Bagaimana Singapura Memakai AI untuk Membawa Penemuan Sains Keluar dari Laboratorium

Singapura ingin AI menjadi bagian dari seluruh alur penelitian—bukan hanya alat untuk mencari jurnal atau memprediksi molekul. Melalui program AI for Science (AI4S), National Research Foundation (NRF) mengalokasikan S$120 juta untuk delapan proyek yang mencakup penyusunan hipotesis, pemilihan eksperimen, analisis hasil, verifikasi perangkat lunak, hingga pengembangan teknologi yang bisa diuji di luar laboratorium. Inisiatif ini resmi diluncurkan pada 16 Juni 2026.

Perbedaan pentingnya terletak pada dua hal: mempercepat penemuan dan membuktikan bahwa penemuan itu dapat diterapkan. Delapan proyek tersebut dirancang untuk mempersempit jarak antara keduanya. Namun, material, katalis, alat diagnostik, dan perangkat lunak yang dijanjikan masih merupakan sasaran penelitian—belum produk komersial yang sudah terbukti. Sejumlah proyek diperkirakan berlangsung selama empat hingga lima tahun.

Materials Data Foundry membidik masalah terbesar AI di manufaktur

AI dapat menemukan material yang terlihat menjanjikan dalam simulasi. Namun, prediksi itu belum tentu menjawab cara memproduksinya secara konsisten, dalam skala besar, atau dengan kinerja seperti yang diperkirakan model. Laboratorium Materials Data Foundry senilai S$10 juta, yang dibangun bersama oleh National University of Singapore (NUS) dan Acceleration Consortium dari University of Toronto, berfokus pada hambatan dari prediksi menuju produksi ini.

Fasilitas tersebut akan menggabungkan AI, robotika, dan pengukuran in situ dalam laboratorium otonom terbuka. Alih-alih hanya mengandalkan data material yang telah dipublikasikan, laboratorium ini akan menghasilkan data eksperimen yang menghubungkan kondisi sintesis dengan kinerja material di dunia nyata. Data itu kemudian dapat memperbaiki model dan menentukan eksperimen berikutnya, sehingga tercipta siklus umpan balik antara prediksi dan pengujian fisik.

Target yang disebutkan mencakup ribuan eksperimen serta resep sintesis yang praktis dan dapat direproduksi untuk bidang seperti material kuantum atau material pasca-silikon, elektrokatalis yang relevan dengan produksi hidrogen bersih, dan pelapis tahan korosi. Dengan demikian, hasil yang dicari bukan sekadar daftar kandidat buatan AI, melainkan bukti tentang cara memproduksi dan mengevaluasi material yang menjanjikan.

AI akan menyaring desain katalis sebelum diuji peneliti

Program terpisah senilai S$10 juta yang dipimpin A*STAR dan Imperial akan mengembangkan Surface Science Foundation Model serta platform berbasis cloud untuk memprediksi sifat katalis dan kondisi sintesisnya. Riset ini diarahkan pada aplikasi seperti bahan bakar yang lebih bersih, bahan baku yang berasal dari karbon dioksida, dan bahan kimia berbasis hayati.

Deskripsi program menyebut target percepatan hingga 500 kali lipat dalam penyaringan komputasional. Angka tersebut adalah sasaran untuk proses penyaringan, bukan bukti bahwa bahan bakar atau proses kimia yang sudah selesai akan hadir 500 kali lebih cepat. Klaim bahwa penelitian ini akan “hampir lima kali lebih cepat dan murah” perlu dibaca secara hati-hati, kecuali memang merujuk pada metrik lanjutan yang berbeda. Ujian terpentingnya adalah apakah katalis yang dipilih komputer benar-benar bekerja dalam eksperimen dan dapat dikembangkan menjadi proses yang layak.

Proyek perangkat lunak menguji kode yang dibuat AI

AI4S juga memperlakukan keandalan perangkat lunak sebagai persoalan riset ilmiah dan rekayasa. NUS dan Imperial sedang mengembangkan perangkat penalaran program yang dapat menganalisis serta menguji kode, memverifikasi sifat tertentu secara formal, dan—bila memungkinkan—membuktikan kebenarannya. Perangkat ini ditujukan untuk perangkat lunak yang sulit atau berdampak besar, termasuk protokol jaringan dan komponen kernel Linux.

Salah satu penggunaan yang diusulkan adalah membiarkan sistem AI mengaudit kode yang dibuat sistem AI lain. Langkah ini berpotensi membuat pemrograman berbantuan AI lebih dapat diandalkan. Namun, analisis otomatis bukan jaminan universal bahwa perangkat lunak aman. Metode formal hanya dapat menetapkan sifat-sifat tertentu berdasarkan asumsi yang telah ditentukan; keandalan secara keseluruhan tetap bergantung pada kualitas spesifikasi, pengujian, dan sistem tempat kode tersebut beroperasi.

Riset kesehatan menggabungkan data biologis dan klinis

Di bidang biomedis, program ini mencakup proyek-proyek yang memadukan jenis data yang biasanya dianalisis secara terpisah.

Proyek MultiOmicsFM dari NUS dan A*STAR dirancang sebagai foundation model yang menggabungkan data DNA, RNA, dan aktivitas gen dari kumpulan data multietnis Singapura. Sasaran risetnya mencakup kajian risiko penyakit serta peningkatan desain dan penghantaran terapi mRNA.

Sementara itu, proyek BloodCounts! akan mengembangkan model DeepCBC menggunakan seluruh parameter mentah dari pemeriksaan darah lengkap, bersama citra apusan darah. Tujuannya adalah mengekstrak lebih banyak informasi diagnostik dari tes yang umum digunakan dan meneliti apakah kombinasi data tersebut dapat membantu memprediksi risiko kondisi seperti stroke dan kanker.

Keduanya merupakan aplikasi riset yang masih prospektif, bukan klaim bahwa tes darah rutin saat ini dapat mendiagnosis kondisi-kondisi tersebut. Sebelum digunakan secara klinis, model harus melalui validasi, peninjauan regulator, dan pengujian untuk memastikan kinerjanya konsisten pada populasi serta lingkungan layanan kesehatan yang relevan.

Digital twin membawa AI ke pertanian dan ketahanan iklim

Proyek lain akan membuat digital twin pertanian berbasis pengetahuan untuk lahan pertanian di Asia Tenggara. Digital twin adalah representasi virtual suatu sistem nyata. Dalam proyek ini, representasi tersebut akan menggabungkan data pengamatan dengan prinsip ilmu tanaman untuk menghasilkan prakiraan dan alat bantu keputusan terkait waktu tanam, penggunaan sumber daya, dan rantai pasok.

Penekanan pada pengetahuan ilmiah menjadi hal penting. Digital twin yang memperhitungkan batasan agronomi dapat lebih mudah dipahami dan diuji daripada prediksi yang sepenuhnya tidak transparan. Meski demikian, manfaatnya tetap bergantung pada kualitas, cakupan, dan ketepatan waktu data yang digunakan.

Portofolio delapan proyek ini juga mencakup rancangan berbasis AI untuk antarmuka yang ditujukan meningkatkan perpindahan energi. Secara keseluruhan, proyek-proyek tersebut mencakup material, komputasi, genomik, kesehatan, energi, pertanian, dan ketahanan iklim—bukan hanya satu sektor komersial.

Model kerja AI4S: siklus tertutup antara AI dan eksperimen

Di seluruh portofolio, pola yang sama terus muncul:

1. AI mencari atau mengusulkan hipotesis, material, katalis, desain molekul, kode, atau intervensi pertanian.
2. Eksperimen fisik atau digital menguji usulan tersebut melalui laboratorium otomatis, pengukuran, analisis perangkat lunak, atau model yang relevan dengan kondisi lapangan.
3. Bukti baru memperbaiki sistem, sehingga prediksi berikutnya semakin berakar pada hasil pengamatan.
4. Pakar di bidang terkait menentukan nilai hasilnya, termasuk apakah suatu keluaran dapat diproduksi, diandalkan, digunakan secara klinis, atau relevan bagi lingkungan.

Materials Data Foundry menjadi contoh paling nyata karena sejak awal dirancang untuk menghubungkan prediksi AI dengan sintesis dan pengukuran otomatis. Prinsip yang sama terlihat dalam penyaringan katalis, verifikasi perangkat lunak, dan pemodelan biomedis: prediksi yang lebih cepat hanya berguna jika menghasilkan bukti yang dapat dipercaya.

Mengapa Singapura berinvestasi di AI4S?

Inisiatif ini juga merupakan strategi untuk membangun talenta dan infrastruktur. NRF menempatkan AI4S sebagai wadah kolaborasi antara peneliti AI dan ilmuwan di bidang seperti ilmu material, ilmu hayati, serta ilmu kuantum. Ambisinya adalah melahirkan peneliti “bilingual”—ilmuwan yang memahami metode komputasi sekaligus persoalan ilmiah yang hendak mereka pecahkan.

Proyek-proyek tersebut mempertemukan institusi Singapura seperti NUS, Nanyang Technological University (NTU), dan A*STAR dengan mitra internasional seperti University of Toronto, Imperial College London, University of Cambridge, dan Kyoto University. Dua program yang melibatkan Imperial diselenggarakan melalui Imperial Global Singapore di kampus CREATE, dengan penekanan pada kolaborasi riset internasional dan akses bagi peneliti.

Struktur ini memberi Singapura cara untuk bersaing dalam riset berbasis AI: mendanai proyek dengan tantangan ambisius, membangun infrastruktur eksperimen dan digital bersama, menarik mitra global, serta melatih peneliti yang mampu menerjemahkan hasil model ke dalam eksperimen laboratorium.

Seperti apa ukuran keberhasilannya?

AI4S tidak semestinya dinilai dari jumlah prediksi yang dihasilkan model, melainkan dari apa yang tetap bertahan ketika diuji di dunia nyata. Hasil terkuat akan mencakup:

• resep manufaktur yang dapat direproduksi untuk material maju;
• katalis yang tetap bekerja dalam kondisi operasional realistis;
• perangkat lunak yang mampu menunjukkan jaminan kebenaran atau keandalan yang bermakna;
• model biomedis yang tervalidasi pada data dan lingkungan klinis yang sesuai; serta
• alat bantu keputusan pertanian yang terbukti meningkatkan prakiraan atau perencanaan sumber daya.

Pada akhirnya, Singapura sedang mempertaruhkan pendekatan AI yang terhubung dengan eksperimen, verifikasi, dan keahlian bidang tertentu. Program senilai S$120 juta ini berpotensi membuat penemuan ilmiah lebih sistematis dan mempercepat perjalanan dari gagasan menuju prototipe. Namun, pertanyaan utamanya masih terbuka: apakah delapan proyek riset tersebut mampu mengubah prediksi berbantuan AI menjadi teknologi yang dapat diproduksi dalam skala besar, aman, dan benar-benar bermanfaat.