Berlangganan buletin harian Popular Science untuk mendapatkan berita terobosan, penemuan, dan tips DIY yang dikirim enam hari dalam seminggu. Kemajuan model kecerdasan buatan (AI) sering kali digambarkan melalui kemampuan bermain gamenya. Deep Blue dari IBM mengejutkan dunia pada tahun 1997 dengan mengalahkan grandmaster catur Garry Kasparov, dan hampir dua dekade kemudian, AlphaGo dari Google mengalahkan juara manusia dalam permainan Go—yang sebelumnya dianggap tak mungkin. Sejak saat itu, AI telah berkembang dari permainan papan ke permainan video, menggunakan pembelajaran penguatan, sebuah teknik yang juga penting dalam melatih chatbot seperti ChatGPT, sehingga mesin mampu menguasai game Atari dan judul strategi kompleks seperti Dota 2 dan Starcraft II. Namun, AI masih kesulitan belajar dengan cepat berbagai permainan yang lebih terbuka—sebuah domain di mana manusia unggul. Ketika dihadapkan dengan permainan yang belum dikenalnya, pemain manusia dengan cepat memahami dasar-dasarnya, sementara model AI sering gagal, seperti yang dijelaskan dalam makalah terbaru oleh profesor ilmu komputer NYU Julian Togelius dan rekan-rekannya. Kesenjangan ini menegaskan adanya perbedaan mendasar antara kecerdasan manusia dan kemampuan AI saat ini, menunjukkan bahwa AI masih memiliki perjalanan panjang sebelum mencapai atau melampaui kecerdasan manusia sejati. Permainan telah lama menjadi tempat uji coba yang ideal untuk AI karena aturan yang dapat diprediksi, tujuan yang jelas, dan mekanik yang terdefinisi dengan baik, yang cocok dengan pembelajaran penguatan: model secara berulang memainkan permainan dalam simulasi untuk meningkat melalui coba-coba. Pendekatan ini memungkinkan DeepMind menguasai permainan Atari pada tahun 2015 dan mempengaruhi model bahasa besar masa kini yang dilatih dengan data internet dalam jumlah besar. Namun, model ini hanya unggul dalam tugas-tugas tertentu dengan batasan yang jelas; sedikit perubahan dalam desain permainan dapat mengganggu kinerja AI. Meski AI bisa mencapai keahlian superhuman dalam satu permainan tertentu, ia kesulitan dengan improvisasi. Keterbatasan ini menjadi semakin nyata seiring meningkatnya tingkat kebebasan dan abstraksi dalam permainan modern. Berbeda dengan catur, permainan seperti game dunia terbuka “Red Dead Redemption” memiliki tujuan yang kompleks dan terkait dengan memerankan karakter yang bermoral konflik, bukan sekadar mencapai target sederhana.

Manusia secara intuitif memahami nuansa ini; mesin tidak. Bahkan dalam permainan sandbox yang lebih sederhana seperti “Minecraft, ” AI mungkin melakukan tindakan dasar seperti melompat tanpa memahami konteksnya. Para penulis menekankan bahwa permainan yang dirancang dengan baik sangat selaras dengan intuisi manusia, akal sehat, dan pengalaman hidup—yang diperoleh manusia selama bertahun-tahun berinteraksi di dunia nyata. Sebagai contoh, bayi belajar mengenali objek sekitar usia 18 hingga 24 bulan hanya melalui pengalaman; sementara mesin membutuhkan input yang jauh lebih banyak dan terarah. Keunggulan pengalaman ini memungkinkan manusia belajar permainan baru dengan lebih cepat. Penelitian menunjukkan bahwa AI berbasis pembelajaran penguatan yang didorong oleh rasa ingin tahu mungkin membutuhkan sekitar empat juta ketukan tombol—atau sekitar 37 jam terus-menerus—untuk menyelesaikan sebuah permainan, sedangkan pemain manusia rata-rata sering memahami mekanik baru dalam waktu kurang dari 10 jam. Meskipun demikian, AI makin maju dalam permainan umum. Pada tahun 2023, Google DeepMind memperkenalkan SIMA 2, sebuah model yang menggabungkan AI yang ada dengan kemampuan penalaran dari model bahasa berskala besar Gemini, yang memungkinkan pemahaman dan interaksi yang lebih baik dengan game 3D—bahkan game yang sebelumnya tidak dilatih secara khusus untuk itu. Namun, Togelius dan rekan menyampaikan bahwa AI masih memiliki jarak cukup jauh sebelum dapat menyaingi adaptabilitas manusia. Mereka mengusulkan sebuah tolok ukur di mana sebuah model dapat memainkan dan memenangkan 100 game teratas di Steam atau App Store iOS tanpa pelatihan sebelumnya pada salah satunya—dan melakukannya dalam waktu yang kira-kira sama dengan waktu yang dibutuhkan manusia. Tantangan ini tetap sangat berat dan metode AI saat ini belum mampu atau bahkan berusaha secara serius untuk menyelesaikannya. Mencapai tingkat generalisasi ini akan menuntut AI menunjukkan kreativitas sejati, perencanaan ke depan, dan pemikiran abstrak—kualitas yang secara unik menjadi ciri kecerdasan manusia. Pada akhirnya, ujian nyata apakah AI bisa mencapai “kecerdasan setara manusia” mungkin bukan terletak pada pembuatan deepfake atau penulisan novel dangkal, tetapi dalam kemampuannya untuk menguasai berbagai permainan yang beragam dengan kecepatan dan pemahaman belajar yang seperti manusia.