Siklus Pendanaan AI: Dari Boom hingga Winter dan Kebangkitan Pembelajaran Mesin

Sejarah kecerdasan buatan ditandai siklus boom-bust yang disebut AI winter ketika hype berlebihan diikuti pengurangan drastis pendanaan. Fenomena ini dimulai ketika pendukung membuat klaim tidak realistis untuk menarik investasi, kemudian kritik menyusul saat janji gagal terwujud.

Anatomi Siklus Hype dan Kegagalan Pendanaan

Mekanisme Boom-Bust dalam Ekosistem AI

Istilah AI winter (musim dingin kecerdasan buatan) mengacu pada periode berkurangnya pendanaan dalam pengembangan AI.¹ Siklus ini tidak muncul begitu saja. Para pendukung melebih-lebihkan apa yang mungkin, mendorong orang yang tidak memiliki pengetahuan teknologi sama sekali—tetapi memiliki banyak uang—untuk melakukan investasi.² Harapan yang tinggi ini menciptakan gelembung ekspektasi.

Masa kritik kemudian menyusul ketika AI gagal memenuhi harapan, dan akhirnya terjadi pengurangan pendanaan.³ Pola ini berulang sepanjang sejarah AI. Periode pertama dimulai pada 1974 setelah Lighthill Report dan Mansfield Amendment yang memotong pendanaan riset AI di Amerika Serikat dan Inggris.⁴ Laporan tersebut mengkritik keras pencapaian AI yang dianggap tidak sebanding dengan investasi yang telah dikeluarkan.

Kondisi serupa terlihat pada lanskap startup Indonesia yang tengah memasuki fase penuh tantangan dengan dua tahun tanpa kelahiran unicorn (perusahaan rintisan bernilai miliaran dolar) baru.⁵ Gelombang funding winter (musim dingin pendanaan) ini memicu pemutusan hubungan kerja massal di berbagai perusahaan teknologi.

Kompleksitas Simulasi Akal Manusia

Masalah terbesar dengan upaya awal ini adalah bahwa kita tidak memahami bagaimana akal manusia cukup baik untuk membuat simulasi dalam bentuk apa pun.⁶ Keterbatasan pemahaman fundamental ini menjadi akar kegagalan banyak proyek AI ambisius. Para peneliti terlalu optimis tentang kemampuan mereka mereplikasi kecerdasan manusia.

Ekspektasi yang tidak realistis ini menciptakan jarak antara janji dan kenyataan. Investor yang tidak memiliki latar belakang teknis sulit membedakan antara demo yang mengesankan dengan produk yang benar-benar scalable (dapat dikembangkan).⁷ Akibatnya, banyak pendanaan mengalir ke proyek yang pada dasarnya tidak memiliki fondasi teknologi yang kuat.

Fenomena tech winter (musim dingin teknologi) diprediksi akan berlanjut pada 2024, dengan dampak yang signifikan terhadap ekosistem startup.⁸ Para peneliti senior memperingatkan bahwa koreksi pasar ini merupakan konsekuensi alami dari periode hype yang berlebihan sebelumnya.

Dari Kegagalan Sistem Pakar ke Era Pembelajaran Mesin

Kolaps Sistem Pakar pada Era 1980-an

Ledakan sistem pakar pada awal 1980-an menciptakan harapan besar dalam industri AI. Masalah dengan sistem pakar adalah sulit untuk dibuat dan dipelihara.⁹ Pengguna awal harus mempelajari bahasa pemrograman khusus seperti List Processing (LisP) yang kompleks dan tidak intuitif bagi kebanyakan programmer.

Beberapa vendor melihat peluang untuk menempatkan sistem pakar di tangan programmer yang kurang berpengalaman dengan produk seperti VP-Expert.¹⁰ Namun, produk ini umumnya menyediakan fungsionalitas yang sangat terbatas dalam menggunakan basis pengetahuan yang luas. Ketergantungan pada pengetahuan eksplisit membuat sistem ini rapuh dan mahal untuk dikembangkan serta dipelihara.

Kolaps pasar Lisp Machine pada 1987 dan kegagalan Fifth Generation Project Jepang menciptakan AI winter kedua yang lebih lama dan lebih parah.¹¹ Periode ini hampir menghancurkan lapangan penelitian AI selama satu dekade penuh. Stigma dari kegagalan ini begitu dalam sehingga banyak peneliti menghindari istilah AI bahkan ketika mengerjakan proyek yang relevan.¹²

Kebangkitan melalui Paradigma Data-Driven

AI saat ini sedang dalam fase hype baru karena pembelajaran mesin, sebuah teknologi yang membantu komputer belajar dari data.¹³ Pergeseran paradigma ini menandai era baru dalam pengembangan AI. Berbeda dari sistem pakar yang bergantung pada aturan yang dikodifikasi manual, pembelajaran mesin menggunakan pendekatan berbeda.

Membuat komputer belajar dari data berarti tidak bergantung pada pemrogram manusia untuk mengatur operasi, melainkan menurunkannya langsung dari contoh yang menunjukkan bagaimana seharusnya perilaku komputer.¹⁴ Pendekatan ini terbukti lebih scalable dan adaptif. Dengan dataset (kumpulan data) yang cukup besar dan komputasi yang memadai, neural networks (jaringan saraf tiruan) dapat mengalahkan sistem pakar terbaik dalam berbagai tugas.¹⁵

Namun pertanyaan apakah kita sedang memasuki AI winter baru tetap menjadi perdebatan.¹⁶ Sentimen seputar AI tampak lebih negatif dibandingkan tahun lalu. Orang-orang sedikit kurang kagum dan lebih kritis terhadap pencapaian teknologi ini. Investor dan pemimpin industri perlu belajar dari kejatuhan AI masa lalu untuk mengantisipasi kemungkinan penurunan di masa depan.¹⁷

Daftar Pustaka