Teoretikus Keputusan yang Mendirikan AI: Bagaimana Mesin Pemikir Natal Herbert Simon Mengubah Segalanya

Januari 1956. Carnegie Institute of Technology. Seorang profesor berusia 39 tahun — seorang ilmuwan politik berdasarkan pelatihan, sudah terkenal di kalangan ekonom karena berargumen bahwa tidak ada orang yang mengoptimalkan apa pun — membuka kelas pemodelan matematikanya dengan sebuah kalimat yang seharusnya tidak benar: Selama Natal, Al Newell dan saya menciptakan sebuah mesin pemikir.

Mesin itu hampir tidak ada sebagai sebuah mesin. Selama liburan, Simon, Allen Newell, dan programmer Cliff Shaw telah mengembangkan Logic Theorist — dan sebelum itu dijalankan di komputer, mereka mensimulasikan secara manual: subrutin program ditulis di kartu indeks 3×5, dibagikan kepada keluarga dan siswa Simon, masing-masing manusia menjalankan satu aturan komponen. Sebuah mesin berpikir, pertama kali dijalankan pada manusia. Pada musim panas itu, mesin itu dijalankan di perangkat keras dan dipresentasikan di lokakarya Dartmouth — pertemuan yang memberikan nama kecerdasan buatan.

Kisah ini biasanya dikategorikan dalam sejarah komputasi. Ini juga termasuk dalam ilmu keputusan — karena Logic Theorist bukanlah kalkulator yang lebih cepat. Itu adalah teori rasionalitas terbatas Simon yang diimplementasikan dalam kode: jika kecerdasan manusia bekerja melalui jalan pintas dan pencarian selektif daripada perhitungan yang menyeluruh, maka mesin yang menggunakan jalan pintas dan pencarian selektif juga bisa cerdas. Segala sesuatu yang dibangun Simon dalam AI berasal dari satu langkah itu.

Resume yang Seharusnya Tidak Ada

Herbert Alexander Simon (1916–2001) meraih gelar PhD dalam ilmu politik (Chicago, 1943), menulis Administrative Behavior (1947) tentang bagaimana organisasi sebenarnya mengambil keputusan, dan menghabiskan lima dekade di Carnegie Mellon bekerja di bidang ekonomi, psikologi, ilmu komputer, dan filsafat ilmu. Penghargaan-penghargaan tersebut menunjukkan jangkauannya: 1975 ACM Turing Award bersama Allen Newell, untuk kontribusi dasar dalam kecerdasan buatan dan psikologi kognisi manusia; 1978 Nobel Memorial Prize in Economics, untuk penelitian perintis dalam pengambilan keputusan di organisasi ekonomi; 1986 U.S. National Medal of Science. Dia tetap menjadi salah satu dari sedikit orang yang pernah memegang kedua penghargaan Turing dan Nobel — untuk apa yang dia tegaskan sebagai satu program penelitian.

Program tersebut: memahami kecerdasan sebagaimana sebenarnya beroperasi — pada manusia, dalam organisasi, dalam mesin — di bawah batasan nyata informasi, komputasi, dan waktu. Setengah teori menghapuskan manusia ekonomi yang sepenuhnya rasional. Setengah rekayasa mengajukan pertanyaan selanjutnya yang jelas: jika kecerdasan adalah pencarian yang terbatas, bisakah kita membangunnya?

Teorema Logika: Bukti dengan Jalan Pintas

Logic Theorist menyerang teorema dari Principia Mathematica karya Whitehead dan Russell — monumen logika formal abad awal — dan membuktikan 38 dari 52 pertama di bab dua. Metodenya adalah pesannya: alih-alih melalui setiap derivasi (kekuatan kasar yang tidak mungkin bertahan dengan perangkat keras era itu), ia menggunakan heuristik untuk memilih jalur yang menjanjikan, bekerja mundur dari tujuan, dan berhenti ketika ia memiliki sebuah bukti yang valid daripada yang terbaik. Pencarian heuristik dan satisficing — ilmu keputusan Simon, berjalan dengan kecepatan mesin.

Untuk Teorema 2.85, ditemukan sebuah bukti yang lebih elegan daripada yang asli. Bertrand Russell, yang saat itu berusia delapan puluhan, merespons dengan gembira ketika Simon menulis kepadanya tentang hal itu. Journal of Symbolic Logic lebih sulit untuk dipikat: mereka menolak untuk menerbitkan hasilnya, menganggap bukti baru dari teorema dasar tidak layak untuk diterbitkan — tampaknya tanpa mencatat detail bahwa salah satu penulisnya adalah sebuah program komputer.

Penyelesai Masalah Umum: Strategi Tanpa Materi Subjek

Program penerus ini lebih ambisius dalam arah yang tepat seperti yang Anda harapkan dari penulis Administrative Behavior. The General Problem Solver — versi pertama berjalan pada tahun 1957, laporan diterbitkan pada tahun 1959 oleh Newell, Shaw, dan Simon — memperkenalkan analisis sarana-hasil: mengukur perbedaan antara keadaan saat ini dan keadaan tujuan, menemukan operator yang mengurangi perbedaan tersebut, menerapkannya, ulangi. Navigasi dengan menutup celah.

Inovasi nyata GPS adalah arsitektural: ia memisahkan strategi pemecahan masalah dari konten masalah. Mesin yang sama dapat menyerang teka-teki, bukti, atau rencana, dengan deskripsi tentang keadaan dan operator. Pemisahan itu — metode umum, domain yang dapat dipasang — menjadi prinsip desain dasar AI, dan analisis tujuan-cara masih dapat dikenali di dalam sistem perencanaan modern.

Klaim Besar: Simbol dan Pencarian

Dalam kuliah Penghargaan Turing 1976 mereka, Ilmu Komputer sebagai Penyelidikan Empiris, Newell dan Simon menyaring dua dekade pekerjaan menjadi hipotesis paling terkenal di bidang ini: sebuah sistem simbol fisik memiliki sarana yang diperlukan dan cukup untuk tindakan cerdas secara umum. Pikiran memanipulasi simbol; komputer memanipulasi simbol; oleh karena itu, jika diprogram dengan tepat, komputer dapat bertindak secara cerdas — dan tidak ada yang lebih dari manipulasi simbol yang diperlukan. Ini menjadi piagam dari apa yang sekarang disebut AI simbolik, atau GOFAI.

Mereka juga membuat prediksi dengan tanggal di dalamnya, dan tanggal-tanggal tersebut salah. Dalam makalah Operations Research mereka tahun 1958, Simon dan Newell memprediksi bahwa dalam sepuluh tahun, sebuah komputer digital akan menjadi juara catur dunia, kecuali jika aturan melarangnya untuk berkompetisi. Juara dunia jatuh ke tangan komputer pada tahun 1997 — 39 tahun setelah prediksi, bukan sepuluh. Perlu dicatat jenis kesalahan seperti apa itu: mekanismenya (pencarian heuristik di ruang yang tidak bisa dieksplorasi oleh mesin) adalah tepat; garis waktu meleset satu generasi. Kedua fakta tersebut harus dicatat.

Bukankah Deep Learning Membuktikan Simon Salah?

Berikut adalah keberatan yang dibawa oleh pembaca tahun 2026: AI modern tidak bersifat simbolis. Jaringan saraf mempelajari pola dari data; tidak ada yang menulis heuristik secara manual; dan esai berpengaruh Richard Sutton tahun 2019, The Bitter Lesson, terdengar seperti vonis terhadap seluruh pendekatan Simon — tujuh puluh tahun sejarah AI menunjukkan bahwa metode umum yang dapat diskalakan dengan komputasi mengalahkan sistem yang dibangun berdasarkan pengetahuan domain yang dibuat oleh manusia.

Keberatan tersebut mendarat — sebagian. Klaim simbolis yang kuat tidak bertahan: ternyata, simbol yang cukup tidak ada, dan program pengetahuan yang dibangun tangan pada tahun 1970-an dan 80-an terhenti persis seperti yang dijelaskan Sutton. Sebuah akun yang jujur tentang Simon mengatakannya dengan jelas. Tetapi baca kesimpulan dari The Bitter Lesson sendiri: dua keluarga metode yang dapat diskalakan adalah pencarian dan pembelajaran. Pencarian heuristik adalah kontribusi Simon dan Newell untuk bidang ini, yang masih hidup hari ini dari pencarian pohon permainan hingga loop penalaran yang disengaja dari sistem AI saat ini. Dan apa yang dilakukan jaringan dalam — mengenali pola yang terakumulasi dari pengalaman besar — sangat mirip dengan definisi keahlian Simon. Pembelajaran penguatan, yang pendirinya Andrew Barto dan Richard Sutton menerima Penghargaan Turing 2024 (diumumkan Maret 2025), adalah pencarian percobaan dan kesalahan yang selektif di bawah batasan komputasi — sebuah program penelitian yang akan dikenali Simon sebagai kerabat.

Jadi, skor dibagi, dan pembagian ini memberikan pelajaran: arsitektur yang dia pertaruhkan kalah; teori kecerdasan di bawahnya menang. Mesin tidak menjadi cerdas dengan menghitung secara menyeluruh. Mereka menjadi cerdas melalui pencarian yang terbatas, heuristik, dan didorong oleh pengenalan — yang merupakan klaim yang dipertaruhkan Simon dalam kariernya. Pekerjaan terbaru menutup lingkaran dari sisi lain: studi 2025 menemukan model bahasa besar yang menunjukkan rasionalitas terbatas, menyimpang dari optimalitas teori permainan dengan cara yang mirip manusia, sementara satisficing telah direkayasa ke dalam penyelarasan model sebagai batasan tingkat aspirasi.

Jejak Jari Simon pada AI Modern

Garis Waktu: Kehidupan Seorang Polymath

Apa yang Harus Diambil dari Simon ke Dalam Dekade AI

Empat prinsip kerja untuk siapa saja yang membangun dengan, atau memutuskan bersama, mesin terbatas:

Di Mana Argumentree Cocok

Simon memperlakukan kecerdasan manusia dan mesin sebagai satu subjek: agen terbatas yang mencari di bawah batasan. Argumentree dibangun di atas premis yang sama. Argumen manusia dan argumen yang diekstrak oleh AI berada dalam satu struktur yang dapat diperiksa — pohon — di mana penalaran terlihat, penilaian mengarahkan perhatian yang terbatas pada poin-poin terkuat, dan catatan tetap ada sebagai memori organisasi.

Untuk tim yang penggunaan AI-nya harus dapat diaudit, produk saudara AIAgentree memperluas ide yang sama ke dalam penalaran mesin itu sendiri — melacak bagaimana sistem AI mencapai kesimpulannya, dalam struktur yang akan diminta Simon untuk dilihat.

Taruhan Panjang

Jam catur Simon berjalan empat kali, arsitektur simbolisnya runtuh, dan bidang yang ia dirikan kini berjalan dengan metode yang tidak ia bangun. Dinilai sebagai ramalan, catatan yang campur aduk. Dinilai sebagai ilmu, sesuatu yang lebih langka: klaim inti — bahwa kecerdasan, di mana pun ia terjadi, adalah pencarian terbatas yang dipandu oleh pengenalan — telah bertahan lebih lama daripada setiap arsitektur yang digunakan untuk mengujinya, termasuk miliknya sendiri.

Itulah mengapa kalimat di kelas masih relevan tujuh puluh tahun kemudian. Dia tidak mengumumkan sebuah gadget. Dia mengumumkan bahwa berpikir telah menjadi subjek rekayasa — untuk pikiran, untuk organisasi, dan sekarang untuk mesin.