Apa itu Kecerdasan Buatan Bagaimana AI Bekerja?

Pengenalan AI

Kecerdasan buatan memungkinkan mesin untuk mereplikasi kemampuan pikiran manusia. Dari pengembangan mobil self-driving hingga menjamurnya asisten pintar seperti Siri dan Alexa, AI adalah bagian yang berkembang dari kehidupan sehari-hari. Akibatnya, banyak perusahaan teknologi di berbagai industri berinvestasi dalam teknologi kecerdasan buatan.

Kecerdasan buatan adalah cabang luas dari ilmu komputer yang berkaitan dengan membangun mesin pintar yang mampu melakukan tugas-tugas yang biasanya membutuhkan kecerdasan manusia.

Bagaimana AI Bekerja?

Apa itu AI?

Kurang dari satu dekade setelah membantu Pasukan Sekutu memenangkan Perang Dunia II dengan memecahkan Enigma mesin enkripsi Nazi, matematikawan Alan Turing mengubah sejarah untuk kedua kalinya dengan pertanyaan sederhana: “Bisakah mesin berpikir?”

Makalah Turing tahun 1950 “Mesin Komputasi dan Kecerdasan” dan Tes Turing berikutnya menetapkan tujuan dan visi dasar AI.

Pada intinya, AI adalah cabang ilmu komputer yang bertujuan untuk menjawab pertanyaan Turing secara afirmatif. Ini adalah upaya untuk mereplikasi atau mensimulasikan kecerdasan manusia dalam mesin. Tujuan AI yang luas telah menimbulkan banyak pertanyaan dan perdebatan. Sedemikian rupa sehingga tidak ada definisi tunggal bidang yang diterima secara universal.

Definisi AI

Keterbatasan utama dalam mendefinisikan AI hanya sebagai “membuat mesin yang cerdas” adalah bahwa AI tidak benar-benar menjelaskan apa itu AI dan apa yang membuat mesin menjadi cerdas. AI adalah ilmu interdisipliner dengan berbagai pendekatan, tetapi kemajuan dalam pembelajaran mesin dan pembelajaran mendalam menciptakan perubahan paradigma di hampir setiap sektor industri teknologi.

Dalam buku mereka Artificial Intelligence: A Modern Approach, penulis Stuart Russell dan Peter Norvig mendekati konsep AI dengan menyatukan pekerjaan mereka di sekitar tema agen cerdas dalam mesin. Dengan pemikiran ini, AI adalah “studi tentang agen yang menerima persepsi dari lingkungan dan melakukan tindakan.”

AI DITENTUKAN: EMPAT JENIS PENDEKATAN

• Berpikir secara manusiawi: meniru pikiran berdasarkan pikiran manusia,
• Berpikir rasional: meniru pemikiran berdasarkan penalaran logis,
• Bertindak secara manusiawi: bertindak dengan cara yang meniru perilaku manusia, dan
• Bertindak secara rasional: bertindak dengan cara yang dimaksudkan untuk mencapai tujuan tertentu.

Dua ide pertama menyangkut proses berpikir dan penalaran, sementara yang lain berurusan dengan perilaku. Norvig dan Russell fokus terutama pada agen rasional yang bertindak untuk mencapai hasil terbaik, mencatat “semua keterampilan yang dibutuhkan untuk Tes Turing juga memungkinkan agen untuk bertindak secara rasional.”

Mantan profesor AI dan ilmu komputer MIT Patrick Winston mendefinisikan AI sebagai “algoritma yang diaktifkan oleh kendala, diekspos oleh representasi yang mendukung model yang ditargetkan pada loop yang mengikat pemikiran, persepsi, dan tindakan bersama-sama.”

Meskipun definisi ini mungkin tampak abstrak bagi kebanyakan orang, definisi ini membantu memfokuskan bidang ini sebagai bidang ilmu komputer dan memberikan cetak biru untuk memasukkan mesin dan program dengan ML dan subset AI lainnya.

Empat Jenis Kecerdasan Buatan

AI dapat dibagi menjadi empat kategori, berdasarkan jenis dan kompleksitas tugas yang dapat dilakukan sistem. Misalnya, pemfilteran spam otomatis masuk ke dalam kelas AI yang paling dasar, sedangkan potensi mesin yang jauh yang dapat memahami pikiran dan emosi orang adalah bagian dari subset AI yang sama sekali berbeda.

APAKAH EMPAT JENIS KECERDASAN BUATAN?

• Mesin Reaktif: mampu merasakan dan bereaksi terhadap dunia di depannya saat melakukan tugas terbatas,
• Memori Terbatas: dapat menyimpan data dan prediksi masa lalu untuk menginformasikan prediksi tentang apa yang mungkin terjadi selanjutnya,
• Theory of Mind: mampu membuat keputusan berdasarkan persepsinya tentang bagaimana perasaan orang lain dan membuat keputusan, dan
• Kesadaran Diri: mampu beroperasi dengan kesadaran tingkat manusia dan memahami keberadaannya sendiri.

Mesin Reaktif

Mesin reaktif mengikuti prinsip AI yang paling dasar dan, seperti namanya, hanya mampu menggunakan kecerdasannya untuk melihat dan bereaksi terhadap dunia di depannya. Mesin reaktif tidak dapat menyimpan memori dan, akibatnya, tidak dapat mengandalkan pengalaman masa lalu untuk menginformasikan pengambilan keputusan secara real-time.

Memahami dunia secara langsung berarti bahwa mesin reaktif dirancang untuk menyelesaikan hanya sejumlah tugas khusus yang terbatas. Namun, mempersempit pandangan dunia mesin reaktif secara sengaja bukanlah tindakan pemotongan biaya apa pun, dan sebaliknya berarti bahwa jenis AI ini akan lebih dapat dipercaya dan dapat diandalkan — ia akan bereaksi dengan cara yang sama terhadap rangsangan yang sama setiap saat.

Contoh terkenal dari mesin reaktif adalah Deep Blue, yang dirancang oleh IBM pada 1990-an sebagai superkomputer yang bermain catur dan mengalahkan grandmaster internasional Gary Kasparov dalam sebuah permainan. Deep Blue hanya mampu mengidentifikasi bidak-bidak di papan catur dan mengetahui bagaimana setiap gerakan berdasarkan aturan catur, mengenali posisi masing-masing bidak saat ini dan menentukan langkah apa yang paling logis pada saat itu.

Komputer tidak mengejar gerakan potensial di masa depan oleh lawannya atau mencoba menempatkan bagiannya sendiri di posisi yang lebih baik. Setiap belokan dipandang sebagai realitasnya sendiri, terpisah dari gerakan lain yang dibuat sebelumnya.

Contoh lain dari mesin reaktif bermain game adalah Google AlphaGo. AlphaGo juga tidak mampu mengevaluasi gerakan di masa depan tetapi bergantung pada jaringan sarafnya sendiri untuk mengevaluasi perkembangan game saat ini, memberikan keunggulan atas Deep Blue dalam game yang lebih kompleks. AlphaGo juga mengalahkan pesaing game kelas dunia, mengalahkan pemain juara Go Lee Sedol pada 2016.

Meskipun cakupannya terbatas dan tidak mudah diubah, AI mesin reaktif dapat mencapai tingkat kerumitan, dan menawarkan keandalan saat dibuat untuk memenuhi tugas yang berulang.

Memory Terbatas

Memori terbatas AI memiliki kemampuan untuk menyimpan data dan prediksi sebelumnya saat mengumpulkan informasi dan menimbang keputusan potensial — pada dasarnya melihat ke masa lalu untuk mencari petunjuk tentang apa yang mungkin terjadi selanjutnya. AI memori terbatas lebih kompleks dan menghadirkan kemungkinan yang lebih besar daripada mesin reaktif.

AI memori terbatas dibuat saat tim terus melatih model tentang cara menganalisis dan memanfaatkan data baru atau lingkungan AI dibangun sehingga model dapat dilatih dan diperbarui secara otomatis.

Saat menggunakan AI memori terbatas dalam ML, enam langkah harus diikuti: Data pelatihan harus dibuat, model ML harus dibuat, model harus dapat membuat prediksi, model harus dapat menerima umpan balik manusia atau lingkungan, umpan balik itu harus disimpan sebagai data, dan langkah-langkah ini harus diulang sebagai siklus.

Ada tiga model ML utama yang menggunakan AI memori terbatas:

• Reinforcement learning, yaitu belajar membuat prediksi yang lebih baik melalui trial-and-error yang berulang,
• Memori jangka pendek panjang (LSTM), yang memanfaatkan data masa lalu untuk membantu memprediksi item berikutnya secara berurutan. LTSM melihat informasi yang lebih baru sebagai yang paling penting ketika membuat prediksi dan mendiskon data dari masa lalu, meskipun masih menggunakannya untuk membuat kesimpulan, dan
• Jaringan permusuhan generatif evolusioner (E-GAN), yang berkembang dari waktu ke waktu, tumbuh untuk mengeksplorasi jalur yang sedikit dimodifikasi berdasarkan pengalaman sebelumnya dengan setiap keputusan baru. Model ini terus-menerus mengejar jalur yang lebih baik dan menggunakan simulasi dan statistik, atau peluang, untuk memprediksi hasil sepanjang siklus mutasi evolusionernya.

Teori pikiran

Kami belum mencapai kemampuan teknologi dan ilmiah yang diperlukan untuk mencapai level AI berikutnya.

Konsep tersebut didasarkan pada premis psikologis pemahaman bahwa makhluk hidup lain memiliki pikiran dan emosi yang mempengaruhi perilaku diri seseorang. Dalam hal mesin AI, ini berarti AI dapat memahami bagaimana perasaan manusia, hewan, dan mesin lain dan membuat keputusan melalui refleksi dan tekad diri, dan kemudian akan memanfaatkan informasi itu untuk membuat keputusan sendiri. Pada dasarnya, mesin harus mampu memahami dan memproses konsep “pikiran”, fluktuasi emosi dalam pengambilan keputusan dan serangkaian konsep psikologis lainnya secara real time, menciptakan hubungan dua arah antara manusia dan AI.

kesadaran diri

Setelah Theory of Mind dapat dibentuk, suatu saat jauh ke masa depan AI, langkah terakhir adalah AI menjadi sadar diri. Jenis AI ini memiliki kesadaran tingkat manusia dan memahami keberadaannya sendiri di dunia, serta kehadiran dan keadaan emosional orang lain. Itu akan dapat memahami apa yang mungkin dibutuhkan orang lain tidak hanya berdasarkan apa yang mereka komunikasikan kepada mereka tetapi bagaimana mereka mengomunikasikannya.

Kesadaran diri dalam AI bergantung pada peneliti manusia yang memahami premis kesadaran dan kemudian mempelajari cara mereplikasinya sehingga dapat dibangun ke dalam mesin.

Mengapa Kecerdasan Buatan Penting?

AI memiliki banyak kegunaan — mulai dari meningkatkan pengembangan vaksin hingga mengotomatiskan deteksi potensi penipuan.

Aktivitas pasar swasta AI mencapai rekor tahun 2021, menurut CB Insights, dengan pendanaan global naik 108 persen dibandingkan tahun 2020. Karena adopsi yang cepat, AI membuat gelombang di berbagai industri.

Laporan Business Insider Intelligence tahun 2022 tentang AI di perbankan menemukan lebih dari setengah perusahaan jasa keuangan sudah menggunakan solusi AI untuk manajemen risiko dan pendapatan. Penerapan AI di perbankan dapat menghasilkan penghematan hingga $400 miliar.

Sedangkan untuk obat-obatan, laporan Organisasi Kesehatan Dunia tahun 2021 mencatat bahwa meskipun mengintegrasikan AI ke dalam bidang perawatan kesehatan memiliki tantangan, teknologi tersebut “sangat menjanjikan,” karena dapat menghasilkan manfaat seperti kebijakan kesehatan yang lebih terinformasi dan peningkatan akurasi dalam mendiagnosis pasien. .

AI juga telah membuat tanda pada hiburan. Pasar global untuk AI di media dan hiburan diperkirakan mencapai $99,48 miliar pada tahun 2030, tumbuh dari nilai $10,87 miliar pada tahun 2021, menurut Grand View Research. Ekspansi itu mencakup penggunaan AI seperti mengenali plagiarisme dan mengembangkan grafik definisi tinggi.

Pro dan Kontra Kecerdasan Buatan

Sementara AI tentu saja dipandang sebagai aset yang penting dan berkembang dengan cepat, bidang yang baru muncul ini hadir dengan bagian kelemahannya.

Pusat Penelitian Pew mensurvei 10.260 orang Amerika pada tahun 2021 tentang sikap mereka terhadap AI. Hasilnya ditemukan 45 persen responden sama-sama bersemangat dan prihatin, dan 37 persen lebih khawatir daripada bersemangat. Selain itu, lebih dari 40 persen responden mengatakan mereka menganggap mobil tanpa pengemudi itu buruk bagi masyarakat. Namun gagasan menggunakan AI untuk mengidentifikasi penyebaran informasi palsu di media sosial lebih diterima dengan baik, dengan hampir 40 persen dari mereka yang disurvei menyebutnya sebagai ide yang bagus.

AI adalah keuntungan untuk meningkatkan produktivitas dan efisiensi sementara pada saat yang sama mengurangi potensi kesalahan manusia, tetapi ada kerugian seperti biaya pengembangan dan kemungkinan mesin otomatis untuk menggantikan pekerjaan manusia.

Bagaimana AI Digunakan? Contoh Kecerdasan Buatan

Saat berbicara kepada orang banyak di Japan AI Experience pada tahun 2017, CEO DataRobot Jeremy Achin memulai pidatonya dengan menawarkan definisi berikut tentang bagaimana AI digunakan saat ini:

“AI adalah sistem komputer yang mampu melakukan tugas-tugas yang biasanya membutuhkan kecerdasan manusia… Banyak dari sistem kecerdasan buatan ini didukung oleh pembelajaran mesin, beberapa di antaranya didukung oleh pembelajaran mendalam dan beberapa di antaranya didukung oleh hal-hal yang sangat membosankan seperti aturan.”

AI umumnya berada di bawah dua kategori besar:

AI Narrow: Kadang-kadang disebut sebagai “AI Lemah,” jenis AI ini beroperasi dalam konteks terbatas dan merupakan simulasi kecerdasan manusia. AI yang sempit sering difokuskan untuk melakukan satu tugas dengan sangat baik dan meskipun mesin ini mungkin tampak cerdas, mereka beroperasi di bawah batasan dan batasan yang jauh lebih banyak daripada kecerdasan manusia yang paling dasar sekalipun.

Artificial General Intelligence (AGI): AGI, kadang-kadang disebut sebagai “Strong AI,” adalah jenis AI yang kita lihat di film — seperti robot dari Westworld atau karakter Data dari Star Trek: The Next Generation. AGI adalah mesin dengan kecerdasan umum dan, seperti halnya manusia, dapat menerapkan kecerdasan itu untuk memecahkan masalah apa pun.

Kecerdasan Buatan Sempit

AI sempit, atau AI yang lemah seperti yang sering disebut, ada di sekitar kita dan dengan mudah merupakan realisasi AI yang paling sukses hingga saat ini. Ini memiliki fungsi terbatas yang dapat membantu mengotomatisasi tugas-tugas tertentu.

Karena fokus ini, Narrow AI telah mengalami banyak terobosan dalam dekade terakhir yang memiliki “manfaat sosial yang signifikan dan telah berkontribusi pada vitalitas ekonomi bangsa,” menurut laporan 2016 yang dirilis oleh Pemerintahan Obama.

CONTOH KECERDASAN BUATAN: Narrow AI

• Siri, Alexa, dan asisten pintar lainnya,
• Mobil self-driving,
• pencarian Google,
• Bot percakapan,
• Filter spam email, dan
• Rekomendasi Netflix.

Pembelajaran Mesin dan Pembelajaran Mendalam

Sebagian besar AI Sempit didukung oleh terobosan dalam ML dan pembelajaran mendalam. Memahami perbedaan antara AI, ML, dan pembelajaran mendalam dapat membingungkan. Kapitalis ventura Frank Chen memberikan gambaran yang baik tentang bagaimana membedakan di antara mereka, dengan mencatat:

“Kecerdasan buatan adalah seperangkat algoritme dan kecerdasan untuk mencoba meniru kecerdasan manusia. Pembelajaran mesin adalah salah satunya, dan pembelajaran mendalam adalah salah satu teknik pembelajaran mesin itu.”

Sederhananya, ML memberi makan data komputer dan menggunakan teknik statistik untuk membantunya “mempelajari” cara menjadi semakin baik dalam suatu tugas, tanpa harus diprogram secara khusus untuk tugas itu, menghilangkan kebutuhan akan jutaan baris kode tertulis. ML terdiri dari pembelajaran terawasi (menggunakan kumpulan data berlabel) dan pembelajaran tanpa pengawasan (menggunakan kumpulan data tidak berlabel).

Pembelajaran mendalam adalah jenis ML yang menjalankan input melalui arsitektur jaringan saraf yang terinspirasi secara biologis. Jaringan saraf mengandung sejumlah lapisan tersembunyi di mana data diproses, memungkinkan mesin untuk masuk “dalam” dalam pembelajarannya, membuat koneksi dan input pembobotan untuk hasil terbaik.

Kecerdasan Umum AI

Penciptaan mesin dengan kecerdasan tingkat manusia yang dapat diterapkan pada tugas apa pun adalah Cawan Suci bagi banyak peneliti AI, tetapi pencarian kecerdasan umum buatan penuh dengan kesulitan.

Pencarian “algoritma universal untuk belajar dan bertindak di lingkungan apa pun,” seperti yang dikatakan Russel dan Norvig, bukanlah hal baru. Berbeda dengan AI yang lemah, AI yang kuat mewakili mesin dengan kemampuan kognitif yang lengkap, tetapi waktu tidak mengurangi kesulitan untuk mencapai prestasi seperti itu.

AGI telah lama menjadi inspirasi fiksi ilmiah dystopian, di mana robot super cerdas menguasai umat manusia, tetapi para ahli setuju bahwa itu bukan sesuatu yang perlu kita khawatirkan dalam waktu dekat.

Sejarah Singkat Kecerdasan Buatan

Robot cerdas dan makhluk buatan pertama kali muncul dalam mitos kuno Yunani Kuno. Perkembangan silogisme Aristoteles dan penggunaan penalaran deduktifnya adalah momen kunci dalam pencarian manusia untuk memahami kecerdasannya sendiri. Meskipun akarnya panjang dan dalam, sejarah AI seperti yang kita pikirkan saat ini hanya berlangsung kurang dari satu abad. Berikut ini adalah sekilas beberapa peristiwa terpenting dalam AI.

1940-an

(1943) Warren McCullough dan Walter Pitts menerbitkan makalah “A Logical Calculus of Ideas Immanent in Nervous Activity,” yang mengusulkan model matematika pertama untuk membangun jaringan saraf.

(1949) Dalam bukunya The Organization of Behavior: A Neuropsychological Theory, Donald Hebb mengusulkan teori bahwa jalur saraf diciptakan dari pengalaman dan bahwa hubungan antar neuron menjadi lebih kuat semakin sering digunakan. Pembelajaran Hebbian terus menjadi model penting dalam AI.

1950-an

• (1942) Isaac Asimov menerbitkan Tiga Hukum Robotika, sebuah gagasan yang biasa ditemukan di media fiksi ilmiah tentang bagaimana kecerdasan buatan seharusnya tidak membahayakan manusia.
• (1950) Alan Turing menerbitkan makalah “Mesin Komputasi dan Kecerdasan,” mengusulkan apa yang sekarang dikenal sebagai Tes Turing, sebuah metode untuk menentukan apakah sebuah mesin cerdas.
• (1950) mahasiswa Harvard Marvin Minsky dan Dean Edmonds membangun SNARC, komputer jaringan saraf pertama.
• (1950) Claude Shannon menerbitkan makalah “Pemrograman Komputer untuk Bermain Catur.”
• (1952) Arthur Samuel mengembangkan program belajar mandiri untuk bermain catur.
• (1954) Eksperimen terjemahan mesin Georgetown-IBM secara otomatis menerjemahkan 60 kalimat bahasa Rusia yang dipilih dengan cermat ke dalam bahasa Inggris.
• (1956) Ungkapan “kecerdasan buatan” diciptakan di Proyek Penelitian Musim Panas Dartmouth tentang Kecerdasan Buatan. Dipimpin oleh John McCarthy, konferensi ini secara luas dianggap sebagai tempat kelahiran AI.
• (1956) Allen Newell dan Herbert Simon mendemonstrasikan Logic Theorist (LT), program penalaran pertama.
• (1958) John McCarthy mengembangkan bahasa pemrograman AI Lisp dan menerbitkan “Programs with Common Sense,” sebuah makalah yang mengusulkan Advice Taker hipotetis, sistem AI lengkap dengan kemampuan untuk belajar dari pengalaman seefektif manusia.
• (1959) Allen Newell, Herbert Simon dan J.C. Shaw mengembangkan Pemecah Masalah Umum (GPS), sebuah program yang dirancang untuk meniru pemecahan masalah manusia.
• (1959) Herbert Gelernter mengembangkan program Pembukti Teorema Geometri.
• (1959) Arthur Samuel menciptakan istilah “pembelajaran mesin” saat berada di IBM.
• (1959) John McCarthy dan Marvin Minsky menemukan Proyek Kecerdasan Buatan MIT.

1960-an

• (1963) John McCarthy memulai AI Lab di Stanford.
• (1966) Laporan Komite Penasihat Pemrosesan Bahasa Otomatis (ALPAC) oleh pemerintah AS merinci kurangnya kemajuan dalam penelitian terjemahan mesin, sebuah inisiatif Perang Dingin utama dengan janji terjemahan otomatis dan instan dari bahasa Rusia. Laporan ALPAC menyebabkan pembatalan semua proyek MT yang didanai pemerintah.
• (1969) Sistem pakar pertama yang berhasil dikembangkan di DENDRAL, sebuah program XX, dan MYCIN, yang dirancang untuk mendiagnosis infeksi darah, dibuat di Stanford.

1970-an

• (1972) Bahasa pemrograman logika PROLOG dibuat.
• (1973) The Lighthill Report, yang merinci kekecewaan dalam penelitian AI, dirilis oleh pemerintah Inggris dan menyebabkan pemotongan besar-besaran dalam pendanaan untuk proyek AI.
• (1974-1980) Frustrasi dengan kemajuan pengembangan AI menyebabkan pengurangan besar DARPA dalam hibah akademik. Dikombinasikan dengan laporan ALPAC sebelumnya dan Laporan Lighthill tahun sebelumnya, pendanaan AI mengering dan penelitian terhenti. Periode ini dikenal sebagai “Musim Dingin AI Pertama.”

1980-an

• (1980) Digital Equipment Corporations mengembangkan R1 (juga dikenal sebagai XCON), sistem pakar komersial pertama yang sukses. Dirancang untuk mengonfigurasi pesanan untuk sistem komputer baru, R1 memulai ledakan investasi dalam sistem pakar yang akan bertahan selama sebagian besar dekade, yang secara efektif mengakhiri Musim Dingin AI pertama.
• (1982) Kementerian Perdagangan dan Industri Internasional Jepang meluncurkan proyek Sistem Komputer Generasi Kelima yang ambisius. Tujuan FGCS adalah untuk mengembangkan kinerja seperti komputer super dan platform untuk pengembangan AI.
• (1983) Menanggapi FGCS Jepang, pemerintah AS meluncurkan Inisiatif Komputasi Strategis untuk menyediakan penelitian yang didanai DARPA dalam komputasi canggih dan AI.
• (1985) Perusahaan menghabiskan lebih dari satu miliar dolar setahun untuk sistem pakar dan seluruh industri yang dikenal sebagai pasar mesin Lisp bermunculan untuk mendukungnya. Perusahaan seperti Symbolics dan Lisp Machines Inc. membangun komputer khusus untuk dijalankan pada bahasa pemrograman AI Lisp.
• (1987-1993) Ketika teknologi komputasi meningkat, alternatif yang lebih murah muncul dan pasar mesin Lisp runtuh pada tahun 1987, mengantarkan “Musim Dingin AI Kedua.” Selama periode ini, sistem pakar terbukti terlalu mahal untuk dipelihara dan diperbarui, akhirnya tidak disukai.

1990-an

• (1991) Pasukan AS mengerahkan DART, alat perencanaan dan penjadwalan logistik otomatis, selama Perang Teluk.
• (1992) Jepang mengakhiri proyek FGCS pada tahun 1992, dengan alasan kegagalan dalam memenuhi tujuan ambisius yang digariskan satu dekade sebelumnya.
• (1993) DARPA mengakhiri Inisiatif Komputasi Strategis pada tahun 1993 setelah menghabiskan hampir $ 1 miliar dan jauh dari harapan.
• (1997) Deep Blue dari IBM mengalahkan juara catur dunia Gary Kasparov.

2000-an

• (2005) STANLEY, mobil self-driving, memenangkan DARPA Grand Challenge.
• (2005) Militer AS mulai berinvestasi dalam robot otonom seperti “Anjing Besar” Boston Dynamics dan “PackBot” iRobot.
• (2008) Google membuat terobosan dalam pengenalan suara dan memperkenalkan fitur di aplikasi iPhone-nya.

2010-an

• (2011) IBM Watson dengan mudah mengalahkan kompetisi di Jeopardy!.
• (2011) Apple merilis Siri, asisten virtual bertenaga AI melalui sistem operasi iOS-nya.
• (2012) Andrew Ng, pendiri proyek Google Brain Deep Learning, memberi makan jaringan saraf menggunakan algoritma pembelajaran mendalam 10 juta video YouTube sebagai satu set pelatihan. Jaringan saraf belajar mengenali kucing tanpa diberi tahu apa itu kucing, mengantarkan era terobosan untuk jaringan saraf dan pendanaan pembelajaran mendalam.
• (2014) Google membuat mobil self-driving pertama yang lulus tes mengemudi negara.
• (2014) Alexa Amazon, perangkat pintar rumah virtual, dirilis.
• (2016) AlphaGo dari Google DeepMind mengalahkan juara dunia pemain Go Lee Sedol. Kompleksitas permainan Tiongkok kuno dipandang sebagai rintangan utama yang harus diselesaikan dalam AI.
• (2016) “warga robot” pertama, robot humanoid bernama Sophia, dibuat oleh Hanson Robotics dan mampu mengenali wajah, komunikasi verbal, dan ekspresi wajah.
• (2018) Google merilis mesin pemrosesan bahasa alami BERT, mengurangi hambatan dalam terjemahan dan pemahaman oleh aplikasi ML.
• (2018) Waymo meluncurkan layanan Waymo One, yang memungkinkan pengguna di seluruh wilayah metropolitan Phoenix untuk meminta penjemputan dari salah satu kendaraan self-driving perusahaan.

2020-an

• (2020) Baidu merilis algoritme AI LinearFold kepada tim ilmiah dan medis yang bekerja untuk mengembangkan vaksin selama tahap awal pandemi SARS-CoV-2. Algoritma ini mampu memprediksi urutan RNA virus hanya dalam 27 detik, 120 kali lebih cepat dari metode lain.
• (2020) OpenAI merilis model pemrosesan bahasa alami GPT-3, yang mampu menghasilkan teks yang dimodelkan setelah cara orang berbicara dan menulis.
• (2021) OpenAI dibangun di atas GPT-3 untuk mengembangkan DALL-E, yang mampu membuat gambar dari perintah teks.
• (2022) Institut Nasional Standar dan Teknologi merilis draf pertama Kerangka Manajemen Risiko AI, panduan sukarela AS “untuk mengelola risiko individu, organisasi, dan masyarakat yang terkait dengan kecerdasan buatan dengan lebih baik.”
• (2022) DeepMind memperkenalkan Gato, sistem AI yang dilatih untuk melakukan ratusan tugas, termasuk memainkan Atari, membuat teks gambar, dan menggunakan lengan robot untuk menumpuk balok.