Apa yang bisa kita pelajari tentang kecerdasan manusia dengan mempelajari cara mesin “berpikir?” Bisakah kita lebih memahami diri kita sendiri jika kita lebih memahami sistem kecerdasan buatan yang kini menjadi bagian penting dalam kehidupan kita sehari-hari?
Pertanyaan-pertanyaan ini mungkin sangat filosofis, namun bagi Phillip Isola, menemukan jawabannya adalah soal komputasi dan juga pemikiran.
Isola, profesor madya yang baru menjabat di Departemen Teknik Elektro dan Ilmu Komputer (EECS), mempelajari mekanisme dasar yang terlibat dalam kecerdasan mirip manusia dari perspektif komputasi.
Meskipun memahami kecerdasan adalah tujuan utamanya, karyanya berfokus terutama pada visi komputer dan pembelajaran mesin. Isola secara khusus tertarik untuk mengeksplorasi bagaimana kecerdasan muncul dalam model AI, bagaimana model ini belajar untuk mewakili dunia di sekitar mereka, dan apa yang “otak” mereka bagikan dengan otak manusia yang menciptakannya.
“Saya melihat semua jenis kecerdasan memiliki banyak kesamaan, dan saya ingin memahami kesamaan tersebut. Apa kesamaan yang dimiliki semua hewan, manusia, dan AI?” kata Isola, yang juga anggota Laboratorium Ilmu Komputer dan Kecerdasan Buatan (CSAIL).
Bagi Isola, pemahaman ilmiah yang lebih baik mengenai kecerdasan yang dimiliki agen AI akan membantu dunia mengintegrasikan mereka dengan aman dan efektif ke dalam masyarakat, memaksimalkan potensi mereka untuk memberi manfaat bagi umat manusia.
Mengajukan pertanyaan
Isola mulai memikirkan pertanyaan ilmiah sejak usia muda.
Saat tumbuh besar di San Francisco, dia dan ayahnya sering pergi hiking di sepanjang garis pantai utara California atau berkemah di sekitar Point Reyes dan di perbukitan Marin County.
Dia terpesona oleh proses geologis dan sering bertanya-tanya apa yang membuat alam bisa berfungsi. Di sekolah, Isola didorong oleh rasa ingin tahu yang tak terpuaskan, dan meskipun dia tertarik pada mata pelajaran teknis seperti matematika dan sains, tidak ada batasan pada apa yang ingin dia pelajari.
Tidak sepenuhnya yakin apa yang harus dipelajari sebagai sarjana di Universitas Yale, Isola mencoba-coba hingga ia menemukan ilmu kognitif.
“Ketertarikan saya sebelumnya adalah pada alam – bagaimana dunia bekerja. Tapi kemudian saya menyadari bahwa otak bahkan lebih menarik, dan lebih kompleks daripada pembentukan planet. Sekarang, saya ingin tahu apa yang membuat kita tergerak,” katanya.
Sebagai mahasiswa tahun pertama, ia mulai bekerja di laboratorium profesor ilmu kognitif dan calon mentornya, Brian Scholl, anggota Departemen Psikologi Yale. Dia tetap di laboratorium itu selama menjadi sarjana.
Setelah menghabiskan masa jeda bekerja dengan beberapa teman masa kecilnya di sebuah perusahaan video game indie, Isola siap untuk terjun kembali ke dunia otak manusia yang kompleks. Dia mendaftar di program pascasarjana ilmu otak dan kognitif di MIT.
“Sekolah pascasarjana adalah tempat di mana saya merasa akhirnya menemukan tempat saya. Saya mempunyai banyak pengalaman luar biasa di Yale dan fase-fase lain dalam hidup saya, namun ketika saya tiba di MIT, saya menyadari ini adalah pekerjaan yang sangat saya sukai dan mereka adalah orang-orang yang berpikiran sama dengan saya,” katanya.
Isola memuji penasihat PhD-nya, Ted Adelson, Profesor Ilmu Visi John dan Dorothy Wilson, sebagai pengaruh besar pada jalur masa depannya. Dia terinspirasi oleh fokus Adelson dalam memahami prinsip-prinsip dasar, bukan hanya mengejar tolok ukur teknik baru, yang merupakan pengujian formal yang digunakan untuk mengukur kinerja suatu sistem.
Perspektif komputasi
Di MIT, penelitian Isola mengarah pada ilmu komputer dan kecerdasan buatan.
“Saya masih menyukai semua pertanyaan dari ilmu kognitif, tapi saya merasa saya bisa membuat lebih banyak kemajuan dalam beberapa pertanyaan tersebut jika saya menjawabnya dari perspektif komputasi murni,” katanya.
Tesisnya difokuskan pada pengelompokan persepsi, yang melibatkan mekanisme yang digunakan manusia dan mesin untuk mengatur bagian-bagian terpisah dari sebuah gambar sebagai satu objek yang koheren.
Jika mesin dapat mempelajari pengelompokan persepsi sendiri, hal ini dapat memungkinkan sistem AI mengenali objek tanpa campur tangan manusia. Jenis pembelajaran mandiri ini memiliki penerapan di berbagai bidang seperti kendaraan otonom, pencitraan medis, robotika, dan terjemahan bahasa otomatis.
Setelah lulus dari MIT, Isola menyelesaikan postdoc di University of California di Berkeley sehingga ia dapat memperluas wawasannya dengan bekerja di laboratorium yang hanya berfokus pada ilmu komputer.
“Pengalaman tersebut membantu pekerjaan saya menjadi jauh lebih berdampak karena saya belajar menyeimbangkan pemahaman prinsip-prinsip kecerdasan yang mendasar dan abstrak dengan upaya mencapai beberapa tolok ukur yang lebih konkret,” kenang Isola.
Di Berkeley, ia mengembangkan kerangka kerja terjemahan gambar-ke-gambar, sebuah bentuk awal model AI generatif yang dapat mengubah sketsa menjadi gambar fotografi, misalnya, atau mengubah foto hitam putih menjadi foto berwarna.
Dia memasuki pasar kerja akademis dan menerima posisi fakultas di MIT, tetapi Isola menunda selama satu tahun untuk bekerja di sebuah startup kecil bernama OpenAI.
“Itu adalah organisasi nirlaba, dan saya menyukai misi idealis pada saat itu. Mereka sangat pandai dalam pembelajaran penguatan, dan menurut saya itu sepertinya topik yang penting untuk dipelajari lebih lanjut,” katanya.
Dia menikmati bekerja di laboratorium dengan begitu banyak kebebasan ilmiah, tapi setelah satu tahun Isola siap untuk kembali ke MIT dan memulai kelompok penelitiannya sendiri.
Mempelajari kecerdasan mirip manusia
Menjalankan laboratorium penelitian langsung menarik baginya.
“Saya sangat menyukai tahap awal sebuah ide. Saya merasa seperti inkubator startup di mana saya terus-menerus dapat melakukan hal-hal baru dan mempelajari hal-hal baru,” katanya.
Berdasarkan ketertarikannya pada ilmu kognitif dan keinginan untuk memahami otak manusia, kelompoknya mempelajari komputasi mendasar yang terlibat dalam kecerdasan mirip manusia yang muncul dalam mesin.
Salah satu fokus utamanya adalah pembelajaran representasi, atau kemampuan manusia dan mesin untuk mewakili dan memahami dunia sensorik di sekitar mereka.
Dalam karyanya baru-baru ini, ia dan kolaboratornya mengamati bahwa beragam jenis model pembelajaran mesin, mulai dari LLM, model visi komputer, hingga model audio, tampaknya mewakili dunia dengan cara yang serupa.
Model-model ini dirancang untuk melakukan tugas-tugas yang sangat berbeda, namun ada banyak kesamaan dalam arsitekturnya. Dan ketika mereka semakin besar dan dilatih dengan lebih banyak data, struktur internal mereka menjadi semakin mirip.
Hal ini mendorong Isola dan timnya untuk memperkenalkan Hipotesis Representasi Platonis (mengambil namanya dari filsuf Yunani Plato) yang mengatakan bahwa representasi yang dipelajari oleh semua model ini menyatu menuju representasi realitas yang mendasari dan dimiliki bersama.
“Bahasa, gambar, suara – semua ini adalah bayangan berbeda yang dapat Anda simpulkan bahwa ada semacam proses fisik yang mendasarinya – semacam realitas kausal – di luar sana. Jika Anda melatih model pada semua jenis data yang berbeda ini, model tersebut pada akhirnya akan menyatu pada model dunia tersebut,” kata Isola.
Bidang terkait yang dipelajari timnya adalah pembelajaran dengan pengawasan mandiri. Hal ini melibatkan cara model AI belajar mengelompokkan piksel terkait dalam gambar atau kata-kata dalam kalimat tanpa diberi label contoh untuk dipelajari.
Karena data mahal dan label terbatas, hanya menggunakan data berlabel untuk melatih model dapat menghambat kemampuan sistem AI. Dengan pembelajaran dengan pengawasan mandiri, tujuannya adalah untuk mengembangkan model yang dapat menghasilkan representasi internal yang akurat tentang dunia mereka sendiri.
“Jika Anda dapat menghasilkan representasi dunia yang baik, hal itu akan membuat penyelesaian masalah selanjutnya menjadi lebih mudah,” jelasnya.
Fokus penelitian Isola lebih pada menemukan sesuatu yang baru dan mengejutkan dibandingkan membangun sistem kompleks yang dapat mengungguli tolok ukur pembelajaran mesin terbaru.
Meskipun pendekatan ini telah membuahkan banyak keberhasilan dalam mengungkap teknik dan arsitektur inovatif, hal ini berarti pekerjaan tersebut terkadang tidak memiliki tujuan akhir yang konkrit, sehingga dapat menimbulkan tantangan.
Misalnya, menjaga keselarasan tim dan aliran dana bisa jadi sulit ketika laboratorium fokus mencari hasil yang tidak diharapkan, katanya.
“Dalam arti tertentu, kami selalu bekerja dalam kegelapan. Ini merupakan pekerjaan yang berisiko tinggi dan memberikan imbalan yang tinggi. Sesekali, kami menemukan beberapa inti kebenaran yang baru dan mengejutkan,” katanya.
Selain mengejar ilmu pengetahuan, Isola juga bersemangat menyebarkan ilmu pengetahuan kepada generasi ilmuwan dan insinyur masa depan. Salah satu mata kuliah favoritnya untuk diajarkan adalah 6.7960 (Deep Learning), yang ia dan beberapa anggota fakultas MIT lainnya luncurkan empat tahun lalu.
Kelas ini telah mengalami pertumbuhan eksponensial, dari 30 siswa pada penawaran awal menjadi lebih dari 700 pada musim gugur ini.
Meskipun popularitas AI berarti tidak ada kekurangan siswa yang berminat, kecepatan pergerakan bidang ini dapat menyulitkan untuk memisahkan hype dari kemajuan yang benar-benar signifikan.
“Saya memberi tahu para siswa bahwa mereka harus menerima semua yang kami katakan di kelas dengan hati-hati. Mungkin dalam beberapa tahun kami akan memberi tahu mereka sesuatu yang berbeda. Kami benar-benar berada di ujung pengetahuan dengan kursus ini,” katanya.
Namun Isola juga menekankan kepada para siswa bahwa, terlepas dari semua hype seputar model AI terbaru, mesin cerdas jauh lebih sederhana daripada yang diperkirakan kebanyakan orang.
“Kecerdasan, kreativitas, dan emosi manusia – banyak orang percaya bahwa hal ini tidak akan pernah bisa ditiru. Hal itu mungkin benar, tapi menurut saya kecerdasan itu cukup sederhana setelah kita memahaminya,” ujarnya.
Meski karyanya saat ini berfokus pada model pembelajaran mendalam, Isola tetap terpesona dengan kompleksitas otak manusia dan terus berkolaborasi dengan peneliti yang mempelajari ilmu kognitif.
Sementara itu, ia tetap terpikat oleh keindahan alam yang mengilhami minat pertamanya pada sains.
Meskipun ia memiliki lebih sedikit waktu untuk melakukan hobi akhir-akhir ini, Isola menikmati hiking dan backpacking di pegunungan atau di Cape Cod, bermain ski dan kayak, atau mencari tempat-tempat indah untuk menghabiskan waktu ketika ia bepergian untuk konferensi ilmiah.
Dan sementara dia berharap untuk mengeksplorasi pertanyaan-pertanyaan baru di laboratoriumnya di MIT, Isola tidak bisa tidak memikirkan bagaimana peran mesin cerdas dapat mengubah jalannya pekerjaannya.
Ia percaya bahwa kecerdasan umum buatan (AGI), atau titik di mana mesin dapat mempelajari dan menerapkan pengetahuannya sebaik manusia, tidak akan lama lagi.
“Saya tidak berpikir AI akan melakukan segalanya untuk kita dan kita akan pergi dan menikmati kehidupan di pantai. Saya pikir akan ada hidup berdampingan antara mesin pintar dan manusia yang masih memiliki banyak hak untuk bertindak dan mengendalikan. Sekarang, saya sedang memikirkan tentang pertanyaan-pertanyaan menarik dan penerapannya setelah hal itu terjadi. Bagaimana saya bisa membantu dunia di masa depan pasca-AGI? Saya belum punya jawaban apa pun, tapi itu yang ada di pikiran saya,” katanya.
