Apa yang dan yang bukan Kecerdasan Buatan

Pengantar

Artificial Intelligence (AI) atau kecerdasan buatan secara pokok adalah, mengutip John McCarthy, pencetus istilah Al pertama kali, ilmu dan teknik membuat mesin yang cerdas. Dalam studi tentang Al sendiri ada beberapa bahasan lain, seperti machine learning, artificial neural networks, pattern recognition, dan lain-lain. Studi tentang Al banyak diwarnai oleh perdebatan tentang apa itu “kecerdasan” (intelligence). Perdebatan mengenai hakikat kecerdasan ini sendiri dilandasi oleh ekspektasi tentang apa itu Al. Dalam perdebatan ini ada dua kubu. Kubu pertama mementingkan proses bagaimana komputer bisa berpikir. Kubu kedua menekankan pada perilaku atau hasil dari sistem perangkat lunak. Jadi, secara umum, perdebatannya ialah soal apakah Al ini ditujukan untuk meniru akal manusia ataukah ia ditujukan untuk membikin program yang bisa diukur tidak secara manusiawi, tetapi tetap rasional (Russel & Norvig, 2010 dalam Shestakofsky, 2017).

Hal yang juga perlu ditekankan dari perdebatan mengenai Al tersebut ialah bahwa Al ditujukan untuk meniru, menjiplak, mensimulasi, berpura-pura, dan berbagai diksi lain yang menunjukkan ketidakaslian Al. Bahwa suatu Al dapat dikatakan cerdas ialah ketika ia mampu seakan-akan menjadi manusia. Seperti dikatakan Zackova (2015: 32) dalam Shestakofsky (2017: 411) bahwa kebanyakan ilmuwan komputer sepakat bahwa tujuan Al adalah untuk mensimulasi kecerdasan dan rasionalitas manusia atau untuk membuat sistem yang dapat secara masuk akal disebut cerdas. Yang penting dari pernyataan tersebut ialah bahwa Al hanya perlu mensimulasi atau dalam kata lain menjadi seolah-olah.

Pemahaman mengenai Al yang sedemikian rupa tentu diilhami oleh suatu pemikiran yang terdahulu. Bahkan, menurut Benjamin Bratton (2015: 71) gagasan tentang cara memahami Al lewat kemampuannya menjadi seolah-olah manusia itu sama tuanya dengan riset tentang Al sendiri. Gamblangnya, sejak awal penelitian tentang Al digagas, orang sudah berusaha mendefinisikan Al lewat kemampuannya mereplikasi manusia. Gagasan ini dilandasi oleh pemikiran Alan Turing yang pada tahun 1950 menulis artikel “Computing Machinery and Intelligence”. la memaparkan eksperimen pikirannya yang terkenal yang disebut Turing Test atau imitation game. Penjelasan singkatnya adalah demikian (Bratton, 2015: 71 dalam Pasquinelli, 2015): seorang manusia bertanya pada dua partisipan, yang satu manusia dan yang lain komputer. Jika manusia yang bertanya itu tidak bisa membedakan mana yang manusia dan mana yang komputer, dan jika yang komputer dapat diidentifikasi sebagai manusia oleh sang penanya, maka komputer tersebut bisa dikatakan cerdas.

Tentu, meski populer di kalangan ilmuwan komputer atau umum, ada kritik terhadap pemikiran Turing. Yang paling terkenal adalah eksperimen pikiran “The Chinese Room” yang digagas oleh John Searle. Sederhananya begini: andaikan ada orang yang dimasukkan ke dalam ruangan kecil yang berisi dua loket, masuk dan keluar. Ada kertas masuk yang berisi simbol-simbol seperti aksara mandarin datang dari loket A. Orang yang ada di dalam ruangan ini tak mengerti sama sekali mengenai bahasa mandarin. Dalam ruangan tersebut ada sebuah buku tebal yang berisi instruksi untuk orang tersebut. Ia harus membalas kertas yang masuk tadi ke luar ruangan melalui loket B. Orang yang di luar, yang memahami bahasa mandarin, ternyata mengerti apa yang ditulis orang yang di dalam itu. Dan, orang yang di dalam tadi bisa menjawab dengan baik, padahal ia tak mengerti aksara-aksara yang dilihatnya. Eksperimen pikiran ini menunjukkan bahwa simulasi itu tidak menunjukkan kecerdasan sama sekali, sebab ia tidak mengerti (understand) logika bahasa dan mengapa suatu ekspresi tepat atau tidak tepat digunakan dalam konteks tertentu (Dreyfus, 1997; Winograd & Flores, 1987 dalam Shestakofsky, 2017).

Bagaimanapun, usaha-usaha meniru pikiran manusia dalam studi Al lawas menunjukkan banyak kegagalan (Bratton, 2015; Shestakofsky, 2017). Studi Al masa kini lebih ditujukan pada tugas – tugas spesifik. Shestakofsky (2017) menjabarkan bahwa Al saat ini didasarkan pada “neural networks” atau “machine learning” menggunakan kumpulan data yang besar dan logika statistik untuk memahami dan merespons pola-pola. Banyak insinyur-insinyur mengembangkan Al untuk menyelesaikan tugas-tugas spesifik, misal mesin pencari, sistem rekomendasi, dan agregator laman web. Otonominya juga beragam. Ada Al yang dikendalikan oleh manusia, ada yang otonom sama sekali dari manusia, banyak juga yang kombinasi keduanya. Maka, banyak riset tentang Al hari ini yang berfokus pada “…kecerdasan majemuk yang emergen dan distribusi kecerdasan di antara agen-agen yang mungkin atau juga tidak menyadari satu sama lain tapi yang bersama-sama meng- hasilkan kecerdasan melalui interaksi…” (Bratton, 2015: 75).

Masalahnya sekarang ialah bahwa pendefinisian kecerdasan dalam studi Al secara luas didasari oleh apa yang disebut Bratton sebagai trauma Kopernikan. Revolusi Kopernikan menyisihkan manusia dari tempatnya sebagai pusat alam semesta. Perkembangan Al sendiri, baik yang terjadi secara sengaja maupun tidak sengaja, menurut Bratton, dapat menggeser posisi sentral manusia. Namun, ada resistensi terhadapnya yang dikarenakan trauma Kopernikan tersebut, sebab “gagasan bahwa kecerdasan bisa ada secara riil dan inhuman dalam satu waktu adalah suatu hal yang tidak bisa ditolerir baik secara moral ataupun psikologis (Bratton, 2015: 72).” Resistensi ini adalah peninggalan masa Pencerahan yang masih kuat bercokol dalam paradigma pemikiran Barat hingga saat ini.

Alam Pikiran Barat

Untuk membahas mengenai alam pikir Barat soal kecerdasan, tokoh yang biasa dirujuk ialah Aristoteles. Ia yang menyatakan bahwa manusia adalah animal rationale – hewan yang berpikir. Seperti banyak sekali dikutip di berbagai teks, kemampuan berpikir ini ditandai oleh kemampuan berbahasa. Dengan kemampuan ini manusia bisa membedakan mana yang baik, dan mana yang buruk. Selain itu, Aristoteles pula yang memberikan fondasi mengenai sistematika berpikir yang benar, yakni dengan silogisme. Adalah benar bahwa manusia bisa berpikir, tapi agar pikiran itu dapat dikatakan rasional, ia mesti valid secara silogistik. Hewan tidak punya kemampuan untuk berpikir karena tidak dapat berbahasa. Yang diketahuinya hanyalah tanda yang mengindikasikan rasa sakit atau rasa senang. Meski begitu, hewan dan manusia adalah sesama makhluk hidup yang bisa diketahui dari kemampuan nutritif-nya, yakni kemampuan untuk tumbuh dan mati (growth and decay).

Dengan ini dapat dikatakan dengan tegas bahwa mesin bukan makhluk hidup, apalagi bisa berpikir. Namun, apa itu mesin? Lewis Mumford (1967: 10) menjelaskan tentang perbedaan esensial mengenai alat dan mesin. Perbedaan itu berhubungan dengan derajat kemandirian (independence) dalam operasi terhadap ke mampuan dan keinginan (skill and motive) pelaku. Dalam kata lain, mesin memiliki tingkat keotomatisan yang lebih daripada alat. Menurut Mumford (1967:11) mesin otomatis terdiri dari bagian-bagian yang saling terhubung secara rumit, fungsinya sangat khusus, dan ada sumber tenaga eksternal. Akan tetapi, bisakah mesin itu berpikir?

Tak lengkap rasanya jika dalam pembahasan topik seperti ini nama Descartes belum muncul. Sayangnya, ia tak muncul begitu saja. Ia berpendapat bahwa mesin (automaton) tidak punya (deprived) konsep ego, Aku, atau je pense (Derrida, 2008: 76). Ini masuk akal mengingat posisi konsep Aku dalam tesis “Aku berpikir maka Aku ada” adalah sentral. Tanpa punya konsep Aku, bagaimana Descartes bisa sampai kesimpulan itu? Descartes juga menyatakan bahwa mesin tidak bisa berpikir sebab dua hal (Derrida, 2008: 81): ketidakmampuan untuk merespons dan lack of lack. Pertama, respons berbeda dari reaksi. Respons berhubungan dengan pertanyaan. Reaksi berhubungan dengan stimulus. Sesuatu dikatakan bereaksi ketika ia melakukan suatu hal X karena sebab Y. Peristiwa itu murni kausal dan terjadi secara instingtif. Namun, menjawab pertanyaan adalah hal berbeda. Yang penting bukanlah kemampuan menjawab pertanyaannya, tapi mengetahui bahwa ia sedang ditanyai, yang berarti punya kesadaran mengenai Aku, dan memahami konsep pertanyaan. Ketidakmampuan merespons ini berhubungan dengan fenomena kebahasaan. Tak mempunyai bahasa berarti tak bisa merespons. Kedua, mengenai lack of lack. Hewan dan automaton dikatakan mempunyai kekurangan dari kekurangan yang unik dimiliki manusia. Manusia memang tidak sempurna. Nah, hewan dan mesin tidak punya sisi ketidaksempurnaan manusia itu. Jadilah ia kekurangan sesuatu yang kurang, lack of lack. Ketaksempurnaan manusia diklaim sebagai sesuatu yang justru membuatnya superior dari yang lain.

Dari penjelasan singkat ini dapat dipahami bahwa manusia menempati suatu keistimewaan dalam Rantai Agung Segala Sesuatu (Great Chain of Being). Ia berbeda dari makhluk hidup lain karena kemampuannya berbahasa dan berpikir. Ia dibedakan dengan makhluk yang lebih rendah, hewan dan mesin, karena mereka tidak punya kapasitas berpikir. Mereka tidak bisa berpikir karena tidak bisa berbahasa (Aristoteles), tidak punya konsep diri/ego (Descartes), dan tidak bisa merespons (Aristoteles/Descartes). Maka, bisa dipahami bahwa untuk bisa dikatakan berpikir, sesuatu itu harus seperti manusia, sebab dalam diri manusialah kemampuan berpikir itu ada. Usaha membangun suatu artificial general intelligence didasarkan pada suatu cetak biru yang merujuk pada manusia.

Bentuk Kecerdasan

Marvin Minsky dalam artikelnya “Steps Toward Artificial Intelligence” (1960) menyatakan bahwa pertanyaan mengenai apa sebenarnya kecerdasan itu  adalah pertanyaan estetis semata dan tidak menyangkut pertanyaan teknis. Namun, ia menekankan bahwa ketidakmampuan untuk menjawab apa itu kecerdasan dan letak kecerdasan tidak semestinya mengarahkan pada kesimpulan bahwa mesin tidak bisa berpikir. Nick Bostrom (2014: 14) dalam paparannya mengenai kondisi riset Al hari ini menunjukkan pesatnya perkembangan Al lemah, tapi tidak begitu dengan Al kuat. Menurutnya, Al dapat dikategorikan kuat tatkala ia dapat memahami “bahasa alami” layaknya manusia dewasa. Ini berarti, menurut Bostrom, ada indikator untuk mengukur apakah suatu artificial general intelligence sudah tercipta, yakni kemampuan berbahasa. Hal serupa juga diungkapkan oleh Reza Negarestani (2015: 144) secara tidak langsung bahwa paradigma komputasi saat ini berkembang ke arah interactive paradigm yang menjelaskan bahwa “perilaku sistem sesuai respon terhadap dan interaksi dengan input/masukan dari lingkungan luar/eksternal.” Namun, yang tak kalah penting ialah untuk menentukan aktivitas macam apakah yang harus dilakukan sekumpulan agen, entah itu hewan atau artefak, agar bisa dikatakan bahwa mereka sedang berada dalam suatu praktik diskursif linguistik”(Negarestani, 2015: 145). Paradigma ini merupakan reaksi terhadap paradigma lama yang menutup sistem dari pengaruh lingkungan luar/eksternal dengan menganggapnya hanya sebagai suatu deviasi. Secara tidak langsung, hal ini berhubungan dengan kemampuan berbahasa “alami” layaknya orang dewasa, sebab bahasa adalah hal yang interaktif.

Pembayangan mengenai Al acap kali bersifat distopis. Bostrom (2014: 95) membayangkan skenario tatkala Al merebut (take over) kekuasaan manusia. Mesin supercerdas menjadi suatu kekhawatiran eksistensial dalam bayangan Bostrom. Kekhawatiran ini disebabkan oleh Paradoks Singularitas. Kecerdasan super ditakutkan akan terlalu bodoh untuk mengetahui commonsense, sebab bagi kecerdasan super “pertanyaannya adalah mana yang paling cepat/murah (dalam hal sumberdaya komputasional) untuk dilakukan” (Yampolskiy, 2013: 398). Solusinya secara umum adalah kontrol atas perkembangan dan sumberdaya yang bisa digunakan Al. Pembayangan yang demikian tentu berhubungan dengan pandangan bahwa Al suatu saat bisa memiliki kecerdasan manusia atau seperti manusia. Pandangan demikian disampaikan salah satunya oleh Bostrom (2014: 20) yang memandang bahwa dalam waktu dekat kecerdasan mesin setingkat manusia akan tercipta.

Pun demikian, menurut saya diperlukan pandangan yang lebih realistis memandang Al. Pandangan ini disampaikan oleh Elena Esposito (2013: 122) bahwa pembahasan mengenai Al mestinya dialihkan dari “pusat pengolahan informasi singular menjadi koneksi yang menyalurkan komunikasi”. Pemahaman mengenai Al dapat dilihat dari kecerdasan sibernetik yang dihasilkan oleh jaringan. Kecerdasan  ini sendiri berbeda baik secara struktur maupun prosedur dengan kecerdasan manusia. Esposito mencoba memahami kecerdasan AI melalui apa yang dilakukan AI di internet. Informasi yang amat banyak di internet, yang juga dihasilkan dari aktivitas pengguna internet, memproduksi ekstra informasi terus-menerus yang dikelola dan diolah oleh AI melalui data mining dan machine learning. Data yang begitu banyak, disebut Big Data, kemudian diolah untuk dipahami polanya. Lalu, keteraturan hadir dari ketidakteraturan (Esposito, 2013: 125-126). Esposito (2013: 127) menjelaskan bahwa cara kerja ini bertentangan dengan cara kerja ilmu. Ilmuwan bekerja untuk mencari penjelasan kausal mengenai terjadinya sesuatu. Mengapa sesuatu bisa terjadi? Hal ini berbeda dengan cara kerja sensing AI. Ia mencari korelasi dan pola dari begitu banyak data dan mencari keteraturan yang mesti dijelaskan. Maka dari itu,  teori tidak diperlukan lagi. Cukup mengumpulkan data sebanyak-banyaknya untuk dicari keteraturan di dalamnya.

Selain itu, Benjamin Bratton (2017) mengusulkan bahwa Al dipandang sebagai “sesuatu yang menempati titik yang berbeda dari manusia dalam suatu kontinuum kecerdasan material yang terbagi secara lebih luas”. Di sini Bratton mendefinisikan kecerdasan sebagai “kemampuan abstraksi” yang meliputi kemampuan suatu organisme untuk melakukan pemetaan lingkungan sekitar, khususnya dalam hal membedakan kawan, makanan, dan musuh.

Pernyataan senada disampaikan oleh Negarestani bahwa apa yang disebut pikiran (mind) harus didefinisikan secara fungsional. Hal ini meliputi aktivitas-aktivitas yang mendefinisikan pikiran (Negarestani, 2015: 148). Fungsionalisme mendefinisikan sesuatu melalui apa yang dilakukannya. Dalam konteks ini ia berspekulasi mengenai penggabungan pendekatan fungsionalisme dan komputasionalisme. Pandangan terakhir mendefinisikan pikiran sebagai sesuatu yang komputasional atau melakukan suatu komputasi, baik itu intrinsik atau algoritmik. Negarestani menggabungkan dua pandangan itu untuk berspekulasi tentang kemungkinan Al, yakni:

“jika ada deskripsi komputasional mengenai suatu fungsi, fungsi itu bisa saja, dalam prinsip, dan dalam kerangka paradigma komputasi yang tepat, direkonstruksi melalui sebuah mesin atau sistem agen yang berinteraksi yang mampu melakukan komputasi yang relevan” (Negarestani, 2015: 142).

Inilah basis yang digunakan Negarestani untuk memahami Al. Negarestani juga memuji usaha Alan Turing yang ia katakan sebagai usaha menunjukkan “kemungkinan realisasi mesin yang dapat melakukan secara komputasional fungsi- fungsi yang biasanya diasosiaikan dengan pengalaman manusiawi seperti persepsi, kognisi, dan intensi” (Negarestani, 2015: 146).

Baik Esposito maupun Bratton saya kira sepakat dengan Negarestani bahwa kecerdasan harus dipahami secara fungsional, yakni melalui apa yang dilakukannya. Namun, ketiganya tidak menjelaskan secara detil bagaimana AI, khususnya hari ini, bekerja. Pandangan yang menurut saya paling sadar dan kritis mengenai penelitian AI kontemporer disampaikan oleh Matteo Pasquinelli. Menurutnya (2017), apa yang banyak disebut oleh media massa sebagai AI adalah tak lain mesin otomatisasi inferensi statistik. Ia menyatakan bahwa paradigma tentang AI saat ini didasarkan pada jaringan neural (neural networks) yang ditujukan untuk mengotomatisasi induksi statistik. Alat ini didesain oleh Frank Rosenblatt pada tahun 1958. Paradigma induksi statistik saat ini menggantikan penelitian AI dahulu yang didasarkan pada deduksi simbolik. Maka, daripada membuat AI yang cerdas dahulu, lebih baik membentuk sebuah mesin yang belajar dari lingkungannya dan kemudian secara terus-menerus dan parsial menjadi lebih cerdas (Pasquinelli,2017: 5). Prinsip pembelajaran ini didasarkan pada pandangan Second-Order Cybernetic bahwa “hanya sistem yang jauh dari equilibrium yang memungkinkan terbentuknya struktur, kebiasaan, dan ide baru.” (Pasquinelli, 2017: 4) Inilah yang dijadikan sebagai dasar machine learning.

Penerapan konsep jaringan neural pertama kali diterapkan dalam “Mark 1 Perceptron” yang diciptakan oleh Rosenblatt. Ia menjelaskan bagaimana mesin itu bekerja sebagai berikut:

“Persyaratan utama sistem semacam itu adalah bahwa ia harus bisa merekognisi pola kompleks informasi yang secara fenomenal mirip … suatu proses yang berkorespondensi dengan fenomena psikologis yang disebut “asosiasi” dan “generalisasi stimulus” … Sistem yang diajukan ini dalam operasinya lebih bergantung pada prinsip probabilistik daripada deterministik, dan jaminan realibilitasnya didasarkan dari sifat-sifat pengukuran statistiknya yang didapatkan dari populasi elemen yang besar” (Pasquinelli, 2017: 5).

Dari penjelasan tersebut ditemukan beberapa kata kunci, yakni: pola kompleks informasi, asosiasi, generalisasi stimulus, probabilistik, pengukuran statistik, populasi elemen yang besar. Kata kunci ini dapat digunakan untuk memahami lebih lanjut bagaimana cara kerja AI yang didasarkan pada jaringan neural, sebab saat ini Perceptron Multilapis (Multilayer Perceptons) menjadi dasar sistem Deep Learning yang memungkinkan mesin penerjemah otomatis dan mobil tanpa supir, misalnya, bisa dikembangkan.

Menurut Pasquinelli (2017: 7), penciptaan jaringan neural bisa diidentifikasikan sebagai penyatuan empat bentuk teknologi, yakni scansion atau digitasi input analog, logic gate, feedback loop, dan network. Fungsinya ialah “merekam pola-pola input yang mirip (training dataset) sebagai sebuah inner state dari noda-nodanya. Ketika inner state itu bisa dikalkulasi, konstruksi statistik ini bisa dipasang di berbagai jaringan neural dengan struktur yang sama dan digunakan untuk mencari pola dalam data baru” (Pasquinelli, 2017: 7).

Dalam machine learning ada dua model pembelajaran, supervised dan unsupervised. Supervised learning adalah model pembelajaran yang salah-benarnya suatu output pengolahan ditentukan oleh manusia. Sedangkan dalam unsupervised learning, suatu jaringan neural mesti mencari sendiri pola-pola dalam training dataset tanpa ada klasifikasi sebelumnya oleh manusia. Dalam mengolah data, sebuah jaringan neural mencari dependensi statistik (Pasquinelli, 2017: 9). Misalnya, jaringan neural belajar mengenali gambar kucing. Ia akan mencari dependensi atau hubungan antarpiksel untuk kemudian membuat suatu representasi internal untuk dirinya. Gambar ini diidentifikasi mulai dari pinggirannya, garis-garisnya, kurva-kurvanya, untuk diolah sebagai representasi multidimensional yang kemudian dicari asosiasi-asosiasinya dari berbagai data yang ada untuk dijadikan output yang dapat dipahami manusia. Jadi, nantinya, jaringan neural ini bisa mengenali apakah dalam suatu gambar ada citra kucing atau tidak.

Berdasarkan penjelasan ini Pasquinelli menyimpulkan bahwa “teknik kekinian dalam Kecerdasan Buatan” adalah induksi statistik dan tidak menunjukkan otomatisasi kecerdasan (Pasquinelli, 2017: 9). Hal ini didasarkan pada pembedaan yang diutarakan C.S. Pierce tentang deduksi, induksi, dan abduksi. Pasquinelli menjelaskan bahwa bentuk inferensi logis yang klasik seperti deduksi dan induksi tidak pernah menciptakan ide baru dan hanya mengulang fakta kuantitatif. Hanya abduksi yang mampu mendobrak status quo dan menciptakan hukum-hukum baru. Sebab, seperti dikatakan Peirce dalam Pasquinelli (2017: 12) “Abduksi berkerja dengan mempelajari fakta-fakta dan mempergunakan teori untuk menjelaskannya”.  Dengan berpegang prinsip ini, Pasquinelli mendefinisikan kecerdasan sebagai “discovery and invention of new rules” (Pasquinellui, 2017: 9). Jaringan neural tidak bisa dikatakan cerdas sebab hanya melakukan inferensi induktif dari data yang sifatnya homogen. Kalaupun dihadapkan dengan data yang multidimensional, ia hanya bisa menemukan pola berdasarkan petunjuk yang telah didasarkan postulasi dan kategori dari manusia yang ada di training dataset (Pasquinelli, 2017: 11). Jaringan neural tidak punya kemampuan untuk keluar dari batasan itu untuk menciptakan kategorinya sendiri.

Selain itu, Pasquinelli juga menekankan bahwa senyatanya AI itu memperbesar (amplify) pengetahuan manusia, bukan melampauinya, seperti dikatakannya bahwa “Segala mesin adalah selalu mesin kognisi, suatu produk kecerdasan manusia”(Pasquinelli, 2017:2). Komputasi neural, Pasquinelli (2017:10) menggarisbawahi, sangat dipengaruhi oleh manusia. Pengaruh manusia bisa dilihat dalam tiga hal: desain training dataset dan kategorinya, teknik koreksi kesalahan, dan klasifikasi output yang diinginkan. Pasquinelli (2017: 10) juga menunjukkan beberapa keterbatasan yang inheren dalam komputasi neural. Pertama, problem over-fitting, yakni tendensi untuk belajar terlalu banyak mengenai pola yang sangat spesifik yang disebabkan oleh besarnya kemampuan komputasi. Misalnya, dalam sistem facial recognition, orang dengan kulit berwarna sulit terdeteksi sebagai manusia karena training dataset-nya menggunakan basis data wajah orang kulit putih. Kedua, apophenia, yakni melihat pola yang tidak ada atau membuat pola dari gambar dengan latarbelakang yang ramai. Misalnya dalam kasus Yahoo! yang mengembangkan sistem jaringan neural untuk mendeteksi gambar tidak senonoh. Sistem yang dibangun itu justru mempersepsi penis dan vagina di berbagai gambar yang sama sekali tidak ada penis atau vaginanya. Contoh lain yang terkenal adalah Google DeepDream. Sistem jaringan neural dilatih untuk mendeteksi anjing. Namun, ia justru memunculkan pola-pola aneh yang berbentuk semacam anjing di gambar-gambar yang tak ada anjingnya.

Jika begini, Pasquinelli tentu akan membantah pujian Esposito terhadap kemampuan jaringan neural untuk melakukan inferensi induktif dari banyak data. Esposito menganggap bahwa hal itu dilakukan secara otonom oleh mesin itu sendiri dan tanpa campur tangan manusia. Pasquinelli justru menunjukkan bahwa keterlibatan manusia begitu menentukan untuk jaringan neural melakukan pencarian polanya. Tanpa hal itu, ia akan kebingungan mencari pola. Bahkan mungkin pernyataan Esposito bahwa teori sudah tak diperlukan untuk mencari penjelasan akan jadi bahan tertawaan. Esposito tampak menaksir terlalu tinggi kemampuan AI. Ia telah menyingkirkan keterlibatan manusia secara signifikan. Akhirnya, anggapannya bahwa AI membawa kecerdasan inhuman menjadi mimpi di siang bolong.

Lalu, bagaimana dengan Bratton dan juga Negarestani? Untuk Bratton yang memberi definisi terbatas pada kecerdasan sebagai kemampuan abstraksi, utamanya dalam hal membedakan kawan-lawan, makanan-predator, kemampuan perseptual jaringan neural dapat dikatakan memiliki derajat kecerdasan tersendiri dalam kontinuum kecerdasan. Namun, sekali lagi yang tidak diperhatikannya adalah seberapa besarnya manusia dalam menentukan kemampuan abstraksi itu dengan kategori dan klasifikasinya dalam training dataset. Manusia telah dan selalu embedded dalam sistem itu. Jika manuver argumen lanjutannya adalah, untuk kemudian menyinggung juga argumen Negarestani, bahwa akan ada suatu rombakan baru yang muncul (emerge) dari kecerdasan yang terbatas ini, bagaimana limitasi-limitasi yang sudah dijelaskan Pasquinelli bisa dilompati (leap)?

Kemudian, masuk ke argumen Negarestani mengenai rekonstruksi fungsi otak dari deskripsi komputasional mengenai fungsi otak dalam sebuah mesin yang oto- nom. Pasquinelli mungkin bakal mengingatkan Negarestani bahwa rekonstruksi itu sulit dilakukan. Bahkan gagasan mengenai jaringan neural artifisial itu sendiri ada- lah suatu “penyerdehanaan dan pelebih-lebihan sistem saraf” (Pasquinelli, 2017: 6). Bagaimana membuat suatu deskripsi komputasional mengenai fungsi otak yang pada ujungnya bukan suatu penyederhanaan atau pelebihan? Apakah deskripsi itu sifatnya exhaustive? Mungkinkah? Negarestani menjelaskan lebih lanjut argumennya bahwa proyek itu akan “secara konkret mengobrak-abrik pemahaman tentang apa dan bagaimana rupanya pengalaman manusia itu” (Negarestani, 2015: 152).

Hal ini bisa terjadi asalkan satu prinsip ini diamini: “fungsi itu bisa merekonstitusi dirinya dengan terus-menerus merekonstruksi dan merevisi dirinya, dengan berevolusi secara asimetris dari struktur dan dengan merevisi maknanya melalui reimplementasi dalam subtrat-subtrat baru” (Negarestani, 2015: 152). Namun, lagi-lagi, bagaimana rekonstruksi dan revisi itu bisa dilakukan jika pengaruh manusia dalam desain training dataset dan kategorinya, teknik koreksi kesalahan, dan klasifikasi output yang diinginkan sangat signifikan dalam kerangka komputasi neural? Haruskah Negarestani pandangannya dimaklumi karena ia sudah mewanti-wanti bahwa pandangannya adalah suatu hal yang masih akan datang (to come)?

Konsekuensi

Akhirnya saya sampai pada titik baru. Untuk mendudukkan permasalahan tentang AI, tidak bisa digunakan cara pandang mengenai distingsi manusia/mesin begitu saja. Permasalahan ini berbeda dengan distingsi manusia/hewan yang sama-sama makhluk hidup. Manusia/mesin adalah perbandingan makhluk hidup dan makhluk tak hidup. Mesin sebagai benda teknologis tidak bisa dilepaskan dari ke- pentingan manusia yang membuatnya. Ini ditunjukkan secara detil dan cermat oleh Pasquinelli. AI tidak bisa dipersepsikan begitu saja sebagai agen yang otonom dari manusia, meski ia punya derajat otonominya dalam batasan tertentu. Namun, manusia adalah komponen signifikan dalam pembentukan dan kerja aktual AI. Sangat bisa dipahami mengapa Pasquinelli lebih memilih menyebutnya sebagai Augmented ketimbang Artificial Intelligence (Pasquinelli, 2017: 15). Sebab, dalam kata augmented itu sistem jaringan neural ditempatkan sebagai extension atau perpanjangan dari kognisi manusia.

Maka, dengan meraba-raba, semenjak manusialah yang mengatur output yang diinginkan, AI akan berkembang sesuai dengan apa yang diinginkan manusia. Se- menjak ekonomi dunia bercorak kapitalistik, perkembangan AI akan mengikuti keinginan modal. Saya sepakat dengan Pasquineli (2017: 16) yang menyatakan bahwa : 

“Otomatisasi kecerdasan melalui inferensi statistik adalah mata baru yang digunakan kapital pada samudera data kerja-kerja global, logistik, dan pasar dengan efek baru abnormalisasi –– yakni, distorsi persepsi kolektif dan representasi sosial sebagaimana terjadi dalam magnifikasi algoritmik bias kelas, ras, dan gender”.

Kemampuan yang dimiliki AI sekarang ini akan digunakan dan dikembangkan oleh pemilik modal besar, sebab merekalah yang punya sumber daya untuk mem- bantu penelitian-penelitian mengenai AI, sehingga, penelitian-penelitian itu akan banyak ditujukan untuk kepentingan dan keuntungan pemilik modal atau kapitalis. Namun, ia juga bisa digunakan oleh otoritas negara sebagai pengawas. Seperti yang dikatakan Pasquinelli (2017: 290) bahwa AI menandakan suatu “kesamaan aksiomatik antara kapital dan kekuasaan”. Otomatisasi kecerdasan via inferensi statistik ini bisa dimanfaatkan untuk dua hal: pemasaran dan pengawasan. Ia bisa digunakan untuk mencari target-target iklan yang disesuaikan dengan preferensi berdasarkan aktivitas di internet. Ia juga bisa dijadikan sarana negara mengawasi warganya secara ketat. Apa yang dibutuhkan kemudian ialah suatu analisis ekonomi- politik yang detil mengenai AI.

Penutup

Setelah panjang lebar memaparkan, beberapa hal dapat disimpulkan. Pertama, memang benar bahwa dalam tradisi berpikir filsafat Barat ada kecenderungan untuk mengistimewakan kemampuan berpikir manusia. Manusia dianggap sebagai satu-satunya makhluk yang bisa berpikir. Usaha AI untuk meniru kecerdasan manusia memang sesuai dengan konteks alam pikir yang menentukannya. Namun, dalam memahami AI secara detil, analisis itu justru tidak bisa digunakan. AI tidak serta-merta mendobrak distingsi manusia/mesin. Anggapan bahwa AI akan menguasai manusia dan dianggap sepenuhnya otonom justru keliru. Manusia begitu embedded dan tak terpisahkan. Kecerdasan yang disangkakan dalam AI itu sendiri adalah suatu augmentasi dari kecerdasan manusia. Ia terbatas pada induksi statistik. Ia bisa melakukan inferensi induktif dan menemukan pola dari data yang sangat banyak, tapi kategori dan klasifikasinya ditentukan oleh manusia. Semenjak training dataset dan outputnya acap kali ditentukan manusia, bias-bias yang ada dalam masyarakat justru teramplifikasi di dalam AI. Maka, AI sesungguhnya tidak netral dan sangat bisa dimanfaatkan untuk kepentingan dan keuntungan korporasi dan pemilik modal raksasa. 

DAFTAR PUSTAKA

Bostrom, Nick. Superintelligence: Path, Dangers, Strategies. Oxford University Press: 2014

Bratton, Benjamin. “Geographies of Sensitive Matters: On Artificial Intelligence at Urban Scale”. New Geographies 09 (2017)

Bratton, Benjamin. “Outing Artificial Intelligence: Reckoning with Turing Tests” dalam Matteo Pasquinelli (ed.). Alleys of Your Mind: Augmented Intelligence and its traumas. Meson Press: 2015

Derrida, Jacques. The Animal That Therefore I Am. (M.L. Mallet, Ed., & D. Wills, Trans.) Fordham: Fordham University Press: 2008

Esposito, Elena. “Digital prophecies and web intelligence.” Privacy, Due Process and the Computational Turn. Routledge, 2013. 135-156.

Minsky, Marvin. “Steps toward artificial intelligence.” Proceedings of the IRE 49.1 (1961): 8- 30.

Mumford, Lewis. Technics and Civilization. London: Routledge & Paul, Ltd: 1967 

Negarestani, Reza. “Revolution Backwards: Functional Realization and Computational Implementation” dalam Matteo Pasquinelli (ed). Alleys of Your Mind: Augmented Intelligence and its traumas. Meson Press: 2015

Pasquinelli, Matteo. “Arcana Mathematica Imperii: The Evolution of Western Computational Norms” dalam Maria Hlavajova et al. (eds) Former West. MIT Press: 2017

Pasquinelli, Matteo. “Machines that Morph Logic: Neural Networks and the Distorted Automation of Intelligence as Statistical Inference” Glass-Bead 1 (2017): 1-17

Shestakofsky, Benjamin. “Working Algorithms: Software Automation and the Future of Work.” Work and Occupations44.4 (2017): 376-423.

Yampolskiy, Roman V. “What to Do with the Singularity Paradox?.” Philosophy and Theory of Artificial Intelligence. Springer, Berlin, Heidelberg, 2013. 397-413.

Leave a Reply

Your email address will not be published. Required fields are marked *

Categories