Dari berbulan-bulan menjadi 32 menit
AI multi-agen untuk penelitian adalah sistem yang membagi persoalan ilmiah besar menjadi tugas-tugas kecil, lalu menugaskan banyak agen untuk menganalisisnya secara paralel dan merangkai hasilnya menjadi satu gambaran. Pendekatan ini mengubah skala kerja yang dapat ditangani ilmuwan. OpenAI, PerturbAI, dan Scripps Research menggunakan ribuan agen AI untuk menganalisis data eksperimen dari jutaan sel otak tikus; pekerjaan yang diperkirakan memerlukan berbulan-bulan hingga setahun jika dikerjakan manual selesai dalam 32 menit. Studi ini memakai GPT-Rosalind, model untuk ilmu kehidupan. Tiap agen memeriksa satu perubahan genetik, mengamati respons sel, dan mencari kaitannya dalam literatur ilmiah. Hasilnya disusun menjadi “atlas penalaran” yang menghubungkan gen, perubahan sel, dan pengetahuan terdahulu. Inilah daya tarik agen AI penelitian: bukan menggantikan eksperimen, melainkan membuat data yang terlalu besar untuk ditelusuri satu per satu lebih berguna.
Petunjuk baru, bukan obat instan
Nilai riset otak ini terletak pada kemampuannya mengangkat petunjuk yang mungkin luput saat ilmuwan berhadapan dengan jutaan hasil. Salah satu kaitan yang ditemukan menyangkut DCTN1, gen yang berhubungan dengan Perry syndrome, kondisi neurodegeneratif langka dengan gejala mirip Parkinson. Saat gen itu diganggu, aktivitas gen penghasil kolesterol meningkat; agen AI mengaitkan pengamatan tersebut dengan penelitian terdahulu tentang gangguan transportasi kolesterol di dalam sel. Sistem juga melihat bahwa gangguan pada Tsc1 dan Tsc2, meski keduanya bekerja bersama mengatur pertumbuhan dan metabolisme sel, dapat memberi efek berbeda pada neuron tertentu di cerebellum. Namun, AI belum menemukan obat Alzheimer atau Parkinson. Temuan ini masih petunjuk awal yang harus diuji ilmuwan. Bagi pasien, belum ada terapi baru untuk diandalkan; bagi peneliti, ada arah eksperimen yang lebih terfokus.
Klaim besar di matematika dan ilmu komputer
Pada 26 Oktober 2026, OpenAI mengumumkan bahwa modelnya menghasilkan tiga penemuan ilmiah di matematika, ilmu komputer, dan fisika. Salah satu klaim paling mencolok menyangkut local smoothing conjecture, persoalan yang diajukan pada 1991. Perusahaan menyatakan AI-nya membuktikan konjektur itu untuk semua dimensi, setelah pembuktian sebelumnya terbatas pada dua dimensi spasial. Klaim tersebut juga dikaitkan dengan pembuktian Kakeya conjecture dan Stein’s restriction conjecture di semua dimensi. Di bidang komputasi, OpenAI mengklaim AI membuktikan bahwa Exponential Time Hypothesis (ETH) keliru. Hipotesis ini menjadi landasan ratusan makalah, termasuk dalam teori graf dan biologi komputasi. Jika hasilnya bertahan setelah pemeriksaan ilmiah, konsekuensinya melampaui satu teka-teki: sebagian kesimpulan riset terdahulu mungkin perlu ditinjau ulang. Tetapi pengumuman perusahaan bukan pengganti verifikasi independen.
Otomasi yang memperluas ruang pencarian
Keunggulan multi-agen bukan semata-mata jumlahnya, melainkan cara kerja yang membagi pencarian tanpa memecah konteks ilmiahnya. Dalam perbandingan pada beban kerja terbesar, satu agen mengutip 11 referensi ilmiah, sementara sistem terdistribusi mengutip lebih dari 700; penilai manusia yang tidak mengetahui metode pembuat laporan memilih hasil sistem terdistribusi 75 persen dari waktu. Angka itu memberi alasan kuat untuk menganggap otomasi riset sains sebagai perubahan metode, bukan sekadar alat bantu menulis. Ribuan agen dapat memeriksa lebih banyak kemungkinan tanpa meminta peneliti membaca setiap makalah atau menelusuri setiap perubahan genetik satu per satu. Inilah potensi AI percepatan penelitian: mempersempit kesenjangan antara data eksperimen yang melimpah dan waktu ilmuwan yang terbatas. Namun, keluasan pencarian bukan jaminan bahwa setiap hubungan yang disarankan benar. Tugas manusia bergeser ke pemeriksaan, pengujian, dan pemilihan pertanyaan yang paling layak.
Langkah berikutnya seharusnya bukan menyerahkan kesimpulan ilmiah kepada mesin, melainkan menguji petunjuk yang dihasilkan dengan eksperimen dan penelaahan manusia. Riset biologi dapat mengumpulkan informasi dari jutaan sel, tetapi tim peneliti sering kekurangan waktu atau sumber daya untuk menyelidiki semua hasil tak terduga. Agen dapat membantu menghubungkan temuan baru dengan literatur yang tersebar dan mengarahkan ilmuwan ke pertanyaan yang menjanjikan, sementara pembuktian matematika pun dapat diperiksa secara formal menggunakan Lean. Dampak praktisnya bukan penemuan instan, melainkan keputusan riset yang lebih terarah dan lebih banyak kemungkinan yang dapat diperiksa. Kesimpulannya, sistem multi-agen berpotensi mengubah laju inovasi di banyak bidang, tetapi kecepatannya hanya bernilai jika bukti dan klaimnya tetap melewati pengujian ilmiah.
