Robot Bisa Belajar Bahasa Lebih Cepat Berkat Rasa Ingin Tahu, Ungkap Penelitian OIST

Ilustrasi(magnifik)

ROBOT dapat mempelajari bahasa lebih sigap jika dibekali rasa mau tahu layaknya manusia. Hal itu ditunjukkan dalam penelitian terbaru peneliti Okinawa Institute of Science and Technology (OIST), Jepang, nan dipublikasikan pada 24 Juli 2026. 

Dengan pendekatan AI nan meniru langkah anak-anak belajar, robot didorong untuk aktif mengeksplorasi lingkungan, mencoba beragam tindakan, mengawasi hasilnya, lampau menghubungkan pengalaman tersebut dengan kata-kata nan didengar. 

Metode ini terbukti lebih efisien dalam memahami makna bahasa dibanding pembelajaran nan hanya mengandalkan pengulangan instruksi.

Meniru Cara Balita Memahami Dunia

Penelitian nan dipimpin Theodore Tinker berbareng Prof. Jun Tani dan tim dari Cognitive Neurorobotics Research Unit OIST mengembangkan robot virtual untuk meniru langkah anak-anak belajar bahasa melalui eksplorasi. 

Dalam simulasi berisi balok-balok berwarna, robot menerima petunjuk sederhana sembari mengawasi tindakan dan mendengar penjelasan bahasa, kemudian menghubungkan pengalaman tersebut dengan kata-kata nan didengar. 

Berbeda dari AI konvensional nan mengandalkan pola statistik, pendekatan ini memungkinkan robot memahami makna bahasa secara berjenjang melalui pengalaman langsung, menyerupai langkah balita belajar berbicara.

Rasa Ingin Tahu Jadi Mesin Pembelajaran

Keunikan penelitian ini terletak pada penerapan sistem intrinsic curiosity, ialah dorongan internal nan membikin robot terus mengeksplorasi lingkungan untuk memperoleh pengalaman baru. 

Alih-alih hanya mengikuti petunjuk secara kaku, robot kerap mencoba tindakan lain guna memahami apa nan terjadi, sehingga menunjukkan perilaku menyerupai anak mini nan belajar melalui bermain.

Hasilnya, robot nan dibekali rasa mau tahu bisa memahami hubungan antara bahasa dan tindakan sekitar dua kali lebih sigap dibanding robot nan hanya belajar dari instruksi. 

Robot juga lebih mudah menerapkan pengetahuan nan telah dipelajari ke situasi baru, menunjukkan keahlian belajar nan lebih elastis dan adaptif.

Tak Lagi Bergantung pada Data Raksasa

Penelitian OIST menunjukkan bahwa AI tidak selalu memerlukan info training 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 hubungan dengan lingkungan, sehingga lebih efisien dalam menghubungkan bahasa, tindakan, persepsi, dan makna.

Membuka Jalan bagi Robot nan Lebih Cerdas

Para peneliti meyakini pendekatan ini dapat menjadi fondasi bagi generasi baru robot nan bisa belajar berdikari melalui pengalaman, sehingga berpotensi diterapkan pada robot pendamping lansia, jasa kesehatan, asisten rumah tangga, hingga industri. 

Menurut tim OIST, kepintaran sejati tidak hanya berjuntai pada pengolahan info dalam jumlah besar, tetapi juga pada keahlian untuk terus belajar melalui rasa mau tahu, sehingga AI menjadi lebih adaptif, fleksibel, dan bisa berinteraksi secara alami dengan manusia.

Sumber: Okinawa Institute of Science and Technology (OIST), Tech Explore, Interesting Engineering