Kampus Times- Selama bertahun-tahun, kecerdasan buatan diposisikan sebagai alat bantu ilmuwan. AI digunakan untuk mengolah data, mencari pola, membuat prediksi, dan mempercepat pekerjaan yang sebelumnya dilakukan manusia.
Namun, peran tersebut mulai berubah secara fundamental.
AI kini berkembang menjadi discovery engine, atau mesin penemuan, yang tidak hanya membantu manusia menganalisis pengetahuan yang sudah tersedia, tetapi juga menemukan struktur, algoritma, material, dan pola baru yang sebelumnya belum diketahui.
Transformasi tersebut mulai terlihat di berbagai bidang sekaligus, mulai dari biologi dan kedokteran hingga matematika, fisika, meteorologi, dan eksplorasi luar angkasa.
Dari Memetakan Protein hingga Membaca Otak
Salah satu revolusi terbesar terjadi dalam ilmu biologi.
Protein merupakan komponen fundamental kehidupan, tetapi memahami struktur tiga dimensinya dari urutan asam amino merupakan persoalan yang sangat kompleks. AlphaFold mengubah proses tersebut dengan menggunakan AI untuk memprediksi struktur protein dalam skala yang sebelumnya sulit dicapai.
Hingga 2022, lebih dari 200 juta struktur protein telah dipetakan melalui AlphaFold, mencakup hampir seluruh protein yang dikenal dalam sains. Informasi tersebut memungkinkan peneliti memahami fungsi biologis dan mekanisme penyakit dengan lebih cepat.
AI juga mulai membantu manusia memahami organ paling kompleks yang dimiliki tubuh: otak.
Dalam salah satu penelitian yang dibahas, AI mampu menerjemahkan aktivitas otak pasien lumpuh menjadi teks dengan kecepatan hampir 80 kata per menit.
Teknologi semacam ini membawa kemungkinan baru bagi komunikasi manusia. Seseorang yang kehilangan kemampuan berbicara secara fisik pada masa depan mungkin dapat berkomunikasi melalui sinyal otaknya.
“I can talk to you with my thoughts.”
Kalimat tersebut bukan lagi sekadar gagasan futuristik. Perkembangan brain-computer interface menunjukkan bagaimana AI dapat menjadi jembatan antara aktivitas biologis dan sistem digital.
AI Mulai Menemukan Material yang Tidak Dikenal
Penemuan material baru secara tradisional membutuhkan proses yang panjang. Ilmuwan harus mengajukan hipotesis, membuat material, mengujinya, mengevaluasi hasil, lalu mengulangi proses tersebut berkali-kali.
AI mengubah pendekatan tersebut menjadi jauh lebih luas.
Salah satu contohnya adalah GNoME, sistem AI yang digunakan untuk memprediksi material baru. Dalam data yang dibahas, GNoME berhasil mengidentifikasi sekitar 380.000 material stabil baru yang sebelumnya tidak diketahui.
Skala tersebut digambarkan setara dengan hampir 800 tahun penelitian laboratorium jika dilakukan melalui pendekatan konvensional.
Penemuan material bukan hanya persoalan akademik. Material baru dapat memiliki implikasi terhadap baterai, semikonduktor, energi bersih, katalis, dan berbagai teknologi masa depan.
AI dengan demikian mulai berfungsi sebagai mesin pencari untuk ruang kemungkinan ilmiah yang terlalu besar jika dijelajahi manusia satu per satu.
Ketika AI Memecahkan Matematika
Kemampuan AI sebagai mesin penemuan juga terlihat dalam matematika.
AlphaGeometry dikembangkan untuk menyelesaikan persoalan geometri yang membutuhkan penalaran kompleks. Dalam materi ini, sistem tersebut berhasil memecahkan 83 persen soal geometri International Mathematical Olympiad dalam rentang 25 tahun.
Yang menarik bukan hanya hasil akhirnya, tetapi kemampuan sistem untuk menghasilkan langkah penalaran yang dapat diperiksa.
Ini penting karena matematika membutuhkan lebih dari sekadar jawaban benar. Sebuah solusi harus dapat dijelaskan dan diverifikasi.
Perkembangan tersebut membuka pertanyaan yang lebih besar: jika AI dapat menemukan bukti atau hubungan matematis baru, apakah ilmuwan akan menggunakan AI hanya sebagai kalkulator yang lebih cepat, atau sebagai partner dalam menemukan teori?
Cuaca Ekstrem Dapat Diprediksi Lebih Cepat
Perubahan besar lainnya terjadi dalam meteorologi.
Model prediksi cuaca tradisional sangat bergantung pada superkomputer yang menjalankan simulasi fisika dalam jumlah besar. Proses tersebut dapat membutuhkan waktu dan sumber daya komputasi yang signifikan.
GraphCast menawarkan pendekatan berbeda dengan menggunakan pembelajaran mesin untuk menghasilkan prediksi cuaca dengan sangat cepat.
Dalam data yang dibahas, GraphCast disebut mengungguli sekitar 90 persen metrik utama model prediksi fisika terkemuka dari ECMWF.
Keunggulan AI bukan hanya persoalan akurasi. Kecepatan menjadi faktor yang sama pentingnya.
GraphCast bahkan disebut mampu memprediksi Siklon Mocha di Myanmar hampir satu minggu sebelum kejadian. Dalam konteks bencana, tambahan waktu beberapa jam atau hari dapat menentukan kemampuan masyarakat untuk melakukan evakuasi.
Inisiatif seperti Earth-2 juga menunjukkan bagaimana AI dapat digunakan untuk membuat simulasi atmosfer dan iklim dalam skala besar.
Laboratorium yang Tidak Pernah Tidur
AI juga mengubah cara eksperimen dilakukan.
Selama ini, penelitian laboratorium sangat bergantung pada waktu dan tenaga manusia. Ilmuwan harus merancang eksperimen, menjalankan perangkat, membaca hasil, kemudian menentukan eksperimen berikutnya.
Kini muncul konsep robot ilmuwan otonom.
Sistem tersebut dapat menerima tujuan penelitian, menentukan eksperimen, menjalankan prosedur menggunakan perangkat laboratorium, membaca hasil, dan memilih eksperimen berikutnya.
Karena mesin tidak membutuhkan tidur atau jam kerja konvensional, eksperimen dapat berjalan 24 jam sehari.
Kombinasi AI dan robotika menciptakan semacam closed-loop science: AI menghasilkan hipotesis, robot menguji hipotesis, hasil eksperimen kembali masuk ke sistem, lalu AI menentukan eksperimen berikutnya.
Siklus penelitian yang sebelumnya membutuhkan waktu bertahun-tahun berpotensi dipangkas menjadi hitungan minggu.
AI dan Komputasi Kuantum Bertemu
Perkembangan berikutnya bahkan dapat menggabungkan dua teknologi paling maju saat ini: AI dan komputasi kuantum.
Chip kuantum seperti Willow menunjukkan perkembangan dalam kemampuan komputasi kuantum. Dalam demonstrasi tertentu, chip 105-qubit tersebut menyelesaikan perhitungan khusus dalam sekitar lima menit, sementara estimasi untuk komputer klasik mencapai skala waktu yang sangat ekstrem.
Jika komputasi kuantum semakin matang dan dikombinasikan dengan AI, potensi aplikasinya dapat meluas ke simulasi molekul, reaktivitas kimia, material energi bersih, dan persoalan optimasi yang sangat kompleks.
Namun, penting untuk membedakan antara demonstrasi komputasi kuantum tertentu dan komputer kuantum universal yang mampu menyelesaikan seluruh persoalan praktis secara instan. Teknologi tersebut masih berkembang dan memiliki tantangan besar dalam koreksi kesalahan serta skalabilitas.
Discovery Engine Baru Saja Dimulai
Perubahan paling besar sebenarnya bukan pada satu teknologi tertentu.
AlphaFold mengubah biologi. GNoME memperluas pencarian material. AlphaGeometry membantu matematika. GraphCast mempercepat prediksi cuaca. Robot ilmuwan mengotomatisasi eksperimen.
Jika seluruh kemampuan tersebut terus berkembang, pola penelitian ilmiah dapat berubah dari manusia mencari ? manusia menguji ? manusia menemukan menjadi siklus yang jauh lebih cepat: AI mencari ? mesin menguji ? AI belajar ? manusia memvalidasi.
Dalam skenario tersebut, ilmuwan tidak lagi harus mengeksplorasi seluruh ruang kemungkinan secara manual. Mereka dapat mengarahkan AI menuju wilayah yang paling menjanjikan, kemudian memusatkan energi manusia pada interpretasi, validasi, dan pertanyaan ilmiah yang lebih fundamental.
“AI is no longer just assisting research. It's becoming a discovery engine of its own.”
Perubahan ini juga membawa tanggung jawab baru. Semakin banyak penemuan dihasilkan mesin, semakin penting memastikan hasilnya dapat diverifikasi, dipahami, dan digunakan secara bertanggung jawab.
Kesimpulan
AI sedang mengalami perubahan peran dari alat bantu penelitian menjadi mesin penemuan ilmiah. Kemampuannya telah mulai terlihat dalam pemetaan protein, rekonstruksi otak, penemuan material, pembuktian matematika, prediksi cuaca, dan otomasi laboratorium.
Perkembangan tersebut menunjukkan bahwa kecepatan penelitian manusia mungkin tidak lagi menjadi batas utama kemajuan sains. Ketika AI dapat menghasilkan hipotesis, robot dapat mengujinya secara otomatis, dan sistem komputasi semakin kuat, siklus penemuan dapat berlangsung jauh lebih cepat.
Namun, manusia tetap memegang peran penting sebagai penentu tujuan, pemeriksa kebenaran, dan penilai dampak dari setiap penemuan.
AI mungkin segera menjadi mesin yang membantu manusia menemukan sesuatu yang belum pernah diketahui sebelumnya. Dan seperti kutipan yang menjadi penutup diskusi ini, “the story of AI and science is only just beginning.”
FAQ
- Apa yang dimaksud AI sebagai discovery engine? Discovery engine adalah sistem AI yang tidak hanya membantu menganalisis penelitian, tetapi juga menghasilkan prediksi, hipotesis, struktur, algoritma, atau penemuan baru yang dapat diuji secara ilmiah.
- Apa kontribusi AlphaFold terhadap sains? AlphaFold membantu memprediksi struktur tiga dimensi protein dalam skala sangat besar sehingga mempercepat penelitian biologi dan membuka peluang baru dalam pengembangan obat.
- Bagaimana AI membantu menemukan material baru? Sistem seperti GNoME dapat mengeksplorasi ruang kemungkinan material secara komputasional dan mengidentifikasi struktur yang diprediksi stabil untuk kemudian divalidasi melalui eksperimen.
- Mengapa AI penting dalam prediksi cuaca? AI dapat menghasilkan prakiraan dengan sangat cepat, sehingga memberikan informasi lebih awal untuk menghadapi cuaca ekstrem dan membantu proses mitigasi bencana.
- Apakah AI akan menggantikan ilmuwan? AI lebih mungkin mengubah cara ilmuwan bekerja dengan mempercepat pencarian dan eksperimen, sementara manusia tetap dibutuhkan untuk menentukan pertanyaan, memvalidasi hasil, memahami konteks, dan menilai dampaknya.
