AI dalam Penelitian Ilmiah: Peningkatan Produktivitas vs Risiko Kualitas

AI sebagai Asisten Penelitian

AI merupakan revolusi sejati bagi banyak bidang ilmiah, memungkinkan pemrosesan data dan pemodelan material serta situasi kehidupan nyata dengan cara yang bahkan superkomputer paling canggih pun tidak mampu capai beberapa tahun yang lalu.

Contoh-contoh terkini mencakup beragam bentuk AI yang digunakan untuk:

• Menemukan material baru untuk reaktor fusi nuklir.
• Mengembalikan kejernihan gambar teleskop ruang angkasa.
• Mengoptimalkan proses pencetakan 3D logam.
• Menemukan material baru untuk sel surya, elektrokatalis hidrogen, material superkeras, polimer, dan elektrolit padat.

Aplikasi-aplikasi ini biasanya bergantung pada model AI yang sangat khusus, yang dilatih dengan cermat untuk memeriksa kelas kristal tertentu atau memproses serangkaian gambar yang unik.

Namun, ketika kita berbicara tentang AI, masyarakat luas biasanya memikirkan LLM (Large Language Model) yang bersifat umum. Saat ini, LLM sebagian besar digunakan untuk menulis dan meningkatkan teks, serta melakukan kueri tingkat lanjut yang mudah dibaca dibandingkan dengan mesin pencari tradisional.

Secara teori, hal ini seharusnya berlaku tidak hanya untuk esai siswa, puisi yang buruk, dan presentasi PowerPoint, tetapi juga untuk penelitian ilmiah dan makalah yang diterbitkan.

Namun, hal ini bisa menjadi pedang bermata dua, seperti yang dijelaskan dalam analisis terbaru yang diterbitkan dalam jurnal ilmiah bergengsi Science.¹, berjudul “Produksi ilmiah di era model bahasa besar.".

Dalam analisis ini, para peneliti di Universitas California dan Universitas Cornell mengamati hasil karya para ilmuwan yang menggunakan LLM dibandingkan dengan karya mereka sebelumnya. Mereka menemukan bahwa meskipun penggunaan LLM dapat meningkatkan kualitas makalah ilmiah, hal itu juga menciptakan volume penelitian berkualitas rendah yang lebih tinggi, memperburuk masalah yang ada di dunia akademis.

Mendeteksi Penggunaan AI dalam Makalah Penelitian Ilmiah

Tantangan pertama adalah menentukan seberapa umum penggunaan LLM dalam penulisan ilmiah dan siapa yang menggunakannya.

Tidak mengherankan, ini bukanlah data yang akan diakui secara spontan oleh para peneliti, karena alat-alat tersebut masih baru dan rentan terhadap kesalahan, terutama terkait data teknis atau topik khusus.

Para peneliti mengumpulkan lebih dari 2 juta makalah dari basis data ilmiah besar seperti arXiv, bioRxiv, dan Social Science Research Network (SSRN), yang bertanggal dari Januari 2018 hingga Juni 2024.

Mereka kemudian membandingkan makalah yang diposting sebelum tahun 2023—yang diasumsikan ditulis oleh manusia—dengan teks yang dihasilkan oleh AI.

Dengan menggunakan data ini, mereka mengembangkan model untuk mendeteksi penggunaan AI. Dengan alat ini, mereka menentukan dengan akurasi yang wajar ilmuwan mana yang menggunakan LLM dan kapan mereka mulai menggunakannya. Kemudian, mereka melacak volume publikasi para ilmuwan tersebut sebelum dan sesudah mengadopsi alat tersebut, dan apakah makalah-makalah tersebut kemudian diterima oleh jurnal ilmiah.

Dampak AI pada Penelitian Ilmiah

Geser untuk menggulir →

Produktivitas Lebih Tinggi

Kesimpulan pertama adalah bahwa penggunaan LLM meningkatkan produktivitas ilmuwan, setidaknya jika diukur dari jumlah publikasi.

Di arXiv, para ilmuwan yang ditandai sebagai pengguna LLM (Label-Language Models) mempublikasikan sekitar sepertiga lebih banyak makalah daripada mereka yang tampaknya tidak menggunakan AI. Di bioRxiv dan SSRN, peningkatannya melebihi 50%.

Mengingat budaya "publikasikan atau binasa" mendikte jalur karier sebagian besar ilmuwan, peningkatan volume ini berdampak serius pada lintasan karier.

Aspek lain yang menarik adalah peningkatan tersebut lebih terasa bagi para ilmuwan yang diasumsikan bukan penutur asli bahasa Inggris.

Sebagai contoh, para peneliti yang berafiliasi dengan lembaga-lembaga di Asia menerbitkan antara 43.0% dan 89.3% lebih banyak makalah setelah detektor tersebut menyarankan mereka untuk mulai menggunakan LLM.

Hal ini masuk akal; banyak ilmuwan yang secara teknis brilian dan mampu membaca bahasa Inggris (suatu persyaratan dalam dunia akademis modern) tetapi mungkin kesulitan untuk menyusun kalimat yang jelas dan elegan dalam bahasa kedua.

Penggunaan LLM (Language Language Methods) secara luas dapat menciptakan kesetaraan bagi penutur non-asli, membantu penelitian berkualitas tinggi mendapatkan pengakuan internasional tanpa memandang kefasihan linguistik penulisnya.

Penemuan Pengetahuan Ilmiah yang Lebih Baik

LLM juga dapat digunakan untuk menemukan makalah yang relevan dengan topik tertentu, dengan memanfaatkan AI khusus seperti Memperoleh, PenelitianKelinci, atau mengutip.

Sebagian besar penelitian ilmiah terdiri dari menemukan dan membaca makalah lain untuk menyimpulkan informasi atau mengidentifikasi protokol eksperimental yang dapat digunakan kembali dalam konteks baru.

Secara umum, AI lebih menyukai makalah yang lebih baru dan memberikan bobot yang lebih rendah pada jumlah kutipan dibandingkan dengan mesin pencari tradisional. Dengan demikian, AI menyediakan alternatif bagi para ilmuwan yang mencari ide-ide baru atau eksperimen yang kurang dibahas.

“Orang-orang yang menggunakan gelar LLM terhubung dengan pengetahuan yang lebih beragam, yang mungkin mendorong ide-ide yang lebih kreatif.”

Keigo Kusumegi, seorang mahasiswa doktoral di Universitas Cornell.

Hipotesis ini dapat diuji di masa mendatang dengan memeriksa apakah makalah yang ditulis dengan bantuan AI memiliki bibliografi yang lebih beragam atau lebih inovatif dan interdisipliner.

AI sebagai Isu Baru dalam Sains & Akademisi

Dalam beberapa tahun terakhir, penelitian ilmiah—terutama dalam ilmu sosial—telah mengalami krisis kemampuan untuk direplikasi.

Karena hasil dari banyak makalah tidak dapat direproduksi oleh peneliti lain, studi yang tampak serius mungkin cacat atau bahkan curang. Hal ini digambarkan sebagai "krisis eksistensial bagi ilmu pengetahuan."

Secara historis, penulisan yang kompleks—termasuk kalimat yang lebih panjang dan kosakata yang canggih—telah menjadi heuristik untuk penelitian berkualitas tinggi. Meskipun bukan jaminan mutlak, hal itu membantu membedakan penelitian yang ditulis secara ahli dari analisis yang asal-asalan.

Sebaliknya, makalah yang ditulis dengan bantuan AI saat ini cenderung kurang diterima oleh jurnal.

Secara keseluruhan, hal ini mengancam untuk semakin memisahkan metrik "makalah yang diterbitkan" dari bakat sebenarnya seorang peneliti. Editor dan peninjau mungkin akan kesulitan mengidentifikasi kiriman yang paling berharga, terutama karena AI menjadi semakin efisien dan menyerupai manusia.

Terakhir, sejumlah besar "sampah"—makalah penelitian palsu tetapi tampak masuk akal—dapat dihasilkan melalui AI. Risiko ini tidak terbatas pada media sosial; ini merupakan masalah signifikan bagi penelitian ilmiah, di mana waktu para peninjau sudah menjadi komoditas langka sebelum munculnya LLM.

Apa Arti AI bagi Masa Depan Penelitian Ilmiah?

Karena AI adalah sebuah alat, para peneliti harus belajar menggunakannya secara efektif. Hampir tidak mungkin untuk melarang LLM (Laboratory Learning Models) dari laboratorium penelitian, dan deteksi akan semakin sulit.

Adaptasi dan penggunaan AI yang produktif dalam penulisan ilmiah akan menjadi topik utama ke depannya.

“Saat ini, pertanyaannya bukan lagi, 'Apakah Anda pernah menggunakan AI?' Pertanyaannya adalah, 'Bagaimana tepatnya Anda menggunakan AI, dan apakah itu bermanfaat?'”

Praktik perekrutan di bidang sains mungkin akan lebih baik jika kembali menggunakan metrik kualitatif, seperti wawancara mendalam dan tes teknis, daripada hanya mengandalkan volume publikasi.

Demikian pula, para peninjau dan jurnal ilmiah harus beradaptasi. Potensi yang mungkin diperlukan adalah sistem yang memverifikasi apakah suatu naskah berasal dari laboratorium penelitian yang sah sebelum dianalisis, untuk mencegah produksi massal makalah palsu.

Pada akhirnya, pemahaman mendalam tentang unsur-unsur teknis sebuah makalah, dan bukan keanggunan bahasa, akan menjadi elemen terpenting dalam menilai kualitasnya.

Berinvestasi dalam Inovasi AI

Nvidia

Nvidia telah berevolusi dari perusahaan kartu grafis yang menargetkan para gamer menjadi perusahaan terbesar di dunia, berkat peran sentralnya dalam menyediakan Perangkat keras AI kepada seluruh industri teknologi.

Sebagai pelopor dalam perangkat keras khusus AI, Nvidia adalah yang pertama membantu para peneliti memanfaatkan alat-alat ini. “CUDA,” antarmuka pemrograman serbaguna untuk GPU Nvidia, membuka pintu bagi penggunaan di luar game, membuka jalan bagi aplikasi AI saat ini.

Para peneliti menyadari bahwa dengan membeli kartu permainan bernama GeForce, Anda menambahkannya ke komputer Anda, pada dasarnya Anda memiliki superkomputer pribadi.

Dinamika molekuler, pemrosesan seismik, rekonstruksi CT, pemrosesan gambar—sejumlah besar hal yang berbeda.”

Jensen Huang, dalam sebuah wawancara dengan Sequoia

Ada kemungkinan bahwa perangkat keras Nvidia, baik secara langsung maupun terintegrasi ke dalam cloud Microsoft, Google, Meta, dan OpenAI, akan tetap menjadi perangkat keras pilihan bagi para peneliti.

Belanja modal AI diharapkan mencapai $200 miliar pada tahun 2025Selain itu, pengeluaran kumulatif yang terus meningkat oleh perusahaan teknologi terbesar juga turut berkontribusi. Komponen elektronik lainnya, seperti RAM berkinerja tinggi, kini mengalami kekurangan karena produksi chip Nvidia meningkat.

Meskipun penelitian ilmiah mungkin tidak mewakili sebagian besar komputasi AI dibandingkan dengan penggunaan konsumen atau B2B, hal itu dapat menjadi pendorong jangka panjang yang paling berdampak, menjanjikan paduan logam baru, obat-obatan, dan metodologi ilmiah.

(Anda bisa r)Baca selengkapnya tentang sejarah Nvidia, bisnis saat ini, dan prospek masa depan dalam laporan investasi khusus kami tentang perusahaan ini..)

Studi Referensi

^{1. Keigo Kusumegi, Xinyu Yang, Paul Ginsparg, Mathijs de Vaan, Toby Stuart, dan Yian Yin. Produksi ilmiah di era model bahasa besar. Sains. 18 Desember 2025. Vol 390, Edisi 6779 hlm. 1240-1243. DOI: 10.1126/science.adw3000}