AI Semakin Pintar Menciptakan Hipotesis, Tapi Laboratorium Fisik Tak Mampu Mengejar: DeepMind Sebut Ini 'Kemacetan Validasi'

Mengapa Ini Penting Sekarang?

Kemacetan ini memiliki konsekuensi nyata. Dalam pengembangan obat, misalnya, AI dapat dengan cepat mengusulkan ribuan kandidat molekul baru, tetapi validasi klinis tetap lambat, mahal, dan terbatas kapasitasnya. Pushmeet Kohli, salah satu pemimpin DeepMind, sebelumnya telah mencatat bahwa meskipun AlphaFold berhasil memangkas prediksi struktur protein dari bertahun-tahun menjadi hitungan detik, validasi obat secara klinis masih menjadi hambatan yang belum terselesaikan . Hal yang sama terjadi di bidang ilmu material dan solusi iklim: antara ide-ide yang dihasilkan AI dan infrastruktur pengujian fisik yang tersedia untuk memvalidasinya .

Empat Prioritas yang Didorong DeepMind

Esai DeepMind menguraikan empat prioritas konkret untuk menjembatani kesenjangan ini :

1. Pastikan akses luas ke agen AI bagi para ilmuwan.
Perlakukan akses ke agen AI sebagai prioritas strategis, seperti halnya upaya historis menyediakan akses superkomputer bagi para ilmuwan. Peneliti di berbagai institusi — tidak hanya yang berada di laboratorium dengan dana besar — membutuhkan alat untuk menghasilkan dan menguji hipotesis .

2. Jadikan infrastruktur laboratorium nasional tersedia untuk sains yang didorong AI.
Perluas dan buka fasilitas laboratorium fisik, seperti laboratorium nasional dan pusat pengujian berkapasitas tinggi bersama, sehingga gelombang hipotesis yang dihasilkan AI dapat divalidasi secara sistematis di dunia nyata .

3. Kembangkan model pendanaan baru yang mendukung validasi berkapasitas tinggi.
Struktur hibah tradisional terlalu lambat dan terlalu kecil untuk skala pengujian yang diminta AI. Penyandang dana harus menciptakan mekanisme yang secara eksplisit mendukung jalur validasi eksperimental skala besar yang cepat .

4. Reformasi proses peer review dan evaluasi untuk era agen.
Peninjau (reviewer) sendiri harus diberdayakan untuk menggunakan agen AI, dan kerangka kerja baru seperti "Kartu Interaksi Manusia-AI" diperlukan untuk memastikan transparansi, reprodusibilitas, dan kepercayaan dalam sains yang dibantu agen .

Konteks yang Lebih Luas: Tantangan yang Sudah Diketahui

Ini bukan pertama kalinya DeepMind memperingatkan tentang masalah validasi. Sebuah makalah kebijakan dari perusahaan pada November 2024 telah mengidentifikasi kesenjangan digital-ke-dunia-nyata sebagai tantangan utama, dan peneliti Pushmeet Kohli secara terbuka telah menandai infrastruktur validasi sebagai salah satu dari dua hambatan utama yang tersisa untuk sains yang dipercepat AI, di samping aksesibilitas . Esai Juli 2026 ini merupakan pernyataan kebijakan paling terfokus mengenai masalah ini hingga saat ini.

Catatan Penting tentang Tanggal

Sumber utama untuk temuan ini adalah esai DeepMind sendiri di halaman kebijakan publiknya, yang diterbitkan pada Juli 2026 . Beberapa laporan awal secara keliru menyebutkan esai Juli 2025; tidak ada esai tentang topik persis ini dari Juli 2025 yang ditemukan dalam hasil pencarian. Substansi peringatan dan empat prioritasnya konsisten di semua sumber pelaporan .