Mungkinkah ilmu pengetahuan dapat diotomatisasi sepenuhnya? Sebuah tim peneliti pembelajaran mesin kini telah mencobanya.
‘AI Scientist’, yang diciptakan oleh tim di perusahaan Tokyo Sakana AI dan di laboratorium akademik di Kanada dan Inggris, melakukan siklus penuh penelitian mulai dari membaca literatur yang ada tentang suatu masalah dan merumuskan hipotesis untuk perkembangan baru hingga mencoba solusi dan menulis makalah. AI Scientist bahkan melakukan beberapa tugas sebagai pengulas sejawat dan mengevaluasi hasilnya sendiri.
AI Scientist bergabung dengan berbagai upaya untuk menciptakan agen AI yang telah mengotomatiskan setidaknya sebagian dari proses ilmiah. “Sepengetahuan saya, belum ada yang melakukan komunitas ilmiah secara keseluruhan, semua dalam satu sistem,” kata salah satu pencipta AI Scientist, Cong Lu, seorang peneliti pembelajaran mesin di University of British Columbia di Vancouver, Kanada. Hasilnya1 diposting di server pracetak arXiv bulan ini.
“Sungguh mengesankan bahwa mereka telah melakukan hal ini secara menyeluruh,” kata Jevin West, seorang ilmuwan sosial komputasi di University of Washington di Seattle. “Dan saya pikir kita harus bermain-main dengan ide-ide ini, karena mungkin ada potensi untuk membantu ilmu pengetahuan.”
Sejauh ini, hasilnya tidak terlalu menggemparkan, dan sistem ini hanya dapat melakukan penelitian di bidang pembelajaran mesin itu sendiri. Secara khusus, AI Scientist tidak memiliki apa yang dianggap oleh sebagian besar ilmuwan sebagai bagian penting dalam melakukan sains – kemampuan untuk melakukan pekerjaan laboratorium. “Masih banyak pekerjaan yang harus dilakukan dari AI yang membuat hipotesis hingga mengimplementasikannya ke dalam robot ilmuwan,” kata Gerbrand Ceder, seorang ilmuwan material di Lawrence Berkeley National Laboratory dan University of California, Berkeley. Namun, Ceder menambahkan, “Jika Anda melihat ke masa depan, saya tidak ragu bahwa ke sinilah sebagian besar ilmu pengetahuan akan mengarah.”
Eksperimen otomatis
AI Scientist didasarkan pada model bahasa besar (LLM). Dengan menggunakan makalah yang menjelaskan algoritma pembelajaran mesin sebagai template, penelitian ini dimulai dengan mencari literatur untuk pekerjaan serupa. Tim kemudian menggunakan teknik yang disebut komputasi evolusioner, yang terinspirasi oleh mutasi dan seleksi alam dari evolusi Darwin. Prosesnya berlangsung secara bertahap, menerapkan perubahan kecil dan acak pada sebuah algoritma dan memilih algoritma yang memberikan peningkatan efisiensi.
Untuk melakukannya, AI Scientist melakukan ‘eksperimen’ sendiri dengan menjalankan algoritme dan mengukur kinerjanya. Pada akhirnya, AI Scientist menghasilkan sebuah makalah, dan mengevaluasinya dalam semacam tinjauan sejawat otomatis. Setelah ‘menambah literatur’ dengan cara ini, algoritme kemudian dapat memulai siklus lagi, membangun hasilnya sendiri.
Para penulis mengakui bahwa makalah yang dihasilkan oleh AI Scientists hanya berisi perkembangan tambahan. Beberapa peneliti lain memberikan komentar pedas di media sosial. “Sebagai seorang editor jurnal, saya mungkin akan menolaknya. Sebagai pengulas, saya akan menolaknya,” kata salah satu komentator di situs web Hacker News.
West juga mengatakan bahwa para penulis mengambil pandangan yang reduktif tentang bagaimana para peneliti belajar tentang kondisi terkini dari bidang mereka. Banyak hal yang mereka ketahui berasal dari bentuk komunikasi lain, seperti pergi ke konferensi atau mengobrol dengan rekan kerja di water cooler. “Ilmu pengetahuan lebih dari sekadar tumpukan kertas,” kata West. “Anda bisa melakukan percakapan selama 5 menit yang akan lebih baik daripada mempelajari literatur selama 5 jam.”
Rekan West, Shahan Memon, juga setuju – namun baik West maupun Memon memuji para penulis karena telah membuat kode dan hasil penelitian mereka sepenuhnya terbuka. Hal ini memungkinkan mereka untuk menganalisis hasil AI Scientist. Mereka menemukan, misalnya, bahwa AI Scientist memiliki “bias popularitas” dalam memilih makalah-makalah terdahulu yang dicantumkannya sebagai referensi, dan memilih makalah-makalah yang memiliki jumlah kutipan yang tinggi. Memon dan West mengatakan bahwa mereka juga sedang mencari cara untuk mengukur apakah pilihan AI Scientist adalah pilihan yang paling relevan.
Tugas-tugas yang berulang
AI Scientist, tentu saja, bukanlah upaya pertama untuk mengotomatisasi setidaknya beberapa bagian dari pekerjaan seorang peneliti: impian untuk mengotomatisasi penemuan ilmiah sudah setua kecerdasan buatan itu sendiri – sejak tahun 1950-an, kata Tom Hope, ilmuwan komputer di Allen Institute for AI yang berbasis di Yerusalem. Satu dekade yang lalu, misalnya, Automatic Statistician2 mampu menganalisis kumpulan data dan menulis makalahnya sendiri. Dan Ceder dan rekan-rekannya bahkan telah mengotomatiskan beberapa pekerjaan di bangku kuliah: ‘robot kimia’ yang mereka luncurkan tahun lalu dapat mensintesis bahan baru dan bereksperimen dengannya3.
Hope mengatakan bahwa LLM saat ini “tidak dapat merumuskan arah ilmiah yang baru dan berguna di luar kombinasi kata kunci yang dangkal”. Namun, Ceder mengatakan bahwa meskipun AI tidak akan dapat melakukan bagian pekerjaan yang lebih kreatif dalam waktu dekat, AI masih dapat mengotomatiskan banyak aspek penelitian yang lebih berulang. “Pada tingkat rendah, Anda mencoba menganalisis apa itu sesuatu, bagaimana sesuatu merespons. Itu bukan bagian kreatif dari sains, tapi itu adalah 90% dari apa yang kami lakukan.” Lu mengatakan bahwa dia juga mendapat tanggapan serupa dari banyak peneliti lain. “Orang-orang akan berkata, saya punya 100 ide yang tidak punya waktu. Minta AI Scientist untuk mengerjakannya.”
Lu mengatakan bahwa untuk memperluas kemampuan AI Scientist – bahkan ke bidang abstrak di luar pembelajaran mesin, seperti matematika murni – mungkin perlu menyertakan teknik lain di luar model bahasa. Hasil terbaru dalam memecahkan masalah matematika oleh Google Deep Mind, misalnya, telah menunjukkan kekuatan menggabungkan LLM dengan teknik AI ‘simbolis’, yang membangun aturan logis ke dalam sebuah sistem daripada hanya mengandalkannya untuk belajar dari pola statistik dalam data. Namun, iterasi saat ini hanyalah sebuah permulaan, katanya. “Kami benar-benar percaya bahwa ini adalah GPT-1 dari ilmu AI,” ujarnya, mengacu pada model bahasa besar awal oleh OpenAI di San Francisco, California.
Hasil penelitian ini menjadi bahan perdebatan yang menjadi perhatian utama para peneliti akhir-akhir ini, kata West. “Semua kolega saya di berbagai bidang ilmu mencoba mencari tahu, di mana letak AI dalam apa yang kita lakukan? Hal ini memaksa kita untuk berpikir tentang apa itu sains di abad ke-21 – apa yang bisa menjadi sains, apa yang sebenarnya sains, dan apa yang bukan sains,” katanya.
doi: https://doi.org/10.1038/d41586-024-02842-3
