Ini masa yang menarik bagi kecerdasan buatan. Selama bertahun-tahun, kemajuan AI mengikuti aturan sederhana: buat model lebih besar. Lebih banyak parameter, lebih banyak data, lebih banyak daya komputasi. Pendekatan ini berhasil, tetapi juga menimbulkan masalah serius. Melatih model besar membutuhkan biaya tinggi, memakan waktu lama, dan menghabiskan energi dalam jumlah sangat besar.
Baru-baru ini, Nvidia memperkenalkan gagasan berbeda yang disebut Mixture of Experts, atau MOE. Alih-alih mengaktifkan seluruh jaringan saraf untuk setiap tugas, model belajar memilih bagian sistem yang benar-benar dibutuhkan. Setiap bagian berperan seperti seorang ahli di bidang tertentu. Untuk setiap pertanyaan, hanya ahli yang paling relevan yang digunakan.
Pendekatan ini membuat sistem lebih efisien dan fleksibel. Cara kerjanya mirip dengan cara manusia bekerja. Anda tidak meminta bantuan semua orang yang Anda kenal untuk setiap masalah. Anda meminta bantuan orang yang paling tepat untuk situasi tersebut. Dengan MOE, sistem AI dapat menjadi lebih cerdas tanpa harus menjadi lebih berat dari yang diperlukan.
Banyak peneliti meyakini bahwa arah ini penting untuk mencapai tujuan jangka panjang berupa kecerdasan buatan umum, atau AGI. Sistem yang mampu menangani beragam jenis masalah membutuhkan lebih dari sekadar ukuran yang besar. Sistem itu perlu mampu mengambil keputusan. Sistem itu perlu tahu kemampuan mana yang harus digunakan dan kapan.
Gagasan ini tidak terbatas pada makalah penelitian.
Bahkan, kami telah menggunakan pendekatan serupa di Dvina. Sejak awal, kami berasumsi bahwa tidak ada satu model bahasa atau alat pun yang bisa unggul dalam segala hal. Alih-alih mengandalkan satu model, kami membangun lapisan orkestrator di atas berbagai model, alat, dan sumber data.
Orkestrator ini berfungsi sebagai lapisan pengambilan keputusan. Ketika pengguna mengajukan pertanyaan, orkestrator menentukan model atau sumber daya yang harus digunakan. Terkadang hanya satu yang digunakan. Terkadang beberapa digunakan bersama, lalu hasilnya digabungkan. Tujuannya bukan untuk menampilkan kerumitan, melainkan menyembunyikannya di balik pengalaman yang sederhana.
Hasilnya adalah sistem yang terasa adaptif. Anda mengajukan pertanyaan, lalu sistem menentukan cara paling efisien untuk menjawabnya. Prinsipnya sangat sejalan dengan apa yang ditawarkan MOE pada tingkat model, tetapi diterapkan pada tingkat sistem.
AGI belum hadir. Namun, gagasan seperti MOE menunjukkan bahwa jalan ke depan bukan hanya soal skala. Struktur, koordinasi, dan penggunaan sumber daya yang lebih cerdas juga berperan.
Jika Anda penasaran bagaimana rasanya menggunakan pendekatan semacam ini dalam praktik, Anda bisa mencoba Dvina secara gratis di https://dvina.ai. Dvina bukan AGI, tetapi memberikan sedikit gambaran tentang bagaimana sistem AI masa depan mungkin berpikir dan bekerja.
