AI Mengubah Cara Sains Menemukan Obat dan Material Baru

Salah satu contoh menarik datang dari penelitian material baterai yang melibatkan Microsoft dan Pacific Northwest National Laboratory (PNNL).

Dalam proyek tersebut, AI digunakan untuk menyaring sekitar 30 juta kemungkinan struktur elektrolit. Dari jumlah tersebut, sistem mempersempit pilihan menjadi beberapa ratus kandidat berdasarkan faktor seperti stabilitas termal dan kemampuan untuk diproduksi.

Kandidat-kandidat tersebut kemudian melewati perhitungan fisika klasik, termasuk density functional theory, hingga tersisa sejumlah kecil pilihan yang dapat diperiksa lebih lanjut.

Pada akhirnya, satu kandidat berhasil dibangun dan digunakan dalam perangkat nyata.

Yang membuat proses tersebut menarik bukan hanya hasil akhirnya, tetapi kecepatannya.

Seluruh proses penemuan material alternatif tersebut dapat diselesaikan dalam hitungan bulan, sementara pendekatan tradisional untuk proses serupa dapat membutuhkan waktu bertahun-tahun.

AI dengan demikian tidak menggantikan laboratorium. AI justru dapat membuat laboratorium bekerja dengan target yang jauh lebih terarah.

Sains modern sangat terspesialisasi.

Seorang ahli fisika mungkin memahami aspek tertentu dari sebuah masalah dengan sangat mendalam. Ahli kimia memiliki perspektif berbeda, sementara ahli biologi memiliki pengetahuan yang kembali berbeda.

Fragmentasi tersebut memungkinkan kedalaman pengetahuan, tetapi juga menciptakan batas antarbidang.

AI memiliki karakter yang berbeda.

Sebuah sistem AI dapat mempelajari pola dari berbagai bidang sekaligus. Ia tidak harus memilih menjadi ahli fisika, kimia, atau biologi dalam pengertian manusia.

Kemampuan lintas disiplin tersebut membuat AI berpotensi menjadi “perekat” pengetahuan ilmiah.

Sistem dapat menemukan hubungan antara konsep yang sebelumnya berada di bidang berbeda dan membantu peneliti melihat kemungkinan yang mungkin tidak muncul jika setiap disiplin bekerja secara terpisah.

Seperti dikatakan dalam diskusi tersebut, untuk melakukan apa yang dapat dilakukan sistem secara lintas bidang, manusia mungkin membutuhkan “satu ruangan penuh dengan para ahli”.

Perubahan yang lebih mendalam terjadi ketika AI tidak lagi sekadar mencocokkan pola.

Sistem AI dilatih untuk memprediksi berbagai hal. Ketika skala model, data, dan tugas terus meningkat, muncul kemampuan untuk membangun representasi internal mengenai bagaimana dunia bekerja.

Konsep ini sering dikaitkan dengan world models.

Bayangkan sebuah sistem yang tidak hanya mengetahui bahwa suatu reaksi kimia sering menghasilkan produk tertentu, tetapi juga memiliki representasi mengenai hubungan antara struktur molekul, energi, stabilitas, dan konsekuensi perubahan tertentu.

Dalam konteks yang lebih luas, AI dapat belajar mengenai berbagai hubungan sebab-akibat dari data yang tersedia.

Hal ini membuka kemungkinan perubahan paradigma dalam penelitian.

Selama ini, sains sering berkembang melalui proses manusia mengamati fenomena, merumuskan teori, lalu menuliskannya dalam bentuk persamaan matematika.

AI memperkenalkan jalur yang berbeda.

Sistem dapat diberikan sejumlah besar data dan tugas prediktif, kemudian membangun representasi internal yang mampu menangkap pola kompleks.

Ini bukan berarti persamaan matematika menjadi tidak penting. Justru perhitungan ilmiah klasik tetap menjadi bagian penting dalam proses validasi dan pengujian.

Namun, peran AI dapat berada di tahap sebelumnya: menjelajahi ruang kemungkinan yang terlalu besar untuk ditelusuri manusia secara manual.

Dengan demikian, manusia dan AI dapat bekerja dalam dua sisi yang saling melengkapi.

AI menjelajahi dan menyaring. Manusia merumuskan pertanyaan, menilai hasil, menguji hipotesis, dan menentukan apakah temuan tersebut benar-benar bermakna.

Dampak pendekatan tersebut juga terlihat dalam bidang penemuan obat.

Salah satu contoh terkenal adalah Halicin, senyawa yang awalnya dikembangkan untuk tujuan lain tetapi kemudian diketahui memiliki potensi antimikroba yang sangat kuat melalui penyaringan berbasis AI.

Penemuan tersebut menunjukkan salah satu kekuatan AI: menemukan kemungkinan yang dapat luput dari pendekatan pencarian konvensional.

AI tidak harus menciptakan molekul dari nol untuk menghasilkan terobosan.

Terkadang, terobosan muncul ketika sistem menemukan bahwa sesuatu yang sudah ada memiliki fungsi yang sebelumnya tidak diketahui.

Penemuan kandidat obat saja tidak cukup.

Ilmuwan juga perlu mengetahui bagaimana suatu senyawa bekerja, apakah aman, dan mengapa senyawa tersebut memberikan efek tertentu.

Di sinilah explainable AI menjadi penting.

Dalam penelitian yang dilakukan tim James Collins di MIT, pendekatan AI digunakan untuk membantu mengidentifikasi antibiotik baru sekaligus memahami mekanisme kerjanya.

Sistem tersebut membantu menunjukkan bahwa senyawa tertentu dapat mengganggu gaya gerak elektrokimia pada membran bakteri, sehingga menghambat kemampuan bakteri untuk bertahan hidup.

Kemampuan menjelaskan mekanisme tersebut penting karena ilmu pengetahuan tidak hanya membutuhkan jawaban, tetapi juga alasan mengapa jawaban tersebut benar.

Kemampuan AI dalam menemukan kombinasi baru juga memunculkan pertanyaan yang lebih filosofis: apakah AI dapat disebut kreatif?

Dalam konteks penelitian, AI dapat menghasilkan sintesis dari berbagai pola yang sebelumnya tersebar di banyak sumber.

Sebuah sistem dapat menghubungkan pengetahuan dari kimia, biologi, fisika, dan bidang lainnya untuk menghasilkan hipotesis yang tidak secara langsung diberikan oleh manusia.

Namun, kreativitas semacam itu tetap harus ditempatkan dalam kerangka ilmiah.

Hipotesis yang menarik belum tentu benar. Kandidat obat yang menjanjikan belum tentu aman. Material yang terlihat unggul dalam simulasi belum tentu dapat diproduksi secara massal.

Karena itu, eksperimen, validasi, dan penilaian manusia tetap menjadi bagian penting.

Semakin besar kemampuan AI, semakin penting pula pertanyaan mengenai siapa yang menentukan arah penggunaannya.

AI dapat membantu mempercepat penelitian obat, material, dan berbagai teknologi. Tetapi kemampuan tersebut juga memiliki potensi dual-use, yaitu teknologi yang dapat digunakan untuk tujuan yang bermanfaat maupun berbahaya.

Karena itu, manusia tidak boleh menyerahkan seluruh keputusan kepada sistem.

Prinsip yang perlu dipertahankan adalah human agency.

Seperti dikatakan dalam diskusi tersebut, sudah waktunya manusia menegaskan kembali agensinya dan memikirkan bagaimana sistem-sistem AI akan melayani kepentingan manusia.

AI seharusnya menjadi penguat kemampuan ilmuwan, bukan pengganti penilaian manusia.

Perubahan yang sedang berlangsung mungkin sulit dirasakan karena terjadi secara bertahap.

Satu model AI dirilis. Satu material ditemukan. Satu kandidat obat berhasil diidentifikasi. Satu eksperimen menjadi lebih cepat.

Namun, jika berbagai kemajuan tersebut terus terakumulasi selama beberapa dekade, dampaknya dapat menjadi sangat besar.

Jika dilihat dari perspektif seribu tahun mendatang, periode beberapa puluh tahun ke depan mungkin akan dianggap sebagai salah satu fase paling penting dalam sejarah ilmu pengetahuan.

Bukan hanya karena manusia memiliki mesin yang lebih cepat, tetapi karena cara manusia menemukan pengetahuan mulai berubah.

AI sedang mengubah penelitian ilmiah dari proses yang sebagian besar bergantung pada pencarian dan eksperimen manusia menjadi proses yang semakin dibantu oleh eksplorasi komputasional berskala besar.

Contoh baterai alternatif menunjukkan bagaimana AI dapat menyaring puluhan juta kemungkinan hingga menemukan kandidat yang layak diuji dalam hitungan bulan. Penemuan Halicin dan penelitian antibiotik berbasis explainable AI menunjukkan potensi serupa dalam dunia farmasi.

Namun, perubahan terbesar mungkin bukan sekadar kecepatan.

AI berpotensi menjadi penghubung berbagai disiplin ilmu dan membangun world models yang membantu manusia memahami pola kompleks dalam dunia nyata. Ini dapat mengubah cara ilmuwan mengembangkan hipotesis dan memahami hukum alam.

Pada akhirnya, masa depan sains bukanlah AI menggantikan ilmuwan.

Masa depan sains adalah manusia yang memiliki mesin untuk menjelajahi kemungkinan yang sebelumnya terlalu luas untuk dijangkau.

FAQ

1. Bagaimana AI mempercepat penelitian sains? AI dapat menyaring jutaan kemungkinan secara komputasional sehingga ilmuwan hanya perlu melakukan eksperimen lebih mendalam pada kandidat yang paling menjanjikan.
2. Apa contoh penggunaan AI dalam penemuan material? Dalam penelitian baterai alternatif, AI digunakan untuk menyaring sekitar 30 juta kemungkinan struktur elektrolit sebelum kandidat terbaik diuji menggunakan metode perhitungan fisika dan eksperimen.
3. Apa itu world model dalam AI? World model adalah representasi internal yang membantu sistem AI memahami dan memprediksi bagaimana berbagai aspek dunia saling berhubungan.
4. Apa itu Halicin? Halicin adalah senyawa yang sebelumnya dikembangkan untuk tujuan lain dan kemudian diidentifikasi melalui pendekatan AI memiliki aktivitas antimikroba yang kuat.
5. Mengapa agensi manusia tetap penting dalam penelitian berbasis AI? Karena AI dapat menghasilkan prediksi dan hipotesis yang sangat kuat, tetapi manusia tetap diperlukan untuk menentukan tujuan penelitian, menilai risiko, melakukan validasi, dan memastikan teknologi digunakan untuk kepentingan kemanusiaan.