Perusahaan AI Menarik Bakat Akademis Terbaik, Menggeser Riset dari Universitas

Dua tahun setelah memenangkan Hadiah Nobel, hampir seperempat anggota inti tim Google AlphaFold telah meninggalkan Google, dengan penerima Nobel seperti John Jumper beralih ke Anthropic. Industri AI sedang menyerap tenaga akademis secara masif: pada 2022, 70,7% lulusan PhD AI masuk ke perusahaan, hanya 20% yang tetap di dunia akademis. Pendapatan tahunan peneliti puncak di perusahaan telah mencapai 1,94 juta dolar AS, lima kali lipat dari akademis. Meskipun perusahaan AI mampu mempercepat terobosan ilmiah dan menghasilkan temuan yang mengubah sejarah ilmu pengetahuan, setelah lama pindah ke perusahaan, produksi paper rata-rata turun 65%, dengan hasil beralih dari paper ke paten dan rahasia dagang. Lebih serius lagi, perusahaan kurang mendorong pelatihan ilmuwan generasi baru, sehingga penelitian dasar semakin terpinggirkan. Ilmu pengetahuan sedang cepat meninggalkan universitas.

Penulis artikel, sumber: APPSO

Dua tahun setelah memenangkan Hadiah Nobel, tim asli Google AlphaFold telah dibubarkan.

Sebagian besar penulis asli makalah AlphaFold telah dirotasi dalam setahun terakhir, dengan hampir seperempat dari penulis inti penuh waktu benar-benar meninggalkan Google.

Orang-orang yang tersisa beralih ke bidang-bidang seperti Gemini Research Agent, desain enzim, genomika, dan fusi nuklir, ada pula yang langsung pergi ke Isomorphic Labs, perusahaan pengembangan obat milik Alphabet.

Bahkan penerima Nobel John Jumper dan Jonas Adler sempat dipindahkan ke tim Code Strike untuk fokus mengembangkan kemampuan AI coding. Namun, seperti yang kita ketahui, kedua tokoh besar ini akhirnya beralih ke Anthropic.

Kiri: CEO Google DeepMind Demis Hassabis, kanan: John Jumper, tautan berita asli https://www.ft.com/content/61b2953d-ee0d-45de-af6e-a9c1cf524b33?utm_source=chatgpt.com&syn-25a6b1a6=1

Menanggapi laporan ini, Pushmeet Kohli, Wakil Presiden Riset Google yang menangani AI for Science, menyatakan bahwa tim ilmiah DeepMind tidak mengubah arah, tetapi memperluas cakupan pekerjaannya, tetap mendorong pengembangan protein, genom, dan desain enzim, serta memanfaatkan Gemini untuk mempercepat penelitian ilmiah.

AlphaFold pernah mewakili cara organisasi penelitian yang relatif tradisional. Membentuk tim seputar pertanyaan yang jelas, berinvestasi jangka panjang, mengkonsentrasikan sumber daya, dan akhirnya menghasilkan hasil.

Saat ini, tim-tim semacam ini secara bertahap digantikan oleh platform model yang lebih serbaguna. Protein, matematika, genom, fusi nuklir, dan kode, yang tampaknya berasal dari disiplin ilmu yang berbeda, setelah memasuki perusahaan AI, semuanya dapat menjadi modul kemampuan Gemini.

Sementara itu, tenaga peneliti ilmiah, sumber daya komputasi, dan kendali atas isu-isu semakin terkonsentrasi di tangan beberapa perusahaan AI saja.

Dalam beberapa tahun terakhir, semakin banyak profesor matematika, fisika, biologi, dan ilmu komputer yang masuk ke industri AI.

Misalnya, Anthropic terus merekrut fisikawan, ekonom, dan filsuf; OpenAI menarik para peneliti tentang lubang hitam, teori string, dan matematika murni; DeepMind juga mengumpulkan ahli biologi dan fusi nuklir.

Baru-baru ini, profesor Arizona State University, Subbarao Kambhampati, bercanda bahwa akademisi baru-baru ini memiliki meme baru: "Saya ingin bergabung dengan Anthropic."

Menurut perkiraan kasar dari The Atlantic, hanya empat perusahaan AI teratas yang telah mengumpulkan setidaknya 80 profesor saat ini atau mantan profesor.

Arah pergerakan bakat juga semakin tunggal.

Laporan AI Index dari Stanford University menunjukkan bahwa pada tahun 2011, persentase lulusan PhD AI yang memasuki sektor perusahaan dan akademik hampir sama, masing-masing 40,9% dan 41,6%. Pada tahun 2022, persentase yang memasuki sektor perusahaan meningkat menjadi 70,7%, sementara yang memasuki sektor akademik turun menjadi 20%.

Sebuah makalah kerja NBER tahun 2026 melacak sekitar 42.000 peneliti AI di Amerika Serikat. Peneliti di bawah usia 40 tahun memiliki kemungkinan meninggalkan universitas sekitar enam kali lebih tinggi dibandingkan kelompok berusia di atas 40 tahun; sekitar 70% dari mereka yang berganti pekerjaan tetap bertahan di perusahaan lima tahun kemudian.

Uang memang sangat penting. Pendapatan tahunan 1% peneliti AI teratas di perusahaan naik dari $595.000 menjadi $1,94 juta; sementara di universitas pada tingkat yang sama, hanya naik dari $301.000 menjadi $392.000. Kesenjangan antara keduanya melebar menjadi sekitar $1,5 juta.

Lebih sulit untuk menolak kondisi penelitian.

Pada awal tahun 2010-an, sekitar 65% model pembelajaran mesin skala besar dikembangkan secara independen oleh laboratorium akademik. Memasuki dekade 2020-an, proporsi ini turun menjadi kurang dari 10%. Pada tahun 2022, sekitar 81% model terdepan telah dikembangkan secara independen oleh perusahaan.

Ketika profesor UC Berkeley, Anca Dragan, bergabung dengan DeepMind, ia secara jelas menyatakan kebutuhannya akan "data, daya komputasi, dan anggaran" yang diperlukan oleh lembaga keamanan mutakhir.

Sebaliknya, dalam sebuah universitas, sebuah penelitian mungkin memerlukan pengajuan dana terlebih dahulu, pembelian peralatan, rekrutmen staf teknik, lalu menunggu jadwal sumber daya komputasi. Setelah bergabung dengan perusahaan AI, peneliti yang sama dapat langsung mengakses model besar, data eksklusif, daya komputasi terdistribusi, dan sistem teknik yang terdiri dari ratusan orang.

Namun, kehilangan seorang profesor top dari universitas jauh lebih dari sekadar kehilangan beberapa makalah penelitian. Universitas juga kehilangan seorang pembimbing, sebuah kelompok penelitian, rantai pelatihan mahasiswa doktoral, serta arah penelitian yang mungkin terbentuk dalam beberapa dekade mendatang.

Dulu, perusahaan teknologi membeli hasil penelitian dari universitas. Sekarang, mereka mulai langsung membeli orang yang menghasilkan penelitian tersebut. Perusahaan mendapatkan satu orang, sementara universitas mungkin kehilangan satu generasi.

Tentu, mengaitkan semua perpindahan bakat semata-mata pada kemunduran akademik juga meremehkan nilai yang sedang diciptakan oleh penelitian perusahaan.

AlphaFold telah membuktikan bahwa perusahaan dapat menciptakan pencapaian yang mengubah sejarah ilmu pengetahuan. Lebih dari dua ratus juta prediksi struktur protein telah menghemat waktu kerja para biolog yang sebelumnya memakan berbulan-bulan bahkan bertahun-tahun.

Laboratorium Bell telah membuktikan bahwa lembaga penelitian perusahaan juga dapat mengubah ilmu pengetahuan. Pada masa kejayaannya, ia memiliki sekitar 1.200 orang dengan gelar doktor dan menghasilkan setidaknya 10 penghargaan Nobel. Demis Hassabis sering menjadikannya sebagai acuan bagi DeepMind.

Perusahaan AI memang semakin terlihat seperti lembaga penelitian baru yang mencakup berbagai disiplin ilmu, memiliki kemampuan teknik yang kuat, dan saluran bisnis yang andal.

DeepMind mengintegrasikan Gemini ke dalam matematika, genomika, dan fusi nuklir; Isomorphic Labs bekerja sama dengan perusahaan farmasi untuk mengembangkan obat baru; Anthropic meluncurkan Claude Science; OpenAI memasukkan ChatGPT dan Codex ke dalam proses penelitian.

Hasil terkait telah muncul. Fisikawan Rogerio Jorge mengembangkan perangkat lunak fusi nuklir open-source menggunakan AI, sementara ilmuwan komputer teoretis Barna Saha dan lainnya menggunakan GPT-5.5 Pro untuk membantu pembuktian geometri dimensi tinggi.

OpenAI menyatakan bahwa sekitar 1,3 juta orang per minggu menggunakan ChatGPT untuk menangani tugas ilmiah dan matematika tingkat lanjut, dan berencana untuk secara gratis memberikan akses ke model mutakhir dan Codex kepada 100.000 peneliti perguruan tinggi.

Dari sudut pandang pengaruh pribadi, seorang ilmuwan yang bergabung dengan perusahaan bahkan dapat memiliki dampak yang lebih besar. Seperti disebutkan di atas, di universitas ia mungkin memimpin selusin mahasiswa, sedangkan di perusahaan AI ia dapat menggerakkan ratusan insinyur, sumber daya komputasi dalam jumlah besar, dan platform data global. Metode yang sebelumnya hanya tertulis dalam makalah pun menjadi lebih mudah diterapkan dalam obat-obatan, perangkat lunak, peralatan eksperimen, dan sistem industri.

But the cost is obvious.

Penelitian NBER menemukan bahwa setelah para peneliti AI berpindah jangka panjang ke perusahaan, produksi makalah mereka rata-rata turun 65%. Dari tahun 2000 hingga 2019, persentase peneliti AI yang dipekerjakan oleh perusahaan naik dari 48% menjadi 68%, sedangkan persentase makalah hanya naik dari 27% menjadi 32%, namun persentase paten naik dari 86% menjadi 95%.

Orang masih meneliti, tetapi hasilnya sudah beralih dari paper ke paten, model internal, dan rahasia dagang. Google dulu mempublikasikan Transformer, yang membesarkan seluruh industri. Hari ini, data pelatihan, bobot model, dan catatan kegagalan semakin sulit keluar dari server perusahaan.

Ilmu pengetahuan masih berakselerasi, tetapi ilmu terbuka mungkin menginjak rem.

Perusahaan AI dapat menjadi lembaga penelitian, tetapi sulit menjadi universitas.

Universitas memikul pekerjaan yang sering diabaikan. Ia perlu melatih sejumlah besar mahasiswa yang belum membuktikan diri, serta secara jangka panjang menyimpan masalah-masalah yang sementara tidak memiliki aplikasi, tidak dapat dinilai, atau bahkan mungkin baru menunjukkan nilainya puluhan tahun mendatang.

Namun, perusahaan AI lebih menyukai profesor dan peneliti senior yang telah membuktikan diri, dan kurang sabar dalam mengembangkan talenta baru. Data SignalFire menunjukkan bahwa lulusan baru hanya menyumbang 7% dari rekrutmen perusahaan teknologi besar pada tahun 2024, turun lebih dari setengah dibandingkan tahun 2019.

🔗 https://www.signalfire.com/blog/signalfire-state-of-talent-report-2025

Perusahaan menyerap profesor dan peneliti matang dari universitas, sambil mengurangi lowongan pemula dan investasi pelatihan. Mereka dapat mengumpulkan sekelompok ilmuwan terkemuka, tetapi belum tentu memikul tanggung jawab untuk secara besar-besaran membina ilmuwan generasi berikutnya.

Dampak terkait telah muncul di kelas-kelas universitas. Mahasiswa yang diwawancarai oleh The Atlantic menemukan bahwa beberapa mata kuliah tiba-tiba dibatalkan, dengan alasan yang sangat realistis: dosen pergi "libur" ke perusahaan AI.

Sementara itu, setelah profesor terkenal pergi, mahasiswa doktoral tidak hanya kehilangan satu mata kuliah, tetapi juga sumber daya rekomendasi, jaringan penelitian, kemampuan mengorganisir topik, serta kesempatan untuk mengakses masalah-masalah terkini.

Perubahan yang lebih halus terjadi pada topik penelitian.

Desain obat, pemrograman, penalaran matematis, dan penemuan bahan dapat memperkuat model serta membentuk produk, sehingga lebih mudah mendapatkan dukungan sumber daya. Topik seperti penelitian lapangan jangka panjang dan konservasi ekosistem sering berada dalam posisi yang membingungkan.

Namun, sejarah justru suka bercanda dengan pengembalian jangka pendek.

Teori bilangan lama dianggap sebagai matematika paling murni dan paling tidak memiliki nilai praktis, namun kemudian menjadi dasar kriptografi modern. Saat laser pertama kali muncul, ia juga disebut sebagai "solusi yang sedang mencari masalah". Internet pada masa awalnya pun sulit diukur dengan model bisnis.

Arti dari sistem penelitian publik adalah bahwa ia memungkinkan manusia untuk meneliti masalah-masalah yang nilainya belum dapat dijelaskan sementara ini.

Sedangkan perusahaan AI hari ini berada dalam persaingan intensif terkait kinerja model, peluncuran produk, dan investasi modal. Bahkan jika mereka bersedia menginvestasikan sumber daya pada ilmu dasar, sumber daya lebih mungkin dialihkan ke arah yang dapat meningkatkan model, mendukung produk, atau membentuk paten.

Kemungkinan besar akan muncul kemakmuran yang canggung.

Manusia lebih cepat menemukan obat baru, membuktikan teorema, dan menemukan material, para ilmuwan terbaik pun memiliki alat terkuat dalam sejarah. Namun, siapa yang memutuskan apa yang akan diteliti, siapa yang akan membina ilmuwan generasi berikutnya, dan siapa yang bersedia terus melakukan penelitian yang tidak dibayar siapa pun, semuanya menjadi masalah.

Para ilmuwan tidak meninggalkan ilmu pengetahuan. Hanya saja, ilmu pengetahuan sedang mempercepat pelariannya dari universitas.

Saya terkadang membayangkan universitas dan perusahaan AI sebagai dua ujung sungai. Universitas lebih seperti hulu. Arusnya sangat lambat, penuh sedimen, dan banyak anak sungai yang tampak tidak berguna. Di sana, ada orang yang mengukur, mencatat, dan berdebat, serta ada yang menghabiskan seumur hidup untuk meneliti sebuah anak sungai yang akhirnya tidak mengalir ke kota.

Perusahaan AI lebih seperti pembangkit listrik tenaga air di hilir. Mereka dapat mengarahkan aliran air, menggerakkan mesin, dan menghasilkan energi besar untuk membawa ilmu pengetahuan dengan cepat ke dalam obat-obatan, perangkat lunak, dan industri.

Pembangkit listrik tenaga air tentu penting. Tanpa itu, air sungai hanya mengalir saja.

Tetapi jika semua orang pergi ke pembangkit listrik hilir, sumber air hulu perlahan-lahan kering, beberapa tahun kemudian, semua orang hanya bisa duduk di ruang server menunggu sungai yang sudah tidak mengalir lagi.

Ketika matematikawan sibuk memperbaiki model, biolog sibuk melatih Agen, dan fisikawan sibuk memperluas batas daya komputasi, manusia mungkin akan mendapatkan AI yang lebih kuat. Masalah-masalah yang ditinggalkan di belakang tidak memiliki rute produk, pengembalian investasi, dan juga belum dapat dijelaskan kegunaannya.

Mereka sangat tenang. Sehingga mudah membuat orang salah mengira bahwa mereka tidak penting.