Konferensi Linguistik: RRG 2025
Konferensi linguistik di Kobe, Jepang, baru saja berakhir. Para ahli linguistik dari seluruh dunia memberikan presentasi dalam bahasa Inggris tentang kemajuan selama 2 hari dalam berbagai bahasa termasuk: Jepang, Taiwan, Kanton, Breton, Vietnam, Jerman, Mandarin, bahasa-bahasa Meksiko, Bahasa Isyarat Taiwan, dan berbagai bahasa Afrika. Mereka semua menggunakan RRG sebagai model komunikasi. Pengembang utamanya, Robert D. Van Valin, Jr., telah melanjutkan pekerjaan dan mengembangkan komunitas global sejak awal tahun 1980-an.
Yang membuat kontribusi Van Valin begitu signifikan di abad ke-20 dan ke-21 adalah adopsi sebuah model di mana kata-kata dalam suatu bahasa terhubung ke maknanya dengan satu algoritma tunggal, apa pun bahasanya. Meskipun semua bahasa berbeda dalam kosakata, frasa, tulisan, dan pengucapan, sungguh menakjubkan bahwa satu model dapat menjelaskan fitur umum dari semuanya.
Menurut pandangan saya, presentasi terobosan tahun ini disampaikan dalam sebuah makalah “Towards a new representation of discourse in RRG” oleh Balogh, Bentley dan Shimojo. Hal ini kemudian didukung kuat oleh presentasi utama Van Valin, “Information Structure and Argument Linking Reconceived” yang menutup konferensi.
Model Terobosan
Model RRG baru untuk merepresentasikan wacana ini tampaknya masuk akal, tetapi yang penting dalam sains adalah menyelaraskan pengamatan dengan modelnya, dan kemudian membuat prediksi yang sejalan dengan eksperimen. Dalam hal ini, diagram berikut diusulkan dalam makalah pertama, dan diperkuat dengan bukti eksperimen dalam presentasi utama yang kedua.
Gambar 1 di bawah ini menunjukkan perubahan dalam model.
Ini adalah kemajuan ilmiah dan dalam aplikasi AI saya, saya belum meninjau model baru ini secara rinci karena ini berlaku untuk mesin percakapan yang ada, tetapi saya yakin ada beberapa perbedaan penting yang dibuat dalam makalah yang dapat diterapkan.
Sebagai proposal baru, Van Valin memberikan dukungan besar untuk model ini dalam kesimpulannya:
“Balogh, Bentley & Shimojo telah mengusulkan cara baru untuk memahami interaksi sintaksis, semantik, dan pragmatik wacana dalam RRG. Saya telah mencoba untuk membangun di atas pekerjaan mereka dalam pembicaraan saya hari ini, karena saya merasa bahwa pendekatan mereka sangat menjanjikan dan menawarkan solusi untuk masalah-masalah dalam menggunakan DRS untuk merepresentasikan ICG dalam RRG yang mereka angkat.”
Dalam praktiknya, ini menjelaskan pengamatan yang sudah dikenal dalam bahasa, seperti apa arti kata-kata ‘Mary juga’ dalam:
“John makan cokelat. Mary juga.”
Jawaban: “Mary makan cokelat juga.”
Menerapkan Fungsi Otak untuk Mengotomatiskan Tanya Jawab
Pembicaraan saya melanjutkan pekerjaan saya dalam menjelaskan teori otak Patom. Memiliki model otak non-komputasi mengisyaratkan solusi untuk sejumlah masalah ilmiah yang belum terpecahkan, seperti:
-
bagaimana manusia mengenali makna kata dalam bahasa tanpa memerlukan mesin pencari
-
mengapa pembelajaran bahasa dapat dipercepat dengan tugas-tugas yang diusulkan oleh psikolinguis, Chris Lonsdale, untuk membantu orang dewasa belajar bahasa tambahan
-
apa yang hilang yang telah menghambat aspek-aspek kunci AI sejak tahun 1950-an
-
dan bagaimana RRG terintegrasi dengan sistem yang kita bangun di Pat Labs di Australia dengan beberapa perbedaan utama seperti model sintaktiknya, implementasi semantiknya, dan strateginya untuk menciptakan Generasi Berikutnya dari AI berbasis bahasa.
Pembicaraan lengkap saya selama 45 menit tersedia di YouTube di sini termasuk sesi Tanya Jawabnya.
Mari kita bahas gambaran umum dari poin-poin ini secara bergantian, untuk merangkum pembicaraan.
Mengapa kita tidak butuh mesin pencari di otak kita? Apa yang salah dengan AI?
Teori Patom memodelkan otak sebagai unit pencocokan pola di mana setiap pola hanya dapat disimpan sekali, sebagai atom dari pola tersebut. Dalam bahasa, ini berarti hanya ada satu representasi untuk huruf ‘c’, misalnya. Jangan khawatir, ada banyak sekali pola visual yang diizinkan yang terhubung ke pola tunggal tingkat lebih tinggi ini. Semua gambar itu berarti ‘huruf c.’
AI belum banyak berkembang dibandingkan dengan tujuan yang ditetapkan untuk bidang ini pada tahun 1950-an, terbukti dengan kurangnya robot yang berjalan-jalan melakukan sesuatu untuk kita. Di mana robot yang membersihkan, mengemudi, dan melakukan pekerjaan manual dan terampil manusia? Di mana robot yang berbicara dengan kita dalam bahasa apa pun yang mengerti apa yang kita butuhkan?
AI generatif, seperti ChatGPT dan lainnya, kurang dalam elemen-elemen kunci dari linguistik yang mengakibatkan penggunaan daya yang sangat mahal dan boros untuk menjalankan GPU dan kebutuhan akan pusat data untuk melakukan pekerjaan statistik yang diperlukan untuk desain AI generatif.
Rekayasa AI generatif siap untuk digantikan. Solusi seperti milik saya yang dapat berjalan di laptop, jam tangan, atau ponsel, didukung oleh para ahli dalam pembelajaran mesin dan AI yang melihat keterbatasan AI generatif.
Kemajuan Belajar Bahasa
Pengumuman produk ‘Speech Genie’! Speech Genie akan melanjutkan hasil kerja yang telah terbukti membantu para pembelajar di Asia untuk mahir berbahasa Inggris. Untuk mengikuti perkembangan kami bersama, yuk kunjungi situs web baru Speech Genie di sini (klik).
Speech Genie sedang bersiap untuk membangun produk baru yang melanjutkan hasil kerja yang pertama kali divalidasi untuk para pembelajar bahasa Inggris di Tiongkok, dan kali ini, produk tersebut akan mengintegrasikan sistem Pat Labs yang telah saya kembangkan sejak awal tahun 2000-an. Mesin AI ini akan memungkinkan pembuatan kalimat berdasarkan kebutuhan pengembang kursus untuk berinteraksi dengan kemajuan pengguna, tanpa perlu khawatir sampelnya tidak akan benar.
Penggabungan teknik AI yang didukung oleh ilmu linguistik RRG ini akan memungkinkan pengujian terhadap beberapa pengamatan lama tentang kapasitas orang dewasa untuk belajar bahasa tambahan dan menjanjikan untuk melanjutkan tujuan tolok ukur:
“Pelajari Bahasa Apa Pun dalam 6 Bulan!”
Apa tesis saya tentang kemajuan AI yang mandek?
Kurangnya kemajuan dalam ilmu otak telah menghambat semua aspek AI, karena model komputer membawa batasan mendasar untuk emulasi otak biologis. Bahkan hewan purba seperti ikan dapat menangani objek multisensor dalam konteks. Keterampilan semacam itu memungkinkan kelangsungan hidup bagi predator dan mangsa serta reproduksi spesimen terbaik.
Dalam video saya, saya menunjukkan kontras besar antara robot bipedal saat ini dan hewan seperti anjing. Anjing memiliki kemampuan luar biasa dalam kontrol gerak dan pelacakan objek, sementara robot tampak tidak stabil dan bergerak lambat.
Pengembangan kontrol sensorik dan motorik, seperti dengan model otak seperti teori Patom, menjanjikan integrasi dengan robot masa depan untuk juga mendukung emulasi bahasa manusia.
Apa yang RRG berikan pada kita untuk bisa bercakap-cakap?
Sistem dan demonstrasinya dalam video terkait menggunakan dasar-dasar RRG untuk mengenali kata-kata dalam suatu bahasa dan memetakannya ke representasi semantik dalam konteks menggunakan kamus. Seperti ilmu tanda, semiotika, sistem ini mengubah dari teks ke makna dan sebaliknya, dari makna ke teks.
Sistem ini memanfaatkan paten terbaru saya yang menjelaskan mekanisme untuk melakukan ini secara efisien pada sistem komputer.
Meskipun sistem AI generatif saat ini tidak menganut konsep Immediate Common Ground (ICG), yaitu konsep percakapan hanya dalam konteks saat ini, penambahan elemen kunci tersebut menjanjikan untuk memungkinkan Generasi AI Berikutnya yang menggunakan makna bahasa, berpotensi dalam banyak kasus dengan pengetahuan yang sangat terbatas.
Dalam pembicaraan saya, berbagai keselarasan antara ilmu RRG dan interaksinya dengan model semantik berbasis makna kata telah dibahas.
Penutup
Konferensi RRG tahun ini adalah acara yang luar biasa untuk diikuti.
Sebuah ruangan yang penuh dengan para ahli RRG dengan penelitian khusus tentang bahasa ibu mereka, bahasa lain, dan bahasa yang terancam punah berarti ada berbagai macam variasi dan analisis yang membuka wawasan.
Sedih rasanya meninggalkan negara Jepang yang indah dan keindahan megah kota-kota yang kami kunjungi, Kobe, Tokyo, dan Shimoda.
Tetapi kemajuan dalam ilmu RRG juga mengarah pada langkah-langkah berikutnya yang bagi saya adalah komersialisasi dari sistem belajar bahasa yang akan memanfaatkan layanan AI yang telah saya awasi sejak lama.
Dan alternatif untuk AI yang rentan kesalahan seperti ChatGPT saat ini menjanjikan pengurangan kebutuhan untuk membangun pusat data di mana-mana yang akan secara rakus meningkatkan kebutuhan listrik dan air di mana-mana, demi AI yang akurat dan berdaya rendah.
Daripada menjalankan pembelajaran mesin yang mahal, AI yang didasarkan pada ilmu kognitif akan menggabungkan model RRG dan lainnya untuk membawa banyak sekali alat penting ke pasar menggunakan bahasa manusia.
Mau ikut terlibat lebih jauh?
Kalau teman-teman mau terlibat dengan proyek kami yang akan datang untuk membuat sistem belajar bahasa yang seru seperti game, situs untuk memantau perkembangannya ada di sini (klik). Kita bisa tetap terhubung dengan menambahkan email teman-teman ke daftar kontak di situs itu.
Ingin baca lebih lanjut?
Jika Anda ingin membaca tentang penerapan ilmu otak pada masalah AI, Anda dapat membaca buku terbaru saya, “How to Solve AI with Our Brain: The Final Frontier in Science” untuk menjelaskan aspek-aspek ilmu otak yang bisa kita terapkan dan mengapa analogi terbaik saat ini adalah otak sebagai pencocok pola. Tautan bukunya ada di sini di Amazon di AS (dan di tempat lain).
Dalam desain sampul di bawah ini, Anda dapat melihat otak manusia yang menggabungkan indranya, seperti mata. Penggunaan otak ini sedang diterapkan pada robot mirip manusia yang sedang ditingkatkan dengan ilmu otak menuju emulasi manusia penuh dalam penampilan dan kemampuan.
