AI adalah program komputer yang dibuat untuk meniru kemampuan berpikir manusia: mengenali pola, membuat keputusan, atau menghasilkan sesuatu (teks, gambar, suara) tanpa manusia menuliskan instruksi eksplisit untuk setiap kemungkinan situasi. Berbeda dari program biasa yang mengikuti aturan tetap, AI “belajar” polanya sendiri dari data dalam jumlah sangat besar.

1.1 Fondasi Teori: Neuron Buatan McCulloch & Pitts (1943)

Warren McCulloch (neurofisiologis) dan Walter Pitts (matematikawan) menerbitkan makalah “A Logical Calculus of the Ideas Immanent in Nervous Activity” pada 1943. Mereka mengusulkan model matematis sederhana dari neuron biologis: sebuah “neuron buatan” menerima beberapa sinyal masukan (angka), menjumlahkannya, lalu menghasilkan output biner (aktif/tidak aktif) berdasarkan apakah jumlah tadi melewati ambang batas (threshold) tertentu.

Kenapa penting: ini adalah pembuktian matematis pertama bahwa jaringan neuron sederhana bisa merepresentasikan operasi logika (AND, OR, NOT) — menjembatani biologi otak dengan logika komputasi. Inilah cikal bakal konsep neural network yang dipakai sampai deep learning modern.

1.2 Logic Theorist (1956)

Dibuat oleh Allen Newell, Herbert Simon, dan Cliff Shaw — sering disebut sebagai program AI pertama di dunia. Tujuannya: membuktikan teorema matematika dari buku Principia Mathematica (Whitehead & Russell) secara otomatis, meniru cara manusia berpikir logis langkah demi langkah. Program ini berhasil membuktikan 38 dari 52 teorema di bab pertama, bahkan menemukan satu pembuktian yang lebih elegan dari versi aslinya.

Kenapa penting: ini adalah contoh nyata pertama pendekatan Symbolic AI — merepresentasikan pengetahuan sebagai simbol logika dan mencari solusi lewat pencarian (search) dalam ruang kemungkinan.

1.3 “AI Winter”

Istilah untuk periode ketika pendanaan dan minat riset AI menurun drastis karena hasil nyata tidak sesuai janji besar yang sebelumnya digembar-gemborkan. AI Winter pertama (pertengahan 1970-an–awal 1980-an) dipicu laporan kritis seperti Lighthill Report (1973), ditambah keterbatasan matematis neural network sederhana yang dibuktikan Minsky & Papert dalam buku Perceptrons (1969). AI Winter kedua (akhir 1980-an–awal 1990-an) dipicu jatuhnya pasar expert systems yang mahal dirawat dan sulit diskalakan.

Pelajaran penting: AI berulang kali mengalami siklus hype berlebihan lalu kekecewaan — pola ini relevan untuk menilai klaim-klaim AI hari ini secara realistis.

1.4 “Expert Systems”

Muncul populer di era 1980-an sebagai gelombang kedua Symbolic AI. Pakar manusia (mis. dokter) “menuangkan” pengetahuannya jadi ribuan aturan IF-THEN eksplisit ke dalam sistem. Contoh terkenal: MYCIN (diagnosis infeksi bakteri), DENDRAL (analisis struktur kimia), dan XCON (konfigurasi komputer di DEC — menghemat jutaan dolar per tahun).

Kelemahan fatal: sangat mahal dan lambat dirawat/diperbarui, tidak bisa menangani situasi di luar aturan yang sudah ditulis, dan tidak bisa “belajar sendiri”. Inilah salah satu penyebab utama AI Winter kedua.

1.5 Deep Learning

Deep learning adalah evolusi dari Connectionist AI (neural network) dengan banyak lapisan (layer) tersembunyi. Idenya sudah ada sejak 1980-an (algoritma backpropagation dipopulerkan Geoffrey Hinton, David Rumelhart, dan Ronald Williams pada 1986), tapi baru berhasil besar-besaran pada 2012 ketika tiga faktor bertemu bersamaan: data masif (internet), GPU yang cukup kuat dan murah, serta penyempurnaan teknik training.

Momen ledaknya: tahun 2012, tim Geoffrey Hinton memenangkan kompetisi ImageNet memakai model AlexNet, mengalahkan metode lain dengan selisih akurasi sangat besar. Tiga tokoh yang sering disebut “godfathers of deep learning” — Hinton, Yann LeCun, dan Yoshua Bengio — menerima Turing Award tahun 2018.

1.6 Kenapa “Attention Is All You Need” Disebut Fondasi Teknis

Makalah tahun 2017 oleh tim peneliti Google memperkenalkan arsitektur Transformer. Sebelumnya, model bahasa memproses teks berurutan kata-demi-kata (RNN/LSTM) — lambat dilatih dan sering “lupa” konteks kata yang jauh di awal kalimat panjang. Inovasi kunci: mekanisme “self-attention” — cara model melihat semua kata sekaligus dan menghitung relevansi tiap kata terhadap kata lainnya.

Kesimpulannya: semua LLM yang kita bahas — GPT, Claude, Gemini, Grok, Llama — dibangun di atas arsitektur Transformer ini (atau variasinya).

1.7 Pola Visual: Symbolic AI vs Connectionist AI

1.8 Studi Kasus Mudah: Symbolic AI vs Connectionist AI

Skenario: membangun sistem yang otomatis menandai email masuk sebagai “SPAM” atau “BUKAN SPAM”.

Pendekatan 1 — Symbolic AI (menulis aturan manual): programmer menulis aturan eksplisit — IF email mengandung kata “gratis”/“menang hadiah”/“klik di sini” THEN SPAM. Ini bekerja baik, sampai pengirim spam menulis “GR4T1S!!” untuk menghindari deteksi — sistem langsung kebobolan karena hanya mencocokkan kata persis, tidak benar-benar “mengerti” kata yang disamarkan.

Pendekatan 2 — Connectionist AI (belajar dari contoh): 10.000 email berlabel diserahkan ke jaringan saraf tiruan tanpa aturan ditulis manual. Sistem menemukan sendiri rumus: Skor = (0.7 × jumlah kata promosi) + (0.5 × jumlah tautan aneh), jika Skor > 1.0 → SPAM. Angka 0.7 dan 0.5 murni hasil sistem menyesuaikan diri lewat ribuan contoh — saat penipu menulis “GR4T1S”, sistem tetap bisa menangkapnya karena belajar pola umum, bukan kata persis.

Kesimpulan: Symbolic AI itu seperti murid yang menghafal contoh soal persis. Connectionist AI itu seperti murid yang benar-benar paham konsepnya — bisa menjawab soal yang sedikit diubah, tapi sering kesulitan menjelaskan logika persisnya. LLM seperti Claude adalah keturunan pendekatan Connectionist ini, dengan skala jutaan kali lebih besar.