.jpg "Blogger Sulawesi")
AI generatif membuat batas antara karya yang dibuat manusia dan hasil mesin menjadi semakin tipis. Dengan perintah berupa beberapa kalimat, pengguna dapat meminta sistem membuat ilustrasi, foto realistis, desain produk, animasi, video pendek, musik, hingga suara narasi. Proses yang sebelumnya membutuhkan kamera, studio, perangkat lunak pengeditan, ilustrator, animator, dan pengisi suara kini pada tingkat tertentu dapat dilakukan melalui satu antarmuka digital.
Namun, bagaimana sebenarnya komputer bisa melakukan semua itu? Apakah AI benar-benar "menggambar" seperti manusia menggunakan kuas, "merekam" suara seperti manusia menggunakan mikrofon, atau "membuat film" dengan cara yang sama seperti seorang sutradara? Jawabannya jauh lebih menarik. Di balik gambar, video, dan suara yang terlihat alami tersebut terdapat model matematika, jaringan saraf, data pelatihan dalam skala besar, serta proses prediksi yang memungkinkan mesin menghasilkan sesuatu yang sebelumnya tidak pernah dibuat persis seperti itu.
AI Generatif Belajar Mengenali Pola dari Jumlah Data yang Sangat Besar
Kemampuan AI menghasilkan gambar, video, maupun suara bermula dari satu proses yang sangat penting, yaitu pembelajaran. Model AI dilatih menggunakan data dalam jumlah besar agar dapat mengenali pola yang terdapat pada objek visual, bahasa, suara, gerakan, dan berbagai bentuk informasi lainnya. Berbeda dengan program komputer tradisional yang bekerja berdasarkan aturan yang ditulis secara eksplisit oleh programmer, model generatif mempelajari pola tersebut melalui proses pelatihan machine learning.
Sebagai contoh, ketika model visual dilatih dengan banyak sekali gambar kucing, model tidak sekadar menyimpan setiap foto kucing sebagai album digital. Model secara bertahap mempelajari karakteristik statistik yang sering muncul, seperti bentuk telinga, struktur wajah, pola bulu, posisi mata, proporsi tubuh, dan hubungan antara berbagai unsur visual. Ketika kemudian pengguna meminta gambar kucing dengan kondisi tertentu, model menggunakan representasi yang telah dipelajarinya untuk menghasilkan susunan visual baru yang sesuai dengan permintaan.
Menurut Yann LeCun, ilmuwan komputer asal Prancis dan salah satu tokoh utama dalam perkembangan deep learning, kemampuan sistem AI modern sangat berkaitan dengan kemampuan jaringan saraf dalam mempelajari representasi dari data. Gagasan tersebut membantu menjelaskan mengapa AI generatif dapat menghasilkan sesuatu yang tidak identik dengan data pelatihannya, tetapi tetap memiliki karakteristik yang dikenali manusia. Model tidak perlu menyimpan satu gambar untuk setiap kemungkinan permintaan karena yang dipelajari adalah pola yang lebih mendasar.
Hal yang sama berlaku pada suara dan video. Model suara dapat belajar mengenai hubungan antara teks, fonem, intonasi, tekanan suara, jeda, dan karakteristik akustik, sementara model video belajar mengenai hubungan antara objek, ruang, pencahayaan, perubahan posisi, serta waktu. Semakin kompleks data dan semakin canggih metode pelatihannya, semakin besar pula kemampuan model untuk menghasilkan keluaran yang terlihat atau terdengar alami.
Bagaimana AI Bisa Membuat Gambar yang Belum Pernah Ada?
Salah satu teknologi paling menarik dalam AI generatif adalah kemampuannya membuat gambar baru hanya berdasarkan perintah teks. Pengguna dapat menuliskan gambaran seperti "seorang nelayan berdiri di tepi laut saat matahari terbenam" dan sistem dapat menghasilkan visual yang sesuai dengan deskripsi tersebut. Yang menarik, gambar tersebut dapat berupa adegan yang sebenarnya tidak pernah difoto oleh siapa pun di dunia nyata.
Salah satu pendekatan penting yang digunakan dalam generasi gambar modern adalah diffusion model. Secara sederhana, model diffusion dilatih melalui proses yang melibatkan penambahan gangguan atau noise pada data visual dan kemudian belajar membalikkan proses tersebut. Setelah belajar dari banyak contoh, model dapat memulai dari kondisi yang sangat acak lalu secara bertahap menghasilkan struktur visual yang semakin jelas berdasarkan kondisi atau instruksi yang diberikan.
Peneliti seperti Jonathan Ho, yang menjadi salah satu tokoh penting dalam perkembangan diffusion models, turut berkontribusi pada pendekatan yang kemudian menjadi sangat berpengaruh dalam generative AI. Penelitian tentang diffusion models menunjukkan bagaimana proses matematis yang pada awalnya tampak seperti sekadar menghilangkan noise dapat dikembangkan menjadi metode untuk menghasilkan gambar yang kompleks. Teknologi tersebut kemudian berkembang sangat cepat dan digunakan dalam berbagai sistem generasi gambar.
Ketika pengguna memasukkan prompt, sistem tidak langsung "mengambil gambar" dari internet. Prompt terlebih dahulu diproses menjadi representasi yang dapat digunakan model, kemudian sistem mengarahkan proses generasi agar hasil akhirnya memiliki hubungan dengan konsep yang diminta. Karena model telah mempelajari hubungan antara bahasa dan karakteristik visual, kata-kata seperti "malam", "hujan", "kota futuristik", atau "potret profesional" dapat memengaruhi struktur dan karakter gambar yang dihasilkan.
Mengapa Wajah Manusia Buatan AI Bisa Terlihat Begitu Nyata?
Kemampuan AI menghasilkan wajah manusia merupakan salah satu bagian yang paling mengagumkan sekaligus menimbulkan banyak persoalan baru. Model generatif modern dapat membuat wajah seseorang yang tidak pernah hidup di dunia nyata, lengkap dengan bentuk mata, tekstur kulit, rambut, ekspresi, dan pencahayaan yang terlihat sangat realistis. Bahkan dalam beberapa kondisi, manusia dapat kesulitan menentukan apakah sebuah foto dibuat menggunakan kamera atau dihasilkan oleh AI.
Rahasia di balik kemampuan tersebut bukan karena AI memiliki pemahaman biologis seperti manusia mengenai apa itu wajah. Model mempelajari hubungan statistik yang sangat kompleks dari banyak contoh wajah dan kemudian membangun representasi matematis mengenai karakteristik visual yang sering ditemukan pada manusia. Dari representasi tersebut, model dapat menghasilkan kombinasi baru yang memiliki ciri-ciri manusia meskipun identitas dan wajah tersebut tidak pernah benar-benar ada.
Ian Goodfellow, ilmuwan komputer asal Amerika Serikat yang dikenal sebagai salah satu pencipta konsep Generative Adversarial Networks atau GAN, merupakan salah satu tokoh penting dalam sejarah generasi gambar berbasis AI. GAN memperkenalkan pendekatan yang menggunakan dua jaringan yang memiliki peran berbeda, yakni generator yang menghasilkan data dan discriminator yang berusaha membedakan hasil buatan dengan data nyata. Meskipun teknologi generatif saat ini telah berkembang melampaui GAN dalam banyak aplikasi, gagasan tersebut menjadi salah satu tonggak penting dalam perjalanan menuju gambar AI yang semakin realistis.
Kemajuan tersebut juga menjelaskan mengapa teknologi deepfake menjadi semakin sulit dikenali hanya dengan melihat sekilas. Ketika model semakin baik dalam mempelajari detail wajah dan tekstur visual, hasil generasinya dapat mendekati karakteristik gambar nyata. Karena itu, kemampuan mendeteksi konten sintetis menjadi semakin penting, terutama dalam konteks berita, penipuan, reputasi seseorang, politik, keamanan digital, dan penyebaran informasi palsu.
Kalau Gambar Bisa Dibuat AI, Bagaimana dengan Video?
Membuat video jauh lebih kompleks daripada membuat satu gambar karena video terdiri dari rangkaian frame yang harus memiliki kesinambungan. Jika AI membuat setiap frame secara terpisah tanpa memahami hubungan waktu, wajah seseorang dapat berubah, tangan dapat berpindah secara tidak wajar, objek tiba-tiba menghilang, atau latar belakang berubah tanpa alasan. Oleh sebab itu, AI video tidak hanya harus memahami bentuk visual, tetapi juga hubungan antara ruang dan waktu.
Model video generatif modern berusaha mempelajari bagaimana objek berubah dari satu frame ke frame berikutnya. Ketika pengguna meminta video seseorang berjalan di jalan, misalnya, sistem harus mempertahankan identitas orang tersebut sekaligus menghasilkan perubahan posisi tubuh, lingkungan, pencahayaan, dan perspektif secara konsisten. Tantangan inilah yang membuat generasi video secara teknis lebih rumit dibandingkan sekadar membuat gambar diam.
Sora, teknologi generasi video dari OpenAI, menjadi salah satu contoh perkembangan tersebut karena menunjukkan kemampuan model untuk menghasilkan video berdasarkan instruksi teks. Perkembangan ini memperlihatkan bahwa model generatif dapat mempelajari hubungan yang jauh lebih kompleks antara bahasa, objek, gerakan, dan lingkungan. Peneliti AI dari berbagai negara kemudian terus mengembangkan pendekatan yang memungkinkan model menghasilkan video dengan durasi, resolusi, dan konsistensi yang semakin baik.
Menariknya, perkembangan AI video tidak hanya menyangkut kemampuan menghasilkan gambar bergerak. Model harus berusaha mempertahankan konsep dasar mengenai dunia fisik, seperti objek yang bergerak, manusia yang berjalan, benda yang berinteraksi, serta perubahan perspektif kamera. Karena itu, kemajuan AI video sering dianggap sebagai bagian penting menuju sistem yang tidak hanya memahami bahasa atau gambar, tetapi juga memiliki representasi yang lebih baik mengenai dunia visual dan dinamika di dalamnya.
Bagaimana AI Bisa Membuat Suara Manusia yang Terdengar Nyata?
Selain gambar dan video, AI juga mengalami perkembangan luar biasa dalam menghasilkan suara. Sistem text-to-speech modern dapat mengubah tulisan menjadi suara yang terdengar semakin natural, lengkap dengan intonasi, tekanan kata, jeda, dan karakter emosional tertentu. Bahkan teknologi voice cloning memungkinkan sistem menghasilkan suara yang memiliki kemiripan dengan suara seseorang berdasarkan contoh rekaman tertentu.
Pada tingkat dasar, model suara mempelajari hubungan antara teks dan sinyal audio. Namun, menghasilkan suara manusia tidak sesederhana membaca teks menggunakan suara robotik karena manusia memiliki variasi tinggi dalam kecepatan bicara, intonasi, artikulasi, emosi, napas, dan jeda. Model AI harus mempelajari pola-pola tersebut agar suara sintetis tidak terdengar datar dan mekanis.
Alec Radford dan sejumlah peneliti lain yang mengembangkan teknologi model audio modern menunjukkan bagaimana pendekatan neural network dapat digunakan untuk memahami dan menghasilkan informasi suara dalam skala besar. Salah satu contoh penting adalah perkembangan model seperti Whisper untuk pengenalan suara, yang memperlihatkan kemampuan neural network dalam memahami bahasa dari sinyal audio. Perkembangan di bidang speech AI kemudian berjalan beriringan dengan teknologi generasi suara sehingga komputer semakin mampu berinteraksi dengan manusia melalui bahasa lisan.
Teknologi tersebut membawa manfaat besar, misalnya untuk pembaca layar bagi penyandang disabilitas, sistem layanan pelanggan, pendidikan, produksi konten, penerjemahan, dan pembuatan audio. Namun, teknologi yang sama juga dapat disalahgunakan untuk meniru suara orang lain tanpa izin. Karena itu, semakin realistis suara buatan AI, semakin besar pula kebutuhan terhadap mekanisme persetujuan, autentikasi, watermarking, dan sistem deteksi untuk membedakan suara sintetis dari rekaman asli.
Mengapa AI Bisa Membuat Hasil yang Terlihat Seperti Karya Manusia?
Salah satu pertanyaan paling menarik adalah mengapa hasil AI sering kali terasa seperti dibuat oleh manusia. Jawabannya berkaitan dengan fakta bahwa model dilatih menggunakan contoh-contoh yang dihasilkan manusia. Model belajar mengenai struktur komposisi visual, cara manusia menggunakan bahasa, karakteristik suara, hubungan warna, bentuk objek, gaya fotografi, serta berbagai pola lain yang terdapat dalam karya dan data yang digunakan selama proses pelatihan.
Ketika model kemudian menghasilkan sesuatu, hasilnya merupakan keluaran dari representasi matematis yang sangat kompleks. Model dapat menggabungkan pola yang telah dipelajari sehingga menghasilkan sesuatu yang baru, tetapi tetap memiliki ciri-ciri yang familiar bagi manusia. Karena manusia sendiri menilai "kealamian" berdasarkan pola yang kita kenali dari pengalaman, hasil AI yang berhasil meniru pola tersebut dapat terasa seolah-olah dibuat oleh manusia.
Demis Hassabis, CEO Google DeepMind asal Inggris, merupakan salah satu tokoh yang melihat perkembangan AI sebagai bagian dari perjalanan panjang untuk membangun sistem yang mampu mempelajari pola kompleks dari dunia. Dari sudut pandang ini, AI generatif bukan hanya mesin pembuat konten, tetapi bagian dari perkembangan teknologi yang berusaha membuat komputer memahami hubungan antara berbagai bentuk informasi. Ketika model dapat menghubungkan teks dengan gambar, gambar dengan video, atau teks dengan suara, kemampuan generatifnya menjadi semakin luas.
Meski demikian, ada perbedaan penting antara "terlihat seperti buatan manusia" dan "memiliki pengalaman manusia". AI tidak memiliki masa kecil, pengalaman pribadi, emosi biologis, atau pengalaman hidup yang sama dengan manusia. Ketika sebuah gambar AI terlihat sedih atau sebuah suara AI terdengar penuh emosi, kesan tersebut dihasilkan melalui pola yang dipelajari model, bukan karena mesin benar-benar mengalami kesedihan seperti manusia.
AI Generatif Akan Membuat Konten Semakin Mudah, tetapi Verifikasi Akan Semakin Penting
Kemampuan AI menghasilkan gambar, video, dan suara memberikan perubahan besar terhadap cara manusia membuat konten. Seseorang yang tidak memiliki kamera mahal dapat membuat konsep visual, pengusaha kecil dapat membuat materi promosi, guru dapat membuat media pembelajaran, dan pembuat konten dapat mengembangkan ide video tanpa harus memiliki seluruh peralatan produksi profesional. Hambatan teknis dalam menghasilkan konten menjadi semakin rendah.
Namun, kemudahan tersebut juga menciptakan tantangan baru. Jika gambar dapat dibuat tanpa kamera, suara dapat dibuat tanpa mikrofon, dan video dapat dibuat tanpa proses pengambilan gambar tradisional, maka bukti visual atau audio tidak lagi selalu dapat dianggap sebagai bukti bahwa sebuah peristiwa benar-benar terjadi. Sebuah video seseorang mengatakan sesuatu belum tentu menunjukkan bahwa orang tersebut benar-benar pernah mengucapkannya.
Hany Farid, profesor asal Amerika Serikat yang dikenal luas dalam bidang digital forensics dan analisis media, telah banyak meneliti persoalan manipulasi gambar, video, dan deepfake. Pandangan dari bidang forensik digital tersebut menjadi semakin relevan ketika teknologi generatif semakin mudah digunakan oleh masyarakat umum. Tantangan ke depan bukan hanya bagaimana membuat konten sintetis yang semakin realistis, tetapi juga bagaimana masyarakat dapat mengetahui asal-usul sebuah konten dan menilai apakah informasi di dalamnya dapat dipercaya.
Pada akhirnya, perkembangan AI generatif bukan sekadar perlombaan untuk membuat gambar yang lebih realistis atau suara yang lebih mirip manusia. Teknologi ini sedang mengubah cara manusia menciptakan, menyebarkan, dan menilai informasi. Karena itu, kemampuan menggunakan AI perlu berjalan bersamaan dengan kemampuan memahami keterbatasannya, memeriksa sumber, mengenali kemungkinan manipulasi, dan menghargai hak orang lain ketika menggunakan wajah, suara, karya, maupun identitas seseorang.
Kesimpulan Penulis
AI dapat membuat gambar, video, dan suara yang terlihat seperti buatan manusia karena model generatif telah dilatih untuk mengenali pola yang sangat kompleks dari data dalam jumlah besar. Model tersebut kemudian menggunakan pola yang dipelajari untuk menghasilkan keluaran baru berdasarkan perintah pengguna. Pada gambar, proses tersebut dapat melibatkan diffusion model dan berbagai pendekatan generatif lainnya; pada video, sistem harus memahami hubungan antara ruang dan waktu; sedangkan pada suara, model harus menghasilkan karakteristik audio yang menyerupai pola bicara manusia.
Perkembangan teknologi seperti Transformer, deep learning, diffusion models, neural audio models, GPU, dan infrastruktur pusat data membuat proses tersebut semakin cepat dan realistis. Apa yang dahulu membutuhkan tim produksi, studio, kamera, aktor, ilustrator, atau pengisi suara kini pada tingkat tertentu dapat dibuat menggunakan perintah digital.
Namun, semakin realistis hasil AI, semakin penting pula kemampuan manusia untuk membedakan antara konten nyata dan sintetis. Dunia digital sedang memasuki masa ketika "melihat" dan "mendengar" tidak selalu cukup untuk membuktikan bahwa sesuatu benar-benar terjadi. Di tengah kemajuan tersebut, kecerdasan manusia tetap dibutuhkan bukan hanya untuk menciptakan sesuatu dengan bantuan AI, tetapi juga untuk mempertanyakan, memverifikasi, dan menilai apakah sesuatu yang dibuat AI layak dipercaya.
Penulis : Celebes Blogger Community (CBC)