Pernah denger gak sih kata-kata kece dari Yann LeCun, Chief AI Scientist Meta, yang bilang, “Kita tidak akan sampai ke AI selevel manusia cuma dengan membesarkan LLM… absolutely no way in hell.”? Nah, ini bener-bener jadi bahan perdebatan seru di dunia AI, terutama soal apakah nambahin ukuran model bahasa besar (Large Language Models/LLM) cukup buat nyiptain kecerdasan buatan yang setara manusia alias AGI (Artificial General Intelligence).
Jadi, apa sih si LeCun ini maksudnya? Yuk kita kulik bareng-bareng, biar gak cuma ikut-ikutan hype GPU farm dan model yang makin gede.
- LLM cuma mesin prediksi token: Jadi LLM itu sebenernya jago banget niru bahasa dan ngambil data, tapi gagal bikin model dunia yang kausal. Artinya, LLM gak paham sebab-akibat kayak manusia, cuma nebak kata berikutnya berdasar data yang dia punya.
- Gak ada ‘PhD digital’: LLM belum bisa bikin solusi baru yang bener-bener out of the box. Jadi, gak kayak manusia yang bisa mikir inovatif, LLM masih stuck di pola data lama.
- Skala gak sama dengan kecerdasan: Nambah parameter model itu cuma bikin memorinya makin gede sama statistiknya makin akurat, tapi gak bikin kapasitas nalar tambah canggih.
- AGI dalam 2 tahun? Mimpi deh! LeCun bilang, butuh terobosan besar dalam arsitektur AI, ditambah kemampuan mesin buat berinteraksi langsung sama dunia (embodiment) dan belajar terus-terusan (continuous learning).
Kalau ditarik dari data empiris, makin gede model LLM ternyata punya diminishing returns, alias hasilnya makin lama makin stagnan. Contohnya:
- Plateau MMLU/GSM8K: Dari tahun 2020 sampai 2023, akurasi model AI melonjak drastis, tapi sekarang mulai datar mendekati batas kemampuan manusia. Ini kayaknya karena ada limitasi di data dan noise yang gak bisa diatasi cuma dengan nambah parameter.
- OpenAI “Orion”: Bocoran dari Business Insider nunjukin kalau lompatan performa dari GPT-4 ke model Orion cuma "moderat" aja, yang jadi tanda kalau hukum skala mulai capek alias kehabisan bensin.
- Survei 8.590 pakar AI: Median prediksi AGI ada di tahun 2060, dengan orang Asia lebih optimis (sekitar 30 tahun lagi), sedangkan di Amerika lebih skeptis (sekitar 74 tahun lagi).
Gak cuma LeCun, komunitas AI juga punya berbagai pendapat seru soal ini:
- Geoffrey Hinton (the Godfather of AI) waspada banget, bahkan ngomong soal kemungkinan bikin komputer analog buat nahan risiko AI yang gak terkendali.
- Demis Hassabis dari Google DeepMind lebih moderat-optimis, ngasih peluang AGI bisa tercapai 50% dalam 5-10 tahun, tapi tetep butuh inovasi besar di luar cuma skala model.
- Sam Altman dari OpenAI super optimistis, janjiin era intelijen baru antara 2025-2029 walau performa model terbaru agak melambat.
- Rumman Chowdhury dari Humane Intelligence kritis, ngingetin supaya jangan asal serahin proses mikir kita ke AI yang cuma mesin probabilistik.
Terus, kenapa sih nambah GPU dan parameter aja gak cukup? Nih alasannya:
- Data Quality Wall: Data web berkualitas bersih cuma sekitar 5 petabyte, sisanya banyak duplikat dan spam yang bikin model gak belajar optimal.
- Compute & Energi: Model sebesar 10 triliun parameter butuh daya listrik sekitar 1 gigawatt! Bayangin tuh tagihan listrik dan jejak karbonnya, jadi gak sustainable terus-terusan.
- Algoritmik Stagnan: Transformer yang dipake LLM masih cuma ngikutin prinsip prediksi token berikutnya, walaupun ada inovasi kayak linear attention dan Mixture-of-Experts, tapi itu cuma solusi sementara.
- Tanpa Embodiment: Model AI gak punya pengalaman sensorimotor nyata, jadi gak ngerti fisika dunia nyata dan makna dari tindakan nyata.
Untuk ngelanjutin riset AI yang lebih maju, fokusnya bakal pindah ke beberapa area menarik antara 2025-2030:
- World-Model Learning: Bikin AI yang bisa paham sebab-akibat dan dinamika objek secara kausal.
- Neuro-Symbolic Reasoning: Gabungin logika simbolik sama pembelajaran gradien untuk reasoning yang lebih canggih.
- Embodied dan Reinforcement Learning Agents: AI belajar langsung lewat simulasi dunia nyata atau robot biar punya pengalaman sensorimotor.
- Memory-Augmented Models (RAG 2.0): Kombinasi retrieval data besar sama reasoning modular biar makin pinter.
- Analog atau Spiking Hardware: Hardware hemat energi yang diusulin Hinton buat ngatasi batasan listrik dan efisiensi komputasi digital sekarang.
Kesimpulannya, LeCun tuh bener banget: cuma nambahin ukuran model dan GPU gak otomatis bikin AI jadi jenius setara manusia. Fakta di lapangan nunjukin tren performa udah mulai datar dan ada batas yang gak bisa dilewati cuma dengan skala. Komunitas AI memang terbelah antara yang optimistis dan skeptis, tapi semuanya sepakat kalau inovasi arsitektur dan grounding ke dunia nyata itu kunci utama.
Jadi, kalau kita mau bikin “otak digital” yang bener-bener setara manusia, kita gak bisa cuma ngasih makan data dan nambah GPU aja. Kita harus ngajarin mesin buat mengalami dunia, punya pemahaman kausal, dan bisa belajar terus-menerus, kayak manusia.
Pokoknya, makin gede gak selalu makin jenius, bro! Yuk kita siap-siap ngikutin perkembangan riset AI yang bakal makin seru dan penuh inovasi di tahun-tahun depan!
Referensi video lengkap bisa cek di sini.