Sejarah lengkap kecerdasan buatan (AI) dari akar pemikirannya tahun 1940-an, konfrensi Dartmouth 1956, AI winter, expert systems, deep learning, hingga era LLM dan agentic AI 2025-2026.
“I propose to consider the question, ‘Can machines think?’” — Alan Turing, Computing Machinery and Intelligence (1950)
Kecerdasan buatan (bahasa Inggris: artificial intelligence, disingkat AI) adalah cabang ilmu komputer yang bertujuan membuat mesin yang mampu melakukan tugas-tugas yang membutuhkan kecerdasan manusia — penalaran, pembelajaran, persepsi, pemahaman bahasa alami, dan pengambilan keputusan.
Perjalanan AI dari 1950-an hingga 2026 adalah kisah naik-turun yang dramatis: dua “musim dingin” (AI winter) ketika pendanaan dan minat publik anjlok, diselingi musim panas yang ditandai gebrakan teknis seperti jaringan syaraf tiruan, expert system, deep learning, dan akhirnya large language model (LLM) yang mentransformasi industri teknologi global.
Artikel ini menelusuri sejarah AI dari akar filosofisnya (Turing 1950) hingga era agentic AI 2025-2026 — lengkap dengan tokoh, konsep, dan peristiwa penting.
Sebelum kata “AI” diciptakan, fondasi teoritisnya sudah diletakkan oleh para pionir dari disiplin lain.
1943 — McCulloch & Pitts: Model Neural Pertama Warren McCulloch dan Walter Pitts menerbitkan “A Logical Calculus of the Ideas Immanent in Nervous Activity” — makalah pertama yang memodelkan neuron biologis sebagai threshold logic gate. Mereka membuktikan bahwa jaringan neuron sederhana secara teori dapat menghitung fungsi logika apapun. Ini menjadi cikal bakal jaringan syaraf tiruan.
1945–1953 — Cybernetics: Norbert Wiener Norbert Wiener, profesor MIT, menciptakan istilah cybernetics (dari kata Yunani kybernetes, “pengemudi”) dalam buku Cybernetics: Or Control and Communication in the Animal and the Machine (1948). Cybernetics mempelajari kontrol dan komunikasi pada mesin dan makhluk hidup — fondasi untuk umpan balik, sistem kendali, dan akhirnya reinforcement learning.
1949 — Hebb’s Rule: Belajar di Jaringan Neural Donald Hebb menerbitkan The Organization of Behavior yang memperkenalkan Hebbian learning: “neurons that fire together, wire together” — aturan belajar pertama untuk jaringan syaraf yang tetap relevan hingga era deep learning modern.
1950 — Turing Test: “Can Machines Think?” Alan Turing menerbitkan makalah legendaris “Computing Machinery and Intelligence” di jurnal Mind. Ia mengajukan pertanyaan filosofis: “Bisakah mesin berpikir?” Untuk menjawabnya, ia mengusulkan imitation game — kini dikenal sebagai Turing Test:
Seorang interrogator mengetik pertanyaan ke dua terminal: satu terhubung ke manusia, satu ke mesin. Jika interrogator tidak bisa membedakan mana manusia dan mana mesin lebih dari 50% kasus dalam 5 menit, mesin tersebut “lolos” tes dan dianggap memiliki kecerdasan.
Turing memprediksi bahwa pada tahun 2000, mesin akan lolos Turing Test dengan 70% peluang. Prediksinya keliru waktu (LLM modern sudah sering mengelabui manusia dalam percakapan singkat), tapi visi ini menginspirasi dekade riset berikutnya.
1951 — SNARC: Neural Network Hardware Pertama Marvin Minsky dan Dean Edmonds membangun SNARC (Stochastic Neural Analog Reinforcement Calculator) di Princeton — simulator neural network pertama yang diimplementasikan pada hardware (40 tabung vakum). Ini adalah implementasi fisik pertama dari ide McCulloch-Pitts.
1952 — Samuel’s Checkers: Belajar dari Pengalaman Arthur Samuel di IBM membangun program checkers yang belajar dari bermain melawan dirinya sendiri. Ia menciptakan istilah machine learning (mesin pembelajaran) — pertama kalinya istilah ini digunakan. Programnya akhirnya mengalahkan pemain manusia level amatir.
1955 — Logic Theorist Awal Allen Newell dan Herbert Simon di RAND Corporation dan Carnegie Mellon mulai merancang Logic Theorist — program yang dapat membuktikan teorema matematika. Ini akan dipublikasikan tahun 1956.
1956 — Konfrensi Dartmouth: Lahirnya Istilah “AI” Pada musim panas 1956, John McCarthy (saat itu di Dartmouth College) menyelenggarakan Dartmouth Summer Research Project on Artificial Intelligence — acara yang diakui secara resmi sebagai momen kelahiran AI sebagai bidang riset. Proposal 17 halaman yang ditulis McCarthy mengusulkan:
“Every aspect of learning or any other feature of intelligence can in principle be so precisely described that a machine can be made to simulate it.”
Proposal ini ikut ditandatangani oleh Marvin Minsky (Harvard), Claude Shannon (Bell Labs, “bapak teori informasi”), dan Nathaniel Rochester (IBM). Konfrensi ini memperkenalkan istilah artificial intelligence ke dunia.
Peserta kunci lainnya termasuk Allen Newell dan Herbert Simon yang mendemonstrasikan Logic Theorist — program AI pertama yang berhasil, mampu membuktikan 38 dari 52 teorema pertama Principia Mathematica Bertrand Russell, dan kadang menemukan bukti yang lebih elegan dari versi Russell sendiri.
Setelah Dartmouth, AI memasuki masa keemasan. Pemerintah AS (terutama DARPA) menyuntikkan dana riset besar-besaran, optimisme merajalela, dan berbagai terobosan teknis bermunculan.
1958 — LISP: Bahasa AI John McCarthy menemukan LISP (List Processing) di MIT — bahasa pemrograman yang didesain khusus untuk riset AI. LISP menjadi bahasa dominan AI selama hampir 30 tahun dan melahirkan banyak ide fundamental: garbage collection, dynamic typing, first-class functions, tree structures, dan self-hosting compilers. LISP masih digunakan hingga sekarang (Clojure adalah varian modernnya).
1958 — Perceptron: Neural Network Praktis Frank Rosenblatt di Cornell Aeronautical Laboratory membangun Perceptron — model neural network pertama yang dapat belajar dari data menggunakan algoritma training. Mark I Perceptron adalah hardware khusus untuk pengenalan gambar 20×20 pixel. New York Times menulis: “the embryo of an electronic computer that [the Navy] expects will be able to walk, talk, see, write, reproduce itself and be conscious of its existence.” — prediksi yang terlalu optimistis.
1958 — Advice Taker: AI Konseptual John McCarthy menulis makalah “Programs with Common Sense” yang memperkenalkan Advice Taker — sistem yang dapat menggunakan pengetahuan umum dan penalaran logis. Ide ini menjadi dasar knowledge representation dan reasoning.
1961 — Unimate: Robot Industri Pertama George Devol dan Joseph Engelberger menciptakan Unimate — robot industri pertama yang digunakan di jalur perakitan General Motors. Unimate mengangkat benda panas dan melakukan tugas berulang yang berbahaya bagi manusia. Ini menandai lahirnya robotika industri.
1964 — ELIZA: Chatbot Pertama Joseph Weizenbaum di MIT menciptakan ELIZA — program yang mensimulasikan psikoterapis Rogerian dengan teknik pencocokan pola sederhana. Weizenbaum terkejut ketika秘书 (sekretarisnya) meminta privacy saat menggunakan ELIZA — dia tidak percaya bahwa program komputer dapat dipercaya dengan rahasia pribadinya. Fenomena ini kini dikenal sebagai ELIZA effect: kecenderungan manusia menganggap program komputer lebih cerdas dari yang sebenarnya.
1965 — DENDRAL: Expert System Pertama Edward Feigenbaum, Bruce Buchanan, dan Joshua Lederberg di Stanford mulai mengembangkan DENDRAL — expert system pertama yang menggunakan pengetahuan domain spesifik (kimia organik) untuk mengidentifikasi struktur molekul dari data spektrometri massa. DENDRAL membuka paradigma baru: AI tidak hanya butuh penalaran umum, tapi juga pengetahuan ahli.
1966 — Shakey the Robot: Robot Cerdas Pertama Charles Rosen dan tim di Stanford Research Institute (SRI) membangun Shakey — robot mobile pertama yang menggabungkan computer vision, natural language processing, dan penalaran logis. Shakey dapat menavigasi ruangan, merencanakan aksi, dan menyelesaikan masalah. Proyek ini menciptakan algoritma fundamental seperti A search* dan STRIPS planning.
1968 — SHRDLU: Pemahaman Bahasa Alami Terrence Winograd di MIT menciptakan SHRDLU — program yang dapat memahami dan menjalankan perintah dalam bahasa Inggris di dunia “blok” virtual. SHRDLU menjawab pertanyaan (“Apakah ada piramid besar di belakang kubus merah?”), merencanakan aksi, dan belajar dari pengalaman dalam domain terbatas. Ini adalah tonggak natural language understanding.
1969 — Minsky & Papert: “Perceptrons” Marvin Minsky dan Seymour Papert di MIT menerbitkan buku Perceptrons yang membuktikan keterbatasan matematis perceptron — khususnya bahwa perceptron tunggal tidak dapat memecahkan masalah XOR. Buku ini (dan oversimplifikasi media terhadapnya) menyebabkan sebagian besar komunitas riset berhenti meneliti neural network selama hampir 20 tahun. Periode ini disebut “neural network winter” atau “dark age of neural networks” — yang baru berakhir tahun 1986 dengan backpropagation.
Optimisme awal 1960-an mulai pudar. Janji-janji AI tidak terpenuhi, biaya komputasi tinggi, dan program AI hanya bekerja di dunia mainan (toy problems) tanpa aplikasi praktis.
1973 — Lighthill Report: Kritik dari Inggris James Lighthill menerbitkan Lighthill Report untuk Science Research Council (SRC) Inggris yang mengkritik riset AI di Inggris. Lighthill menyimpulkan: “in no part of the field have the discoveries made so far produced the major impact that was then promised.” Konsekuensinya dahsyat:
1976 — MYCIN: Expert System Kedokteran Edward Shortliffe di Stanford menciptakan MYCIN — expert system untuk mendiagnosis infeksi bakteri dan merekomendasikan antibiotik. MYCIN menggunakan ~600 aturan IF-THEN dan mencapai kinerja setara dengan ahli manusia. Tapi MYCIN tidak pernah digunakan di rumah sakit karena:
1979 — Stanford Cart: Mobil Autonomous Pertama Hans Moravec di Stanford membangun Stanford Cart — kendaraan yang dapat menavigasi ruangan dengan menghindari rintangan. Stanford Cart butuh 5 menit untuk merencanakan setiap gerakan 1 meter, tapi ini adalah mobil self-driving pertama. Teknologi ini akhirnya berkembang menjadi self-driving car modern.
1980 — XCON: Expert System Komersial Pertama John McDermott di Carnegie Mellon menciptakan XCON (juga disebut R1) untuk DEC (Digital Equipment Corporation) — expert system untuk mengkonfigurasi pesanan komputer VAX. XCON menghemat DEC sekitar $40 juta per tahun dengan mengurangi kesalahan konfigurasi. Kesuksesan XCON memicu ledakan expert system komersial:
1982 — Hopfield Networks John Hopfield di Caltech mempopulerkan Hopfield network — jaringan syaraf recurrent yang berfungsi sebagai associative memory. Ini membangkitkan kembali minat pada neural network.
1986 — Backpropagation: Revolusi Neural Network David Rumelhart, Geoffrey Hinton, dan Ronald Williams mempopulerkan algoritma backpropagation — metode training neural network multi-layer yang efisien. Makalah mereka di jurnal Nature menunjukkan bahwa jaringan multi-layer dapat belajar representasi internal yang kompleks. Ini menjadi fondasi deep learning modern. Buku Parallel Distributed Processing (Rumelhart & McClelland, 1986) menjadi teks standar.
1986 — NETtalk Terrence Sejnowski dan Charles Rosenberg membangun NETtalk — neural network yang belajar membaca teks bahasa Inggris dengan suara. NETtalk menjadi demonstrasi publik pertama kemampuan neural network.
1989 — Convolutional Neural Networks (CNN) Yann LeCun di Bell Labs mempublikasikan LeNet — implementasi Convolutional Neural Network (CNN) yang digunakan untuk pengenalan digit tulisan tangan (cek dan邮政编码 Amerika). LeNet menjadi arsitektur dasar untuk hampir semua aplikasi computer vision modern.
Ledakan expert system ternyata tidak berkelanjutan. Beberapa faktor menyebabkan AI winter kedua:
1986–1987 — Pasar LISP Machine Runtuh Ketika hardware PC (komputer personal) menjadi cukup kuat untuk menjalankan LISP via software, LISP Machine kehilangan pasarnya. Symbolics, Lisp Machines Inc., dan Texas Instruments bangkrut. Industri AI komersial ambruk.
1988 — Common Sense Problem Common-sense reasoning — yang dianggap mudah oleh pionir AI 1960-an — terbukti sangat sulit. Program AI tidak pernah tahu hal-hal yang manusiaanggap remeh: “air mengalir ke bawah”, “kucing tidak bisa terbang”, “jika hujan, tanah basah”. Masalah ini belum terpecahkan hingga sekarang.
1990 — Statistik Mengambil Alih Para peneliti mulai menggunakan machine learning berbasis statistik (decision trees, Bayesian networks, support vector machines) yang bekerja lebih baik di dunia nyata daripada symbolic AI. Statistical learning menjadi pendekatan dominan.
Setelah dua AI winter, AI bangkit kembali — kali ini dengan pendekatan yang lebih pragmatis, berbasis statistik, dan fokus pada aplikasi nyata.
1997 — Deep Blue vs Kasparov Deep Blue dari IBM mengalahkan juara catur dunia Garry Kasparov dengan skor 3½–2½ — pertama kalinya komputer mengalahkan juara dunia catur. Deep Blue mengevaluasi 200 juta posisi per detik dengan hardware khusus. Kasparov awalnya menuduh IBM curang. Peristiwa ini menandai dimulainya era machine defeating humans in intellectual games.
2005 — DARPA Grand Challenge DARPA Grand Challenge 2005 dimenangkan oleh Stanley dari Stanford (tim Sebastian Thrun) — mobil autonomous yang menyelesaikan rute 212 km di gurun Mojave. Ini memicu perlombaan self-driving car.
2011 — Watson: Jeopardy Champion IBM Watson mengalahkan juara Jeopardy! Ken Jennings dan Brad Rutter. Watson menggunakan kombinasi NLP, information retrieval, dan machine learning. Kemenangan ini mempopulerkan question answering systems.
2011 — Siri: Voice Assistant Apple meluncurkan Siri — voice assistant pertama yang terintegrasi di smartphone. Siri memicu perlombaan voice assistant: Google Now (2012), Microsoft Cortana (2014), Amazon Alexa (2014), Google Assistant (2016).
2012 — AlexNet: Ledakan Deep Learning Alex Krizhevsky, Ilya Sutskever, dan Geoffrey Hinton dari University of Toronto memenangkan ImageNet Large Scale Visual Recognition Challenge dengan margin 10,8% (error 15,3% vs runner-up 26,2%). AlexNet menggunakan Convolutional Neural Network 8-layer dengan GPU training (NVIDIA GTX 580). AlexNet memicu revolusi deep learning:
2014 — Generative Adversarial Networks (GAN) Ian Goodfellow (saat itu di Université de Montréal) mempublikasikan GAN — arsitektur dengan dua neural network (generator + discriminator) yang saling melatih. GAN menjadi dasar image generation, style transfer, dan deepfake.
2014 — DeepFace: Pengenalan Wajah Facebook meluncurkan DeepFace — sistem pengenalan wajah dengan akurasi 97,35% (mendekati manusia, 97,5%). Ini memicu perdebatan etika besar tentang privacy dan surveillance.
2016 — AlphaGo: AI Mengalahkan Go Champion DeepMind (dibentuk 2010 oleh Demis Hassabis, Shane Legg, Mustafa Suleyman) menciptakan AlphaGo yang mengalahkan juara dunia Go Lee Sedol 4–1. Go dianggap sebagai game terakhir yang resisten terhadap AI karena branching factor-nya yang sangat besar. AlphaGo menggunakan kombinasi reinforcement learning, Monte Carlo tree search, dan deep neural network.
2017 — AlphaGo Zero & AlphaZero: Belajar Tanpa Data Manusia DeepMind mempublikasikan AlphaGo Zero — versi AlphaGo yang belajar dari nol (self-play) tanpa data game manusia. Dalam 36 jam, AlphaGo Zero melampaui versi yang mengalahkan Lee Sedol. AlphaZero memperluas pendekatan ini ke catur dan shogi — dan mengalahkan Stockfish (catur) dan Elmo (shogi) setelah beberapa jam training.
2017 — Attention Is All You Need: Transformer Lahir Ashish Vaswani dan tim di Google Brain mempublikasikan makalah legendaris “Attention Is All You Need” yang memperkenalkan Transformer. Arsitektur ini menggunakan attention mechanism secara eksklusif (tanpa recurrence atau convolution), memungkinkan training paralel yang jauh lebih efisien. Transformer menjadi arsitektur dasar untuk hampir semua large language model modern.
2018 — GPT-1 & BERT: Pretrained Models OpenAI merilis GPT-1 — generative pre-trained transformer pertama (117M parameter). Model ini menggunakan unsupervised pre-training + supervised fine-tuning.
Hampir bersamaan, Google merilis BERT — bidirectional transformer yang merevolusi natural language processing. BERT menjadi standar untuk hampir semua search engine dan NLU tasks.
2019 — GPT-2: Terlalu Berbahaya untuk Dirilis GPT-2 (1,5B parameter) — jauh lebih besar dari GPT-1. OpenAI awalnya menolak merilis model penuh karena khawatir dapat digunakan untuk generate disinformasi massal. Setelah berbulan-bulan, OpenAI merilis model secara bertahap. Kontroversi ini memicu perdebatan global tentang AI safety.
2020 — GPT-3: Few-Shot Learning Muncul GPT-3 (175B parameter) — lompatan 100x dari GPT-2. GPT-3 menunjukkan emergent behavior: kemampuan few-shot learning (belajar dari beberapa contoh di prompt), menulis kode, puisi, esai, dan ringkasan. GPT-3 memunculkan adopsi prompt engineering sebagai disiplin baru.
2021 — DALL-E & CLIP: Text-to-Image OpenAI merilis DALL-E — model text-to-image pertama yang mainstream. CLIP (Contrastive Language-Image Pre-training) — model yang memahami hubungan teks-gambar. Keduanya menjadi dasar ledakan generative AI image 2022.
November 2022 — ChatGPT: Revolusi Consumer AI OpenAI merilis ChatGPT — antarmuka chat untuk GPT-3.5 yang di-fine-tune dengan RLHF (Reinforcement Learning from Human Feedback). Dalam 5 hari, ChatGPT mencapai 1 juta user — rekor historis. Dalam 2 bulan, 100 juta user — aplikasi consumer yang paling cepat mencapai angka ini. ChatGPT memicu ledakan investasi AI global dan lomba generative AI.
Agustus 2022 — Stable Diffusion: Open-Source Image Generation Stability AI merilis Stable Diffusion — model diffusion text-to-image open-source. Ini mendemokratisasi generative AI — model yang sebanding dengan DALL-E 2 dapat dijalankan di GPU consumer. Komunitas open-source (Hugging Face, Civitai) berkembang pesat.
Maret 2023 — GPT-4: Multimodal GPT-4 — LLM multimodal yang dapat menerima input teks DAN gambar. Kinerja GPT-4 pada berbagai ujian standar (BAR, SAT, AP, GRE) mendekati atau melebihi manusia. Peluncuran GPT-4 memicu integrasi AI ke hampir semua produk software (Microsoft 365 Copilot, GitHub Copilot X, Duolingo Max).
Maret 2023 — LLaMA: Open-Source Foundation Model Meta AI merilis LLaMA (Large Language Model Meta AI) — model open-source 7B-65B parameter. Bocoran LLaMA weights memicu ledakan open-source LLM: setiap orang dengan GPU yang cukup dapat menjalankan, fine-tune, dan mendistribusi model.
Juli 2023 — LLaMA 2: Open-Source Komersial LLaMA 2 — open-source dengan lisensi komersial. Ini menjadi dasar banyak startup AI dan produk enterprise (perusahaan dapat menggunakan untuk komersial).
September 2023 — Mistral & Mixtral: Open-Source Eropa Mistral AI (Prancis) merilis Mistral 7B — LLM open-source 7B yang kinerjanya mendekati LLaMA 2 13B. Desember 2023, Mixtral 8x7B — arsitektur Mixture of Experts (MoE) dengan 8 expert network, 46,7B total parameter tapi hanya 12,9B aktif per inference.
Februari 2024 — Sora: Text-to-Video OpenAI merilis Sora — model text-to-video yang dapat menghasilkan video berdurasi hingga 60 detik dengan kualitas sinematik. Sora memicu perlombaan text-to-video: Google Veo, Meta Make-A-Video, Runway Gen-2.
Maret 2024 — Claude 3 & Gemini 1.5 Anthropic merilis Claude 3 (Haiku, Sonnet, Opus) — keluarga model multimodal yang diklaim mendekati GPT-4 di berbagai benchmark. Google merilis Gemini 1.5 dengan context window 1 juta token — lompatan besar dari 32K-128K model lain.
Juni 2024 — Claude 3.5 Sonnet: New State of the Art Claude 3.5 Sonnet menjadi model dengan kinerja terbaik di banyak benchmark, mengungguli GPT-4o di coding, reasoning, dan vision. Anthropic memperkenalkan Artifacts — interface baru untuk membuat kode, dokumen, dan visual secara interaktif.
Oktober 2024 — Nobel AI Geoffrey Hinton dan John Hopfield memenangkan Nobel Prize in Physics 2024 untuk “foundational discoveries and inventions that enable machine learning with artificial neural networks”. Ini pertama kalinya Nobel Physics dianugerahkan ke kontribusi AI murni. Demis Hassabis dan John Jumper memenangkan Nobel Prize in Chemistry 2024 untuk AlphaFold — AI yang memecahkan masalah protein folding — salah satu tantangan besar biologi yang berlangsung 50 tahun.
Januari 2025 — DeepSeek-R1: Efisiensi China DeepSeek (startup China) merilis DeepSeek-R1 — model reasoning open-source yang kinerjanya mendekati o1 OpenAI, dengan biaya training hanya $5-6 juta (vs $100M+ untuk model frontier Barat). Rilis ini menyebabkan $600 miliar kerugian valuasi NVIDIA dalam satu hari — pasar menyadari bahwa frontier AI tidak harus mahal. DeepSeek memicu perlombaan efisiensi.
September 2025 — OpenAI o1, o3, GPT-5: Reasoning Models OpenAI memperkenalkan model reasoning (o1, o3) yang “berpikir” sebelum menjawab menggunakan chain-of-thought yang di-internalisasi. GPT-5 (Agustus 2025) mengintegrasikan kemampuan reasoning ke dalam model default. Claude 4.5 Sonnet (November 2025) dari Anthropic memimpin di coding dan agentic tasks.
2025 — Agentic AI: Era Baru LLM berevolusi dari chatbot menjadi agen yang dapat:
Produk agentic utama:
2026 — Masa Sekarang (Juni 2026) Pada awal 2026, AI telah menjadi infrastruktur:
| Pendekatan | Era Dominan | Tokoh Kunci |
|---|---|---|
| Symbolic AI / GOFAI | 1956–1990 | John McCarthy, Marvin Minsky, Allen Newell |
| Expert Systems | 1980–1990 | Edward Feigenbaum, Edward Shortliffe |
| Statistical ML | 1990–2010 | Vapnik, Judea Pearl, Tom Mitchell |
| Deep Learning | 2012–sekarang | Geoffrey Hinton, Yann LeCun, Yoshua Bengio |
| Transformer / LLM | 2017–sekarang | Ashish Vaswani, Ilya Sutskever, Sam Altman |
| Agentic AI | 2024–sekarang | Dario Amodei, Demis Hassabis, Mustafa Suleyman |
Sejarah AI adalah kisah siklus optimisme dan kekecewaan, diselingi terobosan teknis yang mengubah segalanya:
Pola yang berulang: setiap kali AI dianggap “sudah selesai” atau “gagal total”, muncul terobosan yang membuka kemungkinan baru. Pada 2026, AI belum mencapai AGI (Artificial General Intelligence) — kemampuan manusia-level di semua domain — tapi sudah menjadi infrastruktur yang mengubah cara kita bekerja, belajar, dan berkreasi.
“It is difficult to make predictions, especially about the future.” — attributed to Niels Bohr (dan berlaku sempurna untuk AI)