Puluhan peneliti kecerdasan buatan paling berpengaruh itu duduk dalam satu ruangan di Mountain View, Kalifornia. Mereka datang dalam pertemuan tahunan Schmidt Sciences AI2050, program yang didanai Eric dan Wendy Schmidt untuk mendukung akademisi yang bekerja di bidang AI. Namun di balik suasana akrab, para profesor itu membawa kegelisahan yang sama: riset akademik semakin kehilangan pijakan.
Dalam empat tahun terakhir, penelitian AI berputar di sekitar model bahasa besar. Ujung tombak inovasi bergeser dari universitas ke perusahaan swasta. Universitas tidak mampu membeli GPU untuk melatih model mutakhir. Sekalipun mampu, OpenAI dan Anthropic tidak memberi akses detail tentang arsitektur dan cara kerja model mereka.
Nika Haghtalab, profesor ilmu komputer di UC Berkeley, memakai analogi yang menusuk: menjadi akademisi AI sekarang seperti menjadi ahli biologi di dunia tempat perusahaan swasta menguasai alat penyunting gen CRISPR. Peneliti di luar lab frontier hanya bisa mempelajari perilaku ChatGPT dan Claude, tetapi tidak bisa membedah pelatihan dan desainnya.
Program AI2050 memang memberi sebagian fellows dana untuk membeli GPU. Sejumlah peneliti mengaku manfaat itu sangat besar. Namun uang tetap menjadi masalah, terutama setelah pendanaan ilmiah federal Amerika Serikat dipangkas. Bahkan peneliti yang tidak menjalankan model sendiri harus merogoh kocek untuk membayar kueri berulang ke OpenAI, Anthropic, atau Google demi mempelajari model-model itu secara ketat.
Akibatnya, banyak akademisi memilih menjauhi topik-topik yang berpotensi diselesaikan perusahaan teknologi. "Saya berusaha tidak mengerjakan masalah yang saya pikir akan dipecahkan oleh perusahaan teknologi," kata Anjalie Field, profesor ilmu komputer di Johns Hopkins. Perusahaan butuh untung, dan pertanyaan riset yang tidak menjanjikan laba sering ditinggalkan, apalagi jika jawabannya bisa membuat perusahaan terlihat buruk.
Field baru-baru ini menerbitkan studi yang menemukan bahwa model bahasa memberikan jawaban lebih dangkal terhadap pertanyaan yang ditulis dengan gaya khas perempuan dibanding laki-laki. Sulit membayangkan riset semacam itu lahir dari OpenAI atau Anthropic. Ini contoh bahwa akademisi masih punya peran penting untuk mengungkap bias dan persoalan sosial yang tidak diminati industri.
Di sisi lain, ada banyak peneliti AI yang tidak bekerja dengan model bahasa sama sekali. Mereka membangun model khusus untuk menganalisis data, membuat prediksi, atau mensimulasikan sistem fisika. Kelompok ini tidak bersaing dengan lab frontier, seperti tim AlphaFold di Google DeepMind yang baru saja dibubarkan. Namun mereka menghadapi tantangan lain: ketidaktahuan publik terhadap AI non-LLM.
Beberapa peserta mengeluh sulit memasarkan riset mereka yang terkait perubahan iklim karena banyak orang menganggap AI identik dengan model bahasa raksasa yang boros energi. Padahal, model khusus untuk iklim bisa berkonstribusi besar. Kesalahpahaman ini, kata mereka, memengaruhi pendanaan dan dukungan kebijakan.
Kondisi ini ikut mengubah peta karier akademisi. Sejumlah profesor terkemuka mengambil cuti dari universitas untuk bergabung dengan lab frontier. Banyak peneliti AI2050 juga merangkap posisi industri di samping jabatan akademiknya. Dalam enam bulan terakhir, muncul ancaman baru: model OpenAI berhasil memecahkan sejumlah masalah riset matematika, sehingga sebagian ahli khawatir manusia tidak punya masa depan di matematika murni. Salah satu fellow mengaku cemas dengan kesehatan mental rekan-rekan matematikawannya.
Tetapi tidak semua suram. Ilmu empiris, misalnya, jauh lebih sulit diautomasi daripada matematika karena pengumpulan data membutuhkan waktu. Tim Dettmers, peneliti Carnegie Mellon yang fokus membuat model AI lebih cepat dan murah, justru melihat AI scientist sebagai berkah. "AI tidak akan menggantikan manusia. Sebaliknya, mereka bisa membuat peneliti jauh lebih efisien," ujarnya. Dengan begitu, peneliti bisa mengejar banyak gagasan liar yang sebelumnya tidak sempat digarap.
Keterbatasan juga memicu kreativitas. Karena tidak mampu melatih model besar, akademisi justru mencari cara membuat model lebih kecil dan efisien atau menjelajahi arsitektur baru. Jika terobosan besar berikutnya datang dari laboratorium akademik yang kecil, bukan dari perusahaan raksasa, itu bukan kejutan.
Kondisi serupa juga melanda Indonesia. Kampus-kampus di Tanah Air kesulitan mengakses GPU untuk riset AI, sehingga banyak peneliti mengandalkan cloud atau kolaborasi internasional. Riset non-LLM seperti model iklim dan sistem pakar juga kurang mendapatkan perhatian publik dan pendanaan. Padahal kebutuhan Indonesia akan riset AI yang kontekstual, termasuk untuk kebencanaan dan pertanian, sangat besar. Dukungan pemerintah, kemitraan industri, serta penguatan riset kritis terhadap bias model bisa menjadi jalan tengah di tengah arus dominasi perusahaan global.
Ke depan, akademisi Indonesia dan dunia perlu menemukan posisi baru di ekosistem AI. Mereka mungkin tidak akan lagi menjadi pusat pengembangan model terbesar, tetapi tetap relevan sebagai pengawas, penguji, dan inovator untuk persoalan yang tidak digarap industri. Masa depan riset AI, kata para peneliti itu, tidak harus selalu tentang melatih model raksasa.