LyndHub
Jadwal Sholat

Memuat jadwal sholat…

← Semua jurnalIndeks pencarian

Editorial Ilmu Komputer & AI

Open AccessOA2025

Large Language Models as General Purpose Intelligence Systems for Reasoning, Planning and Decision Making

Tinjauan komprehensif kapabilitas LLM di ranah penalaran, perencanaan, dan pengambilan keputusan, dengan penekanan pada fondasi arsitektur, aplikasi dunia nyata, dan tantangan terbuka
Feng-Yuan Zhang; Biting Wu· American journal of artificial intelligence and neural networks· 2025· DOI 10.71465/ajainn473

Masalah inti

Kemunculan large language model (LLM) telah secara fundamental mengubah penelitian dan aplikasi artificial intelligence (AI), memosisikan sistem ini sebagai kandidat potensial untuk kecerdasan umum. LLM adalah deep neural network yang dilatih pada korpus teks masif yang menunjukkan kapabilitas luar biasa di berbagai tugas kognitif tanpa fine-tuning khusus tugas. Tinjauan ini mengkaji bagaimana LLM berfungsi sebagai sistem kecerdasan umum, dengan penekanan khusus pada tiga ranah kognitif inti: penalaran, perencanaan, dan pengambilan keputusan. Penulis, Feng-Yuan Zhang dan Biting Wu, menyintesis kemajuan terkini untuk menilai janji sekaligus batasan LLM sebagai sistem kecerdasan umum. Pertanyaan sentral yang dibahas adalah apakah kinerja task-agnostic LLM yang luar biasa merupakan kemajuan sejati menuju artificial general intelligence (AGI) atau justru sekumpulan kapabilitas sempit, meskipun luas, yang tidak memiliki landasan kognitif fundamental. Tinjauan ini disusun mengikuti kerangka IMRAD, menganalisis fondasi arsitektur, inovasi metodologis, hasil empiris lintas ranah, dan tantangan kritis yang masih menjadi masalah penelitian terbuka.

Inovasi

Tinjauan ini melaporkan temuan signifikan di tiga ranah kognitif inti. Dalam penalaran, LLM menunjukkan kapabilitas luar biasa melalui chain-of-thought prompting, yang memungkinkan dekomposisi masalah langkah demi langkah dan meningkatkan kinerja pada tugas penalaran aritmetika, logika, dan akal sehat yang kompleks. In-context learning memungkinkan LLM beradaptasi dengan tugas baru hanya dari beberapa contoh tanpa pembaruan parameter, suatu bentuk meta-learning yang muncul pada skala besar. Emergent abilities—kapabilitas yang tidak ada pada model lebih kecil tetapi muncul secara tiba-tiba pada model lebih besar—telah didokumentasikan di berbagai benchmark, menunjukkan pergeseran kualitatif dalam kompetensi model seiring bertambahnya jumlah parameter.

Dalam perencanaan, LLM menunjukkan kemahiran pada dekomposisi masalah multi-langkah, penyelesaian tugas berorientasi tujuan, dan pengurutan tindakan strategis. LLM dapat menghasilkan rencana yang koheren untuk tugas seperti pembuatan itinerary perjalanan, manajemen proyek, bahkan desain eksperimen ilmiah. Namun, tinjauan ini mencatat bahwa koherensi perencanaan menurun pada horizon panjang, dengan model sering kehilangan jejak tujuan

Kemunculan large language model (LLM) telah secara fundamental mengubah penelitian dan aplikasi artificial intelligence (AI), memosisikan sistem ini sebagai kandidat potensial untuk kecerdasan umum. LLM adalah deep neural network yang dilatih pada korpus teks masif yang menunjukkan kapabilitas luar biasa di berbagai tugas kognitif tanpa fine-tuning khusus tugas. Tinjauan ini mengkaji bagaimana LLM berfungsi sebagai sistem kecerdasan umum, dengan penekanan khusus pada tiga ranah kognitif inti: penalaran, perencanaan, dan pengambilan keputusan. Penulis, Feng-Yuan Zhang dan Biting Wu, menyintesis kemajuan terkini untuk menilai janji sekaligus batasan LLM sebagai sistem kecerdasan umum. Pertanyaan sentral yang dibahas adalah apakah kinerja task-agnostic LLM yang luar biasa merupakan kemajuan sejati menuju artificial general intelligence (AGI) atau justru sekumpulan kapabilitas sempit, meskipun luas, yang tidak memiliki landasan kognitif fundamental. Tinjauan ini disusun mengikuti kerangka IMRAD, menganalisis fondasi arsitektur, inovasi metodologis, hasil empiris lintas ranah, dan tantangan kritis yang masih menjadi masalah penelitian terbuka.
Studi ini memakai metodologi tinjauan literatur komprehensif, menyintesis kemajuan terkini dalam penelitian LLM lintas berbagai disiplin. Penulis menganalisis fondasi arsitektur yang memungkinkan LLM menjalankan tugas penalaran kompleks, termasuk chain-of-thought prompting (CoT), in-context learning (ICL), dan emergent abilities yang muncul dari skala. Tinjauan ini mengevaluasi kapabilitas perencanaan melalui kinerja pada dekomposisi masalah multi-langkah, penyelesaian tugas berorientasi tujuan, dan pengurutan tindakan strategis. Kerangka pengambilan keputusan diinvestigasi ketika LLM berperan sebagai agen otonom, penasihat kebijakan, dan sistem kolaboratif yang mengintegrasikan keahlian manusia dengan kecerdasan mesin. Metodologi mencakup pemeriksaan teknik prompt engineering, retrieval-augmented generation (RAG), dan integrasi multimodal yang meningkatkan kapabilitas LLM untuk tugas kecerdasan umum. Aplikasi dunia nyata yang mencakup diagnosis kesehatan, analisis keuangan, penemuan ilmiah, dan pengelolaan sistem otonom diperiksa untuk mendasarkan analisis teoretis pada hasil praktis. Tantangan kritis termasuk halusinasi, konsistensi penalaran, efisiensi komputasi, dan pertimbangan etis dibahas secara menyeluruh sebagai bagian dari kerangka evaluatif. Tinjauan ini tidak menjalankan eksperimen primer, melainkan menyintesis temuan empiris yang ada untuk membangun penilaian holistik atas kapabilitas kecerdasan umum LLM.

Mengapa penting

Tinjauan ini secara kritis menganalisis implikasi temuan tersebut bagi upaya mencapai kecerdasan umum. Meskipun LLM menunjukkan kemajuan signifikan, batasan fundamental tetap ada. Pemahaman kausal menjadi kelemahan kunci: LLM unggul pada pola korelasional tetapi kesulitan dengan penalaran kontrafaktual dan intervensi. Koherensi perencanaan jangka panjang menjadi tantangan lain, karena model cenderung menyimpang dari tujuan awal pada sekuens yang panjang. Adaptive learning—kemampuan untuk terus memperbarui pengetahuan dan keterampilan dari pengalaman baru—sebagian besar tidak ada pada LLM statis, yang memerlukan pelatihan ulang atau fine-tuning untuk memasukkan informasi baru.

Halusinasi tetap menjadi masalah yang menetap, ketika model menghasilkan informasi yang masuk akal tetapi salah, sehingga merusak kepercayaan pada aplikasi berisiko tinggi. Konsistensi penalaran juga bervariasi; model dapat menghasilkan jawaban berbeda untuk pertanyaan yang setara secara logis. Efisiensi komputasi menjadi perhatian, karena biaya inferensi untuk model besar sangat besar, membatasi penerapan di lingkungan dengan sumber daya terbatas. Pertimbangan etis mencakup bias, privasi, dan potensi penyalahgunaan, sehingga memerlukan kerangka tata kelola yang kuat.

Penulis berargumen bahwa mengatasi tantangan tersebut memerlukan inovasi berkelanjutan dalam desain arsitektur, metodologi pelatihan, dan kerangka evaluasi. Sistem hibrida yang menggabungkan LLM dengan penalaran simbolik, mesin inferensi kausal, dan mekanisme memori dapat menawarkan jalan ke depan. Tinjauan ini menyimpulkan bahwa meskipun LLM merepresentasikan langkah signifikan menuju kecerdasan umum, LLM belum menjadi AGI, dan penelitian fundamental diperlukan untuk menjembatani kesenjangan antara kinerja tugas sempit dan kecerdasan umum yang sejati.

Kerangka konseptual untuk mengintegrasikan LLM dengan modul pelengkap digambarkan di bawah ini:

Arsitektur ini menunjukkan bahwa augmentasi LLM dengan komponen khusus dapat memitigasi sebagian batasan, meskipun kompleksitas integrasi dan skalabilitas tetap menjadi pertanyaan terbuka.

Siapa yang sebaiknya membaca

Praktisi dan peneliti ilmu komputer

Membuka konten member…