Di sini, saya bertujuan untuk mengorganisasi Sistem Kecerdasan Belajar Buatan (Artificial Learning Intelligence System - ALIS) dengan mencakup konsep dan prinsipnya, hingga desain dasar dan metode pengembangannya.
Konsep
AI generatif saat ini, terutama model bahasa besar, dilatih berdasarkan pembelajaran terawasi menggunakan jaringan saraf.
Kami memposisikan proses pelatihan jaringan saraf ini sebagai pembelajaran bawaan.
ALIS adalah sistem yang memungkinkan inferensi komprehensif dengan mengintegrasikan proses pembelajaran bawaan dan yang didapat, dengan menggabungkan proses pembelajaran yang didapat secara terpisah dari pembelajaran bawaan.
Dalam pembelajaran yang didapat ini, pengetahuan yang dipelajari disimpan secara eksternal dari jaringan saraf dan digunakan selama inferensi.
Oleh karena itu, inti teknis ALIS terletak pada ekstraksi, penyimpanan pengetahuan yang dapat digunakan kembali, serta pemilihan dan pemanfaatan pengetahuan selama inferensi.
Selain itu, ALIS bukan sekadar satu teknologi dasar, melainkan juga teknologi sistem yang menggabungkan pembelajaran bawaan dan yang didapat.
Elemen Sistem Kecerdasan Belajar
ALIS memperlakukan baik pembelajaran bawaan yang sudah ada maupun pembelajaran yang didapat di masa depan sebagai beroperasi di bawah prinsip yang sama dalam kerangka kerja pembelajaran dan inferensi.
Untuk menjelaskan prinsip-prinsip pembelajaran dalam ALIS, kami mendefinisikan lima elemen sistem kecerdasan belajar:
Yang pertama adalah Prosesor Cerdas. Ini mengacu pada sistem pemrosesan yang melakukan inferensi menggunakan pengetahuan dan mengekstraksi pengetahuan untuk pembelajaran.
Contoh representatif prosesor cerdas meliputi LLM dan bagian-bagian otak manusia.
Yang kedua adalah Penyimpanan Pengetahuan. Ini mengacu pada lokasi penyimpanan di mana pengetahuan yang diekstraksi disimpan dan dapat diambil sesuai kebutuhan.
Dalam LLM, penyimpanan pengetahuan adalah parameter jaringan saraf. Pada manusia, ini sesuai dengan memori jangka panjang di otak.
Yang ketiga adalah Dunia. Ini mengacu pada lingkungan eksternal sebagaimana dipersepsikan oleh sistem kecerdasan belajar seperti manusia atau ALIS.
Bagi manusia, dunia adalah realitas itu sendiri. Dalam kasus LLM, mekanisme yang menerima keluaran dari LLM dan memberikan umpan balik kepadanya dianggap setara dengan dunia.
Yang keempat adalah Memori Status. Ini mengacu pada memori sementara internal, seperti scratchpad, yang digunakan sistem kecerdasan belajar selama inferensi.
Dalam LLM, ini adalah ruang memori yang digunakan selama inferensi, yang dikenal sebagai hidden states. Pada manusia, ini sesuai dengan memori jangka pendek.
Yang kelima adalah Kerangka Kerja. Ini adalah apa yang disebut kerangka berpikir. Dalam terminologi sistem kecerdasan belajar, ini mengacu pada kriteria untuk memilih pengetahuan yang diperlukan selama inferensi dan struktur ruang status logis untuk mengorganisasi memori status.
Dalam LLM, ini adalah struktur semantik dari hidden states, dan secara umum, isinya kabur dan tidak dapat dipahami oleh manusia. Selain itu, pemilihan pengetahuan diintegrasikan ke dalam mekanisme perhatian, yang memilih token mana yang sudah ada untuk dirujuk untuk setiap token yang sedang diproses.
Bagi manusia, seperti yang disebutkan di atas, ini adalah kerangka berpikir. Ketika berpikir menggunakan kerangka berpikir tertentu, kumpulan pengetahuan tertentu ditarik dari memori jangka panjang dan dimuat ke dalam memori jangka pendek. Kemudian, informasi yang sedang dipersepsikan diorganisasi sesuai dengan kerangka berpikir untuk memahami situasi.
Prinsip-prinsip Sistem Kecerdasan Belajar
Sistem kecerdasan belajar beroperasi sebagai berikut:
Prosesor cerdas bertindak pada dunia. Dunia merespons dengan hasil berdasarkan tindakan tersebut.
Prosesor cerdas mengekstrak pengetahuan yang dapat digunakan kembali dari hasil ini dan menyimpannya di penyimpanan pengetahuan.
Ketika prosesor cerdas bertindak berulang kali pada dunia, ia memilih pengetahuan dari penyimpanan pengetahuan dan menggunakannya untuk memodifikasi cara tindakannya.
Ini adalah mekanisme dasar.
Namun, pada dasarnya, metode ekstraksi, penyimpanan, pemilihan, dan pemanfaatan pengetahuan menentukan apakah sistem dapat mencapai pembelajaran yang berarti.
Manusia memiliki mekanisme yang memungkinkan ekstraksi, penyimpanan, pemilihan, dan pemanfaatan pengetahuan yang efektif, yang memungkinkan mereka untuk belajar.
Jaringan saraf, termasuk LLM, memiliki mekanisme untuk penyimpanan, pemilihan, dan pemanfaatan, meskipun bagian ekstraksi ditangani oleh guru eksternal. Ini memungkinkan mereka untuk belajar selama seorang guru memberikan masukan.
Selain itu, sistem kecerdasan belajar dapat mencapai pembelajaran yang lebih kompleks dengan juga mempelajari ekstraksi, penyimpanan, dan pemilihan kerangka kerja, serta pemanfaatannya dalam memori status, sebagai pengetahuan.
Jenis Pengetahuan
Berdasarkan prinsip ini, saat merancang pembelajaran yang didapat, penting untuk mengklarifikasi bentuk informasi apa yang akan diambil oleh pengetahuan yang didapat.
Dimungkinkan untuk mempelajari pengetahuan yang didapat secara terpisah sebagai parameter jaringan saraf.
Namun, pengetahuan yang didapat tidak harus terbatas hanya pada parameter jaringan saraf. Kandidat yang realistis adalah pengetahuan yang diubah menjadi teks dalam bahasa alami.
Jika pengetahuan diubah menjadi teks dalam bahasa alami, ia dapat diekstraksi dan dimanfaatkan dengan memanfaatkan kemampuan pemrosesan bahasa alami dari LLM. Selain itu, ia dapat diperlakukan sebagai data dalam sistem IT biasa, membuat penyimpanan dan pemilihan menjadi mudah.
Terlebih lagi, pengetahuan yang diubah menjadi teks dalam bahasa alami mudah bagi manusia dan LLM lainnya untuk diperiksa, dipahami, dan, dalam beberapa kasus, diedit.
Ia juga dapat dibagikan dengan sistem kecerdasan belajar lainnya, serta digabungkan atau dipisahkan.
Untuk alasan-alasan ini, pengetahuan yang didapat dalam konsep ALIS pada awalnya akan dirancang untuk menargetkan pengetahuan yang diubah menjadi teks dalam bahasa alami.
Memori Status Akuisisi dan Kerangka Kerja
Saya telah menjelaskan keuntungan memilih pengetahuan berbentuk teks bahasa alami sebagai pengetahuan akuisisi.
Demikian pula, teks bahasa alami juga dapat digunakan untuk memori status dan kerangka kerja untuk inferensi.
Kerangka kerja, yang merupakan struktur konseptual, juga dapat disimpan dan dimanfaatkan dalam penyimpanan pengetahuan sebagai pengetahuan berbentuk teks bahasa alami.
Ketika menginisialisasi atau memperbarui status berdasarkan struktur yang ditentukan oleh kerangka kerja tersebut, memori status berbasis teks dapat digunakan.
Dengan merancang ALIS untuk menggunakan format teks tidak hanya untuk pengetahuan akuisisi tetapi juga untuk kerangka kerja dan memori status, ALIS dapat memanfaatkan kemampuan pemrosesan bahasa alami LLM untuk pembelajaran akuisisi dan inferensi umum.
Pengetahuan Formal
Pengetahuan yang didapat, kerangka kerja, dan memori status dapat direpresentasikan tidak hanya oleh teks bahasa alami tetapi juga oleh bahasa formal atau model formal yang lebih ketat.
Meskipun saya menulis "memilih", tujuan ALIS adalah untuk menggabungkan berbagai mekanisme pembelajaran pengetahuan yang didapat untuk memungkinkan pemanfaatan hibrida dari pembelajaran bawaan dan yang didapat.
Pengetahuan yang direpresentasikan oleh bahasa formal atau model formal bisa lebih ketat dan bebas dari ambiguitas.
Selanjutnya, jika suatu kerangka kerja diekspresikan menggunakan bahasa formal atau model formal, dan status awal diperluas dalam memori status, maka model formal dapat diproses oleh prosesor cerdas (bukan LLM) untuk melakukan simulasi yang ketat dan penalaran logis.
Contoh utama dari bahasa formal dan model formal semacam itu adalah bahasa pemrograman.
Ketika sistem belajar tentang dunia, jika ia dapat mengekspresikan hukum dan konsep yang mendasarinya sebagai program dalam suatu kerangka kerja, maka ini dapat disimulasikan oleh komputer.
Kolom 1: Jenis-jenis Pengetahuan
Ketika kita mengorganisasi pengetahuan dalam sistem kecerdasan belajar, menjadi jelas bahwa ia dapat dikategorikan secara luas menjadi tiga sistem dan dua jenis.
Tiga sistem tersebut adalah: pengetahuan parameter jaringan yang ditangani oleh jaringan saraf, pengetahuan alami dalam bahasa alami, dan pengetahuan formal dalam bahasa formal.
Dua jenis tersebut adalah stateless (nir-status) dan stateful (berstatus).
Pengetahuan parameter jaringan stateless adalah pengetahuan intuitif, seperti yang ditemukan pada AI deep learning. Karakteristik kucing dan anjing, yang tidak dapat dipikirkan atau diidentifikasi secara verbal, dapat dipelajari sebagai pengetahuan parameter jaringan stateless.
Pengetahuan parameter jaringan stateful adalah pengetahuan kabur yang berasal dari proses iteratif, seperti yang ditemukan pada AI generatif.
Pengetahuan alami stateless adalah pengetahuan seperti makna yang terkait dengan sebuah kata.
Pengetahuan alami stateful adalah pengetahuan termasuk konteks yang ditemukan dalam sebuah kalimat.
Beberapa pengetahuan alami secara inheren termasuk dalam pengetahuan parameter jaringan stateful, tetapi ada juga pengetahuan yang dapat diperoleh pasca-kelahiran dari teks bahasa alami.
Pengetahuan formal stateless adalah pengetahuan yang dapat diekspresikan oleh rumus matematika yang tidak termasuk iterasi. Pengetahuan formal stateful adalah pengetahuan yang dapat diekspresikan oleh program.
Memori jangka pendek otak seseorang juga dapat digunakan sebagai memori status untuk pengetahuan alami dan formal.
Namun, karena itu adalah memori jangka pendek, ada masalah bahwa sulit untuk mempertahankan status secara stabil. Juga, ia tidak pandai menyimpan pengetahuan dalam keadaan yang terformalisasi, tanpa ambiguitas.
Di sisi lain, kertas, komputer, atau smartphone dapat digunakan sebagai memori status untuk menulis dan mengedit teks bahasa alami, bahasa formal, atau model formal.
Secara umum, data di kertas atau komputer sering dipersepsikan sebagai sesuatu untuk menyimpan pengetahuan sebagai penyimpanan pengetahuan, tetapi ia juga dapat digunakan sebagai memori status untuk mengorganisasi pikiran.
Jadi, jelas bahwa manusia melakukan aktivitas intelektual dengan terampil memanfaatkan ketiga sistem dan dua jenis pengetahuan ini.
ALIS juga memiliki potensi untuk secara dramatis meningkatkan kemampuannya dengan memungkinkan dan meningkatkan aktivitas intelektual yang memanfaatkan ketiga sistem dan dua jenis pengetahuan yang sama ini.
Secara khusus, ALIS memiliki kekuatan untuk dapat memanfaatkan penyimpanan pengetahuan yang luas dan memori status. Selain itu, ia dapat dengan mudah menyiapkan beberapa instans dari masing-masing dan melakukan tugas-tugas intelektual dengan beralih atau menggabungkannya.
Kolom 2: Orkestrasi Intelektual
Meskipun ada kekuatan dalam kemampuan menyimpan sejumlah besar pengetahuan di penyimpanan pengetahuan, memiliki kuantitas pengetahuan yang besar saja tidak selalu menguntungkan untuk aktivitas intelektual karena keterbatasan jumlah token yang dapat digunakan AI generatif sekaligus dan batasan bahwa pengetahuan yang tidak relevan menjadi noise.
Di sisi lain, dengan membagi penyimpanan pengetahuan secara tepat dan menciptakan penyimpanan pengetahuan khusus yang padat dan terfokus yang mengumpulkan pengetahuan yang diperlukan untuk tugas intelektual tertentu, masalah batasan token dan noise dapat diringankan.
Sebagai gantinya, penyimpanan pengetahuan khusus tersebut hanya dapat digunakan untuk tugas-tugas intelektual spesifik tersebut.
Banyak aktivitas intelektual merupakan kombinasi kompleks dari berbagai tugas intelektual. Oleh karena itu, dengan membagi pengetahuan ke dalam penyimpanan pengetahuan khusus sesuai dengan jenis tugas intelektual dan membagi aktivitas intelektual menjadi tugas-tugas intelektual, ALIS dapat melaksanakan seluruh aktivitas intelektual sambil beralih secara tepat antara penyimpanan pengetahuan khusus.
Ini seperti orkestra yang terdiri dari musisi profesional yang memainkan instrumen yang berbeda dan seorang konduktor yang memimpin keseluruhan.
Melalui teknologi sistem ini, "orkestrasi intelektual," ALIS akan mampu mengorganisasi aktivitas intelektualnya.
Desain Dasar dan Metode Pengembangan ALIS
Mulai dari sini, saya akan mengorganisasi pendekatan pengembangan untuk ALIS.
Seperti yang telah disebutkan dalam prinsip dan kolom sebelumnya, ALIS secara inheren dirancang untuk dengan mudah memperluas fungsi dan sumber dayanya. Hal ini karena esensi ALIS terletak bukan pada fungsi-fungsi spesifik, melainkan pada proses ekstraksi, penyimpanan, pemilihan, dan pemanfaatan pengetahuan.
Sebagai contoh, beberapa jenis mekanisme ekstraksi pengetahuan dapat disiapkan, dan kemudian dipilih atau digunakan secara bersamaan, tergantung pada desain sistem.
Lebih lanjut, ALIS dapat dibuat untuk melakukan pemilihan ini sendiri.
Penyimpanan, pemilihan, dan pemanfaatan juga dapat dipilih secara bebas atau diparalelkan.
Oleh karena itu, ALIS dapat dikembangkan secara incremental dan agile, tanpa perlu merancang seluruh fungsionalitas secara metode waterfall.
Awal Mula ALIS
Sekarang, mari kita rancang ALIS yang sangat sederhana.
UI dasarnya akan berupa AI obrolan yang sudah dikenal. Awalnya, masukan pengguna akan langsung diteruskan ke LLM. Tanggapan LLM kemudian akan ditampilkan di UI, dan sistem akan menunggu masukan pengguna berikutnya.
Ketika masukan berikutnya tiba, LLM akan menerima tidak hanya masukan baru tetapi juga seluruh riwayat obrolan antara pengguna dan LLM hingga saat itu.
Di balik UI AI obrolan ini, kita akan menyiapkan mekanisme untuk mengekstraksi pengetahuan yang dapat digunakan kembali dari riwayat obrolan.
Ini dapat ditambahkan ke sistem AI obrolan sebagai proses yang dijalankan ketika percakapan berakhir atau pada interval reguler. Tentu saja, LLM akan digunakan untuk ekstraksi pengetahuan.
LLM ini akan diberikan konsep dan prinsip ALIS, bersama dengan pengetahuan tentang cara ekstraksi, sebagai system prompts. Jika pengetahuan tidak diekstraksi sesuai yang diinginkan, system prompts harus disempurnakan melalui coba-coba.
Pengetahuan yang diekstraksi dari riwayat obrolan akan disimpan langsung di knowledge lake. Knowledge lake adalah mekanisme untuk menyimpan pengetahuan secara sederhana dalam keadaan datar, tidak terstruktur, sebelum distrukturkan.
Selanjutnya, kita akan menyiapkan mekanisme strukturisasi untuk mempermudah pemilihan pengetahuan dari knowledge lake.
Ini berarti menyediakan embedding vector stores untuk pencarian semantik, seperti yang biasanya digunakan dalam RAG, dan indeks kata kunci, di antara hal-hal lainnya.
Pilihan yang lebih canggih meliputi pembuatan grafik pengetahuan atau melakukan klasifikasi kategori.
Kumpulan informasi terstruktur untuk knowledge lake ini akan disebut knowledge base. Seluruh knowledge base dan knowledge lake ini akan membentuk knowledge store.
Selanjutnya, kita akan mengintegrasikan knowledge store ke dalam pemrosesan UI obrolan.
Ini pada dasarnya sama dengan mekanisme RAG umum. Untuk masukan pengguna, pengetahuan yang relevan dipilih dari knowledge store dan diteruskan ke LLM bersama dengan masukan pengguna.
Ini memungkinkan LLM untuk secara otomatis memanfaatkan pengetahuan saat memproses masukan pengguna.
Dengan cara ini, pengetahuan akan terakumulasi dengan setiap percakapan dengan pengguna, mewujudkan ALIS sederhana yang menggunakan pengetahuan yang terakumulasi dari percakapan sebelumnya.
Skenario Sederhana
Sebagai contoh, bayangkan seorang pengguna mengembangkan aplikasi web menggunakan ALIS sederhana ini.
Pengguna melaporkan bahwa kode yang diusulkan oleh LLM menghasilkan kesalahan. Setelah pengguna dan LLM berkolaborasi untuk memecahkan masalah, mereka menemukan bahwa spesifikasi API eksternal yang diketahui oleh LLM sudah usang, dan program bekerja dengan benar setelah disesuaikan dengan spesifikasi API terbaru.
Dari utas obrolan ini, ALIS kemudian dapat mengumpulkan pengetahuan di penyimpanan pengetahuannya: secara spesifik, bahwa spesifikasi API yang diketahui oleh LLM sudah lama, dan apa spesifikasi API terbaru.
Kemudian, pada saat berikutnya program yang menggunakan API yang sama dibuat, ALIS akan dapat memanfaatkan pengetahuan ini untuk menghasilkan program berdasarkan spesifikasi API terbaru sejak awal.
Peningkatan pada ALIS Awal
Namun, agar hal ini terjadi, pengetahuan ini harus dipilih sebagai respons terhadap masukan pengguna. Ada kemungkinan pengetahuan ini tidak akan secara langsung terhubung dengan masukan pengguna, karena nama API yang bermasalah mungkin tidak muncul dalam masukan pengguna.
Dalam kasus tersebut, nama API hanya akan muncul selama respons LLM.
Oleh karena itu, kita akan sedikit memperluas ALIS sederhana dengan menambahkan mekanisme untuk pra-analisis dan pasca-pemeriksaan.
Pra-analisis mirip dengan "mode berpikir" dalam LLM terbaru. Memori yang mampu menyimpan teks sebagai memori status akan disiapkan, dan perintah sistem akan menginstruksikan LLM untuk melakukan pra-analisis setelah menerima masukan pengguna.
Hasil pra-analisis LLM akan disimpan dalam memori status. Berdasarkan hasil pra-analisis ini, pengetahuan akan dipilih dari penyimpanan pengetahuan.
Kemudian, riwayat obrolan, hasil pra-analisis, pengetahuan yang sesuai dengan masukan pengguna, dan pengetahuan yang sesuai dengan hasil pra-analisis akan diteruskan ke LLM untuk menerima respons.
Selanjutnya, hasil yang dikembalikan oleh LLM juga akan digunakan untuk mencari pengetahuan dari penyimpanan pengetahuan. Termasuk pengetahuan yang ditemukan di sana, LLM akan diminta untuk melakukan pasca-pemeriksaan.
Jika ada masalah yang ditemukan, poin-poin bermasalah dan alasan untuk 指摘 (kritik/saran) akan disertakan dan diteruskan kembali ke LLM obrolan.
Dengan menyediakan kesempatan untuk memilih pengetahuan selama pra-analisis dan pasca-pemeriksaan, kita dapat meningkatkan peluang pemanfaatan pengetahuan yang terakumulasi.
Prospek
Pendekatan membangun ALIS awal dan kemudian menambahkan perbaikan untuk mengatasi kelemahannya ini dengan sempurna menggambarkan pengembangan tangkas (agile development) dan peningkatan ALIS secara incremental.
Selain itu, seperti yang dicontohkan, ALIS awal paling cocok digunakan dalam pengembangan perangkat lunak. Ini karena bidang tersebut memiliki permintaan tinggi dan juga merupakan bidang di mana pengetahuan dapat dengan jelas terakumulasi dengan mudah.
Ini adalah genre di mana segala sesuatu jelas hitam atau putih, namun juga merupakan bidang krusial di mana coba-coba, akumulasi pengetahuan yang berulang diperlukan dan penting.
Selain itu, karena pengembangan ALIS itu sendiri adalah pengembangan perangkat lunak, fakta bahwa pengembang ALIS dapat menjadi pengguna ALIS itu sendiri juga menarik.
Dan, bersama dengan sistem ALIS, knowledge lake juga dapat dibagikan secara terbuka di platform seperti GitHub.
Ini akan memungkinkan banyak orang untuk berkolaborasi dalam peningkatan sistem ALIS dan akumulasi pengetahuan, dengan semua orang mendapat manfaat dari hasilnya, mempercepat pengembangan ALIS lebih lanjut.
Tentu saja, berbagi pengetahuan tidak terbatas pada pengembang ALIS tetapi dapat dikumpulkan dari semua pengembang perangkat lunak yang menggunakan ALIS.
Fakta bahwa pengetahuan berada dalam bahasa alami menawarkan dua keuntungan lebih lanjut:
Keuntungan pertama adalah bahwa pengetahuan dapat dimanfaatkan bahkan ketika model LLM berubah atau diperbarui.
Keuntungan kedua adalah bahwa knowledge lake yang terakumulasi secara luas dapat digunakan sebagai dataset pra-pelatihan untuk LLM. Ini dapat dilakukan dengan dua cara: dengan menggunakannya untuk fine-tuning, atau dengan menggunakannya untuk pra-pelatihan LLM itu sendiri.
Bagaimanapun, jika LLM yang secara bawaan telah mempelajari pengetahuan yang terakumulasi dalam knowledge lake dapat dimanfaatkan, pengembangan perangkat lunak akan menjadi lebih efisien.
Selanjutnya, dalam pengembangan perangkat lunak, ada berbagai proses seperti analisis persyaratan, desain, implementasi, pengujian, operasi, dan pemeliharaan, dan pengetahuan khusus ada untuk setiap domain perangkat lunak dan platform. Jika mekanisme dibuat untuk mengsegmentasi pengetahuan luas yang terakumulasi dari perspektif ini, orkestra ALIS juga dapat dibentuk.
Dengan demikian, teknologi dasar untuk ALIS sudah ada. Kunci sekarang adalah secara praktis mencoba berbagai metode—seperti pengetahuan cara ekstraksi pengetahuan, pemilihan pengetahuan yang tepat, segmentasi pengetahuan khusus, dan cara memanfaatkan memori status—untuk menemukan pendekatan yang efektif. Juga, seiring meningkatnya kompleksitas, waktu pemrosesan dan biaya penggunaan LLM akan meningkat, sehingga memerlukan optimasi.
Proses coba-coba dan optimasi ini dapat dilakukan secara adaptif melalui pengembangan dan peningkatan kerangka kerja.
Awalnya, pengembang, sebagai pengguna, kemungkinan akan mengintegrasikan kerangka kerja ke dalam ALIS melalui coba-coba. Namun, bahkan saat itu, LLM itu sendiri dapat dibuat untuk menghasilkan ide-ide kerangka kerja.
Dan dengan mengintegrasikan kerangka kerja ke dalam ALIS yang meningkatkan atau menemukan kerangka kerja berdasarkan hasil yang diterima dari dunia dan pengetahuan yang diekstraksi, ALIS itu sendiri akan melakukan coba-coba dan optimasi secara adaptif.
ALIS di Dunia Nyata
Setelah ALIS disempurnakan hingga tahap ini, ia seharusnya mampu mempelajari pengetahuan tidak hanya di dunia pengembangan perangkat lunak tetapi juga secara luas di berbagai domain.
Serupa dengan pengembangan perangkat lunak, ALIS diharapkan untuk memperluas cakupannya ke berbagai aktivitas intelektual yang dilakukan manusia menggunakan komputer.
Bahkan dalam aktivitas intelektual murni semacam itu, ALIS memiliki semacam sifat AI yang terwujud (embodied AI) terhadap dunia target.
Ini karena ia mengenali batas antara dirinya dan dunia, bertindak di dunia melalui batas itu, dan dapat merasakan informasi yang diterima dari dunia.
Apa yang umumnya kita sebut sebagai "tubuh" adalah batas dengan dunia yang secara fisik terlihat dan terlokalisasi di satu tempat.
Namun, bahkan jika batasnya tidak terlihat dan terdistribusi secara spasial, struktur persepsi dan tindakan melalui batas sama dengan memiliki tubuh fisik.
Dalam pengertian itu, ALIS, ketika melakukan aktivitas intelektual, dapat dianggap memiliki sifat AI yang terwujud secara virtual.
Dan setelah ALIS disempurnakan ke tahap di mana ia dapat belajar dengan tepat bahkan di dunia baru yang tidak dikenal, ada kemungkinan bahwa ALIS dapat diintegrasikan sebagai bagian dari AI terwujud nyata yang memiliki tubuh fisik.
Dengan cara ini, ALIS pada akhirnya akan diterapkan ke dunia nyata dan akan mulai belajar darinya.