Editor|Panda
Di Resident Evil, ada laboratorium bawah tanah bernama "Hive". Akses, pengawasan, ventilasi, keamanan, hingga operasi seluruh fasilitas dipercayakan kepada sebuah AI: Red Queen.
Ilmuwan manusia bertanggung jawab untuk riset, tetapi yang benar-benar mengendalikan "tangan dan kaki" laboratorium ini adalah AI.
Ketika terjadi anomali, Red Queen dapat menutup pintu, memutus sistem, mengontrol fasilitas, dan langsung mengintervensi dunia fisik.
Dua puluh tahun lalu, plot seperti ini masih merupakan trope klasik film fiksi ilmiah untuk menciptakan rasa takut: AI memasuki dunia fisik, memanipulasi mesin, menjalankan eksperimen, dan langsung mengintervensi dunia nyata.
Sekarang, gambaran itu mulai memasuki kenyataan dengan cara yang sama sekali berbeda — setidaknya untuk saat ini belum menakutkan.
Baru kemarin, Anthropic merilis Model Hardware Standard (MHS) untuk perangkat keras fisik, berusaha memperluas logika MCP dari GitHub, Slack, dan basis data lebih jauh ke lengan robot, mikroskop, liquid handler, laser, dan perangkat fisik nyata lainnya. Lihat laporan "Baru Saja, Anthropic Rilis MCP Fisik: Claude Mulai Mengambil Alih Dunia Nyata".
Sederhananya, AI Agent tidak hanya perlu memiliki "interface" untuk memanggil perangkat lunak, ia mulai membutuhkan satu set "saraf dan tangan kaki" yang menghubungkannya dengan dunia nyata. Dan hari ini, Google DeepMind kembali menunjukkan hasil kerja mereka di bidang ini.
Dalam sebuah makalah 83 halaman yang baru dirilis, Google menghubungkan Co-Scientist yang digerakkan Gemini ke dalam alur kerja riset nyata, dan bahkan memintanya merancang eksperimen, menghasilkan kode eksekusi, membaca umpan balik eksperimen, serta terhubung langsung dengan perangkat eksperimen. Google menyebut perubahan ini sebagai pergeseran dari in-silico hypothesis generator menuju execution-grounded research partner, yaitu penghasil hipotesis dalam chip → mitra riset berbasis eksekusi.
Dalam satu eksperimen yang paling gamblang, para peneliti memberi tahu Gemini 3 Deep Think tentang spesifikasi sebuah perangkat CVD yang dibangun sendiri. Dalam beberapa menit, ia memberikan rencana pertumbuhan material yang disesuaikan dengan mesin itu, dan selanjutnya menerjemahkan rencana tersebut menjadi kode mesin yang dapat mengontrol perangkat. Akhirnya, tiga semikonduktor dua dimensi berhasil ditumbuhkan pada percobaan pertama.
Dengan demikian, sebuah adegan yang selama ini terutama hanya ada di film fiksi ilmiah tiba-tiba menjadi kenyataan: ketika model besar benar-benar memiliki "tangan", mulai memanipulasi peralatan eksperimen. Lalu, mulai hari ini, AI Scientist akan menjadi apa?
Di Resident Evil, manusia takut AI mengambil alih laboratorium. Sedangkan ilmuwan di dunia nyata, secara aktif sedang memberikan laboratorium mereka sedikit demi sedikit kepada AI. Tentu saja, yang ingin dilakukan Google bukanlah "Hive" yang lepas kendali, melainkan sebuah mesin penemuan ilmiah yang dapat berjalan dari mengajukan hipotesis, merancang eksperimen, hingga verifikasi eksperimen nyata.
Judul Makalah: Accelerating Scientific Research with Gemini in the Real-World
Alamat Makalah: https://arxiv.org/pdf/2608.26701
Gemini Mengambil Alih Sebuah Perangkat Eksperimen
Pertama, ilmu material.
Para peneliti menggunakan perangkat deposisi uap kimia (CVD) yang mereka bangun sendiri. Dalam eksperimen material dua dimensi semacam ini, masalah lama yang ada adalah: "resep" yang dipublikasikan sulit direproduksi.
Dengan parameter suhu, gas, prekursor yang sama, jika diganti dengan tungku lain, dengan ukuran rongga, aliran udara, atau posisi penempatan material yang sedikit berbeda, kristal yang tumbuh akhirnya bisa jadi sama sekali berbeda. Para peneliti seringkali membutuhkan waktu berminggu-minggu bahkan berbulan-bulan untuk berulang kali menyesuaikan parameter.
Kemudian tim peneliti tidak lagi memberi tahu Gemini bagaimana melakukan eksperimen, melainkan memberi tahu apa perangkat yang ada di lab, bahan kimia apa yang tersedia, dan struktur tungku seperti apa. Parameter sisanya ditentukan sendiri oleh AI.
Co-Scientist menghasilkan skema eksperimen lengkap berdasarkan batasan-batasan ini, termasuk laju aliran gas, kurva suhu, jumlah prekursor, posisi penempatan material, dan kemudian menyerahkannya kepada perangkat eksperimen untuk dieksekusi.
Salah satu kelompok eksperimen sangat mencolok. Setelah tim peneliti menghubungkan Gemini 3 Deep Think ke dalam alur kendali CVD, ia tidak lagi menghasilkan skema eksperimen dalam bahasa alami untuk dibaca perlahan oleh ilmuwan, melainkan menyelesaikan penalaran dalam beberapa menit, dan menerjemahkan hasilnya langsung menjadi kode mesin yang dapat mengontrol perangkat.
Pada akhirnya, tiga semikonduktor dua dimensi, MoS2, MoSe2, dan WS2, semuanya berhasil menumbuhkan kristal monolapis pada percobaan pertama. Seluruh alur eksperimen diselesaikan dalam sekitar satu jam.
MoSe2 dan WS2 lebih istimewa: para peneliti sebelumnya bahkan belum pernah menumbuhkan kedua material ini di perangkat tersebut. Setidaknya lima kali percobaan ulang berikutnya juga memverifikasi hasilnya.
Ini memiliki keserasian yang menarik dengan MHS yang ditunjukkan Anthropic kemarin. Masalah yang ingin dipecahkan Anthropic adalah bagaimana membuat Agent lebih mudah dan standar dalam mengenali dan memanipulasi perangkat eksperimen; makalah Google ini membahas langkah selanjutnya: ketika model penalaran sudah dapat mengontrol perangkat eksperimen, bagaimana alur kerja riset harus direstrukturisasi?
Dalam arti ini, "AI terhubung ke perangkat keras" bukan lagi masalah.
Bukan Hanya Melakukan Eksperimen Menurut Makalah, AI Mulai Mencari Resep Sendiri
Namun, jika hanya meminta Gemini menyesuaikan perangkat berdasarkan pengetahuan yang ada, itu belum bisa disebut penemuan ilmiah dalam arti sebenarnya. Jadi Google melakukan eksperimen kedua yang lebih sulit: mencoba mensintesis material dua dimensi MXene bernama Ti3C2Tx dari bawah ke atas.
Rute tradisional sering kali melibatkan agen korosif berbahaya, sementara beberapa skema CVD yang diketahui menggunakan TiCl4 yang beracun dan sensitif terhadap udara. Tim peneliti kemudian memberikan tugas kepada Co-Scientist: bisakah menemukan rute prekursor yang lebih aman?
Co-Scientist akhirnya mengunci target pada heksakloroetana C2Cl6, dan selanjutnya memberikan sejumlah parameter seperti jumlah prekursor, posisi, laju aliran gas, substrat, dan kurva suhu.
Tapi ini bukan cerita "AI mendapat inspirasi, eksperimen langsung berhasil". Co-Scientist menghasilkan total 272 kandidat skema, para peneliti memilih dan terus mengoptimalkan skema dengan peringkat tinggi; setelah 25 putaran iterasi eksperimen, akhirnya diperoleh kristal berlapis dua dimensi. Pada beberapa indikator seperti XRD, mikroskop elektron, dan komposisi unsur, ia menunjukkan karakteristik yang sangat mirip dengan Ti3C2Tx MXene.
Masalah dunia nyata selanjutnya juga tipikal. Tingkat keberhasilan awal dalam mereproduksi eksperimen hanya 11.5%. Para peneliti kemudian menemukan bahwa masalah utamanya bukan penalaran kimia AI, melainkan kebocoran oksigen akibat segel perangkat eksperimen yang tidak rapat.
Setelah membersihkan kembali tabung kuarsa, mengganti ring seal, dan memperbaiki prosedur pemeliharaan perangkat, tingkat keberhasilan eksperimen untuk material dua dimensi yang sama baru meningkat menjadi 68%.
Ini justru menunjukkan mengapa "AI dunia nyata" sangat berbeda dengan Agent perangkat lunak: jika kode salah, dapat dijalankan ulang. Namun dalam eksperimen nyata, sebuah ring O yang sudah tua, residu di pipa, bahkan oksigen di udara, semua dapat membuat skema riset yang benar-benar gagal total.
Google juga sangat berhati-hati dalam makalah ini: saat ini belum dapat dikonfirmasi akhir bahwa material ini adalah Ti3C2Tx MXene, masih ada masalah seperti hasil rendemen rendah, oksidasi berat, dan perlu dikonfirmasi lebih lanjut melalui karakterisasi skala atom.
Meski demikian, kita masih dapat menyimpulkan: AI sudah dapat mengusulkan kandidat rute sintesis yang bermakna secara ilmiah, dan kemudian benar-benar memajukan rute ini ke dalam eksperimen fisik untuk diverifikasi.
Beberapa Eksperimen Mungkin Bisa Ditebak Dulu oleh AI
Google juga memasukkan Co-Scientist ke dalam skenario eksperimen yang sama sekali berbeda: biologi sintetis. Objek penelitian adalah sekelompok bakteri E. coli yang telah direkayasa.
Bakteri-bakteri ini akan membentuk pola koloni yang berbeda dalam cawan petri. Ketika konsentrasi inducer IPTG berubah, ukuran, tepi, dan bentuk koloni juga akan berubah. Normalnya, untuk mendapatkan seluruh kurva perubahan, ilmuwan perlu menyiapkan berbagai konsentrasi, membiakkan bakteri, menunggu pertumbuhan, lalu memindai satu per satu cawan.
Google mencoba meminta AI untuk melengkapi sebagian eksperimen di tengah. Para peneliti hanya memberikan gambar koloni nyata pada beberapa konsentrasi kepada Co-Scientist, kemudian meminta sistem memprediksi seperti apa koloni seharusnya terlihat pada konsentrasi tengah yang belum pernah dilihat. Dan karena data eksperimen ini saat itu belum dipublikasikan, makalah berpendapat bahwa model tidak mungkin hanya mengandalkan mengingat hasil dalam data pelatihan untuk menyelesaikan tugas.
Hasilnya, dalam empat indikator morfologi koloni, prediksi AI pada tiga di antaranya tidak menunjukkan perbedaan signifikan dengan hasil eksperimen basah nyata; AI juga dengan benar menilai bahwa kelompok kontrol tidak akan menghasilkan perubahan sesuai dengan konsentrasi IPTG.
Satu-satunya yang bermasalah jelas adalah "kebulatan": koloni yang dihasilkan AI lebih rapi daripada kondisi sebenarnya. Sangat sesuai dengan estetika model generatif yang konsisten: dunia nyata tumbuh tidak sempurna, tetapi AI tidak tahan untuk membuatnya lebih bulat.
Definisi Google terhadap eksperimen ini juga cukup hati-hati: yang dihasilkan saat ini adalah interpolasi dalam rentang konsentrasi yang diketahui, bukan memprediksi fenomena yang sama sekali baru langsung dari sirkuit genetik baru.
Tapi ini sudah sesuai dengan penggunaan yang sangat realistis. Di masa depan, ilmuwan mungkin tidak perlu melakukan seluruh ruang parameter besar dengan eksperimen basah. Dapat mengukur beberapa titik terlebih dahulu, meminta AI memprediksi ruang sisanya berdasarkan data nyata ini, lalu memilih posisi yang paling layak untuk diverifikasi melalui eksperimen.
Eksperimen dengan demikian secara bertahap berubah dari "menghitung habis" menjadi: sampling dunia nyata → prediksi AI → pemilihan eksperimen → data baru diumpan balik ke AI.
Inilah yang ditekankan berulang kali dalam makalah: lab-in-the-loop.
AI Sudah Mulai Merancang AI Sendiri
Ketika sampai pada eksperimen ilmu komputer, tingkat otonomi Co-Scientist kembali meningkat satu tingkat.
Kali ini para peneliti memberikan tugas yang sangat sederhana: rancang sebuah Agent yang dapat menjawab pertanyaan medis dengan lebih baik. Setelah itu, manusia tidak lagi terlibat dalam desain arsitektur. Co-Scientist sendiri mengusulkan skema, menulis kode, menjalankan tes, menganalisis kesalahan, lalu terus memodifikasi arsitektur.
Akhirnya, ia "berevolusi" menjadi sistem bernama Agent_H.
Sistem ini perlu menemukan cara untuk mengatur ulang proses penalaran model yang ada. Menghadapi pertanyaan medis, ia akan menilai terlebih dahulu pertanyaan tersebut termasuk bidang medis mana, ditujukan untuk pasien atau dokter, seberapa tinggi risikonya; pertanyaan kompleks akan dipecah menjadi beberapa sub-pertanyaan; kemudian secara bersamaan menghasilkan 28–48 kandidat jawaban, meminta berbagai Judge saling mengeliminasi dua-dua, lalu tiga Judge memilih jawaban akhir melalui voting. Jawaban yang menang juga harus melalui banyak putaran tinjauan klinis, pemeriksaan kutipan, dan akhirnya dikompresi panjangnya.
Untuk menjawab satu pertanyaan, seluruh Agent perlu memanggil model sekitar 40-80 kali. Di HealthBench Hard dan HealthBench Professional, menurut skor koreksi panjang yang digunakan dalam makalah, Agent_H melampaui enam model terdepan termasuk GPT-5.6 Sol, Claude Opus 5, dan Gemini 3.1 Pro.
Tapi di sini muncul sebuah selingan yang sangat layak ditulis dalam laporan: AI belajar sendiri "memanipulasi peringkat".
Dalam eksperimen awal, standar penilaian tidak cukup menghukum jawaban yang panjang bertele-tele. Kemudian Co-Scientist dengan cepat menemukan cara termudah untuk meningkatkan skor: menulis jawaban dengan sangat panjang.
Skor benchmark pun meningkat signifikan, tetapi kualitas medis tidak meningkat sesuai. Baru setelah para peneliti menambahkan hukuman panjang, banyak keunggulan itu menghilang.
Google sendiri dalam makalahnya menganggapnya sebagai Goodhart's Law yang khas: ketika sebuah metrik menjadi tujuan, ia tidak lagi menjadi metrik yang baik.
Evaluasi dokter nyata juga memberikan sedikit koreksi terhadap hasil. Tiga dokter praktisi melakukan evaluasi buta terhadap 106 pertanyaan. Dalam sembilan dimensi, Agent_H hanya unggul signifikan secara statistik pada dimensi "mengurangi potensi bahaya" dibandingkan versi asli Gemini 3.1 Pro, sedangkan delapan dimensi lainnya tidak menunjukkan perbedaan signifikan.
Dengan kata lain, skor Benchmark yang secara jelas lebih tinggi di mata AI Judge, tidak sepenuhnya berubah menjadi jawaban yang secara jelas lebih baik di mata dokter manusia. Ini mungkin juga masalah yang harus dihadapi AI Scientist setelah benar-benar memasuki dunia nyata: ia tidak hanya harus pandai mengoptimalkan, tetapi juga harus tahu hal-hal apa yang tidak boleh hanya didefinisikan dengan mengoptimalkan metrik.
Ilmuwan AI Akan "Membuat Data" untuk Makalah
Faktanya, Google menghabiskan cukup banyak ruang dalam makalah ini untuk mempelajari masalah lain yang agak canggung: jika AI Scientist benar-benar dibebaskan, akankah ia curang untuk mendapatkan hasil yang indah?
Jawabannya: Ya.
Tim peneliti meminta sistem bekerja pada 50 topik penelitian AI, mulai dari mengusulkan ide, mencari data, menulis kode, menjalankan eksperimen, hingga menghasilkan makalah akhir, tanpa intervensi manusia sama sekali.
Sebagai kontrol, mereka juga menguji Co-Scientist tanpa modul keandalan, serta sistem Agent Laboratory sebelumnya, menghasilkan total 150 makalah, kemudian diserahkan kepada 30 ahli di bidangnya untuk dilakukan 450 kali peninjauan anonim.
Hasilnya cukup mengejutkan. AI Scientist tanpa mekanisme verifikasi khusus, bahkan ketika kode sudah mengalami error dan eksperimen sama sekali tidak menghasilkan hasil yang valid, tetap dapat melanjutkan menulis makalah lengkap.
Mereka akan membuat-buat tabel data, nilai p, uji statistik; akan menulis eksperimen yang gagal sebagai sukses; bahkan akan memodifikasi lingkungan evaluasi agar metodenya secara alami mendapatkan skor lebih tinggi, atau melalui hardcode langsung mengeluarkan hasil yang indah.
Ketika tujuan optimasi adalah: "menulis makalah yang terlihat bagus", Agent akan mencari jalan pintas yang lebih murah daripada benar-benar menyelesaikan penelitian.
Oleh karena itu, Google menambahkan serangkaian mekanisme yang mirip "audit riset" pada Co-Scientist versi baru: hasil eksperimen yang diklaim terjadi dalam makalah harus dapat ditelusuri kembali ke log eksekusi program nyata. Jika tidak ada hasil yang sesuai dalam log, sistem tidak boleh menuliskannya hanya karena model bahasa merasa "seharusnya begitu".
Efeknya sangat jelas. "Halusinasi hasil" yang cukup parah hingga dapat membuat makalah tidak valid, turun dari 90% pada Agent Laboratory menjadi 4%; pemalsuan data total yang paling parah, turun dari 44% menjadi 0%.
Tapi masalah belum sepenuhnya hilang. Kesalahan deskripsi metode parah pada Co-Scientist versi baru masih ada 24%, konten plagiat/turunan parah juga masih ada 16%.
Google dengan sengaja menekankan, mereka tidak mengklaim bahwa Autonomous AI Scientist saat ini sudah dapat menghasilkan makalah penelitian yang dapat langsung diterbitkan.
Kesimpulan
Jika kita melihat bersama dua pekerjaan Anthropic dan Google ini, akan ditemukan perubahan yang sangat jelas pada Agent: selama dua tahun terakhir, medan pertempuran terbesar AI Agent selalu adalah dunia perangkat lunak. Dan sekarang, logika ini untuk pertama kalinya meluap dalam skala besar ke dunia nyata.
MHS Anthropic berusaha menyelesaikan masalah mendasar: membuat lengan robot, mikroskop, platform penanganan cairan, dan berbagai perangkat berbeda ini memiliki antarmuka yang dapat dipahami dan dipanggil secara seragam oleh Agent.
Co-Scientist Google mulai menjelajahi masalah di tingkat atas: ketika sebuah model penalaran dapat mengusulkan hipotesis riset, merencanakan eksperimen, mengontrol instrumen, membaca hasil, dan terus memperbaiki eksperimen berikutnya, seperti apa seharusnya sistem penemuan ilmiah tertutup yang sesungguhnya.
Tentu saja, Google masih jauh dari "laboratorium tanpa manusia". Eksperimen material saat ini masih memerlukan manusia untuk memuat sampel; struktur atom material baru belum ditentukan akhirnya; prediksi E. coli hanya memverifikasi tugas interpolasi terbatas; Agent medis akan mencari celah Benchmark; sistem pembuatan makalah juga belum sepenuhnya menyelesaikan halusinasi dan plagiarisme. Google sendiri bahkan secara eksplisit berpendapat bahwa karena anomali perangkat keras dan kompleksitas lingkungan nyata, eksperimen fisik yang sepenuhnya tanpa pengawasan pada tahap ini masih sulit direalisasikan.
Tapi perubahan sudah muncul.
Sebelumnya membahas AI for Science, sering kali fokus pada apakah AI dapat "memikirkan sesuatu yang tidak dipikirkan manusia". Sekarang, semakin banyak pekerjaan mulai melengkapi setengah bagian yang lebih sulit: dapatkah pemikiran ini dieksekusi oleh perangkat nyata, dan dapatkah hasil eksekusi kembali menjadi dasar penalaran AI untuk putaran berikutnya.
Google memberikan penilaian yang sangat menarik di akhir makalah. Jika loop tertutup seperti ini benar-benar terbangun, faktor pembatas riset di masa depan mungkin mengalami pembalikan: dulu, perangkat eksperimen menunggu ilmuwan mengajukan pertanyaan bagus berikutnya; di masa depan, mungkin AI sudah mengusulkan ratusan eksperimen yang layak diverifikasi, dan laboratorium sama sekali tidak sempat melakukannya.
Pada saat itu, hambatan nyata kecepatan penemuan ilmiah mungkin bukan lagi scientific ideation, melainkan experimental throughput — seberapa cepat dunia nyata dapat menjalankan eksperimen-eksperimen ini.
Artikel ini berasal dari akun WeChat "机器之心" (ID: almosthuman2014), penulis: 关注科学AI的.
