Mengembangkan Spektrum Agen AI: Dari Perangkat Lunak ke AI yang Terwujud – Evangelos Simoudis

Dalam artikel Agen di Perusahaan AI-First Saya memperkenalkan spektrum lima tingkat untuk memahami agen perangkat lunak. Karya ini menghasilkan tanggapan yang kuat dan komentar yang berharga, dan saya sangat berterima kasih atas keduanya.

Beberapa pembaca mempertanyakan perkembangan asli spektrum tersebut. Mereka mencatat bahwa mengembangkan agen yang dapat berkolaborasi berdasarkan aturan yang telah diprogram sebelumnya merupakan tantangan tersendiri, dan seringkali lebih sederhana, dibandingkan dengan menciptakan agen tunggal yang benar-benar dapat belajar dan berkembang sendiri. Argumen mereka meyakinkan: kemungkinan besar kami akan mengembangkan dan menerapkan sistem koordinasi diri agen sebelum benar-benar menguasainya pembelajaran mandiri agen.

Wawasan ini tidak hanya menukar dua level; hal ini menyoroti perlunya kerangka kerja yang lebih bernuansa. Berdasarkan diskusi ini, saya telah menambahkan level ekstra pada spektrum asli untuk mewakili perkembangan kemampuan AI di dunia nyata dengan lebih baik.

Spektrum Agen 6 Tingkat yang Diperbarui

Spektrum yang disempurnakan kini membedakan antara sistem agen koordinasi (Level 4) dan agen pembelajaran otonom tunggal (Level 5), dan menugaskan agen pembelajaran berkolaborasi ke Level 6 baru, sehingga menciptakan perkembangan yang lebih logis dan kuat.

• Tingkat 1: Otomatisasi Dasar. Agen mengikuti aturan deterministik yang telah ditentukan sebelumnya untuk melakukan tugas yang berulang. Ia tidak belajar dari lingkungannya atau menyesuaikan perilakunya.
  • Contoh: Robot UiPath menjalankan alur kerja yang telah ditentukan sebelumnya untuk memproses faktur.
• Tingkat 2: Agen Interaktif. Agen dapat memahami masukan dan menghasilkan keluaran yang relevan untuk satu sesi. Ia tidak memiliki memori yang kuat dan kemampuan untuk belajar secara mandiri.
  • Contoh: Chatbot FAQ dasar di situs web yang merespons kata kunci tertentu tanpa mengingat percakapan.
• Tingkat 3: Agen Adaptif Kontekstual. Agen memelihara memori selama menjalankan tugas dan menyesuaikan tindakannya secara real-time. Adaptasinya bersifat situasional dan tidak menciptakan pengetahuan umum.
  • Contoh: Chatbot seperti Gemini atau ChatGPT yang menggunakan riwayat percakapan saat ini untuk memberikan dialog yang koheren dan multi-putaran.
• Tingkat 4: Sistem Multi-Agen Terkoordinasi. Sebuah sistem yang terdiri dari beberapa agen Level 3 yang bekerja bersama berdasarkan aturan dan protokol komunikasi yang telah diprogram dan dirancang oleh manusia.
  • Contoh: Alur kerja berbasis Zapier atau MCP di mana email baru di Gmail memicu agen untuk menyimpan lampiran ke Dropbox dan mengirim pemberitahuan ke Slack.
• Tingkat 5: Agen Pembelajaran Otonom. Agen belajar dari tindakannya dengan mengabstraksikan prinsip-prinsip umum dari pengalamannya, memungkinkannya bertindak secara efektif dalam situasi baru dan mengembangkan strateginya seiring berjalannya waktu.
  • Contoh: AlphaGo dari DeepMind, yang belajar memainkan Go pada tingkat manusia super dengan mengembangkan strategi baru melalui permainan mandiri.
• Tingkat 6: Sistem Kolaboratif yang Muncul. Sebuah sistem yang terdiri dari beberapa agen Level 5 yang belajar Bagaimana untuk berkolaborasi. Strategi kolektif sistem muncul dari interaksi para agen dan pembelajaran bersama.
  • Contoh: Penelitian Composable Reasoning Google DeepMind, tempat beberapa agen LLM belajar menguraikan masalah kompleks dan membentuk tim dinamis untuk menyelesaikannya.

Dari Perangkat Lunak ke Dunia Fisik: Spektrum AI yang Terwujud

AI yang diwujudkan mengacu pada agen cerdas yang memiliki tubuh fisik. Hal ini memungkinkan mereka untuk melihat, bernalar, dan berinteraksi langsung dengan dunia fisik. Tidak seperti agen AI yang murni berbasis perangkat lunak, kecerdasan agen ini dibentuk oleh pengalaman fisik dan umpan balik sensorik mereka. Spektrum agen secara alami melampaui perangkat lunak hingga dunia robotika.

• Tingkat 1: Otomatisasi Robot Dasar. Melakukan serangkaian gerakan fisik yang tetap dan telah diprogram sebelumnya tanpa masukan sensorik.
  • Contoh: Mesin CNC memotong sepotong logam.
• Tingkat 2: Robot Responsif Sensorik. Memodifikasi rutinitasnya berdasarkan masukan sensorik langsung dan sederhana sesuai aturan tetap.
  • Contoh: Lampu lalu lintas cerdas yang menyesuaikan waktunya berdasarkan data real-time dari sensor yang ditempatkan di persimpangan.
• Tingkat 3: Robot Adaptif Kontekstual. Memanfaatkan sensornya dan pembatasan wilayah yang ditentukan pengguna untuk membangun model lingkungannya, memungkinkannya beroperasi secara mandiri dan menyelesaikan tugas tertentu.
  • Contoh: Robot penyedot debu yang beroperasi di rumah, atau robot rumah sakit yang mengantarkan obat ke berbagai departemen.
• Tingkat 4: Sistem Robot Terkoordinasi. Sebuah sistem yang terdiri dari beberapa robot Level 3 yang bekerja bersama berdasarkan aturan koordinasi yang dirancang manusia.
  • Contoh: Armada robot gudang mengikuti peraturan lalu lintas yang dikelola secara terpusat.
• Tingkat 5: Robot Pembelajaran Otonom. Robot tunggal yang belajar dari interaksi fisiknya dengan mengabstraksi prinsip-prinsip umum (misalnya tentang fisika, navigasi) untuk menangani situasi baru.
  • Contoh: Kendaraan otonom Waymo, yang model penggeraknya terus ditingkatkan berdasarkan pengalaman kolektif seluruh armada.
• Tingkat 6: Sistem Robot Kolaboratif yang Muncul. Sebuah sistem yang terdiri dari beberapa robot pembelajaran Level 5 yang belajar mengoordinasikan tindakan fisik dan strategi mereka secara kolektif sebagai hasil dari pengalaman bersama.
  • Contoh: Kawanan drone pencarian dan penyelamatan yang mempelajari pola paling efektif untuk mencapai tujuan yang relevan sebagai sebuah kelompok.

Spektrum agen yang diperbarui ditunjukkan di bawah ini

Lompatan Penting: Dari Menyalin Konteks ke Pembelajaran Sejati

Perbedaan penting mendefinisikan lompatan dari tingkat yang lebih rendah ke tingkat yang lebih tinggi. Agen di tingkat 3 adalah ahli adaptasi situasional. Mereka dapat “menyalin” konteks tugas tertentu, misalnya robot penyedot debu yang memetakan sebuah ruangan, namun mereka tidak belajar dari setiap pengalaman tersebut. Jika konteksnya tidak sama persis di masa depan, pengalaman tersebut tidak akan banyak berguna.

Lompatan revolusioner tingkat 5 adalah kemampuan untuk abstrak di atas konteks. Meskipun tujuan utamanya adalah agar agen mempelajari dan menggeneralisasi prinsip-prinsip dasar melalui metode seperti pembelajaran penguatan mendalam, jalan menuju tingkat otonomi ini bukanlah segalanya atau tidak sama sekali. Kita mungkin akan melihat kemajuan jangka pendek yang signifikan dari agen-agen yang menjadi sangat terampil dalam memanfaatkan sejarah kontekstual yang luas untuk menangani situasi-situasi baru, terutama kasus-kasus ekstrem yang jarang terjadi. Bentuk pencocokan pola yang canggih ini merupakan batu loncatan yang penting, namun perubahan paradigma yang sebenarnya tetap merupakan peralihan dari menemukan kecocokan yang hampir sama menjadi mengembangkan pemahaman yang asli dan abstrak.

Catatan tentang Arsitektur Pembelajaran: Model Homogen vs. Personalisasi

Diskusi mengenai agen pembelajaran (Level 5 dan 6) memunculkan pilihan desain yang penting: bagaimana pembelajaran dikelola di banyak pengguna atau unit? Jawabannya bergantung sepenuhnya pada use case.

• Armada Homogen: Untuk sistem seperti kendaraan otonom Waymo atau armada robot otonom di pabrik, konsistensi dan prediktabilitas adalah yang terpenting. Di sini, setiap agen menjalankan model yang sama dan diperbarui secara terpusat. Kemampuan agen ditentukan oleh keseluruhan sistem, pengalaman pengumpulan kendaraan, dan pusat data yang memproses pengalaman tersebut untuk meningkatkan model yang digunakan oleh armada. Tujuannya adalah untuk menciptakan “otak” tunggal yang sangat optimal yang diterapkan di lingkungan yang semakin kompleks, memastikan setiap unit berperilaku identik dan mendapat manfaat dari pembelajaran kolektif seluruh armada.
• Ekosistem yang Dipersonalisasi: Dalam skenario lain, seperti asisten perangkat lunak pribadi, keseragaman tidak diinginkan. Setiap pengguna memiliki konteks unik, data pribadi, dan kebutuhan spesifik. Di sini, setiap agen harus dilatih atau disesuaikan secara berbeda. Hal ini menimbulkan tantangan privasi dan containerisasi data, yang diselesaikan dengan metode canggih seperti Federated Learning. Teknik ini memungkinkan model global untuk belajar dari pengalaman kolektif semua pengguna tanpa harus mengakses data pribadi mereka, sehingga memungkinkan personalisasi dan kecerdasan bersama.

Perbedaan antara arsitektur pembelajaran yang seragam dan terpersonalisasi merupakan faktor penting dalam penerapan agen tingkat lanjut di dunia nyata.

Dimensi Berikutnya: Kerja Sama Manusia-Agen

Sejauh ini, kerangka kerja kami berfokus pada kemampuan agen dan hubungannya dengan satu pengguna manusia. Namun, masa depan pekerjaan melibatkan peningkatan kolaborasi antara manusia dan agen AI. Prospek ini menimbulkan pertanyaan penting: Apa yang terjadi ketika tim manusia berkolaborasi dengan agen untuk mencapai tujuan bersama? Hal ini memperkenalkan dimensi kompleksitas baru.

• Agen Bersama (Satu-ke-Banyak): Dalam model ini, satu instans agen melayani seluruh tim. Agen tidak hanya harus memahami tugasnya tetapi juga dinamika sosial tim, mengelola konteks bersama, dan berpotensi memediasi masukan manusia yang saling bertentangan. Hal ini memerlukan kesadaran kontekstual tingkat tinggi, yang mungkin memerlukan kemampuan Tingkat 5.
• Agen Perorangan (Banyak-ke-Banyak): Setiap anggota tim memiliki agennya masing-masing. Hal ini mengarah pada dua sub-kasus yang berbeda dan kuat:
  • Kerja Sama yang Homogen: Setiap anggota tim menggunakan hal yang sama jenis agen (misalnya, setiap orang mempunyai “agen penulis”). Hal ini menciptakan kebutuhan mendesak bagi para agen untuk berkoordinasi, mendorong pengembangan kolaborasi Tingkat 4 (terprogram) dan Tingkat 6 (yang dipelajari).
  • Kerja Sama Heterogen: Anggota tim menggunakan yang berbeda, terspesialisasi agen (misalnya, penulis dengan “agen penulis”, editor dengan “agen penyunting”, dan peneliti dengan “agen pengecekan fakta”). Hal ini mewakili pembagian kerja yang sebenarnya di antara para agen itu sendiri, yang mengharuskan mereka untuk menyadari peran masing-masing dan menyerahkan tugas dengan lancar. Ini adalah visi utama untuk sistem kolaboratif yang muncul di Level 6, yang menciptakan jalur perakitan digital yang dinamis dan dapat mengoptimalkan diri sendiri.

Memahami arsitektur kerja sama ini sangatlah penting. Masa depan produktivitas akan ditentukan tidak hanya oleh kekuatan masing-masing agen, namun juga bagaimana mereka terjalin dalam jalinan kolaborasi manusia. Pengembangan protokol komunikasi terstandar, seperti protokol Agent-to-Agent (A2A) Google atau Model Context Protocol (MCP) dari Anthropic, akan menjadi akselerator penting untuk menciptakan tim agen yang kuat dan heterogen dalam skala besar.

Jalan Baru Menuju AI Terwujud yang Tingkat Lanjut: Bangkitnya Model Fondasi

Terobosan terbaru dari Google, Toyota Research Institute, dan lainnya menunjukkan metode baru yang revolusioner untuk menciptakan agen fisik yang canggih. Pendekatan ini menggunakan model pondasi sebagai “otak” robot.

Perkembangan ini tidak mengubah spektrum agen. Sebaliknya, hal ini memberikan jalur baru yang kuat untuk mencapai kemampuan Level 5. Dengan memuat model dasar pada robot, kami memberinya pemahaman “akal sehat” tentang dunia. Tidak perlu mempelajari apa itu “apel” dari awal; ia mewarisi pengetahuan abstrak itu. Hasilnya, pelatihan robot dapat fokus menghubungkan pengetahuan luas ini dengan tindakan fisik. Metode ini adalah akselerator besar untuk menciptakan agen Level 5 yang dapat menggeneralisasi dan bertindak secara efektif dalam situasi baru, selaras dengan definisi inti level tersebut.

Posting terkait selanjutnya

Postingan terkait sebelumnya

Pos Mengembangkan Spektrum Agen AI: Dari Perangkat Lunak ke AI yang Terwujud muncul pertama kali di Evangelos Simoudis.