Ketika AI Menemukan Sesuatu yang Tidak Dicari: Emergent Insight, Penemuan Pola, dan Batas Pengetahuan Mesin

Ilustrasi (Pic: Grok AI)

AI menjadi jauh lebih menarik daripada sekadar “mesin yang menjawab pertanyaan”. Ia menjadi alat yang membantu manusia menemukan pertanyaan yang bahkan belum terpikirkan manusia

AI modern tidak hanya mampu menjawab pertanyaan. Dalam kondisi tertentu, sistem pembelajaran mesin dapat menemukan korelasi, representasi, atau strategi yang tidak secara eksplisit dirancang oleh manusia. 

Fenomena ini menimbulkan pertanyaan epistemologis penting: apakah AI benar-benar menemukan pengetahuan baru, atau hanya mengekstraksi struktur yang sudah tersembunyi dalam data? 

Tulisan ini membedakan antara prediksi, inferensi, penemuan pola, dan penemuan ilmiah. 

Argumen utamanya adalah bahwa AI dapat menghasilkan novel insights secara operasional, tetapi status epistemiknya tetap bergantung pada validasi manusia, eksperimen, dan hubungan kausal yang dapat diuji.

AI Tidak Selalu Menunggu Pertanyaan

Model AI biasanya kita bayangkan seperti ini, ketika manusia bertanya barulah AI menjawab. Namun dalam sistem yang digunakan untuk riset, analisis data, penemuan obat, matematika, atau sains, situasinya bisa berbeda.

Manusia memberikan data, tujuan, dan batasan, lalu sistem menemukan pola yang sebelumnya tidak diketahui pengguna.

Ini penting, karena manusia tidak mengatakan: “Carilah pola X.” Tetapi AI bisa menemukan X justru karena X muncul sebagai struktur dalam data.

Bukankah AI Hanya Mengolah Data?

Justru di sinilah persoalannya menjadi menarik. AI tidak menciptakan informasi dari ketiadaan.

Jika dataset berisi hubungan: A ↔ B ↔ C, model dapat menemukan struktur tersebut. Tetapi manusia mungkin sebelumnya tidak menyadari bahwa hubungan itu ada.

Jadi ada perbedaan antara informasi baru dan pengetahuan baru bagi manusia.

Sebuah pola bisa sudah terkandung dalam data, tetapi tetap merupakan penemuan bagi manusia ketika berhasil diidentifikasi dan divalidasi.

Prediksi Tidak Sama dengan Penemuan

Misalnya model memprediksi bahwa “Pasien A kemungkinan mengalami kondisi X.” Itu belum tentu penemuan ilmiah.

Prediksi hanya mengatakan X memiliki probabilitas tertentu berdasarkan pola yang dipelajari.

Penemuan ilmiah membutuhkan lebih banyak:

1. hipotesis,
2. pengujian,
3. reproduksibilitas,
4. validasi independen,
5. dan idealnya penjelasan mekanistik.

Jadi AI dapat menjadi mesin penghasil hipotesis, tanpa otomatis menjadi ilmuwan dalam pengertian manusia.

Contoh Besar: AlphaFold

Salah satu contoh paling spektakuler datang dari prediksi struktur protein.

Google DeepMind mengembangkan AlphaFold, yang mampu memprediksi struktur tiga dimensi protein dari urutan asam amino dengan tingkat akurasi yang sangat tinggi untuk banyak kasus.

Yang menarik bukan sekadar kecepatannya, karena model tersebut juga membantu ilmuwan melihat struktur biologis yang sebelumnya sulit diperoleh.

AI tidak “menemukan protein dari udara”. Ia memanfaatkan struktur yang terkandung dalam data biologis untuk menghasilkan prediksi yang kemudian dapat digunakan dan diuji oleh ilmuwan.

Di sinilah AI mulai berfungsi sebagai instrumen penemuan.

AI Bisa Menemukan Strategi yang Tidak Dipikirkan Manusia

Contoh lain datang dari sistem permainan.

Dalam reinforcement learning, model tidak selalu diberi tahu: “Gunakan strategi A.”

Ia diberi tujuan , ditambah aturan dan mekanisme evaluasi. Kemudian sistem mencoba berbagai tindakan.

Dalam beberapa kasus, strategi yang ditemukan dapat mengejutkan manusia. Ini menunjukkan sesuatu yang penting, bahwa ruang solusi bisa jauh lebih besar daripada intuisi manusia tentang ruang tersebut.

AI dapat menjelajahinya dengan cara yang tidak lazim bagi manusia.

Apakah AI “Kreatif”?

Di sinilah kita harus hati-hati, sebab ada setidaknya tiga pengertian kreativitas:

1. Kreativitas kombinatorial

Menggabungkan unsur yang sudah ada dengan cara baru.

2. Kreativitas eksploratif

Menjelajahi ruang kemungkinan dan menemukan konfigurasi yang sebelumnya belum digunakan.

3. Kreativitas transformasional

Mengubah aturan atau ruang konseptual itu sendiri.

AI modern cukup jelas menunjukkan dua yang pertama dalam banyak tugas, namun apakah ia benar-benar melakukan yang ketiga dalam arti filosofis? Masih diperdebatkan.

Dari Korelasi Menuju Hipotesis

Bayangkan AI menemukan bahwa variabel A sangat berkorelasi dengan B. Manusia kemudian bertanya: “Kenapa?”

AI mungkin menghasilkan hipotesis A memengaruhi B melalui mekanisme C. Tetapi di sini terdapat jebakan besar,  korelasi tidak membuktikan kausalitas.

AI bisa menemukan hubungan yang sangat kuat tetapi tidak memiliki makna kausal. Karena itu, ketika AI menemukan pola tidak sama dengan AI menemukan kebenaran.

Masalah “Black Box”

Bayangkan AI menemukan prediksi yang sangat akurat. Tetapi ketika ilmuwan bertanya: “Mengapa?” jawabannya tidak mudah ditelusuri.

Kita mungkin mengetahui input atau output tetapi tidak memahami seluruh mekanisme internal yang menghasilkan hubungan tersebut.

Inilah salah satu alasan mechanistic interpretability menjadi penting. Bukan hanya: “Apakah model benar?” tetapi: “Mengapa model benar?”

Epistemologi Mesin

Di sinilah filsafat masuk.

Secara klasik, pengetahuan sering dikaitkan dengan konsep seperti justified true belief

Secara sederhana, seseorang mengetahui sesuatu jika keyakinannya benar dan memiliki pembenaran yang memadai.

Tetapi bagaimana dengan AI?

Bayangkan, AI menghasilkan prediksi yang benar. Namun AI tidak memiliki keyakinan subjektif, tidak mengalami kebenaran, dan  tidak memahami pembenaran seperti manusia.

Apakah AI mengetahui? Atau hanya menghasilkan informasi yang benar?

Ini melahirkan pertanyaan baru, yaitu bisakah sebuah mesin menjadi agen epistemik?

AI Sebagai Mikroskop Pengetahuan

AI mungkin lebih tepat dipahami sebagai mikroskop epistemik. Mikroskop tidak “memahami” bakteri, tetapi ia membuat sesuatu yang sebelumnya tidak dapat dilihat menjadi dapat diamati.

AI dapat melakukan sesuatu yang serupa terhadap ruang kemungkinan, Ia membantu manusia melihat pola yang terlalu kompleks, terlalu besar, atau terlalu tidak intuitif untuk ditemukan dengan mudah oleh manusia.

Dalam pengertian ini, AI tidak harus menjadi ilmuwan sadar untuk mengubah ilmu pengetahuan. Ia cukup menjadi alat yang memperluas kemampuan menemukan.

Bahaya Besar

Bayangkan AI menemukan korelasi yang sangat kuat, lalu manusia langsung percaya.

Padahal korelasi tersebut mungkin artefak dataset, confounding variable, bias sampling,

kebocoran informasi, atau kebetulan statistik.

Karena itu AI dapat mempercepat penemuan

sekaligus kesalahan.

Kecepatan epistemik tanpa validasi adalah resep untuk menghasilkan banyak “pengetahuan palsu” dengan sangat efisien. 

Jadi Siapa yang Menemukan?

Misalnya, AI menemukan pola, Iimuwan memverifikasi pola, kemudian eksperimen membuktikannya.

Siapa penemunya? Tidak ada jawaban sederhana.

Kita bisa melihat prosesnya sebagai:

Manusia → AI → hipotesis → eksperimen → pengetahuan

AI menjadi bagian dari rantai epistemik. Bukan pengganti manusia, tetapi juga bukan sekadar kalkulator biasa.

Batas Penting

Ada perbedaan antara Discovery (Menemukan struktur atau pola yang sebelumnya tidak diketahui.) dengan Explanation )Menjelaskan mengapa struktur tersebut terjadi.) dan Understanding (Memiliki model konseptual yang dapat digunakan untuk menalar lebih jauh.)

AI dapat sangat kuat pada yang pertama, ia juga dapat membantu yang kedua. Tetapi apakah ia memiliki pemahaman epistemik subjektif seperti manusia? Belum ada dasar kuat untuk menyimpulkan demikian.

AI dapat menemukan sesuatu yang tidak secara eksplisit dicari manusia karena pembelajaran mesin memungkinkan sistem mengeksplorasi ruang pola yang sangat besar.

Namun menemukan pola bukan otomatis menemukan kebenaran. Dan menghasilkan hipotesis bukan otomatis memahami hipotesis tersebut.

Peran paling kuat AI dalam ilmu pengetahuan mungkin justru berada di antara kalkulator dan ilmuwan,

AI sebagai mesin eksplorasi epistemik. Ia dapat memperluas wilayah yang bisa kita lihat, kemudian manusia menentukan apakah sesuatu yang terlihat itu benar-benar pengetahuan.

Ada sebuah kemungkinan yang jauh lebih menarik daripada pertanyaan “Apakah AI bisa berpikir?” 

Mungkin pertanyaan masa depan bukan “Apakah mesin dapat menjadi ilmuwan?” melainkan: “Apa yang terjadi ketika manusia dan mesin bersama-sama menjadi sesuatu yang tidak mampu dilakukan salah satunya sendirian?”

Manusia punya intuisi, tujuan, pengalaman, dan pertanyaan. Sedangkan AI punya skala komputasi, pencarian pola, dan eksplorasi ruang kemungkinan.

Ketika keduanya digabungkan, batas pengetahuan manusia bisa bergeser. Dan di situlah AI menjadi jauh lebih menarik daripada sekadar “mesin yang menjawab pertanyaan”.

Ia menjadi alat yang membantu manusia menemukan pertanyaan yang bahkan belum terpikirkan manusia. 

Referensi

• Jumper, J., Evans, R., Pritzel, A., et al. (2021). Highly accurate protein structure prediction with AlphaFold. Nature, 596, 583–589.
• Silver, D., Schrittwieser, J., Simonyan, K., et al. (2017). Mastering the game of Go without human knowledge. Nature, 550, 354–359.
• Vaswani, A., Shazeer, N., Parmar, N., et al. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30.
• Bommasani, R., Hudson, D. A., Adeli, E., et al. (2021). On the opportunities and risks of foundation models. arXiv.
• Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the dangers of stochastic parrots. Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency, 610–623.