Shopping Cart (0)
Close
Pengenalan Ringkas
Dalam dekad terakhir, AI berubah dari eksperimen makmal menjadi infrastuktur penting bagi perniagaan, sains dan pengguna biasa. Perubahan itu disokong oleh penemuan asas (contohnya Transformer) dan lonjakan model besar (LLM, model generatif, model multitalenta). Laporan tahunan seperti State of AI dan AI Index menunjukkan penggunaan dan pelaburan AI menjunam naik sejak 2020, trend yang terus memecut pada 2024–2025.
Di bawah, kita pecahkan mengikut kategori AI utama. Untuk setiap kategori: (1) apa yang AI tak boleh lakukan dulu, (2) apa yang AI boleh lakukan sekarang (2025), dan (3) apa kemungkinan berlaku pada masa depan.
1) Model Bahasa Besar (Large Languange Models, LLM)
Contoh: GPT-4, varian-varian seterusnya, LLaMA, PaLM.
Dulu (sebelum 2017–2020): model bahasa bergantung pada RNN/seq2seq dan sering gagal konsisten, sukar skala, dan tiada kemampuan memahami konteks panjang dengan baik. Pemodelan dialog menyulitkan, jawapan sering tak relevan atau bercanggah. (Peralihan utama bermula dengan pengenalan Transformer.)
Sekarang (2025): LLM moden adalah multimodal, boleh terima teks & imej, menjawab soalan kompleks, menulis kod, dan mencapai tahap manusia dalam beberapa ujian profesional (contohnya GPT-4). Mereka menjadi asas (foundation models) yang digunakan secara meluas dalam produk komersial dan perniagaan. Penggunaan LLM juga semakin pantas berkembang di produktiviti kerja.
Masa depan: LLM akan lebih efisien data/compute (latihan & penyelenggaraan lebih murah), lebih cekap dalam “reasoning” sebenar, dan bakal bergabung rapat dengan sistem perancangan & tindakan (lihat bahagian ejen). Kita juga mungkin lihat peraturan yang lebih ketat terhadap penggunaan model ini (audit, watermarking, akses).
Kenapa penting: transformasi dari RNN ke Transformer adalah pemangkin utama kerana ia membolehkan model skala besar yang kita lihat sekarang.
2) Model Generatif Imej & Media (Diffusion, GANs, dan lain-lain)
Contoh: DALL·E, Stable Diffusion, Imagen, SD v3, model video generatif.
Dulu: generatif imej awal menggunakan GAN, terhad pada foto rekaan ringkas, mudah collapse, dan sukar kawal gaya. Video generatif praktikal masih lemah.
Sekarang (2025): diffusion models (Stable Diffusion dan varian) menghasilkan imej resolusi tinggi, boleh jalankan fine-tuning dan beroperasi secara lokal pada hardware tertentu. Model teks-ke-imej semakin cepat, kualiti tinggi dan boleh digabungkan untuk menghasilkan video pendek. Industri juga bergerak ke arah model yang boleh berjalan on-device (contohnya SD-3 optimized untuk NPU AMD / Ryzen AI).
Masa depan: penjanaan video masa nyata kualiti filem menjadi lebih realistik, gabungan audio-video-teks (multimodal) membolehkan penciptaan kandungan interaktif. Cabaran etika & hak cipta akan mengawal penggunaan.
Wow factor sekarang: generatif berkualiti studio boleh dihasilkan dalam beberapa saat satu perubahan besar untuk kreativiti digital.
3) AI Untuk Sains & Biologi (Protein Folding, Drug Discovery)
Contoh: AlphaFold, AlphaFold-3, model generatif untuk reka bentuk molekul.
Dulu: ramalan struktur protein bergantung pada eksperimen laboratorium (X-ray, cryo-EM) yang memakan masa/harga tinggi. Komputer kurang tepat untuk banyak protein tanpa homolog.
Sekarang (2021–2024–2025): AlphaFold mencapai ketepatan hampir atomik untuk banyak protein, mempercepat kajian biologi struktur; AlphaFold-3 melangkah lagi dengan ramalan struktur kompleks dan interaksi (proteinnucleic acid, small molecules). Ini menstrukturkan revolusi dalam reka bentuk ubat dan bio-engineering.
Masa depan: gabungan model fizik-berpandukan AI + pembelajaran generatif akan mempercepat reka bentuk ubat, enzim, dan bahan baru menjadikan R&D bioteknologi jauh lebih pantas. Namun keselamatan (bio-risiko) perlu diurus ketat.
Impak: perubahan praktikal di makmal dan industri farmaseutikal menjadi satu “wow factor” saintifik.
4) Pembelajaran, Pengukuhan, & Perancangan (MuZero & seterusnya)
Contoh: AlphaZero, MuZero.
Dulu: agen RL sering perlukan simulasi/aturan tegas dan sukar beradaptasi kepada persekitaran yang tidak diketahui.
Sekarang (2020–2025): MuZero belajar peraturan melalui pengalaman dan merancang tindakan tanpa diberikan model persekitaran. Ini tunjuk potensi untuk problem-solving dalam permainan, perancangan logistik dan optimasi.
Masa depan: gabungan RL dengan LLM/foundation models boleh hasilkan ejen yang merancang, menulis strategi, dan bertindak dalam dunia sebenar (contoh: automasi operasi kompleks). Cabaran: sample efficiency, keterpercayaan dan keselamatan perancangan.
5) Ejen Generalis & Multimodal (Gato, ejen all-purpose)
Contoh: Gato (DeepMind), usaha menuju ejen “one model, many tasks”.
Dulu: model terlatih khusus untuk satu tugas (mis. terjemahan, pengesanan objek).
Sekarang (2022–2025): model generalis seperti Gato tunjuk kebolehan multitask (teks, kawalan robot, permainan) walaupun masih jauh dari manusia dalam fleksibiliti penuh. LLM multimodal (GPT-4 dsb.) juga menampakkan pemahaman lintas modaliti.
Masa depan: ejen yang belajar dari pelbagai sensor dan bertindak secara autonomi (dari mengendali robot hingga sokongan keputusan perubatan) tetapi memerlukan keselamatan, interpretability dan kawal selia kuat.
6) Robotik & AI “Embodied”
Dulu: robot perindustrian baik untuk tugas tetap, sukar adaptasi dalam lingkungan tak terstruktur.
Sekarang: integrasi RL, visi komputer dan LLM membolehkan robot lakukan tugas manipulasi, kolaborasi manusia-robot dan pembelajaran dari sedikit contoh. Projek-projek makmal dan beberapa produk perindustrian sudah praktikal.
Masa depan: robot autonomi rumah/pejabat lebih mampu, tetapi kebergantungan pada keselamatan, peraturan, dan standard interoperabiliti lebih kritikal.
7) Sistem Autonomi (Kenderaan, Drone)
Dulu: autopilot asas; masalah besar dalam edge cases, cuaca buruk, dan keputusan etika.
Sekarang: level-2/3 pemanduan bantuan semakin baik (Waymo dan beberapa sistem diuji luas), tetapi kenderaan fully autonomous masih bergelut dengan keselamatan di dunia sebenar. Model perancangan dan persepsi semakin mantap, namun deployment skala besar perlukan peraturan ketat.
Masa depan: kita boleh jangka operasi tertentu menjadi autonomi sepenuhnya (persekitaran terkawal), sementara pengangkutan umum & logistik dapat automasi lebih luas selepas ujian keselamatan menyeluruh.
8) Edge AI & On-Device Inference
Dulu: model besar perlu server/cloud, privacy & latency jadi isu.
Sekarang (2024–2025): hardware khusus (NPUs dalam CPU moden) + model lebih efisien membolehkan inference berkualiti pada peranti (telefon, laptop). Contoh: integrasi Stable Diffusion versi dioptimumkan untuk NPU AMD pada Ryzen AI. Ini buka peluang offline generation & privasi data.
Masa depan: lebih banyak aplikasi AI jalan sepenuhnya tanpa bergantung cloud baik dari segi privasi, kos, dan kebolehpercayaan.
9) AI Untuk Audio/Suara & Pengenalan (ASR,TTS)
Dulu: ASR sering salah banyak kata dan tak robust pada bunyi latar.
Sekarang: model seperti Whisper (OpenAI) dan pelbagai sistem komersial capai ketepatan tinggi, sokongan banyak bahasa, dan text-to-speech yang kualitatif. Ini mempermudahkan transkripsi, pembantu suara dan penerbitan audio.
Masa depan: real-time multilingual translation & conversational agents yang benar-benar natural dalam suara dan konteks.
10) Isu Etika, Kawal Selia & Keselamatan AI
Dulu: perbincangan keselamatan ada tetapi praktikal masih terhad.
Sekarang: dengan pengkomersilan foundation models dan penggunaan meluas, isu bias, keselamatan model, deepfakes dan kebocoran data menjadi nyata, pembuat dasar dan industri mula bentuk garis panduan. Laporan-laporan besar (State of AI, AI Index, McKinsey) menggariskan kepentingan pengurusan risiko dan peraturan.
Masa depan: kawal selia global / peringkat nasional akan lebih sistematik (audit model, ujian keselamatan wajib, standard ketelusan). Ini penting agar manfaat AI diagihkan selamat dan adil.
Kesimpulan
1. Lompatan teknikal (Transformer → LLM → multimodal → generative) menjadikan AI alat praktikal dalam hampir semua domain.
2. AI 2025 bukan lagi proof-of-concept sahaja, ia sudah diaplikasi luas (sains, perniagaan, kreativiti), tetapi masih ada batas: keselamatan, pemahaman kausal sebenar dan kebergantungan pada data.
3. Masa depan menjanjikan ejen lebih serba boleh, model lebih efisien, dan latihan/peraturan yang lebih matang tetapi berserta tanggungjawab etika dan kawal selia yang perlu segera diurus.
