AI Kembangkan Matematika, Sekarang Menyelami Seluruh Bidang Sains

Dari Bukti Matematika ke Simulasi Fisika

Minggu lalu, Neil Thompson — ekonom dan peneliti komputasi di MIT — memberikan presentasi singkat tapi padat di kampusnya. Dalam setengah jam, ia menggambarkan bagaimana kecerdasan buatan siap mengganggu beberapa disiplin ilmu sekaligus. Matematikawan sudah merasakan gempa pertama: alat seperti AlphaProof dan AlphaGeometry dari Google DeepMind, serta model terbuka seperti Llemma, mulai membuktikan teorema yang selama ini memakan waktu manusia bertahun-tahun.

Thompson menegaskan: ini baru permulaan. Bidang dengan struktur formal yang ketat — ekonomi teoretis, fisika partikel, kimia komputasional, biologi sistem — berikutnya akan mengalami transformasi serupa. Polanya konsisten: ketika masalah bisa direpresentasikan sebagai aturan logis atau persamaan diferensial, model bahasa besar (LLM) yang dilatih pada kode dan bukti formal bisa mengeksplorasi ruang solusi Math lebih cepat dari tim manusia.

Mengapa Matematika Jadi “Canary in the Coal Mine”

Matematika memiliki keunikan: kebenarannya biner dan bisa diverifikasi otomatis. Sebuah bukti benar atau salah — tidak ada area abu-abu. Itu membuat matematika menjadi medan latihan ideal untuk AI. DeepMind melatih AlphaGeometry dengan menghasilkan jutaan teorema geometri sintetis, lalu melatih model untuk menemukan buktinya. Hasilnya: sistem itu menyelesaikan 25 dari 30 soal Olimpiade Matematika Internasional (IMO) 2000-2022, menyamai performa medali emas.

AlphaProof naik level lagi: ia mengubah pernyataan bahasa alami ke bahasa formal Lean, lalu mencari bukti dengan pencarian pohon yang dipandu jaringan saraf. Di IMO 2024, AlphaProof menyelesaikan 4 dari 6 soal — skor setara perak. Thompson menilai ini sebagai titik balik: “Kita beralih dari AI yang membantu matematikawan (menulis kode, mencari referensi) ke AI yang melakukan matematika.”

Ekonomi Teoretis: Dari Model Ke Setara Nash

Di ekonomi, banyak masalah inti adalah pencarian kesetimbangan — misalnya, setara Nash dalam permainan dengan banyak pemain dan informasi tidak lengkap. Tradisionalnya, ekonom menyederhanakan model agar bisa diselesaikan analitis atau disimulasikan numerik. Keduanya membatasi realisme.

Thompson mengutip kerja terbaru dari tim MIT dan Harvard yang memakai LLM untuk menulis kode simulasi agen heterogen, lalu menjalankan ribuan iterasi Monte Carlo untuk mendekati setara. Hasilnya: model yang sebelumnya butuh bulan disusun, kini bisa diprotes dalam hari. “Kita tidak lagi terikat pada asumsi kewajaran representatif,” katanya. “AI memungkinkan kita mensimulasikan ekonomi dengan jutaan agen heterogen, masing-masing belajar dengan reinforcement learning.”

Fisika Energi Tinggi: Mencari Partikel di Ruang Parameter

Di CERN, kolaborasi ATLAS dan CMS sudah lama memakai machine learning untuk pemicu (trigger) dan rekonstruksi jejak. Yang baru: AI generatif mulai digunakan untuk inverse design — menebak parameter model teoretis (misalnya massa partikel supersimetri, kopling Higgs) yang paling konsisten dengan data percobaan.

Thompson menyebut proyek Simulation-Based Inference (SBI) yang memakai normalizing flows untuk memperkirakan likelihood tanpa fungsi likelihood eksplisit. Dengan AI, fisikawan bisa mengeksplorasi ruang parameter 20+ dimensi dalam jam, bukan bulan. “Ini mengubah siklus hipotesis-eksperimen,” katanya. “Teoritis bisa mengajukan 100 varian model minggu ini, dibanding 2-3 per tahun dahulu.”

Kimia dan Biologi: Dari Prediksi Struktur ke Desain Fungsi

AlphaFold 2 (2020) memecahkan prediksi struktur protein. AlphaFold 3 (2024) meluas ke kompleks protein-ligan, DNA, RNA. Tapi Thompson menyinggung langkah selanjutnya: de novo protein design. Model difusi seperti RFdiffusion (Baker Lab) dan Chroma (Generate Biomedicines) sudah menghasilkan protein pengikat SARS-CoV-2 yang divalidasi eksperimen.

Di biologi sistem, LLM mulai membantu membangun model jaringan regulasi gen dari literatur. Thompson memperkirakan: “Dalam 3-5 tahun, biologi komputasional akan bergeser dari ‘memprediksi apa yang ada’ ke ‘mendesain apa yang diinginkan’ — enzim plastik-degradasi, vaksin universal, terapi sel T yang dipersonalisasi.”

Hambatan Nyata: Verifikasi, Reproduktibilitas, dan Kepercayaan

Thompson tidak naif. Ia menyoroti tiga hambatan keras:

• Verifikasi formal: Matematika punya Lean/Coq/Isabelle. Bidang lain belum punya bahasa verifikasi standar. Ekonomi butuh kerangka untuk memverifikasi kode simulasi secara formal — proyek seperti Formal Economics baru bermula.
• Reproduktibilitas: Model probabilistik (LLM, difusi) memberikan jawaban berbeda tiap dijalankan. Ilmu butuh determinisme. Solusi sementara: kunci acak tetap, ensemble, dan verifikasi manusia pada langkah kritis.
• Kepercayaan komunitas: Matematikawan menolak bukti AI yang tidak bisa dibaca manusia. Bidang lain akan menolak hasil AI yang tidak bisa dijelaskan. Thompson mendorong standar “bukti yang dapat diverifikasi dan dijelaskan” — bukan hanya jawaban benar.

Implikasi untuk Peneliti dan Institusi

Thompson menutup dengan nasihat praktis:

• Pelajari alat verifikasi formal (Lean, Coq, Isabelle) — ini jadi literasi dasar seperti LaTeX 20 tahun lalu.
• Bangun pipeline evaluasi otomatis untuk output AI: unit Rest, property-based Rest, verifikasi tipe.
• Jangan tunggu ke sempurna. Mulai eksperimen kecil: gunakan LLM untuk menulis kode simulasi, lalu bandingkan hasil dengan metode tradisional.
• Dorong jurnal dan pemberi dana menerima “bukti bantu AI” dengan metadata lengkap (model, prompt, seed, log verifikasi).

Kesimpulan: AI sebagai Mesin Eksplorasi Hipotesis

Inti pesan Thompson: AI tidak menggantikan ilmuwan. Ia mengubah bottleneck dari “menemukan solusi” jadi “memverifikasi dan menginterpretasikan solusi”. Seperti teleskop memperluas jangkau astronomi, AI memperluas jangkau eksplorasi teoretis. Ilmuwan yang belajar mengendarai mesin ini akan mengejar pertanyaan yang dulu dianggap mustahil dijangkau — dan itulah definisi kemajuan sains.