AI Boleh Berfikir Macam Manusia? Kajian Apple Dedahkan Realiti Sebenar

Dalam usaha memahami sejauh mana kecerdasan buatan (AI) mampu menyelesaikan masalah kompleks seperti manusia, penyelidik dari Apple telah menjalankan satu kajian besar terhadap model-model AI generasi terkini yang dikenali sebagai Large Reasoning Models (LRMs). Model seperti Claude 3.7 Thinking, DeepSeek-R1 dan OpenAI o3 bukan sahaja menghasilkan jawapan, malah turut menjana “proses pemikiran” (reasoning trace) sebelum memberi keputusan akhir.

Ini menjanjikan pendekatan baharu dalam pemodelan AI yang meniru gaya penaakulan manusia. Namun, adakah ia benar-benar berfikir?

Daripada soalan matematik ke teka-teki logik

Analisis perbandingan antara model berfikir dan model bukan berfikir merentas penanda aras matematik menunjukkan corak prestasi yang tidak konsisten. Walaupun keputusan pada set data MATH-500 menunjukkan prestasi yang hampir sama antara kedua-dua jenis model, model berfikir menunjukkan prestasi yang lebih baik dalam penanda aras AIME24dan AIME25. Selain itu, kemerosotan prestasi yang diperhatikan dari AIME24 ke AIME25 menyerlahkan kelemahan penanda aras ini terhadap isu pencemaran data (data contamination).

Kebanyakan ujian AI sebelum ini banyak bergantung pada set soalan matematik seperti MATH500 atau AIME. Namun, kajian mendapati penilaian seperti ini mudah tercemar dengan data latihan (data contamination) kerana model mungkin sudah “nampak” soalan tersebut semasa latihan.

Ilustrasi bagi empat persekitaran teka-teki yang digunakan. Setiap lajur menunjukkan perkembangan dari keadaan awal (atas), melalui keadaan pertengahan (tengah), hingga ke keadaan sasaran (bawah) bagi setiap teka-teki: Tower of Hanoi (pemindahan cakera antara tiang), Checker Jumping (pertukaran kedudukan token berwarna), River Crossing (menyeberangkan entiti merentasi sungai), dan Blocks World (penyusunan semula timbunan blok).

Ketepatan model berfikir (Claude 3.7 Sonnet dengan pemikiran, DeepSeek-R1) berbanding model bukan berfikir mereka (Claude 3.7 Sonnet, DeepSeek-V3) merentas semua persekitaran teka-teki dan pelbagai tahap kerumitan masalah.

Sebaliknya, penyelidik Apple mencipta empat persekitaran teka-teki terkawal untuk menguji AI secara lebih adil dan sistematik:

Tower of Hanoi – memindahkan cakera antara tiga tiang
Checker Jumping – menukar kedudukan bidak merah dan biru
River Crossing – menyeberangkan pasangan agen dan pelakon dengan peraturan ketat
Blocks World – menyusun blok dalam susunan sasaran

Setiap teka-teki ini membolehkan kawalan tahap kerumitan serta penilaian terhadap jawapan akhir dan proses pemikiran model.

Tiga tahap keupayaan AI berfikir

Prestasi pass@k bagi model berfikir berbanding model bukan berfikir dengan bajet pengiraan (compute) yang setara dalam persekitaran teka-teki berkerumitan rendah, sederhana dan tinggi.
Model bukan berfikir cemerlang dalam masalah mudah, model berfikir menunjukkan kelebihan pada tahap kerumitan sederhana, manakala kedua-duanya gagal pada tahap kerumitan tinggi tanpa mengira jumlah compute yang digunakan.

Berdasarkan ribuan eksperimen, penyelidik menemui tiga corak prestasi utama model AI:

Masalah mudah – Model biasa tanpa proses pemikiran (non-thinking) lebih efisien dan tepat berbanding LRM.

Masalah sederhana – Model berfikir mula menunjukkan kelebihan dengan menggunakan jejak pemikiran (chain-of-thought) untuk mencari penyelesaian.

Masalah kompleks – Kedua-dua model gagal sepenuhnya. Lebih mengejutkan, model berfikir mengurangkan usaha pemikiran apabila kerumitan meningkat walaupun masih mempunyai bajet token yang mencukupi.

Penemuan ini menimbulkan persoalan besar. Adakah AI benar-benar berfikir atau sekadar memadankan corak?

Masalah ‘Overthinking’ dan kegagalan konsisten

Ketepatan dan penggunaan token pemikiran mengikut tahap kerumitan untuk model penaakulan merentas persekitaran teka-teki. Apabila kerumitan meningkat, model penaakulan pada awalnya menggunakan lebih banyak token, manakala ketepatan menurun secara beransur-ansur sehingga mencapai satu tahap kritikal di mana penaakulan ‘runtuh’, prestasi merosot dengan mendadak dan usaha penaakulan turut berkurangan.

Kajian turut menemui fenomena menarik:

Masalah mudah: Model kadang-kadang menjumpai jawapan betul pada awalnya tetapi terus “berfikir” hingga menukar kepada jawapan salah. Ini menunjukkan tanda-tanda pemikiran yang berlebihan (overthinking).
Masalah sederhana: Jawapan betul biasanya hanya muncul selepas model mencuba banyak jalan yang salah terlebih dahulu.
Masalah sukar: Model langsung gagal menjana sebarang penyelesaian betul walaupun diberikan arahan atau algoritma penyelesaian yang lengkap.

Sebagai contoh, dalam teka-teki Tower of Hanoi, model boleh membuat sehingga 100 langkah betul. Namun dalam River Crossing, model gagal selepas hanya 4 langkah walaupun jumlah langkah yang diperlukan jauh lebih sedikit. Ini menunjukkan kegagalan bukan sahaja dalam merancang tetapi juga dalam melaksanakan arahan logik secara konsisten.

Apa maksud semua ini?

Walaupun Large Reasoning Models kelihatan seperti mampu “berfikir”, kajian ini menunjukkan beberapa hakikat penting di mana mereka masih jauh daripada mencapai penaakulan umum (general reasoning).

Selain itu, keupayaan untuk melaksanakan langkah logik secara konsisten adalah terhad.

Tambahan proses pemikiran tidak semestinya membawa kepada hasil lebih baik, malah kadangkala hanya menambah panjang teks tanpa hala tuju yang jelas

Jadi, patutkah kita percayakan AI untuk buat keputusan kompleks?

Realitinya, model AI hari ini boleh membantu dalam tugasan linear dan berstruktur seperti menjana kod, menjawab soalan peperiksaan atau mengisi borang.

Namun, AI hari ini belum cukup bersedia untuk membuat keputusan rumit dalam dunia sebenar yang memerlukan langkah demi langkah yang tersusun serta keupayaan menilai dan menyesuaikan diri.

Kesimpulan

Jalan ke Artificial General Intelligence (AGI) atau kecerdasan buatan umum masih lagi jauh.

Buat pengetahuan, AGI merujuk kepada sistem AI yang mampu memahami, belajar dan menyelesaikan apa sahaja jenis tugasan intelektual yang manusia boleh lakukan.

Bayangkan satu AI yang boleh belajar memasak, mengurus syarikat, buat kerja seni dan juga selesaikan masalah matematik tanpa perlu dilatih semula untuk setiap tugas. Itulah cita-cita AGI.

Oleh yang demikian, kajian oleh Apple ini menyedarkan kita bahawa walaupun AI telah membuat kemajuan besar, kecerdasan sebenar yang boleh berfikir seperti manusia masih belum tercapai.

Ini memberi isyarat bahawa kita perlu membina bukan sahaja model yang lebih besar, tetapi juga model yang benar-benar faham logik, dapat membetulkan diri sendiri dan melaksanakan rancangan secara konsisten.

Adakah kita terlalu cepat menganggap AI sudah “bijak”?

Mungkin inilah masanya kita menilai semula dan bertanya soalan yang lebih jujur tentang apa yang AI boleh dan belum boleh lakukan.

Jika anda rasa AI sudah hampir jadi manusia, fikirkan semula.

{suggest}