AI Winter 1974-1993: Janji Besar, Lalu Sunyi

Kecerdasan buatan kehilangan pendanaan dan kepercayaan publik hampir dua dekade, dari 1974 sampai sekitar 1993. Penyebabnya bukan mesin yang rusak, tapi janji yang keluar jauh lebih cepat dari kemampuan yang ada. Pola itu berulang dua kali, dan nyaris sama persis.

Keduanya bermula dari demo yang terlihat terlalu pintar untuk harganya. Pada 1966, ELIZA dari Joseph Weizenbaum hanya mencocokkan kata kunci, lalu membalikkan kalimat jadi bentuk tanya. Banyak pengguna tetap mengira program itu punya perasaan. Pada 1970, SHRDLU dari Terry Winograd bisa mengobrol soal tumpukan kotak di atas meja kerja virtual. Dua hal itu dipresentasikan sebagai kemajuan besar, padahal isinya jauh lebih tipis.

1966 dan 1970: Demo yang Terlihat Terlalu Cerdas

ELIZA bekerja seperti pramuniaga yang hafal satu pesan, lalu mengucapkannya ke semua orang yang lewat. Yang bikin kaget bukan teknologinya, tapi betapa sedikit yang dibutuhkan untuk membohongi orang. Satu skrip kecil sudah cukup bikin orang merasa sedang berbicara dengan sesuatu yang mengerti.

SHRDLU lebih meyakinkan lagi. Ia bisa memahami perintah seperti "pindahkan balik merah ke atas balik biru" di dunia kotak virtual. Tapi dunianya cuma satu meja, satu jenis objek, dan satu set aturan. Begitu keluar dari situ, tidak ada yang bisa dipakai. Itulah pola yang akan berulang selama dua dekade: kemampuan yang luar biasa di dalam kotak, dan nol di luarnya.

1973: Laporan yang Mengubah Segalanya

Pada 1973, Sir James Lighthill menulis laporan untuk Science Research Council Inggris. Isinya tajam: sebagian besar penelitian AI belum menunjukkan kemajuan yang sebanding dengan dana yang masuk. Rekomendasinya jelas, kurangi pendanaan.

Laporan itu bukan satu-satunya tekanan. DARPA, sumber dana terbesar di Amerika, mulai meminta bukti bahwa proyek AI menghasilkan sesuatu yang bisa dipakai militer. Banyak proyek gagal memenuhi standar itu. Pada 1974, pendanaan AI di kedua sisi Atlantik menyusut drastis.

Yang menarik, Lighthill tidak salah soal teknologinya. Yang salah adalah cara dia mengukur keberhasilan. Dia menilai AI dari apakah ia sudah bisa melakukan tugas yang sulit, bukan dari apakah ia sudah bisa melakukan tugas yang berguna. Perbedaan itu kecil di kertas, tapi besar di lab.

1969: Buku yang Salah Dituduh

Sebelum Lighthill, ada buku "Perceptrons" dari Marvin Minsky dan Seymour Papert, terbit 1969. Buku itu membuktikan secara matematis bahwa perceptron satu lapis tidak bisa belajar fungsi XOR. Kesimpulannya benar, tapi terlalu sering diartikan sebagai "jaringan saraf tidak berguna".

Sejarawan modern berdebat seberapa besar buku itu benar-benar menyebabkan AI winter. Yang jelas, buku itu memberi alasan akademis untuk menarik dana dari penelitian jaringan saraf. Dan itu cukup. Sebuah buku bisa menghentikan bidang selama lima belas tahun hanya dengan satu teorema yang disalahpahami.

1980-an: Gelembung Kedua

Pendanaan naik lagi pada awal 1980-an. Kali ini bukan karena jaringan saraf, tapi karena expert systems, program yang meniru cara pakar memakai aturan if-then. XCON di Digital Equipment Corporation menghemat jutaan dolar dengan mengonfigurasi komputer VAX. MYCIN di Stanford mendiagnosis infeksi darah dengan aturan yang ditulis manual.

Jepang ikut masuk dengan Fifth Generation Computer Project pada 1982, dengan anggaran ratusan juta dolar. Tujuannya membuat komputer yang bisa berpikir seperti manusia dalam satu dekade. Targetnya terlalu optimis, dan pada akhir dekade itu proyek itu dianggap gagal.

Di pasar, mesin LISP jadi simbol era itu. LISP adalah bahasa pemrograman yang dibuat untuk AI, dan mesin LISP adalah komputer khusus yang menjalankannya dengan cepat. Perusahaan seperti Symbolics dan Lisp Machine Inc. menjual mesin ini ke universitas dan laboratorium dengan harga puluhan ribu dolar.

1987: Pasar Runtuh

Mesin LISP butuh perangkat keras khusus. Ketika workstation umum dari Sun dan DEC jadi lebih cepat dan jauh lebih murah, alasan untuk membeli mesin LISP hilang. Pada 1987, pasar itu anjlok. Symbolics dan Lisp Machine Inc. mulai kesulitan keuangan.

Expert systems juga mulai menunjukkan batasannya. Aturan if-then yang ditulis manual tidak bisa menangani pengecualian yang tidak terduga. XCON bagus untuk konfigurasi standar, tapi gagal saat ada permintaan yang sedikit berbeda. Biaya pemeliharaan aturan yang terus bertambah akhirnya melebihi manfaatnya.

Pola yang Berulang

Dua musim dingin itu punya pola yang sama. Pertama, demo yang mengesankan membuat ekspektasi meledak. Kedua, ekspektasi itu tidak bisa dipenuhi dalam jangka waktu yang dijanjikan. Ketiga, pendanaan ditarik, dan penelitian pindah ke tempat yang lebih rendah profilnya.

Yang menarik, teknologinya tidak mati. Jaringan saraf terus dikembangkan di laboratorium kecil selama 1980-an. Backpropagation, algoritma yang jadi fondasi deep learning modern, dipublikasikan pada 1986 oleh Rumelhart, Hinton, dan Williams, tepat di tengah musim dingin. Tidak ada yang menghentikan mereka, karena tidak ada yang menganggap mereka penting.

Analisis: Kenapa Ini Masih Relevan

Pada 2026, pola yang sama muncul lagi. Model bahasa besar membuat demo yang mengesankan. Ekspektasi publik meledak. Pertanyaannya bukan apakah pola ini akan berulang, tapi kapan.

Pelajarannya sederhana: demo bukan bukti. Kemajuan yang bertahan butuh lebih dari satu demonstrasi yang menakjubkan. Ia butuh kemampuan yang konsisten, biaya yang masuk akal, dan aplikasi yang benar-benar dipakai orang.

Yang paling sering dilupakan adalah bahwa AI winter tidak membunuh teknologinya. Ia hanya memindahkannya. Jaringan saraf tidak hilang pada 1974. Ia pindah ke laboratorium kecil, terus dikembangkan oleh orang-orang yang tidak butuh perhatian publik untuk bekerja. Ketika waktunya tiba, teknologinya sudah siap. Yang tidak siap adalah ekspektasi publik, yang harus dibangun dari nol lagi.

Yang berubah antara dua era itu bukan teknologinya, tapi cara orang mengukur kemajuan. Pada 1970-an, ukurannya adalah apakah mesin bisa melakukan tugas yang sulit. Pada 1980-an, ukurannya adalah apakah mesin bisa menggantikan manusia. Keduanya terlalu ambisius untuk zamannya, dan keduanya membayar harga yang sama.

Yang paling sulit dari pola ini adalah ia tidak terasa seperti pola saat sedang terjadi. Setiap era yakin bahwa kali ini berbeda, bahwa teknologinya sudah cukup matang, bahwa kali ini tidak akan gagal. Keyakinan itu bukan tanda kegagalan. Ia adalah syarat agar dana mau masuk.

Apa yang Terjadi di Selama Musim Dingin

Selama dua dekade itu, penelitian AI tidak berhenti. Ia hanya pindah. Laboratorium yang didanai universitas terus bekerja dengan anggaran kecil. Jaringan saraf tetap dikembangkan, tapi tanpa perhatian publik. Backpropagation ditemukan pada 1986 dan tidak langsung dipakai secara luas.

Yang berhenti adalah perhatian. Media tidak lagi menulis tentang AI. Mahasiswa tidak lagi memilih jurusan AI. Perusahaan tidak lagi membeli mesin AI. Padahal teknologinya terus maju, hanya saja tidak ada yang melihat.

Ini pelajaran kedua: perhatian publik adalah sumber daya yang lebih langka daripada dana. Dana bisa dikumpulkan kembali kalau teknologinya menunjukkan hasil. Perhatian, sekali hilang, sulit didapat kembali.

DARPA dan Militer: Dana yang Tidak Pernah Kembali

DARPA adalah sumber dana terbesar untuk penelitian AI pada 1960-an dan 1970-an. Mereka membayar proyek-proyek besar dengan harapan menghasilkan teknologi yang bisa dipakai untuk pertahanan. Ketika harapan itu tidak terpenuhi, DARPA tidak hanya mengurangi dana. Mereka mengubah cara menilai proyek.

Aturan baru DARPA menuntut bukti bahwa sebuah proyek AI menghasilkan sesuatu yang bisa dipakai dalam tiga tahun. Itu standar yang mustahil untuk penelitian dasar. Banyak proyek yang sebelumnya didanai dengan mudah harus berhenti karena tidak bisa memenuhi batas waktu itu.

Yang menarik, aturan itu tidak salah sepenuhnya. Masalahnya bukan pada tuntutannya, tapi pada diaplikasikannya ke jenis penelitian yang tidak bisa diukur dengan jangka waktu tiga tahun. Penelitian dasar butuh waktu lebih lama, dan menilainya dengan standar jangka pendek adalah kesalahan kategoris.

Tabel Perbandingan: Dua Musim Dingin

Tabel ini menunjukkan bahwa kedua musim dingin itu tidak berakhir karena terobosan tunggal. Keduanya berakhir secara perlahan, ketika teknologi alternatif menjadi lebih murah dan lebih praktis. Tidak ada momen "Eureka" yang mengembalikan pendanaan.

Yang Tidak Berubah

Tiga hal tidak berubah dari 1974 sampai 2026. Pertama, ekspektasi publik selalu lebih cepat dari kemampuan nyata. Kedua, pendanaan mengikuti ekspektasi, bukan kemampuan. Ketiga, teknologi yang ditinggalkan sering jadi fondasi untuk generasi berikutnya.

Jaringan saraf ditinggalkan pada 1974, lalu jadi fondasi deep learning pada 2012. Backpropagation diterbitkan pada 1986, lalu jadi standar pada 2010-an. Pola ini tidak akan berhenti. Yang bisa dilakukan adalah mengenalinya lebih cepat.

Pertanyaannya bukan apakah AI winter akan datang lagi. Pertanyaannya adalah apakah kita akan mengenali polanya sebelum terlambat.

Yang paling sulit dari pola ini adalah ia tidak terasa seperti pola saat sedang terjadi. Setiap era yakin bahwa kali ini berbeda, bahwa teknologinya sudah cukup matang, bahwa kali ini tidak akan gagal. Keyakinan itu bukan tanda kegagalan. Ia adalah syarat agar dana mau masuk.