AlphaFold, yang buatan sistem intelijen yang dikembangkan oleh Google DeepMindbaru saja menginjak usia lima tahun. Selama beberapa tahun terakhir, kami telah melaporkannya secara berkala keberhasilan; tahun lalu, itu memenangkan Hadiah Nobel Kimia.
Hingga debut AlphaFold pada November 2020, DeepMind terkenal karena mengajar dan kecerdasan buatan ke kalahkan juara manusia di permainan kuno Go. Kemudian ia mulai memainkan sesuatu yang lebih serius, mengarahkan algoritme pembelajaran mendalamnya pada salah satu masalah tersulit dalam sains modern: pelipatan protein. Hasilnya adalah AlphaFold2, sebuah sistem yang mampu memprediksi bentuk tiga dimensi protein dengan akurasi atom.
Pekerjaannya mencapai puncaknya pada kompilasi database yang kini berisi lebih dari 200 juta struktur prediksi, yang pada dasarnya merupakan keseluruhan protein yang diketahui, dan digunakan oleh hampir 3,5 juta peneliti di 190 negara di seluruh dunia. Alam artikel diterbitkan pada tahun 2021 menjelaskan algoritma tersebut dikutip 40.000 kali hingga saat ini. Tahun lalu, AlphaFold 3 hadir, memperluas kemampuan kecerdasan buatan hingga DNA, RNA, dan obat-obatan. Transisi tersebut bukannya tanpa tantangan—seperti “halusinasi struktural” di wilayah protein yang tidak teratur—tetapi ini menandai sebuah langkah menuju masa depan.
Untuk memahami apa yang akan terjadi dalam lima tahun ke depan untuk AlphaFold, WIRED berbicara dengan Pushmeet Kohli, wakil presiden penelitian di DeepMind dan arsitek divisi AI untuk Sains.
WIRED: Dr. Kohli, kedatangan AlphaFold 2 lima tahun lalu disebut sebagai “momen iPhone” untuk biologi. Ceritakan kepada kami tentang transisi dari tantangan seperti permainan Go ke masalah ilmiah mendasar seperti pelipatan protein, dan apa peran Anda dalam transisi ini?
Pertemuan dorong Kohli: Sains telah menjadi inti misi kami sejak hari pertama. Demis Hassabis mendirikan Google DeepMind dengan gagasan bahwa AI dapat menjadi alat terbaik yang pernah ditemukan untuk mempercepat penemuan ilmiah. Game selalu menjadi ajang pengujian, dan cara untuk mengembangkan teknik yang kami tahu pada akhirnya akan mengatasi masalah di dunia nyata.
Peran saya sebenarnya adalah mengidentifikasi dan menyelesaikan masalah ilmiah di mana AI dapat memberikan dampak transformatif, menguraikan bahan-bahan utama yang diperlukan untuk mencapai kemajuan, dan menyatukan tim multidisiplin untuk mengatasi tantangan besar ini. Apa yang AlphaGo buktikan adalah bahwa jaringan saraf yang dikombinasikan dengan perencanaan dan pencarian dapat menguasai sistem yang sangat kompleks. Pelipatan protein memiliki karakteristik yang sama. Perbedaan krusialnya adalah bahwa penyelesaian masalah ini akan membuka penemuan-penemuan di bidang biologi dan kedokteran yang benar-benar dapat meningkatkan kehidupan masyarakat.
Kami fokus pada apa yang saya sebut sebagai “masalah titik akar”, yaitu area di mana komunitas ilmiah sepakat bahwa solusinya bersifat transformatif, namun pendekatan konvensional tidak akan membawa kita ke sana dalam lima hingga 10 tahun ke depan. Anggap saja seperti pohon pengetahuan—jika Anda memecahkan akar masalah ini, Anda membuka cabang penelitian baru. Pelipatan protein jelas merupakan salah satunya.
Ke depan, saya melihat ada tiga peluang utama: membangun model yang lebih kuat yang benar-benar dapat berpikir dan berkolaborasi dengan para ilmuwan seperti mitra penelitian, menyediakan alat-alat ini ke tangan setiap ilmuwan di planet ini, dan mewujudkan ambisi yang lebih berani, seperti menciptakan simulasi akurat pertama dari sel manusia yang utuh.
Mari kita bicara tentang halusinasi. Anda telah berulang kali menganjurkan pentingnya “memanfaatkan” arsitektur, memasangkan model generatif kreatif dengan pemverifikasi yang ketat. Bagaimana filosofi ini berkembang dari AlphaFold 2 ke AlphaFold 3, khususnya sekarang Anda menggunakan model difusi yang secara inheren lebih “imajinatif” dan rentan terhadap halusinasi?
Filosofi inti tidak berubah—kami masih memadukan generasi kreatif dengan verifikasi yang ketat. Yang berkembang adalah bagaimana kita menerapkan prinsip tersebut pada permasalahan yang lebih ambisius.
Kami selalu mengutamakan masalah dalam pendekatan kami. Kami tidak mencari tempat untuk memanfaatkan teknik yang ada; kami memahami masalahnya secara mendalam, lalu membangun apa pun yang diperlukan untuk menyelesaikannya. Peralihan ke model difusi di AlphaFold 3 berasal dari tuntutan sains: Kami perlu memprediksi bagaimana protein, DNA, RNA, dan molekul kecil berinteraksi bersama, bukan hanya struktur protein individual.
Anda benar jika menyampaikan kekhawatiran tentang halusinasi dengan model difusi yang lebih generatif. Di sinilah verifikasi menjadi lebih penting. Kami telah membangun skor keyakinan yang memberi sinyal ketika prediksi mungkin kurang dapat diandalkan, dan hal ini sangat penting bagi protein yang secara intrinsik mengalami gangguan. Namun yang benar-benar memvalidasi pendekatan ini adalah bahwa selama lima tahun, para ilmuwan telah berulang kali menguji prediksi AlphaFold di laboratorium mereka. Mereka memercayainya karena dalam praktiknya berhasil.
Anda meluncurkan “AI co-scientist,” sebuah sistem agen yang dibangun di Gemini 2.0 yang menghasilkan dan memperdebatkan hipotesis. Ini terdengar seperti metode ilmiah di dalam kotak. Apakah kita sedang bergerak menuju masa depan di mana “Penyelidik Utama” sebuah laboratorium adalah AI, dan manusia hanyalah teknisi yang memverifikasi eksperimennya?
Apa yang saya lihat terjadi adalah perubahan cara para ilmuwan menghabiskan waktu mereka. Para ilmuwan selalu memainkan peran ganda—memikirkan masalah apa yang perlu dipecahkan, dan kemudian mencari cara untuk menyelesaikannya. Dengan AI yang lebih membantu dalam hal “bagaimana”, para ilmuwan akan memiliki lebih banyak kebebasan untuk fokus pada “apa”, atau pertanyaan mana yang benar-benar layak untuk ditanyakan. AI dapat mempercepat pencarian solusi, terkadang secara mandiri, namun menentukan masalah mana yang perlu mendapat perhatian pada dasarnya tetap bersifat manusiawi.
Co-scientist dirancang dengan mempertimbangkan kemitraan ini. Ini adalah sistem multi-agen yang dibangun dengan Gemini 2.0 yang bertindak sebagai kolaborator virtual: mengidentifikasi kesenjangan penelitian, menghasilkan hipotesis, dan menyarankan pendekatan eksperimental. Baru-baru ini, para peneliti Imperial College menggunakannya saat mempelajari bagaimana virus tertentu membajak bakteri, sehingga membuka arah baru untuk mengatasi resistensi antimikroba. Namun para ilmuwan merancang eksperimen validasi dan memahami pentingnya hal ini bagi kesehatan global.
Yang penting adalah memahami alat-alat ini dengan benar, baik kelebihan maupun keterbatasannya. Pemahaman itulah yang memungkinkan para ilmuwan untuk menggunakannya secara bertanggung jawab dan efektif.
Dapatkah Anda memberikan contoh nyata—mungkin dari penelitian Anda mengenai penggunaan kembali obat atau evolusi bakteri—di mana agen AI tidak setuju, dan ketidaksepakatan tersebut menghasilkan hasil ilmiah yang lebih baik daripada manusia yang bekerja sendirian?
Cara kerja sistemnya cukup menarik. Kami memiliki beberapa model Gemini yang bertindak sebagai agen berbeda yang menghasilkan ide, kemudian berdebat dan mengkritik hipotesis satu sama lain. Idenya adalah bahwa bolak-balik internal ini, mengeksplorasi interpretasi bukti yang berbeda, akan menghasilkan proposal penelitian yang lebih halus dan kreatif.
Misalnya, para peneliti di Imperial College sedang menyelidiki bagaimana “fag bajakan” tertentu—virus menarik yang membajak virus lain—berhasil membobol bakteri. Memahami mekanisme ini dapat membuka cara-cara baru untuk mengatasi infeksi yang resistan terhadap obat, yang jelas merupakan tantangan kesehatan global yang sangat besar.
Apa yang dibawa oleh Co-scientist ke dalam karya ini adalah kemampuan untuk dengan cepat menganalisis penelitian yang dipublikasikan selama beberapa dekade dan secara mandiri sampai pada hipotesis tentang mekanisme transfer gen bakteri yang sesuai dengan apa yang telah dikembangkan dan divalidasi secara eksperimental oleh tim Imperial selama bertahun-tahun.
Apa yang sebenarnya kita lihat adalah bahwa sistem ini dapat secara dramatis mempersingkat fase pembuatan hipotesis—mensintesis literatur dalam jumlah besar dengan cepat—sementara peneliti manusia masih merancang eksperimen dan memahami arti sebenarnya dari temuan tersebut bagi pasien.
Menatap lima tahun ke depan, selain protein dan bahan, apa saja “masalah yang belum terselesaikan” yang membuat Anda terjaga di malam hari sehingga alat ini dapat membantu?
Yang benar-benar menggairahkan saya adalah memahami bagaimana sel berfungsi sebagai sistem yang lengkap—dan menguraikan genom adalah hal mendasar dalam hal tersebut.
DNA adalah buku resep kehidupan, protein adalah bahannya. Jika kita benar-benar dapat memahami apa yang membuat kita berbeda secara genetik dan apa yang terjadi ketika DNA berubah, kita akan membuka kemungkinan-kemungkinan baru yang luar biasa. Bukan hanya obat yang dipersonalisasi, namun berpotensi merancang enzim baru untuk mengatasi perubahan iklim dan aplikasi lain yang melampaui layanan kesehatan.
Meskipun demikian, simulasi seluruh sel adalah salah satu tujuan utama biologi, namun masih jauh dari tujuan. Sebagai langkah pertama, kita perlu memahami struktur terdalam sel, intinya: tepatnya ketika setiap bagian kode genetik dibaca, bagaimana molekul pemberi sinyal diproduksi yang pada akhirnya mengarah pada penyusunan protein. Setelah kita menjelajahi inti atom, kita dapat menelusurinya dari dalam ke luar. Kami sedang mengupayakannya, namun hal itu memerlukan waktu beberapa tahun lagi.
Jika kita dapat mensimulasikan sel dengan andal, kita dapat mengubah bidang kedokteran dan biologi. Kita dapat menguji kandidat obat secara komputasi sebelum sintesis, memahami mekanisme penyakit pada tingkat mendasar, dan merancang perawatan yang dipersonalisasi. Itulah jembatan antara simulasi biologis dan realitas klinis yang Anda tanyakan—beralih dari prediksi komputasi ke terapi aktual yang membantu pasien.
Cerita ini pertama kali muncul di KABEL Italia dan telah diterjemahkan dari bahasa Italia.
