Bagaimana AI Tercipta? Simak Sejarah Singkat Kecerdasan Buatan dan Tokoh Pentingnya

Kecerdasan buatan atau artificial intelligence (AI) kini hadir hampir di setiap sisi kehidupan digital. Kita memakainya saat mencari informasi, menerjemahkan bahasa, menerima rekomendasi film, menggunakan navigasi, menyaring email spam, membuat gambar, menulis draf, hingga berbicara dengan chatbot seperti ChatGPT dan Google Gemini.

Namun, AI tidak tercipta secara tiba-tiba dalam beberapa tahun terakhir. Teknologi yang kini tampak canggih itu merupakan hasil perjalanan panjang yang melibatkan matematika, logika, filsafat, ilmu komputer, riset bahasa, statistik, dan kerja keras banyak ilmuwan selama lebih dari tujuh dekade.

Sebelum ada smartphone, internet cepat, atau pusat data raksasa, para peneliti sudah memikirkan pertanyaan mendasar: apakah mesin bisa berpikir? Dari pertanyaan itulah lahir gagasan yang kemudian berkembang menjadi kecerdasan buatan modern.

Sejarah AI juga bukan perjalanan lurus menuju keberhasilan. Bidang ini pernah mengalami masa penuh harapan, lalu jatuh ke periode kekecewaan yang dikenal sebagai AI Winter. Banyak janji teknologi tidak terwujud karena komputer masih terlalu lambat, data belum cukup tersedia, dan metode yang digunakan belum mampu menangani masalah dunia nyata secara andal.

Kini, AI kembali berkembang pesat berkat peningkatan daya komputasi, tersedianya data dalam jumlah besar, kemajuan algoritma machine learning, serta investasi industri yang sangat besar. Stanford AI Index 2025 mencatat investasi swasta global pada AI generatif mencapai 33,9 miliar dolar AS pada 2024, meningkat 18,7 persen dibanding 2023 dan lebih dari 8,5 kali lipat dibanding 2022.

Lalu, bagaimana AI tercipta? Siapa saja tokoh penting yang membentuknya? Dan mengapa teknologi yang pernah “mati suri” kini menjadi bagian besar dari dunia kerja dan kehidupan sehari-hari?

Apa Itu Kecerdasan Buatan?

Sebelum membahas sejarahnya, penting memahami pengertian AI. Kecerdasan buatan adalah bidang ilmu komputer yang berusaha membuat mesin melakukan tugas yang biasanya membutuhkan kemampuan kognitif manusia.

Tugas tersebut dapat berupa:

• Mengenali gambar, suara, atau tulisan.

• Memahami dan menghasilkan bahasa.

• Membuat prediksi berdasarkan data.

• Mencari pola dari informasi dalam jumlah besar.

• Mengambil keputusan dalam aturan tertentu.

• Menyelesaikan masalah.

• Mengendalikan perangkat atau robot.

• Membuat teks, gambar, musik, kode, dan video.

AI tidak selalu berarti robot berbentuk manusia. Sistem rekomendasi belanja, kamera ponsel yang mengenali wajah, fitur koreksi kata, filter spam, aplikasi peta, dan chatbot juga termasuk contoh penggunaan AI.

AI modern bekerja dengan berbagai pendekatan. Salah satu pendekatan paling penting adalah machine learning, yaitu metode yang membuat komputer belajar mengenali pola dari data. Sementara itu, deep learning menggunakan jaringan saraf tiruan berlapis untuk menangani pola yang lebih kompleks, misalnya pengenalan suara, gambar, dan bahasa.

Generative AI, seperti ChatGPT atau Google Gemini, merupakan jenis AI yang dapat membuat konten baru. Sistem ini mempelajari pola dari data dalam skala besar untuk menghasilkan respons berupa teks, gambar, kode, audio, atau bentuk konten lain berdasarkan instruksi pengguna.

Awal Mula: Gagasan Mesin yang Bisa Berpikir

Jauh sebelum istilah artificial intelligence digunakan, manusia telah membayangkan mesin yang dapat meniru kemampuan berpikir. Dalam mitologi, sastra, dan filsafat, gagasan tentang makhluk buatan yang memiliki kecerdasan sudah muncul selama berabad-abad.

Namun, AI sebagai disiplin ilmiah mulai tumbuh ketika komputer digital berkembang pada pertengahan abad ke-20. Komputer saat itu belum seperti laptop atau ponsel modern. Ukurannya sangat besar, mahal, dan kemampuan komputasinya jauh lebih terbatas dibanding perangkat yang kini ada di tangan kita.

Meski demikian, kemunculan komputer membuka kemungkinan baru: jika mesin dapat menghitung dengan sangat cepat, apakah mesin juga dapat memecahkan masalah, belajar, atau menggunakan bahasa?

Pertanyaan ini kemudian menjadi pusat penelitian AI.

Alan Turing dan Pertanyaan “Can Machines Think?”

Salah satu tokoh paling penting dalam sejarah kecerdasan buatan adalah Alan Turing, matematikawan, ahli logika, dan pelopor ilmu komputer asal Inggris.

Pada 1950, Turing menerbitkan artikel ilmiah berjudul Computing Machinery and Intelligence di jurnal Mind. Artikel tersebut dibuka dengan pertanyaan yang sangat terkenal:

“I propose to consider the question, ‘Can machines think?’”
atau, “Saya mengusulkan untuk mempertimbangkan pertanyaan: ‘Dapatkah mesin berpikir?’”

courses.umbc

Turing menyadari bahwa kata “berpikir” sulit didefinisikan. Karena itu, ia mengusulkan cara yang lebih praktis untuk menilai kecerdasan mesin: Imitation Game, yang kemudian dikenal luas sebagai Turing Test.

Apa Itu Turing Test?

Dalam konsep Turing Test, seorang penanya berkomunikasi melalui teks dengan dua pihak yang tidak terlihat: satu manusia dan satu mesin. Jika penanya tidak mampu membedakan mana respons manusia dan mana respons mesin secara konsisten, mesin tersebut dianggap berhasil menunjukkan perilaku yang menyerupai kecerdasan manusia.

Turing Test bukan ukuran sempurna untuk menentukan apakah mesin benar-benar “sadar” atau “berpikir” seperti manusia. Namun, gagasannya sangat berpengaruh karena menggeser fokus dari pertanyaan filosofis abstrak menuju pertanyaan yang dapat diuji secara praktis: apakah mesin dapat menghasilkan perilaku bahasa yang meyakinkan?

Turing tidak menciptakan ChatGPT, robot modern, atau machine learning seperti yang kita kenal sekarang. Tetapi, ia meletakkan fondasi intelektual yang membuat para ilmuwan serius mempertimbangkan kemungkinan mesin melakukan tugas-tugas cerdas.

Konferensi Dartmouth 1956: Lahirnya Istilah Artificial Intelligence

Jika Alan Turing memberi pertanyaan besar tentang mesin yang berpikir, maka istilah Artificial Intelligence pertama kali dipopulerkan secara formal oleh John McCarthy.

Pada 1955, McCarthy bersama Marvin Minsky, Nathaniel Rochester, dan Claude Shannon menulis proposal untuk proyek riset musim panas di Dartmouth College, Amerika Serikat. Proposal itu merencanakan studi selama dua bulan pada musim panas 1956 dan menjadi dasar acara yang kemudian dikenal sebagai Dartmouth Summer Research Project on Artificial Intelligence.

Dokumen asli tersebut mengusulkan studi “10 orang selama dua bulan” tentang artificial intelligence di Dartmouth pada musim panas 1956. Proposal itu juga menyatakan dugaan penting bahwa setiap aspek pembelajaran atau fitur kecerdasan pada dasarnya dapat dijelaskan dengan cukup presisi sehingga mesin dapat dibuat untuk mensimulasikannya.

Dartmouth College menyebut pertemuan musim panas 1956 itu sebagai momen kelahiran AI sebagai bidang penelitian. Dalam keterangan resminya, Dartmouth menulis bahwa proyek tersebut berangkat dari dugaan: “every aspect of learning or any other feature of intelligence can in principle be so precisely described that a machine can be made to simulate it.”

Empat Tokoh di Balik Dartmouth

Berikut tokoh utama di balik proposal Dartmouth:

Pada masa itu, optimisme para peneliti sangat tinggi. Banyak pihak percaya bahwa kecerdasan mesin akan tercapai dalam waktu relatif singkat. Namun, kenyataan membuktikan bahwa membuat mesin memahami dunia nyata jauh lebih sulit daripada yang diperkirakan.

Era Optimisme Awal dan Simbolik AI

Setelah Konferensi Dartmouth, penelitian AI berkembang di berbagai universitas dan lembaga riset. Banyak proyek awal memakai pendekatan yang kini sering disebut symbolic AI.

Dalam symbolic AI, pengetahuan direpresentasikan melalui simbol, aturan, dan logika. Komputer diberi instruksi seperti “jika kondisi A terjadi, lakukan B” atau “jika fakta X dan Y benar, simpulkan Z.”

Pendekatan ini cukup efektif untuk masalah yang aturannya jelas dan lingkungannya terbatas. Misalnya, permainan papan, pembuktian teorema matematika, atau sistem yang membuat keputusan berdasarkan aturan tetap.

Pada era ini, para peneliti mulai mengembangkan program untuk bermain catur, memahami bahasa terbatas, membuktikan teorema, dan memecahkan masalah logika.

Salah satu perkembangan penting adalah expert system atau sistem pakar. Sistem ini dirancang untuk meniru cara seorang ahli membuat keputusan berdasarkan kumpulan aturan dan pengetahuan.

National Academies mencatat bahwa proyek seperti DENDRAL dan MYCIN menunjukkan potensi sistem penalaran berbasis aturan. MYCIN, misalnya, dikembangkan untuk membantu dokter mendiagnosis sejumlah penyakit infeksi darah berdasarkan gejala klinis dan aturan pengetahuan yang dipisahkan dari mesin inferensi.

Namun, sistem berbasis aturan memiliki kelemahan besar: dunia nyata terlalu kompleks untuk diubah seluruhnya menjadi daftar aturan yang lengkap. Semakin banyak aturan yang ditambahkan, semakin sulit sistem dikelola dan semakin mudah muncul konflik antaraturan.

AI Winter: Ketika Harapan Tidak Sesuai Realitas

Perjalanan AI tidak selalu penuh terobosan. Setelah periode optimisme tinggi, dunia riset AI mengalami beberapa fase penurunan pendanaan dan minat publik. Periode ini dikenal sebagai AI Winter.

AI Winter bukan berarti seluruh riset AI berhenti total. Istilah ini menggambarkan masa ketika janji teknologi tidak terpenuhi, investor dan pemerintah kecewa, lalu pendanaan untuk proyek AI berkurang.

Secara umum, dua periode AI Winter yang paling sering dibahas terjadi pada pertengahan 1970-an hingga awal 1980-an, serta akhir 1980-an hingga sebagian tahun 1990-an.

Mengapa AI Mengalami AI Winter?

Ada beberapa penyebab utama.

1. Komputer Masih Terlalu Lemah

Komputer pada masa itu tidak memiliki daya pemrosesan seperti sekarang. Banyak konsep AI membutuhkan perhitungan sangat besar, tetapi perangkat keras belum mampu menjalankannya secara cepat dan murah.

Masalah yang terlihat mudah bagi manusia—seperti mengenali wajah, memahami percakapan, atau membedakan objek dalam gambar—ternyata membutuhkan komputasi dan data yang sangat besar.

2. Data Digital Belum Melimpah

AI modern belajar dari data. Tetapi pada dekade 1960-an hingga 1980-an, data digital dalam skala besar belum tersedia. Internet belum menjadi ruang publik global, kamera digital belum umum, dan sebagian besar dokumen masih berbentuk fisik.

Tanpa data yang cukup, sistem pembelajaran mesin sulit berkembang optimal.

3. Janji Terlalu Tinggi

Banyak peneliti dan pendukung AI awal memperkirakan mesin cerdas akan terwujud jauh lebih cepat. Ketika hasilnya tidak sesuai ekspektasi, pemerintah dan investor mulai mengurangi dukungan.

Kajian sejarah AI mencatat bahwa penurunan pendanaan dan minat sering terjadi setelah siklus hype, kekecewaan, kritik, dan kegagalan memenuhi tujuan yang terlalu ambisius.

Pelajaran Penting dari AI Winter

AI Winter mengajarkan bahwa kegagalan teknologi tidak selalu berarti gagasannya salah. Kadang, konsepnya mendahului infrastruktur yang tersedia.

Machine learning membutuhkan data, komputasi, penyimpanan, serta perangkat lunak yang memadai. Ketika unsur-unsur itu belum siap, kemampuan AI juga terbatas. Baru setelah internet berkembang, chip semakin kuat, dan komputasi awan menjadi luas, banyak ide lama AI dapat diterapkan dengan hasil yang jauh lebih baik.

Kebangkitan AI: Machine Learning, Big Data, dan Deep Learning

AI mulai bangkit kuat ketika pendekatan berbasis data semakin dominan. Alih-alih menuliskan semua aturan secara manual, peneliti mengembangkan sistem yang dapat belajar dari contoh.

INFORMASI SPONSOR

Inilah inti machine learning.

Misalnya, daripada menulis ribuan aturan untuk menjelaskan semua ciri kucing, peneliti dapat melatih model menggunakan banyak gambar yang telah diberi label “kucing” dan “bukan kucing”. Model kemudian belajar menemukan pola statistik yang membantu membedakan keduanya.

Kebangkitan AI modern ditopang oleh tiga faktor utama:

• Data digital yang melimpah dari internet, sensor, perangkat mobile, gambar, teks, dan transaksi.

• Daya komputasi lebih kuat, termasuk GPU yang mampu memproses perhitungan paralel dalam jumlah besar.

• Kemajuan algoritma, terutama jaringan saraf tiruan dan deep learning.

Pada 1997, kemenangan Deep Blue milik IBM atas juara catur dunia Garry Kasparov menjadi salah satu tonggak populer dalam sejarah AI. IBM mencatat bahwa Deep Blue menjadi sistem komputer pertama yang mengalahkan juara catur dunia bertahan dalam pertandingan dengan aturan turnamen standar. Deep Blue menang 3,5–2,5 dalam pertandingan enam game melawan Kasparov.

Deep Blue bukan AI generatif dan tidak “memahami” catur seperti manusia. Sistem tersebut sangat kuat dalam menghitung kemungkinan langkah, mengevaluasi posisi, dan menggunakan teknik pencarian. Namun, kemenangan itu menunjukkan bahwa komputer dapat unggul dalam tugas yang sangat kompleks dan strategis pada domain tertentu.

Dari Deep Learning ke ChatGPT dan Google Gemini

Pada 2010-an, deep learning mendorong kemajuan besar dalam pengenalan gambar, pengenalan suara, terjemahan mesin, serta pemrosesan bahasa alami.

Kemudian muncul pendekatan transformer, arsitektur neural network yang sangat efektif dalam memproses urutan data seperti teks. Pendekatan ini membuka jalan bagi large language models atau LLM, yaitu model bahasa berukuran sangat besar yang dilatih menggunakan data teks dalam skala masif.

ChatGPT dan Google Gemini merupakan contoh produk AI generatif yang memanfaatkan model bahasa dan sistem multimodal. Pengguna dapat mengajukan pertanyaan, meminta ringkasan, membuat draf, menerjemahkan teks, menghasilkan kode, atau menganalisis informasi tertentu.

Pada 2026, Stanford AI Index melaporkan bahwa AI generatif telah mencapai adopsi tingkat populasi sekitar 53 persen dalam tiga tahun, lebih cepat dibanding adopsi komputer pribadi maupun internet dalam perbandingan yang digunakan laporan tersebut. Stanford juga melaporkan investasi swasta AI di Amerika Serikat mencapai 285,9 miliar dolar AS pada 2025.

Perkembangan ini menjelaskan mengapa AI terasa hadir “tiba-tiba” dalam kehidupan sehari-hari. Sebenarnya, teknologi tersebut dibangun dari riset panjang. Yang berubah cepat adalah kemampuan produk untuk menjangkau pengguna umum melalui internet, aplikasi, dan perangkat yang sudah digunakan masyarakat.

AI Bukan Sihir: Memahami Batasannya

Meski AI berkembang pesat, teknologi ini tidak sempurna. AI generatif dapat menghasilkan jawaban yang tampak percaya diri tetapi keliru. Model dapat salah memahami konteks, membawa bias dari data, atau membuat informasi yang tidak didukung sumber valid.

Karena itu, AI sebaiknya diperlakukan sebagai alat bantu, bukan sumber kebenaran mutlak.

Gunakan AI untuk:

• Membuat draf awal.

• Mencari ide.

• Merangkum dokumen.

• Membantu belajar konsep.

• Membuat struktur tulisan.

• Menjelaskan kode atau istilah teknis.

• Membantu analisis awal yang tetap diverifikasi manusia.

Jangan menggunakan AI sebagai satu-satunya dasar untuk keputusan medis, hukum, keuangan, keselamatan, atau informasi publik yang penting tanpa verifikasi dari sumber yang kredibel dan tenaga profesional terkait.

Sejarah AI Winter mengingatkan kita bahwa terlalu percaya pada janji teknologi juga berbahaya. Di sisi lain, sejarah kebangkitan AI menunjukkan bahwa menolak teknologi sepenuhnya juga membuat kita kehilangan peluang untuk belajar dan beradaptasi.

Penutup

AI tercipta melalui perjalanan panjang yang dimulai dari pertanyaan sederhana tetapi sangat besar: bisakah mesin berpikir?

Alan Turing membuka diskusi modern tentang kecerdasan mesin melalui gagasan Imitation Game pada 1950. Enam tahun kemudian, John McCarthy, Marvin Minsky, Nathaniel Rochester, dan Claude Shannon memperkenalkan istilah artificial intelligence melalui proyek riset Dartmouth yang menjadi tonggak kelahiran AI sebagai bidang ilmiah.

Setelah itu, AI tumbuh melalui berbagai fase: optimisme awal, sistem pakar, AI Winter, machine learning, deep learning, hingga kemunculan AI generatif seperti ChatGPT dan Google Gemini. Perjalanan ini membuktikan bahwa inovasi besar jarang lahir dalam semalam. Ia tumbuh dari teori, kegagalan, eksperimen, infrastruktur, dan ketekunan banyak generasi ilmuwan.

Memahami sejarah AI membantu kita melihat teknologi ini dengan lebih bijak. AI bukan sihir, bukan pula ancaman yang pasti menggantikan seluruh manusia. AI adalah alat yang sangat kuat, dengan potensi besar sekaligus keterbatasan nyata. Tantangan manusia bukan hanya menciptakan AI yang semakin pintar, tetapi juga memastikan teknologi itu digunakan secara aman, kritis, dan bermanfaat.

Sumber Referensi

• Turing, A. M. “Computing Machinery and Intelligence.” Mind, 1950. Artikel yang memperkenalkan pertanyaan “Can machines think?” dan konsep Imitation Game.courses.umbc

• McCarthy, J., Minsky, M., Rochester, N., dan Shannon, C. “A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence.” Proposal 1955 untuk proyek riset Dartmouth musim panas 1956.ojs.aaai+1

• Dartmouth College. “Artificial Intelligence (AI) Coined at Dartmouth.” Latar belakang resmi Konferensi Dartmouth 1956 sebagai tonggak lahirnya AI.dartmouth

• National Academies. “Development in Artificial Intelligence.” Sejarah sistem pakar, DENDRAL, MYCIN, dan dukungan awal riset AI.nationalacademies

• IBM. “Deep Blue.” Dokumentasi sejarah kemenangan Deep Blue atas Garry Kasparov pada 1997.ibm

• Stanford Institute for Human-Centered Artificial Intelligence. “AI Index Report 2025” dan “AI Index Report 2026.” Data investasi serta adopsi AI generatif.