7 hours ago
2
Ilustrasi(magnifik)
ROBOT dapat mempelajari bahasa lebih cepat jika dibekali rasa ingin tahu layaknya manusia. Hal itu ditunjukkan dalam penelitian terbaru peneliti Okinawa Institute of Science and Technology (OIST), Jepang, yang dipublikasikan pada 24 Juli 2026.
Dengan pendekatan AI yang meniru cara anak-anak belajar, robot didorong untuk aktif mengeksplorasi lingkungan, mencoba berbagai tindakan, mengamati hasilnya, lalu menghubungkan pengalaman tersebut dengan kata-kata yang didengar.
Metode ini terbukti lebih efisien dalam memahami makna bahasa dibanding pembelajaran yang hanya mengandalkan pengulangan instruksi.
Meniru Cara Balita Memahami Dunia
Penelitian yang dipimpin Theodore Tinker bersama Prof. Jun Tani dan tim dari Cognitive Neurorobotics Research Unit OIST mengembangkan robot virtual untuk meniru cara anak-anak belajar bahasa melalui eksplorasi.
Dalam simulasi berisi balok-balok berwarna, robot menerima instruksi sederhana sambil mengamati tindakan dan mendengar deskripsi bahasa, kemudian menghubungkan pengalaman tersebut dengan kata-kata yang didengar.
Berbeda dari AI konvensional yang mengandalkan pola statistik, pendekatan ini memungkinkan robot memahami makna bahasa secara bertahap melalui pengalaman langsung, menyerupai cara balita belajar berbicara.
Rasa Ingin Tahu Jadi Mesin Pembelajaran
Keunikan penelitian ini terletak pada penerapan mekanisme intrinsic curiosity, yaitu dorongan internal yang membuat robot terus mengeksplorasi lingkungan untuk memperoleh pengalaman baru.
Alih-alih hanya mengikuti instruksi secara kaku, robot kerap mencoba tindakan lain guna memahami apa yang terjadi, sehingga menunjukkan perilaku menyerupai anak kecil yang belajar melalui bermain.
Hasilnya, robot yang dibekali rasa ingin tahu mampu memahami hubungan antara bahasa dan tindakan sekitar dua kali lebih cepat dibanding robot yang hanya belajar dari instruksi.
Robot juga lebih mudah menerapkan pengetahuan yang telah dipelajari ke situasi baru, menunjukkan kemampuan belajar yang lebih fleksibel dan adaptif.
Tak Lagi Bergantung pada Data Raksasa
Penelitian OIST menunjukkan bahwa AI tidak selalu memerlukan data pelatihan dalam jumlah besar untuk memahami bahasa.
Dengan pendekatan pembelajaran berbasis pengalaman menggunakan model Predictive Coding-inspired Variational Recurrent Neural Network (PV-RNN), robot dapat membangun dan terus memperbarui pemahamannya melalui interaksi dengan lingkungan, sehingga lebih efisien dalam menghubungkan bahasa, tindakan, persepsi, dan makna.
Membuka Jalan bagi Robot yang Lebih Cerdas
Para peneliti meyakini pendekatan ini dapat menjadi fondasi bagi generasi baru robot yang mampu belajar mandiri melalui pengalaman, sehingga berpotensi diterapkan pada robot pendamping lansia, layanan kesehatan, asisten rumah tangga, hingga industri.
Menurut tim OIST, kecerdasan sejati tidak hanya bergantung pada pengolahan data dalam jumlah besar, tetapi juga pada kemampuan untuk terus belajar melalui rasa ingin tahu, sehingga AI menjadi lebih adaptif, fleksibel, dan mampu berinteraksi secara alami dengan manusia.
Sumber: Okinawa Institute of Science and Technology (OIST), Tech Explore, Interesting Engineering
