Apa Itu Model Bahasa Besar?

Alat AI kini ada di mana-mana. Bagi seseorang yang benar-benar baru mengenalnya, reaksi pertama sering kali: dari mana saya harus memulai? Bab ini pertama-tama menjelaskan apa itu model bahasa besar (LLM), dan kemudian membahas cara menggunakannya.

Apa yang Dimaksud dengan AI?

Jika Anda mendengarkan teman-teman mengobrol akhir-akhir ini, delapan dari sepuluh kalimat mungkin tentang “AI.” Tapi tahukah Anda? AI yang sedang dibicarakan semua orang sekarang tidak sama dengan AI dari beberapa tahun yang lalu.

AI yang saat ini menggemparkan internet memiliki nama profesional: AI Generatif.

Apa artinya? Sederhananya: Anda memberinya sebuah kalimat, dan ia dapat menghasilkan artikel untuk Anda; Anda memberinya sebuah ide, dan ia dapat menghasilkan gambar; Anda memberinya sebuah persyaratan, dan ia dapat menulis sepotong kode.

Ini seperti asisten yang sangat pintar. Anda berkata “tuliskan surat pengunduran diri untuk saya,” dan ia benar-benar menulisnya; Anda berkata “gambar seekor kucing yang memakai jas,” dan ia benar-benar menggambarnya. Kemampuan untuk “menciptakan konten dari ketiadaan” inilah inti dari “generatif.”

Yang sering kita dengar—ChatGPT, Claude, DeepSeek—semuanya termasuk dalam kategori ini. Esensi mereka adalah Model Bahasa Besar (LLM), yang belajar memahami dan menghasilkan bahasa manusia dengan berlatih pada sejumlah besar data teks.

Tapi inilah rahasia penting:

AI sebenarnya tidak “memahami” apa yang Anda katakan; ia hanya “menghitung probabilitas.”

Ini mungkin terdengar tidak intuitif, tapi izinkan saya menjelaskan:

Ketika Anda bertanya pada AI “Apa warna langit?”, ia tidak benar-benar melihat ke langit, juga tidak benar-benar memahami konsep “langit” dan “warna.” Begini cara kerjanya:

Berdasarkan ratusan juta artikel yang telah dibacanya, ketika teks sebelumnya adalah “Apa warna langit”, probabilitas bahwa kata berikutnya adalah “biru” adalah 82%, “abu-abu” adalah 10%, “merah” adalah 5%… dan kemudian ia memilih kata dengan probabilitas tertinggi.

Berikut contoh yang lebih jelas:

Anda bertanya: “Berapa 1+1?”

• AI tidak “menghitung”; ia menemukan bahwa dalam semua teks yang pernah dilihatnya, “1+1 sama dengan” diikuti oleh “2” sebanyak 99,9%.
• Jadi ia menjawab “2.”

Anda bertanya: “Rekomendasikan film yang bagus.”

• AI sebenarnya belum menonton film; ia menganalisis bahwa dalam teks yang dipelajarinya, “film bagus” sering diikuti oleh kata-kata seperti “The Shawshank Redemption,” “Titanic,” dll.
• Ia merekomendasikan yang berprobabilitas tinggi.

Ini seperti seorang siswa super berprestasi yang telah membaca semua buku di dunia, tapi:

• Dia bisa memberi tahu Anda “Paris adalah ibu kota Prancis” (karena buku-buku mengatakan demikian).
• Tapi dia belum pernah ke Paris, dan bahkan tidak tahu apa arti “ibu kota.”
• Dia hanya ingat bahwa ketika Anda mengatakan “Paris adalah,” kelanjutan yang paling sering adalah “ibu kota Prancis.”

Jadi AI bisa memiliki beberapa masalah aneh:

• Kadang-kadang ia “dengan percaya diri berbicara omong kosong” (mengada-adakan fakta yang tidak ada).
• Ia mungkin salah dalam soal matematika sederhana (karena tidak benar-benar menghitung).
• Ia mungkin memberikan jawaban yang kontradiktif (perhitungan probabilitas yang tidak konsisten).

Fenomena “dengan percaya diri berbicara omong kosong” ini memiliki istilah teknis: Halusinasi. Sama seperti manusia yang bermimpi, AI “memimpikan” hal-hal yang tidak ada, dan mengatakannya dengan penuh keyakinan.

Cara Mengatasi Halusinasi dengan Penalaran

Karena AI sangat rentan terhadap kesalahan, apa yang bisa kita lakukan? Para ilmuwan menemukan solusi: Biarkan AI “berpikir” sebelum menjawab.

Teknik ini disebut “Berpikir” atau “Rantai Pemikiran.”

Cara kerja AI tradisional:

• Anda mengajukan pertanyaan → AI langsung melontarkan jawaban.
• Seperti siswa yang melihat soal dan langsung menjawab tanpa mengerjakannya di kertas coretan.

AI dengan penalaran:

• Anda mengajukan pertanyaan → AI pertama-tama menghitung dan berpikir di “kertas coretan” → kemudian memberi Anda jawaban.
• Seperti siswa yang pertama-tama membuat daftar langkah, memeriksanya, lalu menulis jawaban akhir.

Contoh praktis:

Anda bertanya: “Xiao Ming memiliki 15 apel. Dia memberikan 3 kepada Xiao Hong dan kemudian membeli 8 lagi. Berapa banyak yang dia miliki sekarang?”

AI tradisional mungkin:

• Melihat angka “15, 3, 8.”
• Berdasarkan probabilitas, berpikir bahwa angka-angka itu harus dijumlahkan.
• Jawaban: “26” (salah!)

AI dengan penalaran akan:

• Pertama menganalisis: “Xiao Ming awalnya memiliki 15.”
• “Memberikan 3 kepada Xiao Hong, jadi 15-3=12.”
• “Membeli 8 lagi, jadi 12+8=20.”
• Akhirnya menjawab: “20” (benar!)

Manfaat penalaran:

1. Mengurangi halusinasi - Karena AI “memeriksa” pikirannya sendiri, kemungkinan berbicara omong kosong lebih kecil.
2. Logika yang lebih ketat - Menurunkan langkah demi langkah, tanpa melewatkan langkah.
3. Dapat dijelaskan - Anda dapat melihat bagaimana AI berpikir (meskipun sebagian besar waktu proses berpikir ini disembunyikan).
4. Menangani masalah kompleks - Akurasi meningkat secara signifikan untuk masalah yang memerlukan penalaran multi-langkah.

Tapi penalaran juga memiliki biaya:

• Kecepatan lebih lambat (karena perlu “berpikir”).
• Biaya lebih tinggi (lebih banyak komputasi).
• Tidak semua masalah memerlukan penalaran (misalnya, “halo” tidak perlu berpikir setengah hari).

Sekarang sebagian besar AI telah menambahkan kemampuan penalaran ini. Misalnya, model berpikir ChatGPT, mode berpikir mendalam DeepSeek.

Ringkasan singkat:

• AI biasa = siswa yang cepat melontarkan jawaban (mungkin salah).
• AI penalaran = siswa yang dengan hati-hati mengerjakan di kertas coretan (akurasi lebih tinggi).

Ini tidak berarti AI benar-benar bisa “berpikir”; ia hanya menambahkan beberapa langkah verifikasi sebelum perhitungan probabilitas. Tapi efeknya jelas—lebih sedikit halusinasi, jawaban lebih andal.

Untuk menggunakan analogi yang paling pas: AI Generatif seperti “siswa super jurusan sastra” yang telah membaca banyak buku dan melihat dunia. Anda bisa bertanya apa saja, dan ia bisa mengobrol dengan Anda dan membantu Anda menulis. Namun, ia menjawab dengan “menghafal bank soal” daripada benar-benar memahami pengetahuan. Versi baru mulai belajar untuk “bekerja di kertas coretan.”

Sebenarnya, Keluarga AI Sangat Besar

Banyak orang mengira AI hanyalah ChatGPT, tapi tidak. Keluarga AI memiliki banyak anggota:

1. AI Pengenalan - Yang melihat dengan jelas

• Pengenalan wajah (buka kunci ponsel, pembayaran wajah)
• Pengenalan gambar (mengidentifikasi bunga dari foto, mengenali teks)
• Pengenalan suara (Siri, Xiao Ai memahami ucapan Anda)
• AI ini berspesialisasi dalam “mengenali,” bukan “menciptakan.”

2. AI Rekomendasi - Yang paling tahu pikiran Anda

• Douyin (TikTok) merekomendasikan video kepada Anda.
• Taobao merekomendasikan produk.
• NetEase Cloud Music merekomendasikan lagu.
• Mereka unggul dalam “menebak apa yang Anda suka,” tetapi tidak menghasilkan konten baru.

3. AI Keputusan - Yang hebat dalam catur dan permainan

• AlphaGo (bermain Go)
• AI permainan (seperti lawan komputer di StarCraft)
• Mereka fokus pada “membuat keputusan,” melampaui manusia dalam domain tertentu.

4. AI Generatif - Gelombang panas saat ini

• Generasi teks: ChatGPT, Claude, DeepSeek
• Generasi gambar: Midjourney, Stable Diffusion, DALL-E
• Generasi video: Sora, Runway
• Generasi musik: Suno, Udio

Ringkasan

Ringkasan singkat: Jika kita membandingkan AI dengan kotak peralatan, AI pengenalan adalah “kaca pembesar,” AI rekomendasi adalah “kompas,” AI keputusan adalah “buku panduan catur,” dan AI generatif adalah “tongkat ajaib”—ia bisa mewujudkan apa yang Anda inginkan.

Tapi “tongkat ajaib” ini sebenarnya adalah “kalkulator probabilitas.” Ia kuat, tapi tidak mahakuasa. Dan tutorial ini terutama tentang cara menggunakan “tongkat ajaib” ini dengan baik.