Di sini, saya ingin mengorganisir Sistem Kecerdasan Pembelajaran Buatan (Artificial Learning Intelligence System: ALIS) dengan merinci konsep, prinsip, desain dasar, dan metodologi pengembangannya.
Konsep
AI generatif saat ini, terutama model bahasa besar, dilatih berdasarkan pembelajaran terawasi berbasis jaringan saraf.
Sebagai proses pembelajaran, kami mendefinisikan pembelajaran jaringan saraf ini sebagai pembelajaran bawaan.
ALIS mengintegrasikan proses pembelajaran terakuisisi, terpisah dari pembelajaran bawaan, untuk memungkinkan inferensi yang menggabungkan kedua proses pembelajaran.
Dalam pembelajaran terakuisisi ini, pengetahuan yang dipelajari diakumulasikan secara eksternal ke jaringan saraf dan dimanfaatkan selama inferensi.
Oleh karena itu, inti teknis ALIS terletak pada ekstraksi, penyimpanan, serta pemilihan dan pemanfaatan pengetahuan yang dapat digunakan kembali selama inferensi.
Lebih lanjut, ALIS bukan hanya sekadar teknologi elemental tunggal, melainkan sebuah teknologi sistem yang menggabungkan pembelajaran bawaan dan pembelajaran terakuisisi.
Elemen Sistem Kecerdasan Pembelajaran
ALIS beroperasi di bawah prinsip bahwa baik pembelajaran bawaan yang ada maupun pembelajaran terakuisisi yang akan dipertimbangkan di masa depan mengikuti kerangka kerja pembelajaran dan inferensi yang sama.
Untuk menjelaskan prinsip-prinsip pembelajaran dalam ALIS, kami mendefinisikan lima elemen sistem kecerdasan pembelajaran.
Yang pertama adalah prosesor cerdas. Ini mengacu pada sistem pemrosesan yang melakukan inferensi menggunakan pengetahuan dan mengekstrak pengetahuan untuk pembelajaran.
Model Bahasa Besar (LLM) dan bagian dari otak manusia adalah contoh utama dari prosesor cerdas.
Yang kedua adalah penyimpanan pengetahuan. Ini mengacu pada lokasi penyimpanan di mana pengetahuan yang diekstrak dapat disimpan dan diambil sesuai kebutuhan.
Dalam LLM, penyimpanan pengetahuan terdiri dari parameter jaringan saraf. Pada manusia, itu sesuai dengan memori jangka panjang di otak.
Yang ketiga adalah dunia. Ini mengacu pada lingkungan eksternal sebagaimana dipersepsikan oleh sistem kecerdasan pembelajaran, 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 dapat dianggap setara dengan dunia.
Yang keempat adalah memori keadaan. Ini mengacu pada komponen seperti memori sementara internal yang digunakan oleh sistem kecerdasan pembelajaran selama inferensi.
Dalam LLM, ini adalah ruang memori yang digunakan selama inferensi, yang dikenal sebagai keadaan tersembunyi. Pada manusia, itu sesuai dengan memori jangka pendek.
Yang kelima adalah kerangka kerja. Ini adalah, bisa dibilang, struktur pemikiran. Dalam terminologi sistem kecerdasan pembelajaran, ini mengacu pada kriteria untuk memilih pengetahuan yang diperlukan selama inferensi dan struktur ruang keadaan logis untuk mengorganisir memori keadaan.
Dalam LLM, itu adalah struktur semantik dari keadaan tersembunyi, dan isinya umumnya ambigu dan tidak dapat dipahami oleh manusia. Lebih lanjut, pemilihan pengetahuan tertanam dalam mekanisme perhatian, yang memilih token yang ada mana yang akan dirujuk untuk setiap token yang sedang diproses.
Pada manusia, seperti yang disebutkan di atas, itu adalah struktur pemikiran. Ketika berpikir menggunakan kerangka kerja tertentu, sekumpulan pengetahuan tertentu diingat dari memori jangka panjang dan dimuat ke memori jangka pendek. Kemudian, informasi yang saat ini dirasakan diorganisir sesuai dengan kerangka kerja pemikiran untuk memahami situasi.
Prinsip-prinsip Sistem Kecerdasan Pembelajaran
Sistem kecerdasan pembelajaran beroperasi sebagai berikut:
Sebuah prosesor cerdas bertindak atas dunia. Dunia, sebagai respons terhadap tindakan ini, mengembalikan hasil.
Prosesor cerdas mengekstrak pengetahuan yang dapat digunakan kembali dari hasil ini dan menyimpannya dalam penyimpanan pengetahuan.
Ketika bertindak atas dunia secara berulang, prosesor cerdas memilih pengetahuan dari penyimpanan pengetahuan dan menggunakannya untuk memodifikasi tindakannya.
Ini adalah mekanisme dasarnya.
Namun, secara fundamental, metode ekstraksi, penyimpanan, pemilihan, dan pemanfaatan pengetahuan menentukan apakah sistem dapat melakukan pembelajaran yang bermakna.
Manusia memiliki mekanisme yang secara efektif menangani ekstraksi, penyimpanan, pemilihan, dan pemanfaatan pengetahuan ini, memungkinkan mereka untuk belajar.
Jaringan saraf, termasuk LLM, pengekstraksiannya ditangani oleh guru eksternal, tetapi mereka memiliki mekanisme untuk penyimpanan, pemilihan, dan pemanfaatan. Ini memungkinkan mereka untuk belajar selama mereka diberikan guru.
Lebih lanjut, sistem kecerdasan pembelajaran juga dapat mempelajari ekstraksi, penyimpanan, dan pemilihan kerangka kerja, serta metode pemanfaatannya dalam memori keadaan, sebagai pengetahuan, sehingga memungkinkan pembelajaran yang lebih kompleks.
Jenis-jenis Pengetahuan
Berdasarkan prinsip-prinsip ini, ketika merancang pembelajaran terakuisisi, perlu diklarifikasi bentuk apa yang akan diambil oleh pengetahuan terakuisisi tersebut.
Seseorang dapat mempertimbangkan metode di mana pengetahuan terakuisisi juga dipelajari secara terpisah sebagai parameter jaringan saraf.
Namun, pengetahuan terakuisisi tidak harus terbatas hanya pada parameter jaringan saraf. Kandidat praktis adalah pengetahuan yang diubah menjadi teks dalam bahasa alami.
Pengetahuan yang diubah menjadi teks dalam bahasa alami dapat diekstraksi dan dimanfaatkan dengan memanfaatkan kemampuan pemrosesan bahasa alami LLM. Selain itu, karena dapat ditangani sebagai data dalam sistem IT standar, penyimpanan dan pemilihan juga mudah.
Terlebih lagi, pengetahuan yang diubah menjadi teks dalam bahasa alami mudah bagi manusia dan LLM lainnya untuk diperiksa, dipahami, dan, dalam beberapa kasus, bahkan diedit isinya.
Ia juga dapat dibagikan, digabungkan, atau dipisah dengan sistem kecerdasan pembelajaran lainnya.
Karena alasan-alasan ini, pengetahuan terakuisisi dalam konsep ALIS pada awalnya akan dirancang untuk menargetkan pengetahuan yang diubah menjadi teks dalam bahasa alami.
Memori Keadaan Terakuisisi dan Kerangka Kerja
Kami telah menjelaskan keuntungan memilih teks bahasa alami sebagai format untuk pengetahuan terakuisisi.
Demikian pula, teks bahasa alami juga dapat digunakan untuk memori keadaan dan kerangka kerja untuk inferensi.
Kerangka kerja, sebagai struktur konseptual, dapat disimpan dan dimanfaatkan dalam penyimpanan pengetahuan sebagai pengetahuan yang diubah menjadi teks dalam bahasa alami.
Bahkan saat menginisialisasi atau memperbarui keadaan berdasarkan struktur yang didefinisikan oleh kerangka kerja, memori keadaan format teks dapat digunakan.
Dengan merancang tidak hanya pengetahuan terakuisisi tetapi juga kerangka kerja dan memori keadaan agar dalam format teks, ALIS dapat memanfaatkan kemampuan pemrosesan bahasa alami LLM untuk pembelajaran terakuisisi dan inferensi secara umum.
Pengetahuan Formal
Pengetahuan terakuisisi, kerangka kerja, dan memori keadaan dapat diekspresikan tidak hanya dalam teks bahasa alami tetapi juga dalam bahasa formal atau model formal yang lebih ketat.
Meskipun saya menulis "pilih," tujuan ALIS adalah untuk menggabungkan beberapa mekanisme pembelajaran pengetahuan terakuisisi yang berbeda untuk memungkinkan penggunaan hibrida pembelajaran bawaan dan terakuisisi.
Pengetahuan yang direpresentasikan oleh bahasa formal atau model formal dapat dibuat lebih tepat dan tidak ambigu.
Selanjutnya, jika sebuah kerangka kerja diekspresikan menggunakan bahasa atau model formal dan keadaan awal dibuka di memori keadaan, maka simulasi atau pengembangan logis dapat dilakukan dengan model yang ketat oleh prosesor cerdas yang mampu memproses model formal, daripada oleh LLM.
Contoh utama dari bahasa formal atau model formal semacam itu adalah bahasa pemrograman.
Saat sistem belajar tentang dunia, jika dapat mengekspresikan hukum dan konsep yang ditemukan di dalamnya sebagai program dalam sebuah kerangka kerja, maka ia dapat mensimulasikannya di komputer.
Kolom 1: Jenis-jenis Pengetahuan
Ketika mengorganisir pengetahuan dalam sistem kecerdasan pembelajaran, menjadi jelas bahwa pengetahuan tersebut dapat dikategorikan secara luas menjadi tiga sistem pengetahuan dan dua jenis keadaan.
Tiga sistem pengetahuan tersebut adalah: pengetahuan parameter jaringan, yang ditangani oleh jaringan saraf; pengetahuan alami, yang diekspresikan dalam bahasa alami; dan pengetahuan formal, yang diekspresikan dalam bahasa formal.
Dua jenis keadaan tersebut adalah nirkeadaan (stateless) dan berkeadaan (stateful).
Pengetahuan parameter jaringan nirkeadaan adalah pengetahuan intuitif, seperti yang ditemukan dalam AI pembelajaran mendalam. Fitur kucing dan anjing, yang tidak dapat dipikirkan secara eksplisit atau diidentifikasi secara verbal, dapat dipelajari sebagai pengetahuan parameter jaringan nirkeadaan.
Pengetahuan parameter jaringan berkeadaan adalah pengetahuan yang muncul melalui proses iteratif yang kabur, seperti pada AI generatif.
Pengetahuan alami nirkeadaan adalah pengetahuan seperti makna yang terkait dengan kata-kata individual.
Pengetahuan alami berkeadaan adalah pengetahuan yang mencakup konteks dalam kalimat.
Beberapa pengetahuan alami secara bawaan termasuk dalam pengetahuan parameter jaringan berkeadaan, tetapi ada juga pengetahuan yang dapat diperoleh dari teks bahasa alami.
Pengetahuan formal nirkeadaan adalah pengetahuan yang dapat diekspresikan dalam rumus matematika tanpa iterasi. Pengetahuan formal berkeadaan adalah pengetahuan yang dapat diekspresikan sebagai program.
Seseorang juga dapat menggunakan memori jangka pendeknya sendiri sebagai memori keadaan untuk pengetahuan alami dan pengetahuan formal.
Namun, karena itu adalah memori jangka pendek, ada masalah bahwa sulit untuk mempertahankan keadaan secara stabil. Selain itu, ia tidak mahir dalam menyimpan keadaan yang diformalkan dan tidak ambigu.
Di sisi lain, kertas, komputer, dan ponsel pintar dapat digunakan sebagai memori keadaan untuk menuliskan atau mengedit teks bahasa alami, bahasa formal, atau model formal.
Secara umum, data di kertas atau komputer sering dianggap sebagai penyimpanan pengetahuan untuk menghafal pengetahuan, tetapi juga dapat digunakan sebagai memori keadaan untuk mengorganisir pikiran.
Dengan demikian, terbukti bahwa manusia melakukan aktivitas intelektual dengan memanfaatkan sepenuhnya ketiga sistem pengetahuan dan dua jenis keadaan ini.
ALIS, juga, memiliki potensi untuk secara dramatis meningkatkan kemampuannya dengan memungkinkan dan memperkuat aktivitas intelektual yang memanfaatkan ketiga sistem pengetahuan dan dua jenis keadaan yang sama ini.
Secara khusus, ALIS memiliki kekuatan untuk dapat memanfaatkan penyimpanan pengetahuan dan memori keadaan yang luas. Selain itu, ia dapat dengan mudah melakukan tugas-tugas intelektual dengan menyiapkan banyak dari masing-masing dan beralih atau menggabungkannya.
Kolom 2: Orkestrasi Cerdas
Meskipun ada keuntungan dalam kemampuan untuk mengumpulkan sejumlah besar pengetahuan dalam penyimpanan pengetahuan, kuantitas pengetahuan tidak serta merta berarti keuntungan dalam aktivitas intelektual karena keterbatasan jumlah token yang dapat diproses oleh AI generatif dalam satu waktu dan gangguan yang dihasilkan oleh pengetahuan yang tidak relevan.
Sebaliknya, dengan membagi penyimpanan pengetahuan secara tepat dan mengubahnya menjadi penyimpanan pengetahuan khusus berdensitas tinggi, yang masing-masing berisi pengetahuan yang diperlukan untuk tugas intelektual tertentu, masalah batasan token dan gangguan dapat dikurangi.
Sebagai gantinya, setiap penyimpanan pengetahuan khusus hanya dapat digunakan untuk tugas intelektual yang telah ditentukan.
Banyak aktivitas intelektual merupakan gabungan 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 individual, ALIS dapat melaksanakan seluruh aktivitas intelektual dengan beralih secara tepat di antara penyimpanan pengetahuan khusus ini.
Ini analog dengan sebuah orkestra, yang terdiri dari musisi profesional yang memainkan instrumen yang berbeda dan seorang konduktor yang memimpin ansambel.
Melalui teknologi sistem ini, orkestrasi cerdas, ALIS akan mampu mengorganisir aktivitas intelektualnya.
Desain Dasar dan Metode Pengembangan ALIS
Mulai dari sini, kita akan mengorganisir pengembangan ALIS.
Seperti yang telah dibahas dalam prinsip dan kolom, ALIS secara inheren dirancang untuk perluasan fungsi dan sumber daya yang mudah. Ini karena esensi ALIS tidak terletak pada fungsi-fungsi spesifik, melainkan pada proses ekstraksi, penyimpanan, pemilihan, dan pemanfaatan pengetahuan.
Misalnya, beberapa jenis mekanisme ekstraksi pengetahuan dapat disediakan, dan desain sistem memungkinkan pilihan bebas untuk memilih dari mekanisme tersebut atau menggunakannya secara bersamaan.
Lebih lanjut, ALIS sendiri dapat dibuat untuk melakukan pemilihan ini.
Demikian pula, penyimpanan, pemilihan, dan pemanfaatan juga dapat dipilih atau diparalelkan secara bebas.
Oleh karena itu, ALIS dapat dikembangkan secara inkremental dan tangkas, tanpa perlu merancang seluruh fungsionalitasnya dengan cara waterfall.
Awal ALIS
Sekarang, mari kita rancang ALIS yang sangat sederhana.
Antarmuka pengguna (UI) dasarnya akan berupa AI obrolan yang sudah dikenal. Awalnya, masukan pengguna langsung diteruskan ke LLM. Respons LLM ditampilkan di UI, dan sistem menunggu masukan pengguna berikutnya.
Setelah menerima masukan berikutnya, LLM diberikan tidak hanya masukan baru tetapi juga seluruh riwayat obrolan antara pengguna dan LLM.
Di balik UI AI obrolan ini, disiapkan mekanisme untuk mengekstrak pengetahuan yang dapat digunakan kembali dari riwayat obrolan.
Mekanisme ini dapat ditambahkan ke sistem AI obrolan sebagai proses yang berjalan ketika percakapan berakhir atau secara berkala. Tentu saja, LLM digunakan untuk ekstraksi pengetahuan.
LLM ini diberikan konsep dan prinsip ALIS, bersama dengan know-how ekstraksi pengetahuan, sebagai perintah sistem. Jika pengetahuan tidak diekstrak sesuai keinginan, perintah sistem harus diperbaiki melalui trial and error.
Pengetahuan yang diekstrak dari riwayat obrolan disimpan langsung di knowledge lake. Knowledge lake hanyalah mekanisme untuk menyimpan pengetahuan dalam keadaan datar sebelum terstruktur.
Selanjutnya, disiapkan mekanisme penstrukturan untuk memudahkan pemilihan pengetahuan dari knowledge lake.
Ini melibatkan penyediaan embedding vector store untuk pencarian semantik, seperti yang digunakan dalam RAG tipikal, dan indeks kata kunci.
Kemungkinan lain termasuk menghasilkan grafik pengetahuan yang lebih canggih atau melakukan klasifikasi kategori.
Kumpulan informasi terstruktur untuk knowledge lake ini akan disebut basis pengetahuan. Seluruh basis pengetahuan dan knowledge lake ini akan membentuk penyimpanan pengetahuan.
Selanjutnya, penyimpanan pengetahuan diintegrasikan ke dalam pemrosesan UI obrolan.
Ini pada dasarnya sama dengan mekanisme RAG umum. Untuk masukan pengguna, pengetahuan yang relevan dipilih dari penyimpanan pengetahuan dan diteruskan ke LLM bersama dengan masukan pengguna.
Ini memungkinkan LLM untuk secara otomatis memanfaatkan pengetahuan saat memproses masukan pengguna.
Dengan cara ini, pengetahuan meningkat dengan setiap percakapan dengan pengguna, memungkinkan ALIS sederhana yang memanfaatkan pengetahuan yang terakumulasi dari percakapan sebelumnya.
Skenario Sederhana
Sebagai contoh, bayangkan sebuah skenario di mana pengguna sedang mengembangkan aplikasi web menggunakan ALIS sederhana ini.
Pengguna akan melaporkan bahwa kode yang diusulkan oleh LLM menghasilkan kesalahan. Kemudian, pengguna dan LLM akan berkolaborasi untuk memecahkan masalah tersebut. Katakanlah mereka menemukan bahwa spesifikasi API eksternal yang diketahui LLM sudah usang, dan beradaptasi dengan spesifikasi API terbaru menyelesaikan masalah tersebut.
Dalam hal ini, pengetahuan bahwa spesifikasi API LLM sudah lama dan apa spesifikasi API terbaru dapat diakumulasikan dalam penyimpanan pengetahuan dari utas obrolan ini.
Kemudian, saat membuat program yang menggunakan API yang sama di lain waktu, ALIS dapat memanfaatkan pengetahuan ini untuk menghasilkan program berdasarkan spesifikasi API terbaru sejak awal.
Meningkatkan ALIS Awal
Namun, agar hal ini terjadi, pengetahuan ini perlu dipilih sebagai respons terhadap masukan pengguna. Mungkin saja pengetahuan ini tidak secara langsung terhubung dengan masukan pengguna, karena nama API yang bermasalah kemungkinan besar tidak akan muncul dalam masukan pengguna awal.
Dalam kasus seperti itu, nama API baru akan muncul pertama kali dalam respons LLM.
Oleh karena itu, kami akan sedikit memperluas ALIS sederhana dengan menambahkan mekanisme untuk komentar pra-cek dan komentar pasca-cek.
Komentar pra-cek mirip dengan "mode berpikir" terbaru dalam LLM. Kami menyiapkan memori yang dapat menampung teks sebagai memori keadaan, dan menginstruksikan LLM melalui system prompt untuk melakukan komentar pra-cek setelah menerima masukan pengguna.
Hasil komentar pra-cek LLM kemudian ditempatkan di memori keadaan, dan berdasarkan hasil ini, pengetahuan dipilih dari penyimpanan pengetahuan.
Kemudian, riwayat obrolan, hasil komentar pra-cek, pengetahuan yang sesuai dengan masukan pengguna, dan pengetahuan yang sesuai dengan hasil komentar pra-cek diteruskan ke LLM untuk menerima keluarannya.
Selanjutnya, untuk hasil yang dikembalikan oleh LLM, pengetahuan dicari di penyimpanan pengetahuan. Termasuk pengetahuan apa pun yang ditemukan di sana, LLM kemudian diminta untuk melakukan pasca-cek.
Jika ada masalah yang ditemukan, masalah tersebut diteruskan kembali ke LLM obrolan beserta titik-titik masalah dan alasan 指摘 (komentar/umpan balik).
Dengan menyediakan peluang untuk memilih pengetahuan selama komentar pra-cek dan komentar pasca-cek, kita dapat meningkatkan peluang untuk memanfaatkan pengetahuan yang terakumulasi.
Prospek
Proses pembuatan ALIS awal dan penambahan perbaikan untuk mengatasi kelemahannya adalah pengembangan agile yang tepat, menunjukkan bahwa ALIS dapat ditingkatkan secara inkremental.
Selanjutnya, seperti yang dicontohkan, ALIS awal paling cocok untuk digunakan dalam pengembangan perangkat lunak. Ini karena merupakan bidang dengan permintaan tinggi dan tempat di mana pengetahuan dapat diakumulasikan dengan jelas.
Ini adalah domain di mana hasilnya tidak ambigu, namun ia memerlukan dan sangat diuntungkan dari coba-coba, akumulasi pengetahuan yang berulang.
Selain itu, karena pengembangan ALIS itu sendiri adalah pengembangan perangkat lunak, fakta bahwa pengembang ALIS juga dapat menjadi pengguna ALIS adalah aspek yang menarik.
Terlebih lagi, bersama dengan sistem ALIS, knowledge lake dapat dibagikan secara terbuka di platform seperti GitHub.
Ini akan memungkinkan banyak individu untuk berkontribusi pada peningkatan sistem ALIS dan akumulasi pengetahuan, dengan semua orang menikmati manfaatnya dan lebih lanjut mempercepat pengembangan ALIS secara efisien.
Tentu saja, berbagi pengetahuan tidak terbatas pada pengembang ALIS; ini dapat dikumpulkan dari semua pengembang perangkat lunak yang menggunakan ALIS.
Sifat bahasa alami dari pengetahuan menawarkan dua keuntungan tambahan.
Keuntungan pertama adalah pengetahuan masih dapat dimanfaatkan bahkan ketika model LLM berubah atau diperbarui.
Keuntungan kedua adalah knowledge lake yang luas dan terakumulasi dapat digunakan sebagai dataset pra-pelatihan untuk LLM. Ada dua cara untuk menggunakan ini: sebagai fine-tuning, atau untuk pra-pelatihan LLM itu sendiri.
Bagaimanapun, jika LLM yang secara bawaan telah belajar dari pengetahuan yang terakumulasi di knowledge lake dapat dimanfaatkan, pengembangan perangkat lunak akan menjadi lebih efisien.
Selanjutnya, pengembangan perangkat lunak melibatkan berbagai proses seperti analisis persyaratan, desain, implementasi, pengujian, operasi, dan pemeliharaan. Pengetahuan khusus juga ada untuk setiap domain dan platform perangkat lunak. Dengan menciptakan mekanisme untuk membagi sejumlah besar pengetahuan yang terakumulasi dari perspektif ini, sebuah orkestra ALIS dapat dibentuk.
Dengan demikian, teknologi elemental untuk ALIS sudah tersedia. Langkah krusial yang tersisa adalah bereksperimen secara praktis dengan berbagai metode—seperti know-how ekstraksi pengetahuan, pemilihan pengetahuan yang tepat, segmentasi pengetahuan khusus, dan pemanfaatan memori keadaan—untuk menemukan pendekatan yang efektif. Seiring dengan meningkatnya kompleksitas, waktu pemrosesan dan biaya penggunaan LLM juga akan meningkat, sehingga memerlukan optimisasi.
Proses coba-coba dan optimisasi ini dapat dimajukan dengan cara berorientasi pembelajaran melalui pengembangan dan penyempurnaan kerangka kerja.
Awalnya, pengembang, sebagai pengguna, kemungkinan besar akan mengintegrasikan kerangka kerja ke dalam ALIS melalui coba-coba. Namun, bahkan saat itu, LLM sendiri dapat ditugaskan untuk menghasilkan ide kerangka kerja.
Kemudian, dengan menggabungkan kerangka kerja untuk meningkatkan dan menemukan kerangka kerja ke dalam ALIS, berdasarkan hasil yang diterima dari dunia dan pengetahuan yang diekstrak, ALIS sendiri akan melakukan coba-coba dan optimisasi dengan cara yang didorong oleh pembelajaran.
ALIS di Dunia Nyata
Setelah ALIS disempurnakan hingga tahap ini, ia seharusnya mampu memperoleh pengetahuan dalam berbagai domain, tidak hanya terbatas pada dunia pengembangan perangkat lunak.
Serupa dengan pengembangan perangkat lunak, ALIS diharapkan dapat memperluas cakupan aplikasinya ke berbagai aktivitas intelektual yang dilakukan manusia menggunakan komputer.
Bahkan dalam aktivitas intelektual murni semacam itu, ALIS akan memiliki kualitas yang mirip dengan AI terwujud (embodied AI) dalam kaitannya dengan dunia targetnya.
Ini karena ia mengenali batas antara dirinya dan dunia, bertindak atas dunia melalui batas tersebut, dan dapat merasakan informasi yang diterima dari dunia.
Ketika batas dengan dunia ini terlihat secara fisik dan terlokalisasi di satu tempat, kita umumnya menyebutnya sebagai tubuh.
Namun, meskipun batasnya tidak terlihat dan tersebar secara spasial, struktur persepsi dan tindakan melalui batas tetap sama seperti ketika memiliki tubuh fisik.
Dalam pengertian ini, ALIS yang melakukan aktivitas intelektual dapat dianggap secara virtual memiliki karakteristik AI terwujud.
Dan, jika ALIS disempurnakan hingga tahap di mana ia dapat belajar secara tepat bahkan di dunia baru yang tidak diketahui, ada kemungkinan bahwa ALIS dapat dimasukkan sebagai bagian dari AI terwujud nyata yang memiliki tubuh fisik aktual.
Dengan cara ini, ALIS pada akhirnya akan diterapkan ke dunia nyata dan mulai belajar darinya.