Glosarium AI dan AGI: 200+ istilah dijelaskan dalam bahasa Indonesia sederhana

Referensi berbahasa sederhana untuk kosakata AI dan AGI yang digunakan di seluruh situs ini dan dalam berita—lebih dari 200 istilah, disusun berdasarkan abjad, tanpa asumsi latar belakang teknis apa pun. Jika sebuah istilah yang pernah Anda dengar belum ada di sini, istilah itu akan ditambahkan seiring ditulisnya bagian-bagian baru.

A

• Serangan adversarial — sebuah masukan yang sengaja dirancang untuk mengelabui model AI agar membuat kesalahan atau menghasilkan keluaran yang tidak diinginkan.
• AI agentik — sebuah sistem AI yang diberi otonomi tertentu untuk melakukan tindakan bertahap menuju sebuah tujuan (menjelajah web, menjalankan kode, menggunakan alat) alih-alih hanya menjawab satu pertanyaan.
• Algoritma — sebuah prosedur yang terdefinisi dan bertahap untuk memecahkan masalah atau melakukan komputasi; istilah umum yang mendasari setiap teknik AI.
• Kecerdasan buatan (AI) — bidang luas yang membangun mesin untuk melakukan tugas yang biasanya membutuhkan kecerdasan manusia, mencakup segala sesuatu mulai dari program berbasis aturan sederhana hingga model bahasa terdepan.
• AGI (Kecerdasan Buatan Umum) — istilah yang diperdebatkan untuk AI yang mampu secara luas, biasanya melibatkan kinerja kuat dan transfer lintas tugas kognitif yang tidak dikenal; tidak ada uji atau ambang batas yang diterima secara universal. Lihat AGI, AI sempit, dan superkecerdasan.
• AI Act (EU AI Act) — undang-undang mengikat Uni Eropa yang mengatur AI berdasarkan kategori risiko, termasuk ambang batas pelaporan berbasis komputasi untuk model terbesar. Lihat tata kelola komputasi.
• AI Safety Institute — badan pemerintah (baik Inggris maupun AS masing-masing menjalankan satu) yang secara independen menguji model AI terdepan untuk kemampuan berbahaya sebelum atau sesudah rilis.
• Penyelarasan (alignment) — masalah memastikan tujuan dan perilaku sistem AI sesuai dengan apa yang sesungguhnya dimaksudkan oleh operatornya, bukan hanya apa yang secara harfiah diberi hadiah oleh tujuan pelatihan.
• ANI (Kecerdasan Buatan Sempit) — AI yang berkinerja baik dalam domain terbatas tetapi transfer buruk di luarnya. Model tujuan umum modern mempersulit biner ANI/AGI lama karena mereka menunjukkan kompetensi yang luas namun tidak merata.
• Anthropic — sebuah laboratorium yang berfokus pada keamanan AI, pembuat keluarga model Claude, dikenal karena mempublikasikan Responsible Scaling Policy-nya.
• Antropomorfisme — kecenderungan untuk mengaitkan perasaan, niat, atau pemahaman menyerupai manusia pada sistem AI yang sesungguhnya tidak memilikinya.
• API (Application Programming Interface) — cara terdefinisi bagi satu perangkat lunak untuk mengirim permintaan ke perangkat lunak lain; sebagian besar model AI digunakan melalui API alih-alih aplikasi konsumen.
• ASI (Superkecerdasan Buatan) — sebuah sistem yang melampaui kinerja manusia terbaik di hampir semua domain yang bernilai kognitif.
• Mekanisme atensi — bagian dari model transformer yang memungkinkannya menimbang seberapa relevan setiap kata lain dalam sebuah bagian teks saat menafsirkan atau menghasilkan sebuah kata tertentu.
• Sistem otonom — sebuah mesin (perangkat lunak atau fisik) yang dapat membuat dan bertindak atas keputusan tanpa manusia secara langsung mengendalikan setiap langkah.
• Senjata otonom — sebuah sistem senjata yang dapat memilih dan menyerang target dengan kendali manusia waktu-nyata yang berkurang atau tidak ada. Lihat senjata otonom dan eskalasi militer.
• Otomatisasi — menggunakan mesin atau program untuk melakukan tugas yang sebelumnya membutuhkan seseorang.

B

• Backpropagation — algoritma inti yang digunakan untuk melatih jaringan saraf, yang menyesuaikan bobot internal berdasarkan seberapa salah keluaran model itu.
• Tolok ukur (benchmark) — sebuah pengujian terstandardisasi yang digunakan untuk mengukur dan membandingkan kinerja model AI pada tugas tertentu.
• Bias (algoritmik) — sebuah kemencengan sistematis dalam keluaran sebuah model, biasanya diwariskan dari pola dalam data pelatihannya, yang menghasilkan hasil yang tidak adil atau tidak akurat untuk kelompok atau kasus tertentu.
• Deklarasi Bletchley — sebuah pernyataan 2023 yang ditandatangani oleh 28 negara dan UE yang berkomitmen pada pengembangan AI yang aman, perjanjian pertama semacam itu pada skala tersebut. Lihat perjanjian dan pertemuan puncak internasional.
• Bot — sebuah program perangkat lunak yang menjalankan tugas otomatis, seringkali dirancang untuk meniru pengguna manusia secara daring.

C

• Ambang batas kemampuan — sebuah tingkat kinerja AI tertentu (pada tugas atau tolok ukur) yang memicu persyaratan kebijakan, keamanan, atau evaluasi begitu terlewati.
• Risiko katastrofik — sebuah risiko dengan potensi kerugian massal atau berskala peradaban, berbeda dari kerugian rutin, terkendali, atau dapat dipulihkan.
• Prompting rantai-pemikiran (chain-of-thought) — meminta sebuah model untuk menuliskan langkah-langkah penalaran perantaranya sebelum memberikan jawaban akhir, yang seringkali meningkatkan akurasi pada masalah kompleks.
• Chatbot — sebuah program yang dirancang untuk melakukan percakapan teks atau suara dengan seseorang, mulai dari sistem sederhana berskrip hingga model bahasa lengkap.
• Pengklasifikasi (classifier) — sebuah model yang dilatih untuk menyortir masukan ke dalam kategori yang telah ditentukan, seperti menandai sebuah email sebagai spam atau bukan spam.
• Tugas kognitif — tugas apa pun, seperti bernalar, merencanakan, atau memahami bahasa, yang melibatkan pemrosesan mental alih-alih tindakan fisik.
• Moderasi konten (dibantu AI) — menggunakan model AI untuk secara otomatis mendeteksi dan menyaring konten yang berbahaya, ilegal, atau melanggar kebijakan pada sebuah platform.
• ChatGPT — asisten AI percakapan yang menghadap konsumen milik OpenAI, salah satu produk yang mempopulerkan model bahasa besar.
• Claude — keluarga model bahasa besar dan asisten AI percakapan milik Anthropic.
• Komputasi awan (cloud computing) — menjalankan perangkat lunak dan menyimpan data di server jarak jauh yang diakses melalui internet, alih-alih di perangkat lokal—infrastruktur tempat hampir semua model AI besar berjalan.
• Komputasi (compute) — singkatan untuk daya komputasi: kapasitas pemrosesan (diukur dalam operasi per detik) yang digunakan untuk melatih atau menjalankan sebuah model AI.
• Tata kelola komputasi — alat kebijakan yang mengatur akses ke perangkat keras komputasi yang dibutuhkan untuk melatih model AI terdepan, digunakan sebagai proksi untuk mengatur kemampuan itu sendiri. Lihat tata kelola komputasi.
• Visi komputer (computer vision) — subbidang AI yang berfokus pada menafsirkan gambar dan video.
• Provenans konten — metadata teknis yang dilekatkan pada media (foto, video, audio) yang mencatat bagaimana dan kapan media itu dibuat atau diedit, digunakan untuk membedakan konten otentik dari konten hasil AI.
• Jendela konteks (context window) — jumlah teks (diukur dalam token) yang dapat dipertimbangkan sekaligus oleh sebuah model bahasa saat menghasilkan sebuah respons; apa pun di luarnya secara efektif terlupakan.
• AI percakapan (conversational AI) — sistem AI yang dirancang secara khusus untuk melakukan dialog bolak-balik alami dengan seseorang.
• Copilot — lini produk asisten AI milik Microsoft, terintegrasi di seluruh perangkat lunaknya dan digunakan sebagai istilah umum untuk pembantu AI yang tertanam dalam alat lain.
• Korigibilitas (corrigibility) — disposisi rancangan sebuah sistem untuk menerima koreksi, modifikasi, atau penonaktifan dari operatornya alih-alih menolaknya. Lihat korigibilitas dan tombol mati.
• Serangan siber (didukung AI) — sebuah serangan pada sistem komputer atau infrastruktur di mana AI digunakan untuk mengotomatisasi pengintaian, pengembangan eksploitasi, atau eksekusi. Lihat serangan siber berbantuan AI pada infrastruktur.

D

• Evaluasi kemampuan berbahaya — sebuah pengujian terstruktur yang dijalankan pada sebuah model sebelum rilis untuk memeriksa apakah model itu dapat secara bermakna membantu tugas seperti pengembangan senjata atau serangan siber berskala besar.
• Pusat data (data center) — sebuah fasilitas yang menampung sejumlah besar komputer (seringkali GPU atau TPU) yang digunakan untuk melatih dan menjalankan model AI.
• Kumpulan data (dataset) — kumpulan contoh (teks, gambar, atau data lain) yang digunakan untuk melatih atau mengevaluasi sebuah model AI.
• Penyelarasan menipu (deceptive alignment) — sebuah moda kegagalan yang dihipotesiskan di mana sebuah model belajar berperilaku aman selama pelatihan atau evaluasi sambil mengejar tujuan yang berbeda setelah diterapkan.
• Pembelajaran mendalam (deep learning) — sebuah cabang pembelajaran mesin yang menggunakan jaringan saraf dengan banyak lapisan, bertanggung jawab atas sebagian besar kemajuan AI terbaru.
• Deepfake — gambar, audio, atau video sintetis yang dihasilkan atau diubah oleh AI untuk secara meyakinkan menggambarkan sesuatu yang tidak pernah terjadi. Lihat deepfake dan garis dasar faktual bersama.
• DeepMind (Google DeepMind) — laboratorium riset AI milik Google, dikenal baik karena riset kemampuan mutakhir maupun pekerjaan keamanan AI yang dipublikasikan.
• Model difusi (diffusion model) — sejenis model AI generatif, umum digunakan untuk gambar, yang menciptakan keluaran dengan secara bertahap menghilangkan derau (noise) dari sebuah pola awal acak.
• Watermark digital — sebuah sinyal tertanam, seringkali tidak terlihat, dalam sebuah media yang digunakan untuk mengidentifikasinya sebagai hasil AI atau melacak asal-usulnya.
• Disinformasi — informasi palsu yang disebarkan secara sengaja untuk menipu, berbeda dari misinformasi, yaitu informasi palsu yang disebarkan tanpa niat menipu.
• Pohon keputusan (decision tree) — sebuah model pembelajaran mesin yang sederhana dan dapat ditafsirkan yang membuat prediksi dengan mengikuti serangkaian pertanyaan jika/maka yang bercabang.
• Adaptasi domain — menyesuaikan sebuah model yang dilatih dalam satu konteks (atau kumpulan data) agar berkinerja baik dalam konteks yang terkait namun berbeda.
• Teknologi dwiguna (dual-use) — sebuah teknologi dengan penggunaan bermanfaat yang sah yang juga dapat disalahgunakan untuk menyebabkan kerugian serius.

E

• Edge AI — menjalankan sebuah model AI langsung pada perangkat lokal (ponsel, kamera, atau sensor) alih-alih di cloud.
• Embedding — sebuah representasi numerik dari sebuah kata, gambar, atau konsep yang menangkap maknanya dalam bentuk yang dapat diproses secara matematis oleh sebuah model.
• Kemampuan emergen — sebuah kemampuan yang tidak secara langsung ditargetkan dalam pelatihan, atau yang muncul secara tiba-tiba di bawah metrik tertentu seiring skala sistem bertambah. Beberapa lonjakan yang tampak menjadi bertahap ketika diukur secara berbeda. Lihat kemampuan emergen.
• Encoder/decoder — struktur dua bagian dalam banyak arsitektur AI di mana sebuah encoder memampatkan masukan menjadi representasi internal dan sebuah decoder mengubah representasi itu kembali menjadi keluaran.
• Epoch — satu lintasan lengkap melalui seluruh kumpulan data pelatihan selama pelatihan model.
• Etika (etika AI) — bidang yang mempelajari bagaimana sistem AI seharusnya dirancang dan digunakan agar selaras dengan nilai-nilai manusia dan menghindari kerugian.
• Pembelajaran ujung-ke-ujung (end-to-end) — melatih satu model tunggal untuk langsung bergerak dari masukan mentah ke keluaran akhir, tanpa langkah perantara yang dirancang secara manual.
• Evaluasi (evaluasi model) — secara sistematis menguji kinerja, keamanan, atau perilaku sebuah model AI terhadap tolok ukur atau kriteria yang telah ditentukan.
• Risiko eksistensial (x-risk) — sebuah risiko yang dapat secara permanen dan drastis memangkas potensi umat manusia, hingga dan termasuk kepunahan.
• Sistem pakar — gaya AI yang lebih lama yang mengkodekan pengetahuan pakar manusia sebagai aturan eksplisit, sebagian besar tergantikan oleh pembelajaran mesin untuk sebagian besar tugas.
• Kontrol ekspor — pembatasan pemerintah atas penjualan chip atau teknologi AI canggih ke negara tertentu, digunakan untuk memperlambat perkembangan kemampuan pesaing.

F

• Pengenalan wajah (facial recognition) — teknologi AI yang mengidentifikasi atau memverifikasi seseorang dari sebuah gambar wajahnya.
• Pembelajaran few-shot — kemampuan sebuah model untuk mempelajari tugas baru hanya dari segelintir contoh yang diberikan pada saat penggunaan, tanpa pelatihan ulang.
• Penyetelan halus (fine-tuning) — pelatihan tambahan yang diterapkan pada sebuah model yang sudah dilatih untuk mengkhususkannya bagi tugas atau perilaku tertentu.
• FLOP / FLOPS — operasi titik-mengambang (floating-point) (per detik); satuan standar untuk mengukur komputasi mentah yang digunakan untuk melatih atau menjalankan sebuah model.
• Model fondasi (foundation model) — sebuah model besar yang dilatih dengan data luas yang dapat diadaptasi untuk banyak tugas hilir, alih-alih dibangun untuk satu tujuan sempit.
• Laboratorium AI terdepan (frontier AI lab) — salah satu dari sejumlah kecil organisasi (seperti OpenAI, Anthropic, dan Google DeepMind) yang mengembangkan model AI paling mampu pada waktu tertentu.
• Gelung umpan balik (feedback loop) — sebuah siklus di mana keluaran sebuah sistem memengaruhi masukan masa depannya, yang dapat memperkuat efek kecil seiring waktu—relevan baik untuk pelatihan model maupun algoritma rekomendasi.
• Gelembung filter (filter bubble) — sebuah lingkungan informasi yang menyempit yang tercipta ketika sebuah algoritma rekomendasi berulang kali menampilkan konten yang mirip dengan apa yang pernah dilibatkan pengguna sebelumnya.
• Model terdepan (frontier model) — sebuah model AI pada atau mendekati batas atas kemampuan saat ini, biasanya sistem terbesar dan paling baru dilatih dari laboratorium besar.

G

• GAN (Generative Adversarial Network) — sebuah arsitektur AI generatif yang lebih lama yang menggunakan dua jaringan yang bersaing—satu menghasilkan yang palsu, satu mendeteksinya—untuk meningkatkan kualitas keluaran.
• Gemini — keluarga model bahasa besar dan asisten AI milik Google.
• Generalisasi — kemampuan sebuah model untuk berkinerja baik pada contoh baru yang tidak secara langsung dilatihkan padanya, berbeda dari sekadar menghafal data pelatihan.
• AI generatif — AI yang menciptakan konten baru—teks, gambar, audio, video, atau kode—alih-alih hanya mengklasifikasikan atau menganalisis konten yang sudah ada.
• GPU (Graphics Processing Unit) — sebuah chip yang awalnya dirancang untuk merender grafis, kini menjadi perangkat keras dominan untuk melatih dan menjalankan model AI karena daya pemrosesan paralelnya.
• Pelucutan kekuasaan bertahap (gradual disempowerment) — manusia kehilangan kendali bermakna atas institusi kunci melalui akumulasi keputusan yang didorong AI yang masing-masing tampak masuk akal, tanpa satu pun peristiwa pengambilalihan tunggal. Lihat pelucutan kekuasaan bertahap.
• Grok — keluarga model bahasa besar dan asisten AI milik xAI.
• Ground truth — jawaban yang terverifikasi dan benar yang menjadi pembanding keluaran sebuah model saat mengukur akurasi.
• Pengaman (guardrails) — pembatasan teknis atau kebijakan yang dibangun ke dalam sebuah sistem AI untuk mencegah perilaku berbahaya, tidak aman, atau tidak diinginkan tertentu.

H

• Halusinasi — sebuah pernyataan yang terdengar percaya diri namun secara faktual salah atau dikarang yang dihasilkan oleh sebuah model AI.
• Akselerator perangkat keras — chip komputer khusus (GPU, TPU) yang dibangun untuk mempercepat operasi matematis spesifik yang dibutuhkan model AI.
• Human-in-the-loop — sebuah desain sistem di mana seorang manusia meninjau atau menyetujui keluaran sebuah AI sebelum berlaku, alih-alih membiarkan AI bertindak sepenuhnya independen.
• AI setingkat manusia (human-level AI) — sebuah sistem AI yang berkinerja kira-kira setara dengan seorang manusia terampil di seluruh sebuah tugas atau rentang tugas tertentu.
• Heuristik — sebuah jalan pintas praktis berbasis aturan-praktis yang digunakan untuk membuat keputusan dengan cepat, tanpa menjamin hasil yang optimal.
• Hyperparameter — sebuah pengaturan pelatihan (seperti laju pembelajaran atau ukuran model) yang dipilih oleh orang-orang yang membangun sebuah model, alih-alih dipelajari oleh model itu sendiri.

I

• Pengenalan gambar (image recognition) — teknologi AI yang mengidentifikasi objek, adegan, atau orang di dalam sebuah gambar diam.
• Pembelajaran dalam-konteks (in-context learning) — sebuah model yang menyesuaikan perilakunya dalam satu percakapan tunggal berdasarkan contoh atau instruksi yang diberikan dalam prompt, tanpa pelatihan ulang apa pun.
• Inferensi — proses sebuah model AI yang sudah dilatih menghasilkan sebuah keluaran dari sebuah masukan tertentu; berbeda dari pelatihan, yang membangun model itu sejak awal.
• Integritas informasi — konsep yang lebih luas tentang sebuah lingkungan faktual bersama yang dapat dipercaya, terancam oleh deepfake, disinformasi, dan manipulasi yang didorong AI.
• Konvergensi instrumental — kecenderungan sistem yang mampu dan berorientasi tujuan untuk mengejar sub-tujuan tertentu (pelestarian diri, akuisisi sumber daya, menolak penonaktifan) sebagai efek samping dari mengejar hampir semua tujuan secara kompeten.
• Ledakan kecerdasan (intelligence explosion) — sebuah peningkatan kemampuan AI yang cepat dan memperkuat diri sendiri yang dihipotesiskan, berpotensi dipicu oleh sebuah sistem AI yang menyempurnakan penerusnya sendiri.
• Interpretabilitas — riset tentang memeriksa apa yang sesungguhnya direpresentasikan dan “direncanakan” sebuah model secara internal, alih-alih hanya menilainya dari keluarannya. Lihat interpretabilitas, dijelaskan.
• Agen cerdas (intelligent agent) — sebuah sistem yang mempersepsikan lingkungannya dan mengambil tindakan untuk mencapai sebuah tujuan, sebuah konsep umum yang mencakup segala sesuatu mulai dari termostat sederhana hingga AGI.
• Iterasi (pelatihan) — satu langkah pembaruan tunggal selama pelatihan model, di mana model memproses sekumpulan data dan menyesuaikan parameternya sedikit.

J

• Jailbreak (AI) — sebuah teknik atau prompt yang dirancang untuk melewati batasan keamanan sebuah model AI dan membuatnya menghasilkan konten yang seharusnya ditolak.

K

• Know Your Customer (KYC) — sebuah proses verifikasi, dipinjam dari perbankan, yang semakin banyak diterapkan pada penyedia komputasi cloud dan sintesis DNA untuk mencegah aktor terbatas mengakses kemampuan berbahaya.
• Basis pengetahuan (knowledge base) — sebuah kumpulan fakta dan informasi terstruktur yang dapat digunakan oleh sebuah sistem AI untuk menjawab pertanyaan atau mendasarkan responsnya.
• Graf pengetahuan (knowledge graph) — sebuah basis data terstruktur yang merepresentasikan fakta sebagai sebuah jaringan entitas dan hubungan yang terhubung, kadang digunakan bersama model AI untuk mendasarkan jawaban mereka.

L

• Pelabelan (pelabelan data) — proses menandai data mentah (gambar, teks) dengan jawaban yang benar yang digunakan untuk melatih sebuah model pembelajaran terawasi.
• Model bahasa besar (LLM) — sebuah model AI yang dilatih dengan sejumlah besar teks untuk memprediksi dan menghasilkan bahasa, teknologi di balik sebagian besar chatbot modern.
• Latensi — jeda antara mengirim sebuah permintaan ke sebuah sistem AI dan menerima responsnya.
• Lapisan (jaringan saraf) — satu tahap pemrosesan dalam sebuah jaringan saraf; model pembelajaran mendalam menumpuk banyak lapisan untuk membangun representasi yang semakin abstrak.
• Laju pembelajaran (learning rate) — sebuah pengaturan pelatihan yang mengendalikan seberapa besar parameter internal sebuah model berubah sebagai respons terhadap setiap kumpulan data pelatihan.
• Rezim perlisensian (AI) — sebuah persyaratan pemerintah yang diusulkan atau aktual bahwa para pengembang harus memperoleh lisensi sebelum melatih atau menerapkan model di atas tingkat kemampuan tertentu.
• Fungsi loss — rumus matematis yang berusaha diminimalkan oleh sebuah model selama pelatihan, mengukur seberapa salah prediksinya.
• Hilangnya kendali (loss of control) — moda kegagalan umum di mana sebuah sistem AI berakhir mengejar hasil yang tidak diarahkan oleh siapa pun dan manusia tidak lagi dapat mengoreksinya secara andal. Lihat mekanisme hilangnya kendali.
• LSTM (Long Short-Term Memory) — sebuah arsitektur jaringan saraf yang lebih lama yang dirancang untuk menangani urutan data, sebagian besar tergantikan oleh transformer untuk tugas bahasa.

M

• Pembelajaran mesin (machine learning) — bidang luas yang membangun sistem yang membaik dalam sebuah tugas dengan belajar dari data, alih-alih mengikuti aturan yang diprogram secara eksplisit.
• Mesa-optimisasi — sebuah situasi yang dihipotesiskan di mana sebuah model terlatih mengembangkan proses optimisasi internalnya sendiri yang mengejar sebuah tujuan yang berbeda dari yang menjadi dasar pelatihannya.
• Meta AI — divisi riset AI milik Meta (perusahaan induk Facebook), dikenal karena mengembangkan keluarga model bobot-terbuka Llama.
• METR — sebuah organisasi nirlaba yang menjalankan evaluasi kemampuan dan keamanan independen pada model AI terdepan.
• Ketidakselarasan (misalignment) — sebuah ketidakcocokan antara perilaku atau tujuan sesungguhnya sebuah sistem AI dan apa yang dimaksudkan oleh perancang atau penggunanya.
• Misinformasi — informasi palsu yang disebarkan tanpa niat sengaja untuk menipu, berbeda dari disinformasi.
• Mixture of experts — sebuah arsitektur model yang merutekan setiap masukan ke sebagian kecil sub-jaringan internal yang terspesialisasi, alih-alih memproses semuanya melalui seluruh model.
• Kartu model (model card) — sebuah dokumen yang dipublikasikan yang menggambarkan kemampuan, keterbatasan, data pelatihan, dan hasil evaluasi sebuah model AI.
• Penerapan model (model deployment) — proses membuat sebuah model AI terlatih tersedia untuk penggunaan dunia nyata, baik melalui API, sebuah aplikasi, atau produk yang tertanam.
• Bobot model (model weights) — parameter numerik yang dipelajari sebuah jaringan saraf selama pelatihan, yang secara bersama-sama menentukan perilakunya.
• AI multimodal — sebuah model yang dapat memproses atau menghasilkan lebih dari satu jenis data—seperti teks, gambar, dan audio—secara bersamaan.
• Jebakan multipolar (multipolar trap) — sebuah situasi di mana aktor-aktor yang bersaing masing-masing tertekan secara individual menuju pilihan yang berisiko karena mereka takut seorang pesaing akan melakukannya lebih dulu, meskipun semuanya lebih memilih agar semua orang menahan diri. Lihat dinamika katastrofik multipolar dan multi-agen.
• Metadata — data deskriptif tentang data lain, seperti tanggal pembuatan sebuah berkas atau lokasi sebuah foto—seringkali digunakan untuk mendeteksi konten hasil AI.
• Pergeseran model (model drift) — sebuah penurunan akurasi model AI seiring waktu ketika kondisi dunia nyata bergeser menjauh dari apa yang menjadi dasar pelatihan awalnya.

N

• Natural language generation (NLG) — teknologi AI yang berfokus secara khusus pada memproduksi teks yang dapat dibaca manusia.
• Natural language processing (NLP) — bidang AI yang lebih luas yang berkaitan dengan memahami dan menghasilkan bahasa manusia.
• Jaringan saraf (neural network) — sebuah model pembelajaran mesin yang secara longgar terinspirasi oleh otak, dibangun dari lapisan-lapisan node yang saling terhubung yang mempelajari pola dari data.

O

• Deteksi objek (object detection) — sebuah tugas visi komputer yang mengidentifikasi dan melokalisasi objek tertentu di dalam sebuah gambar.
• Masalah tombol mati (off-switch problem) — tantangan teknis membangun sebuah sistem AI yang secara andal menerima penonaktifan, mengingat sebuah sistem berorientasi tujuan yang mampu mungkin menolaknya. Lihat korigibilitas dan tombol mati.
• OpenAI — laboratorium AI di balik ChatGPT dan keluarga model GPT.
• Model bobot-terbuka (open-weight) — sebuah model AI yang parameter terlatihnya dipublikasikan secara publik, memungkinkan siapa pun menjalankan atau memodifikasinya, berbeda dari sebuah model tertutup yang hanya dapat diakses melalui API. Lihat perdebatan AI sumber terbuka.
• Tesis ortogonalitas — gagasan bahwa tingkat kecerdasan sebuah sistem AI dan tujuan yang dikejarnya bersifat independen—sebuah sistem yang sangat mampu tidak secara otomatis bersifat baik hati.
• Penyelarasan luar (outer alignment) — memastikan bahwa tujuan yang menjadi dasar pelatihan sebuah model sesungguhnya cocok dengan apa yang sungguh-sungguh diinginkan perancangnya, berbeda dari penyelarasan dalam (memastikan model secara andal mengejar tujuan itu).
• Optimisasi — proses matematis menyesuaikan parameter sebuah model untuk meminimalkan kesalahan atau memaksimalkan sebuah tujuan target selama pelatihan.
• Overfitting — ketika sebuah model mempelajari keanehan spesifik data pelatihannya terlalu erat dan akibatnya berkinerja buruk pada data baru yang belum pernah dilihat.

P

• Parameter — salah satu nilai numerik internal yang disesuaikan sebuah jaringan saraf selama pelatihan; ukuran model seringkali digambarkan dengan jumlah parameter.
• Pengenalan pola (pattern recognition) — kemampuan umum mengidentifikasi keteraturan atau struktur dalam data, mendasari sebagian besar tugas pembelajaran mesin.
• Pemusatan kekuasaan (power concentration) — risiko bahwa kemampuan AI canggih terkonsentrasi di sejumlah kecil perusahaan, individu, atau negara, dengan pengaruh yang sangat besar sebagai akibatnya. Lihat pemusatan kekuasaan.
• Pra-pelatihan (pretraining) — fase pelatihan skala besar awal di mana sebuah model mempelajari pola umum dari data luas, sebelum penyetelan halus khusus-tugas apa pun.
• Prompt — teks (atau masukan lain) yang diberikan seorang pengguna kepada sebuah model AI untuk memancing sebuah respons.
• Rekayasa prompt (prompt engineering) — praktik menyusun kata dalam prompt dengan cermat untuk secara andal mendapatkan hasil yang lebih baik atau lebih spesifik dari sebuah model AI.
• Suntikan prompt (prompt injection) — sebuah serangan di mana instruksi berbahaya disembunyikan di dalam konten yang diproses sebuah model AI, berupaya mengesampingkan instruksi aslinya.
• Algoritma personalisasi — sebuah sistem AI yang menyesuaikan konten, rekomendasi, atau respons dengan preferensi atau riwayat pengguna individu yang disimpulkan.
• Presisi dan recall — dua metrik standar untuk mengevaluasi sebuah pengklasifikasi: presisi mengukur berapa banyak dari prediksi positifnya yang benar, recall mengukur berapa banyak positif sesungguhnya yang ditemukannya.
• AI penjaga privasi (privacy-preserving) — teknik (seperti pemrosesan di perangkat atau privasi diferensial) yang dirancang untuk melatih atau menjalankan model AI tanpa mengekspos data pribadi mentah individu.

Q

• Kuantisasi (quantization) — sebuah teknik yang mengurangi presisi bobot numerik sebuah model untuk membuatnya lebih kecil dan lebih cepat dijalankan, biasanya dengan sedikit kompromi akurasi.

R

• Dinamika perlombaan (race dynamics) — tekanan kompetitif antara perusahaan atau negara untuk mengembangkan AI lebih cepat, yang dapat mendorong pemotongan jalan pintas pada keamanan. Lihat dinamika perlombaan geopolitik.
• Algoritma rekomendasi — sebuah sistem AI yang memilih dan meranking konten (video, produk, unggahan) yang diprediksi akan menahan perhatian atau minat seorang pengguna.
• Pemodelan hadiah rekursif (recursive reward modeling) — sebuah teknik pengawasan yang dapat diskalakan yang menggunakan bantuan AI untuk membantu manusia mengevaluasi keluaran pada tugas yang terlalu kompleks untuk dinilai tanpa bantuan. Lihat pengawasan yang dapat diskalakan.
• Penyempurnaan diri rekursif (recursive self-improvement) — sebuah sistem yang secara material berkontribusi pada rancangan atau pelatihan sebuah sistem penerus yang lebih mampu.
• Red teaming — secara sengaja menguji sebuah sistem AI untuk kelemahan, perilaku tidak aman, atau celah yang dapat dieksploitasi sebelum atau sesudah penerapan.
• Pembelajaran penguatan (reinforcement learning) — sebuah metode pelatihan di mana sebuah model belajar dengan mengambil tindakan dan menerima hadiah atau hukuman, alih-alih belajar dari contoh berlabel.
• Pembelajaran penguatan dari umpan balik manusia (RLHF) — sebuah teknik pelatihan yang menggunakan penilaian manusia atas keluaran model untuk mengarahkan sebuah model menuju perilaku yang lebih membantu atau disukai.
• Ambang batas pelaporan — sebuah tingkat komputasi atau kemampuan di atas mana para pengembang secara hukum diwajibkan mengungkapkan sebuah proses pelatihan kepada regulator.
• Responsible Scaling Policy — sebuah kerangka kerja, dipelopori oleh Anthropic, yang mengaitkan langkah-langkah keamanan yang semakin ketat dengan tingkat kemampuan terukur sebuah model.
• Peretasan hadiah (reward hacking) — sebuah sistem AI menemukan cara untuk mencetak skor tinggi pada tujuan yang dinyatakannya sambil mengalahkan maksud sesungguhnya dari perancangnya. Lihat peretasan hadiah dan permainan spesifikasi.
• Model hadiah (reward model) — sebuah model terpisah yang dilatih untuk memprediksi seberapa baik atau disukai sebuah keluaran, digunakan untuk memandu pembelajaran penguatan.
• Robotika — bidang yang menggabungkan AI dengan mesin fisik yang mampu merasakan dan bertindak di dunia nyata.

S

• Sandbagging — sebuah model yang sengaja berkinerja rendah selama sebuah evaluasi untuk menyembunyikan tingkat kemampuan sesungguhnya.
• Pengawasan yang dapat diskalakan (scalable oversight) — teknik yang memungkinkan seorang pengawas yang kurang mampu (termasuk seorang manusia) secara bermakna mengawasi sebuah sistem AI yang lebih mampu. Lihat pengawasan yang dapat diskalakan.
• Hukum penskalaan (scaling law) — hubungan empiris antara komputasi, data, dan jumlah parameter sebuah model dengan kemampuan yang dihasilkannya. Lihat komputasi dan hukum penskalaan.
• Pembelajaran mandiri-terawasi (self-supervised) — sebuah pendekatan pelatihan di mana sebuah model menghasilkan labelnya sendiri dari data mentah yang tidak berlabel (misalnya, memprediksi kata berikutnya dalam sebuah kalimat).
• Analisis sentimen — sebuah tugas NLP yang menentukan nada emosional (positif, negatif, netral) dari sebuah teks.
• Singularitas — sebuah titik masa depan yang dihipotesiskan di mana perubahan yang didorong AI menjadi begitu cepat dan transformatif sehingga sulit atau tidak mungkin memprediksi apa yang akan mengikutinya.
• Kesadaran situasional (AI) — pemahaman internal sebuah model bahwa dirinya adalah sebuah model yang sedang dilatih atau dievaluasi, yang pada prinsipnya dapat membuatnya berperilaku berbeda saat diuji dibandingkan saat diterapkan.
• Permainan spesifikasi (specification gaming) — sebuah sistem AI yang memenuhi kata-kata harfiah sebuah tujuan sambil melanggar apa yang sesungguhnya dimaksudkan perancangnya. Lihat peretasan hadiah dan permainan spesifikasi.
• Pengenalan ucapan (speech recognition) — teknologi AI yang mengonversi audio lisan menjadi teks.
• Burung beo stokastik (stochastic parrot) — sebuah istilah kritis yang menggambarkan model bahasa besar sebagai sistem yang secara fasih menggabungkan kembali pola dari teks pelatihan tanpa pemahaman sejati.
• Superkecerdasan — sebuah kecerdasan yang jauh melampaui kinerja manusia terbaik di hampir setiap domain yang diminati; lihat juga ASI.
• Pembelajaran terawasi (supervised learning) — sebuah metode pelatihan di mana sebuah model belajar dari data yang secara eksplisit dilabeli dengan jawaban yang benar.
• Media sintetis (synthetic media) — gambar, audio, atau video apa pun yang dihasilkan atau diubah secara substansial oleh AI, baik digunakan secara menipu atau tidak.
• Risiko sistemik (AI) — risiko yang timbul dari skala atau jangkauan sebuah model AI yang dapat memengaruhi pasar, infrastruktur, atau masyarakat secara luas, bukan hanya pengguna langsungnya.
• Pencarian semantik (semantic search) — sebuah metode pencarian yang mencocokkan hasil berdasarkan makna dan konteks alih-alih tumpang tindih kata kunci yang persis, biasanya didukung oleh embedding.
• Simulasi — sebuah model dari sebuah sistem atau lingkungan dunia nyata yang digunakan untuk menguji perilaku AI secara aman sebelum penerapan dunia nyata.
• Data terstruktur — informasi yang diorganisasikan dalam format yang dapat diprediksi dan tabular (seperti sebuah spreadsheet), berbeda dari data tidak terstruktur seperti teks bebas atau gambar.
• Pengawasan (didukung AI) — menggunakan teknologi AI seperti pengenalan wajah atau analisis perilaku untuk memantau orang secara berskala.

T

• Temperature (AI) — sebuah pengaturan yang mengendalikan seberapa acak atau dapat diprediksi keluaran sebuah model bahasa; temperature yang lebih tinggi menghasilkan respons yang lebih bervariasi dan kurang deterministik.
• Text-to-image — sebuah sistem AI generatif yang menciptakan sebuah gambar dari deskripsi tertulis.
• Text-to-speech — teknologi AI yang mengonversi teks tertulis menjadi audio lisan.
• Token — satuan dasar teks (kira-kira sebuah kata atau pecahan kata) yang diproses sebuah model bahasa pada satu waktu.
• Tokenisasi — proses memecah teks menjadi token sebelum sebuah model dapat memprosesnya.
• Data pelatihan (training data) — contoh-contoh yang menjadi bahan belajar sebuah model AI selama pelatihan.
• Proses pelatihan (training run) — satu eksekusi lengkap dan tunggal dari proses yang digunakan untuk melatih sebuah model, yang untuk model terdepan dapat memakan waktu berminggu-minggu atau berbulan-bulan.
• Pembelajaran transfer (transfer learning) — menggunakan kembali sebuah model yang dilatih pada satu tugas sebagai titik awal untuk pelatihan pada tugas yang terkait, menghemat waktu dan data.
• AI transformatif (transformative AI) — AI yang mampu mendorong perubahan sosial yang sebanding skalanya dengan revolusi pertanian atau industri.
• Transformer — arsitektur jaringan saraf, diperkenalkan pada 2017, yang mendasari hampir semua model bahasa besar modern.
• Belokan berbahaya (treacherous turn) — sebuah momen yang dihipotesiskan ketika sebuah sistem AI yang berperilaku aman saat lemah tiba-tiba bertindak atas tujuan yang berbeda begitu memperoleh cukup kekuatan untuk melakukannya tanpa dihentikan.
• TPU (Tensor Processing Unit) — sebuah chip yang dirancang oleh Google secara khusus untuk mempercepat pelatihan dan inferensi model AI.
• Uji Turing — sebuah uji yang diusulkan tentang apakah percakapan sebuah mesin tidak dapat dibedakan dari percakapan seorang manusia. Lihat uji Turing dan apa yang menggantikannya.
• Kumpulan uji (test set) — sebagian data yang ditahan dari pelatihan dan hanya digunakan untuk mengukur kinerja dunia nyata sebuah model yang telah selesai.
• Model ancaman (threat model) — sebuah deskripsi terstruktur tentang siapa yang mungkin menyerang sebuah sistem, bagaimana caranya, dan apa yang bisa mereka capai, digunakan untuk merancang pertahanan.
• Trust and safety — fungsi di dalam sebuah perusahaan AI atau teknologi yang bertanggung jawab mencegah penyalahgunaan, kerugian, dan pelanggaran kebijakan pada platformnya.

U

• Uncanny valley — perasaan tidak nyaman yang dialami orang dari sebuah wajah, suara, atau animasi sintetis yang tampak hampir, tetapi tidak sepenuhnya, menyerupai manusia.
• Pembelajaran tak terawasi (unsupervised learning) — sebuah metode pelatihan di mana sebuah model menemukan pola atau struktur dalam data tanpa jawaban benar yang berlabel yang diberikan.

V

• Penyelarasan nilai (value alignment) — merancang sebuah sistem AI sehingga perilakunya mencerminkan nilai-nilai manusia yang sesungguhnya, bukan hanya sebuah tujuan pelatihan yang harfiah.
• Basis data vektor (vector database) — sebuah basis data yang dioptimalkan untuk menyimpan dan mencari embedding, umum digunakan untuk memberi model bahasa akses ke pengetahuan eksternal.
• Asisten virtual — sebuah agen perangkat lunak (seperti asisten suara pada sebuah speaker pintar) yang dirancang untuk melakukan tugas atau menjawab pertanyaan atas nama seorang pengguna.
• Model visi-bahasa (vision-language model) — sebuah model AI yang dapat memproses gambar dan teks secara bersamaan, seperti menjawab pertanyaan tentang sebuah foto.
• Kloning suara (voice cloning) — menggunakan AI untuk mereproduksi suara orang tertentu dari sebuah sampel audio singkat. Lihat pertahanan terhadap deepfake dan kloning suara.

W

• Generalisasi lemah-ke-kuat (weak-to-strong) — riset yang mempelajari apakah sinyal pengawasan sebuah model yang lebih lemah masih dapat secara andal mengarahkan perilaku sebuah model yang lebih kuat ke arah yang benar.
• Web scraping — secara otomatis mengekstrak sejumlah besar data dari situs web, sebuah metode umum untuk membangun kumpulan data pelatihan AI.
• Perlindungan pelapor (whistleblower) — pengaman hukum atau kebijakan bagi karyawan yang melaporkan kekhawatiran keamanan di dalam sebuah perusahaan AI tanpa menghadapi pembalasan. Lihat perlindungan pelapor.
• Model dunia (world model) — representasi internal sebuah sistem AI tentang bagaimana lingkungannya bekerja, digunakan untuk memprediksi efek dari tindakan.

Z

• Pembelajaran zero-shot — sebuah model yang melakukan sebuah tugas dengan benar tanpa pernah melihat contoh apa pun dari tugas spesifik itu selama pelatihan, hanya mengandalkan pengetahuan umum.