Musim Dingin AI dan Era Sistem Pakar: Dari Euforia ke Realitas Teknologi

Keterbatasan Pemahaman tentang Kecerdasan Manusia

Kompleksitas Akal Manusia yang Terabaikan

Upaya awal menciptakan kecerdasan buatan menghadapi hambatan fundamental. "Masalah terbesar dengan upaya awal ini adalah bahwa kita tidak memahami bagaimana akal manusia cukup baik untuk membuat simulasi dalam bentuk apa pun."¹ Pernyataan ini mengungkap kebenaran tidak nyaman—kita mencoba mereplikasi sesuatu yang belum sepenuhnya kita pahami.

Otak manusia bukan komputer biologis sederhana. Ada lapisan kompleksitas yang belum terpetakan sepenuhnya. Intuisi, emosi, kreativitas—aspek-aspek ini sulit direduksi menjadi algoritma matematis. Para peneliti AI awal mengasumsikan kecerdasan terutama soal logika simbolik. Asumsi ini terbukti menyederhanakan realitas secara berlebihan.

Sebelum Dartmouth 1956, pemikir seperti Ada Lovelace, Alan Turing, dan Charles Babbage sudah memimpikan mesin berpikir.² Namun tanpa akses ke komputer aktual, visi mereka tetap teoretis. Ketika teknologi akhirnya tersedia, kesenjangan antara teori dan praktek menjadi jelas. Justru dari kegagalan ini muncul wawasan berharga tentang kompleksitas pikiran.

Dari Optimisme Berlebihan ke Skeptisisme Realistis

Setelah antusiasme awal Dartmouth, komunitas AI menghadapi kenyataan bahwa mesin berpikir tidak akan terwujud dalam satu generasi. Pada 1974, laporan Lighthill mengkritik keras penelitian AI di Inggris, mempertanyakan nilai praktisnya.³ Kongres Amerika juga menekan untuk mendanai proyek lebih produktif.

"Istilah musim dingin AI mengacu pada periode berkurangnya pendanaan dalam pengembangan AI."¹ Frasa ini menangkap dinginnya iklim penelitian. Proyek ambisius dibatalkan, laboratorium ditutup, peneliti beralih ke bidang lain. Ada juga krisis kepercayaan intelektual—pertanyaan muncul: Apakah kecerdasan buatan benar-benar mungkin?

Sejarah AI menunjukkan bagaimana penetapan standar evaluasi mendorong kemajuan.⁴ Tanpa benchmark (tolok ukur) jelas, sulit mengukur progres. Ketika ekspektasi tidak realistis bertemu kurangnya metrik objektif, kekecewaan tidak terelakkan. Pelajaran ini relevan bahkan untuk Large Language Models (Model Bahasa Besar) kontemporer yang diminta melakukan tugas tanpa tolok ukur jelas.

Sistem Pakar: Solusi Pragmatis di Tengah Keterbatasan

Lahirnya Pendekatan Berbasis Pengetahuan

"Sistem pakar pertama kali muncul pada 1970-an dan lagi pada 1980-an sebagai upaya untuk mengurangi persyaratan komputasi yang ditimbulkan oleh AI menggunakan pengetahuan para pakar."¹ Ini adalah pivot (peralihan) strategis—jika kita tidak bisa membuat mesin belajar sendiri, setidaknya kita bisa mengkodekan pengetahuan manusia ke dalam sistem.

Sistem pakar bekerja dengan mengumpulkan aturan-aturan if-then (jika-maka) dari pakar domain. Contohnya MYCIN untuk diagnosis medis—sistem menanyakan gejala, kemudian mengikuti pohon keputusan. Pendekatan ini praktis dan menghasilkan aplikasi berguna dalam jangka pendek, namun keterbatasan segera muncul. Setiap domain baru memerlukan upaya ekstensif mengekstraksi dan mengkodekan pengetahuan pakar.

"Bapak Kecerdasan Buatan" adalah gelar yang diberikan kepada John McCarthy, salah satu penyelenggara konferensi Dartmouth.⁵ Meskipun foundation (fondasi) AI dimulai tahun 1920-an, kemunculan resmi terjadi tahun 1956. Evolusi dari konsep teoretis ke implementasi praktis memakan waktu hampir satu abad—jauh lebih lama dari prediksi para pionir.

Jalan Buntu dan Pelajaran untuk Masa Depan

Sistem pakar akhirnya menemui jalan buntu sendiri. Skalabilitas menjadi masalah kritis. Biaya mengembangkan dan memelihara sistem ini terlalu tinggi untuk banyak aplikasi. Dan yang paling penting—sistem pakar tidak benar-benar "cerdas" dalam arti dapat belajar atau beradaptasi. Mereka hanya mengikuti skrip yang diprogramkan.

Kegagalan ini mengajarkan pelajaran berharga. Pertama, tidak ada jalan pintas untuk kecerdasan sejati. Kedua, pendekatan berbasis aturan memiliki batas inheren (melekat). Ketiga, AI memerlukan kemampuan belajar dari data, bukan hanya mengikuti instruksi eksplisit. Wawasan-wawasan ini membuka jalan untuk revolusi pembelajaran mesin di dekade berikutnya.

Dalam konteks pendidikan seni, pertanyaan menantang muncul tentang peran AI.⁶ Ketua program studi film dan media di Dartmouth menghadapi pertanyaan sulit: Bagaimana generative AI (AI generatif) mengubah seni digital dan pembuatan film? Retrospeksi sejarah AI mengungkap pola siklus harapan dan kekecewaan. Setiap era memiliki teknologi unggulannya—dari logika simbolik hingga sistem pakar hingga deep learning (pembelajaran mendalam) modern.

Daftar Pustaka