AI Membuat Sains Super Cepat, Tapi Manusia Bisa Kehilangan Pemahaman

Tao menggunakan analogi menarik untuk menggambarkan perubahan tersebut. Sains tradisional dapat dibayangkan seperti mendaki gunung. Peneliti harus menempuh perjalanan panjang, memilih jalur, menghadapi jalan buntu, bahkan terkadang tersesat.

Justru dalam proses itulah penemuan penting dapat terjadi. Ketika seseorang mencoba mencapai tujuan melalui jalur yang tidak diketahui, mereka dapat menemukan fenomena atau hubungan yang sebelumnya tidak diperkirakan.

AI menawarkan pengalaman yang sangat berbeda.

“These AI tools they can be like helicopters that will just fly you directly to this waterfall and you can see it and then you fly back but you learn nothing about how to get there.”

AI dapat membawa peneliti langsung menuju "air terjun" berupa jawaban atau solusi. Masalahnya, peneliti mungkin tidak mengetahui medan yang dilalui, mengapa solusi tersebut berhasil, atau kemungkinan penemuan lain yang sebenarnya tersembunyi sepanjang perjalanan.

Dengan kata lain, AI dapat mempercepat hasil sains, tetapi belum tentu mempercepat pemahaman manusia terhadap sains.

Ada perbedaan penting antara cara manusia dan AI mengeksplorasi persoalan matematika.

Matematikawan manusia biasanya bekerja secara mendalam. Mereka memilih sejumlah kecil masalah yang dianggap penting, kemudian menghabiskan waktu untuk memahami struktur persoalan, mencoba pendekatan berbeda, dan membangun intuisi.

AI memiliki keunggulan yang berbeda: keluasan.

Sistem AI dapat menguji ribuan masalah, mengombinasikan metode dari berbagai literatur, dan mencoba pendekatan yang mungkin tidak terpikirkan oleh seorang ahli. Bahkan apabila tingkat keberhasilannya relatif kecil, jumlah persoalan yang dapat dicoba membuat hasil akhirnya tetap signifikan.

Sebagai ilustrasi, jika AI diberikan 1.000 masalah dan berhasil menyelesaikan 5 persen, terdapat sekitar 50 masalah yang mendapatkan solusi. Secara kuantitas, angka tersebut dapat melampaui jumlah persoalan yang mampu ditangani seorang matematikawan secara mendalam dalam periode yang sama.

Di sinilah keduanya sebenarnya dapat saling melengkapi. AI mengeksplorasi ruang kemungkinan secara luas, sedangkan manusia menentukan mana yang benar-benar bermakna dan layak dipahami secara mendalam.

Kemajuan AI dalam matematika juga melahirkan persoalan baru yang disebut proof indigestion atau "gangguan pencernaan pembuktian".

Istilah tersebut menggambarkan situasi ketika mesin mampu menghasilkan begitu banyak solusi atau pembuktian sehingga manusia kesulitan memahami, menyaring, dan mengintegrasikannya ke dalam pengetahuan yang dapat diwariskan.

“We're now experiencing what you might call proof indigestion where suddenly there's lots and lots of pending solutions to problems that should be understood and should be go into textbooks but they just we're just flooded now with too many of them.”

Masalahnya bukan lagi kekurangan solusi. Justru sebaliknya, solusi datang terlalu cepat.

Sebuah pembuktian matematika bukan sekadar jawaban benar atau salah. Dalam tradisi matematika, pemahaman mengenai mengapa sebuah pembuktian bekerja sering kali sama pentingnya dengan hasil akhirnya.

Jika AI menghasilkan ribuan pembuktian yang valid tetapi sulit dipahami manusia, dunia matematika menghadapi tantangan baru: bagaimana mengubah volume penemuan menjadi pengetahuan yang dapat dipelajari?

Perkembangan kemampuan AI menunjukkan betapa cepatnya perubahan tersebut. Dalam rentang sekitar tiga hingga empat tahun, sistem AI bergerak dari persoalan matematika tingkat SMP dan SMA menuju soal olimpiade, ujian tingkat pascasarjana, hingga sejumlah masalah matematika yang sebelumnya belum terselesaikan.

Dalam First Proof Challenge, misalnya, model AI terbaik dilaporkan mampu menyelesaikan sekitar lima hingga enam dari 10 persoalan riset matematika tingkat menengah yang solusinya dirahasiakan.

Kemajuan serupa terlihat dalam pemrograman. Sejumlah programmer melaporkan peningkatan kecepatan kerja dengan bantuan AI hingga beberapa kali lipat, bahkan dalam klaim tertentu mencapai 5, 10, atau 100 kali untuk jenis pekerjaan tertentu.

Namun, peningkatan produktivitas tersebut tidak otomatis berarti peningkatan kemampuan manusia dengan tingkat yang sama.

Persoalan yang lebih mendasar muncul pada pendidikan pascasarjana.

Mahasiswa doktoral dan peneliti muda biasanya memulai karier dengan mengerjakan persoalan yang relatif terbatas. Dari pekerjaan tersebut mereka belajar membaca literatur, membangun hipotesis, menulis kode, melakukan eksperimen, menghadapi kegagalan, dan menemukan pertanyaan penelitian baru.

Jika pekerjaan awal tersebut dapat dilakukan AI dengan cepat, jalur pelatihan tersebut berpotensi berubah.

Inilah paradoks yang perlu diperhatikan.

“There is this paradox that on the one hand AI are becoming more powerful and more capable... but it may be that it comes at the cost of the AI becomes picks up some skill but no human scientist gets any better at doing the science.”

Jika generasi muda tidak lagi mendapatkan kesempatan untuk melakukan pekerjaan ilmiah secara langsung, dunia mungkin memperoleh lebih banyak hasil penelitian dalam jangka pendek tetapi kehilangan ilmuwan yang mampu menghasilkan terobosan dalam jangka panjang.

AI juga menghadirkan risiko ketika manusia terlalu fokus pada apa yang mudah diukur.

Model AI pada dasarnya sangat kuat dalam menemukan pola dari data. Namun, keberhasilan pada suatu benchmark, kemampuan menghasilkan pembuktian, atau banyaknya eksperimen yang diselesaikan belum tentu sama dengan kemajuan pemahaman ilmiah.

Sains tidak hanya bertujuan menghasilkan prediksi yang akurat. Sains juga berusaha menjelaskan dunia, menemukan prinsip baru, dan membangun pemahaman yang dapat digunakan untuk menghasilkan pertanyaan berikutnya.

Sejarah Johannes Kepler menunjukkan pentingnya proses tersebut. Data pengamatan astronomi Tycho Brahe yang sangat presisi membantu Kepler menyadari bahwa orbit planet tidak mengikuti bentuk lingkaran sempurna sebagaimana asumsi sebelumnya, melainkan berbentuk elips.

Penemuan tersebut lahir dari interaksi antara data, teori, kesalahan asumsi, dan penalaran manusia. Proses bertahap semacam inilah yang berisiko terlewat apabila manusia hanya mengejar jawaban akhir dari AI.

AI memang memiliki biaya yang tidak kecil. Pelatihan model bahasa besar membutuhkan data dalam jumlah sangat besar serta komputasi bernilai jutaan dolar dan berlangsung selama berbulan-bulan. Untuk persoalan riset tertentu, penggunaan sistem AI dengan komputasi intensif juga dapat membutuhkan biaya yang sangat tinggi.

Namun, biaya bukan satu-satunya batasan.

Pertanyaan yang lebih penting adalah bagaimana manusia mengelola ledakan kemampuan tersebut. Jika AI dapat menghasilkan ribuan hipotesis, pembuktian, atau solusi baru, manusia membutuhkan mekanisme untuk memilih mana yang penting, memverifikasi mana yang benar, serta menjelaskan mana yang layak diwariskan kepada generasi berikutnya.

Dengan demikian, masa depan sains mungkin bukan perlombaan antara manusia dan AI. Tantangannya adalah membangun pembagian kerja yang tepat antara keluasan mesin dan kedalaman manusia.

AI berpotensi menjadi salah satu alat paling revolusioner dalam sejarah sains. Kemampuannya menguji ribuan kemungkinan, menghasilkan kode, mencari pola, dan membantu pembuktian dapat mempercepat penelitian secara luar biasa.

Namun, kecepatan bukan satu-satunya ukuran keberhasilan sains. Jika manusia hanya memperoleh jawaban tanpa memahami prosesnya, maka peningkatan produktivitas dapat berjalan beriringan dengan penurunan pemahaman.

Peringatan Terence Tao tentang AI sebagai "helikopter" dan fenomena proof indigestion menunjukkan persoalan tersebut dengan jelas. Masa depan sains membutuhkan AI yang mampu memperluas jangkauan eksplorasi, tetapi juga manusia yang tetap memiliki waktu dan kemampuan untuk mendaki gunung, memahami lanskap, dan menjelaskan kepada generasi berikutnya bagaimana kita sampai pada pengetahuan tersebut.

Sebab, sains bukan hanya tentang menemukan jawaban, tetapi juga tentang memahami mengapa jawaban itu benar.

FAQ

1. Apa yang dimaksud dengan proof indigestion dalam matematika? Proof indigestion menggambarkan kondisi ketika AI menghasilkan begitu banyak pembuktian atau solusi sehingga manusia kesulitan memahami, menyaring, dan mengintegrasikannya menjadi pengetahuan yang dapat dipelajari.
2. Mengapa Terence Tao mengibaratkan AI seperti helikopter? Analogi tersebut menggambarkan kemampuan AI membawa peneliti langsung menuju solusi tanpa harus melewati seluruh proses eksplorasi yang biasanya memberikan pemahaman mendalam.
3. Apakah AI dapat menggantikan matematikawan? AI dapat mengotomatisasi dan mempercepat banyak pekerjaan matematika, tetapi manusia tetap diperlukan untuk menentukan persoalan yang bermakna, memahami hasil, membangun intuisi, serta menentukan arah penelitian.
4. Mengapa AI dapat mengancam regenerasi ilmuwan? Jika tugas riset awal yang biasanya menjadi sarana belajar mahasiswa pascasarjana diambil alih AI, peneliti muda berpotensi kehilangan kesempatan untuk mengembangkan kemampuan riset secara langsung.
5. Apa tantangan terbesar AI bagi dunia sains? Tantangan terbesarnya bukan hanya menghasilkan lebih banyak solusi, tetapi memastikan solusi tersebut benar-benar meningkatkan pemahaman manusia dan dapat diwariskan sebagai pengetahuan ilmiah.