AI Tidak Dapat Menggantikan Pendidikan—Kecuali Kita Membiarkannya

(SeaPRwire) –   Saat upacara wisuda merayakan janji generasi lulusan baru, satu pertanyaan muncul: apakah AI akan membuat pendidikan mereka menjadi tidak berarti?

Banyak CEO berpikir demikian. Mereka menggambarkan masa depan di mana AI akan menggantikan insinyur, dokter, dan guru. CEO Meta baru-baru ini memperkirakan AI akan menggantikan insinyur tingkat menengah yang menulis kode komputer perusahaan. NVIDIA bahkan menyatakan pengkodean itu sendiri sudah usang.

Sementara Bill Gates mengakui laju perkembangan AI yang sangat pesat “sangat mendalam dan bahkan sedikit menakutkan,” dia merayakan bagaimana hal itu dapat membuat pengetahuan elit dapat diakses secara universal. Dia juga membayangkan dunia di mana AI menggantikan pembuat kode, dokter, dan guru, menawarkan saran medis dan bimbingan berkualitas tinggi gratis.

Terlepas dari hype, AI tidak dapat “berpikir” sendiri atau bertindak tanpa manusia—untuk saat ini. Memang, apakah AI meningkatkan pembelajaran atau merusak pemahaman bergantung pada keputusan penting: Apakah kita akan mengizinkan AI hanya memprediksi pola? Atau akankah kita mengharuskannya untuk menjelaskan, membenarkan, dan tetap berpegang pada hukum dunia kita?

AI membutuhkan penilaian manusia, bukan hanya untuk mengawasi outputnya tetapi juga untuk menanamkan pagar pembatas ilmiah yang memberinya arahan, landasan, dan interpretasi.

Baru-baru ini membandingkan chatbot AI dengan siswa yang cukup baik yang mengikuti ujian lisan. “Ketika mereka tahu jawabannya, mereka akan memberitahukannya kepada Anda, dan ketika mereka tidak tahu jawabannya, mereka sangat pandai omong kosong,” katanya di sebuah acara di University of Pennsylvania. Jadi, kecuali seorang pengguna tahu banyak tentang suatu subjek tertentu, menurut Sokal, seseorang mungkin tidak menangkap chatbot yang “omong kosong”. Itu, bagi saya, dengan sempurna menangkap apa yang disebut “pengetahuan” AI. Ia meniru pemahaman dengan memprediksi urutan kata tetapi tidak memiliki landasan konseptual.

Itulah mengapa sistem AI “kreatif” dan memperdebatkan tentang apakah model bahasa yang besar benar-benar memahami nuansa budaya. Ketika guru bahwa tutor AI dapat menghambat pemikiran kritis siswa, atau dokter mendiagnosis kesalahan algoritmik, mereka mengidentifikasi kesalahan yang sama: pembelajaran mesin sangat brilian dalam pengenalan pola, tetapi tidak memiliki pengetahuan mendalam yang lahir dari pengalaman manusia kumulatif yang sistematis dan metode ilmiah.

Di situlah menawarkan jalan ke depan. Ini berfokus pada penanaman pengetahuan manusia secara langsung ke dalam cara mesin belajar. PINN (Physics-Informed Neural Networks) dan MINN (Mechanistically Informed Neural Networks) adalah contohnya. Nama-nama itu mungkin terdengar teknis, tetapi idenya sederhana: AI menjadi lebih baik ketika mengikuti aturan, apakah itu hukum fisika, sistem biologis, atau dinamika sosial. Itu berarti kita masih membutuhkan manusia bukan hanya untuk menggunakan pengetahuan, tetapi untuk menciptakannya. AI bekerja paling baik ketika belajar dari kita.

Saya melihat ini dalam pekerjaan saya sendiri dengan MINN. Alih-alih membiarkan algoritma menebak apa yang berhasil berdasarkan data masa lalu, kami memprogramnya untuk mengikuti prinsip-prinsip ilmiah yang mapan. Ambil contoh . Untuk jenis bisnis ini, waktu berbunga adalah segalanya. Memanen terlalu awal atau terlambat mengurangi potensi minyak esensial, yang merusak kualitas dan keuntungan. Sebuah AI dapat membuang waktu untuk memilah-milah pola yang tidak relevan. Namun, sebuah MINN dimulai dengan biologi tumbuhan. Ia menggunakan persamaan yang menghubungkan panas, cahaya, embun beku, dan air dengan waktu berbunga untuk membuat prediksi yang tepat waktu dan bermakna secara finansial. Tetapi itu hanya berfungsi ketika ia tahu bagaimana dunia fisik, kimia, dan biologis bekerja. Pengetahuan itu berasal dari sains, yang dikembangkan oleh manusia.

Bayangkan menerapkan pendekatan ini untuk deteksi kanker: tumor payudara memancarkan panas dari peningkatan aliran darah dan metabolisme, dan AI prediktif dapat menganalisis ribuan gambar termal untuk mengidentifikasi tumor hanya berdasarkan pola data. Namun, sebuah MINN, seperti yang baru-baru ini menggunakan data suhu permukaan tubuh dan menanamkan hukum transfer bioheat langsung ke dalam model. Itu berarti, alih-alih menebak, ia memahami bagaimana panas bergerak melalui tubuh, memungkinkannya untuk mengidentifikasi apa yang salah, apa penyebabnya, mengapa, dan di mana tepatnya dengan memanfaatkan fisika aliran panas melalui jaringan. Dalam satu kasus, sebuah MINN memprediksi lokasi dan ukuran tumor dalam beberapa milimeter, yang didasarkan sepenuhnya pada bagaimana kanker mengganggu tanda panas tubuh.

Intinya sederhana: manusia masih penting. Saat AI menjadi canggih, peran kita tidak menghilang. Itu bergeser. Manusia perlu “memanggil omong kosong” ketika sebuah algoritma menghasilkan sesuatu yang aneh, bias, atau salah. Itu bukan hanya kelemahan AI. Itu adalah kekuatan terbesar manusia. Itu berarti pengetahuan kita juga perlu tumbuh sehingga kita dapat mengarahkan teknologi, menjaganya, memastikan ia melakukan apa yang kita pikirkan, dan membantu orang-orang dalam prosesnya.

Ancaman sebenarnya bukanlah bahwa AI semakin pintar. Ini adalah bahwa kita mungkin berhenti menggunakan kecerdasan kita. Jika kita memperlakukan AI sebagai oracle, kita berisiko melupakan cara bertanya, bernalar, dan mengenali ketika sesuatu tidak masuk akal. Untungnya, masa depan tidak harus berjalan seperti ini.

Kita dapat membangun sistem yang transparan, dapat diinterpretasikan, dan didasarkan pada pengetahuan manusia yang terakumulasi tentang sains, etika, dan budaya. Pembuat kebijakan dapat mendanai penelitian tentang AI yang dapat diinterpretasikan. Universitas dapat melatih siswa yang memadukan pengetahuan domain dengan keterampilan teknis. Pengembang dapat mengadopsi kerangka kerja seperti MINN dan PINN yang mengharuskan model untuk tetap sesuai dengan kenyataan. Dan kita semua—pengguna, pemilih, warga negara—dapat menuntut agar AI melayani sains dan kebenaran objektif, bukan hanya korelasi.

Setelah lebih dari satu dekade mengajar statistik tingkat universitas dan pemodelan ilmiah, saya sekarang fokus untuk membantu siswa memahami bagaimana algoritma bekerja “di bawah tenda” dengan mempelajari sistem itu sendiri, daripada menggunakannya dengan menghafal. Tujuannya adalah untuk meningkatkan literasi di seluruh bahasa matematika, sains, dan pengkodean yang saling berhubungan.

Pendekatan ini diperlukan saat ini. Kita tidak membutuhkan lebih banyak pengguna yang mengklik “generate” pada model black-box. Kita membutuhkan orang yang dapat memahami logika AI, kode dan matematikanya, dan menangkap “omong kosongnya.”

AI tidak akan membuat pendidikan tidak relevan atau menggantikan manusia. Tetapi kita mungkin menggantikan diri kita sendiri jika kita lupa bagaimana berpikir mandiri, dan mengapa sains dan pemahaman mendalam penting.

Pilihannya bukanlah apakah akan menolak atau merangkul AI. Ini adalah apakah kita akan tetap cukup terdidik dan pintar untuk membimbingnya.

“`