Pembelajaran Terus-Menerus Jadi Kendala Utama

Pembelajaran berkelanjutan pada model LLM saat ini sangat terbatas sehingga model tidak dapat meningkatkan diri seiring waktu layaknya manusia.

Tanpa kemampuan belajar online yang adaptif, LLM hanya memiliki performa out-of-the-box dan sulit membangun konteks serta preferensi pengguna secara berkelanjutan.

Metode fine-tuning dengan reinforcement learning saat ini belum mampu meniru proses belajar manusia yang organik dan bertahap.

Agent komputer handal untuk tugas end-to-end seperti pengurusan pajak diprediksi baru tercapai pada tahun 2028.

Kemampuan reasoning LLM sudah cukup maju, tetapi keterbatasan data multimodal dan durasi rollout panjang menghambat kemajuan agen komputer.

Penulis memperkirakan LLM akan mampu belajar di lapangan seperti manusia untuk pekerjaan white collar pada sekitar tahun 2032.

Solusi pembelajaran berkelanjutan akan memicu lonjakan nilai ekonomi model AI dan potensi ledakan kecerdasan karena pembelajaran teragregasi di semua salinan AI.

Setelah tahun 2030, kemajuan AI diperkirakan bergantung pada inovasi algoritmik karena batasan skala komputasi, sehingga probabilitas AGI menurun setiap tahun.