Mengapa Manusia Lebih Cepat Belajar Bahasa Dibandingkan AI?

Bahasa dapat dipandang sebagai salah satu kemampuan paling kuat yang dimiliki manusia. Ketika seseorang berbicara, ia mengubah gagasan di dalam pikirannya menjadi getaran udara. Orang lain kemudian mengubah kembali getaran tersebut menjadi makna.

Dengan mekanisme tersebut, manusia seolah-olah mampu membaca pikiran satu sama lain. Namun, memahami bagaimana proses itu berlangsung di dalam otak bukan pekerjaan sederhana.

Peneliti tidak mungkin mengisolasi bayi sejak lahir hanya untuk mengetahui bagaimana bahasa berkembang dalam kondisi eksperimen yang sepenuhnya terkontrol. Hewan juga tidak menyediakan model yang benar-benar setara dengan kemampuan bahasa manusia.

Karena keterbatasan tersebut, komputer memberikan alternatif. Peneliti dapat menciptakan lingkungan simulasi atau eksperimen in silico untuk menguji bagaimana sebuah sistem belajar bahasa.

Salah satu kesalahpahaman mengenai kemampuan berbahasa adalah anggapan bahwa seseorang menjadi fasih karena menghafal aturan tata bahasa secara eksplisit.

Dalam kehidupan nyata, anak kecil tidak mendapatkan buku tata bahasa kemudian menghafalkan seluruh aturannya. Mereka justru mendengar bahasa, menemukan keteraturan, dan secara bertahap membangun pemahaman mengenai bagaimana kata dan struktur dapat digunakan.

Mengetahui suatu bahasa berarti memiliki pemahaman terhadap aturan dan struktur yang mendasarinya. Struktur tersebut memungkinkan manusia menghasilkan dan memahami kalimat baru yang jumlahnya secara teoritis tidak terbatas.

Bahasa di dunia memiliki perbedaan yang sangat besar dalam kosakata, pengucapan, dan tata bahasa. Namun, penelitian linguistik menunjukkan adanya pola struktural yang dapat ditemukan di berbagai bahasa.

Hal ini memberikan petunjuk bahwa kemampuan bahasa manusia mungkin tidak hanya bergantung pada hafalan kata. Ada struktur yang membantu otak mengorganisasi informasi dan memahami hubungan antara berbagai unsur bahasa.

AI Belajar Bahasa dengan Menemukan Pola

Model AI modern memberikan perspektif baru untuk memahami proses tersebut. Sistem jaringan saraf dapat dilatih menggunakan kumpulan teks dalam jumlah sangat besar.

Secara sederhana, model mempelajari hubungan statistik antara kata dan konteks. Mekanisme ini mirip dengan fitur autocomplete pada ponsel yang mencoba memprediksi kata berikutnya berdasarkan kata-kata sebelumnya.

Melalui proses pelatihan berulang, AI dapat mengenali pola yang sangat kompleks. Kemampuan ini menunjukkan bahwa struktur bahasa tertentu memang dapat dipelajari melalui asosiasi statistik.

Namun, pertanyaan pentingnya adalah: apakah semua kemampuan bahasa dapat diperoleh hanya dengan cara tersebut?

Eksperimen terhadap AI menunjukkan bahwa kemampuan menemukan pola tidak selalu berarti sistem benar-benar memahami struktur seperti manusia.

Salah satu ilustrasi yang menarik adalah ketika AI diminta membayangkan objek yang secara visual tidak lazim, misalnya walrus berwarna hijau. Data internet mungkin lebih banyak menghubungkan walrus dengan warna cokelat dan warna hijau dengan matcha.

Model yang terlalu mengandalkan asosiasi statistik dapat mengalami kesulitan menggabungkan konsep tersebut secara fleksibel. Ia cenderung mengikuti hubungan yang paling kuat dalam data pelatihannya.

Manusia memiliki kemampuan yang berbeda. Ketika diberi konsep “walrus hijau”, manusia relatif mudah menggabungkan pengetahuan tentang bentuk walrus dengan warna hijau, meskipun kombinasi tersebut jarang atau bahkan tidak pernah dilihat sebelumnya.

Kegagalan tersebut menjadi bahan penting bagi ilmu kognitif. Jika sistem yang dilatih dengan data sangat besar tetap memiliki keterbatasan tertentu, mungkin pembelajaran manusia tidak sepenuhnya bergantung pada asosiasi.

Dengan kata lain, manusia kemungkinan memiliki kecenderungan atau struktur kognitif tertentu yang membantu mengorganisasi informasi secara lebih efisien.

AI dalam konteks ini bukan sekadar teknologi yang sedang dikembangkan. Ia menjadi semacam laboratorium eksperimental untuk menguji teori tentang pikiran manusia.

Perbedaan paling menarik terlihat ketika jumlah data pembelajaran dibandingkan.

Seorang anak berusia sekitar 10 tahun diperkirakan telah mendengar sekitar 100 juta kata dalam proses memperoleh bahasa ibu. Dengan jumlah paparan tersebut, anak dapat berkomunikasi secara sangat kompleks.

Sebaliknya, model bahasa besar seperti GPT-3 dilatih menggunakan sekitar 200 miliar token. Jumlah tersebut digambarkan setara dengan sekitar 20.000 tahun data teks manusia.

Perbandingan ini menunjukkan adanya kesenjangan efisiensi data yang sangat besar. AI membutuhkan data dalam jumlah luar biasa untuk mencapai kemampuan bahasa yang sebanding dalam aspek tertentu, sedangkan manusia belajar dari pengalaman yang jauh lebih terbatas.

Efisiensi tersebut menjadi salah satu pertanyaan utama dalam penelitian kecerdasan. Jika manusia dapat belajar bahasa hanya dari sebagian kecil data yang dibutuhkan AI, berarti otak manusia memiliki mekanisme pembelajaran yang sangat efektif.

Anak tidak sekadar menghitung frekuensi kata. Mereka berinteraksi dengan dunia, melihat objek, memahami maksud orang lain, memperoleh umpan balik, dan menghubungkan bahasa dengan pengalaman.

Konteks yang kaya tersebut mungkin membantu manusia membangun representasi dunia yang lebih terstruktur daripada sekadar hubungan statistik antar kata.

Pendekatan kognitif komputasional memungkinkan peneliti membandingkan berbagai model pembelajaran. Mereka dapat mengubah jumlah data, struktur model, atau jenis pengalaman yang diberikan kepada AI, kemudian melihat hasilnya.

Jika sebuah model hanya mampu mencapai kemampuan tertentu setelah diberikan data yang sangat besar, sementara manusia dapat mencapai kemampuan serupa dengan data jauh lebih sedikit, perbedaan tersebut dapat menjadi petunjuk mengenai cara kerja pembelajaran manusia.

Dengan demikian, penelitian AI dan ilmu kognitif memiliki hubungan dua arah. Ilmu tentang otak membantu peneliti merancang AI, sementara perilaku AI dapat digunakan untuk menguji teori tentang otak.

Perdebatan mengenai apakah AI benar-benar “memahami” bahasa kemungkinan akan terus berkembang. Kemampuan model bahasa telah menunjukkan bahwa pola statistik dapat menghasilkan perilaku yang sangat kompleks.

Namun, kompleksitas keluaran tidak otomatis menjawab pertanyaan tentang bagaimana manusia memahami makna, struktur, konteks, dan dunia di sekitarnya.

Justru perbedaan antara manusia dan AI menjadi semakin menarik untuk diteliti. AI dapat menjadi alat pembanding untuk mengidentifikasi kemampuan yang mudah diperoleh melalui asosiasi dan kemampuan yang membutuhkan mekanisme pembelajaran lebih kompleks.

Penelitian kognitif komputasional menggunakan AI bukan sekadar untuk menciptakan mesin yang semakin pintar. Teknologi tersebut juga dapat digunakan sebagai alat eksperimen untuk memahami salah satu kemampuan paling khas manusia, yaitu bahasa.

AI membuktikan bahwa jaringan saraf mampu mempelajari struktur bahasa yang rumit melalui asosiasi statistik. Namun, berbagai keterbatasannya menunjukkan bahwa manusia mungkin menggunakan mekanisme pembelajaran yang lebih efisien dan terstruktur.

Perbedaan kebutuhan data menjadi salah satu petunjuk paling kuat. Ketika manusia dapat menguasai bahasa dari sekitar 100 juta kata, sementara model seperti GPT-3 membutuhkan sekitar 200 miliar token, muncul pertanyaan mendasar: apa yang dimiliki otak manusia sehingga mampu mendapatkan jauh lebih banyak dari data yang jauh lebih sedikit?

Pertanyaan tersebut tidak hanya penting bagi masa depan AI, tetapi juga bagi upaya memahami bagaimana manusia belajar, berpikir, dan membangun bahasa.

FAQ

1. Apa itu penelitian kognitif komputasional? Penelitian kognitif komputasional adalah pendekatan yang menggunakan model komputer untuk menguji dan memahami proses kognitif manusia, termasuk pembelajaran bahasa.
2. Bagaimana manusia belajar bahasa? Manusia terutama belajar bahasa dengan mendengar, mengamati, berinteraksi, dan mengenali pola serta struktur dari lingkungan sejak usia dini.
3. Mengapa AI membutuhkan data sangat banyak untuk belajar bahasa? Model AI belajar terutama dari pola statistik dalam data pelatihan sehingga membutuhkan kumpulan data yang sangat besar untuk menangkap berbagai hubungan bahasa.
4. Apa contoh keterbatasan AI dalam memahami bahasa? AI dapat mengalami kesulitan pada kombinasi konsep yang jarang muncul dalam data, karena model cenderung mengandalkan asosiasi yang paling kuat dari data pelatihannya.
5. Mengapa perbedaan efisiensi belajar manusia dan AI penting? Perbedaan tersebut dapat membantu ilmuwan memahami mekanisme pembelajaran manusia sekaligus mencari pendekatan baru agar AI dapat belajar lebih efisien.