Ketika ChatGPT, Gemini, AI generatif, computer vision, kendaraan otonom, hingga AI yang dapat menulis program menjadi bagian dari kehidupan sehari-hari, perkembangan ini sering terasa seperti sesuatu yang muncul secara tiba-tiba.

Padahal, gagasan tentang mesin yang mampu meniru kecerdasan manusia telah dibicarakan selama puluhan tahun.

Yang menarik, sebagian prediksi tersebut ternyata cukup dekat dengan kenyataan. Sebagian lainnya terlalu optimistis, terlambat puluhan tahun, atau bahkan membayangkan jalur perkembangan AI yang berbeda dari apa yang akhirnya terjadi.

Sejarah AI karena itu bukan hanya sejarah teknologi. Ia juga merupakan sejarah tentang bagaimana manusia membayangkan masa depan—dan betapa sulitnya memprediksi kapan sebuah teknologi akan benar-benar matang.

1950: Alan Turing dan Pertanyaan "Bisakah Mesin Berpikir?"

Salah satu titik penting dalam sejarah pemikiran AI muncul pada tahun 1950 ketika Alan Turing menerbitkan makalah berjudul Computing Machinery and Intelligence.

Makalah tersebut dibuka dengan sebuah pertanyaan sederhana:

"Can machines think?"

Alih-alih terjebak dalam definisi filosofis mengenai apa yang dimaksud dengan "berpikir", Turing mengusulkan pendekatan yang kemudian dikenal sebagai Imitation Game atau Turing Test.

Secara sederhana, bayangkan seseorang berkomunikasi melalui terminal dengan dua pihak yang tidak terlihat.

Salah satunya manusia.

Satu lagi komputer.

Jika melalui percakapan tersebut manusia sulit menentukan mana komputer dan mana manusia, mesin tersebut setidaknya telah menunjukkan perilaku yang menyerupai kecerdasan manusia.

Pada tahun 1950, komputer bahkan belum menjadi barang yang umum digunakan masyarakat. Namun Turing sudah membicarakan sebuah situasi yang hari ini terasa sangat familiar: manusia bercakap-cakap dengan mesin menggunakan bahasa alami.

Turing bahkan memperkirakan bahwa pada akhir abad ke-20 komputer akan mampu memainkan imitation game dengan cukup baik sehingga seorang penanya memiliki peluang yang signifikan untuk salah mengidentifikasi mesin setelah percakapan singkat.

Dengan kata lain, jauh sebelum chatbot modern muncul, kemungkinan percakapan manusia-mesin sudah menjadi objek pemikiran ilmiah.

Referensi: Alan M. Turing, Computing Machinery and Intelligence, Mind, 1950.

1956: Artificial Intelligence Mendapatkan Namanya

Enam tahun kemudian, sebuah pertemuan penting berlangsung di Dartmouth College, Amerika Serikat.

Pertemuan tersebut dikenal sebagai Dartmouth Summer Research Project on Artificial Intelligence.

Di sinilah istilah Artificial Intelligence mulai digunakan sebagai nama sebuah bidang penelitian.

Proposal Dartmouth yang disusun pada 1955 membawa sebuah gagasan yang sangat ambisius: aspek pembelajaran dan kecerdasan pada prinsipnya dapat dideskripsikan dengan cukup tepat sehingga sebuah mesin dapat dibuat untuk mensimulasikannya.

Para peneliti saat itu sudah membicarakan berbagai persoalan yang sampai hari ini masih menjadi bagian utama penelitian AI:

• bagaimana mesin menggunakan bahasa,
• bagaimana mesin membentuk konsep dan abstraksi,
• bagaimana mesin memecahkan masalah,
• bagaimana mesin belajar,
• dan bagaimana mesin meningkatkan kemampuannya sendiri.

Jika membaca daftar tersebut sekarang, pertanyaannya terdengar sangat modern.

Bedanya, komputer pada masa itu memiliki kemampuan komputasi yang sangat jauh dibandingkan perangkat hari ini.

Referensi: Dartmouth College, sejarah Dartmouth Summer Research Project on Artificial Intelligence.

1957: Komputer Diprediksi Akan Menjadi Juara Dunia Catur

Pada akhir 1950-an, optimisme terhadap AI meningkat sangat cepat.

Herbert Simon dan Allen Newell bahkan pernah memperkirakan bahwa dalam waktu sekitar sepuluh tahun sebuah komputer akan menjadi juara dunia catur.

Prediksi waktunya ternyata terlalu optimistis.

Komputer tidak menjadi juara dunia catur pada 1967.

Namun ide dasarnya akhirnya menjadi kenyataan.

Empat dekade kemudian, pada 1997, IBM Deep Blue mengalahkan juara dunia Garry Kasparov dalam sebuah pertandingan catur enam game.

Ini memberikan pelajaran penting dalam membaca sejarah AI:

Sebuah prediksi teknologi dapat benar mengenai arah perkembangan, tetapi sangat salah mengenai waktunya.

Inilah pola yang berulang kali muncul dalam sejarah Artificial Intelligence.

Referensi historis mengenai prediksi Simon dan Newell: Datamation, 1960.

1960-an: Manusia Mulai Berbicara dengan Komputer

Pada 1960-an, penelitian Natural Language Processing mulai berkembang.

Salah satu eksperimen paling terkenal adalah ELIZA, program yang dibuat Joseph Weizenbaum di MIT pada pertengahan 1960-an.

Salah satu skrip ELIZA yang terkenal, DOCTOR, mensimulasikan percakapan dengan psikoterapis.

Percakapannya kurang lebih dapat terlihat seperti:

Manusia:
Saya sedang merasa sedih.

ELIZA:
Mengapa Anda mengatakan bahwa Anda sedang merasa sedih?

Kemampuannya tentu sangat jauh dibandingkan Large Language Model modern.

ELIZA tidak memiliki pemahaman bahasa seperti yang kita asosiasikan dengan AI generatif saat ini. Banyak responsnya berasal dari pencocokan pola dan transformasi kalimat.

Tetapi eksperimen tersebut memperlihatkan sesuatu yang penting:

manusia ternyata sangat mudah memberikan kesan kecerdasan, pemahaman, bahkan kepribadian kepada sebuah program komputer.

Fenomena tersebut kemudian dikenal sebagai ELIZA Effect.

Stanford AI100 mencatat perkembangan natural language processing pada akhir 1960-an sebagai salah satu bagian dari perkembangan awal AI.

1960–1970-an: Optimisme AI Sangat Tinggi

Keberhasilan eksperimen awal membuat banyak peneliti percaya bahwa kecerdasan mesin akan berkembang sangat cepat.

Komputer sudah dapat:

• memainkan permainan,
• membuktikan beberapa teorema matematika,
• memproses bahasa sederhana,
• memecahkan persoalan dalam lingkungan terbatas,
• dan menjalankan bentuk awal pembelajaran mesin.

Muncul kesan bahwa tinggal beberapa langkah lagi sebelum mesin mencapai kecerdasan yang jauh lebih umum.

Tetapi ternyata persoalannya jauh lebih sulit.

Dunia nyata memiliki terlalu banyak kemungkinan.

Bahasa manusia penuh ambiguitas.

Pengetahuan manusia sangat luas.

Komputer masih sangat lambat.

Data digital belum tersedia dalam skala besar.

Memori dan penyimpanan sangat mahal.

Akibatnya, banyak janji awal AI tidak dapat diwujudkan sesuai jadwal.

AI Winter: Ketika Prediksi Bertemu Kenyataan

Pada beberapa periode, ekspektasi terhadap AI jauh lebih tinggi dibandingkan kemampuan teknologi yang sebenarnya.

Ketika hasil penelitian tidak sesuai dengan harapan, pendanaan dan ketertarikan terhadap AI ikut menurun.

Periode tersebut kemudian dikenal sebagai:

AI Winter.

Salah satu periode penting terjadi pada 1970-an, dan penurunan besar lainnya terjadi pada akhir 1980-an hingga awal 1990-an.

Stanford AI100 menjelaskan bahwa pada 1980-an masih terdapat kesenjangan besar antara teori AI dan keberhasilan praktis. Pendekatan berbasis logika simbolik juga menghadapi keterbatasan ketika berhadapan dengan ketidakpastian dunia nyata. Ketertarikan dan pendanaan kemudian menurun.

AI tidak mati.

Yang berubah adalah ekspektasi terhadapnya.

Neural Network: Ide Lama yang Menunggu Dunia Mengejarnya

Ada hal menarik lainnya dalam sejarah AI.

Teknologi yang sekarang menjadi fondasi banyak sistem AI sebenarnya bukan gagasan yang sepenuhnya baru.

Model matematis neuron sudah muncul pada 1940-an.

Frank Rosenblatt mengembangkan Perceptron pada 1950-an.

Artificial Neural Network kemudian terus berkembang.

Secara sederhana idenya adalah:

Input
  ↓
Artificial Neurons
  ↓
Weights
  ↓
Mathematical Operations
  ↓
Output

Masalahnya, selama bertahun-tahun kita belum memiliki kombinasi yang cukup antara:

DATA
+
COMPUTE
+
ALGORITHM

Internet kemudian menghasilkan data dalam jumlah sangat besar.

GPU menyediakan kemampuan komputasi paralel.

Teknik training neural network semakin matang.

Ketika ketiga faktor tersebut bertemu, sesuatu yang sebelumnya lebih banyak hidup di laboratorium mulai menjadi teknologi praktis.

2012: Deep Learning Mengubah Arah AI

Salah satu titik penting terjadi pada 2012 melalui kompetisi pengenalan gambar ImageNet.

AlexNet menunjukkan kemampuan neural network yang jauh lebih baik dibandingkan banyak pendekatan sebelumnya dalam klasifikasi gambar.

Setelah itu perkembangan deep learning semakin cepat.

AI mulai menunjukkan kemampuan tinggi dalam:

IMAGE
   ↓
Computer Vision

VOICE
   ↓
Speech Recognition

TEXT
   ↓
Natural Language Processing

Hal menariknya adalah manusia sebenarnya sudah lama membayangkan mesin yang dapat melihat, mendengar, dan memahami bahasa.

Yang sulit diprediksi adalah kapan kemampuan komputasi dan data akan cukup untuk mewujudkannya secara praktis.

2017: Transformer Mengubah Permainan

Pada 2017, sekelompok peneliti memperkenalkan paper:

Attention Is All You Need

Paper tersebut memperkenalkan arsitektur Transformer.

Transformer awalnya dikembangkan dalam konteks pemrosesan sequence dan machine translation.

Namun arsitektur ini kemudian menjadi salah satu fondasi terpenting perkembangan Large Language Model.

Secara sangat sederhana:

Text
  ↓
Token
  ↓
Embedding
  ↓
Transformer
  ↓
Attention
  ↓
Prediction

Transformer memungkinkan model mempelajari hubungan antarbagian dalam sebuah sequence secara efektif dan dapat dilatih secara paralel dengan lebih baik dibandingkan banyak pendekatan sebelumnya.

Paper tersebut tidak mengatakan:

"Ini akan menjadi ChatGPT."

Namun teknologi yang diperkenalkannya menjadi salah satu fondasi yang memungkinkan generasi LLM modern berkembang.

Referensi: Vaswani et al., Attention Is All You Need, 2017.

2020-an: AI Mulai Mendekati Gambaran Lama tentang Mesin Cerdas

Perkembangan Large Language Model kemudian mengubah cara masyarakat melihat AI.

Sebelumnya AI sering berada di belakang layar.

Misalnya:

Recommendation System
Fraud Detection
Search Ranking
Image Recognition
Spam Detection

Pengguna tidak selalu menyadari bahwa mereka sedang menggunakan sistem AI.

Generative AI mengubah keadaan tersebut.

Sekarang manusia dapat berinteraksi langsung dengan AI:

Manusia
   ↓
Bahasa Natural
   ↓
AI
   ↓
Teks
Gambar
Audio
Video
Kode
Analisis

AI tidak lagi hanya menjadi komponen sebuah sistem.

AI mulai menjadi interface antara manusia dan komputer.

Inilah bagian yang membuat perkembangan AI terasa sangat cepat bagi masyarakat umum.

Prediksi Lama Benar, Tetapi Jalannya Berbeda

Jika kita melihat sejarah tersebut, ada sebuah pola menarik.

Manusia sejak lama sudah membayangkan:

Mesin bermain catur        ✓

Mesin memahami bahasa      ✓

Mesin mengenali gambar     ✓

Mesin belajar dari data    ✓

Mesin berbicara            ✓

Mesin menulis              ✓

Mesin membantu manusia     ✓

Namun banyak peneliti awal membayangkan bahwa kecerdasan mesin akan dibangun terutama dengan memberikan aturan dan pengetahuan secara eksplisit kepada komputer.

Misalnya:

IF pelanggan belum membayar
AND tanggal > jatuh_tempo
THEN status = suspended

Untuk sistem bisnis tertentu, pendekatan seperti ini memang masih sangat tepat.

Tetapi AI modern menunjukkan jalur lain.

Daripada memasukkan jutaan aturan bahasa secara manual:

DATA
   ↓
TRAINING
   ↓
MODEL
   ↓
POLA
   ↓
PREDICTION

Mesin mempelajari representasi dan pola dari data.

Perubahan paradigma inilah yang sulit diprediksi secara tepat oleh generasi awal AI.

Kesalahan Terbesar Prediksi AI: Waktu

Sejarah AI mengajarkan bahwa pertanyaan:

"Apakah teknologi ini mungkin?"

sering kali lebih mudah dijawab daripada:

"Kapan teknologi ini akan benar-benar terjadi?"

Komputer menjadi sangat kuat.

Internet menghasilkan data dalam skala yang sebelumnya sulit dibayangkan.

GPU berkembang.

Cloud computing menyediakan komputasi dalam skala besar.

Algoritma menjadi lebih baik.

Dan semua perkembangan tersebut saling memperkuat.

Akibatnya:

Ide AI
+
Data
+
Algoritma
+
Compute
+
Storage
+
Internet
=
Percepatan AI

Sebuah teknologi tidak berkembang dalam ruang kosong.

Kemajuan di satu bidang dapat membuka kemajuan di bidang lainnya.

Dan Prediksi Kita Hari Ini Juga Bisa Salah

Pada 2025–2026, diskusi AI banyak bergerak menuju:

• reasoning model,
• multimodal AI,
• AI agents,
• penggunaan tools oleh AI,
• coding agents,
• robotics,
• AI untuk penelitian ilmiah,
• model yang semakin kecil dan efisien,
• serta sistem AI yang semakin terintegrasi dengan software sehari-hari.

Stanford AI Index 2025 mencatat bahwa model AI meningkat sangat cepat pada berbagai benchmark baru. Pada SWE-bench, misalnya, performa sistem AI yang dilaporkan meningkat dari hanya 4,4% pada 2023 menjadi 71,7% pada 2024. Namun laporan yang sama juga menekankan bahwa complex reasoning masih menjadi tantangan.

Data lain juga memperlihatkan sesuatu yang menarik.

Model tidak selalu harus semakin besar untuk menjadi berguna.

Stanford mencatat bahwa pada 2022 model terkecil yang melewati skor 60% pada benchmark MMLU memiliki 540 miliar parameter. Pada 2024, Phi-3-mini dengan 3,8 miliar parameter dapat melewati ambang yang sama—perbedaan ukuran sekitar 142 kali.

Perkembangan itu penting karena masa depan AI mungkin bukan sekadar:

MODEL
  ↓
SEMAKIN BESAR
  ↓
SEMAKIN PINTAR

Tetapi bisa bergerak menuju:

MODEL LEBIH EFISIEN
        +
REASONING
        +
MEMORY
        +
TOOLS
        +
RETRIEVAL
        +
AGENTS
        ↓
AI SYSTEM

Laporan Stanford AI Index 2026 bahkan menunjukkan bahwa kemampuan AI masih meningkat cepat pada sejumlah benchmark dan bahwa evaluasi yang dirancang sulit untuk AI dapat menjadi jauh lebih mudah bagi model hanya dalam waktu relatif singkat.

Tetapi sejarah mengajarkan kita untuk berhati-hati.

Kemajuan benchmark tidak otomatis berarti kita telah menciptakan kecerdasan seperti manusia.

Mungkin Kita Sedang Mengulangi Sejarah

Bayangkan seseorang pada 1950 membaca tulisan Alan Turing tentang mesin yang berkomunikasi dengan manusia.

Bagi masyarakat saat itu, gagasan tersebut mungkin terdengar futuristik.

Hari ini kita melakukannya setiap hari.

Kita mengetik:

"Tolong jelaskan laporan ini."

AI menjelaskan.

Kita meminta:

"Buatkan program untuk membaca sensor."

AI menghasilkan kode.

Kita memberikan gambar:

"Apa yang ada di gambar ini?"

AI menganalisisnya.

Hal-hal yang dahulu menjadi bahan diskusi ilmiah dan fiksi ilmiah sekarang dapat dijalankan dari sebuah telepon genggam.

Pertanyaan yang Lebih Menarik Bukan "Seberapa Pintar AI?"

Melihat sejarah tersebut, mungkin pertanyaan mengenai masa depan AI sebaiknya tidak berhenti pada:

"Apakah AI akan menjadi semakin pintar?"

Hampir pasti kemampuan teknologi akan terus berkembang.

Pertanyaan yang lebih menarik adalah:

Kemampuan AI apa yang hari ini masih terdengar tidak realistis, tetapi 20 tahun lagi akan dianggap biasa?

Pada 1950, percakapan alami dengan komputer adalah sebuah eksperimen pemikiran.

Pada 1990-an, komputer yang mengalahkan juara dunia catur masih menjadi berita besar.

Pada 2010-an, menghasilkan tulisan, gambar, suara, dan program komputer menggunakan satu keluarga teknologi masih belum menjadi pengalaman sehari-hari.

Sekarang kita berada pada fase berikutnya.

Dan seperti para peneliti AI generasi sebelumnya, kita mungkin cukup mampu memperkirakan arahnya, tetapi masih sangat buruk dalam memperkirakan waktunya.

Penutup

Sejarah Artificial Intelligence menunjukkan sesuatu yang menarik: banyak gagasan tentang AI modern sebenarnya bukanlah gagasan baru.

Manusia sudah lama membayangkan mesin yang dapat belajar, berbicara, melihat, memecahkan masalah, dan membantu manusia.

Namun perjalanan menuju kemampuan tersebut tidak berlangsung lurus.

Ada optimisme.

Ada kegagalan.

Ada AI Winter.

Ada teknologi yang dianggap tidak menjanjikan lalu kembali puluhan tahun kemudian.

Ada pula penemuan yang awalnya dibuat untuk satu persoalan tetapi akhirnya menjadi fondasi teknologi yang jauh lebih besar.

Karena itu, ketika membaca prediksi AI hari ini, kita sebaiknya tidak hanya bertanya:

"Apakah ini mungkin?"

Tetapi juga:

"Teknologi apa yang masih kurang agar hal tersebut menjadi mungkin?"

Sejarah AI memperlihatkan bahwa terkadang sebuah gagasan telah ada jauh sebelum dunia memiliki data, algoritma, perangkat keras, dan infrastruktur yang cukup untuk mewujudkannya.

Mungkin beberapa gagasan AI yang hari ini terdengar terlalu futuristik juga sedang menunggu hal yang sama.

Referensi

1. Alan M. Turing — Computing Machinery and Intelligence, Mind, Oxford University Press, 1950.
2. Dartmouth College — Dartmouth Summer Research Project on Artificial Intelligence.
3. Stanford University — One Hundred Year Study on Artificial Intelligence: A Short History of AI.
4. Vaswani et al. — Attention Is All You Need, 2017.
5. Stanford Institute for Human-Centered AI — AI Index Report 2025.
6. Stanford Institute for Human-Centered AI — AI Index Report 2026.