oleh: Riri Satria

Beberapa waktu yang lalu, saya ditanya oleh beberapa wartawan dari beberapa media dan beberapa kalangan terkait dengan generative AI dan saudara-saudaranya. Pertanyaan itu datang bukan hanya sebagai rasa ingin tahu atas istilah-istilah yang kini begitu sering beredar di ruang publik, tetapi juga sebagai kegelisahan yang lebih mendalam tentang arah zaman yang sedang kita jalani.

Maka tulisan ini adalah rangkuman dari jawaban saya untuk mereka, sebuah upaya untuk menjelaskan dengan bahasa yang lebih dekat, lebih naratif, sekaligus lebih reflektif, tentang bagaimana dan mengapa ia begitu penting untuk kita pahami hari ini.

Di tengah arus perkembangan teknologi yang bergerak begitu cepat, istilah artificial intelligence atau kecerdasan buatan (AI) semakin akrab di telinga kita. Hampir setiap hari kita mendengar percakapan tentang mesin yang mampu menulis puisi, membuat gambar, menyusun musik, bahkan meniru suara dan wajah manusia dengan tingkat kemiripan yang nyaris sempurna.

Namun di balik berbagai istilah yang sering disebut generative AI, generative adversarial network (GAN), large language model (LLM), diffusion model, variational autoencoder (VAE), dan deepfake, sering kali tersimpan kebingungan yang wajar pada yang awam, apakah semuanya sama, atau justru masing-masing berdiri di ruang yang berbeda?

Pada dasarnya generative AI atau Gen AI adalah ruang besar tempat semua teknologi yang mampu “menciptakan” sesuatu berada. Ia dapat dibayangkan sebagai sebuah jagat kreatif yang memungkinkan mesin tidak hanya membaca dan mengenali data, tetapi juga melahirkan bentuk-bentuk baru dari apa yang telah dipelajarinya.

Jika pada masa lalu AI lebih banyak digunakan untuk mengidentifikasi wajah, menerjemahkan bahasa, atau memprediksi pola, maka generative AI melangkah lebih jauh, ia menulis, melukis, menggubah, dan membangun simulasi realitas. Ketika sebuah sistem mampu membuat teks seperti artikel, puisi, atau percakapan, menghasilkan gambar pemandangan yang belum pernah ada; atau menciptakan musik yang terdengar seperti komposisi seorang komponis, maka kita sedang berhadapan dengan dunia Gen AI.

Di dalam jagat yang luas itu, GAN hadir sebagai salah satu metode yang sangat khas dan sangat menarik secara filosofis. GAN bekerja melalui semacam dialektika antara dua kekuatan, satu pihak bertugas menciptakan, pihak lain bertugas menguji. Ada sebuah jaringan yang berperan sebagai pencipta, yang terus-menerus membuat data sintetis, misalnya gambar wajah manusia, dan ada jaringan lain yang bertindak sebagai pengkritik, yang mencoba membedakan mana yang asli dan mana yang palsu.

Keduanya saling berhadapan, saling menantang, dan dari pertarungan itulah kualitas hasil menjadi semakin tinggi. Dalam proses ini, GAN tampak seperti metafora tentang kehidupan itu sendiri: sesuatu menjadi lebih baik justru karena diuji, dipertanyakan, dan dipaksa untuk terus memperbaiki diri.

Sementara itu, LLM menempati ruang yang berbeda, meskipun tetap berada dalam keluarga besar Gen AI. Jika GAN sering berurusan dengan citra visual dan realitas sintetis yang berbentuk gambar atau video, maka LLM adalah spesialis bahasa. Ia hidup di dalam kata-kata, kalimat, dan struktur makna.

LLM dirancang untuk memahami pola bahasa manusia dalam skala yang sangat besar, mempelajari miliaran kata dari buku, artikel, situs web, dan berbagai bentuk teks lainnya, lalu menggunakan pengetahuan itu untuk menghasilkan bahasa yang terasa alami.

Ketika sebuah model mampu menjawab pertanyaan, menulis esai, menyusun makalah, atau bahkan merespons dengan nuansa emosional tertentu, di situlah kita melihat kerja LLM.

Perkembangan yang sangat menonjol dalam beberapa tahun terakhir adalah diffusion mode atau DMl. Jika GAN bekerja dengan logika pertarungan antara pencipta dan pengkritik, DM justru bekerja melalui logika yang lebih halus, yaitu dengan menambahkan gangguan lalu memulihkan kembali. Secara sederhana, model ini mula-mula “merusak” data dengan menambahkan noise atau derau secara bertahap hingga bentuk aslinya nyaris hilang sama sekali.

Setelah itu, model belajar membalik proses tersebut, yaitu menghapus noise sedikit demi sedikit sampai terbentuk kembali gambar atau data yang koheren dan realistis. Inilah fondasi banyak generator gambar modern.

Di sisi lain, VAE atau variational autoencoder membawa pendekatan yang lebih tenang dan lebih struktural. Jika GAN berkarakter kompetitif dan diffusion model bekerja dengan logika rekonstruksi dari noise, maka VAE berangkat dari gagasan pemampatan makna.

Ia belajar merangkum data ke dalam ruang laten yaitu semacam inti esensial dari sebuah gambar, suara, atau teks, lalu dari ruang yang telah dipadatkan itu, ia membangun kembali bentuk baru yang masih memiliki kemiripan dengan data asli. VAE sering dipakai ketika sistem perlu memahami “esensi” sebuah wajah atau objek sebelum membentuk ulang variasinya.

Di sinilah deepfake menemukan ruang kerjanya. Deepfake pada dasarnya adalah salah satu bentuk media sintetis yang dibangun dengan memanfaatkan model-model di atas, terutama GAN dan VAE, dan kini semakin sering menggunakan DM.

Secara sederhana, deepfake bekerja dengan mempelajari wajah seseorang dari banyak foto atau cuplikan video, lalu menanamkan ciri-ciri wajah itu ke wajah orang lain dalam video target. Hasilnya adalah ilusi visual yang sangat meyakinkan di ana seseorang tampak mengatakan atau melakukan sesuatu yang sesungguhnya tidak pernah ia lakukan.

Secara teknis, salah satu pendekatan klasik deepfake menggunakan arsitektur autoencoder dengan shared encoder dan dua decoder. Encoder belajar menangkap struktur umum wajah seperti posisi mata, bentuk hidung, kontur wajah, dan ekspresi, kemudian dua decoder berbeda digunakan untuk memetakan hasil encoding itu ke identitas dua orang yang berbeda.

Bayangkan ada wajah A dan wajah B. Sistem belajar memahami “struktur wajah” keduanya dalam ruang laten yang sama. Ketika ekspresi wajah A dimasukkan, decoder milik B akan membangun ulang ekspresi itu dengan identitas wajah B. Di situlah proses face swap terjadi.

Ketika GAN ditambahkan, hasilnya menjadi jauh lebih realistis. Generator berusaha menciptakan wajah palsu yang sangat menyerupai target, sementara discriminator menguji apakah wajah itu terlihat asli. Proses saling menantang ini membuat hasil deepfake menjadi semakin sulit dibedakan dari video nyata.

Kini DM juga mulai memainkan peran besar dalam deepfake generasi baru karena mampu menghasilkan detail tekstur kulit, pencahayaan, dan transisi ekspresi yang lebih halus.

LLM pun mulai masuk ke ekosistem deepfake, bukan pada aspek visual, tetapi pada aspek naratif dan suara. LLM dapat membantu menyusun naskah dialog yang terdengar alami, meniru gaya bahasa seseorang, atau dikombinasikan dengan model suara sintetis untuk menghasilkan percakapan palsu yang meyakinkan.

Dengan kata lain, jika GAN, VAE, dan DM membentuk “wajah” dan “suara” dari sebuah deepfake, maka LLM membantu membentuk “bahasa” dan “narasi” yang membuat kebohongan itu tampak hidup.

Pada akhirnya, memahami semua ini bukan hanya soal memahami teknologi, tetapi juga memahami bagaimana realitas kini dapat direkayasa. Kita hidup di masa ketika batas antara yang nyata dan yang sintetis menjadi semakin tipis.

Mesin tidak hanya menciptakan gambar, tetapi juga menciptakan kemungkinan-kemungkinan baru tentang kebenaran dan kepalsuan. Di titik inilah teknologi menjadi cermin yang memaksa kita bertanya ulang, ketika sebuah wajah dapat dipinjam, suara dapat ditiru, dan kata-kata dapat direkayasa, apa yang masih tersisa sebagai penanda paling autentik dari kemanusiaan kita?

--- Riri Satria ---