Anak-anak Bisa Belajar Bahasa Lebih Baik dari AI, Kenapa Ya?

Kamu tahu nggak sih, selama ini kita mikir kalau AI udah pinter banget, tapi ternyata anak-anak masih bisa lebih jago dalam belajar bahasa! Dalam waktu kurang dari empat tahun setelah ChatGPT muncul, kita udah bisa ngobrol santai sama gadget kita. Tapi, di balik itu semua, ada fakta menarik: untuk ngajarin komputer bahasa manusia, butuh data yang super banyak. Bayangkan, AI bisa baca ratusan ribu kali lebih banyak kata daripada yang didengar anak-anak sebelum mereka bisa bicara.

Michael C. Frank, seorang ilmuwan kognitif dari Stanford, bilang kalau kemajuan AI itu luar biasa, tapi kita masih harus 'membakar hutan' dan mengumpulkan semua pengetahuan manusia buat bikin AI bisa bicara kayak manusia. Ini yang disebut dengan 'data efficiency gap'. Jadi, kenapa anak-anak bisa lebih cepat belajar bahasa dibanding mesin-mesin canggih ini? Ini jadi tantangan besar buat para peneliti AI dan ilmuwan kognitif.

Selama sepuluh tahun terakhir, model bahasa AI kebanyakan cuma makin besar dan kompleks. Misalnya, model LLM Llama 3.1 dari Meta yang dilatih dengan 15 triliun token. Tapi, kita juga harus ingat, internet itu terbatas, dan mungkin di tahun 2030-an, data yang tersedia bisa habis. Nah, anak-anak menunjukkan kalau mereka bisa belajar lebih banyak dengan lebih sedikit. Misalnya, anak-anak yang tumbuh di lingkungan kaya bahasa mungkin cuma mendengar sekitar 100 juta kata.

Perbandingan ini bikin kita mikir, kalau semua kata yang dipakai buat ngelatih model AI modern dicetak, tumpukannya bisa lebih tinggi dari Stasiun Luar Angkasa Internasional. Sementara, kata-kata yang didengar anak-anak cuma setinggi 20 meter. Keren banget, kan? Ini menunjukkan kita bisa belajar dengan jauh lebih sedikit data dari yang kita kira.

Para ilmuwan berharap bisa membalik cara anak-anak belajar ini untuk bikin model AI yang lebih efisien. Ini bisa berguna banget untuk melatih AI di berbagai bidang, dari video hingga chatbot untuk komunitas bahasa minoritas. Dengan menguji hipotesis tentang cara manusia belajar, kita bisa menjawab pertanyaan-pertanyaan penting tentang bahasa dan perkembangan pikiran anak-anak.

Kita semua tahu bahasa itu susah, terutama saat kita coba belajar bahasa baru setelah dewasa. Tapi, anak-anak bisa belajar bahasa ibu mereka dengan relatif mudah. Mereka bisa mulai bikin kalimat yang bener setelah mendengar sekitar 10 juta kata. Frank bilang ini bener-bener ajaib! Tapi, kita masih bingung gimana caranya bayi bisa melakukan semua ini.

Ada teori yang bilang bayi lahir dengan pengetahuan grammar yang udah terprogram. Ini diusulkan oleh Noam Chomsky, yang berdebat dengan psikolog B.F. Skinner yang bilang bahasa itu dipelajari lewat pengondisian. Chomsky berargumen bahwa bahasa itu terlalu kompleks untuk dipelajari hanya dari pengalaman. Dia percaya anak-anak butuh pengetahuan bawaan untuk bisa memahami tata bahasa dari potongan-potongan ucapan.

Seiring waktu, pandangan Chomsky mendominasi linguistik di AS. Namun, meskipun ada kemajuan dalam neural networks, para peneliti AI masih kesulitan mengajarkan bahasa ke komputer. Mereka lebih banyak fokus pada pola statistik daripada memahami bahasa secara mendalam. Baru di tahun 2010-an, saat teknologi komputer makin murah dan internet makin besar, model-model AI mulai menunjukkan performa yang mengesankan.

Dengan keberhasilan ChatGPT, semua orang jadi sadar kalau model-model ini bisa belajar sintaksis. Tapi, pertanyaannya, bisa nggak kita bikin model yang bisa belajar dari data yang lebih sedikit, kayak anak-anak? Alex Warstadt, seorang ahli linguistik, berpikir bahwa neural networks bisa jadi model yang berguna untuk memahami bagaimana anak-anak belajar bahasa.

Dia mengusulkan BabyLM, sebuah kompetisi untuk melatih model bahasa dengan dataset kecil. Tujuannya adalah untuk melihat seberapa dekat model-model ini bisa menutup gap data yang ada. Kompetisi ini udah mengubah beberapa asumsi tentang cara kita mengajarkan bahasa. Misalnya, pendekatan curriculum learning yang awalnya populer, ternyata nggak selalu efektif.

Mungkin yang paling menarik, model-model ini bukan hanya meniru cara belajar anak-anak, tapi juga bisa membantu kita memahami proses belajar itu sendiri. Dengan mempelajari bagaimana anak-anak belajar, kita bisa bikin model AI yang lebih efisien dan relevan dengan kebutuhan masyarakat.