Studi Stanford dan TAU Ungkap AI Bisa Belajar tanpa Data Buatan Manusia

GEBRAK.ID — Kecerdasan buatan (AI) berpotensi mengembangkan kemampuan belajar tanpa harus bergantung pada kumpulan besar data buatan manusia. Temuan ini terungkap dalam sebuah penelitian yang dilakukan tim peneliti dari Tel Aviv University (TAU) dan Universitas Stanford, Amerika Serikat.

Penelitian tersebut menawarkan pendekatan baru dalam pelatihan AI. Para peneliti mengembangkan dua model komputer yang dilatih secara bersamaan. Model pertama bertugas menghasilkan rangkaian simbol, sedangkan model kedua mempelajari pola dengan memprediksi simbol berikutnya.

Dalam proses tersebut, model pertama secara bertahap menghasilkan latihan yang semakin berguna bagi model kedua. Sementara itu, model kedua terus meningkatkan kemampuannya dalam mengenali pola dan membuat prediksi berdasarkan rangkaian yang diberikan.

Pendekatan tersebut dikenal sebagai Self-Play Pretraining with Zero Data. Penelitian ini dimuat di situs ilmiah arXiv pada 24 September 2026 dengan judul “Self-Play Pretraining with Zero Data”. Sejumlah peneliti yang terlibat di antaranya Aditya Cowsik, Kfir Dolev, Michael Y. Li, G. Bruno De Luca, Nourya Cohen, Noah D. Goodman, dan Yoav Levine.

Tim peneliti kemudian menguji kemampuan model yang telah dilatih menggunakan berbagai jenis informasi. Pengujian mencakup bahasa, gambar, suara, musik, kode komputer, hingga rangkaian DNA.

Hasilnya menunjukkan kemampuan model dalam memprediksi pola pada beragam jenis informasi meningkat seiring bertambahnya sumber daya komputasi yang digunakan selama pelatihan. Model tersebut juga memperlihatkan kemampuan mempelajari pola dari contoh yang diberikan saat pengujian, meskipun sebelumnya tidak menjalani pelatihan khusus untuk tugas tersebut.

Temuan lain yang menarik adalah model pembuat data mampu menghasilkan pola matematika yang dikenal, termasuk deret Fibonacci. Hal ini memperlihatkan bahwa proses pembelajaran mandiri dapat menemukan struktur tertentu tanpa harus menerima contoh langsung dari kumpulan data buatan manusia.

Meski demikian, para peneliti mengingatkan bahwa hasil tersebut belum berarti AI bisa memahami seluruh fakta tentang dunia tanpa informasi dari luar. Metode ini tidak dapat mengajarkan pengetahuan faktual mengenai kehidupan nyata apabila model sama sekali tidak memperoleh paparan terhadap informasi tersebut.

Penelitian itu juga masih berada pada tahap pembuktian konsep atau proof of concept. Eksperimen awal menggunakan model berukuran relatif kecil sehingga penerapannya pada sistem AI berskala besar masih membutuhkan penelitian lanjutan.

Kendati masih terbatas, pendekatan ini membuka kemungkinan baru dalam pengembangan teknologi AI. Sistem dapat membangun kemampuan dasar untuk mengenali pola melalui data yang dihasilkannya sendiri, kemudian memanfaatkan kemampuan tersebut untuk belajar lebih efisien ketika berhadapan dengan informasi dunia nyata.

Temuan ini menjadi relevan di tengah kebutuhan industri AI terhadap data pelatihan berkualitas yang semakin besar. Jika metode tersebut terus berkembang, pengembang AI berpeluang mengurangi ketergantungan pada proses pengumpulan dan kurasi data buatan manusia.

Namun, kemampuan menghasilkan latihan sendiri tidak serta-merta menggantikan kebutuhan akan pengetahuan dan pengalaman dari dunia nyata. Penelitian lanjutan masih diperlukan untuk mengetahui sejauh mana pendekatan ini dapat diterapkan pada model AI yang lebih kompleks.

(Devona R/Sumber: arxiv.org, xinhua)