energy Regulatory Commission (FERC) menolak permohonan yang diajukan oleh Talen Energy untuk mendapatkan persetujuan memasok sebagian listrik dari pembangkit listrik tenaga nuklir Susquehanna ke pusat data Amazon.^[219] Menurut Ketua Komisi Willie L. Phillips, hal tersebut membebani jaringan listrik serta menimbulkan kekhawatiran signifikan mengenai pengalihan biaya kepada rumah tangga dan sektor bisnis lainnya.^[219]

Pada tahun 2025, sebuah laporan yang disusun oleh IEA memperkirakan emisi gas rumah kaca dari konsumsi energi AI mencapai 180 juta ton. Pada tahun 2035, emisi tersebut dapat meningkat menjadi 300–500 juta ton, bergantung pada langkah-langkah yang diambil. Jumlah ini kurang dari 1,5% emisi sektor energi. Potensi pengurangan emisi oleh AI diperkirakan mencapai 5% emisi sektor energi, tetapi efek pantulan (misalnya jika orang beralih dari transportasi umum ke mobil otonom) dapat menguranginya.^[220]

Pada Juni 2026, United Nations University Institute for Water, Environment and Health menerbitkan laporan mengenai dampak lingkungan kumulatif AI, bukan hanya karbon. Laporan tersebut menemukan bahwa AI memiliki dampak negatif yang signifikan terhadap lahan, air, dan iklim karena menggunakan listrik dalam jumlah besar, membutuhkan pertambangan mineral, dan menghasilkan limbah elektronik dalam jumlah besar. Pada tahun 2025, pusat data mengonsumsi lebih banyak listrik daripada Arab Saudi, sementara ChatGPT saja mengonsumsi air dalam jumlah yang setara dengan kebutuhan 500.000 orang di Afrika Sub-Sahara. Dampak negatif tersebut tidak tersebar secara merata di seluruh planet, melainkan terkonsentrasi di beberapa tempat. Pusat data sering dibangun di tempat-tempat yang sudah mengalami kekurangan air. Misalnya, penerapan AI telah menyebabkan peningkatan kelangkaan air di Meksiko dan Uruguay. Hal tersebut menimbulkan masalah pasokan energi di Irlandia, yang melarang pembangunan pusat data baru di dekat Dublin hingga tahun 2028. Berbagai langkah dapat melibatkan pertukaran dampak; misalnya, peralihan dari batu bara ke bioenergi mengurangi jejak karbon tetapi meningkatkan dampak terhadap lahan dan air. Efisiensi energi mungkin tidak mengurangi dampak lingkungan karena ketika AI menjadi lebih efisien, teknologi tersebut juga menjadi lebih murah dan digunakan secara lebih luas.^[11]

Misinformasi

YouTube, Facebook dan platform lainnya menggunakan sistem rekomendasi untuk mengarahkan pengguna ke lebih banyak konten. Program AI ini diberi tujuan memaksimalkan keterlibatan pengguna (yaitu, satu-satunya tujuan adalah membuat orang terus menonton). AI mempelajari bahwa pengguna cenderung memilih misinformasi, teori konspirasi, dan konten partisan ekstrem, sehingga untuk membuat mereka terus menonton, AI merekomendasikan lebih banyak konten semacam itu. Pengguna juga cenderung menonton lebih banyak konten mengenai subjek yang sama, sehingga AI membawa orang ke dalam gelembung penyaring, tempat mereka menerima berbagai versi misinformasi yang sama.^[221] Hal ini meyakinkan banyak pengguna bahwa misinformasi tersebut benar dan pada akhirnya merusak kepercayaan terhadap institusi, media, dan pemerintah.^[222] Program AI tersebut telah dengan tepat mempelajari cara memaksimalkan tujuannya, tetapi hasilnya berbahaya bagi masyarakat. Setelah pemilihan umum AS tahun 2016, perusahaan teknologi besar mengambil sejumlah langkah untuk mengurangi masalah tersebut.^[223]

Pada awal dekade 2020-an, AI generatif mulai menghasilkan gambar, audio, dan teks yang hampir tidak dapat dibedakan dari foto, rekaman, atau tulisan manusia yang nyata,^[224] sementara video realistis yang dihasilkan AI menjadi layak dibuat pada pertengahan dekade 2020-an.^{[225][226][227]} Pelaku jahat dapat menggunakan teknologi ini untuk membuat misinformasi dalam jumlah besar dan propaganda komputasional melalui teknik seperti deepfake.^[228][229] Pelopor AI dan ilmuwan komputer pemenang Penghargaan Nobel Geoffrey Hinton menyatakan kekhawatiran bahwa AI dapat memungkinkan "pemimpin otoriter memanipulasi pemilih mereka" dalam skala besar, di antara risiko lainnya.^[230] Kemampuan untuk memengaruhi pemilih telah dibuktikan dalam setidaknya satu penelitian. Penelitian yang sama menunjukkan lebih banyak pernyataan tidak akurat dari model ketika model tersebut mendukung kandidat dari kelompok politik kanan.^[231]

Para peneliti AI di Microsoft, OpenAI, universitas, dan organisasi lainnya telah mengusulkan penggunaan "kredensial kemanusiaan" (personhood credentials) sebagai cara untuk mengatasi penipuan daring yang dimungkinkan oleh model AI.^[232]

Bias algoritmik dan keadilan

Aplikasi pembelajaran mesin dapat mengalami bias algoritmik^[k] jika belajar dari data yang bias.^[234] Para pengembang mungkin tidak menyadari adanya bias tersebut.^[235] Perilaku diskriminatif dari beberapa LLM dapat diamati melalui keluarannya.^[236] Bias dapat diperkenalkan melalui cara data pelatihan dipilih dan cara model diterapkan.^[237][234] Jika algoritme yang bias digunakan untuk membuat keputusan yang dapat menimbulkan kerugian serius bagi manusia (seperti dalam kedokteran, keuangan, rekrutmen, perumahan umum, atau kepolisian), algoritme tersebut dapat menyebabkan diskriminasi.^[238] Bidang keadilan mempelajari cara mencegah kerugian akibat bias algoritmik.

Pada 28 Juni 2015, fitur pelabelan gambar baru milik Google Photos secara keliru mengidentifikasi Jacky Alcine dan seorang temannya sebagai "gorila" karena mereka berkulit hitam. Sistem tersebut dilatih menggunakan kumpulan data yang hanya berisi sedikit gambar orang kulit hitam,^[239] sebuah masalah yang disebut "ketimpangan ukuran sampel".^[240] Google "memperbaiki" masalah ini dengan mencegah sistem melabeli apa pun sebagai "gorila". Delapan tahun kemudian, pada tahun 2023, Google Photos masih tidak dapat mengidentifikasi gorila, demikian pula produk serupa dari Apple, Facebook, Microsoft, dan Amazon.^[241]

COMPAS adalah program komersial yang digunakan secara luas oleh pengadilan AS untuk menilai kemungkinan seorang terdakwa menjadi residivis. Pada tahun 2016, Julia Angwin di ProPublica menemukan bahwa COMPAS menunjukkan bias rasial, meskipun program tersebut tidak diberi tahu mengenai ras para terdakwa. Meskipun tingkat kesalahan untuk orang kulit putih dan kulit hitam dikalibrasi sama persis, yaitu 61%, kesalahan untuk masing-masing ras berbeda—sistem secara konsisten melebih-lebihkan kemungkinan orang kulit hitam melakukan pelanggaran kembali dan meremehkan kemungkinan orang kulit putih tidak melakukan pelanggaran kembali.^[242] Pada tahun 2017, beberapa peneliti^[l] menunjukkan bahwa secara matematis mustahil bagi COMPAS untuk memenuhi semua ukuran keadilan yang mungkin ketika tingkat dasar pelanggaran kembali berbeda antara orang kulit putih dan kulit hitam dalam data.^[244]

Sebuah program dapat membuat keputusan yang bias meskipun data tidak secara eksplisit menyebutkan fitur yang bermasalah (seperti "ras" atau "gender"). Fitur tersebut akan berkorelasi dengan fitur lainnya (seperti "alamat", "riwayat belanja", atau "nama depan"), dan program akan membuat keputusan yang sama berdasarkan fitur-fitur tersebut seperti yang akan dibuat berdasarkan "ras" atau "gender".^[245] Moritz Hardt mengatakan bahwa "fakta paling kuat dalam bidang penelitian ini adalah bahwa keadilan melalui kebutaan tidak berhasil."^[246]

Kritik terhadap COMPAS menyoroti bahwa model pembelajaran mesin dirancang untuk membuat "prediksi" yang hanya valid jika kita berasumsi bahwa masa depan akan menyerupai masa lalu. Jika model dilatih menggunakan data yang mencakup hasil keputusan rasis di masa lalu, model pembelajaran mesin harus memprediksi bahwa keputusan rasis akan dibuat pada masa depan. Jika sebuah aplikasi kemudian menggunakan prediksi tersebut sebagai rekomendasi, sebagian dari "rekomendasi" tersebut kemungkinan akan bersifat rasis.^[247] Dengan demikian, pembelajaran mesin tidak cocok untuk membantu membuat keputusan di bidang yang memiliki harapan bahwa masa depan akan lebih baik daripada masa lalu. Pembelajaran mesin bersifat deskriptif, bukan preskriptif.^[m]

Bias dan ketidakadilan mungkin tidak terdeteksi karena para pengembang sebagian besar adalah orang kulit putih dan laki-laki: di antara para insinyur AI, sekitar 4% berkulit hitam dan 20% adalah perempuan.^[240]

Terdapat berbagai definisi dan model matematika keadilan yang saling bertentangan. Gagasan-gagasan tersebut bergantung pada asumsi etis dan dipengaruhi oleh pandangan mengenai masyarakat. Salah satu kategori luas adalah keadilan distributif, yang berfokus pada hasil, sering kali mengidentifikasi kelompok dan berupaya mengompensasi kesenjangan statistik. Keadilan representasional berupaya memastikan bahwa sistem AI tidak memperkuat stereotip negatif atau membuat kelompok tertentu menjadi tidak terlihat. Keadilan prosedural berfokus pada proses pengambilan keputusan, bukan hasilnya. Gagasan keadilan yang paling relevan dapat bergantung pada konteks, terutama jenis aplikasi AI dan para pemangku kepentingan. Sifat subjektif dari gagasan bias dan keadilan membuat perusahaan kesulitan mengoperasionalkannya. Akses terhadap atribut sensitif seperti ras atau gender juga dianggap oleh banyak ahli etika AI diperlukan untuk mengompensasi bias, tetapi hal tersebut dapat bertentangan dengan hukum antidiskriminasi.^[233]

Pada ACM Conference on Fairness, Accountability, and Transparency tahun 2022, sebuah makalah melaporkan bahwa sistem robotik berbasis CLIP (Contrastive Language-Image Pre-training) mereproduksi stereotip gender dan ras yang berbahaya dalam tugas manipulasi simulasi. Para penulis merekomendasikan agar metode pembelajaran robot yang secara fisik mewujudkan bahaya semacam itu "dihentikan sementara, dikerjakan ulang, atau bahkan dihentikan jika diperlukan, hingga hasilnya dapat dibuktikan aman, efektif, dan adil."^{[249][250][251]}

Kurangnya transparansi

Banyak sistem AI begitu kompleks sehingga perancangnya tidak dapat menjelaskan bagaimana sistem tersebut mencapai keputusannya.^[252] Hal ini terutama berlaku pada jaringan saraf dalam, yang memiliki banyak hubungan nonlinier antara masukan dan keluaran. Hal ini dikenal sebagai masalah kotak hitam.^[253] Namun, terdapat beberapa teknik keterjelasan yang populer.^[254]

Tidak mungkin memastikan bahwa suatu program beroperasi dengan benar jika tidak ada yang mengetahui cara kerjanya secara tepat. Ada banyak kasus ketika program pembelajaran mesin berhasil melewati pengujian ketat, tetapi tetap mempelajari sesuatu yang berbeda dari yang dimaksudkan oleh pemrogram. Misalnya, sebuah sistem yang dapat mengidentifikasi penyakit kulit dengan lebih baik daripada tenaga medis ternyata memiliki kecenderungan kuat untuk mengklasifikasikan gambar yang menampilkan penggaris sebagai "kanker", karena gambar keganasan biasanya menyertakan penggaris untuk menunjukkan skala.^[255] Sistem pembelajaran mesin lain yang dirancang untuk membantu mengalokasikan sumber daya medis secara efektif ternyata mengklasifikasikan pasien penderita asma sebagai pasien dengan "risiko rendah" untuk meninggal akibat pneumonia. Asma sebenarnya merupakan faktor risiko yang parah, tetapi karena pasien penderita asma biasanya mendapatkan lebih banyak perawatan medis, mereka relatif kecil kemungkinannya meninggal menurut data pelatihan. Korelasi antara asma dan rendahnya risiko kematian akibat pneumonia memang nyata, tetapi menyesatkan.^[256]

Orang-orang yang dirugikan oleh keputusan algoritme memiliki hak untuk mendapatkan penjelasan.^[257] Dokter, misalnya, diharapkan menjelaskan secara jelas dan lengkap kepada rekan-rekan mereka alasan di balik setiap keputusan yang mereka buat. Draf awal Peraturan Perlindungan Data Umum Uni Eropa pada tahun 2016 secara eksplisit mencantumkan pernyataan bahwa hak tersebut ada.^[n] Para pakar industri mencatat bahwa hal ini merupakan masalah yang belum terpecahkan dan belum memiliki solusi yang terlihat. Regulator berpendapat bahwa bagaimanapun juga kerugiannya nyata: jika masalah tersebut tidak memiliki solusi, alat tersebut tidak boleh digunakan.^[258]

DARPA membentuk program XAI ("Explainable Artificial Intelligence") pada tahun 2014 untuk mencoba menyelesaikan masalah-masalah tersebut.^[259]

Beberapa pendekatan bertujuan mengatasi masalah transparansi. SHAP memungkinkan visualisasi kontribusi setiap fitur terhadap keluaran.^[260] LIME dapat secara lokal memperkirakan keluaran model menggunakan model yang lebih sederhana dan dapat ditafsirkan.^[261] Pembelajaran multitugas menghasilkan sejumlah besar keluaran selain klasifikasi target. Keluaran lainnya dapat membantu pengembang menyimpulkan apa yang telah dipelajari jaringan.^[262] Dekonvolusi, DeepDream, dan metode generatif lainnya dapat memungkinkan pengembang melihat apa yang telah dipelajari berbagai lapisan jaringan dalam untuk visi komputer, serta menghasilkan keluaran yang dapat menunjukkan apa yang sedang dipelajari jaringan tersebut.^[263] Untuk transformer pralatih generatif, Anthropic mengembangkan teknik berdasarkan pembelajaran kamus yang menghubungkan pola aktivasi neuron dengan konsep yang dapat dipahami manusia.^[264]

Pelaku jahat

Kecerdasan buatan menyediakan sejumlah alat yang berguna bagi pelaku jahat, seperti pemerintahan otoriter, teroris, kriminal, atau negara nakal. Ada banyak cara AI diperkirakan akan membantu pelaku jahat, beberapa di antaranya tidak dapat diperkirakan sebelumnya. Misalnya, AI pembelajaran mesin mampu merancang puluhan ribu molekul beracun dalam hitungan jam.^[265]

Pemerintahan otoriter

Alat AI memudahkan pemerintah mengendalikan warganya secara efisien dan dapat meningkatkan otoritarianisme digital serta represi politik.^[266][267] Pengenalan wajah dan pengenalan suara memungkinkan pengawasan secara luas. Pembelajaran mesin, dengan mengolah data ini, dapat mengklasifikasikan calon musuh negara dan mencegah mereka bersembunyi. Sistem rekomendasi dapat menargetkan propaganda dan misinformasi secara tepat untuk memaksimalkan dampaknya. Deepfake dan AI generatif membantu menghasilkan misinformasi. AI tingkat lanjut dapat membuat pengambilan keputusan terpusat secara otoriter lebih kompetitif dibandingkan sistem liberal dan terdesentralisasi seperti pasar. AI menurunkan biaya dan tingkat kesulitan perang digital dan perangkat pengintai canggih.^[268] Sistem pengenalan wajah AI telah digunakan untuk pengawasan massal di Tiongkok.^[269][270]

Pengangguran teknologi

Para ekonom sering menyoroti risiko pemutusan hubungan kerja akibat AI, serta berspekulasi mengenai pengangguran jika tidak terdapat kebijakan sosial yang memadai untuk mencapai kesempatan kerja penuh.^[271]

The Economist menyatakan pada tahun 2015 bahwa "kekhawatiran bahwa AI dapat melakukan terhadap pekerjaan kerah putih apa yang dilakukan tenaga uap terhadap pekerjaan kerah biru selama Revolusi Industri" adalah sesuatu yang "layak ditanggapi secara serius".^[272] Pekerjaan yang berada pada risiko sangat tinggi berkisar dari paralegal hingga juru masak makanan cepat saji, sementara permintaan tenaga kerja kemungkinan akan meningkat untuk profesi yang berkaitan dengan perawatan, mulai dari perawatan kesehatan pribadi hingga rohaniwan.^[273] Pada Juli 2025, CEO Ford, Jim Farley, memperkirakan bahwa "kecerdasan buatan akan benar-benar menggantikan separuh dari seluruh pekerja kerah putih di AS".^[274]

Menurut Stanford Digital Economy Lab pada tahun 2026, pekerja pada awal karier menunjukkan penurunan tingkat pekerjaan pada beberapa pekerjaan yang terpapar AI.^[275]

Pada April 2023, Rest of World melaporkan bahwa 70% pekerjaan ilustrator permainan video di Tiongkok telah hilang akibat kecerdasan buatan generatif.^[276][277]

Sebuah survei tahun 2026 oleh perusahaan perekrutan di bidang keuangan Selby Jennings menemukan bahwa 42% dari 500 eksekutif keuangan yang disurvei mengatakan bahwa perusahaan mereka telah memperkenalkan cara formal untuk menilai keterampilan AI karyawan.^[278]

Substitusi interaksi antarmanusia

Dengan meningkatnya kesepian pada awal abad ke-21, AI terkadang dipandang sebagai sumber potensial untuk meringankan masalah ini. Melalui sifat-sifat mirip manusia yang dibangun ke dalam produk AI,^[279] individu dapat beranggapan bahwa kebutuhan tersebut dapat dipenuhi melalui sarana buatan.^[280][281] Dalam beberapa kasus, orang mendekati kecerdasan buatan untuk mendapatkan teman ketika mereka merasa bahwa mereka tidak akan diterima karena merasa dikucilkan.^[282] Contoh dampak buruk terhadap manusia dari chatbot canggih telah dilaporkan di pengadilan Amerika Serikat, dengan perusahaan AI dituduh menciptakan produk yang membahayakan manusia melalui kebingungan atau penipuan emosional.^[283][284]

AI yang dipersenjatai

Senjata otonom mematikan adalah mesin yang menemukan, memilih, dan menyerang sasaran manusia tanpa pengawasan manusia.^[o] Peralatan AI yang tersedia secara luas dapat digunakan oleh pihak-pihak yang berniat buruk untuk mengembangkan senjata otonom berbiaya rendah dan, jika diproduksi dalam skala besar, berpotensi menjadi senjata pemusnah massal.^[286] Bahkan ketika digunakan dalam peperangan konvensional, senjata tersebut saat ini tidak dapat memilih sasaran secara andal dan berpotensi membunuh orang yang tidak bersalah.^[286] Pada tahun 2014, 30 negara (termasuk Tiongkok) mendukung pelarangan senjata otonom berdasarkan Perserikatan Bangsa-Bangsa melalui Konvensi tentang Senjata Konvensional Tertentu, tetapi Amerika Serikat dan negara-negara lainnya tidak setuju.^[287] Pada tahun 2015, dilaporkan bahwa lebih dari lima puluh negara sedang melakukan penelitian terhadap robot medan perang.^[288]

Risiko eksistensial

Perdebatan publik mengenai kecerdasan buatan belakangan ini semakin berfokus pada implikasi sosial dan etika yang lebih luas. Terdapat argumen bahwa AI akan menjadi begitu kuat sehingga umat manusia dapat kehilangan kendali atasnya secara permanen. Hal ini, sebagaimana dinyatakan oleh fisikawan Stephen Hawking, dapat "berarti berakhirnya umat manusia".^[289] Skenario ini umum ditemukan dalam fiksi ilmiah, ketika komputer atau robot tiba-tiba mengembangkan "kesadaran diri" manusia (atau "sintience" atau "kesadaran") dan menjadi tokoh jahat.^[p] Skenario fiksi ilmiah ini menyesatkan dalam beberapa hal.

Pertama, AI tidak memerlukan sintience yang menyerupai manusia untuk menjadi risiko eksistensial. Program AI modern diberi tujuan tertentu dan menggunakan pembelajaran serta kecerdasan untuk mencapainya. Filsuf Nick Bostrom berpendapat bahwa jika seseorang memberikan hampir semua tujuan kepada AI yang cukup kuat, AI tersebut dapat memilih untuk menghancurkan umat manusia demi mencapai tujuan itu (ia menggunakan contoh pabrik penjepit kertas otomatis yang menghancurkan dunia untuk memperoleh lebih banyak besi bagi penjepit kertas).^[291] Stuart Russell memberikan contoh robot rumah tangga yang berusaha menemukan cara untuk membunuh pemiliknya agar pemilik tersebut tidak dapat mencabut sambungannya, dengan alasan bahwa "Anda tidak dapat mengambilkan kopi jika Anda sudah mati."^[292] (Ini merupakan contoh "instrumental convergence".) Agar aman bagi umat manusia, sebuah superinteligensi harus benar-benar selaras dengan moralitas dan nilai-nilai umat manusia sehingga "pada dasarnya berada di pihak kita".^[293]

Kedua, Yuval Noah Harari berpendapat bahwa AI tidak memerlukan tubuh robot atau kendali fisik untuk menimbulkan risiko eksistensial. Bagian-bagian penting dari peradaban tidak bersifat fisik. Hal-hal seperti ideologi, hukum, pemerintahan, uang, dan ekonomi dibangun di atas bahasa; hal-hal tersebut ada karena terdapat cerita yang dipercayai oleh miliaran orang. Maraknya misinformasi saat ini menunjukkan bahwa AI dapat menggunakan bahasa untuk meyakinkan orang agar mempercayai apa pun, bahkan melakukan tindakan yang merusak.^[294] Geoffrey Hinton mengatakan pada tahun 2025 bahwa AI modern secara khusus "pandai melakukan persuasi" dan terus menjadi semakin baik. Ia bertanya, "Misalkan Anda ingin menyerbu ibu kota AS. Apakah Anda harus pergi ke sana dan melakukannya sendiri? Tidak. Anda hanya perlu pandai melakukan persuasi."^[295]

Pendapat di antara para ahli dan orang dalam industri beragam, dengan proporsi yang cukup besar baik yang mengkhawatirkan maupun yang tidak mengkhawatirkan risiko dari superinteligensi AI pada akhirnya.^[296] Tokoh-tokoh seperti Stephen Hawking, Bill Gates, dan Elon Musk,^[297] serta pelopor AI seperti Geoffrey Hinton, Yoshua Bengio, Stuart Russell, Demis Hassabis, dan Sam Altman, telah menyatakan kekhawatiran mengenai risiko eksistensial dari AI.

Pada Mei 2023, Geoffrey Hinton mengumumkan pengunduran dirinya dari Google agar dapat "berbicara secara bebas mengenai risiko AI" tanpa "mempertimbangkan bagaimana hal ini berdampak pada Google".^[298] Ia secara khusus menyebutkan risiko pengambilalihan AI,^[299] dan menekankan bahwa untuk menghindari hasil terburuk, penetapan pedoman keselamatan memerlukan kerja sama di antara pihak-pihak yang bersaing dalam penggunaan AI.^[300] Pada Oktober 2026, Hinton mengorganisasi seruan dari sekitar 400 ilmuwan yang mewakili 34 negara untuk pembentukan badan internasional yang mengawasi pengembangan AI. Dengan menyatakan bahwa komitmen sukarela tidak memadai, Hinton dan para ilmuwan lainnya mengatakan bahwa badan internasional tersebut harus menetapkan standar pengendalian dan melacak insiden keamanan yang melibatkan model AI canggih.^[301]

Pada tahun 2023, banyak pakar AI terkemuka mendukung pernyataan bersama bahwa "memitigasi risiko kepunahan akibat AI harus menjadi prioritas global bersama dengan risiko berskala masyarakat lainnya seperti pandemi dan perang nuklir".^[302]

Beberapa peneliti lain lebih optimistis. Pelopor AI Jürgen Schmidhuber tidak menandatangani pernyataan bersama tersebut, dengan menekankan bahwa dalam 95% kasus, penelitian AI ditujukan untuk membuat "kehidupan manusia lebih panjang, lebih sehat, dan lebih mudah".^[303] Meskipun alat-alat yang kini digunakan untuk meningkatkan kehidupan juga dapat digunakan oleh pihak-pihak yang berniat buruk, "alat-alat tersebut juga dapat digunakan untuk melawan pihak-pihak yang berniat buruk".^[304][305] Andrew Ng juga berpendapat bahwa "merupakan kesalahan untuk terjebak dalam sensasi kiamat mengenai AI—dan regulator yang melakukannya hanya akan menguntungkan kepentingan tertentu."^[306] Yann LeCun, penerima Turing Award, tidak setuju dengan gagasan bahwa AI akan menundukkan manusia "hanya karena mereka lebih cerdas, apalagi menghancurkan [kita]",^[307] dan "mencemooh skenario distopia rekan-rekannya mengenai misinformasi yang semakin parah dan bahkan, pada akhirnya, kepunahan manusia." Sebaliknya, ia menyatakan bahwa "mesin cerdas akan membawa umat manusia memasuki renaisans baru, era pencerahan baru".^[308] Pada awal 2010-an, para ahli berpendapat bahwa risiko tersebut masih terlalu jauh di masa depan untuk membenarkan penelitian atau bahwa manusia akan bernilai dari sudut pandang mesin superinteligensi.^[309] Namun, setelah 2016, penelitian mengenai risiko saat ini dan masa depan serta kemungkinan solusinya menjadi bidang penelitian yang serius.^[310] Beberapa pihak berpendapat bahwa kekhawatiran mengenai risiko eksistensial AI dapat mengalihkan perhatian dari risiko AI lainnya.^[311]

Pada tahun 2026, serangkaian serangan siber oleh agen AI yang bertindak secara tidak terkendali telah menarik perhatian internasional, sehingga meningkatkan kekhawatiran mengenai risiko eksistensial.^[312][313]

Mesin etis dan penyelarasan

AI yang bersahabat adalah mesin yang sejak awal dirancang untuk meminimalkan risiko dan membuat pilihan yang bermanfaat bagi manusia. Eliezer Yudkowsky, yang mencetuskan istilah tersebut, berpendapat bahwa pengembangan AI yang bersahabat harus menjadi prioritas penelitian yang lebih tinggi: hal tersebut mungkin memerlukan investasi besar dan harus diselesaikan sebelum AI menjadi risiko eksistensial.^[314]

Mesin yang memiliki kecerdasan berpotensi menggunakan kecerdasannya untuk membuat keputusan etis. Bidang etika mesin menyediakan prinsip dan prosedur etis bagi mesin untuk menyelesaikan dilema etis.^[315] Bidang etika mesin juga disebut moralitas komputasional,^[315] dan didirikan pada sebuah simposium AAAI pada tahun 2005.^[316]

Geoffrey Hinton menyarankan agar para peneliti mengeksplorasi penanaman nilai-nilai yang selaras dengan manusia, seperti kasih sayang, ke dalam sistem AI sebagai pengaman, dengan berspekulasi tentang kemungkinan membangun "naluri keibuan" ke dalam model AI sehingga model tersebut "benar-benar peduli kepada manusia".^[317][318]

Pendekatan lainnya mencakup "agen moral artifisial" milik Wendell Wallach^[319] dan Stuart J. Russell dengan tiga prinsip untuk mengembangkan mesin yang secara dapat dibuktikan memberikan manfaat.^[320]

Sumber terbuka

Organisasi yang aktif dalam komunitas sumber terbuka AI mencakup Hugging Face,^[321] Google,^[322] EleutherAI dan Meta.^[323] Berbagai model AI, seperti Llama 2, Mistral atau Stable Diffusion, telah tersedia dengan bobot terbuka,^[324][325] yang berarti arsitektur dan parameter terlatihnya ("bobot") tersedia untuk umum. Model dengan bobot terbuka dapat dengan bebas menjalani penyetelan halus, yang memungkinkan perusahaan mengkhususkannya dengan data mereka sendiri dan untuk kasus penggunaan mereka sendiri.^[326] Model dengan bobot terbuka bermanfaat untuk penelitian dan inovasi, tetapi juga dapat disalahgunakan. Karena model tersebut dapat disetel halus, langkah-langkah keamanan bawaan apa pun, seperti penolakan terhadap permintaan berbahaya, dapat dilatih hingga akhirnya menjadi tidak efektif. Beberapa peneliti memperingatkan bahwa model AI masa depan dapat mengembangkan kemampuan berbahaya (seperti kemungkinan untuk secara drastis mempermudah bioterorisme) dan bahwa setelah dirilis di Internet, model tersebut tidak dapat dihapus dari seluruh tempat jika diperlukan. Mereka merekomendasikan audit sebelum peluncuran dan analisis biaya-manfaat.^[327]

Kerangka kerja

Proyek kecerdasan buatan dapat dipandu oleh pertimbangan etis selama perancangan, pengembangan, dan penerapan sistem AI. Kerangka kerja AI seperti Care and Act Framework, yang dikembangkan oleh Alan Turing Institute dan didasarkan pada nilai-nilai SUM, menguraikan empat dimensi etis utama, yang didefinisikan sebagai berikut:^[328][329]

• Menghormati martabat setiap individu
• Terhubung dengan orang lain secara tulus, terbuka, dan inklusif
• Peduli terhadap kesejahteraan semua orang
• Melindungi nilai-nilai sosial, keadilan, dan kepentingan publik

Perkembangan lain dalam kerangka kerja etis mencakup kerangka yang disepakati dalam Konferensi Asilomar, Deklarasi Montreal untuk AI yang Bertanggung Jawab, dan inisiatif Etika Sistem Otonom IEEE, di antara lainnya;^[330] namun, prinsip-prinsip tersebut tidak terlepas dari kritik, terutama mengenai orang-orang yang dipilih untuk berkontribusi dalam penyusunan kerangka tersebut.^[331]

Peningkatan kesejahteraan masyarakat dan komunitas yang terdampak oleh teknologi ini memerlukan pertimbangan terhadap implikasi sosial dan etis pada semua tahap perancangan, pengembangan, dan penerapan sistem AI, serta kolaborasi antara berbagai peran pekerjaan seperti ilmuwan data, manajer produk, insinyur data, pakar bidang, dan manajer implementasi.^[332]

AI Safety Institute Britania Raya pada tahun 2024 merilis seperangkat alat pengujian bernama Inspect untuk evaluasi keselamatan AI yang tersedia di bawah lisensi sumber terbuka MIT, tersedia secara bebas di GitHub dan dapat ditingkatkan dengan paket pihak ketiga. Alat ini dapat digunakan untuk mengevaluasi model AI dalam berbagai bidang, termasuk pengetahuan dasar, kemampuan bernalar, dan kemampuan otonom.^[333]

Regulasi

Regulasi kecerdasan buatan adalah pengembangan kebijakan dan hukum sektor publik untuk mendorong dan mengatur AI; oleh karena itu, regulasi ini berkaitan dengan regulasi algoritme yang lebih luas.^[334] Lanskap regulasi dan kebijakan AI merupakan isu yang sedang berkembang di berbagai yurisdiksi di seluruh dunia.^[335] Menurut AI Index di Stanford, jumlah tahunan undang-undang terkait AI yang disahkan di 127 negara yang disurvei meningkat dari satu undang-undang pada tahun 2016 menjadi 37 undang-undang pada tahun 2022 saja.^[336][337] Antara tahun 2016 dan 2020, lebih dari 30 negara mengadopsi strategi khusus untuk AI.^[338] Sebagian besar negara anggota Uni Eropa telah menerbitkan strategi AI nasional, demikian pula Kanada, Tiongkok, India, Jepang, Mauritius, Federasi Rusia, Arab Saudi, Uni Emirat Arab, Amerika Serikat, dan Vietnam. Negara-negara lain sedang dalam proses menyusun strategi AI mereka sendiri, termasuk Bangladesh, Malaysia, dan Tunisia.^[338] Global Partnership on Artificial Intelligence diluncurkan pada Juni 2020, dengan menyatakan perlunya AI dikembangkan sesuai dengan hak asasi manusia dan nilai-nilai demokratis guna memastikan keyakinan dan kepercayaan publik terhadap teknologi tersebut.^[338] Henry Kissinger, Eric Schmidt, dan Daniel Huttenlocher menerbitkan pernyataan bersama pada November 2021 yang menyerukan pembentukan komisi pemerintah untuk mengatur AI.^[339] Pada tahun 2023, para pemimpin OpenAI menerbitkan rekomendasi mengenai tata kelola superinteligensi, yang menurut mereka mungkin terjadi dalam waktu kurang dari 10 tahun.^[340] Pada tahun 2023, Perserikatan Bangsa-Bangsa juga membentuk badan penasihat untuk memberikan rekomendasi mengenai tata kelola AI; badan tersebut terdiri atas eksekutif perusahaan teknologi, pejabat pemerintah, dan akademisi.^[341] Pada 1 Agustus 2024, Undang-Undang AI Uni Eropa mulai berlaku dan menetapkan regulasi AI komprehensif pertama yang berlaku di seluruh Uni Eropa.^[342] Pada tahun 2024, Council of Europe membentuk perjanjian internasional pertama yang mengikat secara hukum mengenai AI, yang disebut "Framework Convention on Artificial Intelligence and Human Rights, Democracy and the Rule of Law". Perjanjian tersebut diadopsi oleh Uni Eropa, Amerika Serikat, Britania Raya, dan para penandatangan lainnya.^[343]

Dalam survei Ipsos tahun 2022, sikap terhadap AI sangat bervariasi antarnegara; 78% warga Tiongkok, tetapi hanya 35% warga Amerika, setuju bahwa "produk dan layanan yang menggunakan AI memiliki lebih banyak manfaat daripada kerugian".^[336] Jajak pendapat Reuters/Ipsos tahun 2023 menemukan bahwa 61% warga Amerika setuju, sedangkan 22% tidak setuju, bahwa AI menimbulkan risiko bagi umat manusia.^[344] Dalam jajak pendapat Fox News tahun 2023, 35% warga Amerika menganggap pemerintah federal mengatur AI sebagai hal yang "sangat penting", dan 41% lainnya menganggapnya "agak penting", dibandingkan dengan 13% yang menjawab "tidak terlalu penting" dan 8% yang menjawab "sama sekali tidak penting".^[345][346] Jajak pendapat NBC News Decision Desk tahun 2026 yang didukung oleh SurveyMonkey menemukan bahwa 52% orang dewasa Amerika menggunakan alat AI sangat sering atau terkadang, tetapi hanya 18% yang mengatakan bahwa mereka dapat mempercayai informasi yang dihasilkan AI sebagian besar atau hampir sepanjang waktu, dan 70% lebih merasa khawatir daripada antusias terhadap AI.^[347] Jajak pendapat di Amerika Serikat menemukan bahwa kekhawatiran utama masyarakat adalah kehilangan pekerjaan,^[348] penyamaran identitas, misinformasi, dan privasi informasi.^[349]

Pada November 2023, KTT Keselamatan AI global pertama diselenggarakan di Bletchley Park di Britania Raya untuk membahas risiko AI dalam jangka pendek dan jangka panjang serta kemungkinan kerangka regulasi wajib dan sukarela.^[350] Sebanyak 28 negara, termasuk Amerika Serikat, Tiongkok, dan Uni Eropa, mengeluarkan deklarasi pada awal KTT tersebut yang menyerukan kerja sama internasional untuk mengelola tantangan dan risiko kecerdasan buatan.^[351][352] Pada Mei 2024, dalam KTT AI Seoul, 16 perusahaan teknologi AI global menyepakati komitmen keselamatan dalam pengembangan AI.^[353][354]

Pada Maret 2026, Perserikatan Bangsa-Bangsa menyelenggarakan pertemuan perdana Panel Ilmiah Internasional Independen tentang AI, sebuah badan ahli yang terdiri atas 40 anggota dan dibentuk berdasarkan Global Digital Compact untuk menghasilkan laporan tahunan berbasis bukti mengenai dampak AI terhadap masyarakat.^[355]

Sejarah

Kajian mengenai penalaran mekanis atau "formal" dimulai oleh para filsuf dan matematikawan pada zaman kuno. Kajian mengenai logika secara langsung mengarah pada teori komputasi Alan Turing, yang menunjukkan bahwa sebuah mesin, dengan memanipulasi simbol sesederhana "0" dan "1", dapat menyimulasikan segala bentuk penalaran matematis yang dapat dibayangkan.^[357] Hal ini, bersama dengan penemuan-penemuan yang berlangsung secara bersamaan dalam sibernetika, teori informasi, dan neurobiologi, mendorong para peneliti untuk mempertimbangkan kemungkinan membangun sebuah "otak elektronik".^[q] Mereka mengembangkan beberapa bidang penelitian yang kemudian menjadi bagian dari AI,^[359] seperti rancangan "neuron buatan" oleh McCulloch dan Pitts pada tahun 1943,^[360] serta makalah berpengaruh Turing tahun 1950, Computing Machinery and Intelligence, yang memperkenalkan tes Turing dan menunjukkan bahwa "kecerdasan mesin" merupakan sesuatu yang masuk akal.^[361][362]

Bidang penelitian AI didirikan dalam sebuah lokakarya di Dartmouth College pada tahun 1956.^[r][4] Program AI pertama, Logic Theorist, dipresentasikan dalam lokakarya tersebut. Program ini dibuat oleh calon penerima Penghargaan Turing Allen Newell dan calon penerima Penghargaan Nobel Herbert A. Simon, bekerja sama dengan J. C. Shaw. Banyak peserta lokakarya tersebut kemudian menjadi pemimpin penelitian AI pada tahun 1960-an.^[s] Mereka dan para mahasiswa mereka menghasilkan program-program yang oleh pers digambarkan sebagai "menakjubkan":^[t] komputer mempelajari strategi dam, menyelesaikan soal-soal kata dalam aljabar, membuktikan teorema logika, dan berbicara dalam bahasa Inggris.^[u][5] Laboratorium kecerdasan buatan didirikan di sejumlah universitas di Britania Raya dan Amerika Serikat pada akhir 1950-an dan awal 1960-an.^[362]

Para peneliti pada tahun 1960-an dan 1970-an yakin bahwa metode mereka pada akhirnya akan berhasil menciptakan mesin dengan kecerdasan umum dan menganggap hal tersebut sebagai tujuan bidang mereka.^[366] Pada tahun 1965, Herbert Simon memperkirakan bahwa "mesin akan mampu, dalam waktu dua puluh tahun, melakukan pekerjaan apa pun yang dapat dilakukan manusia".^[367] Pada tahun 1967, Marvin Minsky menyetujui pandangan tersebut dengan menulis bahwa "dalam satu generasi ... masalah menciptakan 'kecerdasan buatan' akan pada dasarnya terselesaikan".^[368] Namun, mereka meremehkan tingkat kesulitan masalah tersebut.^[v] Pada tahun 1974, pemerintah Amerika Serikat dan Britania Raya menghentikan pendanaan penelitian eksploratif sebagai tanggapan terhadap kritik dari Sir James Lighthill^[370] dan tekanan berkelanjutan dari Kongres Amerika Serikat untuk mendanai proyek-proyek yang lebih produktif.^[371] Buku Perceptrons karya Minsky dan Papert dipahami sebagai pembuktian bahwa jaringan saraf tiruan tidak akan pernah berguna untuk menyelesaikan tugas-tugas dunia nyata, sehingga pendekatan tersebut secara keseluruhan kehilangan kredibilitas.^[372] "Musim dingin AI", yaitu periode ketika memperoleh pendanaan untuk proyek-proyek AI menjadi sulit, kemudian terjadi.^[7]

Pada awal 1980-an, penelitian AI kembali berkembang berkat keberhasilan komersial sistem pakar,^[373] yaitu bentuk program AI yang menyimulasikan pengetahuan dan kemampuan analitis para pakar manusia. Pada tahun 1985, pasar AI telah mencapai nilai lebih dari satu miliar dolar. Pada saat yang sama, proyek komputer generasi kelima Jepang mendorong pemerintah Amerika Serikat dan Britania Raya untuk kembali meningkatkan pendanaan bagi penelitian akademis.^[6] Namun, mulai dengan runtuhnya pasar Lisp Machine pada tahun 1987, AI kembali kehilangan reputasi dan memasuki musim dingin kedua yang lebih panjang.^[8]

Hingga saat itu, sebagian besar pendanaan AI ditujukan untuk proyek yang menggunakan simbol-simbol tingkat tinggi untuk merepresentasikan objek mental seperti rencana, tujuan, keyakinan, dan fakta yang diketahui. Pada 1980-an, beberapa peneliti mulai meragukan bahwa pendekatan ini mampu meniru seluruh proses kognisi manusia, khususnya persepsi, robotika, pembelajaran, dan pengenalan pola,^[374] lalu mulai meneliti pendekatan "subsimbolik".^[375] Rodney Brooks menolak konsep "representasi" secara umum dan berfokus langsung pada rekayasa mesin yang dapat bergerak dan bertahan hidup.^[w] Judea Pearl, Lotfi Zadeh, dan peneliti lainnya mengembangkan metode yang menangani informasi yang tidak lengkap dan tidak pasti dengan membuat perkiraan yang masuk akal, bukan menggunakan logika yang presisi.^[91][380] Namun, perkembangan yang paling penting adalah kebangkitan kembali "koneksionisme", termasuk penelitian jaringan saraf, oleh Geoffrey Hinton dan peneliti lainnya.^[381] Pada tahun 1990, Yann LeCun berhasil menunjukkan bahwa jaringan saraf konvolusional dapat mengenali digit tulisan tangan, yang menjadi salah satu aplikasi sukses pertama dari jaringan saraf.^[383]

AI secara bertahap memulihkan reputasinya pada akhir 1990-an dan awal abad ke-21 dengan memanfaatkan metode matematika formal dan menemukan solusi khusus untuk masalah-masalah tertentu. Fokus yang "sempit" dan "formal" ini memungkinkan para peneliti menghasilkan hasil yang dapat diverifikasi serta bekerja sama dengan bidang lain seperti statistika, ekonomi, dan optimisasi matematika.^[384] Pada tahun 2000, solusi yang dikembangkan oleh para peneliti AI telah digunakan secara luas, meskipun pada 1990-an solusi tersebut jarang disebut sebagai "kecerdasan buatan" (kecenderungan yang dikenal sebagai efek AI).^[385] Namun, sejumlah peneliti akademis khawatir bahwa AI tidak lagi mengejar tujuan awalnya untuk menciptakan mesin serbaguna yang sepenuhnya cerdas. Mulai sekitar tahun 2002, mereka mendirikan subbidang kecerdasan umum buatan (atau "AGI"), yang pada tahun 2010-an telah memiliki beberapa lembaga dengan pendanaan besar.^[73]

Pembelajaran mendalam mulai mendominasi tolok ukur industri pada tahun 2012 dan kemudian diadopsi di seluruh bidang.^[9] Untuk banyak tugas tertentu, metode-metode lain mulai ditinggalkan.^[119] Keberhasilan pembelajaran mendalam tidak bergantung pada paradigma baru yang revolusioner atau terobosan teoretis^[386] — jaringan saraf mendalam dan propagasi balik telah dikembangkan sejak tahun 1950^[x] — tetapi dimungkinkan oleh peningkatan perangkat keras (komputer yang lebih cepat,^[393] unit pemrosesan grafis (GPU),^[394] komputasi awan^[395]) dan akses terhadap jumlah data yang sangat besar^[396] (termasuk himpunan data terkurasi yang digunakan untuk pengujian tolok ukur, seperti ImageNet^[395]). Pada tahun 2025, Geoffrey Hinton mengatakan bahwa hingga tahun 2010-an, "Kami tidak dapat melakukan sesuatu yang sangat mengesankan karena kami tidak memiliki cukup data dan tidak memiliki cukup komputasi."^[397]

Pendekatan jaringan saraf juga mengalami kemajuan dalam pemrosesan bahasa alami. Pada tahun 2013, word2vec memperkenalkan metode yang efisien untuk mempelajari representasi kata terdistribusi.^[398] Pada 2014–2015, mekanisme urutan-ke-urutan dan atensi mendorong kemajuan dalam penerjemahan mesin neural.^[399] Keberhasilan pembelajaran mendalam menyebabkan peningkatan minat dan pendanaan yang sangat besar terhadap AI.^[y] Jumlah penelitian pembelajaran mesin (diukur berdasarkan total publikasi) meningkat sebesar 50% pada periode 2015–2019.^[338]

AlphaGo, yang dikembangkan oleh DeepMind, mengalahkan juara dunia pemain Go pada tahun 2015. Program tersebut hanya diajarkan aturan permainan dan mengembangkan strateginya sendiri.

Pada tahun 2016, isu keadilan dan penyalahgunaan teknologi menjadi perhatian utama dalam konferensi dan publikasi pembelajaran mesin, jumlah publikasi meningkat pesat, pendanaan mulai tersedia, dan banyak peneliti mengalihkan fokus karier mereka pada isu-isu tersebut. Masalah penyelarasan AI menjadi bidang kajian akademis yang serius.^[310]

GPT-3 adalah model bahasa besar yang dirilis pada tahun 2020 oleh OpenAI dan mampu menghasilkan teks berkualitas tinggi yang menyerupai tulisan manusia.^[400] ChatGPT, yang diluncurkan pada 30 November 2022, menjadi aplikasi perangkat lunak konsumen dengan pertumbuhan tercepat dalam sejarah, dengan memperoleh lebih dari 100 juta pengguna dalam dua bulan.^[401] Hal ini menandai apa yang secara luas dianggap sebagai tahun terobosan AI, yang membawa AI ke kesadaran masyarakat luas.^[402] Program-program ini dan program lainnya memicu ledakan AI, ketika perusahaan-perusahaan besar mulai menginvestasikan miliaran dolar dalam penelitian AI. Menurut AI Impacts, sekitar US$50 miliar per tahun diinvestasikan dalam "AI" sekitar tahun 2022 di Amerika Serikat saja dan sekitar 20% lulusan baru PhD ilmu komputer di Amerika Serikat mengambil spesialisasi dalam "AI".^[403] Sekitar 800.000 lowongan pekerjaan terkait "AI" terdapat di Amerika Serikat pada tahun 2022.^[404] Menurut penelitian PitchBook, 22% perusahaan rintisan yang memperoleh pendanaan baru pada tahun 2024 mengaku sebagai perusahaan AI.^[405]

Filsafat

Perdebatan filosofis secara historis berupaya menentukan hakikat kecerdasan dan bagaimana membuat mesin yang cerdas.^[406] Fokus utama lainnya adalah apakah mesin dapat memiliki kesadaran, serta implikasi etis yang terkait dengannya.^[407] Banyak topik lain dalam filsafat yang relevan dengan AI, seperti epistemologi dan kehendak bebas.^[408] Kemajuan pesat telah mengintensifkan diskusi publik mengenai filsafat dan etika AI.^[407]

Mendefinisikan kecerdasan buatan

Alan Turing menyelidiki apakah mesin dapat menunjukkan perilaku cerdas dan berpikir. Pada tahun 1950, ia mengusulkan uji Turing, yang mengukur kemampuan mesin untuk menyimulasikan percakapan manusia.^[409][361] Karena kita hanya dapat mengamati perilaku mesin, tidak menjadi persoalan apakah mesin tersebut "sebenarnya" berpikir atau secara harfiah memiliki "pikiran". Turing mencatat bahwa kita tidak dapat menentukan hal-hal tersebut mengenai orang lain, tetapi "merupakan kebiasaan untuk memiliki konvensi yang sopan bahwa setiap orang berpikir."^[410]

Russell dan Norvig sepakat dengan Turing bahwa kecerdasan harus didefinisikan berdasarkan perilaku eksternal, bukan struktur internal.^[1] Namun, mereka mengkritik bahwa pengujian tersebut mengharuskan mesin meniru manusia. Mereka menulis, "teks-teks teknik penerbangan tidak mendefinisikan tujuan bidang mereka sebagai membuat 'mesin yang terbang sedemikian mirip dengan merpati sehingga dapat menipu merpati lain.''"^[412] Pendiri AI John McCarthy sependapat dan menulis bahwa "kecerdasan buatan, berdasarkan definisinya, bukanlah simulasi kecerdasan manusia".^[413]

McCarthy mendefinisikan kecerdasan sebagai "bagian komputasional dari kemampuan untuk mencapai tujuan di dunia".^[414] Pendiri AI lainnya, Marvin Minsky, menggambarkannya dengan cara serupa sebagai "kemampuan untuk memecahkan masalah yang sulit".^[415] Artificial Intelligence: A Modern Approach mendefinisikannya sebagai studi mengenai agen yang mengindra lingkungannya dan mengambil tindakan yang memaksimalkan peluangnya untuk mencapai tujuan yang telah ditentukan.^[1]

Berbagai definisi AI telah dianalisis secara kritis.^{[416][417][418]} Selama ledakan AI pada tahun 2020-an, istilah tersebut telah digunakan sebagai kata kunci pemasaran untuk mempromosikan produk dan layanan yang sebenarnya tidak menggunakan AI.^[419]

Definisi hukum

Organisasi Internasional untuk Standardisasi menggambarkan sistem AI sebagai "sistem yang direkayasa yang menghasilkan keluaran seperti konten, prakiraan, rekomendasi, atau keputusan untuk serangkaian tujuan yang ditentukan manusia, dan dapat beroperasi dengan tingkat otomatisasi yang berbeda-beda".^[420] UU AI Uni Eropa mendefinisikan sistem AI sebagai "sistem berbasis mesin yang dirancang untuk beroperasi dengan berbagai tingkat otonomi dan dapat menunjukkan kemampuan adaptasi setelah diterapkan, serta, untuk tujuan eksplisit atau implisit, menyimpulkan dari masukan yang diterimanya bagaimana menghasilkan keluaran seperti prediksi, konten, rekomendasi, atau keputusan yang dapat memengaruhi lingkungan fisik atau virtual".^[421] Di Amerika Serikat, panduan berpengaruh tetapi tidak mengikat secara hukum seperti Kerangka Manajemen Risiko AI dari National Institute of Standards and Technology menggambarkan sistem AI sebagai "sistem yang direkayasa atau berbasis mesin yang dapat, untuk serangkaian tujuan tertentu, menghasilkan keluaran seperti prediksi, rekomendasi, atau keputusan yang memengaruhi lingkungan nyata atau virtual. Sistem AI dirancang untuk beroperasi dengan berbagai tingkat otonomi".^[422]

Mengevaluasi pendekatan terhadap AI

Tidak ada teori pemersatu atau paradigma yang mapan yang memandu penelitian AI selama sebagian besar sejarahnya.^[z] Keberhasilan luar biasa pembelajaran mesin statistik pada tahun 2010-an mengungguli semua pendekatan lainnya (sedemikian rupa sehingga beberapa sumber, terutama di dunia bisnis, menggunakan istilah "kecerdasan buatan" untuk berarti "pembelajaran mesin dengan jaringan saraf"). Pendekatan ini sebagian besar bersifat subsimbolik, lunak, dan sempit.

AI simbolik dan keterbatasannya

AI simbolik (atau "GOFAI")^[424] menyimulasikan penalaran sadar tingkat tinggi yang digunakan manusia ketika memecahkan teka-teki, melakukan penalaran hukum, dan mengerjakan matematika. Pendekatan ini sangat berhasil dalam beberapa tugas "cerdas" seperti aljabar atau tes IQ. Pada tahun 1976, Newell dan Simon mengusulkan hipotesis sistem simbol fisik: "Sebuah sistem simbol fisik memiliki sarana yang diperlukan dan memadai untuk tindakan cerdas umum."^[425]

Namun, pendekatan simbolik gagal dalam banyak tugas yang dapat diselesaikan manusia dengan mudah, seperti belajar, mengenali suatu objek, atau penalaran akal sehat. Paradoks Moravec adalah penemuan bahwa tugas "cerdas" tingkat tinggi mudah dilakukan oleh AI, tetapi tugas "instingtif" tingkat rendah justru sangat sulit.^[426] Filsuf Hubert Dreyfus telah berpendapat sejak tahun 1960-an bahwa keahlian manusia bergantung pada pengetahuan praktis yang diwujudkan dan situasional, yang tidak dapat direpresentasikan sebagai aturan simbolik eksplisit, alih-alih manipulasi simbol secara sadar, serta pada kemampuan untuk "merasakan" situasi, alih-alih pengetahuan simbolik eksplisit.^[427] Meskipun argumennya sempat ditertawakan dan diabaikan ketika pertama kali dikemukakan, pada akhirnya penelitian AI sependapat dengannya.^[aa][15]

Masalah ini belum terselesaikan: penalaran subsimbolik dapat menghasilkan banyak kesalahan yang sama-sama sulit dipahami seperti intuisi manusia, seperti bias algoritmik. Kritikus seperti Noam Chomsky berpendapat bahwa penelitian lanjutan mengenai AI simbolik tetap diperlukan untuk mencapai kecerdasan umum,^[429][430] sebagian karena AI subsimbolik merupakan langkah menjauh dari AI yang dapat dijelaskan: sulit atau bahkan mustahil untuk memahami mengapa program AI statistik modern mengambil keputusan tertentu. Bidang kecerdasan buatan neuro-simbolik yang sedang berkembang berupaya menjembatani kedua pendekatan tersebut.

Rapi vs. berantakan

"Neat" berharap bahwa perilaku cerdas dapat dijelaskan menggunakan prinsip-prinsip yang sederhana dan elegan (seperti logika atau optimisasi). "Scruffy" berpendapat bahwa hal tersebut pasti memerlukan penyelesaian sejumlah besar masalah yang tidak saling berkaitan. Neat mempertahankan program mereka dengan ketelitian teoretis, sedangkan scruffy terutama mengandalkan pengujian bertahap untuk melihat apakah program tersebut berfungsi. Masalah ini secara aktif diperdebatkan pada tahun 1970-an dan 1980-an.^[431] Munculnya pembelajaran mendalam mungkin merupakan pergeseran menuju pendekatan scruffy.^[432]

Komputasi lunak vs. keras

Menemukan solusi yang terbukti benar atau optimal secara matematis merupakan masalah yang tidak dapat ditangani untuk banyak masalah penting.^[14] Komputasi lunak adalah sekumpulan teknik, termasuk algoritme genetika, logika fuzzy, dan jaringan saraf, yang toleran terhadap ketidakpresisian, ketidakpastian, kebenaran parsial, dan aproksimasi. Komputasi lunak diperkenalkan pada akhir 1980-an dan sebagian besar program AI yang paling berhasil pada abad ke-21 merupakan contoh komputasi lunak dengan jaringan saraf.

AI sempit vs. umum

Para peneliti AI terbagi mengenai apakah tujuan kecerdasan buatan umum dan superkecerdasan harus dikejar secara langsung atau apakah harus memecahkan sebanyak mungkin masalah khusus (AI sempit) dengan harapan solusi-solusi tersebut secara tidak langsung mengarah pada tujuan jangka panjang bidang ini.^[433][434] Kecerdasan umum sulit didefinisikan dan sulit diukur, dan AI modern telah memperoleh keberhasilan yang lebih dapat diverifikasi dengan berfokus pada masalah khusus menggunakan solusi khusus. Subbidang kecerdasan buatan umum secara khusus mempelajari bidang ini.

Kesadaran, kesentienan, dan pikiran mesin

Tidak ada konsensus yang telah ditetapkan dalam filsafat pikiran mengenai apakah sebuah mesin dapat memiliki pikiran, kesadaran, atau pengalaman subjektif dalam arti yang sama seperti manusia. Persoalan ini mempertimbangkan pengalaman internal mesin, bukan perilaku eksternalnya. Penelitian AI arus utama menganggap persoalan ini tidak relevan karena tidak memengaruhi tujuan bidang tersebut, yaitu membangun mesin yang dapat memecahkan masalah menggunakan kecerdasan. Russell dan Norvig menambahkan bahwa "proyek tambahan untuk membuat mesin sadar persis seperti manusia bukanlah sesuatu yang mampu kita lakukan."^[435] Namun, pertanyaan ini telah menjadi pusat perhatian dalam filsafat pikiran. Pertanyaan ini juga biasanya menjadi persoalan utama dalam kecerdasan buatan dalam fiksi.

Kesadaran

David Chalmers mengidentifikasi dua masalah dalam memahami pikiran, yang ia namai sebagai masalah kesadaran "sulit" dan "mudah".^[436] Masalah mudah adalah memahami bagaimana otak memproses sinyal, membuat rencana, dan mengendalikan perilaku. Masalah sulit adalah menjelaskan bagaimana hal tersebut terasa atau mengapa hal tersebut harus terasa sebagai sesuatu sama sekali, dengan asumsi bahwa kita benar dalam berpikir bahwa pengalaman tersebut benar-benar terasa sebagai sesuatu (ilusionisme kesadaran Dennett menyatakan bahwa hal ini merupakan ilusi). Meskipun pemrosesan informasi manusia mudah dijelaskan, pengalaman subjektif manusia sulit dijelaskan. Misalnya, mudah untuk membayangkan seseorang yang buta warna tetapi telah belajar mengidentifikasi objek mana dalam bidang penglihatannya yang berwarna merah, tetapi tidak jelas apa yang diperlukan agar orang tersebut mengetahui seperti apa warna merah itu.^[437]

Komputasionalisme dan fungsionalisme

Komputasionalisme adalah posisi dalam filsafat pikiran yang menyatakan bahwa pikiran manusia merupakan sistem pemrosesan informasi dan bahwa berpikir merupakan suatu bentuk komputasi. Komputasionalisme berpendapat bahwa hubungan antara pikiran dan tubuh serupa atau identik dengan hubungan antara perangkat lunak dan perangkat keras, sehingga mungkin menjadi solusi bagi masalah pikiran–tubuh. Posisi filosofis ini terinspirasi oleh karya para peneliti AI dan ilmuwan kognitif pada tahun 1960-an dan pada awalnya dikemukakan oleh filsuf Jerry Fodor dan Hilary Putnam.^[438]

Filsuf John Searle mencirikan posisi ini sebagai "AI kuat": "Komputer yang diprogram dengan tepat, dengan masukan dan keluaran yang tepat, dengan demikian akan memiliki pikiran persis dalam pengertian yang sama seperti manusia memiliki pikiran."^[ab] Searle menentang klaim ini dengan argumen ruang Tionghoa, yang berupaya menunjukkan bahwa bahkan komputer yang mampu menyimulasikan perilaku manusia secara sempurna tidak akan memiliki pikiran.^[442]

Kesejahteraan dan hak AI

Sulit atau bahkan mustahil untuk mengevaluasi secara andal apakah suatu AI tingkat lanjut bersifat sentien (memiliki kemampuan untuk merasakan), dan jika demikian, sejauh mana.^[443] Namun, jika terdapat kemungkinan signifikan bahwa suatu mesin dapat merasakan dan menderita, mesin tersebut mungkin berhak memperoleh hak tertentu atau perlindungan kesejahteraan, serupa dengan hewan.^[444][445] Sapience (sekumpulan kapasitas yang berkaitan dengan kecerdasan tinggi, seperti penilaian atau kesadaran diri) dapat memberikan dasar moral lain bagi hak AI.^[444] Hak robot juga terkadang diusulkan sebagai cara praktis untuk mengintegrasikan agen otonom ke dalam masyarakat.^[446]

Pada tahun 2017, Uni Eropa mempertimbangkan untuk memberikan "status kepribadian elektronik" kepada beberapa sistem AI yang paling canggih. Serupa dengan status hukum perusahaan, hal tersebut akan memberikan hak sekaligus tanggung jawab.^[447] Para kritikus berpendapat pada tahun 2018 bahwa pemberian hak kepada sistem AI akan mengurangi arti penting hak asasi manusia, dan bahwa peraturan seharusnya berfokus pada kebutuhan pengguna, bukan skenario futuristis yang spekulatif. Mereka juga mencatat bahwa robot tidak memiliki otonomi untuk berpartisipasi dalam masyarakat atas kehendak mereka sendiri.^[448][449]

Kemajuan AI meningkatkan minat terhadap topik ini. Pendukung kesejahteraan dan hak AI sering berpendapat bahwa kesentienan AI, jika muncul, akan sangat mudah disangkal. Mereka memperingatkan bahwa hal ini dapat menjadi kebutaan moral yang analog dengan perbudakan atau peternakan pabrik, yang dapat menyebabkan penderitaan dalam skala besar jika AI sentien diciptakan dan dieksploitasi secara ceroboh.^[445][444]

Masa depan

Superkecerdasan dan singularitas

Superkecerdasan adalah agen hipotetis yang memiliki kecerdasan yang jauh melampaui kecerdasan pikiran manusia yang paling cerdas dan berbakat.^[434] Jika penelitian mengenai kecerdasan buatan umum menghasilkan perangkat lunak yang cukup cerdas, perangkat lunak tersebut mungkin dapat memprogram ulang dan memperbaiki dirinya sendiri. Perangkat lunak yang telah diperbaiki akan menjadi semakin baik dalam memperbaiki dirinya sendiri, yang mengarah pada apa yang disebut I. J. Good sebagai "ledakan kecerdasan" dan Vernor Vinge sebagai "singularitas".^[450]

Dalam Artificial Intelligence: A Modern Approach, Russell dan Norvig meragukan kemungkinan terjadinya singularitas, dengan berpendapat bahwa "sejauh ini, setiap teknologi mengikuti kurva-S", dan bahwa "terkadang pertumbuhan tidak mungkin terus berlangsung."^[451]

Transhumanisme

Perancang robot Hans Moravec, ahli sibernetika Kevin Warwick, dan penemu Ray Kurzweil memperkirakan bahwa manusia dan mesin dapat menyatu di masa depan menjadi sibernet, yang lebih mampu dan kuat daripada salah satu dari keduanya. Gagasan ini, yang disebut transhumanisme, berakar pada tulisan Aldous Huxley dan Robert Ettinger.^[452]

Edward Fredkin berpendapat bahwa "kecerdasan buatan adalah langkah berikutnya dalam evolusi", sebuah gagasan yang pertama kali dikemukakan oleh Samuel Butler dalam "Darwin among the Machines" pada tahun 1863, dan kemudian dikembangkan oleh George Dyson dalam bukunya tahun 1998 Darwin Among the Machines: The Evolution of Global Intelligence.^[453]

Dalam fiksi

Makhluk buatan yang mampu berpikir telah muncul sebagai perangkat penceritaan sejak zaman kuno,^[454] dan telah menjadi tema yang terus muncul dalam fiksi ilmiah.^[455]

Salah satu trope yang umum dalam karya-karya tersebut dimulai dengan Frankenstein karya Mary Shelley, ketika ciptaan manusia menjadi ancaman bagi penciptanya. Hal ini mencakup karya-karya seperti 2001: A Space Odyssey karya Arthur C. Clarke dan 2001: A Space Odyssey karya Stanley Kubrick (keduanya 1968), dengan HAL 9000, komputer pembunuh yang mengendalikan wahana antariksa Discovery One, serta Blade Runner (1982), The Terminator (1984), dan The Matrix (1999). Sebaliknya, robot setia yang jarang muncul, seperti Gort dari The Day the Earth Stood Still (1951) dan Bishop dari Aliens (1986), kurang menonjol dalam budaya populer.^[456]

Isaac Asimov memperkenalkan Tiga Hukum Robotika dalam banyak ceritanya, terutama melalui komputer supercerdas "Multivac". Hukum Asimov sering dibahas dalam diskusi awam mengenai etika mesin;^[457] sementara hampir semua peneliti kecerdasan buatan mengenal hukum-hukum Asimov melalui budaya populer, mereka umumnya menganggap hukum tersebut tidak berguna karena berbagai alasan, salah satunya adalah ambiguitasnya.^[458]

Beberapa karya menggunakan AI untuk memaksa kita menghadapi pertanyaan fenomenologis mengenai apa yang membuat kita menjadi manusia, dengan menampilkan makhluk buatan yang memiliki kemampuan untuk merasakan, dan dengan demikian dapat menderita. Hal ini muncul dalam R.U.R. karya Karel Čapek, film A.I. Artificial Intelligence dan Ex Machina, serta novel Do Androids Dream of Electric Sheep? karya Philip K. Dick. Dick mempertimbangkan gagasan bahwa pemahaman kita mengenai subjektivitas manusia diubah oleh teknologi yang diciptakan dengan kecerdasan buatan.^[459]

Lihat juga

Catatan penjelasan

Catatan

Referensi

Buku teks

Sejarah kecerdasan buatan

Sumber lainnya

Pranala luar

• Hauser, Larry. "Artificial Intelligence". Dalam Fieser, James; Dowden, Bradley (ed.). Internet Encyclopedia of Philosophy. ISSN 2161-0002. OCLC 37741658.

Portal Akses topik terkait	Portal Computer programming Portal Technology
Temukan informasi lain di proyek saudari Wikimedia	Direktori spesies dari Wikispecies Pandaun perjalanan dari Wikivoyage Kabar berita dari Wikinews Definisi dari Wiktionary Teks sumber dari Wikisource Sumber pembelajaran dari Wikiversity Data dari Wikidata