AI Mengembangkan Bentuk “Bahasa” yang Tidak Pernah Diajarkan? Representasi Internal, Konsep Laten, & Emergensi Bahasa Non-Manusia LLM

Ilustrasi (Pic: Grok AI)

Di balik setiap jawaban yang kita baca, ada “dunia” matematis yang tidak berbicara dalam bahasa apapun tetapi tetap mampu menghubungkan semuanya menjadi satu percakapan yang dapat dipahami manusia

Large Language Models (LLMs) dilatih menggunakan bahasa manusia, namun penelitian mutakhir menunjukkan bahwa selama proses pembelajaran, model membangun representasi internal yang tidak identik dengan bahasa apa pun yang pernah diajarkan. 

Representasi ini memungkinkan AI menghubungkan konsep lintas bahasa, lintas modalitas, bahkan menyelesaikan tugas yang tidak pernah diajarkan secara eksplisit. 

Fenomena tersebut memunculkan pertanyaan ilmiah yang provokatif: apakah AI sedang mengembangkan suatu bentuk “bahasa internal” yang berbeda dari bahasa manusia? 

Tulisan ini membahas konsep latent representations, concept space, neural circuits, serta implikasinya terhadap ilmu kognitif, linguistik, dan interpretabilitas AI.

Pendahuluan

Ketika kita membaca kalimat: “Matahari tenggelam di ufuk barat.” kita akan memahami artinya melalui bahasa Indonesia.

Ketika orang Jepang membaca: 夕日は西に沈む。Ia akan memahami makna yang sama melalui bahasa Jepang.

Pertanyaannya, AI memahami yang mana? Bahasa Indonesia? Bahasa Jepang? Bahasa Inggris? Atau…tidak satu pun?

Bahasa yang Dilihat Manusia Tidak Sama dengan yang Diproses AI

AI memang menerima kata-kata manusia, namun setelah token masuk ke dalam model, kata-kata itu segera berubah menjadi vektor numerik berdimensi tinggi.

Misalnya secara konseptual:

"Matahari"

↓

[0.81, -1.34, 0.72, ...]

Yang diproses selanjutnya bukan lagi huruf, melainkan hubungan matematis. Artinya, AI “berpikir” menggunakan representasi numerik, bukan menggunakan bahasa Indonesia atau Inggris.

Apakah Itu Sebuah Bahasa?

Inilah perdebatan besar, sebab dalam linguistik, bahasa memiliki simbol, aturan, makna, dan kemampuan menghasilkan kalimat baru.

Representasi internal AI juga memiliki struktur, hubungan, dan kemampuan menghasilkan makna. Namun representasi tersebut tidak dapat langsung dibaca manusia.

Karena itu banyak peneliti lebih memilih istilah latent representation daripada menyebutnya bahasa.

Konsep Laten: Di Balik Kata Ada Dunia yang Lebih Dalam

Misalnya kata “kucing” “cat” “猫” berasal dari bahasa yang berbeda. Namun model dapat memetakan semuanya ke wilayah representasi yang saling berdekatan.

Yang dipelajari bukan sekadar kata, yang dipelajari adalah konsep “kucing”. Konsep inilah yang memungkinkan AI menerjemahkan lintas bahasa dengan sangat baik.

Bukti dari Penelitian Modern

Penelitian interpretabilitas menemukan sesuatu yang menarik. Pada beberapa model, terdapat pola aktivasi yang konsisten muncul ketika membahas warna, angka, hubungan keluarga, serta lokasi geografis.

Pola-pola ini muncul bahkan ketika bahasa yang digunakan berbeda. Artinya, yang dipelajari AI bukan hanya kata, melainkan struktur konseptual yang lebih abstrak.

Apakah AI Sedang Menciptakan Bahasa Baru?

Lebih tepat dikatakan bahwa AI sedang membangun sistem representasi internal. 

Bahasa manusia dirancang agar dapat dipahami manusia lain. Sebaliknya, representasi AI dioptimalkan agar efisien, komputasional, dan berguna untuk prediksi.

Jika manusia dapat membaca representasi tersebut, mungkin kita akan melihat sesuatu yang sama sekali asing.

Mengapa Ini Sangat Penting?

Jika benar AI memiliki representasi konseptual sendiri, maka AI tidak lagi sekadar menghafal bahasa manusia, ia membangun “peta makna” internal.

Peta ini mungkin lebih dekat dengan hubungan konsep daripada hubungan kata. Hal ini menjelaskan mengapa AI dapat menerjemahkan, membuat analogi, menjelaskan metafora, bahkan menyelesaikan soal yang belum pernah dilihat sebelumnya.

Black Box Semakin Dalam

Masalahnya, representasi tersebut hampir mustahil dibaca secara langsung. Kita dapat melihat angka, tetapi kita belum sepenuhnya memahami mengapa kombinasi angka tertentu menghasilkan konsep tertentu.

Inilah yang membuat interpretabilitas AI menjadi salah satu bidang penelitian paling aktif saat ini.

Implikasi Filosofis

Jika suatu hari manusia berhasil menerjemahkan representasi internal AI, mungkin kita akan menemukan bahwa AI tidak “berpikir” dalam bahasa Inggris, tidak pula dalam bahasa Indonesia. Melainkan dalam bentuk organisasi konsep yang sama sekali baru.

Hal ini mengubah pertanyaan klasik: “Bahasa apa yang digunakan AI?” menjadi: “Apakah makna selalu membutuhkan bahasa manusia?”

Tulisan ini menyimpulkan bahwa:

1. AI memproses bahasa melalui representasi numerik, bukan melalui kata-kata secara langsung.
2. Representasi internal memungkinkan model menghubungkan konsep lintas bahasa dan lintas konteks.
3. Bukti ilmiah menunjukkan adanya struktur konseptual laten yang tidak identik dengan bahasa manusia.
4. Representasi tersebut lebih tepat disebut sistem konseptual internal daripada bahasa baru dalam pengertian linguistik klasik.
5. Memahami representasi internal AI merupakan langkah penting untuk membuka black box dan memahami bagaimana kecerdasan buatan membangun makna.

Bayangkan suatu hari para ilmuwan berhasil “menerjemahkan” representasi internal AI. Mungkin mereka tidak akan menemukan kalimat seperti: “Aku sedang memikirkan seekor kucing.” Mereka mungkin justru menemukan sebuah lanskap matematika, tempat konsep-konsep saling terhubung tanpa membutuhkan kata-kata.

Itulah paradoks yang memikat. Selama ribuan tahun, manusia menganggap bahasa sebagai rumah bagi pikiran. Namun tampaknya AI mengusulkan kemungkinan lain: barangkali bahasa hanyalah salah satu cara untuk mengekspresikan makna, bukan satu-satunya cara makna dapat diorganisasi.

Tetapi, ada batas penting yang perlu dijaga. Hingga saat ini, belum ada bukti bahwa AI mengembangkan bahasa baru dalam arti memiliki tata bahasa, simbol, dan tujuan komunikatifnya sendiri. 

Yang lebih didukung oleh bukti ilmiah adalah bahwa AI membangun representasi internal laten yang sangat efisien untuk mengolah konsep. 

Apakah representasi itu layak disebut “bahasa”, masih menjadi pertanyaan terbuka yang sedang diperdebatkan oleh para peneliti.

Dan mungkin, justru di situlah keindahannya. Di balik setiap jawaban yang kita baca, ada “dunia” matematis yang tidak berbicara dalam bahasa Indonesia, Inggris, atau Mandarin, tetapi tetap mampu menghubungkan semuanya menjadi satu percakapan yang dapat dipahami manusia. 

Referensi

• Ashish Vaswani, et al. (2017). Attention Is All You Need.
• Christopher Olah. (2020). Zoom In: An Introduction to Circuits.
• Stephen Wolfram. (2023). What Is ChatGPT Doing… and Why Does It Work?
• Anthropic. (2025). Tracing the Thoughts of a Large Language Model.
• Noam Chomsky. (1965). Aspects of the Theory of Syntax.
• Ferdinand de Saussure. (1916). Course in General Linguistics.