Mengapa halaman ini terasa berbeda
Sebagian besar manual ini dibangun di atas ketidakpastian, bahaya, dan kesenjangan jujur dalam apa yang dapat diverifikasi. Halaman ini berbeda: halaman ini mengumpulkan hasil sains yang digerakkan AI yang bertanggal, dapat diperiksa, dan dalam satu kasus bahkan sudah membawa sebuah Hadiah Nobel — namun program riset yang sama yang menghasilkan metode pemenang Nobel itu juga menghasilkan sebuah makalah Nature yang dikoreksi secara resmi dan sebuah alat diagnostik yang bekerja di laboratorium tetapi tersandung di klinik nyata. Memegang kedua fakta ini sekaligus — pencapaian sejati dan overclaim sejati, dari laboratorium yang sama, kadang tahun yang sama — adalah inti halaman ini, bukan kontradiksi yang perlu dipecahkan.
Semua yang di bawah ini menyangkut pembelajaran mesin yang sempit dan spesifik-tugas yang diterapkan pada masalah sains atau kedokteran, bukan AGI. Bahwa suatu sistem umum di masa depan akan mempercepat seluruh sains sekaligus adalah sebuah skenario, dibahas pada manfaat AI dan biaya peluang dari penundaan; halaman ini tetap berpegang pada apa yang telah dikirimkan, dipublikasikan, atau ditinjau sejawat.
Struktur protein, terpecahkan: AlphaFold dan Hadiah Nobel 2024
Kasus paling jelas adalah prediksi struktur protein. Pada Oktober 2024 Akademi Ilmu Pengetahuan Kerajaan Swedia menganugerahkan Hadiah Nobel Kimia bersama kepada Demis Hassabis dan John Jumper dari Google DeepMind, “untuk prediksi struktur protein,” dan kepada David Baker dari University of Washington, untuk desain protein komputasional (NobelPrize.org, 9 Oktober 2024) — penghargaan tertinggi di bidang ini, empat tahun setelah hasil asli AlphaFold2 pada 2020 dan dikonfirmasi oleh sebuah disiplin ilmu yang menghabiskan tahun-tahun itu benar-benar menggunakan alat tersebut: dilaporkan lebih dari dua juta peneliti di 190 negara, memprediksi struktur untuk hampir seluruh 200 juta protein yang dikenal pada akurasi yang mendekati metode eksperimental pada target-target sulit (Nature News, 9 Oktober 2024).
Dari struktur ke obat: Isomorphic Labs, masih dalam pipeline
Pekerjaan pelipatan-protein DeepMind memunculkan Isomorphic Labs, dibangun untuk membawa prediksi struktur ke penemuan obat. Pada Januari 2024 perusahaan itu menandatangani kesepakatan dengan Eli Lilly dan Novartis senilai gabungan kira-kira $3 miliar dalam potensi milestone, ditujukan pada target molekul-kecil “yang tidak dapat diobati” (TechCrunch, 7 Januari 2024). Pada awal 2026, pemberitaan sekunder menggambarkan kolaborasi itu telah menghasilkan beberapa kandidat praklinis — masih bertahun-tahun dari sebuah uji klinis, apalagi obat yang disetujui. Belum ada obat dari kemitraan ini yang memasuki uji coba pada manusia hingga tulisan ini dibuat.
AlphaFold mempercepat satu langkah dalam sebuah pipeline yang panjang; belum terbukti mempercepat output pipeline itu, diukur dalam terapi yang disetujui alih-alih pembayaran milestone. Manfaat AI dan biaya peluang dari penundaan menarik garis antara manfaat yang terukur dan manfaat yang diproyeksikan — ini jelas termasuk yang diproyeksikan.
Penemuan material — dan sebuah koreksi yang membuktikan sistem bekerja
Kasus paling mendidik di sini adalah ilmu material, justru karena kisah ini tidak tetap menjadi kisah sukses yang mulus. Pada November 2023 DeepMind mempublikasikan GNoME di Nature: sebuah sistem yang memprediksi 2,2 juta kandidat struktur kristal, di mana sekitar 381.000 diprediksi stabil — kira-kira 45 kali lebih banyak senyawa stabil-namun-belum-terwujud daripada seluruh rekam jejak historis sebelumnya (Merchant dkk., Nature, 29 November 2023). Sebuah makalah pendamping menggambarkan sebuah laboratorium robotik otonom, “A-Lab,” yang menggunakan prediksi-prediksi ini untuk mensintesis puluhan material baru tanpa intervensi manusia, dalam tujuh belas hari.
Pada 2024, tiga ahli kimia dari luar — Robert Palgrave (UCL), Leslie Schoop (Princeton), dan Susan Latturner (Florida State) — menemukan bahwa kira-kira dua pertiga senyawa “baru” A-Lab sebenarnya adalah struktur yang sudah dikenal, salah diidentifikasi karena analisis difraksi sinar-X-nya menggunakan pencocokan pola tingkat-pemula alih-alih penyempurnaan Rietveld yang hati-hati yang akan diterapkan seorang kristalografer terlatih; banyak yang sudah ada dalam Inorganic Crystal Structure Database. Pada 19 Januari 2026, Nature mempublikasikan sebuah koreksi penulis resmi yang mengakui klaim kebaruan itu telah “tunduk pada kesalahpahaman” — baru bagi katalog platform itu sendiri, belum tentu baru bagi sains.
Ini bukan kisah tentang AI yang gagal. Prediksi struktur GNoME bukan bagian yang ternyata salah; overclaim itu ada pada bagaimana “baru” didefinisikan di hilir — dan itu ditangkap dan dikoreksi secara resmi melalui tinjauan sejawat biasa, dua tahun kemudian. Itulah sistem yang bekerja sebagaimana dimaksudkan: sebuah publikasi Nature adalah bukti kuat, tetapi tidak kebal terhadap koreksi, dan status sebenarnya sebuah klaim adalah apa yang bertahan dari pemeriksaan, bukan apa yang dikatakan siaran pers pada minggu peluncurannya.
Matematika: AlphaProof di Olimpiade, di luar jam kerja
Pada Juli 2024 DeepMind mengumumkan bahwa AlphaProof dan AlphaGeometry 2 telah memecahkan empat dari enam soal pada Olimpiade Matematika Internasional tahun itu, untuk skor 28 dari 42 — level medali perak, pertama kalinya sebuah sistem AI mencapainya (DeepMind, 25 Juli 2024). DeepMind sendiri mengungkapkan bahwa satu soal terpecahkan dalam hitungan menit tetapi yang lain membutuhkan hingga tiga hari komputasi, patut dicatat karena kompetitor manusia memecahkan enam soal yang sama dalam dua sesi 4,5 jam. Ini tidak dimasukkan atau dinilai sebagai sebuah pengajuan IMO sesungguhnya dan belum ditinjau sejawat secara independen sebagai hasil kompetisi; ini adalah sebuah tolok ukur yang dijalankan perusahaan, dijelaskan secara jujur, bukan sebuah klaim bahwa AI bersaing dengan matematikawan Olimpiade di bawah batasan yang sesungguhnya mereka hadapi.
Prakiraan cuaca: sebuah kasus yang sudah diselesaikan tinjauan sejawat
Prakiraan cuaca adalah kontras yang berguna karena kebenaran lapangan tiba setiap hari dan tidak bisa diakali secara retroaktif. GraphCast milik DeepMind, dipublikasikan di Science pada November 2023, mengungguli model operasional HRES milik badan cuaca Eropa pada mayoritas besar dari ribuan kombinasi variabel-dan-waktu-tunda yang dievaluasi, dan menghasilkan prakiraan global sepuluh hari dalam kurang dari satu menit pada satu TPU tunggal (DeepMind, 14 November 2023). Prakiraan dinilai terhadap cuaca sesungguhnya setiap hari, jadi ini adalah salah satu domain yang lebih sulit untuk di-overclaim, dan bertahun-tahun kemudian, hasil itu tetap bertahan.
Kedokteran, pada skala regulasi: izin FDA berlipat ganda
AI klinis telah melintasi dari kebaruan menjadi urusan regulasi rutin. Pada April 2018, IDx-DR (sekarang LumineticsCore) menjadi sistem diagnostik AI sepenuhnya otonom pertama yang diotorisasi FDA dalam kedokteran, diizinkan untuk mendeteksi retinopati diabetik tanpa interpretasi dokter, pada sebuah uji coba 900-subjek yang menunjukkan sensitivitas 87,2% dan spesifisitas 90,7% terhadap penilaian ahli (npj Digital Medicine, 2018). Izin semacam ini kini rutin: otorisasi FDA untuk perangkat berbasis-AI naik dari kira-kira 758 pada akhir 2024 menjadi 1.039 pada Desember 2025, laju naik dari sekitar 21 menjadi sekitar 30 sebulan, dipimpin oleh GE HealthCare, Siemens Healthineers, Philips, dan Canon (The Imaging Wire, 11 Maret 2026). Sebuah izin adalah fakta nyata yang dapat diperiksa — bukan klaim yang sama dengan “alat ini bekerja dengan baik di rumah sakit Anda,” yang menjadi titik awal bagian berikutnya.
Kesenjangan laboratorium-ke-klinik: apa yang terjadi ketika model bertemu pasien nyata
Kasus terdokumentasi paling jelas dari kesenjangan antara akurasi tervalidasi dan realita yang diterapkan adalah sistem retinopati-diabetik milik Google Health, yang melampaui 90% sensitivitas dan spesifisitas dalam uji coba. Diterapkan di 11 klinik di Thailand antara November 2018 dan Agustus 2019, sistem itu menolak kira-kira 21% dari sekitar 1.940 gambar yang diajukan perawat sebagai “tidak dapat dinilai” — sebagian besar kondisi pencahayaan yang akan diterima seorang pembaca manusia tanpa berpikir dua kali — mengganggu alur kerja dan memperpanjang kunjungan bagi pasien yang seringkali telah menempuh perjalanan berjam-jam untuk diperiksa. Temuan itu ditinjau sejawat pada CHI 2020, sebuah forum interaksi manusia-komputer terkemuka, dan dilaporkan pada saat itu oleh MIT Technology Review (MIT Technology Review, 27 April 2020). Tinjauan-tinjauan selanjutnya atas AI radiologi menggambarkan ini sebagai sebuah pola yang berulang: kinerja dunia-nyata bergantung pada peralatan dan alur kerja lokal, bukan hanya angka akurasi sebuah model.
Sebuah alat stroke terpisah yang diizinkan FDA, Viz.ai, menunjukkan perpecahan itu secara berbeda: sebuah tinjauan sistematis dan meta-analisis yang menggabungkan kira-kira selusin studi dan lebih dari 15.000 pasien mempercepat alur kerja rumah sakit tanpa perbaikan yang signifikan secara statistik pada hasil klinis yang seharusnya diperbaiki oleh alur kerja tersebut. Lebih cepat tidak otomatis berarti lebih baik.
Apa yang dikatakan pola ini tentang sisa situs ini
Setiap kasus di atas dihasilkan oleh kumpulan kecil laboratorium terdepan yang sama yang dibahas manual ini di tempat lain — terutama Google DeepMind — yang budaya risetnya dibahas pada bagaimana laboratorium AI terdepan berbeda, dan konsentrasi kemampuan sainsnya pada segelintir organisasi adalah subjeknya sendiri pada konsentrasi kekuasaan: mengapa segelintir laboratorium penting. Konsentrasi itu berlaku dua arah: itulah sebabnya satu program dapat mengumpulkan sebuah Hadiah Nobel, sebuah pencapaian medali-perak Olimpiade, dan sebuah makalah Nature yang dikoreksi dalam dua tahun, dan itulah sebabnya pembingkaian klaim-klaim ini pertama kali melewati publisitas laboratorium itu sendiri dan baru kemudian melewati tinjauan sejawat yang tidak bertanggung jawab kepadanya.
Tidak satu pun dari ini berargumen untuk mengabaikan hasil-hasil tersebut. Sebuah Hadiah Nobel bukan hype; sebuah prakiraan sepuluh-hari yang dihasilkan dalam kurang dari satu menit bukan hype. Tetapi “AI mempercepat sains” itu benar dengan cara sebagian besar klaim tahan-lama tentang teknologi ini benar: tidak merata, dengan keberhasilan paling jelas pada masalah-masalah yang memiliki kebenaran lapangan yang bersih dan dapat diperiksa — sebuah protein yang terlipat, cuaca besok, stabilitas terukur sebuah kristal — dan sebuah kesenjangan yang persisten di mana pun mil terakhir melewati sebuah klinik yang berantakan atau sebuah siaran pers yang tidak diperiksa. Disiplin yang menangkap kesalahan GNoME, dua tahun kemudian, adalah disiplin yang halaman ini minta pembaca terapkan di mana pun di situs ini.