Google Research mengumumkan kerangka Science One pada 30 Juli 2026, yang intinya adalah mekanisme bernama "Chain-of-Evidence" (CoE), yang mewajibkan setiap kesimpulan AI dalam penelitian ilmiah untuk dikaitkan dengan sumber, kode, dan catatan eksperimen.

Penulis artikel, sumber: 0x9999in1, ME News



TL;DR

• Google Research mengumumkan kerangka Science One pada 30 Juli 2026, yang intinya adalah mekanisme bernama "Chain-of-Evidence" (CoE), yang mewajibkan setiap kesimpulan AI dalam penelitian ilmiah untuk dikaitkan dengan sumber, kode, dan catatan eksperimen.
• Masalah lama pada sistem penelitian AI sangat sulit diatasi: membuat kutipan palsu, skor yang tidak dapat direproduksi, dan deskripsi metode tidak sesuai dengan kode. Tingkat kutipan ilusori pada sistem baseline mencapai hingga 21%, sedangkan tingkat reproduktibilitas skor hanya sekitar 42%.
• Hasil Science One adalah: nol ilusi sitasi, semua skor verifikasi benar, dan tingkat konsistensi antara metode dan kode tertinggi. Menurut pengungkapan, semua 337 sitasi yang dihasilkan adalah nyata, semua 12 eksperimen yang dapat direplikasi cocok, dan 14 dari 15 makalah konsisten dengan kode.
• Desain utama adalah "menghasilkan sambil mengambil bukti", bukan "menulis dulu baru menambahkan referensi". Referensi berasal dari pencarian nyata melalui API Semantic Scholar, bukan dari memori model.
• Penilaian yang lebih penting: Science One tidak mengorbankan "kompetensi" demi "kejujuran". Ia memenangkan 2 emas dan 2 perak di MLE-Bench, serta mencatatkan hasil terbaik saat itu di Parameter-Golf.
• Makna sebenarnya dari hal ini bukanlah bahwa AI lagi-lagi bisa menulis makalah, tetapi bahwa ini pertama kalinya "verifikasi" dijadikan dasar arsitektur, bukan sebagai tambalan setelahnya.

Pertanyaan yang menyakitkan dulu: Apa kamu percaya makalah yang ditulis oleh AI?

Dalam dua tahun terakhir, kemajuan sistem penelitian AI sangat menakjubkan.

Ia bisa membaca literatur. Bisa mengajukan hipotesis. Bisa menjalankan eksperimen. Bisa menulis seluruh makalah yang terstruktur dengan baik dan bernada profesional dari awal hingga akhir. Anda sekilas melihatnya, tidak akan menemukan kesalahan.

Tetapi masalahnya tersembunyi dalam "sekilas pandang" ini.

Lihat sekilas tidak masalah, tapi kalau diteliti lebih dalam bagaimana?

Google Research secara mendalam mengeksplorasi hal ini. Mereka menguji lima sistem penelitian otomatis utama, menghasilkan total 75 makalah dalam lima tugas optimasi sistem, lalu mempertanyakan setiap poin: Apakah referensi literatur yang Anda kutip benar-benar ada? Apakah skor yang Anda laporkan tetap konsisten ketika kode dijalankan ulang? Apakah algoritma yang Anda klaim digunakan benar-benar diimplementasikan seperti yang tertulis dalam kode?

Hasilnya tidak bagus.

Setiap sistem baseline setidaknya memiliki satu kesalahan sistematis. Tingkat ilusi kutipan mencapai hingga 21%—artinya, satu dari lima kutipan mungkin mengarah ke makalah yang sama sekali tidak ada. Tingkat keberhasilan verifikasi skor hanya sekitar 42%. Konsistensi metode dan kode bervariasi antara 20% hingga 80%.

Coba renungkan angka 42% ini. Lebih dari setengah makalah melaporkan hasil yang tidak dapat direproduksi saat kode dijalankan ulang.

Ini bukan bug kecil. Ini adalah runtuhnya kepercayaan.

Karena ilmu penelitian pada dasarnya berlogika "reproduktif" dan "telusur". Nilai sebuah paper tidak terletak pada seberapa lancar dibacanya, tetapi pada apakah orang lain dapat mengikuti kembali jejaknya melalui referensi, kode, dan data yang disajikan, untuk memastikan bahwa penelitian tersebut tidak berbohong. AI telah meningkatkan "kualitas permukaan" paper, tetapi justru menarik tiang pilar paling dasar ini.

Semakin tampak cemerlang di permukaan, semakin tersembunyi masalahnya. Ini adalah tempat yang paling berbahaya.

Jawaban Google: Bukan berdasarkan kepercayaan, tapi berdasarkan rantai

Pendekatan Science One, pada dasarnya sangat sederhana.

Karena tidak bisa mengandalkan AI untuk jujur secara spontan, jangan harap ia akan bertindak sendiri. Pasangkan rantai padanya.

Rantai ini adalah "Chain-of-Evidence".

Google memberikan perbandingan yang sangat tepat: dalam bidang database, ada konsep yang disebut ACID, yang tidak peduli bagaimana Anda membangun database, tetapi hanya menetapkan sifat-sifat apa yang harus dipenuhi agar satu transaksi dianggap "andalkan". Rantai bukti juga sama. Ia tidak menetapkan cara Anda membangun agen ilmiah, tetapi hanya menetapkan: setiap hal yang Anda hasilkan, jika ingin dipercaya, harus memenuhi apa.

Satu prinsip, dua bagian.

Setengah pertama disebut integritas: setiap pernyataan dalam makalah—apakah itu sebuah kutipan, angka, deskripsi metode, atau kesimpulan—harus didukung oleh jejak bukti yang terdokumentasi.

Kedua, keakuratan: rantai ini harus benar-benar mampu mendukung kalimat yang digantungkan padanya.

Artinya secara sederhana: setiap kalimat yang kamu ucapkan harus memiliki sumber; dan sumber itu benar-benar bisa membuktikan kalimatmu.

Lalu bagaimana menerapkannya? Kuncinya ada pada waktu yang tepat.

Sistem saat ini bekerja seperti apa? Pertama, tulis makalah secara panjang lebar, baru setelah selesai kembali lagi untuk menambahkan kutipan dan bukti. Ini seperti membuat cerita terlebih dahulu, lalu mencari bukti untuk membenarkannya. Bagian yang tidak bisa dibenarkan, hanya bisa dibuat-buat. Kutipan ilusi muncul karena hal ini.

Science One sebaliknya. Pada "saat kalimat ini dihasilkan", ia secara bersamaan membangun rantai bukti. Pernyataan dan bukti tumbuh bersama, bukan dijahit setelahnya.

Pertukaran urutan ini adalah jiwa dari seluruh peristiwa tersebut.

Lihat satu per satu: tiga modul, masing-masing mengelola sebagian kebohongan

Arsitektur Science One terdiri dari tiga bagian, masing-masing secara tepat mengendalikan kemungkinan penipuan.

Blok pertama, penyelidik masalah, mengawasi pemalsuan kutipan.

Ia tidak mengandalkan "ingatan" model untuk mengutip literatur. Ingatan model adalah tempat lahirnya ilusi—ia bisa "mengingat" sebuah makalah yang sebenarnya tidak ada. Science One terhubung langsung ke API Semantic Scholar untuk membangun peta kutipan yang nyata, membaca hingga 100 PDF artikel lengkap per topik, dan menghasilkan ringkasan penelitian terstruktur. Setiap kutipan dalam makalah akhir berasal dari pencarian API yang nyata ini, memutuskan sepenuhnya ketergantungan pada ingatan model.

Kutipan bukan "dipikirkan", tapi "dicari". Dengan satu tebasan ini, akar kutipan ilusi terputus.

Blok kedua, mesin penemuan, mengelola penipuan catatan eksperimen.

Ia menggunakan strategi "eksplorasi—eksploitasi" paralel untuk mencoba solusi secara bersamaan di beberapa cabang. Dalam setiap putaran, satu Solver menerapkan solusi, sementara evaluator khusus memberikan skor. Cabang-cabang yang berkinerja baik terus disempurnakan, dan semua output evaluasi awal dicatat dalam rekaman ketat yang hanya dapat dibaca.

Hanya baca. Kedua kata ini sangat penting. Nilai asli setelah dicatat tidak dapat diubah. Ingin melaporkan nilai yang lebih bagus saat menulis tesis nanti? Maaf, buku besar ada di sini, tidak bisa diubah.

Blok ketiga, penulis makalah sekaligus pemeriksa pernyataan, mengawasi ketidaksesuaian antara metode dan kode.

Sebelum benar-benar merender makalah, ia terlebih dahulu memformat setiap pernyataan fakta, menandai setiap kalimat dengan label bukti inline yang terhubung ke produk tertentu di ruang kerja. Kemudian, seorang pemeriksa khusus membandingkan setiap pernyataan dengan sumber yang diklaimnya.

Bagaimana jika tidak sesuai? Ada satu detail yang sangat cerdas di sini. Bukan sekadar menghapusnya secara kasar, tetapi "menariknya kembali"—mengatakan sesuatu dengan lebih konservatif, sehingga kembali ke dalam rentang yang didukung oleh bukti. Sejauh mana bukti dapat mendukung, seitulah kata-kata harus disampaikan.

Tidak berlebihan, juga usahakan tidak boros. Sensivitas dalam menyeimbangkan ini lebih unggul daripada pendekatan seragam.

Transcript: The Cost of Honesty, Are You Getting Dumber?

Di sini, sebuah pertanyaan tajam seharusnya muncul.

Mengikat AI dengan begitu banyak rantai, membuatnya takut mencari bukti setiap kalimat, apakah itu membuatnya takut untuk ber eksplorasi secara berani? Apakah demi "kejujuran", kita telah mengorbankan "kompetensi"?

Kekhawatiran ini sangat masuk akal. Ini juga merupakan kontradiksi klasik antara "keamanan" dan "kemampuan".

Jawaban Science One adalah: Tidak.

Lihat terlebih dahulu kolom kejujuran. Di bawah protokol audit yang sama—Google menyebutnya CoE Audit, sebuah alat pemeriksa otomatis seperti forensik yang memverifikasi ulang setiap kutipan secara real-time terhadap database akademik—Science One unggul dalam keempat pemeriksaan integritas. Kutipannya bebas ilusi, setiap kutipan mengarah ke sebuah paper nyata dan dapat diakses; verifikasi skor sempurna; dan tingkat konsistensi antara metode dan kode juga tertinggi. Menurut data yang diungkapkan, semua 337 kutipan yang dihasilkannya adalah nyata, semua 12 hasil eksperimen yang dapat direplikasi sesuai, dan 14 dari 15 paper konsisten dengan kode aslinya.

Bandingkan dengan nama-nama menarik di baseline seperti "solver hibrida neuro-simbolik"—terdengar megah, tapi begitu dilihat kode-nya, ternyata hanya aturan heuristik deterministik sederhana. Nama itu untuk orang lihat, kode itulah yang sebenarnya.

Lihat lagi kolom yang mampu.

Pada lima tugas berbasis ADRS, Science One menyamai atau melampaui tingkat ahli manusia, dengan dua tugas (Cloudcast dan EPLB) mencapai hasil terbaik di seluruh sistem.

Di luar lingkungan ini, ia juga menantang tugas eksternal yang lebih sulit. Dalam lima kompetisi Kaggle berat di MLE-Bench, mencakup citra medis, pengenalan halus, dan persepsi 3D, ia memenangkan dua medali emas dan dua medali perak—di kompetisi deteksi objek 3D, sistem lain gagal total, sementara ia meraih skor tingkat juara. Dalam kompetisi pelatihan LLM real-time Parameter-Golf yang sangat ketat dalam hal perangkat keras dan ukuran file, sistem lain bahkan tidak bisa mengirimkan submission yang valid, tetapi ia tidak hanya memenuhi semua batasan, tetapi juga mencatat hasil terbaik hingga 27 April 2026. Dan ini dicapai dengan menemukan teknik algoritmik yang benar-benar baru, bukan hanya dengan menyetel hyperparameter secara acak.

Jadi jawabannya jelas: jujur, tanpa membuatnya menjadi bodoh.

Ini justru hal paling penting bagi saya. Jika Science One hanya mendapatkan kebersihan dengan cara yang kaku dan terbatas, maka nilainya sedikit—karena tidak ada yang akan menggunakan alat ilmiah yang kaku namun jujur. Namun, ia membuktikan bahwa verifiabilitas dan kinerja tinggi dapat dicapai secara bersamaan. Inilah yang mengubah "menganggap kejujuran sebagai batasan mutlak" dari sekadar inisiatif moral menjadi pilihan yang secara teknis menguntungkan.

Penilaian saya: Ini penting, tapi jangan terburu-buru memujainya.

Setelah mengatakan banyak hal baik, sekarang perlu menyiramkan dua ember air dingin.

Pot pertama: Google sendiri menulis dengan jelas di akhir artikel, Science One adalah prototipe penelitian eksperimental, bukan alat yang bisa langsung digunakan di produksi.

Ini bukan sikap rendah hati, ini tentang batasan. Lima tugas yang dijalankannya berada di bidang-bidang seperti optimasi sistem, yang memiliki "evaluator jelas yang bisa memberi skor otomatis." Dengan kata lain, baik atau buruknya bisa dinilai secara objektif oleh mesin. Tapi bagaimana dengan penelitian mutakhir sejati? Banyak nilai hipotesis dan makna kesimpulan yang dalam jangka pendek sama sekali tidak bisa dinilai oleh evaluator apa pun. Rantai bukti bisa mencegah "pemalsuan kutipan," tapi tidak bisa mencegah "memilih masalah yang biasa-biasa saja." Ia mengatur kejujuran, tapi tidak mengatur selera.

Bakat kedua: Rantai bukti itu sendiri juga memiliki biaya. Membaca 100 PDF untuk setiap topik, membangun bukti untuk setiap kalimat, mengaitkan label, lalu memverifikasi ulang—proses ini tidak murah. Sambil mengejar kebenaran, ia juga menghabiskan daya komputasi dan waktu. Saat diperluas secara skala, bagaimana menghitung biaya ini belum ada jawabannya.

Tetapi setelah menuangkan kedua baskom air itu, saya tetap merasa ini adalah sesuatu yang diremehkan.

Why?

Karena ia mengubah cara pertanyaannya.

Dua tahun terakhir, semua orang bertanya: Bisakah AI melakukan penelitian? Seberapa kuat bisa ia lakukan? Orang-orang membandingkan kemampuan menyelesaikan soal dan skor peringkat. Pertanyaan yang diajukan Science One adalah dimensi lain: Apakah penelitian yang dihasilkan AI bisa dipercaya?

Kedua masalah ini tidak berada di jalur yang sama.

Ketika semakin banyak sistem mampu menghasilkan solusi yang bagus, kemampuan memecahkan masalah bukan lagi pembeda. Pada saat itu, yang benar-benar membedakan mereka adalah apakah hasil produksinya dapat dipercaya. Google menaikkan "verifikasi" ke status "warga kelas satu", mengatakan bahwa itu harus menjadi batasan arsitektural, bukan tindakan perbaikan setelah kejadian—penilaian ini, menurut saya, benar dan datang pada waktu yang tepat.

Karena kepercayaan itu butuh waktu lama untuk dibangun, tapi bisa runtuh dengan cepat. Jika penelitian AI di tahap awal sudah menghabiskan kepercayaan seluruh komunitas akademik melalui sejumlah makalah yang tampak cemerlang tetapi penuh kelemahan, maka upaya untuk memulihkannya nanti akan menimbulkan biaya yang tak terbayangkan. Yang dilakukan Science One adalah memperkuat tulang punggung fondasi sebelum kepercayaan itu runtuh.

Penutup

Kembali ke pertanyaan awal: Apakah Anda percaya makalah yang ditulis oleh AI?

Sebelum Science One, jawaban jujurnya adalah—tidak terlalu berani. Semakin baik tulisannya, semakin Anda harus berhati-hati.

Science One tidak membuat AI menjadi lebih cerdas. Yang dilakukannya adalah hal lain yang lebih sederhana, namun lebih sulit: membuat AI belajar untuk meninggalkan bukti yang dapat diverifikasi atas setiap pernyataan yang diucapkannya.

Terlalu banyak AI cerdas.

AI yang bertanggung jawab atas dirinya sendiri baru saja dimulai.

Langkah ini belum besar, masih berupa prototipe, dan masih ada banyak masalah yang belum terpecahkan. Tapi arahnya sudah benar. Kadang-kadang, bobot sebenarnya dari suatu hal tidak terletak pada seberapa cepat ia bisa berjalan saat ini, tetapi pada di mana ia menetapkan ukurannya.

Science One menggeser ukuran dari "apakah tulisannya terlihat seperti aslinya" menjadi "apakah bisa bertahan dari pemeriksaan".

Pindah saja ini, sepadan.

Referensi

1. Blog Riset Google. Framework Science One: Kerangka penelitian otonom yang dapat diverifikasi melalui Chain-of-Evidence, 30 Juli 2026.
2. Penelitian AI Google Cloud. arXiv:2605.26340 Paper《Science One Framework / Chain-of-Evidence》.
3. AlphaSignal. 《Google's Science One Framework Fixes AI Research's Fake Citation Crisis》, Juli 2026.
4. Zhidingwang. "Kerangka Science One: Sistem Penelitian Otonom yang Dapat Diverifikasi Berbasis Rantai Bukti", 31 Juli 2026.
5. Sakana AI. arXiv:2504.08066《The AI Scientist v2》（perbandingan baseline）.
6. OpenAI. Proyek GitHub Parameter-Golf Benchmark.
7. arXiv:2410.07095 Paper tentang benchmark MLE-Bench.
8. arXiv:2510.06189 Benchmark ADRS (Automated Design of Research Systems).