Demis Hassabis: AI Akan Menjadi Mesin Baru Penemuan Sains

Hassabis telah berkecimpung dalam AI selama lebih dari 30 tahun. Ketertarikannya terhadap kecerdasan bahkan berkembang sejak usia muda ketika ia dikenal sebagai prodigy catur.

Alih-alih mengambil tawaran pekerjaan bernilai besar ketika berusia 17 tahun, ia memilih melanjutkan pendidikan hingga meraih gelar PhD dalam cognitive neuroscience. Latar belakang tersebut mempertemukan tiga bidang yang kemudian menjadi inti perjalanannya: kecerdasan, otak manusia, dan komputasi.

“I want to use AI as a tool to help us understand the nature of reality around it.”

Pernyataan tersebut menggambarkan filosofi yang lebih luas. AI bukan hanya tujuan akhir, melainkan instrumen ilmiah yang dapat membantu manusia melihat pola dan hubungan yang terlalu kompleks untuk ditemukan melalui metode konvensional.

Salah satu contoh paling jelas adalah AlphaFold.

Selama sekitar 50 tahun, protein folding problem menjadi salah satu persoalan besar dalam biologi molekuler. Protein terdiri atas rantai asam amino yang kemudian melipat menjadi struktur tiga dimensi. Bentuk tersebut sangat menentukan fungsi biologisnya.

Memprediksi struktur tiga dimensi protein dari urutan asam aminonya secara akurat merupakan persoalan yang sangat kompleks.

AlphaFold mengubah situasi tersebut. Dalam materi ini, sistem tersebut disebut telah memprediksi struktur sekitar 200 juta protein dan membuat hasilnya tersedia secara gratis bagi komunitas ilmiah.

AlphaFold 2 bahkan dapat menghasilkan prediksi struktur protein dalam hitungan detik. Dampaknya tidak berhenti pada laboratorium DeepMind. Lebih dari 3 juta ilmuwan disebut telah menggunakan AlphaFold dalam penelitian mereka.

Teknologi ini menunjukkan bentuk baru hubungan antara AI dan sains: mesin tidak menggantikan ilmuwan, tetapi memberikan alat yang memungkinkan ilmuwan mengakses informasi biologis dengan kecepatan yang sebelumnya sulit dicapai.

Perkembangan berikutnya bergerak dari sekadar memahami struktur protein menuju pemodelan interaksi kimia.

Melalui Isomorphic Labs, pendekatan AI digunakan untuk membantu proses penemuan obat. Dalam metode tradisional, pengembangan obat dapat berlangsung sekitar satu dekade, membutuhkan biaya besar, dan menghadapi tingkat kegagalan yang tinggi dalam uji klinis.

Jika AI dapat memodelkan interaksi molekul dengan lebih akurat, proses pencarian kandidat obat berpotensi menjadi lebih cepat dan efisien.

Dalam materi ini, Isomorphic Labs disebut telah mengerjakan sekitar 18–19 program obat aktif. Angka tersebut menunjukkan bahwa AI mulai bergerak dari sekadar alat penelitian menjadi bagian dari proses pengembangan terapi.

Namun, AI tidak otomatis menghilangkan seluruh proses eksperimental. Kandidat obat tetap harus melewati validasi biologis, pengujian keamanan, dan uji klinis sebelum dapat digunakan manusia.

Jika AlphaFold menunjukkan kekuatan AI dalam sains, AlphaGo menunjukkan sesuatu yang berbeda: kemampuan menemukan strategi yang tidak biasa bagi manusia.

Permainan Go memiliki ruang kemungkinan yang sangat besar, diperkirakan lebih dari 10^170 posisi papan. Kompleksitas tersebut membuat pendekatan brute-force menjadi tidak praktis.

Pada 2016, AlphaGo mengalahkan juara dunia Lee Sedol dengan skor 4–1. Salah satu momen paling terkenal adalah Move 37, sebuah langkah yang awalnya tampak aneh bagi pemain manusia tetapi kemudian dianggap sebagai langkah kreatif dan strategis.

Pertandingan tersebut disaksikan sekitar 200 juta orang di seluruh dunia.

Yang lebih penting, keberhasilan AlphaGo menunjukkan bahwa sistem AI tidak harus selalu meniru strategi manusia untuk menjadi efektif. Ia dapat menemukan pola dan pendekatan yang muncul dari proses pembelajarannya sendiri.

Eksperimen tersebut kemudian berkembang menjadi AlphaZero.

Berbeda dengan sistem yang dilatih menggunakan banyak contoh permainan manusia, AlphaZero dapat memulai dari kondisi hampir tanpa pengetahuan spesifik dan belajar melalui self-play.

Sistem memainkan permainan melawan dirinya sendiri berulang kali, mengevaluasi hasil, kemudian memperbarui strateginya.

Dalam materi ini, AlphaZero disebut menjalani sekitar 100.000 permainan self-play dan berkembang dari permainan yang sangat sederhana hingga mencapai tingkat permainan kelas dunia hanya dalam sekitar 16–17 generasi evolusi.

Konsep tersebut menjadi penting bagi perkembangan AI berikutnya. Teknik search dan world model yang digunakan dalam sistem seperti AlphaZero mulai diintegrasikan dengan foundation models untuk menghadapi persoalan yang lebih kompleks.

Potensinya mencakup desain chip, algoritma, material baru, dan berbagai persoalan ilmiah.

Hassabis sebenarnya membayangkan pengembangan AGI berlangsung lebih hati-hati, bertahap, dan berorientasi pada metode ilmiah.

Ia mengibaratkan pendekatan ideal tersebut seperti proyek penelitian besar yang dilakukan secara terstruktur. Namun, kemunculan produk AI konsumen mengubah situasi.

Peluncuran ChatGPT dan popularitas AI generatif memicu kompetisi komersial dan geopolitik yang sangat cepat. Laboratorium AI tidak lagi bekerja dalam ruang penelitian yang relatif terisolasi, melainkan berada dalam perlombaan untuk meningkatkan kemampuan dan meluncurkan produk.

Ada sisi positif dari perubahan tersebut.

Jutaan pengguna memberikan kesempatan untuk menguji sistem dalam kondisi dunia nyata. Sebuah teknologi dapat menghadapi variasi penggunaan yang tidak mungkin seluruhnya diprediksi oleh tim pengembang.

“You can't really fully understand your systems until they're stress tested by millions of people.”

Tetapi percepatan tersebut juga menciptakan risiko baru.

Menurut Hassabis, dalam jangka menengah terdapat dua perhatian besar: penyalahgunaan AI oleh pihak yang tidak bertanggung jawab dan kemungkinan munculnya sistem AI yang semakin otonom atau agentic AI.

Sistem agentik dapat menjalankan serangkaian tugas dengan tingkat kemandirian yang lebih tinggi. Jika kemampuan tersebut berkembang lebih cepat daripada mekanisme keselamatannya, sistem dapat melakukan tindakan yang tidak sesuai dengan maksud awal pengembang.

Karena itu, guardrails, penelitian keselamatan, evaluasi sistem, dan koordinasi antar-laboratorium menjadi semakin penting.

Teknologi seperti SynthID juga dikembangkan untuk membantu memberikan penanda pada konten yang dihasilkan AI. Pendekatan semacam ini menjadi bagian dari upaya yang lebih luas untuk meningkatkan transparansi dan mengurangi penyalahgunaan media sintetis.

Pada akhirnya, visi Hassabis tentang AGI jauh lebih besar daripada menciptakan komputer yang dapat menyamai manusia dalam percakapan.

Jika AI benar-benar mampu melakukan penalaran, perencanaan, dan pembelajaran pada tingkat yang sangat tinggi, teknologi tersebut dapat digunakan untuk menangani apa yang dapat disebut sebagai root node problems—persoalan dasar yang selama ini membatasi kemajuan manusia.

Contohnya adalah energi bersih melalui fusi nuklir, penyakit berat yang belum memiliki pengobatan efektif, material baru, serta teknologi yang memungkinkan manusia melakukan eksplorasi luar angkasa dengan lebih jauh.

Potensi tersebut membuat perlombaan AI sekaligus menjadi perlombaan tentang masa depan sains.

Tantangannya adalah memastikan kemampuan tersebut dikembangkan dengan aman.

Perjalanan Demis Hassabis bersama Google DeepMind menunjukkan perubahan penting dalam sejarah kecerdasan buatan. AI mulai bergerak dari sekadar sistem yang menyelesaikan tugas menjadi alat untuk membantu manusia menemukan sesuatu yang sebelumnya belum diketahui.

AlphaGo menunjukkan bahwa mesin dapat menemukan strategi baru. AlphaZero menunjukkan kemampuan belajar melalui self-play. AlphaFold kemudian membawa kemampuan tersebut ke dunia biologi dan membuka peluang baru dalam penelitian obat.

Namun, semakin kuat AI, semakin besar pula tanggung jawab untuk mengendalikannya. Persaingan komersial dapat mempercepat inovasi, tetapi keselamatan tidak boleh menjadi korban dari kecepatan.

Pada akhirnya, warisan yang ingin ditinggalkan Hassabis bukan sekadar mesin yang lebih pintar. Ia berharap teknologi tersebut dapat menjadi sesuatu yang memberikan manfaat nyata bagi manusia.

“I would hope that they would say that you know my life was of benefit and service to humanity.”

FAQ

1. Siapa Demis Hassabis? Demis Hassabis adalah CEO Google DeepMind dan salah satu tokoh penting dalam perkembangan kecerdasan buatan modern, dengan latar belakang AI dan cognitive neuroscience.
2. Apa kontribusi utama AlphaFold? AlphaFold membantu memprediksi struktur tiga dimensi protein secara cepat dan dalam skala besar sehingga dapat digunakan oleh peneliti di berbagai bidang biologi.
3. Apa perbedaan AlphaGo dan AlphaZero? AlphaGo menggunakan data dan teknik yang berkaitan dengan permainan manusia, sedangkan AlphaZero dapat belajar melalui self-play tanpa bergantung pada kumpulan data permainan manusia sebagai dasar utamanya.
4. Mengapa AI penting bagi penemuan obat? AI dapat membantu memodelkan struktur dan interaksi molekul sehingga proses pencarian kandidat obat berpotensi menjadi lebih cepat dan efisien.
5. Apa visi Demis Hassabis tentang AGI? Hassabis melihat AGI sebagai teknologi yang berpotensi membantu manusia menyelesaikan persoalan besar seperti penyakit, energi bersih, penemuan ilmiah, dan eksplorasi luar angkasa.