Mengenal Generative AI: Dari Logika Sederhana ke Ruang Dimensi Tinggi

Pernah bertanya-tanya gimana sih ChatGPT atau image generator bisa 'mikir' dan bikin sesuatu yang baru? Jawabannya ada di matematika yang sebenarnya sudah ada sejak tahun 1960-an.

Namanya threshold logic. Konsep ini awalnya dipakai buat merancang sirkuit digital. Simpelnya, sistem ini ngebandingin jumlah input yang sudah di-weight dengan sebuah threshold. Secara geometris, ini kayak garis atau bidang yang memotong ruang jadi dua bagian.

Di dimensi rendah, sistem ini kerjanya lurus banget. Misalnya ada data A dan B, perceptron (nama teknisnya) bakal nyari garis lurus yang bisa pisahin keduanya. Kalau bisa dipisah, ya beres. Kalau nggak, ya gagal.

Tapi ini yang menarik: begitu masuk ke dimensi tinggi, semuanya berubah.

Cover (1965) nemuin fenomena aneh. Di ruang dengan banyak dimensi, satu hyperplane bisa memisahkan hampir semua konfigurasi titik data. Bayangin: yang tadinya susah, jadi gampang banget.

Ruang dimensi tinggi itu jadi 'penuh' sama kemungkinan classifier. Perceptron yang tadinya cuma alat logika sederhana, tiba-tiba berubah fungsi jadi alat navigasi.

Minsky dan Papert tahun 1969 memang pernah kritik keterbatasan perceptron. Waktu itu solusinya adalah multilayer architecture—yang jadi cikal bakal deep learning sekarang.

Tapi paper ini nunjukin ada jalur lain yang nggak kalah penting: naikin dimensi sambil tetap pakai satu threshold element aja.

Depth dalam neural network bisa dipahami dengan cara baru. Bukan sekadar numpuk layer, tapi sebagai mekanisme sequential deformation. Data manifold diubah-ubah secara bertahap lewat operasi threshold yang diulang-ulang.

Tujuannya? Menyiapkan data supaya bisa dipisahkan secara linear—yang sebenarnya sudah dimungkinkan oleh geometri dimensi tinggi itu sendiri.

Jadi ada tiga pilar di sini: threshold function sebagai unit ontologis, dimensionality sebagai kondisi yang enable, dan depth sebagai mekanisme preparatory. Ketiganya bikin perspektif unified buat memahami generative AI.

Praktisnya, ini membantu kita ngerti kenapa AI generatif bisa 'kreatif'. Di dimensi tinggi, kemungkinan kombinasi itu eksplosif. AI nggak cuma mengklasifikasikan, tapi navigating through vast possibility space.

Takeaway praktis buat kamu: kalau lagi pakai AI generatif, ingat bahwa 'kreativitas'-nya sebenarnya datang dari eksplorasi ruang kemungkinan yang sangat besar. Prompt engineering itu sebenarnya navigasi—ngarahin AI ke bagian ruang yang relevan sama kebutuhanmu.

Semakin spesifik dan kontekstual promptmu, semakin terbatas ruang navigasi yang harus dijelajahi AI. Hasilnya? Lebih presisi dan sesuai ekspektasi.