Data Efficiency Gap: Jurang Besar antara Bayi dan LLM
Efisiensi belajar bahasa AI adalah perbandingan seberapa hemat sistem kecerdasan buatan menggunakan data untuk mempelajari dan menguasai bahasa, dibandingkan dengan manusia, khususnya bayi yang mampu membangun tata bahasa, kosakata, dan pemahaman konteks dari paparan kata yang jauh lebih sedikit tetapi sangat kaya interaksi sosial dan pengalaman langsung.
Selama puluhan ribu tahun, hanya anak manusia yang mampu menguasai bahasa dengan lancar; kini model bahasa besar (LLM) menyusul sebagai entitas kedua yang bisa melakukan hal serupa. Namun di balik kefasihan chatbot, terdapat data efficiency gap raksasa: jurang antara jumlah kata yang dibutuhkan bayi untuk berbicara lancar dan data yang harus ditelan LLM agar tampak fasih. Seorang anak manusia cukup mendengar sekitar 100 juta kata hingga remaja untuk menguasai bahasa ibunya, sedangkan LLM modern seperti Llama 3.1 memerlukan sekitar 15 triliun token—seratus ribu kali lebih banyak. Fakta ini tidak sekadar angka; ini adalah sinyal keras bahwa cara kita merancang pembelajaran mesin hari ini sangat boros.
| Aspek | Bayi Manusia | Model Bahasa Besar (LLM) |
|---|---|---|
| Paparan total bahasa | ≈100 juta kata hingga remaja | ≈15 triliun token untuk Llama 3.1 |
| Mulai menghasilkan kalimat gramatikal | Setelah ≈10–30 juta kata | GPT-2 dengan 30 juta kata menghasilkan omong kosong |
| Istilah untuk perbedaan ini | Belajar dari pengalaman rumah tangga | Data efficiency gap, butuh data raksasa |
Mengapa Bayi Menang: Konteks, Interaksi, dan “Keajaiban” Adaptasi
Jika bayi menang telak dalam efisiensi belajar bahasa AI, penyebab utamanya bukan pada jumlah kata, melainkan kualitas pengalaman. Bayi menyerap bahasa dari interaksi tatap muka, emosi, gerak tubuh, situasi konkret, dan respon sosial yang berulang hari demi hari. Mereka tidak hanya mendengar kata, tetapi mengaitkan kata dengan objek, orang, niat, dan konsekuensi. Pakar perkembangan menyebut kemampuan adaptasi bayi dalam mempelajari bahasa sebagai sesuatu yang “sungguh ajaib”, karena mereka mampu menangkap aturan linguistik dan kosakata dengan sangat cepat, layaknya spons yang menyerap segala hal di sekelilingnya.
Sebaliknya, LLM pembelajaran bahasa bergantung pada pola statistik dari tumpukan teks raksasa yang tidak punya tubuh, emosi, atau dunia nyata di belakangnya. Michael C. Frank dari Stanford menggambarkan ketimpangan ini dengan tajam: "Kami harus membakar hutan dan mengeruk seluruh pengetahuan manusia untuk menciptakan kembali pencapaian yang terjadi di ruang keluarga kami selama setahun." Ketika GPT-2 dilatih hanya dengan 30 juta kata, hasilnya "omong kosong", sementara anak yang mendengar jumlah kata serupa mulai menghasilkan kalimat gramatikal. Artinya, bukan volume yang kurang, melainkan cara model memaknai data yang sepihak dan miskin konteks.
BabyLM dan Rekaman Kehidupan Nyata: Upaya Meniru Cara Bayi Belajar
Data efficiency gap saat ini menjadi salah satu tantangan riset AI terbesar: mesin harus disuapi data raksasa, sementara bayi mencapai kompetensi bahasa hanya dari kehidupan sehari-hari. Untuk menantang asumsi bahwa LLM hanya bisa belajar dari korpus raksasa tanpa batas, muncul proyek BabyLM yang meminta peneliti melatih model bahasa pada korpus yang “developmentally plausible” sebesar 100 juta kata untuk trek balita dan 10 juta kata untuk trek anak-anak. Data berasal dari buku cerita, dialog, subtitle film, dan transkrip ucapan yang ditujukan kepada anak, bukan dari segala teks yang ada di internet.
Hasilnya mengganggu kenyamanan industri: pemenang BabyLM 2024, GPT-BERT, yang dilatih dengan sekitar 100 juta kata, bisa mengalahkan Llama 2 70B—model yang menggunakan data 15.000 kali lebih banyak—pada salah satu tolok ukur kompetisi. Meski kemampuan model BabyLM masih jauh dari LLM komersial dan banyak yang bahkan tidak mampu menghasilkan teks, eksperimen ini memperlihatkan bahwa arah riset yang mengejar efisiensi data dapat menghasilkan kemajuan berarti. Untuk meniru pembelajaran bayi lebih dalam, Michael Frank menjalankan proyek SAYCam yang merekam kehidupan tiga bayi dengan kamera kepala beberapa jam per minggu, lalu digunakan untuk melatih model yang mampu mengaitkan objek visual dengan kata tanpa bias bawaan.
Stanford dan Rekaman 1.000 Hari: Menguak Mekanisme Belajar Bahasa
Penelitian Stanford AI tidak berhenti pada teori; para ilmuwan mencoba membongkar detail bagaimana bayi belajar bahasa dari dunia nyata. Michael C. Frank terlibat dalam pengembangan tolok ukur yang melatih model pada rekaman kamera kepala bayi, bersama peneliti akademis dan tim industri yang tertarik mengambil inspirasi langsung dari pengalaman awal anak. Di sisi lain, Uri Hasson menghabiskan lima tahun merekam 1.000 hari pertama kehidupan 17 anak, dengan keluarga yang memasang kamera dan mikrofon di setiap area rumah untuk merekam 12 jam per hari hampir setiap hari.
Volume data video dan audio ini begitu besar sehingga mustahil ditangani tanpa alat AI baru untuk transkripsi dan analisis. Paradoks muncul: kita memakai AI yang boros data untuk mempelajari bagaimana bayi bisa hemat data. Namun di dalam paradoks tersebut terdapat harapan. Ketidakefisienan ini sudah menjadi fokus utama penelitian pengembangan AI. Menurut para peneliti, menutup data efficiency gap bukan hanya soal menghemat sumber daya, tetapi juga cara untuk memahami diri sendiri—bagaimana otak manusia memproses bahasa secara hemat dan adaptif. Di sini, studi bayi bukan sekadar inspirasi; ia berpotensi menjadi peta jalan bagi generasi baru sistem kecerdasan buatan.
Implikasi Masa Depan: AI Harus Belajar Lebih Seperti Bayi, Bukan Seperti Mesin
Jika AI ingin mendekati kecerdasan manusia, mengejar ukuran model dan triliunan token saja tampak seperti jalan buntu. Ketidakmampuan AI chatbot untuk belajar secara efisien menjadi masalah besar bagi industri, karena biaya komputasi dan operasional melonjak sementara hasilnya masih belum menyamai kemampuan dasar manusia dalam penalaran dan produktivitas. Perusahaan yang mengandalkan penskalaan LLM pembelajaran bahasa menghadapi keraguan dari banyak pakar yang melihat pendekatan ini tidak cukup untuk mencapai kecerdasan setara manusia.
Implikasinya jelas: pengembangan AI masa depan harus mengejar efisiensi belajar bahasa AI, bukan hanya performa di benchmark. Menutup data efficiency gap menjadi tantangan sekaligus peluang untuk menciptakan model yang lebih hemat data dan bisa dilatih oleh universitas atau tim kecil tanpa sumber daya raksasa. Hal ini bukan hanya demi keberlanjutan energi dan biaya, tetapi juga demi demokratisasi AI. Jika industri AI ingin membangun sistem yang benar-benar cerdas, mungkin perlu mempelajari jauh lebih dalam bagaimana bayi belajar—melalui konteks, interaksi sosial, dan pengalaman langsung—bukan sekadar menambah triliunan token. Masa depan AI yang lebih efisien dan berkelanjutan dimulai ketika kita berhenti meniru internet, dan mulai meniru ruang keluarga.
