Bagaimana ChatGPT Bisa Menjawab Pertanyaan Manusia dalam Hitungan Detik?

Teknologi - Di tengah derasnya perkembangan teknologi kecerdasan buatan, ada satu hal yang membuat ChatGPT terasa seperti sesuatu yang hampir mustahil dilakukan oleh komputer pada masa lalu: pengguna cukup mengetik sebuah pertanyaan, lalu dalam hitungan detik muncul jawaban yang tersusun dalam kalimat, paragraf, bahkan penjelasan panjang yang terasa seperti percakapan dengan manusia. Kita bisa bertanya tentang sejarah, meminta penjelasan hukum, menyusun ide tulisan, menerjemahkan bahasa, sampai meminta bantuan memahami konsep matematika, dan semuanya dapat dilakukan tanpa harus membuka puluhan halaman buku atau mesin pencari satu per satu.

Namun, di balik pengalaman yang tampak sederhana tersebut terdapat proses komputasi yang sangat kompleks. ChatGPT sebenarnya tidak "berpikir" dengan cara yang sama seperti manusia, tidak membuka sebuah buku virtual setiap kali mendapatkan pertanyaan, dan pada dasarnya tidak mengetik jawaban kata demi kata seperti manusia mengetik di keyboard. Sistem ini bekerja menggunakan model bahasa berukuran sangat besar yang telah dilatih untuk mengenali pola hubungan antara kata, kalimat, konteks, dan berbagai bentuk informasi sehingga mampu menghasilkan respons yang masuk akal berdasarkan masukan pengguna.

Pertanyaan yang kemudian muncul adalah: bagaimana mungkin proses serumit itu berlangsung hanya dalam beberapa detik? Jawabannya tidak hanya terletak pada kecerdasan model, tetapi juga pada kombinasi antara pelatihan model dalam skala besar, arsitektur jaringan saraf, kemampuan pusat data, perangkat keras khusus untuk AI, teknik pemrosesan bahasa, serta mekanisme prediksi token yang berlangsung berkali-kali dalam satu respons.

ChatGPT Tidak Sekadar "Mencari Jawaban", tetapi Memprediksi Apa yang Harus Dikatakan
Kesalahpahaman paling umum tentang ChatGPT adalah anggapan bahwa ketika seseorang bertanya, sistem langsung mencari jawaban yang sudah tersimpan di dalam sebuah database kemudian menampilkannya kembali. Cara kerja model bahasa modern jauh lebih kompleks daripada sekadar pencarian kata kunci. ChatGPT menggunakan model yang telah mempelajari pola bahasa dari proses pelatihan dalam skala yang sangat besar, kemudian menggunakan pola tersebut untuk menghasilkan respons baru berdasarkan konteks percakapan yang diberikan kepadanya.

Secara sederhana, ketika pengguna mengetik pertanyaan seperti "Mengapa langit berwarna biru?", sistem tidak mengambil sebuah paragraf tertentu dari sebuah buku lalu menempelkannya ke dalam percakapan. Pertanyaan tersebut terlebih dahulu diproses menjadi bentuk yang dapat dihitung oleh jaringan saraf, kemudian model memperkirakan token atau potongan kata berikutnya yang paling sesuai dengan konteks. Proses tersebut dilakukan berulang-ulang sampai terbentuk jawaban lengkap, sehingga dari luar terlihat seperti ChatGPT sedang "menulis", padahal di balik layar model sebenarnya melakukan serangkaian prediksi matematis yang sangat cepat.

Pandangan tersebut sejalan dengan penjelasan para peneliti AI di berbagai negara mengenai cara kerja large language model atau LLM. Andrej Karpathy, peneliti AI kelahiran Slovakia yang pernah memimpin bidang AI di Tesla dan menjadi salah satu tokoh yang banyak menjelaskan cara kerja model bahasa, kerap menggambarkan language model sebagai sistem yang pada dasarnya melakukan prediksi token berikutnya berdasarkan konteks yang tersedia. Penjelasan ini penting karena membantu kita memahami bahwa kemampuan ChatGPT bukan berasal dari kesadaran seperti manusia, melainkan dari kemampuan model menemukan pola statistik yang sangat kompleks dari data dan menggunakannya untuk menghasilkan rangkaian token yang koheren.

Dengan demikian, kecepatan ChatGPT tidak berarti komputer tersebut mengetahui semua jawaban secara instan seperti manusia yang membuka "ensiklopedia di dalam kepala". Yang terjadi adalah model menjalankan perhitungan matematika dalam jumlah sangat besar menggunakan perangkat keras komputasi berkecepatan tinggi. Karena perhitungan tersebut dilakukan oleh mesin yang memang dirancang untuk menjalankan operasi matematika secara paralel, proses yang bagi manusia membutuhkan waktu berjam-jam dapat dilakukan komputer dalam waktu yang sangat singkat.

Sebelum Bisa Menjawab, ChatGPT Harus "Belajar" dari Data dalam Skala yang Sangat Besar
Kemampuan ChatGPT menjawab pertanyaan dengan cepat sebenarnya merupakan hasil dari proses panjang yang berlangsung jauh sebelum pengguna mengetik pertanyaan pertamanya. Model bahasa seperti ini terlebih dahulu menjalani proses pelatihan menggunakan sejumlah besar data untuk mempelajari struktur bahasa, hubungan antar-konsep, pola kalimat, gaya penulisan, serta berbagai bentuk hubungan informasi yang terdapat dalam data pelatihan. Dalam proses tersebut, model tidak sekadar menghafalkan kalimat, tetapi mengembangkan representasi matematis mengenai pola-pola yang ditemukan selama pelatihan.

Bayangkan seseorang membaca jutaan halaman buku, artikel, dokumen, dan berbagai contoh tulisan, kemudian terus-menerus diminta menebak kata berikutnya dalam sebuah kalimat. Jika jawabannya salah, parameter internal model diperbarui sehingga pada kesempatan berikutnya prediksinya menjadi lebih baik. Proses tersebut dilakukan dalam skala yang luar biasa besar dan berulang kali menggunakan infrastruktur komputasi khusus, sehingga pada akhirnya model memiliki kemampuan untuk memperkirakan hubungan antar-token dengan tingkat kecanggihan yang sangat tinggi.

Menurut Yann LeCun, ilmuwan komputer Prancis dan salah satu tokoh penting dalam perkembangan deep learning, kemampuan jaringan saraf modern muncul dari proses pembelajaran representasi melalui data dan komputasi dalam skala besar. LeCun sendiri merupakan salah satu penerima Turing Award yang kontribusinya terhadap jaringan saraf konvolusional dan deep learning ikut membentuk perkembangan AI modern. Pandangannya menunjukkan bahwa kecanggihan AI bukanlah hasil dari sebuah program sederhana yang ditulis dengan daftar aturan "jika pengguna bertanya A, jawab B", melainkan hasil dari sistem pembelajaran mesin yang membangun representasi internal melalui proses pelatihan.

Inilah salah satu alasan mengapa ChatGPT dapat memberikan jawaban untuk pertanyaan yang belum pernah kita tanyakan sebelumnya. Model tidak harus memiliki satu halaman khusus yang menyimpan persis pertanyaan pengguna. Sebaliknya, model telah mempelajari berbagai pola sehingga dapat menggabungkan representasi yang dimilikinya untuk menghasilkan jawaban baru. Kemampuan mengombinasikan pola inilah yang membuat respons AI terlihat fleksibel dan sering kali terasa seperti hasil pemikiran manusia, meskipun mekanisme internalnya tetap berupa proses komputasi dan prediksi.

Rahasia Besarnya Ada pada Teknologi Transformer
Salah satu teknologi paling penting di balik perkembangan model bahasa modern adalah arsitektur Transformer. Teknologi ini diperkenalkan melalui makalah ilmiah berjudul Attention Is All You Need yang diterbitkan pada 2017 oleh peneliti Google dan University of Toronto. Transformer kemudian menjadi fondasi penting bagi perkembangan berbagai model bahasa modern karena mampu memproses hubungan antarbagian teks secara jauh lebih efektif dibandingkan pendekatan jaringan saraf yang lebih lama.

Salah satu konsep kuncinya adalah attention mechanism, yaitu mekanisme yang memungkinkan model memberikan perhatian berbeda terhadap bagian-bagian tertentu dari konteks ketika menghasilkan representasi dan prediksi. Misalnya, ketika seseorang menulis kalimat panjang dengan kata "dia", model perlu memahami siapa yang dimaksud dengan "dia" berdasarkan kata-kata sebelumnya. Mekanisme attention membantu model menghubungkan bagian-bagian teks yang relevan sehingga konteks kalimat tidak dipahami sebagai kumpulan kata yang berdiri sendiri.

Ashish Vaswani, salah satu penulis utama makalah Attention Is All You Need, bersama para peneliti lainnya memperkenalkan pendekatan Transformer tersebut ketika bekerja di Google. Penelitian tersebut menjadi salah satu tonggak penting dalam sejarah AI modern karena menunjukkan bahwa mekanisme attention dapat menjadi fondasi yang sangat kuat untuk pemrosesan bahasa. Beberapa tahun kemudian, gagasan tersebut berkembang pesat dan menjadi dasar bagi berbagai sistem generative AI yang sekarang digunakan oleh masyarakat luas.

Yang membuat Transformer sangat penting adalah kemampuannya menangani hubungan antar-token secara efektif dengan memanfaatkan operasi matematika yang dapat diparalelkan pada perangkat keras modern. Ketika model menerima sebuah konteks, sejumlah besar operasi matriks dapat dijalankan secara bersamaan menggunakan GPU atau akselerator AI lainnya. Dengan pendekatan tersebut, komputer tidak perlu memproses seluruh informasi secara lambat satu per satu seperti manusia membaca halaman buku, tetapi dapat menjalankan sejumlah besar operasi matematika secara paralel dalam waktu yang sangat singkat.

Mengapa Jawabannya Bisa Muncul Kata demi Kata dengan Sangat Cepat?
Jika kita memperhatikan ChatGPT ketika sedang menghasilkan jawaban, biasanya teks muncul sedikit demi sedikit di layar. Fenomena ini sebenarnya memberikan gambaran sederhana mengenai mekanisme generasi bahasa. Model menghasilkan token secara berurutan berdasarkan token-token yang sudah tersedia dalam konteks, kemudian token yang baru dihasilkan digunakan sebagai bagian dari konteks untuk menentukan token berikutnya.

Token sendiri tidak selalu sama dengan satu kata utuh. Dalam banyak sistem bahasa, sebuah kata dapat dipecah menjadi satu atau beberapa token, sedangkan tanda baca dan bagian tertentu dari kata juga dapat direpresentasikan sebagai token. Ketika pengguna bertanya sesuatu, teks tersebut diubah menjadi token, kemudian model melakukan perhitungan untuk menentukan distribusi kemungkinan token berikutnya, memilih salah satu token berdasarkan mekanisme generasi yang digunakan, lalu mengulangi proses tersebut sampai respons selesai.

Ilya Sutskever, salah satu tokoh penting dalam perkembangan deep learning dan salah satu pendiri OpenAI, telah lama menjelaskan pentingnya skala model, data, dan komputasi dalam kemampuan model neural network modern. Dari sudut pandang teknis, proses menghasilkan token memang membutuhkan perhitungan yang sangat besar, tetapi perangkat keras AI modern memungkinkan perhitungan tersebut dilakukan dengan kecepatan tinggi. Karena proses ini dioptimalkan secara khusus, pengguna dapat melihat puluhan atau bahkan ratusan token muncul dalam waktu yang relatif singkat.

Menariknya, semakin panjang jawaban yang diminta, semakin banyak pula proses prediksi yang harus dilakukan. Itulah sebabnya jawaban yang terdiri dari beberapa paragraf membutuhkan lebih banyak komputasi dibandingkan respons satu kalimat. Namun, bagi pengguna, seluruh proses tersebut terasa hampir seketika karena server AI melakukan jutaan bahkan miliaran operasi matematika dalam waktu yang sangat pendek, kemudian hasilnya dikirimkan melalui jaringan internet ke perangkat pengguna secara bertahap.

GPU dan Pusat Data Membuat Perhitungan AI yang Berat Menjadi Sangat Cepat
Kemampuan ChatGPT menjawab dalam hitungan detik tidak dapat dipisahkan dari perangkat keras yang menjalankan model tersebut. Model bahasa modern memiliki jumlah parameter yang sangat besar sehingga menjalankannya membutuhkan kemampuan komputasi yang jauh melampaui komputer pribadi biasa. Karena itu, layanan AI skala besar dijalankan pada infrastruktur pusat data yang menggunakan banyak akselerator komputasi, termasuk GPU dan perangkat keras khusus untuk beban kerja AI.

GPU pada awalnya sangat terkenal karena kemampuannya memproses grafik komputer dan digunakan secara luas dalam industri permainan. Namun, karakteristik GPU yang mampu menjalankan operasi matematika secara paralel ternyata sangat cocok untuk kebutuhan deep learning. Ketika sebuah model AI harus melakukan operasi matriks dalam jumlah sangat besar, kemampuan komputasi paralel GPU dapat memberikan keuntungan besar dibandingkan jika proses tersebut dilakukan menggunakan CPU biasa.

Jensen Huang, pendiri sekaligus CEO NVIDIA dari Amerika Serikat, merupakan salah satu tokoh industri yang berulang kali menekankan bahwa perkembangan generative AI sangat erat dengan kemajuan accelerated computing. Menurut pandangan Huang, kebutuhan AI modern mendorong perubahan besar dalam arsitektur komputasi karena model generatif membutuhkan kemampuan menghitung operasi dalam skala yang sangat besar. Perkembangan GPU dan akselerator AI inilah yang menjadi salah satu faktor penting mengapa teknologi yang dahulu membutuhkan fasilitas komputasi khusus kini dapat diakses masyarakat melalui perangkat sehari-hari.

Selain perangkat keras, terdapat pula berbagai teknik optimasi perangkat lunak yang membuat proses inference atau penggunaan model setelah pelatihan menjadi lebih efisien. Sistem dapat mengatur penggunaan memori, mengoptimalkan operasi tensor, membagi beban komputasi, dan menjalankan berbagai proses secara paralel pada banyak perangkat. Jadi, ketika seseorang mengirimkan pertanyaan kepada ChatGPT, respons yang muncul di layar sebenarnya merupakan hasil kerja sebuah ekosistem komputasi yang sangat besar, bukan sekadar program yang berjalan di komputer pengguna.

ChatGPT Bisa Terlihat Sangat Pintar, tetapi Bukan Berarti Selalu Benar
Kecepatan menjawab sering kali membuat manusia menganggap bahwa ChatGPT pasti mengetahui jawaban yang diberikan. Padahal, kemampuan menghasilkan jawaban dengan cepat dan kemampuan menghasilkan informasi yang benar merupakan dua hal yang berbeda. Model bahasa dapat menghasilkan kalimat yang sangat meyakinkan secara tata bahasa dan struktur, tetapi dalam kondisi tertentu tetap dapat memberikan informasi yang keliru, tidak lengkap, atau tidak sesuai konteks.

Masalah tersebut sering disebut sebagai hallucination dalam pembahasan generative AI. Istilah ini digunakan untuk menggambarkan kondisi ketika model menghasilkan informasi yang terdengar masuk akal tetapi sebenarnya tidak memiliki dasar yang benar. Penyebabnya berkaitan dengan cara model menghasilkan teks berdasarkan pola probabilistik, bukan karena model memiliki mekanisme kesadaran yang secara otomatis membedakan setiap kalimat benar dan salah seperti seorang ahli yang memverifikasi dokumen satu per satu.

Geoffrey Hinton, ilmuwan komputer kelahiran Inggris yang juga merupakan salah satu tokoh utama perkembangan jaringan saraf modern dan penerima Turing Award, telah menyampaikan berbagai kekhawatiran mengenai perkembangan AI dan kemampuan sistem generatif. Pandangan Hinton menunjukkan bahwa semakin canggih sebuah sistem AI, semakin penting pula bagi manusia untuk memahami keterbatasannya. AI yang mampu berbicara dengan sangat meyakinkan tidak otomatis memiliki pemahaman dunia yang sempurna atau jaminan bahwa setiap klaim yang dibuatnya benar.

Karena itu, kecepatan ChatGPT seharusnya tidak dijadikan satu-satunya ukuran kualitas. Untuk pertanyaan sederhana, jawaban AI mungkin sudah sangat membantu, tetapi untuk persoalan hukum, kesehatan, keuangan, penelitian akademik, atau keputusan penting lainnya, informasi yang diberikan AI sebaiknya tetap diperiksa menggunakan sumber terpercaya. Kemampuan manusia dalam melakukan verifikasi justru menjadi semakin penting ketika teknologi AI semakin pandai menghasilkan jawaban yang terdengar meyakinkan.

Jadi, Apa yang Sebenarnya Terjadi Saat Kita Menekan Tombol "Kirim"?
Ketika pengguna menulis pertanyaan dan menekan tombol kirim, proses yang terjadi dapat dibayangkan sebagai sebuah rangkaian yang sangat cepat. Teks pengguna dikirim ke infrastruktur layanan, diproses menjadi bentuk yang dapat dipahami model, kemudian model menganalisis konteks dan menjalankan serangkaian operasi neural network untuk memperkirakan token-token yang paling sesuai. Token yang dihasilkan kemudian dikonversi kembali menjadi teks dan dikirim kepada pengguna sehingga terlihat seperti sebuah percakapan biasa.

Dalam proses tersebut, model tidak harus "mencari" jawaban dalam arti tradisional seperti seseorang mengetik pertanyaan ke mesin pencari. Model menggunakan parameter yang diperoleh melalui pelatihan untuk melakukan perhitungan berdasarkan pola yang telah dipelajarinya. Apabila sistem dilengkapi atau dihubungkan dengan kemampuan tambahan seperti pencarian informasi, alat eksternal, atau sumber data tertentu, prosesnya dapat menjadi lebih kompleks karena model dapat menggunakan informasi dari sumber tersebut sebelum menyusun respons.

Demis Hassabis, ilmuwan komputer dan CEO Google DeepMind dari Inggris, merupakan salah satu tokoh yang banyak membahas perkembangan AI sebagai perpaduan antara algoritma, data, dan kemampuan komputasi. Dari perspektif tersebut, kecepatan AI modern bukanlah hasil dari satu teknologi tunggal, melainkan akumulasi berbagai kemajuan yang berlangsung selama bertahun-tahun. Kemajuan algoritma membuat model lebih mampu memahami pola, kemajuan perangkat keras membuat perhitungan lebih cepat, sedangkan kemajuan infrastruktur membuat model tersebut dapat digunakan oleh jutaan orang secara bersamaan.

Pada akhirnya, ChatGPT dapat menjawab pertanyaan manusia dalam hitungan detik karena berbagai lapisan teknologi bekerja secara bersamaan: model bahasa yang telah dilatih dalam skala besar, arsitektur Transformer dengan mekanisme attention, proses prediksi token, GPU dan akselerator AI, sistem pusat data, serta optimasi perangkat lunak dan jaringan. Dari luar, kita hanya melihat sebuah kotak percakapan dan beberapa detik kemudian muncul jawaban. Namun di balik layar, terdapat rangkaian operasi matematika yang sangat kompleks yang berlangsung dalam waktu singkat.

Kesimpulan Penulis
Kecepatan ChatGPT bukanlah sebuah "keajaiban" dalam arti komputer tiba-tiba mengetahui seluruh jawaban manusia, melainkan hasil dari perkembangan panjang dalam bidang machine learning, deep learning, natural language processing, perangkat keras, dan infrastruktur komputasi. Model bahasa modern telah dilatih untuk mengenali pola yang sangat kompleks dalam bahasa dan kemudian menggunakan pola tersebut untuk menghasilkan respons berdasarkan konteks yang diberikan pengguna.

Hal yang paling menarik justru bukan hanya bahwa ChatGPT dapat menjawab dalam hitungan detik, tetapi bahwa kemampuan tersebut merupakan hasil perpaduan antara matematika, ilmu komputer, data, dan perangkat keras dalam skala yang belum pernah terjadi sebelumnya. Teknologi ini membuat proses yang sebelumnya membutuhkan waktu lama menjadi jauh lebih cepat, tetapi sekaligus mengingatkan kita bahwa kecepatan menghasilkan jawaban tidak selalu sama dengan kebenaran jawaban.

Pada akhirnya, cara terbaik memahami ChatGPT bukan sebagai "mesin yang tahu segalanya", melainkan sebagai teknologi komputasi bahasa yang sangat canggih dan mampu menghasilkan respons berdasarkan pola yang dipelajarinya. Semakin kita memahami mekanismenya, semakin jelas pula bahwa kecanggihan AI bukan berarti manusia tidak lagi dibutuhkan; justru kemampuan manusia untuk bertanya dengan tepat, memahami konteks, memeriksa informasi, dan mengambil keputusan tetap menjadi bagian terpenting dalam menggunakan teknologi tersebut.

Penulis : Malaikat Komputer

Sumber : Blogger Sidrap - Tips Komputer