Versi asli dari cerita ini muncul di Majalah Quanta.
Di dalam film OppenheimerNiels Bohr menantang fisikawan di awal karirnya:
Bohr: Aljabar itu seperti lembaran musik. Yang penting bukan “bisa baca notasi musik?” Melainkan “bisa dengar notasi musik?” Bisakah kamu dengar notasi musiknya, Robert?
Oppenheimer: Ya, saya bisa.
Saya tidak dapat mendengar aljabar, tetapi saya merasakan mesinnya.
Saya merasakan mesin itu bahkan sebelum saya menyentuh komputer. Pada tahun 1970-an, saya menunggu kedatangan mesin pertama saya, Radio Shack TRS-80, sambil membayangkan bagaimana mesin itu akan berfungsi. Saya menulis beberapa program sederhana di atas kertas dan dapat merasakan mesin yang belum saya miliki memproses setiap langkahnya. Sungguh mengecewakan ketika akhirnya mengetik di program dan langsung mendapatkan output tanpa mengalami proses yang terjadi di dalamnya.
Bahkan hingga hari ini, saya tidak memvisualisasikan atau mendengar mesin tersebut, tetapi ia bernyanyi bagi saya; saya merasakannya berdengung, memperbarui variabel, melakukan pengulangan, percabangan, pencarian, hingga ia tiba di tujuannya dan memberikan jawaban. Bagi saya, sebuah program bukanlah kode statis, melainkan perwujudan makhluk hidup yang mengikuti instruksi saya hingga mencapai kesimpulan yang (semoga) berhasil. Saya tahu komputer tidak bekerja secara fisik seperti ini, tetapi itu tidak menghentikan mesin metaforis saya.
Begitu Anda mulai berpikir tentang komputasi, Anda mulai melihatnya di mana-mana. Ambil contoh pengiriman surat melalui layanan pos. Masukkan surat ke dalam amplop dengan alamat dan perangko di atasnya, lalu masukkan ke kotak surat, dan entah bagaimana surat itu akan berakhir di kotak surat penerima. Itu adalah proses komputasi—serangkaian operasi yang memindahkan surat dari satu tempat ke tempat lain hingga mencapai tujuan akhirnya. Proses perutean ini tidak jauh berbeda dengan apa yang terjadi dengan surat elektronik atau data lain yang dikirim melalui internet. Melihat dunia dengan cara ini mungkin tampak aneh, tetapi seperti yang dikatakan Friedrich Nietzsche, “Mereka yang terlihat menari dianggap gila oleh mereka yang tidak dapat mendengar musiknya.”
Rasa bawaan akan mesin yang bekerja ini dapat memberikan perspektif komputasional pada hampir semua fenomena, bahkan fenomena yang tampaknya sulit dipahami seperti konsep keacakan. Sesuatu yang tampaknya acak, seperti lemparan koin, dapat dijelaskan sepenuhnya oleh beberapa proses komputasional kompleks yang menghasilkan hasil yang tidak dapat diprediksi, yaitu sisi kepala atau sisi ekor. Hasilnya bergantung pada banyak variabel: gaya, sudut, dan tinggi lemparan; berat, diameter, ketebalan, dan distribusi massa koin; hambatan udara; gravitasi; kekerasan permukaan pendaratan; dan seterusnya. Hal ini serupa untuk mengocok setumpuk kartu, melempar dadu, atau memutar roda roulette—atau menghasilkan angka “acak” di komputer, yang hanya melibatkan menjalankan beberapa fungsi yang sengaja dibuat rumit. Tak satu pun dari ini adalah proses yang benar-benar acak.
Ide ini sudah ada sejak berabad-abad lalu. Pada tahun 1814, dalam bukunya Esai Filsafat tentang ProbabilitasPierre-Simon Laplace pertama kali menggambarkan kecerdasan, yang sekarang dikenal sebagai iblis Laplace, yang dapat memprediksi hasil berikut:
Kita harus menganggap keadaan alam semesta saat ini sebagai akibat dari keadaan sebelumnya dan sebagai penyebab keadaan yang akan terjadi setelahnya. Suatu kecerdasan yang mengetahui semua gaya yang bekerja di alam pada saat tertentu, serta posisi sesaat semua benda di alam semesta, akan mampu memahami dalam satu rumus tunggal gerakan benda-benda terbesar serta atom-atom paling ringan di dunia, asalkan kecerdasannya cukup kuat.
Implikasi sebaliknya adalah bahwa bagi seseorang yang tidak memiliki kecerdasan yang cukup luas, proses seperti melempar koin akan tampak acak. Bahasa komputasi memungkinkan kita memformalkan hubungan ini.
Awal tahun ini, Avi Wigderson menerima penghargaan Turing“Hadiah Nobel bidang komputasi,” sebagian karena menghubungkan keacakan secara formal dengan fungsi matematika yang sulit dihitung. Ia dan rekan-rekannya menciptakan proses yang mengambil fungsi yang cukup rumit dan menghasilkan bit “pseudorandom” yang tidak dapat dibedakan secara efisien dari bit yang benar-benar acak. Keacakan, tampaknya, hanyalah komputasi yang tidak dapat kita prediksi.
Apakah kita punya cara untuk mengelola keacakan dan kompleksitas ini? Kemajuan terkini yang kita lihat dalam kecerdasan buatan melalui pembelajaran mesin memberi kita gambaran sekilas tentang apa artinya melakukan hal itu. Informasi dapat dipecah menjadi bagian terstruktur dan bagian acak. Ambil contoh bahasa Inggris. Ada struktur kompleks mendasar yang menggambarkan bahasa tersebut, dan kalimat-kalimat yang dihasilkan masyarakat dari waktu ke waktu, pada dasarnya, merupakan sampel acak dari struktur tersebut. Kemajuan terkini dalam pembelajaran mesin telah memungkinkan kita untuk mengambil sampel acak ini dan memulihkan sebagian besar struktur yang mendasarinya. Seringkali struktur itu tampak buram, tetapi kita masih dapat menggunakannya untuk mensimulasikan sampel acak, menghasilkan kalimat bahasa Inggris baru sesuai permintaan.
Pertimbangkan masalah penerjemahan. Bayangkan seorang wanita, Sophie, yang tumbuh dengan berbicara dalam bahasa Inggris dan Prancis dan sekarang bekerja sebagai penerjemah. Dia dapat dengan mudah mengambil teks bahasa Inggris, memahaminya sepenuhnya, dan menghasilkan padanannya dalam bahasa Prancis. Secara komputasional, mesin dalam kasus ini adalah otak Sophie, karena harus mengikuti beberapa proses yang mengubah bahasa Inggris ke bahasa Prancis. Sophie mungkin tidak memahami seluruh proses, atau bahkan menganggapnya sebagai suatu proses, tetapi itu tetap terjadi.
Misalkan sekarang kita ingin menerjemahkan teks di komputer. Sekadar menggunakan kamus Prancis-Inggris untuk menerjemahkan kata demi kata tidaklah berhasil, karena bahasa yang berbeda memiliki struktur yang berbeda, dan kata-kata memiliki makna yang berbeda dalam konteks yang berbeda. Menerapkan perangkat linguistik hanya dapat dilakukan sampai batas tertentu; proses komputasional untuk memahami bahasa melampaui apa yang dapat kita gambarkan.
Sophie memahami bahasa-bahasa tersebut karena ia tumbuh dalam keluarga bilingual, terpapar pada kedua bahasa dan semua kerumitannya. Pembelajaran mesin mengambil pendekatan serupa, melatih model bahasa pada sejumlah besar data. Model-model ini terdiri dari jaringan saraf kompleks, kumpulan neuron buatan yang terhubung satu sama lain dengan cerdas, dan koneksi-koneksi ini memiliki bobot terkait, yang mengubah sinyal-sinyal yang bergerak melalui sistem. Jika dilatih dengan benar, jaringan saraf akan memprediksi kemungkinan kata berikutnya dalam urutan yang diterjemahkan dari bahasa Inggris ke bahasa Prancis.
Meskipun kita biasanya tidak dapat memahami proses yang mendasari jaringan saraf yang terlatih, seperti halnya Sophie tidak memahami proses penerjemahannya secara lengkap, kita dapat dengan mudah mensimulasikan proses tersebut untuk mendapatkan probabilitas kata berikutnya. Jika jaringan saraf dilatih dengan sempurna, mustahil untuk membedakan probabilitas kata berikutnya yang diprediksinya dari probabilitas apa yang akan dikatakan Sophie. Sama seperti Wigderson yang menghubungkan fungsi kompleksitas dan pseudorandomness, memprediksi probabilitas kata berikutnya memungkinkan kita menangkap kalkulasi kompleks di baliknya.
Bahasa Inggris dan Prancis sendiri merupakan sampel “acak” dari sebuah konsep yang dikenal sebagai bahasa manusia, dan perangkat terbaru telah menemukan cukup banyak struktur dasar ini untuk memungkinkan penerjemahan yang wajar bahkan antara bahasa yang relatif tidak dikenal.
Algoritme pembelajaran itu sendiri adalah proses, dan saya merasa bobotnya diperbarui saat kita memasukkan lebih banyak contoh untuk melatih model. Kemajuan yang telah kita lihat dalam pembelajaran mesin selama beberapa dekade terakhir telah membantu kita menyelesaikan proses yang kompleks, dari proses manusia seperti penerjemahan, penglihatan, seni, dan percakapan, hingga proses biologis seperti pelipatan protein.
Model pembelajaran mesin masih rentan terhadap kesalahan dan misinformasi, dan masih mengalami kesulitan dengan tugas penalaran dasar. Meskipun demikian, kita telah memasuki era di mana kita dapat menggunakan komputasi itu sendiri untuk membantu kita mengelola keacakan yang muncul dari sistem yang kompleks.
Saya sangat beruntung. Saya dapat membangun karier penelitian seputar mesin yang mencakup cara saya merasakan dunia. Saya telah menemukan panggilan saya—atau, lebih tepatnya, panggilan itu telah menemukan saya. Baik Anda mendengarkan musik, aljabar, komputasi, biologi, sihir, seni, atau cara lain untuk memahami dunia, dengarkanlah. Siapa tahu rahasia apa yang mungkin Anda pelajari?
Cerita asli dicetak ulang dengan izin dari Majalah Quantasebuah publikasi independen yang diterbitkan oleh Yayasan Simons yang misinya adalah untuk meningkatkan pemahaman publik tentang sains dengan meliput perkembangan penelitian dan tren dalam matematika serta ilmu fisika dan ilmu hayati.
