Kapan AI Pertama Muncul? Bukan 1956, Tapi 13 Tahun Lebih Awal

Istilah artificial intelligence lahir pada musim panas 1956, di Dartmouth College, dari sepuluh orang yang menghabiskan delapan minggu berdebat soal satu kalimat. Tapi itu adalah namanya, bukan awal ide-nya. Gagasan yang mereka beri nama itu sudah dituliskan tiga belas tahun sebelumnya, pada 1943, dalam makalah dua ilmuawan yang bekerja pada jaringan saraf biologis. Persamaan yang mereka turunkan dari saraf manusia itu masih menjadi fondasi hampir semua model bahasa yang dipakai per 2026.

Jawaban singkatnya: AI lahir sebagai nama bidang pada 1956, sebagai ide pada 1943, dan sebagai pertanyaan uji pada 1949.

Setiap tanggal itu menunjuk sesuatu yang berbeda, dan mencampurkannya adalah sumber dari hampir semua kebingungan publik tentang sejarah bidang ini.

Tiga belas tahun sebelum namanya ada

Pada 1943, neurofisiolog Warren McCulloch dari Universitas Illinois dan matematikawan Walter Pitts dari Universitas Chicago menerbitkan makalah yang mereka beri judul A Logical Calculus of the Ideas Immanent in Nervous Activity di jurnal Bulletin of Mathematical Biophysics. Isinya bukan program komputer. Isinya adalah klaim bahwa neuron bisa dimodelkan sebagai sakelar logika.

Model neuron McCulloch-Pitts itu sederhana sekali: setiap input bernilai 0 atau 1, setiap input punya bobot, jumlah berbobot dijumlahkan, lalu dibandingkan dengan ambang. Kalau lewat ambang, neuron menyala; kalau tidak, neuron mati. Tidak ada abstraksi di dalamnya, tidak ada representasi simbol, tidak ada bahasa.

Yang penting bukan neuronnya, tapi klaim yang melekat padanya. Kalau seluruh aktivitas otak bisa ditulis sebagai kombinasi operasi logika biner, maka apa pun yang bisa dihitung adalah sesuatu yang bisa dijalankan mesin.

Enam tahun kemudian, Alan Turing mengubah pertanyaan "bisakah mesin berpikir?" menjadi pertanyaan yang bisa diuji. Makalahnya Computing Machinery dan Intelligence terbit di jurnal Mind pada 1950.

Bunyi pembukaannya adalah salah satu kalimat paling terkenal dalam disiplin ini: I propose to consider the question "Can machines think?"

Tapi Turing tidak menjawabnya. Dia menggantinya dengan imitation game, yang sekarang dikenal sebagai Turing test -- satu interogator manusia, satu manusia lain sebagai pembanding, dan satu mesin. Kalau penguji tidak bisa membedakan secara konsisten, mesin itu disebut intelligensial menurut definisi itu.

Definisi itu brilian karena menghapus metafora. "Berpikir" tidak pernah berhasil didefinisikan dengan memuaskan oleh manusia mana pun, jadi Turing tidak mencobanya. Dia memindahkan masalahnya ke tempat yang bisa dijawab: perilaku yang bisa diamati.

Musim panas 1956: delapan minggu dan setengah dari hibah yang diminta

Proposalnya bertanggal 31 Agustus 1955, dan itu bukan proposal sembarangan.

John McCarthy, Marvin Minsky, Nathaniel Rochester, dan Claude Shannon menuliskan permintaan eksplisit ke Rockefeller Foundation.

Kata mereka: We propose that a 2 month, 10 man study of artificial intelligence be carried out during the summer of 1956 at Dartmouth College in Hanover, New Hampshire.

Naskah aslinya terdiri dari 17 halaman, dan arsipnya masih ada di Dartmouth dan Stanford.

Hibahnya separuh. Proposal itu meminta 14.000 dolar AS, dan yayasan itu hanya memberikan 7.000 dolar AS. Jumlah itu mungkin terdengar sangat kecil, tapi konteksnya menentukan: pada 1956 seluruh dunia punya lebih dari seribu komputer, masing-masing sebesar ruangan, dan punya daya komputasi yang jauh di bawah satu processor smartphone modern.

Delapan minggu. Sepuluh orang. Daftar partisipannya pendek dan spesifik. McCarthy (Dartmouth), Minsky (Harvard), Shannon (Bell Labs), Rochester (IBM), Allen Newell (RAND), Herbert Simon (Carnegie), Arthur Samuel (IBM), Ray Solomonoff (MIT), Oliver Selfridge (MIT), dan Trenchard More (Princeton).

Sebagian besar nama besar dalam sejarah AI ada di sana.

Yang sebenarnya diputuskan di sana bukan teknologi, tapi nama. Empat orang yang menyusun proposal sudah memakai istilah artificial intelligence di dokumen 1955 mereka, dan istilah itu tidak pernah dituliskan siapa pun sebelumnya sebagai satu kesatuan. Itu sebabnya 1956 dianggap hari lahir: bukan karena ada penemuan, tapi karena sesuatu yang sudah ada akhirnya mendapat nama yang bisa dibicarakan.

Satu detail dari arsip Dartmouth yang sering luput disebut. Saat proposal itu masih disusun, McCarthy sudah menuliskan harapan pribadi: pada musim panas 1956 ia akan punya model mesin yang sudah dekat dengan tahap pemrograman pada komputer biasa. Enam puluh tahun kemudian, model bahasa yang ada masih punya bentuk yang sama: program yang menulis program.

Janji yang berlebihan, dan winter yang pertama

Setelah 1956, optimisme berjalan sangat cepat, dan banyak sekali.

Pada 1957, psikolog Frank Rosenblatt dari Cornell Aeronautical Laboratory membangun Perceptron, yaitu jaringan saraf lapisan tunggal yang bobotnya bisa dipelajari. Konsepnya sederhana dan elegan: neuron tiruan dengan bobot yang menyesuaikan diri setiap kali jawabannya salah. Media tidak menunda-nunda. Rosenblatt memperkirakan Perceptron akan mampu mengenali orang dan memanggilnya dengan namanya, serta menerjemahkan ucapan langsung dari satu bahasa ke bahasa lain.

Vonisnya datang dari arah yang tidak terduga, yaitu dari dalam bidang sendiri. Pada 1969, Marvin Minsky dan Seymour Papert menerbitkan Perceptrons: An Introduction to Computational Geometry.

Buku itu menunjukkan bahwa jaringan lapisan tunggal secara matematis tidak mungkin menyelesaikan masalah seperti XOR, yaitu masalah yang butuh pemrosesan yang tidak bisa dipisahkan secara linear. Kritik itu tepat, dan Minsky sendiri pada edisi 1988 mengakui bahwa kegagalan itu sudah terlihat sejak pertengahan 1960-an dan hanya menunggu ditulis secara terbuka.

Yang tersisa sebagai ganti adalah expert systems: perangkat lunak berisi ratusan aturan yang ditulis manusia untuk menyelesaikan masalah sempit. MYCIN mendiagnosis infeksi bakteri dengan aturan yang berhasil mengungguli dokter magang dalam diagnosis, dan tidak bisa menjelaskan alasan di luar aturan yang diprogram secara eksplisit.

AI winter kedua: ketika komputasi jadi barang murah

Pada 1985, dunia sudah menghabiskan lebih dari satu miliar dolar AS untuk AI, hampir semuanya untuk expert systems dan perusahaan pendukungnya. Contoh paling sering dikutip adalah XCON dari Carnegie Mellon, yang menerjemahkan kebutuhan pelanggan DEC untuk komputer VAX menjadi konfigurasi produksi. Rilis pertamanya memadatkan pengetahuan para ahli ke dalam 480 aturan konfigurasi, dan XCON dipuji karena memangkas waktu pengiriman VAX dari berbulan-bulan menjadi hitungan minggu.

Contoh itu sekarang terasa kuno, dan justru itulah intinya. Expert systems bekerja karena pengetahuan manusia sudah dikumpulkan ke dalam bentuk yang bisa dieksekusi. Kalau pengetahuan itu berubah, aturannya harus ditulis ulang. Kalau inputnya di luar jangkauan yang dirancang, sistem itu gagal, dan tidak ada mekanisme untuk belajar dari kegagalan itu.

Bencana berikutnya datang bukan dari teknologi, tapi dari harga. Pasar mesin LISP runtuh pada 1987. Perusahaan seperti Symbolics dan Lisp Machines Inc. membangun workstation mahal yang dioptimalkan untuk satu bahasa, sementara komputer pribadi biasa sudah cukup cepat untuk menjalankan CLIPS atau interpreter Lisp sederhana dengan kecepatan yang memadai. Industri setengah miliar dolar AS yang dibangun untuk pasar mesin khusus hilang dalam satu tahun. Symbolics bangkrut pada 1991.

Apa yang sebenarnya menghidupkan kembali bidang ini

Jawabannya bukan algoritma baru. Jawabannya adalah dataset dan perangkat keras.

ImageNet dibangun pada 2009 oleh tim di Stanford: lebih dari 15 juta gambar berlabel dalam sekitar 22.000 kategori. Yang menentukan bukan jumlah gambarnya, tapi kesalahan anotasi yang disengaja, yaitu rata-rata sekitar 1,2 label per gambar. Dataset itu mengubah klasifikasi citra dari soal tebakan melelahkan menjadi soal yang punya angka yang bisa dibandingkan antarpeserta.

Pada 2012, Alex Krizhevsky, Ilya Sutskever, dan Geoffrey Hinton menang dengan AlexNet.

Jaringan itu punya lima layer konvolusi, tiga layer terhubung penuh, sekitar 60 juta parameter, dan 650.000 unit. Hasilnya pada kompetisi ILSVRC-2012:

Angka itulah yang membuat bidang ini berubah arah. Sebelas poin persen pada tugas yang sama, pada dataset yang sama, dalam satu tahun. AlexNet tidak memperkenalkan konsep yang benar-benar baru: convolutional neural network sudah ada sejak LeNet 1998, dan dropout sudah punya ide sejak beberapa tahun sebelumnya. Yang baru adalah kombinasi hal-hal yang sudah ada, ditambah GPU yang bisa dilatih dalam waktu yang masuk akal, ditambah dataset yang cukup besar untuk memastikan generalisasi. Tiga hal yang tidak banyakanh saling bergantung.

Perlu dicatat bahwa lompatan ini bukan tentang AI yang "menjadi cerdas". AlexNet menyelesaikan klasifikasi 1.000 kategori. Itu tugas yang sangat terdefinisi, dengan jawaban yang bisa diperiksa satu per satu. Yang membuatnya penting kemudian adalah kemampuan generalize ke tugas yang belum pernah dilihat, dan itu tetap menjadi masalah yang sama sampai hari ini, dengan nama yang berbeda.

Tujuh puluh tahun kemudian, dalam hitungan bulan

Pada 30 November 2022, OpenAI membuka ChatGPT ke publik. Angka pertumbuhan berikutnya menjadi catatan aduan yang paling sering dikutip di seluruh sejarah teknologi:

Angka-angka itu berasal dari berbagai lembaga dan tidak pernah diseragamkan definisinya. Sebagian menghitung pengguna terdaftar, sebagian pengguna aktif bulanan, sebagian kunjungan. Tapi arahnya tidak ambigu: butuh sekitar dua bulan, sementara aplikasi dengan sejarah panjang butuh beberapa tahun. Analis UBS menyebutnya laju pertumbuhan aplikasi konsumen yang belum pernah terlihat.

Yang menarik dari tabel itu bukan kecepatannya, tapi apa yang tetap sama selama tujuh puluh tahun. ChatGPT tidak memperkenalkan apa pun yang prinsipnya baru. Transformer sudah ada sejak 2017, RLHF sudah umum, skala data dan komputasi sudah terang. Yang berbeda hanya satu: produknya dikirim ke publik tanpa perantara, sehingga pendanaan yang biasanya butuh satu dekade terjadi dalam satu kuartal.

Analisis dan Apa Artinya: dua AI winter dan mekanismenya

Polanya bukan kebetulan. Coba baca ulang sejarahnya sebagai satu rangkaian, dan dua kali kecewa pendanaan punya bentuk yang hampir identik.

Winter pertama berlangsung antara 1974 dan 1980, winter kedua antara 1987 dan 1993, dan yang kedua lebih lama dari yang biasanya disebut orang. Winter pertama dipicu oleh Laporan Lighthill pada 1973, yang disusun atas permintaan Science Research Council di Inggris. Laporan itu menilai seluruh kegiatan riset AI di Inggris dan menyimpulkan tidak ada yang menghasilkan dampak seperti yang dijanjikan. Argumennya sederhana, dan sekaligus mudah dibalik.

Yang paling sering luput dari cerita ini adalah apa yang terjadi di laboratorium, bukan di judul berita. Saat Laporan Lighthill terbit pada 1973, kelompok SIGART yang sedang tumbuh punya 1.241 anggota. Pada 1978, tengah periode yang biasanya dianggap paling gelap dari winter pertama, keanggotaannya mendekati 3.500 anggota. Artinya komunitas AI bukan menyusut. Ia tumbuh hampir tiga kali lipat, dan tumbuh lebih cepat proporsinya daripada ACM secara keseluruhan pada periode yang sama.

Dua sisi itu tidak bertentangan. Yang runtuh bukan jumlah orangnya, tapi kepercayaan pengusul hibah. Perbedaan itu penting karena implikasinya berbeda. Kalau yang runtuh adalah minat penelitian, rebound berikutnya butuh satu generasi. Kalau yang runtuh adalah label di proposal hibah, rebound bisa terjadi hanya beberapa tahun kemudian, ketika biaya komputasi turun.

Perpindahan yang sama terjadi dua kali dalam bentuk yang sama:

Apa yang bisa dibaca dari tabel itu adalah satu aturan yang berlaku dua kali: winter terjadi ketika biaya yang menurun dan biaya yang tetap bertemu di titik yang salah. Pada 1970-an, biaya komputasi tidak cukup turun untuk menjangkau ruang masalah yang diklaim. Pada 1980-an, biaya komputasi turun, tapi biaya pengetahuan tidak pernah turun, karena setiap aturan baru harus ditulis manusia. Sistem yang berhasil pada 2012 mengubah dua biaya sekaligus: biaya komputasi turun karena GPU, dan biaya pengetahuan turun drastis karena label dibuat massal.

Implikasi yang paling berguna untuk pembaca per 2026 ada di sini. Winter ketiga, kalau terjadi, hampir pasti tidak akan dipicu oleh kegagalan teknis, karena teknik yang dipakai per 2026 bekerja. Yang lebih mungkin adalah pemisahan biaya: biaya inferensi yang dibayar pengguna per token berbeda dari biaya pengetahuan yang dibayar perusahaan untuk menyiapkan data, label, dan evaluasi. Winter terjadi bukan karena AI gagal, tapi karena biaya yang menentukan atribut yang menentukan nilainya berubah tempat.

Kronologi dalam satu halaman

• 1943 — McCulloch dan Pitts memodelkan neuron sebagai logika biner.
• 1950 — Turing mengganti pertanyaan "dapatkah mesin berpikir?" dengan imitation game.
• 1955 — Proposal Dartmouth, 31 Agustus, meminta 14.000 dolar AS.
• 1956 — Dartmouth Summer Research Project, delapan minggu. Istilah artificial intelligence dipakai pertama kali sebagai nama bidang.
• 1957-1958 — Perceptron Rosenblatt, dengan prediksi media yang terlalu jauh.
• 1966 — ELIZA, program percakapan pertama yang membuat pengguna merasa sedang berbicara dengan manusia.
• 1969 — Perceptrons oleh Minsky dan Papert; penelitian jaringan saraf melambat hampir dua dekad.
• 1973 — Laporan Lighthill; Inggris mencabut dukungan untuk hampir semua pusat AI.
• 1974-1980 — AI winter pertama.
• 1986 — Backpropagation dipopulerkan, jaringan saraf mulai kembali.
• 1987 — Pasar mesin LISP runtuh dalam satu tahun.
• 1987-1993 — AI winter kedua.
• 2012 — AlexNet: top-5 error 15,3% melawan 26,2% pada ILSVRC.
• 2017 — Transformer, arsitektur yang dipakai semua model bahasa besar per 2026.
• 2022 — ChatGPT dikirim ke publik, 100 juta pengguna dalam sekitar dua bulan.