Dalam era kecerdasan buatan (AI) yang semakin canggih, sistem-sistem komputasi kini bisa membuat karya tulis yang memukau, membantu diagnosis medis, bahkan mengalahkan manusia dalam permainan strategi. Namun, ada satu hal yang masih jauh lebih baik dilakukan oleh otak manusia: belajar dengan cepat dan luwes di situasi baru.
Para ilmuwan dari Princeton University menemukan bahwa rahasia kemampuan luar biasa ini terletak pada cara otak menyusun “blok-blok kognitif” modular—komponen kecil yang dipakai ulang dalam berbagai aktivitas berbeda, layaknya permainan konstruksi Lego. Temuan ini memberi perspektif baru tentang bagaimana kita belajar dan membuka jalan untuk inovasi AI yang lebih pintar serta potensi perawatan gangguan kognitif di masa depan.
Belajar Cepat Itu Bukan Kebetulan
Bayangkan Anda sedang mencoba menguasai software baru atau mengikuti tantangan permainan yang belum pernah dihadapi sebelumnya. Banyak orang bisa dengan cepat menyesuaikan diri, sementara banyak model AI harus “melupakan” tugas lama ketika diajarkan hal baru—fenomena yang dikenal sebagai catastrophic forgetting dalam AI.
Inilah yang mengilhami tim peneliti di Princeton. Mereka bertanya: apa sih yang dilakukan otak manusia yang membuatnya begitu gesit dalam belajar?
Untuk menemukan jawabannya, mereka melakukan serangkaian eksperimen dengan primata. Dua ekor monyet rhesus dilatih untuk menyelesaikan tiga tugas visual berbeda. Dalam setiap tugas, monyet harus menentukan apakah objek yang terlihat mirip dengan huruf atau bentuk tertentu (misalnya bentuk seperti kelinci atau huruf “T”) atau menilai apakah warnanya lebih merah atau lebih hijau.
Walaupun terlihat sederhana, tugas ini dirancang cerdik: setiap tugas memiliki aturan berbeda, tetapi beberapa tugas berbagi aspek visual atau mekanik yang sama—misalnya arah tatapan yang menunjukkan jawaban atau cara membedakan warna. Hal ini memungkinkan para peneliti melihat apakah otak memanfaatkan kembali pola kerja yang sama dalam situasi berbeda.
Blok Kognitif: Lego dalam Otak
Melalui perekaman aktivitas otak, tim menemukan bahwa korteks prefrontal, wilayah otak yang terkait dengan pemikiran tingkat tinggi dan pengambilan keputusan, memegang peran penting. Di area ini terdapat pola aktivitas neuron yang muncul berulang kali saat monyet menyelesaikan bagian adalah dari tugas.
Para peneliti menyebut pola-pola ini sebagai “blok kognitif” atau cognitive Legos – bagian-bagian kecil yang bisa digabungkan untuk membentuk perilaku kognitif baru tanpa harus memulai dari awal setiap kali.
“Kami menemukan bahwa otak fleksibel karena dapat menggunakan kembali komponen-komponen kognitif dalam banyak tugas,” kata Tim Buschman, Ph.D., penulis senior studi dan wakil direktur Princeton Neuroscience Institute.
Jika salah satu blok bertanggung jawab untuk mengenali warna, dan blok lain mengendalikan gerak mata ke arahnya, maka otak bisa menyusun blok-blok ini sesuai kebutuhan. Ketika monyet harus mengubah tugas dari penilaian warna ke penilaian bentuk—tetap dengan gerak mata yang sama—otak cukup menukar blok yang relevan saja, tanpa harus merombak seluruh sistemnya.
Fokus melalui Pemilihan Blok
Tidak hanya itu, tim peneliti juga melihat bahwa otak dapat mengaktifkan dan menonaktifkan blok kognitif sesuai tugas yang dihadapi. Ini membantu otak mempertahankan fokus dengan lebih tajam.
Misalnya, saat tugas memerlukan fokus pada bentuk, blok-blok yang memproses warna secara otomatis “diredam” sehingga tidak mengganggu proses berpikir yang sedang berjalan. Dengan cara ini, otak mampu mengalokasikan sumber daya terbatasnya pada komponen yang paling relevan untuk tugas saat itu.
Apa Artinya untuk Kecerdasan Buatan?
Temuan ini memberi kita gambaran jelas tentang kelemahan fundamental banyak AI saat ini. Meskipun AI bisa unggul dalam tugas tertentu saat dilatih secara intensif, sistem-sistem ini sering kali tidak bisa menyimpan keterampilan lama ketika belajar hal baru. Dengan kata lain, AI sering tidak “menyusun kembali blok-bloknya” seperti otak manusia.
Sina Tafazoli, Ph.D., peneliti utama dalam studi ini, menjelaskan bahwa strategi otak ini mirip dengan konsep compositionality—memanfaatkan keterampilan yang sudah ada untuk mempelajari yang baru tanpa harus membuat ulang dari nol.
Jika pendekatan serupa bisa dimasukkan ke dalam sistem pembelajaran mesin, AI mungkin bisa menjadi lebih fleksibel, mampu mempelajari banyak tugas secara bertahap tanpa kehilangan kemampuan sebelumnya—mendekati cara belajar manusia.
Implikasi bagi Kedokteran dan Kesehatan Mental
Manfaat penelitian ini tidak hanya berhenti pada kecerdasan buatan. Para ilmuwan juga melihat potensi besar untuk penanganan kondisi neurologis dan psikologis yang memengaruhi fleksibilitas kognitif.
Beberapa gangguan seperti skizofrenia, gangguan obsesif-kompulsif (OCD), dan cedera otak dapat menghambat kemampuan seseorang untuk mengalihkan strategi atau menerapkan keterampilan yang sudah dipelajari di situasi baru.
Dengan memahami bagaimana blok-blok kognitif ini bekerja dan bagaimana mereka berinteraksi, kita mungkin bisa mengembangkan intervensi yang membantu pasien mengembalikan atau meningkatkan kemampuan fleksibilitas berpikir mereka.
Kesimpulan: Belajar Itu Modular
Penelitian terbaru ini menegaskan sebuah prinsip sederhana namun mendalam: belajar bukan tentang menghafal sesuatu dari nol setiap kali, melainkan tentang bagaimana menata kembali keterampilan yang sudah ada secara efisien. Otak melakukan ini dengan memanfaatkan blok-blok kognitif yang fleksibel, sementara AI masih berjuang di area ini.
Pengetahuan baru ini tidak hanya membuka jendela untuk memahami keunggulan otak manusia dalam proses belajar, tetapi juga memberi arah baru untuk inovasi dalam teknologi dan kesehatan mental. ScienceDaily
Referensi
Tafazoli, S., Bouchacourt, F. M., Ardalan, A., Markov, N. T., Uchimura, M., Mattar, M. G., Daw, N. D., & Buschman, T. J. (2025). Building compositional tasks with shared neural subspaces. Nature. doi:10.1038/s41586-025-09805-2. ScienceDaily
Princeton University. (28 November 2025). Scientists uncover the brain’s hidden learning blocks. ScienceDaily. Diakses dari https://www.sciencedaily.com/releases/2025/11/251128050509.htm ScienceDaily