AI untuk sains: dari rover Mars sampai penemuan obat

AI untuk sains sudah keluar dari tahap demo. Claude menyusun rute rover Perseverance di Mars pada Desember 2025. Pada Oktober 2026, Anthropic melaporkan hasil awal riset obat bersama enam mitra, dan Google DeepMind menunjukkan agen yang mencari kandidat antibiotik. Polanya sama: AI menyusun kandidat, manusia dan uji nyata yang memutuskan.

Tesis artikel ini: nilai AI di sains ada pada kecepatan menyusun kandidat, sedangkan keputusan tetap ada di tangan pemeriksa. Rute rover tetap dicek simulator. Desain molekul tetap diuji di lab. Pola ini juga berlaku untuk pekerjaan kantor sehari-hari, dan itu alasan saya menganggap kasus sains ini relevan untuk kamu yang bukan ilmuwan.

Yang perlu diluruskan dulu

Judul berita sering berbunyi "AI menemukan obat" atau "AI mengemudikan rover". Keduanya terlalu jauh. Di Mars, AI menyusun titik rute yang lalu diperiksa engineer. Di riset obat, AI mengusulkan desain molekul dan menyusun dokumen, lalu lab yang membuktikan. Belum ada obat dari kasus-kasus ini yang sampai ke apotek.

Catatan jujur. Artikel ini ditulis 2 November 2026. Semua angka diambil dari halaman resmi NASA, Anthropic, dan Google DeepMind. Angka riset obat adalah laporan perusahaan dan mitranya, belum ditinjau pihak independen di artikel ini. Saya tidak menguji alat sains apa pun untuk tulisan ini.

Artikel ini untuk kamu yang penasaran sejauh mana AI benar-benar dipakai di riset, dan ingin bahan yang lebih jernih daripada judul berita. Kalau kamu peneliti yang butuh detail metode, langsung baca laporan teknis di tautan sumber. Ringkasan di sini tidak cukup untuk keperluan itu.

Rover Mars: Claude menyusun rute Perseverance

Mengemudikan rover di Mars punya masalah dasar: jarak. Menurut tulisan Anthropic tentang drive ini, sinyal dari Bumi butuh sekitar 20 menit untuk sampai ke rover. Jadi rover tidak bisa dikendalikan langsung seperti mobil remote. Operator merencanakan rute berupa titik-titik tujuan (waypoint), mengirimnya, lalu baru melihat hasilnya belakangan.

Menurut NASA, selama 28 tahun dan lintas beberapa misi, titik rute itu dibuat manual oleh pengemudi manusia, biasanya berjarak tidak lebih dari 100 meter. Pekerjaannya teliti dan lama, karena kesalahan bisa fatal. Anthropic mengingatkan bahwa rover Spirit terjebak pasir pada 2009 dan tidak pernah bergerak lagi.

Siaran pers NASA tertanggal 30 Januari 2026 menyebut Perseverance menyelesaikan drive pertama di planet lain yang direncanakan AI. Proyeknya dipimpin Rover Operations Center di Jet Propulsion Laboratory (JPL), bekerja sama dengan Anthropic dan memakai model Claude. Faktanya:

• Drive dilakukan 8 dan 10 Desember 2025, yaitu sol 1707 dan 1709. Sol adalah satu hari di Mars.
• Jaraknya 210 meter pada drive pertama dan 246 meter pada drive kedua. Anthropic membulatkannya menjadi sekitar 400 meter.
• AI menganalisis citra orbit dari kamera HiRISE milik Mars Reconnaissance Orbiter dan data kemiringan medan, lalu membuat jalur lengkap dengan waypoint.
• Menurut Anthropic, tim memberi Claude Code data dan pengalaman mengemudi selama bertahun-tahun. Claude lalu menulis perintah dalam Rover Markup Language, bahasa berbasis XML khusus misi rover.
• Sebelum dikirim, perintah diperiksa di "kembaran digital" rover, yaitu replika virtual yang memodelkan lebih dari 500.000 variabel telemetri.

Bagian yang paling saya suka justru catatan kecilnya. Engineer JPL tetap mengubah sedikit rencana Claude. Citra kamera dari permukaan, yang tidak dilihat Claude, menunjukkan riak pasir di kiri-kanan sebuah lorong sempit. Pengemudi manusia lalu memecah rutenya lebih rinci di titik itu.

Riset obat: enam mitra dan satu program sendiri

Pada 27 Oktober 2026, Anthropic menerbitkan laporan Early progress on accelerating drug development with Claude. Isinya hasil kemitraan riset dengan enam organisasi: BigHat Biosciences, Bristol Myers Squibb, Divergence Labs, Enveda, Generate Biomedicines, dan The Column Group.

Argumen utamanya menarik. Menurut Anthropic, hambatan pengembangan obat tersebar di banyak tahap, dari memilih target, mendesain molekul, produksi, dokumen regulasi, sampai uji klinis. Jadi AI tidak cukup dipakai untuk mendesain molekul saja. Berikut hasil yang mereka laporkan:

IgE adalah molekul pemicu reaksi alergi. CAR T adalah terapi kanker yang merekayasa sel imun pasien agar mengenali sel kanker.

Anthropic juga punya program sendiri. Mereka mengakuisisi Mithril Medicine, perusahaan satu orang yang mengembangkan terapi untuk dua bentuk langka distrofi otot. Pendirinya memakai Claude untuk mengurus kontrak, logistik, dan eksperimen dengan 11 lab eksternal. Hasilnya, satu kandidat terapi untuk salah satu bentuk distrofi itu bergerak dari ide ke hasil menjanjikan pada tikus dalam kurang dari 18 bulan. Anthropic memperkirakan uji klinis pada manusia paling cepat dimulai akhir 2028, dengan syarat kandidatnya tetap bertahan di uji berikutnya.

Pendapat saya, baris Enveda yang paling layak diperhatikan orang awam. Menurut Anthropic, kimiawan produksi di Enveda sebelumnya menghabiskan hingga 75% waktunya untuk dokumen. Claude dipakai untuk memeriksa dokumen dan menulis draf pertama dokumen regulasi. Satu draf selesai dalam empat jam, sementara cara manual butuh sekitar tiga bulan. Itu pekerjaan administratif, dan pola yang sama ada di hampir semua kantor.

Antibiotik: agen AI menyisir protein yang belum dikenal

Kasus ketiga datang dari Google DeepMind, diterbitkan 15 Oktober 2026 dengan judul Accelerating the search for antimicrobial peptides with Google Antigravity. Masalahnya adalah resistansi antimikroba, yaitu kuman yang kebal obat. DeepMind mengutip perkiraan bahwa masalah ini bisa menyebabkan sekitar 10 juta kematian per tahun di dunia pada 2050.

Salah satu kandidat penggantinya adalah peptida antimikroba, yaitu rantai pendek asam amino yang bisa membunuh bakteri. Database protein publik UniProt menyimpan jutaan urutan protein yang fungsinya belum diketahui. DeepMind menyebutnya "materi gelap" database protein. Untuk membacanya, Google punya ProtNLM, model yang menebak fungsi protein langsung dari urutan asam aminonya.

Dalam contoh yang ditampilkan, peneliti dan agen AI bekerja di Antigravity dengan tujuan sempit: mencari peptida antimikroba baru pada bakteri Streptococcus pseudopneumoniae. Pembagian kerjanya jelas:

1. Agen menyaring jutaan entri dan menemukan kandidat bakteriosin sepanjang 97 asam amino.
2. Peneliti mengarahkan agen untuk memastikan kandidat itu tidak punya kemiripan berarti dengan protein yang sudah ditinjau manual di database Swiss-Prot.
3. Agen mengambil model struktur 3D dari AlphaFold Protein Structure Database dan membandingkannya dengan struktur hasil eksperimen. Bentuknya ternyata mirip bakteriosin yang sudah dikenal, sehingga tebakan ProtNLM makin kuat.
4. Agen membaca gen di sekitarnya dan literatur, lalu merumuskan hipotesis cara kerja.
5. Agen membuat rencana eksperimen lab.

Kandidat itu, bersama beberapa kandidat lain dari alur yang sama, kini sedang divalidasi di lab basah. DeepMind menulis terang-terangan bahwa kandidatnya masih butuh validasi lab. Jadi belum ada antibiotik baru di sini. Yang diklaim DeepMind adalah proses penyaringan yang dulu makan berhari-hari di banyak database terpisah kini bisa selesai dalam satu sesi.

Pola yang sama di tiga kasus, dan batasnya

Kalau ketiga kasus dijajarkan, urutan kerjanya hampir identik.

Ada tiga hal yang saya ambil dari pola ini.

Konteks menentukan hasil. Claude tidak merancang rute Mars dari satu prompt. Tim JPL lebih dulu mengumpulkan data dan pengalaman mengemudi bertahun-tahun. BigHat menghubungkan Claude ke sistem data labnya. Tanpa konteks itu, hasilnya hanya tebakan yang terdengar meyakinkan.

Verifikasi ada di luar AI. Simulator dengan lebih dari 500.000 variabel, uji lab basah, dan tinjauan regulasi manusia. Tidak satu pun kasus mengandalkan AI untuk memeriksa dirinya sendiri sebagai bukti akhir.

Volume kandidat naik drastis. Sekitar 35.000 desain antibodi dalam sebulan tidak mungkin diuji semuanya. Yang berubah adalah titik sempitnya. Sekarang hambatannya pindah ke kapasitas uji, sehingga kemampuan menyaring jadi lebih berharga.

Batasnya juga perlu diakui. Kasus-kasus ini datang dari tim dengan data rapi, alat verifikasi mahal, dan engineer berpengalaman. Saya tidak menyarankan siapa pun membaca berita ini lalu menyimpulkan bahwa AI bisa dipakai tanpa pemeriksa. Justru sebaliknya, makin besar volume yang dihasilkan AI, makin penting proses pemeriksanya.

Apa artinya untuk kamu yang bukan ilmuwan

Kamu mungkin tidak akan mengemudikan rover atau mendesain antibodi. Namun pembagian kerja "AI menyusun, manusia memeriksa" bisa langsung dipakai di pekerjaan biasa. Contohnya membuat draf proposal, merangkum dokumen panjang, atau memeriksa kelengkapan laporan seperti kasus Enveda.

Saran saya untuk menerapkannya:

• Siapkan konteks dulu. Berikan contoh dokumen lama, aturan format, dan daftar kesalahan yang sering terjadi, seperti tim JPL memberi data mengemudi.
• Tentukan pemeriksanya sebelum mulai. Siapa yang membaca ulang, dan dengan daftar cek apa.
• Minta beberapa alternatif. Pilihan yang lebih banyak berguna kalau kamu punya cara cepat untuk menyaring.
• Catat koreksi manusia. Riak pasir di Mars adalah contoh hal yang tidak terlihat oleh AI. Koreksi seperti itu jadi bahan konteks untuk putaran berikutnya.

Untuk peneliti dan dosen, ada jalur yang lebih langsung. Program AI for Science Anthropic memberi kredit Claude gratis untuk proyek riset berdampak tinggi sejak Mei 2025. Pada 28 Oktober 2026, program ini diperluas lewat kemitraan dengan 20 yayasan, institusi, dan kelompok riset.

Ringkasan dan langkah berikutnya

Checklist membaca berita AI dan sains

• Cek siapa yang menerbitkan: lembaga seperti NASA, vendor AI, atau media ulang
• Bedakan "AI menyusun kandidat" dari "AI membuktikan hasil"
• Cari tahap verifikasinya: simulasi, uji lab, atau uji klinis
• Pastikan apakah hasilnya sudah diuji pada manusia atau masih praklinis
• Tandai angka yang berasal dari vendor sebagai klaim, bukan fakta netral
• Baca laporan teknis aslinya sebelum mengutip angka

Cheat sheet tiga kasus

Kalau kamu ingin mencoba pola "AI menyusun, kamu memeriksa" untuk pekerjaan sendiri, mulai dari tugas kecil yang hasilnya mudah dicek. AI Tools di eduwebmu menyediakan pilihan model Standar (Haiku), Pro (Sonnet 5.5), dan Premium (Opus) yang bisa dipakai dengan Saldo AI. Pilih satu tugas dokumen minggu ini, siapkan konteks dan daftar ceknya, lalu bandingkan waktunya dengan cara manual.