Minggu Digital UKM 2026

Evolusi AI

Dari sistem pakar ke Agentic AI

Sistem pakar

AI generatif

Agentic AI

Ts. Dr. Mohd Nor Akmal Khalid

Pensyarah Kanan, Pusat Kajian Teknologi Kecerdasan Buatan (CAIT)
Fakulti Teknologi dan Sains Maklumat, Universiti Kebangsaan Malaysia

Khamis, 15 Oktober 2026 · 2.30–4.30 petang

Evolusi AI · 15.10.2026

01

Soalan pembuka

Siapa yang telah meminta AI melakukan sesuatu minggu ini?

Meminta AI menjawab

“Terangkan apa itu sistem pakar dalam tiga ayat.”

Meminta AI melakukan

“Tempah bilik mesyuarat dan hantar jemputan kepada pasukan.”

Jarak antara dua permintaan ini ialah kisah tujuh dekad AI.

Evolusi AI · 15.10.2026

02

Contoh sepanjang ceramah

Memproses tuntutan perjalanan

01

Terima resit

02

Semak polisi

03

Kira jumlah

04

Luluskan

05

Bayar

Bagi setiap zaman, kita tanya: siapa yang melakukan setiap langkah?

Evolusi AI · 15.10.2026

03

Kerangka ceramah

Tiga soalan untuk setiap zaman

Siapa memegang pengetahuan?

Siapa membuat keputusan?

Siapa yang bertindak?

… dan di manakah kesesakannya?

Evolusi AI · 15.10.2026

04

Istilah asas

Peta kecerdasan buatan

Kecerdasan buatan

Pembelajaran mesin

Pembelajaran mendalam

AI generatif

Kecerdasan buatan

mesin melakukan tugasan yang memerlukan kecerdasan

Pembelajaran mesin

belajar corak daripada data, bukan diprogram satu per satu

Pembelajaran mendalam

rangkaian neural berlapis-lapis

AI generatif

menghasilkan kandungan baharu: teks, imej, suara, kod

Agentic AI

bukan lapisan baharu: model generatif + alat + gelung tindakan

Sumber: McCarthy et al. (1955), cadangan Bengkel Dartmouth; Russell & Norvig (2021), AI: A Modern Approach, ed. ke-4

Evolusi AI · 15.10.2026

05

Garis masa

Tujuh dekad kecerdasan buatan

1956

Bengkel Dartmouth: lahirnya bidang AI

1965

DENDRAL, sistem pakar pertama

1980

XCON digunakan setiap hari dalam industri

1987

Musim sejuk AI kedua bermula

2012

Pembelajaran mendalam menjuarai ImageNet

2017

Seni bina Transformer diperkenalkan

2022

ChatGPT dilancarkan kepada umum

2024+

Ejen AI mula bertindak

Simbolik dan sistem pakar

Pembelajaran mendalam dan generatif

Agentic AI

Sumber: Russell & Norvig (2021), AI: A Modern Approach, ed. ke-4; Lindsay et al. (1993); Krizhevsky et al. (2012); Vaswani et al. (2017)

Evolusi AI · 15.10.2026

06

Undian tangan

Di manakah anda hari ini?

A

Belum pernah menggunakan AI

B

Untuk bertanya dan mencari maklumat

C

Untuk menulis, meringkas dan menganalisis

D

Untuk melakukan tugasan bagi pihak saya

Angkat tangan. Kita akan bertanya semula pada akhir sesi.

Evolusi AI · 15.10.2026

07

Sebelum komputer · abad ke-18

Ilusi mesin yang berfikir

Ukiran tembaga 'Turk', mesin bermain catur von Kempelen, dengan pintu kabinet terbuka

“Turk” (1770), ukiran tembaga 1783

Lukisan profil manusia dan anjing yang dihasilkan oleh automaton Pelukis Jaquet-Droz

Lukisan oleh automaton Pelukis Jaquet-Droz

1768–1774 · Jaquet-Droz

Boneka mekanikal yang menulis dan melukis, “diprogram” dengan roda sesondol

1770 · “Turk” von Kempelen

Mesin bermain catur yang mengembara Eropah dan Amerika selama 84 tahun

Rahsianya: seorang pemain catur manusia bersembunyi di dalam kabinet

Sumber: Standage (2002), The Turk, Walker; Musée d'art et d'histoire Neuchâtel. Gambar: Wikimedia Commons — ukiran Windisch (1783), domain awam; lukisan automaton Jaquet-Droz, domain awam.

Evolusi AI · 15.10.2026

08

Mesin yang boleh diprogram · abad ke-19

Babbage, Lovelace dan algoritma pertama

Enjin Perbezaan No. 2 Babbage yang dibina oleh Muzium Sains London

Enjin Perbezaan No. 2, dibina Muzium Sains London (1991) mengikut pelan Babbage

Potret Ada Lovelace oleh Alfred Edward Chalon

Ada Lovelace, potret c. 1840

1837 · Enjin Analitik

Reka bentuk komputer serba guna pertama; tidak pernah siap dibina

1843 · Nota G

Lovelace menerbitkan algoritma mengira nombor Bernoulli

“Bantahan Lovelace”

Mesin hanya melakukan apa yang kita arahkan, tidak mencipta

Sumber: Lovelace (1843), nota terjemahan Menabrea, Nota G; Swade (2000), The Difference Engine. Gambar: Wikimedia Commons — Enjin Perbezaan: geni, CC BY-SA 4.0; potret Lovelace oleh A. E. Chalon, domain awam.

Evolusi AI · 15.10.2026

09

Bolehkah mesin berfikir? · 1950

Turing dan permainan meniru

Potret Alan Turing ketika remaja, sekitar 1928

Alan Turing, c. 1928

Penilai

berbual melalui teks

A: manusia

B: mesin

?

1950

Turing menukar soalan “bolehkah mesin berfikir?” kepada ujian yang boleh diukur

1956 · Dartmouth

Istilah “kecerdasan buatan” dicipta

2025 · GPT-4.5

disangka manusia dalam 73% ujian

Sumber: Turing (1950), Computing Machinery and Intelligence, Mind, 59(236); McCarthy et al. (1955), cadangan Dartmouth; Jones & Bergen (2025), arXiv:2503.23674. Gambar: Wikimedia Commons, domain awam.

Evolusi AI · 15.10.2026

10

01

Zaman pertama · 1965–1990-an

Sistem Pakar

Manusia menulis peraturan. Mesin mematuhinya.

Sumber: Lindsay, Buchanan, Feigenbaum & Lederberg (1993), DENDRAL, Artificial Intelligence, 61(2)

Evolusi AI · 15.10.2026

11

Akar zaman pertama

Kecerdasan sebagai simbol

38 / 52

teorem dalam Principia Mathematica dibuktikan oleh Logic Theorist (1956)

Hipotesis Newell & Simon

Manipulasi simbol sudah cukup untuk menghasilkan tindakan pintar.

Penaakulan simbolik: contoh klasik

FAKTA

Sokrates ialah manusia.

PERATURAN

Semua manusia akan mati.

KESIMPULAN

Sokrates akan mati.

Mesin tidak "faham" Sokrates; ia hanya memadankan simbol.

Sumber: Newell & Simon (1956), Logic Theorist; Newell & Simon (1976), Comm. ACM, 19(3); Russell & Norvig (2021)

Evolusi AI · 15.10.2026

12

Bahasa untuk menaakul

Daripada logik kepada Prolog

1854 · Logik proposisi (Boole)

hujan ∧ ¬payung → basah

1879 · Logik predikat (Frege)

∀x manusia(x) → fana(x)

1972 · Prolog (Colmerauer, Kowalski)

Program = fakta + peraturan; mesin mencari buktinya

Manusia menyatakan apa yang benar; mesin mencari bagaimana membuktikannya.

Sumber: Boole (1854), The Laws of Thought; Frege (1879), Begriffsschrift; Robinson (1965), resolusi, J. ACM, 12(1); Kowalski (1974), IFIP; Colmerauer & Roussel (1993), The birth of Prolog, HOPL-II. Emulasi oleh penceramah.

Evolusi AI · 15.10.2026

13

Chatbot pertama · 1966

ELIZA: bercakap tanpa memahami

Joseph Weizenbaum, pencipta ELIZA, pada tahun 2005

Joseph Weizenbaum (1923–2008), MIT

Padan kata kunci, isi templat

“saya” → “anda”; tiada kefahaman

“Kesan ELIZA”: pengguna percaya ia memahami mereka

Sumber: Weizenbaum (1966), ELIZA, Comm. ACM, 9(1); Weizenbaum (1976), Computer Power and Human Reason. Emulasi ringkas oleh penceramah. Gambar: Ulrich Hansen, CC BY-SA 3.0, Wikimedia Commons.

Evolusi AI · 15.10.2026

14

Bagaimana ia berfungsi

Daripada pakar kepada peraturan

Pakar manusia

memiliki kepakaran dan pengalaman

Jurutera

jurutera pengetahuan menemu bual pakar

Peraturan

ratusan hingga ribuan JIKA–MAKA

Enjin inferens

memadankan fakta dengan peraturan

Sumber: Shortliffe (1976), MYCIN; Russell & Norvig (2021). Peraturan dan nilai RM dalam animasi ialah ilustrasi.

Evolusi AI · 15.10.2026

15

Cara enjin inferens berfikir

Dua arah penaakulan

Rantaian ke hadapan

Bermula daripada data, mencari kesimpulan

Fakta: pelanggan pesan CPU dan 2 cakera

Peraturan: 2 cakera perlukan pengawal

Tambah pengawal ke dalam pesanan

Contoh sistem: XCON

Rantaian ke belakang

Bermula daripada hipotesis, mencari bukti

Hipotesis: jangkitan bakteria X?

Syarat: suhu tinggi? ujian makmal positif?

Tanya doktor untuk bukti yang tiada

Contoh sistem: MYCIN

Sumber: Russell & Norvig (2021); Shortliffe (1976), MYCIN; McDermott (1980). Contoh peraturan dipermudahkan.

Evolusi AI · 15.10.2026

16

Kajian kes · Stanford, 1970-an

MYCIN mengatasi pakar

Rawatan antibiotik bagi 10 kes meningitis, dinilai secara buta oleh 8 pakar penyakit berjangkit. Peratus preskripsi yang dinilai boleh diterima:

MYCIN

65%

Pakar terbaik

62.5%

Purata fakulti

55.5%

Pelajar perubatan

30%

Namun, tidak digunakan secara rutin di hospital.

Pengajaran: ketepatan bukan penentu penggunaan. Kepercayaan, tanggungjawab dan integrasi dengan aliran kerja lebih menentukan.

Sumber: Yu et al. (1979), JAMA, 242(12); Buchanan & Shortliffe (1984), Rule-Based Expert Systems, bab 31

Evolusi AI · 15.10.2026

17

Bukti di industri

XCON di Digital Equipment

1980

mula digunakan setiap hari untuk mengkonfigurasi pesanan komputer VAX

80,000

pesanan telah diproses menjelang 1986

95–98%

ketepatan konfigurasi

Penjimatan: berpuluh juta dolar AS setahun

Sumber: McDermott (1980), Prosiding AAAI-80; Barker & O'Connor (1989), Communications of the ACM, 32(3)

Evolusi AI · 15.10.2026

18

Kekangan utama

Kesesakan pemerolehan pengetahuan

“Kita mengetahui lebih daripada apa yang mampu kita ungkapkan.”

Michael Polanyi, The Tacit Dimension (1966)

Peraturan hanya menangkap hujung aisberg.

Di luar peraturannya, sistem menjadi rapuh, dan setiap perubahan polisi perlu ditulis semula oleh manusia.

Sumber: Polanyi (1966), The Tacit Dimension; Bachant & McDermott (1984), R1 revisited, AI Magazine, 5(3)

Evolusi AI · 15.10.2026

19

Sejarah berulang?

Musim sejuk AI

● Puncak: jangkaan melambung

● Lembah: dana dipotong

masa →

1973 · Laporan Lighthill

Kritik di UK membawa kepada musim sejuk pertama

1987 · Pasaran mesin Lisp runtuh

Sistem pakar mahal dan sukar diselenggara

1982–1992 · Projek Generasi Kelima

Inisiatif besar Jepun tidak mencapai matlamat asal

2026: Agentic AI di puncak jangkaan (Gartner)

Sumber: Russell & Norvig (2021); Lighthill (1973); Gartner (2026), Hype Cycle for Agentic AI. Lengkung ialah skematik.

Evolusi AI · 15.10.2026

20

Warisan zaman pertama

Peraturan masih hidup

Semakan kelayakan

Bantuan, biasiswa, permohonan lesen: syarat yang jelas dan boleh diaudit

Pengesanan penipuan

Peraturan tegas menapis kes jelas; model menilai kes yang kabur

Pagar keselamatan ejen

JIKA tindakan = bayaran
MAKA minta kelulusan manusia

Model belajar. Peraturan mengawal.

Evolusi AI · 15.10.2026

21

Zaman 1 · Ringkasan

Sistem pakar

Siapa memegang pengetahuan?

Manusia

pakar menulisnya sebagai peraturan

Siapa membuat keputusan?

Mesin

mengikut peraturan secara tegar

Siapa yang bertindak?

Manusia

melaksanakan keputusan

Kesesakan

mengekstrak pengetahuan daripada pakar

Evolusi AI · 15.10.2026

22

Peralihan paradigma

Daripada peraturan kepada data

Pengaturcaraan klasik

Peraturan

Data

Jawapan

Manusia menulis peraturan. Mesin menghasilkan jawapan.

Pembelajaran mesin

Data

Jawapan

Model

Manusia memberi contoh. Mesin mempelajari coraknya sendiri.

Pengetahuan tidak lagi ditulis oleh pakar. Ia dipelajari.

Sumber: diadaptasi daripada Chollet (2021), Deep Learning with Python, ed. ke-2, Manning

Evolusi AI · 15.10.2026

23

Mesin yang belajar · 1958

Perceptron Mark I

Rajah Perceptron Mark I daripada manual operator 1960, menunjukkan kamera, panel dan unit sambungan

Frank Rosenblatt, Cornell

Mesin pertama yang belajar mengecam corak daripada contoh, bukan diprogram

“Retina” 20×20

400 sel foto sebagai piksel input

Pemberat bermotor

Potensiometer dilaras automatik semasa belajar

1969: Minsky & Papert membuktikan hadnya

Satu lapisan tidak dapat mempelajari XOR → minat dan dana merosot

Sumber: Rosenblatt (1958), Psychological Review, 65(6); Hay, Martin & Wightman (1960), Mark I Perceptron Operators' Manual; Minsky & Papert (1969), Perceptrons, MIT Press. Gambar: manual operator (1960), domain awam, Wikimedia Commons.

Evolusi AI · 15.10.2026

24

Pembelajaran mesin

Tiga cara mesin belajar

Pembelajaran Terarah

(Supervised Learning)

Belajar daripada contoh yang sudah dilabel

Contoh: 10,000 e-mel berlabel "spam" atau "bukan spam" → kenal pasti spam baharu

Pembelajaran Tidak Terarah

(Unsupervised Learning)

Mencari corak sendiri dalam data tanpa label

Contoh: kumpulkan pemohon mengikut corak permohonan yang serupa

Pembelajaran Pengukuhan

(Reinforcement Learning)

Belajar melalui cuba-jaya dan ganjaran

Contoh: AlphaGo bermain berjuta-juta permainan dan belajar daripada kemenangan

Sumber: Russell & Norvig (2021); Silver et al. (2016), Nature, 529. Contoh e-mel dan pemohon ialah ilustrasi.

Evolusi AI · 15.10.2026

25

Daripada neuron kepada rangkaian

Rangkaian neural

1958 · Perceptron

Satu neuron tiruan: darab setiap input dengan pemberat, jumlahkan, kemudian putuskan.

y = f(w₁x₁ + w₂x₂ + b)

Belajar = laraskan pemberat

Bandingkan jawapan dengan sasaran, betulkan sedikit demi sedikit

Banyak lapisan = "mendalam"

Sumber: Rosenblatt (1958), Psychological Review, 65(6); LeCun, Bengio & Hinton (2015), Nature, 521. Animasi ialah ilustrasi.

Evolusi AI · 15.10.2026

26

Permainan sebagai penanda aras

Dua kemenangan, dua falsafah

Catur · 1997

Deep Blue

menewaskan juara dunia Garry Kasparov

Carian pantas: ~200 juta kedudukan sesaat

Fungsi penilaian ditulis bersama pakar catur

Superkomputer Deep Blue di Muzium Sejarah Komputer

Go · 2016

AlphaGo

menewaskan Lee Sedol 4–1

Rangkaian neural belajar menilai kedudukan

Pembelajaran pengukuhan melalui permainan sendiri

Pengetahuan ditulis → pengetahuan dipelajari, dalam hanya 19 tahun.

Sumber: Campbell, Hoane & Hsu (2002), Deep Blue, Artificial Intelligence, 134; Silver et al. (2016), Nature, 529. Gambar Deep Blue: James the photographer, CC BY 2.0, Wikimedia Commons

Evolusi AI · 15.10.2026

27

Mengapa sekarang?

Resipi lonjakan 2012

Data

ImageNet: lebih 14 juta imej berlabel

+

Pengkomputeran

AlexNet dilatih dengan 2 GPU permainan video

+

Algoritma

Rangkaian dalam yang lebih mudah dilatih

AlexNet 2012

Idea rangkaian neural sudah wujud sejak 1958. Yang baharu ialah data dan kuasa pengkomputeran.

Sumber: Deng et al. (2009), ImageNet, CVPR; Krizhevsky, Sutskever & Hinton (2012), NeurIPS

Evolusi AI · 15.10.2026

28

Rangkaian neural konvolusi (CNN)

Bagaimana mesin “melihat”

1 · Penapis 3×3 meluncur

di atas setiap bahagian imej

2 · Darab dan jumlahkan

nilai tinggi = corak ditemui di situ

CNN mempelajari sendiri nilai penapis daripada berjuta imej

Sumber: Fukushima (1980), Neocognitron, Biol. Cybernetics, 36; LeCun et al. (1998), Proc. IEEE, 86(11); Krizhevsky, Sutskever & Hinton (2012), NeurIPS. Animasi oleh penceramah.

Evolusi AI · 15.10.2026

29

Output CNN sebenar

Daripada piksel kepada ciri

Foto Alan Turing dalam skala kelabu sebagai input

Input: piksel

Hasil penapis Sobel: garis tepi wajah dan pakaian Turing

Penapis reka tangan (Sobel)

Peta ciri lapisan pertama MobileNetV2, mengesan tepi

Peta ciri lapisan pertama MobileNetV2, mengesan tepi pada arah lain

Peta ciri lapisan lebih dalam, mengesan bahagian seperti mata dan kolar

Peta ciri lapisan lebih dalam, mengesan tekstur

Penapis dipelajari oleh CNN

Lapisan awal

garis dan tepi

Lapisan dalam

mata, telinga, wajah

Setiap lapisan membina di atas lapisan sebelumnya: tepi → bentuk → objek

Sumber: output sebenar MobileNetV2 (Sandler et al., 2018, CVPR) terlatih ImageNet, dijalankan penceramah; Zeiler & Fergus (2014), ECCV. Gambar: Alan Turing c. 1928, domain awam, Wikimedia Commons.

Evolusi AI · 15.10.2026

30

Ujian sebenar MobileNetV2

Apa yang CNN “nampak”?

Alan Turing, ahli matematik

CNN: “sut”

87% yakin

Superkomputer catur Deep Blue

CNN: “mesin layan diri”

36% yakin

Potret Ada Lovelace, c. 1840

CNN: “kimono”

66% yakin

Enjin Perbezaan Babbage

CNN: “organ paip”

56% yakin

Ia mengecam corak daripada 1,000 kategori latihannya, bukan makna.

Sumber: ramalan teratas sebenar MobileNetV2 (Sandler et al., 2018; 1,000 kelas ImageNet), dijalankan penceramah. Gambar: Wikimedia Commons — Turing, Lovelace: domain awam; Deep Blue: James the photographer, CC BY 2.0; Enjin Perbezaan: geni, CC BY-SA 4.0.

Evolusi AI · 15.10.2026

31

Daripada mengecam kepada mencipta · 2015

Pemindahan gaya neural

Foto asal: Menara Berkembar Petronas

Kandungan + gaya → imej baharu

Gaya mozek

Menara Petronas dalam gaya lukisan berwarna terang

Gaya “Candy”

Menara Petronas dalam gaya lukisan minyak berpisau palet

Gaya “Rain Princess”

Menara Petronas dalam gaya titik-titik pointilisme

Gaya pointilisme

Sumber: Gatys, Ecker & Bethge (2016), CVPR; Johnson, Alahi & Fei-Fei (2016), ECCV. Output sebenar model fast-neural-style (ONNX Model Zoo) dijalankan penceramah. Foto: CEphoto, Uwe Aranas, CC BY-SA 3.0, Wikimedia Commons; hasil diedarkan di bawah lesen yang sama.

Evolusi AI · 15.10.2026

32

02

Zaman kedua · 2017–kini

AI Generatif

Mesin belajar daripada teks. Manusia menyemak hasilnya.

Sumber: Vaswani et al. (2017), Attention Is All You Need, NeurIPS

Evolusi AI · 15.10.2026

33

Di bawah tudung

Teks menjadi nombor

1 · Teks

"Kerajaan mendigitalkan perkhidmatan"

2 · Token

Kerajaan

␣men

digital

kan

␣perkhidmatan

3 · Nombor ID

48213

1094

22751

5732

60418

4 · Vektor makna

Model tidak membaca perkataan. Ia mengira hubungan antara ribuan nombor.

Sumber: Vaswani et al. (2017), NeurIPS. Pecahan token, nombor ID dan vektor dalam slaid ini ialah ilustrasi.

Evolusi AI · 15.10.2026

34

Daripada token kepada makna

Perkataan sebagai titik dalam ruang

Vektor benaman

Setiap token menjadi ratusan nombor, iaitu satu titik dalam ruang

Makna serupa, titik berdekatan

“kucing” dekat “anjing”, jauh daripada “bas”

raja − lelaki + perempuan ≈ permaisuri

Sumber: Mikolov et al. (2013), word2vec, NeurIPS; Smilkov et al. (2016), Embedding Projector, NeurIPS Workshop (projector.tensorflow.org). Emulasi oleh penceramah; kedudukan titik ialah ilustrasi yang dipermudahkan kepada 3D.

Evolusi AI · 15.10.2026

35

Jantung Transformer

Mekanisme perhatian

Setiap perkataan bertanya

“Perkataan mana yang relevan untuk memahami saya?”

Berat perhatian

Skor kaitan; jumlahnya 100% bagi setiap baris

Puluhan “kepala” perhatian membaca hubungan berbeza serentak

Sumber: Bahdanau, Cho & Bengio (2015), ICLR; Vaswani et al. (2017), Attention Is All You Need, NeurIPS. Visualisasi diilhamkan oleh moebio.com/attention. Emulasi oleh penceramah; nilai berat ialah ilustrasi.

Evolusi AI · 15.10.2026

36

Bagaimana ia berfungsi

Meramal perkataan seterusnya

Ulang berbilion kali → esei, kod, ringkasan, terjemahan.

Sumber: Vaswani et al. (2017), NeurIPS. Nilai kebarangkalian dalam animasi ialah ilustrasi.

Evolusi AI · 15.10.2026

37

Bagaimana model dilatih

Tiga peringkat latihan

1

Pralatihan

Membaca teks dalam jumlah sangat besar dan belajar meramal perkataan seterusnya

2

Penalaan halus

Belajar daripada contoh soalan dan jawapan yang ditulis manusia

3

Maklum balas manusia

Manusia menilai jawapan; model disesuaikan ke arah jawapan yang lebih membantu

Analogi: membaca seluruh perpustakaan → latihan amali → bimbingan mentor

Sumber: Ouyang et al. (2022), Training language models to follow instructions with human feedback, NeurIPS

Evolusi AI · 15.10.2026

38

Lebih besar, lebih mampu

Lonjakan skala model

Bilangan parameter (skala log)

117 juta

GPT-1 · 2018

1.5 bilion

GPT-2 · 2019

175 bilion

GPT-3 · 2020

?

Model terkini

~1,500×

lebih besar dalam dua tahun (2018 → 2020)

Model terkini: saiz tidak didedahkan

Fokus kini beralih kepada kualiti data, penaakulan dan kecekapan

Sumber: Radford et al. (2018, 2019), OpenAI; Brown et al. (2020), Language Models are Few-Shot Learners, NeurIPS

Evolusi AI · 15.10.2026

39

Titik perubahan · November 2022

AI keluar dari makmal

100 juta

pengguna aktif ChatGPT dalam kira-kira dua bulan (anggaran)

Antara muka perbualan menjadikan AI alat harian, tanpa perlu menulis kod.

Ilustrasi antara muka perbualan

Ringkaskan polisi tuntutan perjalanan dalam tiga perkara.

1. Sertakan resit asal.
2. Tuntutan melebihi had perlu kelulusan ketua.
3. Hantar dalam tempoh yang ditetapkan.

Manusia masih memutuskan dan bertindak.

Sumber: anggaran UBS, dilaporkan oleh Reuters (2 Februari 2023). Perbualan di sebelah kanan ialah ilustrasi.

Evolusi AI · 15.10.2026

40

Melangkaui teks

Satu model, banyak deria

Teks

Ringkas laporan, draf surat, terjemah

Imej

Baca carta, borang imbasan dan gambar

Suara

Transkripsi dan minit mesyuarat

Video

Jana klip pendek, ringkas rakaman

Kod

Tulis skrip analisis dan aplikasi kecil

Semakin banyak deria, semakin banyak tugasan yang boleh disentuh, dan semakin banyak data peribadi yang terdedah.

Evolusi AI · 15.10.2026

41

Bagaimana imej dijana

Model resapan: ralat menjadi imej

Latihan

Tambah ralat sedikit demi sedikit pada berjuta imej

Model belajar

meramal ralat yang perlu dibuang pada setiap langkah

Penjanaan: ralat rawak dipandu teks menjadi imej baharu

Sumber: Sohl-Dickstein et al. (2015), ICML; Ho, Jain & Abbeel (2020), DDPM, NeurIPS; Rombach et al. (2022), Stable Diffusion, CVPR. Emulasi oleh penceramah: imej dilukis secara prosedur, bukan output model sebenar.

Evolusi AI · 15.10.2026

42

Multimodal generasi baharu

Model dunia: teks menjadi dunia interaktif

Ogos 2025 · Genie 3

Google DeepMind: teks → dunia 3D boleh diterokai, 720p, 24 fps

Konsisten beberapa minit

Ingatan visual ~1 minit; peristiwa dunia boleh dicetuskan melalui prom

Jan 2026 · Project Genie

Dibuka kepada pelanggan Google AI Ultra di AS

Sumber: Google DeepMind (5 Ogos 2025), Genie 3: A new frontier for world models; Google (Jan 2026), Project Genie. Emulasi pelayar oleh penceramah (rendering voxel), bukan output Genie 3.

Evolusi AI · 15.10.2026

43

Konteks Malaysia

Model bahasa buatan Malaysia

Bahasa: imbuhan dan dialek

Budaya: akronim dan institusi

Kedaulatan: data kekal di dalam negara

YTL AI Labs · industri

ILMU

Diperkenalkan Ogos 2025

ILMUchat (Jun 2026): campuran Melayu, Inggeris, Cina dan dialek

Mesolitica · syarikat permulaan

MaLLaM

Model terbuka 1.1B, 3B dan 5B parameter (2024)

Dilatih dengan ~90 bilion token teks Malaysia; dikembangkan di AWS (Dis 2024)

UKM · universiti

WaRiSAN

Model asas Bahasa Kebangsaan (LLM-BM)

Korpus daripada bahan warisan yang didigitalkan dan disahkan pakar

Sumber: Malaysian Wireless (Ogos 2025); The Edge Malaysia (Jun 2026), ILMUchat; Mesolitica (2024), MaLLaM, arXiv:2401.14680; AWS (2 Dis 2024), siaran media Mesolitica; WaRiSAN UKM (warisan.ukm.my).

Evolusi AI · 15.10.2026

44

Kajian kes UKM

Ekosistem WaRiSAN

PENDIGITALAN

Bahan warisan

KORPUS · 1

Pengumpulan

KORPUS · 2

Pembersihan

KORPUS · 3

Penstrukturan

KORPUS · 4

Pengesahan pakar

KORPUS · 5

Ujian prestasi

Model LLM-BM WaRiSAN

Pelayan AURA · NVIDIA H200 · pengimbas i2S CopiBook (A2, 400 dpi)

Watan AI

Soal jawab dokumen rasmi UKM

Sektor awam

ARIF

Pemprosesan teks mengikut piawaian DBP

Penerbitan

JARO

Transliterasi Rumi ↔ Jawi

Warisan

SANUBARI

Maklumat sains kesihatan dalam BM

Kesihatan

NADI

Pengambilan sejarah perubatan pesakit

Klinikal

Sumber: WaRiSAN UKM (2026), warisan.ukm.my: Korpus, Aplikasi dan Instrumentasi. Aplikasi ARIF, JARO, SANUBARI dan NADI di laman masing-masing.

Evolusi AI · 15.10.2026

45

Kekangan baharu

Fasih tidak bermaksud betul.

Model boleh menghasilkan rujukan, angka dan fakta yang kedengaran sahih, tetapi tidak wujud.

Tugas manusia berubah: daripada menulis kepada menyemak.

Jawapan AI (ilustrasi)

“Kajian menunjukkan 73% agensi telah mengguna pakai ejen AI.”

Rujukan: Ahmad, N. & Lee, K. (2021). Kecerdasan buatan dalam pentadbiran awam. Jurnal Sains Digital, 12(3), 45–61.

TIDAK WUJUD

Sumber: Ji et al. (2023), Survey of Hallucination in NLG, ACM Computing Surveys, 55(12). Contoh di kanan ialah rekaan.

Evolusi AI · 15.10.2026

46

Penawar halusinasi

Cari dahulu, baru jawab

Penjanaan berbantukan carian (RAG)

1 · Soalan

"Berapa had tuntutan hotel?"

2 · Cari

dalam pekeliling dan SOP rasmi

3 · Petikan

3 perenggan paling relevan

4 · Model

jawab berdasarkan petikan sahaja

5 · Jawapan

beserta rujukan

Jawapan berpijak pada dokumen anda

bukan pada "ingatan" model, dan setiap jawapan boleh disemak

Sumber: Lewis et al. (2020), Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks, NeurIPS

Evolusi AI · 15.10.2026

47

Kemahiran praktikal

Cara bertanya yang baik

Prom lemah

Tulis tentang tuntutan perjalanan.

Hasil: umum, panjang, mungkin tidak berkaitan dengan polisi organisasi anda.

Prom baik: lima unsur

PERANAN

Anda pegawai kewangan universiti.

KONTEKS

Staf baharu keliru tentang tuntutan perjalanan.

TUGASAN

Terangkan proses tuntutan dari mula hingga bayaran.

FORMAT

Lima langkah bernombor.

KEKANGAN

Kurang 150 patah perkataan, bahasa mudah.

Evolusi AI · 15.10.2026

48

Zaman 2 · Ringkasan

AI generatif

Siapa memegang pengetahuan?

Mesin

dipelajari daripada berbilion dokumen

Siapa membuat keputusan?

Manusia

menilai dan memilih hasil

Siapa yang bertindak?

Manusia

menggunakan hasil dalam kerja sebenar

Kesesakan

mengesahkan ketepatan hasil

Evolusi AI · 15.10.2026

49

03

Zaman ketiga · 2024–kini

Agentic AI

Mesin merancang dan bertindak. Manusia menetapkan matlamat dan menyelia.

Evolusi AI · 15.10.2026

50

Apa yang berbeza?

Chatbot berbanding ejen

Aspek

Chatbot AI generatif

Ejen AI

Diberi

soalan

matlamat

Menghasilkan

jawapan

tindakan dan laporan

Bilangan langkah

satu giliran

banyak langkah, sendiri

Akses

perbualan sahaja

e-mel, fail, sistem

Risiko utama

jawapan salah

tindakan salah

Evolusi AI · 15.10.2026

51

Bagaimana ia berfungsi

Gelung ejen

Sumber: Yao et al. (2023), ReAct: Synergizing Reasoning and Acting in Language Models, ICLR. Log ejen ialah ilustrasi.

Evolusi AI · 15.10.2026

52

Idea lama, otak baharu · 1966–1972

Shakey: nenek moyang ejen AI

Robot Shakey dari SRI dengan label kamera televisyen, pencari jarak dan pengesan bampar

Persepsi

Kamera TV, pencari jarak laser dan pengesan bampar

Perancangan

Perancang STRIPS (1971) dan carian A* (1968)

Tindakan

Bergerak antara bilik dan menolak kotak

Shakey, 1972

Dunia fizikal; logik dan peraturan; satu langkah setiap beberapa minit

Ejen AI, 2026

Dunia digital; model bahasa sebagai “otak”; alat seperti e-mel dan pangkalan data

Sumber: Nilsson (1984), Shakey the Robot, SRI Tech. Note 323; Hart, Nilsson & Raphael (1968), IEEE Trans. SSC, 4(2); Fikes & Nilsson (1971), STRIPS, Artificial Intelligence, 2. Gambar: SRI International, CC BY-SA 3.0, Wikimedia Commons.

Evolusi AI · 15.10.2026

53

Komponen sebuah ejen

Anatomi ejen AI

Model bahasa

"otak" yang menaakul

Perancangan

pecahkan matlamat kepada langkah

Alat

"tangan": carian, e-mel, pangkalan data

Memori

ingat konteks tugasan dan pilihan pengguna

Pagar keselamatan

had kebenaran dan titik kelulusan manusia

Sumber: diadaptasi daripada Weng (2023), LLM Powered Autonomous Agents; Yao et al. (2023), ReAct, ICLR

Evolusi AI · 15.10.2026

54

Menyambung ejen kepada dunia

MCP: "USB-C" untuk AI

Ejen AI

MCP

satu protokol

E-mel

Kalendar

Pangkalan data

Fail dokumen

Garis masa

Nov 2024

diperkenalkan Anthropic

Mac 2025

diguna pakai OpenAI

Dis 2025

diserahkan kepada Linux Foundation

Satu penyambung piawai: bina sambungan sekali, guna dengan banyak model.

Sumber: Anthropic (25 Nov 2024), Model Context Protocol; Linux Foundation, Agentic AI Foundation (Dis 2025)

Evolusi AI · 15.10.2026

55

Automasi

Spektrum automasi

Ditetapkan oleh manusia

Ditentukan oleh AI

Skrip & makro

Langkah tetap; patah jika format berubah

Tuntutan perjalanan: Salin data resit ke Excel

RPA

Robot perisian meniru klik manusia (UiPath, Power Automate)

Tuntutan perjalanan: Isi borang tuntutan dalam sistem lama

Aliran kerja + AI

Langkah ditetapkan manusia; AI mengisi langkah tertentu (n8n, Zapier)

Tuntutan perjalanan: AI baca resit → isi borang → hantar untuk kelulusan

Ejen AI

AI memilih langkah dan alat sendiri

Tuntutan perjalanan: Uruskan tuntutan dari e-mel hingga draf kelulusan

Fleksibiliti naik, kebolehramalan turun: pilih tahap mengikut risiko tugasan.

Sumber: Anthropic (2024), Building Effective Agents (beza aliran kerja dan ejen); van der Aalst et al. (2018), Robotic Process Automation, BISE, 60. Contoh tuntutan ialah ilustrasi.

Evolusi AI · 15.10.2026

56

Orkestrasi ejen

Lima corak menyusun kerja AI

Aliran kerja

Laluan ditetapkan dalam kod oleh manusia

Ejen

Model menentukan langkah dan alat sendiri

Mulakan dengan corak paling mudah yang berkesan

Sumber: Anthropic (19 Dis 2024), Building Effective Agents. Animasi oleh penceramah; contoh ialah ilustrasi.

Evolusi AI · 15.10.2026

57

Satu pasukan ejen

Sistem berbilang ejen

Matlamat: "Sediakan kertas cadangan dasar penggunaan AI untuk jabatan."

Ejen penyelaras

Penyelidik

kumpul dasar dan kajian

Penganalisis

bandingkan pilihan dan kos

Penulis

draf kertas cadangan

Penyemak

semak fakta dan rujukan

Seperti jabatan kecil: lebih berkuasa, tetapi lebih sukar dipantau.

Evolusi AI · 15.10.2026

58

Ejen di komputer sendiri

Ejen tempatan dan model terbuka

Model terbuka

Llama, Qwen, Gemma, Mistral dan model tempatan; dijalankan melalui Ollama, LM Studio, llama.cpp

Perkakasan

Model 7–8B (4-bit) perlu ~5 GB memori; GPU 8–16 GB sudah memadai

Data kekal di dalam, tetapi keselamatan dan kemas kini tanggungjawab sendiri

Sumber: Ollama (ollama.com), saiz model llama3.1:8b; Meta (2024), Llama 3.1. Emulasi terminal oleh penceramah; nama alat ejen ialah ilustrasi.

Evolusi AI · 15.10.2026

59

Sudah wujud hari ini

Empat jenis ejen

Ejen pengekodan

Menulis, menguji dan membetulkan kod sendiri

Risiko: kod tidak selamat masuk ke sistem

Ejen pelayar dan komputer

Klik, taip dan isi borang di laman web seperti manusia

Risiko: tertipu oleh laman berniat jahat

Ejen penyelidikan mendalam

Mencari dan membaca puluhan sumber, kemudian menulis laporan

Risiko: sumber lemah dipetik dengan yakin

Ejen perkhidmatan

Menjawab pelanggan dan menyelesaikan tiket hingga selesai

Risiko: janji atau keputusan di luar polisi

Evolusi AI · 15.10.2026

60

Tahap autonomi

Tangga autonomi

Berapa banyak yang kita serahkan?

Setiap anak tangga menambah kelajuan, dan juga risiko.

1

Menjawab soalan

2

Mencadangkan draf

3

Bertindak selepas diluluskan

4

Bertindak, kemudian melapor

5

Autonomi penuh

kelajuan dan risiko meningkat

Nota: kerangka lima tahap ini ialah penyederhanaan penceramah untuk tujuan pengajaran.

Evolusi AI · 15.10.2026

61

Kadar kemajuan

Tugasan ejen kian panjang

~7 bulan

tempoh penggandaan, 2019–2024

~4 bulan

sejak 2023, anggaran terkini

Sumber: METR (2025), Measuring AI Ability to Complete Long Tasks; METR (2026), Time Horizon 1.1. Graf ialah skematik.

Evolusi AI · 15.10.2026

62

Contoh tempatan

MyGOV Malaysia dan Agentic AI

2.9 juta

pengguna (Julai 2026)

52

perkhidmatan kerajaan dalam satu aplikasi

19

agensi kerajaan

Fasa beta sejak awal Ogos 2026, tertakluk kepada kebenaran, tadbir urus dan kawalan.

Sumber: Kementerian Digital (2026), siaran media MyGOV Malaysia dan Agentic AI, 10 Ogos 2026

Evolusi AI · 15.10.2026

63

Ejen sedang bekerja · emulasi

Daripada matlamat kepada hasil

Nota: emulasi oleh penceramah berdasarkan aliran kerja ejen sebenar (carian web, pengurusan fail, penulisan dokumen, draf e-mel). Kandungan carian merujuk slaid sebelumnya: Kementerian Digital (2026); MOSTI (2024).

Evolusi AI · 15.10.2026

64

Zaman 3 · Ringkasan

Agentic AI

Siapa memegang pengetahuan?

Mesin

dipelajari, dan dicari melalui alat

Siapa membuat keputusan?

Mesin

merancang langkahnya sendiri

Siapa yang bertindak?

Mesin

menggunakan alat dan sistem sebenar

Kesesakan

kepercayaan, tadbir urus dan akauntabiliti

Evolusi AI · 15.10.2026

65

Implikasi

Apa maknanya kepada kita?

01

Cara bekerja

02

Membuat keputusan

03

Berinteraksi

Evolusi AI · 15.10.2026

66

01 · Cara bekerja

Daripada melakukan kepada menyelia

27%

Akhir 2024

39%

Ogos 2025

32%

Nov 2025

Perbualan yang menyerahkan tugasan sepenuhnya kepada AI

Kita semakin mewakilkan kerja, tetapi coraknya masih berubah-ubah.

Sumber: Anthropic Economic Index (Sept 2025; Jan 2026), perbualan Claude.ai berjenis arahan langsung

Evolusi AI · 15.10.2026

67

01 · Cara bekerja

Meluas, tetapi masih cetek

Organisasi yang menggunakan AI dalam sekurang-kurangnya satu fungsi

88%

Organisasi yang telah melaksanakan ejen AI dalam mana-mana satu fungsi

<10%

40%

aplikasi perusahaan dijangka mempunyai ejen khusus tugasan menjelang akhir 2026, berbanding kurang 5% pada 2025 (ramalan)

Sumber: McKinsey, State of AI (Nov 2025), melalui Stanford HAI AI Index 2026; Gartner (26 Ogos 2025)

Evolusi AI · 15.10.2026

68

01 · Cara bekerja

Pekerjaan menjelang 2030

Dicipta

170 j

Tergugat

92 j

Bersih

+78 j

j = juta pekerjaan, unjuran global 2025–2030

~40%

kemahiran yang diperlukan dalam pekerjaan dijangka berubah menjelang 2030

Sumber: World Economic Forum (2025), Future of Jobs Report 2025

Evolusi AI · 15.10.2026

69

01 · Cara bekerja

Kemahiran yang meningkat

Kemahiran teknologi

AI dan data raya

Rangkaian dan keselamatan siber

Literasi teknologi

Kemahiran manusia

Pemikiran analitik dan kreatif

Daya tahan dan kebolehsuaian

Kepimpinan dan pengaruh sosial

Rasa ingin tahu dan belajar sepanjang hayat

Sumber: World Economic Forum (2025), Future of Jobs Report 2025, kemahiran paling pesat berkembang 2025–2030

Evolusi AI · 15.10.2026

70

02 · Membuat keputusan

Siapa bertanggungjawab?

40%+

projek Agentic AI dijangka dibatalkan menjelang akhir 2027: kos meningkat, nilai kabur, kawalan risiko lemah

50%

organisasi dijangka mewajibkan penilaian kemahiran “bebas AI” akibat hakisan pemikiran kritis

Risiko sebenar: manusia berhenti menyemak.

Sumber: Gartner (25 Jun 2025); Gartner, Strategic Predictions for 2026; Lee et al. (2025), CHI

Evolusi AI · 15.10.2026

71

02 · Membuat keputusan

Tujuh prinsip AI Malaysia

Garis Panduan Nasional Tadbir Urus dan Etika AI (AIGE), MOSTI, September 2024

Keadilan

bebas bias dan diskriminasi

Kebolehpercayaan

selamat dan terkawal

Privasi

dan keselamatan data

Keterangkuman

bermanfaat untuk semua

Ketelusan

keputusan boleh dijelaskan

Akauntabiliti

ada pihak yang bertanggungjawab

Manfaat insan

kesejahteraan dan hak individu

Sumber: MOSTI (2024), The National Guidelines on AI Governance & Ethics (AIGE)

Evolusi AI · 15.10.2026

72

03 · Berinteraksi

Arahan, perbualan, delegasi

Dahulu

Arahan

Menu, borang, butang. Kita menyesuaikan diri dengan mesin.

Kini

Perbualan

Mesin memahami bahasa kita dan menjawab.

Seterusnya

Delegasi

Mesin bertindak bagi pihak kita.

Semakin banyak yang kita serahkan, semakin penting untuk mengetahui apa sebenarnya yang diserahkan.

Evolusi AI · 15.10.2026

73

03 · Berinteraksi

Ejen boleh dirampas

1 · Akses data peribadi

2 · Membaca kandungan luar

3 · Boleh menghantar keluar

Sumber: Willison (2025), The lethal trifecta for AI agents; OWASP (2025), Top 10 for LLM Applications (LLM01: suntikan prom); Aim Security (Jun 2025), EchoLeak. Animasi oleh penceramah; bilangan rekod ialah ilustrasi.

Evolusi AI · 15.10.2026

74

Kos yang tidak kelihatan

Daripada satu prom kepada grid dunia

Satu prom kecil, tetapi berbilion prom sehari, dan ejen menjalankan puluhan langkah bagi setiap tugasan.

Sumber: Google (21 Ogos 2025), Measuring the environmental impact of AI inference; NVIDIA, spesifikasi H100 SXM dan GB200 NVL72; AMRO (2026), Malaysia ACR SI 1 (air); IEA (2025), Energy and AI. Nilai tenaga rak dan pusat data dikira oleh penceramah daripada kuasa nominal.

Evolusi AI · 15.10.2026

75

Konteks Malaysia

Ledakan pusat data Malaysia

8.3 GW

59 projek pusat data dengan perjanjian bekalan TNB (Jul 2026); 68% di Johor

>11 GW

permohonan bekalan elektrik pusat data (Dis 2024) ≈ 40% kapasiti Semenanjung

4.2 juta L

air sehari bagi setiap 100 MW ≈ keperluan 10,000 orang

30%

permohonan pusat data di Johor ditolak (Jun–Okt 2024), terutamanya kerana penggunaan sumber tidak lestari

+23.4%

pelepasan karbon Microsoft berbanding 2020, didorong pembinaan pusat data AI

Risiko: tekanan grid, air setempat, kenaikan tarif dan e-sisa perkakasan GPU.

Sumber: Business Today (11 Jul 2026), TNB secures 59 data centre projects; AMRO (2026), Data Center Boom in Malaysia, Malaysia ACR SI 1; Microsoft (2025), Environmental Sustainability Report, via DCD.

Evolusi AI · 15.10.2026

76

AI dan kelestarian

AI dalam lensa SDG dan ESG

SDG

6

Air bersih

Penyejukan pusat data bersaing dengan keperluan air setempat

SDG

7

Tenaga bersih

Permintaan elektrik AI perlu dipadankan dengan tenaga boleh baharu

SDG

9

Inovasi dan infrastruktur

AI memacu produktiviti dan pelaburan digital

SDG

12

Penggunaan bertanggungjawab

E-sisa GPU; pilih model bersaiz sesuai

SDG

13

Tindakan iklim

Pelepasan karbon, tetapi AI juga membantu ramalan iklim

E

Alam sekitar

Tenaga, air, karbon dan e-sisa AI

S

Sosial

Pekerjaan, kemahiran, privasi dan keterangkuman

G

Tadbir urus

Akauntabiliti, audit dan etika (AIGE)

Ukur dan lapor: Rangka Kerja Pelaporan Kelestarian Kebangsaan (NSRF, 2024) berasaskan IFRS S1 dan S2

Sumber: Pertubuhan Bangsa-Bangsa Bersatu, Matlamat Pembangunan Mampan (SDG); IEA (2025), Energy and AI; Li et al. (2023), Making AI Less “Thirsty”, arXiv:2304.03271; ACSR/Suruhanjaya Sekuriti (Sep 2024), NSRF; MOSTI (2024), AIGE.

Evolusi AI · 15.10.2026

77

Respons Malaysia

Malaysia sedang membina pagarnya

AI Malaysia

Agensi peneraju AI negara di bawah Kementerian Digital, menggantikan NAIO

Pelan Tindakan AI Nasional 2026–2030

28 inisiatif: 14 enjin impak dan 14 pemboleh asas

Institut Keselamatan AI Malaysia

Penilaian keselamatan, pengujian model dan ujian serangan terkawal

Rang undang-undang tadbir urus AI

Pendekatan berasaskan risiko; sasaran siap akhir 2026

Sumber: The Edge Malaysia (28 Julai 2026), AI Malaysia replaces NAIO; AI Malaysia Berhad, ai.gov.my

Evolusi AI · 15.10.2026

78

Rumusan

Tiga zaman, tiga peralihan

Zaman

Pengetahuan

Keputusan

Tindakan

Kesesakan

Sistem pakar

Manusia

Mesin

Manusia

Pemerolehan pengetahuan

AI generatif

Mesin

Manusia

Pengesahan ketepatan

Agentic AI

Mesin

Kepercayaan dan akauntabiliti

Setiap zaman menyerahkan lebih banyak peranan kepada mesin, dan memindahkan kesesakannya.

Evolusi AI · 15.10.2026

79

Langkah seterusnya

Apa yang boleh anda buat esok?

Penjawat awam

Kenal pasti satu proses berulang

Tetapkan tahap autonomi ikut risiko

Rujuk AIGE sebelum membeli sistem

Ahli akademik

Reka semula pentaksiran

Ajar literasi AI dalam setiap kursus

Kaji impak AI dalam konteks tempatan

Pelajar

Guna AI untuk belajar, bukan menyalin

Semak setiap fakta dan rujukan

Bina portfolio projek AI kecil

Golongan teknikal

Berikan akses minimum kepada ejen

Simpan log setiap tindakan

Uji serangan sebelum dilancarkan

Evolusi AI · 15.10.2026

80

Bawa pulang

Tiga perkara untuk diingat

01

Kenal pasti tahap autonomi setiap alat AI yang anda gunakan.

02

Kesesakan telah berpindah, daripada teknologi kepada kepercayaan dan tadbir urus.

03

Peranan kita kekal: menetapkan matlamat, menyemak hasil, dan bertanggungjawab.

Evolusi AI · 15.10.2026

81

Terima kasih

Sesi soal jawab

Ts. Dr. Mohd Nor Akmal Khalid

Pusat Kajian Teknologi Kecerdasan Buatan (CAIT)
Fakulti Teknologi dan Sains Maklumat, Universiti Kebangsaan Malaysia

akmal@ukm.edu.my

akmal.app

Evolusi AI · 15.10.2026

82

Bacaan lanjut · 1/5

Rujukan

Anthropic (2024). Introducing the Model Context Protocol, 25 Nov.
Anthropic (2025, 2026). Anthropic Economic Index, Sept 2025 dan Jan 2026.
Bachant, J. & McDermott, J. (1984). R1 revisited. AI Magazine, 5(3).
Barker, V. E. & O'Connor, D. E. (1989). XCON and beyond. Comm. ACM, 32(3).
Brown, T. et al. (2020). Language models are few-shot learners. NeurIPS.
Buchanan, B. & Shortliffe, E. H. (1984). Rule-Based Expert Systems. Addison-Wesley.
Campbell, M., Hoane, A. J. & Hsu, F. (2002). Deep Blue. Artificial Intelligence, 134.
Chollet, F. (2021). Deep Learning with Python, ed. ke-2. Manning.
Deng, J. et al. (2009). ImageNet. CVPR.
Gartner (2025). Ramalan ejen aplikasi perusahaan (26 Ogos); pembatalan projek (25 Jun).
Gartner (2026). Top Strategic Predictions for 2026; Hype Cycle for Agentic AI.
International Energy Agency (2025). Energy and AI.

Ji, Z. et al. (2023). Survey of hallucination in NLG. ACM Computing Surveys, 55(12).
Kementerian Digital (2026). Siaran media MyGOV Malaysia dan Agentic AI, 10 Ogos.
Krizhevsky, A., Sutskever, I. & Hinton, G. (2012). ImageNet classification with deep CNNs. NeurIPS.
LeCun, Y., Bengio, Y. & Hinton, G. (2015). Deep learning. Nature, 521.
Lee, H.-P. et al. (2025). The impact of generative AI on critical thinking. CHI 2025.
Lewis, P. et al. (2020). Retrieval-augmented generation. NeurIPS.
Lighthill, J. (1973). Artificial Intelligence: A General Survey. SRC.
Lindsay, R. K. et al. (1993). DENDRAL. Artificial Intelligence, 61(2).
McCarthy, J. et al. (1955). A proposal for the Dartmouth summer research project on AI.
McDermott, J. (1980). R1: An expert in the computer systems domain. AAAI-80.

Evolusi AI · 15.10.2026

83

Bacaan lanjut · 2/5

Rujukan

METR (2025). Measuring AI ability to complete long tasks; METR (2026). Time Horizon 1.1.
MOSTI (2024). The National Guidelines on AI Governance & Ethics (AIGE).
Newell, A. & Simon, H. A. (1956). The Logic Theory Machine. IRE Trans. Inf. Theory.
Newell, A. & Simon, H. A. (1976). Computer science as empirical inquiry. Comm. ACM, 19(3).
Ouyang, L. et al. (2022). Training language models to follow instructions with human feedback. NeurIPS.
OWASP (2025). Top 10 for LLM Applications.
Polanyi, M. (1966). The Tacit Dimension. University of Chicago Press.
Radford, A. et al. (2018, 2019). GPT dan GPT-2, OpenAI.
Reuters (2023). ChatGPT sets record for fastest-growing user base, 2 Feb.
Rosenblatt, F. (1958). The perceptron. Psychological Review, 65(6).

Russell, S. & Norvig, P. (2021). AI: A Modern Approach, ed. ke-4. Pearson.
Shortliffe, E. H. (1976). Computer-Based Medical Consultations: MYCIN. Elsevier.
Silver, D. et al. (2016). Mastering the game of Go. Nature, 529.
Stanford HAI (2026). AI Index Report.
The Edge Malaysia (2026). AI Malaysia replaces NAIO, 28 Julai; ILMUchat, Jun.
Vaswani, A. et al. (2017). Attention is all you need. NeurIPS.
Weng, L. (2023). LLM powered autonomous agents. lilianweng.github.io.
Willison, S. (2025). The lethal trifecta for AI agents.
World Economic Forum (2025). Future of Jobs Report 2025.
Yao, S. et al. (2023). ReAct. ICLR; Yu, V. L. et al. (1979). JAMA, 242(12).

Evolusi AI · 15.10.2026

84

Bacaan lanjut · 3/5

Rujukan

Boole, G. (1854). The Laws of Thought; Frege, G. (1879). Begriffsschrift.
Colmerauer, A. & Roussel, P. (1993). The birth of Prolog. HOPL-II.
Fikes, R. E. & Nilsson, N. J. (1971). STRIPS. Artificial Intelligence, 2.
Fukushima, K. (1980). Neocognitron. Biological Cybernetics, 36.
Gatys, L. A., Ecker, A. S. & Bethge, M. (2016). Image style transfer using CNNs. CVPR.
Hart, P. E., Nilsson, N. J. & Raphael, B. (1968). A* search. IEEE Trans. SSC, 4(2).
Hay, J. C., Martin, B. E. & Wightman, C. W. (1960). Mark I Perceptron Operators' Manual.
Johnson, J., Alahi, A. & Fei-Fei, L. (2016). Perceptual losses for real-time style transfer. ECCV.
Jones, C. R. & Bergen, B. K. (2025). Large language models pass the Turing test. arXiv:2503.23674.
Kowalski, R. (1974). Predicate logic as programming language. IFIP.
LeCun, Y. et al. (1998). Gradient-based learning applied to document recognition. Proc. IEEE, 86(11).

Lovelace, A. A. (1843). Notes on Menabrea's sketch of the Analytical Engine (Nota G).
Minsky, M. & Papert, S. (1969). Perceptrons. MIT Press.
Nilsson, N. J. (1984). Shakey the Robot. SRI Technical Note 323.
Robinson, J. A. (1965). A machine-oriented logic based on the resolution principle. J. ACM, 12(1).
Sandler, M. et al. (2018). MobileNetV2. CVPR.
Standage, T. (2002). The Turk. Walker & Company.
Swade, D. (2000). The Difference Engine. Viking.
Turing, A. M. (1950). Computing machinery and intelligence. Mind, 59(236).
Weizenbaum, J. (1966). ELIZA. Comm. ACM, 9(1); (1976). Computer Power and Human Reason.
Zeiler, M. D. & Fergus, R. (2014). Visualizing and understanding CNNs. ECCV.
Gambar: Wikimedia Commons; lesen dinyatakan pada setiap slaid. Model: ONNX Model Zoo.

Evolusi AI · 15.10.2026

85

Bacaan lanjut · 4/5

Rujukan

Bahdanau, D., Cho, K. & Bengio, Y. (2015). Neural machine translation by jointly learning to align and translate. ICLR.
Google (2026). Project Genie dibuka kepada pelanggan Google AI Ultra di AS, Januari.
Google DeepMind (2025). Genie 3: A new frontier for world models, 5 Ogos.
Ho, J., Jain, A. & Abbeel, P. (2020). Denoising diffusion probabilistic models. NeurIPS.

Mikolov, T. et al. (2013). Distributed representations of words and phrases. NeurIPS.
Rombach, R. et al. (2022). High-resolution image synthesis with latent diffusion models. CVPR.
Smilkov, D. et al. (2016). Embedding Projector. NeurIPS Workshop on Interpretable ML.
Sohl-Dickstein, J. et al. (2015). Deep unsupervised learning using nonequilibrium thermodynamics. ICML.

Evolusi AI · 15.10.2026

86

Bacaan lanjut · 5/5

Rujukan

AMRO (2026). Data Center Boom in Malaysia. Malaysia Annual Consultation Report, Selected Issue 1.
Anthropic (2024). Building Effective Agents, 19 Dis.
AWS (2024). Mesolitica builds Malaysian LLM on AWS, 2 Dis.
Business Today (2026). TNB secures 59 data centre projects with 8.3GW capacity, 11 Jul.
Google (2025). Measuring the environmental impact of AI inference, 21 Ogos.
Li, P. et al. (2023). Making AI Less “Thirsty”. arXiv:2304.03271.

Mesolitica (2024). MaLLaM: Malaysia Large Language Model. arXiv:2401.14680.
Microsoft (2025). Environmental Sustainability Report.
Suruhanjaya Sekuriti / ACSR (2024). National Sustainability Reporting Framework (NSRF).
van der Aalst, W. et al. (2018). Robotic Process Automation. BISE, 60.
WaRiSAN UKM (2026). warisan.ukm.my: Korpus, Aplikasi, Instrumentasi.
Willison, S. (2025). The lethal trifecta for AI agents; Aim Security (2025). EchoLeak.

Evolusi AI · 15.10.2026

87