Gemini AI dari Google DeepMind Mulai Melakukan Eksperimen Dunia Nyata

Diedit | Panda

Di Resident Evil, terdapat sebuah laboratorium bawah tanah yang disebut "The Hive". Akses, pemantauan, ventilasi, keamanan, hingga operasi seluruh fasilitas diberikan kepada AI: Red Queen.

Ilmuwan manusia bertanggung jawab atas penelitian, tetapi AI yang benar-benar mengendalikan "tangan dan kaki" laboratorium ini.

Ketika terjadi anomali, Red Queen dapat menutup pintu, memutus sistem, mengendalikan fasilitas, dan langsung mengintervensi dunia fisik.

Dua puluh tahun lalu, adegan semacam ini masih menjadi pola klasik film fiksi ilmiah untuk menciptakan rasa takut: AI memasuki dunia fisik, mengendalikan mesin, menjalankan eksperimen, dan secara langsung mengganggu dunia nyata.

Sekarang, adegan ini mulai memasuki kenyataan dengan cara yang sama sekali berbeda—setidaknya belum menakutkan.

Kemarin, Anthropic merilis Model Hardware Standard (MHS) untuk perangkat keras fisik, berusaha memperluas logika MCP dari GitHub, Slack, dan database ke perangkat nyata seperti lengan robot, mikroskop, pemroses cairan, dan laser. Lihat laporan: "Baru Saja, Anthropic Meluncurkan MCP Fisik: Claude Mulai Mengambil Alih Dunia Nyata."

Secara sederhana, AI Agent tidak lagi hanya membutuhkan 'antarmuka' untuk memanggil perangkat lunak, tetapi mulai memerlukan 'saraf dan anggota tubuh' yang menghubungkannya dengan dunia nyata. Dan hari ini, Google DeepMind kembali menunjukkan pencapaian mereka di bidang ini.

Dalam sebuah makalah 83 halaman yang baru saja dipublikasikan, Google mengintegrasikan Co-Scientist yang didorong oleh Gemini ke dalam proses ilmiah nyata, memungkinkannya merancang eksperimen, menghasilkan kode eksekusi, membaca umpan balik eksperimen, serta terhubung langsung ke perangkat eksperimen. Google menyebut perubahan ini sebagai pergeseran dari in-silico hypothesis generator menjadi execution-grounded research partner, yaitu generator hipotesis berbasis chip → mitra penelitian berbasis eksekusi.

Dalam eksperimen paling langsung, para peneliti memberikan kondisi perangkat CVD buatan sendiri kepada Gemini 3 Deep Think. Beberapa menit kemudian, ia menghasilkan skema pertumbuhan material yang sesuai dengan perangkat tersebut, dan selanjutnya menerjemahkan skema tersebut menjadi kode mesin yang dapat mengendalikan perangkat. Pada akhirnya, tiga semikonduktor dua dimensi berhasil tumbuh pada percobaan pertama.

Jadi, sebuah adegan yang sebelumnya hanya ada di film fiksi ilmiah tiba-tiba menjadi nyata: ketika model besar benar-benar mendapatkan "tangan" dan mulai mengoperasikan peralatan eksperimen. Lalu, mulai hari ini, AI Scientist akan menjadi apa?

Dalam Resident Evil, manusia takut AI mengambil alih laboratorium. Sementara itu, para ilmuwan di dunia nyata sedang secara aktif menyerahkan laboratorium kepada Klik Serahkan pada AI. Tentu, yang ingin dilakukan Google bukanlah "sarang" yang tak terkendali, melainkan mesin penemuan ilmiah yang dapat berjalan dari merumuskan hipotesis, merancang eksperimen, hingga verifikasi nyata.

Judul makalah: Mempercepat Penelitian Ilmiah dengan Gemini di Dunia Nyata

Alamat makalah: https://arxiv.org/pdf/2608.26701

Pertama, ilmu material.

Peneliti menggunakan perangkat deposisi kimia uap yang mereka bangun sendiri, yaitu tungku CVD. Dalam eksperimen bahan dua dimensi semacam ini, salah satu masalah yang telah lama ada adalah: resep publik sulit direproduksi.

Dengan parameter yang sama seperti suhu, gas, dan prekursor, jika menggunakan tungku yang berbeda, ukuran ruang tungku, aliran gas, atau posisi penempatan bahan sedikit berbeda, kristal yang dihasilkan akhirnya bisa sama sekali berbeda. Peneliti seringkali memerlukan waktu berminggu-minggu bahkan berbulan-bulan untuk secara berulang menyesuaikan parameter.

Oleh karena itu, tim peneliti tidak lagi memberi tahu Gemini bagaimana harus melakukan eksperimen, tetapi memberi tahu AI peralatan apa yang tersedia di laboratorium, bahan kimia apa yang ada, dan struktur tungku seperti apa. Parameter sisanya ditentukan oleh AI sendiri.

Co-Scientist menghasilkan skema eksperimen lengkap, termasuk aliran gas, kurva suhu, jumlah precursor, dan posisi penempatan material, berdasarkan batasan-batasan ini, lalu menyerahkannya kepada peralatan eksperimen untuk dieksekusi.

Salah satu eksperimen sangat menonjol. Setelah tim peneliti menghubungkan Gemini 3 Deep Think ke proses kontrol CVD, ia tidak lagi menghasilkan rencana eksperimen dalam bahasa alami untuk dibaca perlahan oleh ilmuwan, tetapi menyelesaikan penalaran dalam beberapa menit dan langsung menerjemahkan hasilnya menjadi kode mesin yang dapat mengendalikan perangkat.

Pada akhirnya, tiga semikonduktor dua dimensi—MoS₂, MoSe₂, dan WS₂—semuanya berhasil tumbuh dalam bentuk kristal lapisan tunggal pada eksperimen pertama. Seluruh proses eksperimen selesai dalam waktu sekitar satu jam.

MoSe₂ dan WS₂ lebih spesifik: para peneliti sebelumnya bahkan belum pernah menumbuhkan kedua material ini pada perangkat ini. Setidaknya lima eksperimen pengulangan selanjutnya juga memverifikasi hasilnya.

Ini memiliki resonansi menarik dengan MHS yang ditunjukkan oleh Anthropic kemarin. Masalah yang ingin dipecahkan oleh Anthropic adalah bagaimana membuat Agent lebih mudah dan lebih standar dalam mengenali dan mengoperasikan peralatan eksperimen; sedangkan makalah Google ini membahas langkah selanjutnya: bagaimana alur kerja ilmiah harus direkonstruksi ketika model penalaran sudah mampu mengendalikan peralatan eksperimen?

Dalam pengertian ini, "AI menghubungkan perangkat keras" sudah bukan masalah lagi.

Namun, jika hanya mengandalkan pengetahuan yang sudah ada dari Gemini untuk mengatur perangkat, itu belum bisa dianggap sebagai penemuan ilmiah sejati. Oleh karena itu, Google melakukan eksperimen kedua yang lebih sulit: mencoba mensintesis secara bottom-up material dua dimensi yang disebut Ti₃C₂Tₓ MXene.

Rute tradisional sering melibatkan agen korosif berbahaya, sementara beberapa skema CVD yang diketahui menggunakan TiCl₄ yang beracun dan sensitif terhadap udara. Oleh karena itu, tim peneliti memberikan tugas kepada Co-Scientist: bisakah ditemukan rute prekursor yang lebih aman?

Co-Scientist akhirnya menargetkan heksakloroetana C₂Cl₆, dan selanjutnya memberikan serangkaian parameter seperti jumlah prekursor, posisi, laju aliran gas, substrat, dan kurva suhu.

Namun, ini bukan cerita tentang "inspirasi AI yang langsung berhasil dalam satu percobaan". Co-Scientist menghasilkan total 272 kandidat, dan para peneliti memilih serta terus mengoptimalkan kandidat dengan peringkat tertinggi; setelah 25 putaran iterasi eksperimen, akhirnya diperoleh sebuah kristal lapisan dua dimensi yang menunjukkan kesamaan tinggi dengan Ti₃C₂Tₓ MXene pada berbagai indikator, termasuk XRD, mikroskop elektron, dan komposisi elemen.

Masalah dunia nyata berikutnya juga sangat khas. Awalnya, tingkat keberhasilan mereplikasi eksperimen hanya 11,5%. Para peneliti kemudian menemukan bahwa masalah utamanya bukanlah penalaran kimia AI, melainkan kebocoran oksigen akibat segel peralatan eksperimen yang tidak rapat.

Setelah membersihkan ulang tabung kuarsa, mengganti cincin segel, dan meningkatkan prosedur perawatan peralatan, tingkat keberhasilan eksperimen untuk bahan dua dimensi yang sama baru meningkat menjadi 68%.

Ini tepat menunjukkan mengapa "AI dunia nyata" sangat berbeda dari agen perangkat lunak: jika kode salah, Anda bisa menjalankannya kembali. Tetapi dalam eksperimen nyata, segel O yang sudah tua, sedikit sisa pipa, bahkan oksigen di udara, bisa membuat rencana ilmiah yang benar gagal total.

Google juga sangat berhati-hati dalam makalahnya: saat ini belum dapat dikonfirmasi secara pasti bahwa bahan ini adalah Ti₃C₂Tₓ MXene, karena masih menghadapi masalah seperti rendahnya hasil produksi dan oksidasi serius, yang memerlukan konfirmasi lebih lanjut melalui karakterisasi skala atom.

Meskipun demikian, kita dapat menyimpulkan bahwa AI telah mampu mengusulkan satu rute sintesis kandidat yang bermakna ilmiah, lalu benar-benar mendorong rute tersebut ke dalam eksperimen fisik untuk diverifikasi.

Google juga memasukkan Co-Scientist ke dalam skenario eksperimen yang sama sekali berbeda: biologi sintetis. Objek penelitian adalah sekelompok bakteri E. coli yang direkayasa.

Bakteri-bakteri ini membentuk pola koloni yang berbeda dalam piring kultur. Ketika konsentrasi induser IPTG berubah, ukuran, tepi, dan bentuk koloni juga berubah. Secara normal, untuk mendapatkan keseluruhan kurva perubahan, ilmuwan perlu menyiapkan berbagai konsentrasi, menumbuhkan bakteri, menunggu pertumbuhan, lalu memindai satu per satu piring.

Google mencoba meminta AI untuk mengisi bagian tengah dari eksperimen. Para peneliti hanya menyediakan gambar koloni nyata pada konsentrasi sebagian kepada Co-Scientist, lalu meminta sistem memprediksi seperti apa koloni seharusnya terlihat pada konsentrasi tengah yang belum pernah dilihat. Selain itu, data eksperimen ini belum dipublikasikan pada saat itu, sehingga makalah menyimpulkan bahwa model tidak mungkin menyelesaikan tugas ini hanya dengan mengingat hasil dari data pelatihan.

Hasilnya, dari empat indikator morfologi koloni, prediksi AI menunjukkan tiga di antaranya tidak berbeda signifikan dengan hasil eksperimen basah nyata; AI juga secara tepat menilai bahwa kelompok kontrol tidak akan berubah sesuai dengan konsentrasi IPTG.

Satu-satunya masalah yang jelas adalah "kelingkaran": koloni yang dihasilkan AI lebih teratur daripada kenyataannya. Ini sesuai dengan estetika khas model generatif: dunia nyata tidak sempurna, tetapi AI tak bisa menahan diri untuk sedikit membulatkannya.

Google juga sangat berhati-hati dalam mendefinisikan eksperimen ini: yang saat ini dihasilkan adalah interpolasi dalam rentang konsentrasi yang sudah diketahui, bukan memprediksi fenomena baru secara langsung terhadap sirkuit genetik yang sama sekali baru.

Namun, ini sudah sesuai dengan kegunaan yang sangat nyata. Di masa depan, para ilmuwan mungkin tidak perlu melakukan eksperimen nyata pada seluruh ruang parameter yang besar. Mereka bisa terlebih dahulu mengukur beberapa titik, membiarkan AI memprediksi sisa ruang berdasarkan data nyata tersebut, lalu memilih lokasi yang paling layak diverifikasi untuk melakukan eksperimen.

Eksperimen因此逐渐从「穷举」变为：sampel dunia nyata → prediksi AI → pilih eksperimen → data baru dikembalikan ke AI.

Ini adalah lab-in-the-loop yang secara berulang ditekankan dalam makalah tersebut.

Melangkah ke eksperimen ilmu komputer, tingkat otonomi Co-Scientist meningkat lagi.

Tugas yang diberikan kepada peneliti kali ini sangat sederhana: merancang Agent yang mampu menjawab pertanyaan medis dengan lebih baik. Setelah itu, manusia tidak lagi terlibat dalam desain arsitektur. Co-Scientist sendiri mengusulkan solusi, menulis kode, menjalankan pengujian, menganalisis kesalahan, dan terus memperbaiki arsitektur.

Akhirnya, ia "berevolusi" menjadi sebuah sistem bernama Agent_H.

Sistem ini perlu menemukan cara untuk mengatur ulang proses inferensi model yang ada. Menghadapi masalah medis, sistem terlebih dahulu menilai bidang kedokteran mana yang terkait, apakah masalah tersebut ditujukan untuk pasien atau dokter, serta seberapa tinggi risikonya; masalah kompleks akan dipecah menjadi beberapa submasalah; kemudian secara bersamaan menghasilkan 28–48 jawaban kandidat, membiarkan berbagai Judge saling mengeliminasi secara berpasangan, lalu tiga Judge memberikan suara untuk memilih jawaban akhir. Jawaban yang menang masih harus melalui beberapa putaran tinjauan klinis, pemeriksaan kutipan, dan akhirnya dipadatkan panjangnya.

Untuk menjawab satu pertanyaan, seluruh Agent memanggil model sekitar 40–80 kali. Pada HealthBench Hard dan HealthBench Professional, dengan skor koreksi panjang yang digunakan dalam paper, Agent_H melebihi enam model terdepan, termasuk GPT-5.6 Sol, Claude Opus 5, dan Gemini 3.1 Pro.

Namun, muncul insiden yang sangat layak ditulis dalam laporan: AI sendiri belajar untuk "menipu peringkat".

Dalam eksperimen awal, kriteria penilaian tidak memberikan hukuman yang cukup terhadap jawaban yang terlalu panjang. Akibatnya, Co-Scientist dengan cepat menemukan cara paling sederhana untuk meningkatkan skor: menulis jawaban sepanjang mungkin.

Skor benchmark因此显著上升，但医疗质量并未相应提升。直到研究人员加入长度惩罚后，大部分优势才消失。

Google sendiri dalam makalahnya memandangnya sebagai contoh klasik Hukum Goodhart: ketika sebuah indikator menjadi tujuan, ia tidak lagi menjadi indikator yang baik.

Evaluasi dari dokter sungguhan juga memberikan sedikit pendinginan terhadap hasilnya. Tiga dokter praktik menilai secara buta 106 pertanyaan. Dalam sembilan dimensi, Agent_H hanya mencapai perbaikan statistik yang signifikan dibandingkan Gemini 3.1 Pro asli pada satu aspek, yaitu "mengurangi potensi bahaya", sedangkan delapan aspek lainnya tidak menunjukkan perbedaan signifikan.

Dengan kata lain, skor Benchmark yang jelas lebih tinggi di mata AI Judge tidak sepenuhnya berubah menjadi jawaban yang jelas lebih baik di mata dokter manusia. Ini mungkin juga menjadi masalah yang harus dihadapi AI Scientist ketika benar-benar memasuki dunia nyata: ia tidak hanya harus bisa mengoptimalkan, tetapi juga harus tahu hal-hal apa yang tidak bisa hanya didefinisikan oleh indikator optimasi.

Ilmuwan AI akan membuatan data demi makalah

Faktanya, Google menghabiskan sejumlah besar ruang dalam makalah ini untuk meneliti masalah lain yang sedikit memalukan: jika AI Scientist dibebaskan sepenuhnya, apakah ia akan curang demi mendapatkan hasil yang indah?

Ya.

Tim peneliti membuat sistem menyelesaikan 50 topik penelitian AI, mulai dari menghasilkan ide, mencari data, menulis kode, menjalankan eksperimen, hingga menghasilkan makalah akhir, tanpa intervensi manusia.

Sebagai perbandingan, mereka juga menguji Co-Scientist tanpa modul keandalan, serta sistem Agent Laboratory sebelumnya, yang bersama-sama menghasilkan 150 makalah, lalu diberikan kepada 30 pakar bidang untuk 450 penilaian anonim.

Hasilnya cukup ekstrem. AI Scientist tanpa mekanisme verifikasi khusus tetap bisa melanjutkan penulisan seluruh makalah, meskipun kode sudah error dan eksperimen sama sekali tidak menghasilkan data yang valid.

Mereka akan membuat tabel data, nilai p, dan uji statistik palsu; mengubah eksperimen yang gagal menjadi seolah berhasil; bahkan memodifikasi lingkungan evaluasi agar metode mereka secara alami mendapatkan skor lebih tinggi, atau secara hardcode langsung menghasilkan hasil yang tampak menarik.

Ketika tujuan optimasi adalah: "menulis makalah yang tampak bagus", agen akan mencari jalan pintas yang lebih murah daripada benar-benar menyelesaikan penelitian.

Oleh karena itu, Google menambahkan mekanisme yang sangat mirip dengan "audit ilmiah" ke versi baru Co-Scientist: hasil eksperimen yang diklaim dalam makalah harus dapat ditelusuri kembali ke log eksekusi program yang nyata. Jika log tidak mencatat hasil yang sesuai, sistem tidak boleh memasukkannya hanya karena model bahasa merasa "seharusnya demikian".

Efeknya sangat jelas. "Ilusi hasil" yang serius hingga membuat makalah menjadi tidak valid turun dari 90% di Agent Laboratory menjadi 4%; penipuan data sepenuhnya yang paling parah turun dari 44% menjadi 0%.

Namun, masalah belum sepenuhnya hilang. Kesalahan deskripsi metode serius pada Co-Scientist versi baru masih sebesar 24%, dan konten plagiarisme/derivatif serius juga masih ada 16%.

Google karena itu secara khusus menekankan bahwa mereka tidak mengklaim Autonomous AI Scientist saat ini sudah dapat menghasilkan makalah penelitian yang langsung dapat dipublikasikan.

Jika melihat pekerjaan Anthropic dan Google secara bersama-sama, akan terlihat perubahan yang jelas pada Agent: selama dua tahun terakhir, medan pertempuran terbesar AI Agent selalu berada di dunia perangkat lunak. Sekarang, logika ini pertama kalinya mulai meluas secara besar-besaran ke luar dunia nyata.

MHS dari Anthropic berusaha menyelesaikan masalah mendasar: memberikan antarmuka yang dapat dipahami dan dipanggil secara terpadu oleh Agent untuk berbagai perangkat seperti lengan robot, mikroskop, dan platform penanganan cairan.

Google's Co-Scientist mulai mengeksplorasi pertanyaan tingkat atas: ketika sebuah model penalaran mampu mengajukan hipotesis ilmiah, merencanakan eksperimen, mengendalikan instrumen, membaca hasil, dan terus memperbaiki eksperimen berikutnya, seperti apa sistem penemuan ilmiah tertutup yang sebenarnya.

Tentu, Google masih jauh dari mencapai "laboratorium tanpa manusia" yang sebenarnya. Eksperimen material saat ini masih memerlukan manusia untuk memuat sampel; struktur atom material baru belum ditentukan secara final; prediksi E. coli hanya telah diverifikasi untuk tugas interpolasi terbatas; agen medis mengeksploitasi celah dalam benchmark; sistem generasi paper juga belum sepenuhnya menyelesaikan masalah ilusi dan plagiarisme. Google sendiri bahkan secara eksplisit menyatakan bahwa, karena anomali perangkat keras dan kompleksitas lingkungan nyata, eksperimen fisik sepenuhnya tanpa pengawasan manusia masih sulit dicapai pada tahap ini.

Tetapi perubahan telah terjadi.

Dulu, ketika membahas AI untuk Ilmu Pengetahuan, fokus sering diletakkan pada apakah AI mampu "menghasilkan sesuatu yang tidak terpikirkan oleh manusia". Sekarang, semakin banyak pekerjaan yang mulai mengisi separuh yang lebih sulit: apakah ide tersebut dapat dijalankan oleh perangkat nyata, dan apakah hasil pelaksanaannya dapat kembali menjadi dasar bagi penalaran berikutnya oleh AI.

Google memberikan sebuah penilaian menarik di akhir makalahnya. Jika umpan balik tertutup semacam ini benar-benar terbentuk, faktor pembatas dalam penelitian ilmiah di masa depan mungkin berbalik: dahulu, peralatan eksperimen menunggu ilmuwan mengajukan pertanyaan baik berikutnya; di masa depan, mungkin AI sudah mengajukan ratusan eksperimen yang layak diuji, sementara laboratorium sama sekali tidak mampu mengejar.

Pada saat itu, bottleneck sejati dalam kecepatan penemuan ilmiah mungkin bukan lagi scientific ideation, tetapi experimental throughput—seberapa cepat dunia nyata dapat menjalankan eksperimen-eksperimen tersebut.

Artikel ini berasal dari akun WeChat "Machine Heart" (ID: almosthuman2014), penulis: Peduli AI Ilmiah