Filosofi, Robotika, dan Masa Depan AI: Wawancara Mendalam bersama Leslie Kaelbling

Inti Sari (Executive Summary)

Video ini membahas perjalanan intelektual Leslie Kaelbling, seorang profesor robotika dan AI di MIT, yang mengawali karirnya dari bidang filsafat sebelum akhirnya merintis terobosan dalam reinforcement learning dan perencanaan robot. Kaelbling mengeksplorasi evolusi kecerdasan buatan, mulai dari kegagalan sistem pakar (expert systems) hingga kebangkitan pembelajaran mendalam (deep learning), dengan menekankan pentingnya abstraksi, penanganan ketidakpastian (POMDP), dan keseimbangan antara apa yang harus dibangun (built-in) dan apa yang harus dipelajari (learned). Diskusi juga menyentuh isu etika, masa depan publikasi ilmiah, dan pandangan pragmatis tentang kesadaran dalam robot.

Poin-Poin Kunci (Key Takeaways)

Latar Belakang Filsafat: Latar belakang Kaelbling di bidang filsafat dan Symbolic Systems memberinya fondasi logika yang kuat, yang ia terapkan pada pemrograman robot.
Kegagalan Sistem Pakar: Upaya awal AI untuk meniru kecerdasan manusia melalui expert systems gagal karena manusia tidak dapat mengartikulasikan pengetahuan intuitif mereka (seperti penglihatan) ke dalam aturan logis.
Pentingnya Abstraksi: Untuk memecahkan masalah yang kompleks, AI memerlukan abstraksi spasial dan temporal untuk mengurangi ruang keadaan (state space) dan membuat perencanaan menjadi efisien.
MDP dan POMDP: Markov Decision Processes (MDP) dan Partially Observable MDPs adalah model standar untuk mengambil keputusan di dunia yang tidak pasti, meskipun seringkali memerlukan pendekatan aproksimasi karena sifatnya yang sulit dihitung (intractable).
Pertengahan Jalan (The Middle Ground): Masa depan AI bukanlah tentang pemrograman manual (introspeksi) atau sekadar melatih "neural goo" (jaringan saraf raksasa), melainkan menemukan kombinasi yang tepat antara pembelajaran dan struktur yang dibangun sebelumnya.
Revolusi JMLR: Kaelbling berperan penting dalam mendirikan Journal of Machine Learning Research (JMLR) sebagai gerakan akses terbuka untuk melawan monopoli penerbit akademik yang mahal.

Rincian Materi (Detailed Breakdown)

1. Perjalanan Karir dan Inspirasi Awal

Latar Belakang Pendidikan: Kaelbling mengambil sarjana Filsafat di Stanford karena saat itu jurusan Ilmu Komputer belum tersedia. Ia kemudian melanjutkan ke Magister dan PhD di bidang Ilmu Komputer.
Pengaruh Buku: Buku Gödel, Escher, Bach karya Douglas Hofstadter memberinya pengaruh besar tentang bagaimana primitif sederhana dapat dikombinasikan untuk menghasilkan perilaku cerdas.
Filsafat vs Robotika: Sebagai seorang materialis, Kaelbling percaya bahwa celah antara robot dan manusia adalah masalah teknis (persepsi, perencanaan, common sense), bukan masalah filosofis. Ia tidak terlalu memusingkan masalah "zombie" (manusia yang berperilaku tapi tidak sadar) selama perilaku eksternalnya tidak dapat dibedakan.
Pekerjaan Pertama di SRI: Di SRI, ia bekerja dengan robot "Flaky", penerus robot legendaris "Shakey". Pengalaman ini memicu ketertarikannya pada robotika dan reinforcement learning, di mana ia dan timnya "menemukan kembali roda" karena kurangnya latar belakang teknik kontrol.

2. Evolusi AI dan Kegagalan Sistem Pakar

Perubahan Mode: AI mengalami pasang surut. Setelah era robotika awal, fokus beralih ke expert systems yang mencoba meniru logika pakar manusia.
Mengapa Sistem Pakar Gagal: Asumsi bahwa manusia dapat menjelaskan bagaimana mereka berpikir ternyata salah. Manusia tidak memiliki akses introspektif ke proses kognitif tingkat rendah (seperti mengenali wajah atau berjalan). Penjelasan pakar seringkali hanya rasionalisasi pasca-faktum.
Filsafat Penalaran Simbolik: Kaelbling tidak menolak penalaran simbolik. Ia berpendapat bahwa simbolisme berguna untuk perencanaan hirarkis, tetapi tidak semua penalaran harus simbolik. Solusi harus ditentukan oleh kebutuhan masalah, bukan oleh ideologi.

3. Ketidakpastian, MDP, dan Ruang Keyakinan (Belief Space)

MDP (Markov Decision Processes): MDP adalah model di mana keadaan saat ini memuat semua informasi untuk masa depan, namun aksi memiliki hasil probabilistik.
POMDP (Partially Observable MDP): Karena dunia nyata jarang sepenuhnya teramati, kita menggunakan POMDP. Robot harus menalar tentang sejarah aksi dan observasi untuk membentuk keyakinan (belief) tentang dunia.
Intractability: Perencanaan di bawah ketidakpastian adalah masalah yang sangat sulit secara komputasi. Namun, Kaelbling berpendapat bahwa "sulit" bukan alasan untuk menyerah, melainkan alasan untuk mencari aproksimasi yang lebih baik.
Kontrol Keyakinan: Robot tidak hanya mengontrol dunia fisik, tetapi juga mengontrol keyakinannya sendiri (misalnya: memutuskan untuk melihat ke bahu saat mengemudi untuk mengurangi ketidakpastian, meski berisiko kehilangan fokus di depan).

4. Perencanaan Hirarki dan Representasi

Abstraksi Waktu: Untuk merencanakan tujuan jangka panjang (seperti mendapatkan PhD), manusia menggunakan abstraksi waktu (misal: "tulis tesis" vs "gerakkan siku"). Robot juga membutuhkan ini untuk menghindari ledakan kombinatorial.
Back Chaining: Secara intuitif, merencanakan mundur dari tujuan (goal regression) masuk akal untuk mengurangi percabangan, meskipun dalam komunitas AI modern, metode ini tidak selalu terbukti lebih baik daripada pencarian maju.
Kehidupan Manusia: Kehidupan manusia tidak bisa sepenuhnya dimodelkan sebagai satu masalah perencanaan besar. Otak menggunakan kombinasi gaya penalaran, representasi, dan pembelajaran yang berbeda untuk masalah yang berbeda.
Model-Based vs Model-Free: Ada trade-off antara menyimpan kebijakan (policy) yang besar (cepat eksekusinya) vs menyimpan model dunia yang ringkas (lebih lambat karena butuh perencanaan).

5. Persepsi, Kesadaran, dan Jurnal JMLR

Masa Depan Persepsi: Konvolusi adalah bias yang kuat dalam pembelajaran mendalam. Tantangan berikutnya adalah menemukan struktur lain (seperti abstraksi objek atau relasional) yang memungkinkan pembelajaran efisien.
Kesadaran (Consciousness): Kaelbling tidak terlalu memikirkan kesadaran filosofis. Ia menerima konsep "zombie" dan akan puas jika robot berperilaku persis seperti manusia. Secara teknis, robot memerlukan bentuk kesadaran diri untuk memonitor kinerja komponennya sendiri.
Sejarah JMLR: Kaelbling menceritakan bagaimana dewan editorial Journal of Machine Learning mengundurkan diri secara massal dari penerbit Kluwer karena biaya langganan yang mahal. Mereka mendirikan JMLR sebagai jurnal akses terbuka, gratis, dan berbasis sukarelawan, yang terbukti sangat sukses dan efisien.

6. Horizon Riset, Siklus AI, dan Ancaman Eksistensial

Krisis Metodologis: Saat ini, rekayasa AI berjalan lebih cepat daripada sainsnya. Kita banyak melakukan "peretasan" (hacking) empiris tanpa teori yang kuat untuk memprediksi mengapa suatu sistem bekerja.
Siklus Musim AI: AI mengalami siklus musim dingin dan panas. Meskipun overselling AI saat ini mungkin akan menyebabkan kekecewaan investor di masa depan, puncak kemajuan setiap siklus selalu lebih tinggi dari sebelumnya.
Fungsi Objektif: Ancaman terbesar bukanlah robot jahat seperti di film fiksi ilmiah, melainkan kesalahan dalam merancang fungsi objektif (objective function). Kita harus belajar merancang tujuan yang selaras dengan nilai manusia (value alignment), karena kita tidak bisa memprediksi bagaimana algoritma optimasi akan menafsirkan perintah kita secara harfiah.

7. Strategi Rekayasa: Menemukan Jalan Tengah

Dua Ekstrem yang Salah:
1. Introspeksi Murni: Mencoba memprogram segala hal secara manual (telah terbukti gagal).
2. Neural Goo: Membuat jaringan saraf raksasa dan berharap ia bisa belajar segalanya dari nol (Kaelbling meragukan ini akan berhasil).
Jalan Tengah: Masa depan robotika terletak pada kombinasi antara pembelajaran (learning) dan struktur yang sudah dibangun (built-in).

Kesimpulan & Pesan Penutup

Wawancara ini menegaskan bahwa masa depan AI terletak pada keseimbangan antara struktur yang dibangun sebelumnya dan pembelajaran, bukan