Daripada Program Berasaskan Peraturan kepada Ejen AI: Evolusi Kecerdasan Buatan
Secara ringkas, evolusi AI bergerak daripada meramal dan mengelaskan, kepada menjana kandungan, kemudian merancang serta melaksanakan tugasan menggunakan alat digital. AI tradisional sesuai untuk tugasan yang jelas seperti mengesan penipuan dan menilai risiko; AI generatif boleh menghasilkan teks, imej serta kod tet...
Secara ringkas, evolusi AI bergerak daripada meramal dan mengelaskan, kepada menjana kandungan, kemudian merancang serta melaksanakan tugasan menggunakan alat digital.
AI tradisional sesuai untuk tugasan yang jelas seperti mengesan penipuan dan menilai risiko; AI generatif boleh menghasilkan teks, imej serta kod tetapi berisiko menghasilkan maklumat yang kelihatan meyakinkan namun s...
Ejen AI mampu menjalankan tugasan berbilang langkah, tetapi akses kepada e mel, fail, kod atau pembayaran menjadikan kawalan kebenaran dan semakan manusia amat penting.
Rangka kerja Singapura bagi AI ejen mengesyorkan autonomi berperingkat, akses minimum, pemantauan, rekod audit dan kelulusan manusia sebelum tindakan berisiko tinggi.
How has artificial intelligence evolved over the past seven decades from traditional rule-based systems that classify data and predict outcoAI’s evolution can be understood as a progression from prediction to generation and autonomous action.
AI Prompt
Create a landscape editorial hero image for this Studio Global article: How has artificial intelligence evolved over the past seven decades from traditional rule-based systems that classify data and predict outco. Article summary: Artificial intelligence has shifted from systems that followed human-written rules or learned narrow prediction patterns, to models that generate new content, and now to agents that can plan and act through software tool. Topic tags: general, government, education, academic, documentation. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, waterma
openai.com
Kecerdasan buatan tidak berkembang melalui satu pertukaran teknologi yang kemas—teknologi lama digantikan sepenuhnya oleh teknologi baharu. Sebaliknya, keupayaan AI terkumpul sedikit demi sedikit.
Sistem yang dahulu hanya mengikut peraturan khusus atau menghasilkan ramalan terhad kini disertai model yang boleh menjana kandungan, serta ejen yang mampu merancang, menggunakan perisian dan bertindak bagi pihak pengguna.
Cara paling mudah untuk memahami perjalanan ini ialah: meramal → menjana → merancang dan bertindak. Setiap peringkat memperluas kemampuan AI—dan pada masa yang sama memperbesar akibat apabila sistem tersilap.
1. AI tradisional: peraturan, pengelasan dan ramalan
Penyelidikan AI awal banyak berasaskan penaakulan simbolik. Pengatur cara mewakili pengetahuan dalam bentuk peraturan, kemudian mereka bentuk sistem untuk mencari penyelesaian yang mungkin. Program permainan ialah contoh yang mudah difahami kerana ia boleh menilai beberapa gerakan dalam lingkungan peraturan yang telah ditetapkan.
Istilah “kecerdasan buatan” sendiri diperkenalkan pada 1955 oleh ahli sains komputer John McCarthy, yang mentakrifkannya sebagai “sains dan kejuruteraan untuk menghasilkan mesin yang pintar.”
Kemudian, pembelajaran mesin statistik mengalihkan sebahagian tugas daripada peraturan yang ditulis secara manual kepada corak yang dipelajari daripada data sejarah. Biasanya, sistem ini menerima input dan mengembalikan output yang terhad, contohnya:
menandakan transaksi yang mencurigakan;
menganggarkan risiko kredit;
meramal hasil kesihatan;
menyusun kedudukan produk atau video yang disyorkan; atau
mengenal pasti niat di sebalik pertuturan.
Dalam amalan, aplikasi ini tidak semestinya berasaskan peraturan semata-mata. Ia mungkin menggabungkan peraturan, model statistik dan pembelajaran mesin.
Mengapa AI tradisional masih berguna
Sistem ramalan biasanya berkesan apabila objektifnya jelas, datanya relevan dan kos kesilapan yang berbeza boleh diukur. Sistem sedemikian boleh memproses jumlah maklumat yang besar dengan pantas, mengikut prosedur yang konsisten dan mengenal pasti corak yang mungkin terlepas daripada perhatian manusia.
Namun, ciri yang menjadikannya mudah dikawal juga menjadi batasnya: sistem ini biasanya direka untuk tugasan tertentu. Model pengesanan penipuan mungkin boleh memberi skor kepada transaksi, tetapi tidak semestinya mampu menerangkan dokumen polisi, menulis laporan atau menyesuaikan diri dengan situasi yang benar-benar baharu.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
What is the short answer to "Daripada Program Berasaskan Peraturan kepada Ejen AI: Evolusi Kecerdasan Buatan"?
Secara ringkas, evolusi AI bergerak daripada meramal dan mengelaskan, kepada menjana kandungan, kemudian merancang serta melaksanakan tugasan menggunakan alat digital.
What are the key points to validate first?
Secara ringkas, evolusi AI bergerak daripada meramal dan mengelaskan, kepada menjana kandungan, kemudian merancang serta melaksanakan tugasan menggunakan alat digital. AI tradisional sesuai untuk tugasan yang jelas seperti mengesan penipuan dan menilai risiko; AI generatif boleh menghasilkan teks, imej serta kod tetapi berisiko menghasilkan maklumat yang kelihatan meyakinkan namun s...
What should I do next in practice?
Ejen AI mampu menjalankan tugasan berbilang langkah, tetapi akses kepada e mel, fail, kod atau pembayaran menjadikan kawalan kebenaran dan semakan manusia amat penting.
Prestasinya juga bergantung pada kualiti data latihan dan perkara yang dioptimumkan untuk diramal. Data sejarah boleh mengulangi kecenderungan sosial, manakala sistem pemarkahan yang sukar difahami boleh menyukarkan seseorang untuk mencabar keputusan—terutamanya dalam bidang kredit, pengambilan pekerja, insurans dan penjagaan kesihatan.
Justeru, tadbir urus perlu meliputi tujuan penggunaan yang jelas, ujian ketepatan dan keadilan merentas kumpulan yang berkaitan, perlindungan privasi, penjelasan keputusan serta semakan manusia bagi keputusan yang berimpak tinggi. Isu bias, maklumat palsu dan penyalahgunaan bukan hanya masalah chatbot, sebaliknya cabaran dasar AI yang lebih luas.
2. AI generatif: daripada meramal label kepada mencipta kandungan
AI generatif mengubah pengalaman pengguna daripada “Ini tergolong dalam kategori apa?” kepada “Cipta atau ubah sesuatu berdasarkan arahan ini.” Model berskala besar boleh menghasilkan teks, imej, audio dan kod yang kelihatan munasabah.
Keupayaan ini menyokong pelbagai kegunaan, termasuk menyediakan draf khidmat pelanggan, terjemahan, bimbingan pembelajaran, ringkasan bahan perundangan, bantuan pembangunan perisian dan kerja kreatif.
AI generatif boleh mengurangkan masa serta kos untuk menghasilkan draf pertama, menyediakan antara muka perbualan bagi maklumat yang kompleks dan membantu golongan profesional—bukan sekadar mengautomasikan satu keputusan tetap.
Kelemahan utama: nampak meyakinkan tidak bermaksud benar
Model generatif boleh menghasilkan kenyataan, sumber rujukan, autoriti undang-undang, dakwaan perubatan atau kod yang direka-reka dan tidak tepat, sambil menyampaikannya dengan nada yakin. NIST menggunakan istilah konfabulasi untuk “penghasilan kandungan yang dinyatakan dengan yakin tetapi salah atau tidak benar”, yang lazimnya disebut halusinasi.
Oleh itu, pengesahan amat penting apabila ketepatan fakta diperlukan. Antara perlindungan yang berguna ialah mendapatkan maklumat daripada sumber dipercayai, menyediakan sitasi, menjalankan penilaian berstruktur, menguji sistem mengikut bidang dan mendapatkan semakan manusia yang berkelayakan.
Jawapan yang lancar harus dianggap sebagai draf atau ramalan—bukan bukti bahawa dakwaan di sebaliknya adalah benar.
Risiko lebih luas AI generatif
AI generatif turut menimbulkan persoalan tentang perlindungan data, harta intelek, maklumat palsu dan asal-usul kandungan. Panduan Suruhanjaya Eropah bagi penyelidikan menekankan risiko ini serta mengingatkan bahawa manusia kekal bertanggungjawab terhadap hasil kerja yang diterbitkan, walaupun AI membantu dalam proses tersebut.
Pendidikan berdepan cabaran yang berkaitan. Jika pelajar terlalu kerap menyerahkan tugas menulis, menaakul dan menyelesaikan masalah kepada AI, mereka mungkin memperoleh hasil yang kemas tetapi kurang berlatih menguasai kemahiran asas berkenaan.
Panduan pendidikan mengenal pasti kandungan yang tidak tepat atau berat sebelah, bahan berbahaya, kebocoran data, pelanggaran harta intelek dan cabaran integriti akademik sebagai risiko yang perlu diuruskan oleh institusi.
Kegagalan keselamatan juga boleh menjadi lebih serius dalam perbualan sensitif. Sistem generatif mungkin menghasilkan bahan berunsur kebencian, keganasan, seksual atau manipulatif, atau memberikan respons yang tidak sesuai kepada seseorang yang menyatakan niat mencederakan diri.
NIST menyenaraikan cadangan berbahaya atau ganas, privasi dan bias yang memudaratkan sebagai antara risiko yang perlu ditangani. Dalam situasi berisiko tinggi, AI tidak boleh menggantikan penjagaan profesional atau perlindungan manusia. Sistem perlu mempunyai mekanisme penolakan dan eskalasi yang kukuh, kawalan privasi serta saluran jelas untuk mendapatkan sokongan manusia dengan segera.
3. AI ejen: merancang, menggunakan alat dan mengambil tindakan
AI ejen menambah gelung tindakan pada sesuatu model. Berbanding menjawab sekali selepas menerima arahan, ejen boleh memahami matlamat, memecahkannya kepada beberapa langkah, memanggil alat seperti pelayar web, pelaksana kod, perkhidmatan e-mel atau API, menilai hasil, mengubah rancangan dan meneruskan tugasan.
Stanford mentakrifkan AI ejen sebagai sistem autonomi atau separa autonomi yang boleh mentafsir matlamat, menyusun tindakan, menggunakan alat, bertindak balas terhadap maklum balas dan menyesuaikan diri untuk menyiapkan tugasan dalam batas yang ditetapkan.
Perbezaan praktikalnya besar:
sistem ramalan memberi skor kepada transaksi;
sistem generatif menyediakan draf respons tentang transaksi itu; dan
ejen, jika diberi akses yang diperlukan, boleh menyiasat transaksi, mengemas kini fail kes dan menghantar mesej.
Google Jules menggambarkan kegunaan ejen dalam pembangunan perisian. Google menerangkannya sebagai ejen pengekodan tak segerak yang berintegrasi dengan repositori, menyalin pangkalan kod ke mesin maya awan dan menjalankan tugasan pengekodan untuk disemak kemudian.
Ejen yang menggunakan alat sumber terbuka menawarkan pendekatan lain, manakala produk pengambilan pekerja seperti Hiring Assistant daripada LinkedIn menunjukkan bagaimana aliran kerja berasaskan ejen boleh digunakan dalam pencarian calon dan pengambilan pekerja.
Ejen menarik kerana ia boleh menyiapkan kerja berbilang peringkat, bukan sekadar mencadangkan langkah seterusnya. Sebagai contoh, ejen pengekodan mungkin menyiasat pepijat, mengubah beberapa fail, menjalankan ujian dan menyediakan permintaan gabungan untuk semakan. Ejen aliran kerja pula boleh mengumpul maklumat, menyusunnya dan menyediakan komunikasi untuk kelulusan.
Mengapa autonomi meningkatkan risiko
Keupayaan merancang tidak sama dengan kefahaman yang boleh dipercayai. Ejen boleh salah memahami laman web, memilih rancangan yang lemah, mengikut arahan berniat jahat atau menggandakan kesilapan kecil sepanjang beberapa langkah.
Laporan Stanford AI Index 2026 menunjukkan kadar kejayaan ejen meningkat daripada 12% kepada kira-kira 66% dalam OSWorld—penanda aras yang menguji tugasan komputer sebenar—namun ejen masih gagal kira-kira satu daripada setiap tiga percubaan.
Halusinasi chatbot mungkin kekal sebagai masalah komunikasi. Tetapi ejen yang mempunyai kelayakan akses, capaian pelayar atau kuasa pembayaran boleh menukar kesilapan yang sama menjadi tindakan di dunia sebenar. Sebab itulah tadbir urus AI ejen perlu menangani bukan sahaja kualiti output, tetapi juga kebenaran akses, kebolehbalikan tindakan dan akauntabiliti.
Risiko keselamatan utama AI ejen
Risiko paling besar muncul apabila ejen boleh menjejaskan sistem, wang, data atau orang lain:
Pembayaran tanpa kebenaran: Ejen mungkin memilih barang yang salah, melebihi bajet atau dipengaruhi oleh laman web berniat jahat.
Kebocoran privasi dan kecurian data: Akses kepada e-mel, fail, rekod pelanggan, kod sumber atau kunci API membuka peluang kepada pendedahan maklumat, khususnya melalui suntikan arahan.
Kerosakan keselamatan dan perisian: Ejen mungkin memperkenalkan kod tidak selamat, mengubah konfigurasi, memadam sumber atau mendedahkan rahsia melalui log dan alat luaran.
Jurang akauntabiliti: Tanggungjawab boleh menjadi kabur antara penyedia model, pembangun aplikasi, organisasi yang menggunakan ejen, penyedia alat dan pengguna.
Manipulasi: Ejen yang berinteraksi secara berterusan dan berbual boleh mempengaruhi pengguna secara tidak wajar, khususnya apabila pengguna berada dalam keadaan rentan atau menganggap sistem itu lebih berkebolehan dan boleh dipercayai daripada keadaan sebenar.
Bagaimana tadbir urus yang bertanggungjawab harus dilaksanakan
Kawalan yang sesuai perlu sepadan dengan keupayaan sistem dan akibat jika berlaku kegagalan.
Bagi AI ramalan, organisasi perlu menetapkan tujuan penggunaan, mengukur ketepatan dan keadilan, melindungi data peribadi serta menyediakan cara untuk menerangkan atau mencabar keputusan yang berimpak tinggi.
Bagi AI generatif, organisasi perlu mengesahkan dakwaan penting, menguji halusinasi dan output berbahaya, mengawal data sensitif, menangani isu asal-usul kandungan serta harta intelek, dan mengekalkan tanggungjawab manusia berkelayakan terhadap keputusan perundangan, perubatan, kewangan dan perlindungan pengguna.
Bagi AI ejen, kawalan teknikal dan organisasi perlu lebih ketat:
Hadkan kes penggunaan. Tentukan perkara yang boleh dan tidak boleh dilakukan oleh ejen sebelum ia dilancarkan.
Hadkan akses. Gunakan kelayakan akses minimum, alat yang terhad, had transaksi dan persekitaran kotak pasir.
Wajibkan kelulusan pada titik semakan penting. Tindakan kewangan, perundangan, privasi dan keselamatan tidak seharusnya berlaku tanpa kebenaran manusia yang sewajarnya.
Jadikan semua aktiviti boleh diaudit. Simpan log, pantau tingkah laku dan tetapkan pemilik tanggungjawab yang jelas bagi setiap insiden.
Uji sistem secara adversarial. Nilai ketahanannya terhadap suntikan arahan, penyeludupan data, tingkah laku berbahaya dan kegagalan pemulihan sebelum serta semasa penggunaan.
Kekalkan kawalan manusia. Manusia perlu boleh menghentikan, mengatasi dan mencabar tindakan yang membawa kesan penting.
Pihak Infocomm Media Development Authority (IMDA) Singapura menggariskan pendekatan berasaskan risiko ini dalam Model AI Governance Framework for Agentic AI. Rangka kerja tersebut ditujukan kepada organisasi yang membangunkan ejen secara dalaman atau menggunakan penyelesaian pihak ketiga.
Pengajaran utamanya ialah autonomi perlu diberikan secara berperingkat: mulakan dengan bantuan baca sahaja, beralih kepada tindakan berisiko rendah dan simpan tindakan yang tidak boleh dibuat asal atau berimpak tinggi untuk kelulusan manusia secara jelas.
Arah perkembangan AI
Evolusi AI lebih tepat difahami sebagai timbunan keupayaan yang semakin berkembang, bukannya tiga era yang terpisah sepenuhnya.
Sistem tradisional meramal dan mengelaskan. Sistem generatif mencipta serta mengubah kandungan. Sistem ejen menambah keupayaan merancang, menggunakan alat dan mengambil tindakan.
Tadbir urus juga perlu berkembang seiring. Kawalan ketepatan dan keadilan masih diperlukan, tetapi ia tidak lagi mencukupi. Sistem generatif memerlukan pengesahan, rekod asal-usul kandungan dan amalan keselamatan kandungan yang kukuh. Ejen pula memerlukan sempadan kebenaran, titik semakan tindakan, pemantauan keselamatan dan akauntabiliti yang jelas.
Semakin banyak perkara yang boleh dilakukan oleh AI secara sendiri, semakin teliti organisasi perlu menentukan perkara yang dibenarkan untuk dilakukannya.
