AI untuk Sains Butuh Penalaran, Bukan Hanya Data: Mengapa Agent AI Jadi Kunci Percepatan Penemuan

Ketika AlphaFold Menjadi Template yang Menyesatkan

Setiap beberapa dekade, ada yang mengklaim sains telah mencapai ujungnya. Tahun 1903, fisikawan Albert Michelson menulis bahwa “fakta-fakta ilmu fisika telah semua ditemukan.” Tahun 1980-an, Stephen Hawking memprediksi fisika teoretis mungkin selesai sebelum abad ke-20 berakhir. Sekarang, dengan ledakan AI, perasaan itu kembali — kali ini disertai Nobel.

Tahun 2024, Demis Hassabis dan John Jumper dari Google DeepMind menerima separuh Nobel Kimia untuk AlphaFold, jaringan saraf yang memprediksi struktur tiga dimensi protein dengan belajar dari ribuan struktur yang diukur secara eksperimental. Masalah yang selama setengah abad menolak penyelesaian sistematis, tiba-tiba terpecahkan. Dunia jadi terpaku pada janji pendekatan itu. Hassabis dan timnya menyebut AlphaFold “template untuk bagaimana AI bisa mempercepat seluruh sains ke kecepatan digital.” Gelombang startup yang membangun model fondasi untuk biologi, kimia, dan penemuan material mengumpulkan miliaran dolar, naik di atas keberhasilan DeepMind.

Tapi keberhasilan AlphaFold punya syarat yang jarang terulang.

Kondisi Khusus di Balik AlphaFold

Syarat utama AlphaFold adalah keberadaan Protein Data Bank (PDB) — dataset sekitar 170.000 struktur protein yang tervalidasi secara eksperimental. PDB tidak muncul begitu saja. Butuh 53 tahun kerjasama internasional dan, menurut estimasi terbaru, sekitar $21 miliar nilai kerja eksperimental untuk menyusunnya. Usaha skala itu sulit didanai, mustahil dikoordinasikan, dan memakan waktu puluhan tahun. Sering gagal.

Bahkan di bidang yang punya kohesi dan sumber daya, serta data tak terkunci kepemilikan komersial, ada halangan lain yang jarang dibahas: ketidakmampuan ilmiah untuk menghasilkan data yang setara. Kristalografi protein — teknik kunci untuk struktur protein — sangat bisa direplikasi dan diandalkan, sampai lebih dari 25 Nobel bergantung padanya. Tapi di kebanyakan sains eksperimental, hasil sering bervariasi. Sel-sel bergeser. Kimia punya kontaminan jejak. Kelembaban lab berubah. Membuat dataset yang cukup konsisten, akurat, presisi, dan skalabel untuk melatih jaringan saraf modern di biologi atau kebanyakan kimia butuh jenis pengukuran baru dan pendekatan standarisasi baru — yang tak akan siap dalam waktu dekat.

Ada beberapa bidang yang memenuhi syarat: prakiraan cuaca, sebagian besar genomika, area kimia yang sangat terbatas. Bidang-bidang itu mungkin akan melihat terobosan bergaya AlphaFold sebentar lagi, kalau belum. Dukungan pemerintah untuk produksi dan koordinasi dataset itu kritis, seperti yang diargumenkan US National Security Commission on Emerging Biotechnology. Tapi untuk kebanyakan pertanyaan terbuka di sains, kita butuh rencana lain, paling tidak di jangka pendek.

Penalaran di Bawah Ketidakpastian: Cara Kerja Ilmuwan Sebenarnya

Ilmuwan selalu bernalar di bawah ketidakpastian. Biolog yang mengidentifikasi target obat baru tak pernah punya dataset sempurna. Mereka gabungkan perhitungan docking dan struktur yang diketahui, masukkan dinamika molekuler, jalankan beberapa assay ikatan, dan gunakan penilaian mereka untuk menimbang setiap metode sesuai kekuatan dan titik kegagalannya. Keahlian sains bukan ada di satu alat; tapi di mensintesis apa yang banyak alat hasilkan, dan merevisi hasil saat bukti masuk. Itulah cara riset kerja nyata berjalan. Tapi sampai baru-baru ini, tak ada perangkat lunak yang bisa melakukannya.

AI Agent: Mesin Penalaran dengan Akses Alat

Sekarang agent bisa. Secara sederhana, agent adalah mesin penalaran AI yang diberi akses ke alat — digital atau fisik — dan kemampuan untuk menggunakannya. Beberapa tahun belakangan, pergeseran arsitektur fundamental di AI memungkinkan proliferasi cepat program-program ini, yang didukung oleh large language model (LLM), drastis mengurangi kebutuhan dataset terpecialisasi secara ilmiah.

Bagi sains, ini perubahan fondasional: kita bisa membuat alat digital yang meniru proses iteratif, sangat kontingen, dari penemuan nyata. Alat seperti AlphaFold menerapkan pendekatan kuat ke pertanyaan terbatas. Agent justru generalis secara inheren. Mereka tak mewakili cara baru melakukan sains — mereka memodelkan secara digital proses penemuan manusia.

Contoh Nyata: Google AI Co-Scientist

Lihat AI Co-Scientist Google, diumumkan Mei 2024. Peneliti memberinya brief satu halaman dan tujuan: cari tahu bagaimana resistensi antibiotik menyebar antar spesies bakteri, pengunci infeksi resisten-obat. Sistem memulai sub-agent. Satu mendraft hipotesis dari literatur. Yang lain mengkritiknya seperti peer reviewer. Yang ketiga menjalankan turnamen untuk menilai kandidat terkuat. Yang keempat memperbaiki hipotesis pemenang. Agent menyimpulkan bahwa gen resistensi “menumpang” pada virus bakteri (bakteriofag), meminjam virus mana pun yang bisa mengantarkannya ke inang baru. Hipotesis itu kemudian diverifikasi secara eksperimental oleh tim terpisah di Stanford dan Imperial College London.

Perhatikan perbedaannya: AlphaFold butuh 170.000 struktur tervalidasi dan $21 miliar investasi data. AI Co-Scientist butuh brief satu halaman, akses ke literatur, dan kemampuan bernalar dengan alat. Dia tidak “melatih” pada data resistensi antibiotik — dia memikirkan masalahnya seperti ilmuwan.

Implikasi untuk Ekosistem Teknologi dan Riset Indonesia

Bagi peneliti dan startup AI di Indonesia, pelajarannya jelas: jangan kejar replikasi AlphaFold di bidang yang tak punya dataset raksasa dan bersih. Fokuslah pada membangun agent yang bisa:

• Mengakses literatur dan database yang sudah ada (PubMed, Crossref, repositori institusi)
• Menjalankan simulasi dan perhitungan (docking, dinamika molekuler, CFD) via API atau notebook
• Mengkoordinasikan sub-tugas: hipotesis, kritik, ranking, refinemen
• Beriterasi hingga bukti eksperimental (atau data observasional) mendukung atau menolak

BRIN, universitas, dan startup medtech/agritech bisa mulai bereksperimen dengan framework agent seperti LangGraph, AutoGen, atau CrewAI — dikombinasikan dengan LLM terbuka (Llama 3, Qwen 2.5, Nemotron) yang di-host lokal untuk privasi data. Modal awalnya bukan dataset raksasa, tapi definisi alur kerja riset (workflow) dan akses ke alat komputasi yang sudah ada.

Apa yang Harus Dilakukan Selanjutnya

1. Identifikasi alur kerja riset yang repetitif dan butuh penalaran multi-langkah — misal: screening kandidat obat, desain material katalis, analisis data genomik epidemiologi.
2. Daftar alat yang sudah dipakai tim — software docking, pipeline bioinformatika, simulator, database. Pastikan punya API atau bisa dijalankan headless.
3. Bangun agent prototipe sederhana yang mengambil pertanyaan, pecah jadi sub-tugas, panggil alat, dan hasilkan laporan dengan sitasi.
4. Uji pada masalah nyata kecil — bandingkan hasil agent dengan keputusan tim manusia. Ukur waktu, akurasi, dan biaya.
5. Iterasi — tambah alat, perbaiki prompt, tambah mekanisme verifikasi (misal: sub-agent kritik).

Masa depan AI untuk sains bukan siapa paling cepat melatih model pada data paling banyak. Tapi siapa paling cepat membangun agent yang bernalar seperti ilmuwan: mengusulkan, menguji, mengkritik, memperbaiki — dan tahu kapan harus berhenti berfikir dan mulai mengukur.