Ketika kita berbicara tentang Artificial General Intelligence, kita tidak sedang membahas versi “lebih canggih” dari chatbot atau sistem otomatisasi yang sudah ada. Kita sedang membicarakan ambisi terbesar dalam sejarah teknologi modern: menciptakan sistem yang memiliki fleksibilitas intelektual setara manusia.

Dalam artikel sebelumnya, Mengenal Apa Itu AGI dan Bedanya dengan Kecerdasan Buatan Biasa, saya menjelaskan bahwa perbedaan mendasar antara AI saat ini dan AGI bukan terletak pada kecepatan atau jumlah parameter, melainkan pada kemampuan generalisasi lintas konteks. Di sinilah tantangan sesungguhnya dimulai.

Mengembangkan sistem yang benar-benar adaptif, mampu mentransfer pengetahuan, dan belajar secara otonom seperti manusia ternyata jauh lebih kompleks daripada sekadar memperbesar model.

Berikut adalah hambatan terbesar yang secara realistis masih membatasi perjalanan menuju kecerdasan setara otak manusia.

Kompleksitas Otak Manusia yang Belum Terpetakan Sepenuhnya

Otak manusia terdiri dari sekitar 86 miliar neuron dengan triliunan koneksi sinaptik. Namun angka biologis itu sendiri bukanlah inti persoalan. Yang jauh lebih rumit adalah bagaimana struktur tersebut menghasilkan kesadaran, intuisi, kreativitas, dan pemahaman kontekstual.

Model deep learning modern memang terinspirasi dari jaringan saraf biologis, tetapi kesamaannya sangat dangkal. Artificial neural network hanyalah abstraksi matematis sederhana dibandingkan dinamika neurobiologis yang sebenarnya.

Kita belum sepenuhnya memahami bagaimana memori jangka panjang bekerja secara stabil, bagaimana pengalaman membentuk intuisi, atau bagaimana manusia mengambil keputusan dalam kondisi ambigu dengan informasi minim.

Tanpa pemahaman fundamental tersebut, upaya menciptakan AGI berisiko menjadi eksperimen berskala besar tanpa peta yang jelas.

Batasan Pendekatan Statistik Murni

AI generatif saat ini bekerja berdasarkan pola statistik dalam data skala besar. Ia memprediksi token berikutnya, bukan memahami realitas.

Pendekatan ini sangat efektif untuk bahasa, gambar, dan kode. Namun fleksibilitas kognitif manusia tidak sepenuhnya berbasis statistik. Kita memiliki kemampuan reasoning simbolik, abstraksi, dan pemodelan mental terhadap dunia fisik.

Sebagian peneliti meyakini bahwa untuk mencapai AGI, sistem perlu menggabungkan pembelajaran berbasis data dengan symbolic reasoning, memori jangka panjang yang lebih stabil, serta representasi dunia yang lebih eksplisit.

Jika pendekatan statistik murni memiliki batas alami, maka lompatan berikutnya bukan lagi soal skala, melainkan perubahan paradigma.

Dalam konteks timeline, inilah salah satu alasan mengapa prediksi waktu kemunculan AGI sangat beragam. Seperti yang telah saya bahas dalam Kapan AGI Akan Terwujud dan Prediksi Para Ahli Masa Kini, ada kubu akselerasionis yang optimis AGI muncul sebelum 2035, ada kubu moderat yang memproyeksikan pertengahan abad, dan ada pula kubu skeptis yang mempertanyakan apakah kecerdasan umum bisa direduksi menjadi komputasi murni.

Hambatan teknis yang kita bahas di sini memperkuat argumen bahwa percepatan performa belum tentu identik dengan munculnya kualitas kognitif baru.

Keterbatasan Perangkat Keras dan Energi

Pelatihan model AI terbesar saat ini membutuhkan pusat data dengan ribuan GPU, konsumsi energi masif, serta biaya miliaran dolar.

Jika kita terus mengandalkan strategi scaling up, maka batas fisik dan ekonomi akan menjadi penghambat utama. Energi, panas, dan keterbatasan material semikonduktor bukan sekadar isu teknis kecil. Ia adalah realitas industri.

Hukum Moore sendiri melambat. Efisiensi komputasi memang meningkat, tetapi tidak dengan laju eksponensial seperti dua dekade lalu.

Pertanyaannya sederhana: apakah AGI akan lahir dari model yang semakin besar, atau dari arsitektur yang lebih efisien dan elegan?

Sejarah sains menunjukkan bahwa lompatan besar sering terjadi bukan karena penambahan skala, melainkan karena terobosan konsep.

Masalah Transfer Learning dan Generalisasi Sejati

Salah satu ciri utama kecerdasan manusia adalah kemampuan mentransfer pengetahuan antar domain.

Seorang anak yang memahami konsep sebab-akibat dapat menerapkannya pada fisika sederhana, hubungan sosial, bahkan strategi permainan. Ia tidak perlu dilatih ulang dari nol untuk setiap konteks baru.

Model AI saat ini memang menunjukkan kemampuan transfer learning terbatas, tetapi masih sangat tergantung pada data pelatihan.

AGI dalam definisi ketat harus mampu belajar dari pengalaman terbatas, membangun representasi abstrak, dan menyesuaikan diri dalam situasi yang benar-benar baru.

Di sinilah jurang antara performa impresif dan kecerdasan umum sejati terlihat jelas.

Integrasi Dengan Dunia Fisik

Sebagian pakar berargumen bahwa kecerdasan tidak dapat dipisahkan dari pengalaman sensorimotor. Manusia belajar melalui interaksi dengan lingkungan fisik.

AI saat ini sebagian besar hidup dalam ruang digital. Ia membaca teks, melihat gambar, dan memproses data. Tetapi ia tidak memiliki tubuh, tidak merasakan gravitasi, tidak mengalami risiko fisik.

Jika kecerdasan umum membutuhkan grounding di dunia nyata, maka integrasi antara sistem AI dan robotika mungkin menjadi tahap krusial berikutnya.

Ini membuka tantangan baru: kontrol motorik presisi, persepsi spasial real-time, serta keamanan interaksi manusia-mesin.

Kompleksitas Kesadaran dan Intuisi

Pertanyaan paling kontroversial adalah apakah AGI harus memiliki kesadaran untuk dianggap setara manusia.

Sebagian ilmuwan menilai bahwa kesadaran adalah fenomena emergent dari kompleksitas tertentu. Jika demikian, maka cukup meningkatkan kompleksitas sistem hingga melewati ambang tertentu.

Namun tidak ada konsensus ilmiah tentang definisi kesadaran itu sendiri.

Tanpa definisi operasional yang jelas, sulit menentukan apakah suatu sistem benar-benar memahami atau hanya mensimulasikan pemahaman.

Perbedaan ini bukan sekadar filosofis. Ia memiliki implikasi etis, hukum, dan ekonomi yang sangat besar.

Dampak Sistemik Jika Hambatan Ini Teratasi

Jika semua hambatan ini suatu hari berhasil dipecahkan, konsekuensinya akan melampaui ranah teknologi.

Dalam artikel Dampak Luar Biasa AGI Bagi Masa Depan Pekerjaan Manusia, saya menguraikan bagaimana kemunculan AGI dapat mengubah struktur tenaga kerja global, distribusi produktivitas, hingga definisi profesionalisme itu sendiri.

Karena itu, tantangan teknis yang kita bahas di sini bukan sekadar soal riset laboratorium. Ia berkaitan langsung dengan masa depan ekonomi dan peran manusia.

Realisme Profesional Dalam Melihat Hambatan Ini

Sebagai pengamat teknologi, saya melihat dua kemungkinan rasional.

Pertama, pendekatan berbasis skala akan terus menghasilkan emergent behavior yang semakin menyerupai kecerdasan umum. Kompleksitas sistem mencapai titik di mana perilakunya secara praktis tidak dapat dibedakan dari kecerdasan manusia dalam banyak konteks.

Kedua, kita akan menemukan batas alami dari pendekatan saat ini, dan lompatan berikutnya membutuhkan paradigma baru yang menggabungkan pembelajaran statistik, reasoning simbolik, memori stabil, serta integrasi fisik.

Kedua skenario ini tidak saling meniadakan. Bisa jadi kemajuan terjadi secara bertahap, dengan kombinasi pendekatan.

Yang jelas, perjalanan menuju kecerdasan setara otak manusia bukan sekadar persoalan memperbesar model. Ia adalah persoalan memahami apa itu kecerdasan itu sendiri.

Dan mungkin, justru dalam proses mengejar AGI, kita akan semakin memahami kompleksitas pikiran manusia yang selama ini kita anggap biasa.