
Ditulis oleh Tim Ilmiah Qubic

Akademi Kecerdasan Neuraxon — Volume 4

Kata jaringan muncul terus-menerus baik dalam ilmu saraf maupun kecerdasan buatan. Tetapi meskipun memiliki label yang sama, jaringan saraf biologis dan jaringan saraf buatan adalah sistem yang secara fundamental berbeda. Untuk memahami apa yang sebenarnya dilakukan masing-masing, dan di mana pendekatan ketiga cocok, kita perlu melihat arsitektur dan perilaku jaringan di setiap level.
Jaringan Saraf Biologis: Bagaimana Otak Memproses Informasi
Jaringan saraf biologis adalah sistem neuron yang saling terhubung yang fungsinya memproses informasi dan menghasilkan perilaku. Jaringan-jaringan ini bersifat dinamis. Jaringan tetap aktif dari waktu ke waktu, bahkan ketika kita tidak terlibat secara sadar dalam tugas apa pun. Jaringan membawa biaya energi, dan dalam kasus otak manusia biayanya justru sangat rendah untuk kompleksitas yang dihasilkannya.
Jaringan biologis mengintegrasikan sinyal internal dan eksternal dengan bahasa mereka sendiri: time-frequency. Bayangkan sebuah grup musik dengan banyak instrumen yang memainkan ritme berbeda-beda. Drum bass membawa tempo, bass memainkan dua nada per ketukan, dan simbal mengisi not-not keenambelas. Melodi bergerak bebas tanpa kehilangan ketukan. Para musisi memasangkan partitur mereka pada ritme yang berbeda tetapi saling cocok sempurna. Ini adalah frekuensi yang saling bersarang, dan inilah persis bagaimana jaringan otak berfungsi. Bahasa time-frequency dari berbagai jaringan saling bersarang di dalam dirinya sendiri, sebuah konsep yang dikenal sebagai cross-frequency coupling.
Dari Neuron Tunggal ke Jaringan Masif
Semuanya berawal dari neuron. Satu sel saraf itu menghasilkan potensial aksi, impuls listrik singkat yang merambat sepanjang akson. Neuron menerima sinyal melalui dendrit, mengintegrasikannya di soma, lalu mentransmisikan sinyal tersebut jika melampaui ambang batas. Proses ini kami bahas secara detail di NIA Volume 1: Why Intelligence Is Not Computed in Steps, but in Time dan NIA Volume 2: Ternary Dynamics as a Model of Living Intelligence.
Neuron terhubung ke neuron lain melalui sinapsis kimia, tempat neurotransmiter dilepaskan (lihat NIA Volume 3: Neuromodulasi dan AI Terinspirasi Otak), atau melalui sinapsis listrik, tempat arus mengalir langsung antar sel. Untuk membentuk jaringan, banyak neuron saling berinterkoneksi dan menciptakan sirkuit berulang. Namun integrasi ini bersifat non-linear, artinya respons keseluruhan tidak sama dengan penjumlahan sederhana dari bagiannya. Besarnya sungguh menakjubkan: otak manusia mengandung sekitar 86 miliar neuron dan antara 10¹⁴ hingga 10¹⁵ sinapsis (Azevedo et al., 2009).
Sifat Small-World dan Keseimbangan Eksitasi-Inhibisi
Pada tingkat topologis, jaringan-jaringan ini menampilkan sifat small-world: klasterisasi lokal yang tinggi dikombinasikan dengan koneksi global yang pendek. Arsitektur ini memungkinkan komunikasi yang efisien di seluruh otak sambil tetap mempertahankan pemrosesan lokal yang spesifik.
Fungsi jaringan saraf biologis bergantung pada keseimbangan antara eksitasi dan inhibisi. Jika eksitasi mendominasi, aktivitas menjadi tidak stabil. Jika inhibisi mendominasi, jaringan menjadi diam. Stabilitas dinamis muncul dari keseimbangan antara dua kekuatan ini. Keseimbangan ini dipertahankan melalui plastisitas sinaptik, yaitu mekanisme yang memungkinkan kekuatan koneksi berubah berdasarkan pengalaman. Di atas itu, neuromodulasi menyesuaikan gain rangkaian, mengendalikan seberapa kuat sebuah input menghasilkan output (Marder, 2012). Dalam situasi yang mengancam, misalnya, noradrenalin meningkatkan sensitivitas sensorik dan kapasitas untuk belajar secara cepat.
Multi Skala Waktu dan Fungsi Otak Korteks Serebri
Jaringan bekerja pada banyak skala waktu secara bersamaan. Pada level neuron, potensial aksi meletup dalam hitungan milidetik. Osilasi neuron berkembang dalam hitungan detik. Perubahan sinaptik berkembang selama jam atau hari, dan reorganisasi struktural terjadi dalam rentang tahun. Semuanya berjalan dalam pola yang harmonis, dinamis, dan saling terkait.
Tapi tidak semuanya berkomunikasi dengan semuanya tanpa struktur. Fungsi otak korteks serebri diorganisasi ke dalam jaringan-jaringan khusus. Yang paling penting meliputi default mode network, yang terkait dengan referensi diri dan berpikir tentang diri sendiri serta orang lain; central executive network, yang terkait dengan pelaksanaan tugas secara langsung; salience network, yang mendeteksi apa yang relevan pada setiap momen dan memungkinkan perpindahan di antara berbagai mode; jaringan sensorimotor yang menopang gerakan sukarela; serta berbagai jaringan atensi. Manusia juga memiliki jaringan bahasa yang khas, yang memungkinkan pemahaman sekaligus produksi bahasa.
Pada jaringan biologis, tidak ada satu nada yang terisolasi sebagai simfoni. Simfoni muncul dari pola dinamis relasi antar nada. Otak tidak berisi benda-benda. Otak tidak menyimpan memori seperti hard drive menyimpan file. Otak membangun konfigurasi dinamis.
Courtesy dari DOI: 10.3389/fnagi.2023.1204134
Jaringan Saraf Tiruan: Bagaimana Model Deep Learning Bekerja
Jaringan saraf tiruan (Artificial Neural Network/ANN) adalah model matematis yang dirancang untuk mendekati fungsi-fungsi kompleks dari data. Ia terinspirasi secara abstrak dari otak: ia menggunakan unit-unit yang saling terhubung yang disebut "neuron artifisial", tetapi ini bukan sel. Ini adalah operasi aljabar. Menamai operasi aljabar sebagai neuron dapat dibilang terlalu berlebihan, dan menyebut prediksi bahasa sebagai "kecerdasan" mungkin sama menyesatkannya. Namun karena istilah-istilah ini sudah mapan, penting untuk memahaminya dan memisahkan substansi dari sensasi.
Bagaimana Neuron Artifisial Bekerja
Setiap neuron artifisial melakukan tiga langkah. Pertama, ia menerima sejumlah input numerik. Lalu ia mengalikan setiap input dengan bobot sinaptik, yaitu parameter yang dapat diatur. Terakhir, ia menjumlahkan hasilnya dan menerapkan fungsi aktivasi yang memperkenalkan non-linearitas. Fungsi aktivasi yang umum termasuk Sigmoid, yang memampatkan nilai antara 0 dan 1, dan ReLU (Rectified Linear Unit), yang membatalkan nilai negatif dan membiarkan nilai positif lewat.
Tanpa non-linearitas, jaringan hanya akan melakukan transformasi linear, tidak mampu memodelkan pola yang kompleks. ANN diorganisasi menjadi layer input, tempat data masuk; hidden layers, tempat data ditransformasikan secara bertahap; dan output layer, yang menghasilkan prediksi.

Dari Perceptron ke Deep Learning
Semua arsitektur modern menelusuri asal-usulnya ke perceptron (Rosenblatt, 1958), sebuah neuron linear sederhana dengan ambang batas. Jaringan deep learning modern dapat berisi ratusan lapisan dan miliaran parameter. Namun pada intinya, ANN berfungsi seperti spreadsheet otomatis yang sangat besar: ia menyesuaikan jutaan sel numerik hingga keluaran sesuai dengan hasil yang diharapkan.
Backpropagation dan Gradient Descent: Bagaimana Jaringan Artifisial Belajar
Pembelajaran pada jaringan artifisial tidak bekerja seperti pembelajaran biologis. Tidak ada penyesuaian neuromodulator atau intensitas sinaptik berdasarkan pengalaman yang dialami. Sebaliknya, pembelajaran didasarkan pada meminimalkan fungsi kesalahan yang mengukur perbedaan antara prediksi jaringan dan jawaban yang benar.
Pertimbangkan contoh sederhana: model diminta melengkapi "Paris adalah ibu kota dari..." Jika prediksinya adalah Italia, fungsi kesalahan mengukur jarak antara Italia dan Prancis, lalu menyesuaikan bobot sesuai itu. Mekanisme utama di balik penyesuaian ini adalah backpropagation (Rumelhart dkk., 1986). Algoritma ini menghitung kesalahan di keluaran, menyebarkan kesalahan itu kembali ke belakang selapis demi selapis, dan menyesuaikan bobot menggunakan gradient descent, yaitu metode matematis yang mengubah parameter ke arah yang mengurangi kesalahan.
Secara formal, pembelajaran terdiri dari mengoptimalkan fungsi yang dapat dibedakan di ruang berdimensi banyak. Jika Anda membayangkan ruang fisik, dimensinya adalah x, y, dan z. Tetapi dalam bahasa, bayangkan dimensi seperti tunggal, jamak, feminin, maskulin, verba, subjek, atribut, kata benda, kata sifat, intonasi, dan sinonim. Perkenalkan jutaan dimensi dan cukup banyak daya komputasi, maka sebuah model dapat belajar bahwa Paris adalah ibu kota Prancis hanya dengan mengurangi kesalahan prediksi selama pelatihan.
Arsitektur Jaringan Saraf Tiruan
Meskipun istilahnya tumpang tindih dengan ilmu saraf, prosesnya tidak menyerupai cara sistem hidup belajar. Pada ANN, penyesuaian bergantung pada perhitungan global dan pengetahuan eksplisit tentang kesalahan akhir. Jaringan perlu tahu persis seberapa salah ia.
Jika sebuah jaringan belajar mengenali kucing, ia menerima ribuan atau jutaan gambar berlabel. Setiap kali gagal, ia menyesuaikan bobot sedikit. Setelah jutaan iterasi, pola internal menjadi stabil menjadi konfigurasi yang membedakan kucing dari objek lain. Prosesnya murni statistik. Jaringan tidak "memahami" apa itu kucing. Ia mendeteksi korelasi numerik pada piksel. Jaringan tidak menyimpan "model dunia" tentang kucing—yang ada hanya matriks-matriks angka dalam skala besar. Untuk melihat lebih dalam mengapa ini penting, baca analisis kami tentang benchmarking pembelajaran world model.
Ada beberapa arsitektur kunci jaringan saraf tiruan. Jaringan konvolusional (CNN) memakai filter spasial yang mendeteksi tepi, tekstur, dan pola hierarkis, sehingga penting untuk computer vision. Jaringan berulang (RNN, LSTM) memasukkan memori temporal untuk memproses urutan. Dan Transformer yang kini dominan menggunakan mekanisme attention yang secara dinamis memberi bobot pada bagian input yang paling relevan (Vaswani dkk., 2017). Transformer saat ini menjadi penggerak sebagian besar model bahasa besar dalam pemrosesan bahasa alami.
Pertumbuhan jaringan ini tidak terjadi secara organik seperti pada sistem hidup. Pertumbuhan terjadi melalui desain eksplisit dan penskalaan parameter lewat pelatihan besar-besaran di pusat komputasi berkinerja tinggi. Adaptasi terbatas pada periode pelatihan. Setelah dilatih, jaringan tidak akan secara spontan menyusun ulang arsitekturnya. Modifikasi apa pun memerlukan proses optimisasi baru. Seperti yang telah kami jelaskan dalam That Static AI Is a Dead End, sifat beku ini merupakan keterbatasan fundamental dari sistem AI saat ini.
Meskipun sama-sama memakai nama "network", kemiripan antara jaringan saraf tiruan dan biologis terbatas. Analognya bersifat struktural dan abstrak: keduanya menggunakan unit-unit yang saling terhubung dan belajar melalui penyesuaian koneksi. Namun otak adalah sistem evolusioner yang berwujud (berbadan) dan teratur sendiri. ANN adalah pengoptimal fungsi dalam ruang numerik.
Antara Jaringan Biologis dan Artifisial: Bagaimana Neuraxon Aigarth Menjembatani Kesenjangan
Jaringan yang disimulasikan di Neuraxon Aigarth secara konseptual ditempatkan di antara jaringan biologis dan jaringan saraf tiruan konvensional. Mereka bukan jaringan hidup, tetapi bukan sekadar fungsi matematis yang dioptimasi oleh gradient. Tujuan mereka adalah mendekati dinamika yang khas pada sistem biologis, termasuk plastisitas multi-skala, modulasi yang bergantung konteks, dan self-organization, semuanya dalam kerangka komputasi yang dibangun untuk infrastruktur AI terdesentralisasi Qubic.
Jika pada Volume 1 kita membahas sistem metabolik terorganisasi sendiri dan pada Volume 2 kita mengkaji fungsi-fungsi optimisasi yang dapat dibedakan, Neuraxon mencoba memasukkan sifat dinamis dari yang pertama tanpa meninggalkan formalisasi matematis dari yang kedua.
Keadaan Tri-Valen: Menangkap Keseimbangan Eksitasi-Inhibisi
Alih-alih aktivasi kontinu yang khas (nilai real setelah ReLU, misalnya), Neuraxon menggunakan keadaan tri-valen: -1, 0, dan +1. Di sini, +1 merepresentasikan aktivasi eksitatori, -1 merepresentasikan aktivasi inhibitori, dan 0 merepresentasikan kondisi istirahat atau tidak aktif.
Skema ini tidak mencoba menyalin potensial aksi biologis. Sebaliknya, ia menangkap prinsip fungsional keseimbangan eksitasi-inhibisi yang dijelaskan dalam bagian jaringan biologis di atas. Di otak, stabilitas muncul dari keseimbangan antara kekuatan-kekuatan tersebut. Di Neuraxon, ruang keadaan diskrit memaksakan dinamika yang lebih dekat ke sistem transisi keadaan daripada transformasi kontinu sederhana.
Berbeda dengan jaringan artifisial klasik, yang aktivasi berupa angka floating-point tanpa makna fisiologis, sistem tri-valen memberi batasan struktural yang membentuk bagaimana aktivitas merambat melalui jaringan.
Plastisitas Bobot Ganda: Pembelajaran Cepat dan Lambat
Jaringan saraf biologis menunjukkan plastisitas pada berbagai skala waktu: perubahan cepat pada efikasi sinaptik dan konsolidasi yang lebih lambat seiring berjalannya waktu. Neuraxon memperkenalkan gagasan ini melalui dua komponen bobot:
w_fast: perubahan cepat yang peka terhadap lingkungan langsung.
w_slow: perubahan lambat yang menstabilkan pola yang berulang dari waktu ke waktu.
Ini mencegah sistem bergantung secara eksklusif pada pembaruan bobot yang homogen seperti backpropagation standar. Sebagian dari pembelajaran bisa bersifat sementara, sementara bagian lainnya secara bertahap dikonsolidasikan. Mekanisme ini memperkenalkan dimensi yang tidak ada pada kebanyakan jaringan saraf tiruan: learning rate tidak tetap, melainkan bergantung pada keadaan global sistem.
Neuromodulasi Kontekstual Melalui Variabel Meta
Pada jaringan biologis, neuromodulator seperti noradrenalin dan dopamin tidak mentransmisikan konten informasi spesifik. Sebaliknya, mereka mengubah gain dan plastisitas dari populasi neuron yang luas. Kami mengkaji ini secara mendalam di NIA Volume 3: Neuromodulasi dan AI Terinspirasi Otak.
Di Neuraxon, variabel meta berperan secara fungsional analog. Ia tidak mengode informasi spesifik, melainkan memodifikasi besar pembaruan sinaptik. Ini mendekati prinsip biologis bahwa pembelajaran bergantung pada konteks motivasional atau salience. Pada jaringan artifisial konvensional, gradien diterapkan secara seragam berdasarkan kesalahan. Pada Neuraxon, pembelajaran bisa diperkuat atau dilemahkan sesuai keadaan internal atau sinyal eksternal global.
Perbedaan konseptualnya signifikan. Pada jaringan deep learning klasik, kesalahan mendorong pembelajaran. Di Neuraxon, kesalahan dapat hidup berdampingan dengan sinyal modulasi kontekstual yang mengubah seberapa banyak yang dipelajari pada setiap momen.
Kritikalitas Terorganisasi Sendiri dan Perilaku Adaptif
Jaringan biologis beroperasi dekat dengan rezim yang disebut self-organized criticality, di mana sistem menjaga keseimbangan antara keteraturan dan kekacauan. Rezim ini memungkinkan fleksibilitas tanpa kehilangan stabilitas.
Neuraxon memodelkan sifat ini dengan mengizinkan jaringan berevolusi menuju keadaan dinamis antara, di mana gangguan kecil dapat menghasilkan reorganisasi yang luas tanpa membuat sistem runtuh.
Pada model seperti Game of Life yang diperluas dengan propriosepsi bahwa tim sedang kembangkan, sistem dapat menerima sinyal eksternal (lingkungan) dan sinyal internal (keadaan dirinya sendiri, energi, tabrakan sebelumnya). Jika sebuah agen berulang kali bertabrakan dengan penghalang, peningkatan pada sinyal meta dapat dihasilkan, analog dengan peningkatan arousal. Sinyal itu sementara meningkatkan plastisitas, sehingga memfasilitasi reorganisasi struktural.
Di sini, jaringan tidak belajar hanya karena ia membuat kesalahan. Ia belajar karena lingkungan memperoleh relevansi adaptif. Kemiripan dengan otak tetap terbatas: Neuraxon tidak memiliki biologi, metabolisme, atau pengalaman subjektif. Namun ia memperkenalkan dimensi dinamis yang tidak ada dalam kebanyakan jaringan saraf tiruan konvensional, sehingga menempatkannya sebagai pendekatan yang benar-benar baru untuk AI terinspirasi otak pada infrastruktur terdesentralisasi.
Daya komputasi yang dibutuhkan untuk menjalankan simulasi Neuraxon disediakan oleh jaringan global penambang Qubic melalui Useful Proof of Work, yang mengubah pelatihan AI menjadi mekanisme konsensus itu sendiri.

Referensi Ilmiah
#Azevedo, F. A. C., dkk. (2009). Jumlah sel neuronal dan nonneuronal yang sama membuat otak manusia merupakan otak primata yang diskalakan secara isometrik. Journal of Comparative Neurology, 513(5), 532-541. DOI: 10.1002/cne.21974
#Marder, E. (2012). Neuromodulation of neuronal circuits: Back to the future. Neuron, 76(1), 1-11. DOI: 10.1016/j.neuron.2012.09.010
#Rosenblatt, F. (1958). The Perceptron: A probabilistic model for information storage and organization in the brain. Psychological Review, 65(6), 386-408. DOI: 10.1037/h0042519
#Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323(6088), 533-536. DOI: 10.1038/323533a0
#Vaswani, A., dkk. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30. arXiv: 1706.03762
Gambar jaringan otak berasal dari: DOI: 10.3389/fnagi.2023.1204134