Profesor AI Menghadapi Realitas Baru Penelitian Akademik: Antara Keterbatasan GPU dan Dominasi Perusahaan
Pergeseran Pusat Kekuatan Penelitian AI
Empat tahun lalu, universitas masih menjadi pusat gravitasi penelitian kecerdasan buatan. Kini, titik tumpu itu bergeser ke laboratorium swasta seperti OpenAI, Anthropic, dan Google DeepMind. Pemicunya sederhana: biaya komputasi. Melatih model bahasa besar (LLM) butuh puluhan ribu GPU kelas atas—harga yang menjauhi anggaran universitas mana pun.
Nika Haghtalab, profesor ilmu komputer di UC Berkeley, mengibaratkan posisi akademisi saat ini seperti biologi yang tidak punya akses ke alat editing gen CRISPR. Para peneliti di luar lab frontier bisa mengamati perilaku ChatGPT atau Claude, tapi tidak bisa mempelajari desain dan pelatihan internalnya, apalagi mengarahkannya.
Program AI2050: Jembatan Dana yang Terbatas
Inisiatif AI2050 yang didanai Eric dan Wendy Schmidt melalui Schmidt Sciences mencoba menutup celah ini. Program ini memberikan dana bagi fellows untuk membeli GPU sendiri. Beberapa peneliti mengaku bantuan ini signifikan. Namun, realita dana federal AS yang menyusut membuat situasi tetap rapuh. Bahkan bagi yang tidak melatih model lokal, biaya query berulang ke API OpenAI, Anthropic, atau Google untuk studi yang ketat bisa membengkak hingga tidak terjangkau.
Memilih Pertanyaan yang Perusahaan Abaikan
Anjalie Field, profesor di Johns Hopkins, mengadopsi strategi jelas: “Saya mencoba tidak mengerjakan masalah yang menurut saya akan diselesaikan oleh perusahaan teknologi.” Perusahaan mengejar keuntungan. Pertanyaan penelitian tanpa prospek komersial—terutama yang jawabannya bisa merugikan citra perusahaan—sering diabaikan.
Contoh nyata: Field baru-baru ini menemukan model bahasa memberikan respons kurang canggih pada prompt bergaya penulisan yang lebih umum digunakan wanita dibanding pria. Jenis temuan bias semacam ini sulit dibayangkan keluar dari lab komersial yang berorientasi produk.
AI di Luar LLM: Peneliti Khusus yang Terbayangi
Bukan semua akademisi AI bekerja dengan LLM. Banyak yang membangun model khusus untuk analisis data, prediksi, atau simulasi sistem fisik. Para peneliti ini tidak bersaing langsung dengan lab frontier—tim AlphaFold Google DeepMind yang memenangkan Nobel justu dibubarkan bulan lalu—tapi menghadapi tantangan sendiri: ketidaktahuan publik.
Peneliti yang membangun alat AI untuk mitigasi perubahan iklim, misalnya, kesulitan mengadvokasi karya mereka ketika mayoritas orang menyamakan “AI” dengan “LLM pemakan energi). Stigma ini menyulitkan penggalangan dana dan dukungan kebijakan untuk AI non-generatif yang justru hemat sumber daya.
Brain Drain dan Ancaman Baru: AI Matematika
Beberapa akademisi terkemuka baru-baru ini cuti dari universitas untuk bergabung ke lab swasta. Banyak fellows AI2050 memang memegang posisi ganda: akademik dan industri. Dalam enam bulan terakhir, ancaman baru muncul: model OpenAI mulai memecahkan masalah penelitian matematika nyata. Beberapa pakar khawatir masa depan matematikawan murni. Seorang fellows mengungkapkan kekhawatiran pada kesehatan mental rekan-rekannya di departemen matematika.
Optimis: Sains Empiris Sulit Diotomatisasi
Tim Dettmers, ilmuwan komputer di Carnegie Mellon yang fokus pada efisiensi model, memandang hal ini berbeda. Menurutnya, sains empiris jauh lebih sulit diotomatisasi daripada matematika karena pengumpulan data bersifat intrinsik lambat. AI tidak akan menggantikan manusia, justru bisa membuat ilmuwan jauh lebih efisien—memberi ruang mengejar ide-ide liar dan terinspirasi yang sebelumnya tak sempat dikejar.
Keterbatasan Melahirkan Inovasi
Kendala sumber daya yang mencegah akademisi melatih model frontier justru mendorong mereka menemukan cara membuat model lebih kecil, lebih efisien, atau menjelajahi arsitektur पूरी. Jika terobosan AI besar berikutnya datang bukan dari perusahaan raksasa tapi dari lab akademik yang tangguh, itu tidak akan mengejutkan.
Kesimpulan
Realitas baru penelitian AI akademik ditandai asimetri komputasi, tekanan dana, dan migrasi bakat. Program seperti AI2050 memberikan napas, tapi solusi struktural butuh kebijakan akses komputasi terbuka, pendanaan dasar yang berkelanjutan, dan pengakuan bahwa AI bukan hanya LLM. Kekuatan akademik ada pada kebebasan menanyakan pertanyaan yang tidak menguntungkan—dan itulah yang harus dilindungi.
