Di tengah hiruk-pikuk perkembangan kecerdasan buatan (AI) generatif seperti ChatGPT dan Gemini yang memukau dunia dengan kemampuan bahasa mereka, sebuah revolusi yang lebih senyap namun fundamental sedang terjadi di laboratorium biologi. Revolusi ini tidak dipimpin oleh chatbot, melainkan oleh robot fisik yang cerdas.
Michelle Lee, CEO Medra dan mantan ilmuwan di NVIDIA serta SpaceX, menyebut fenomena ini sebagai kebangkitan “Physical AI”. Dalam sebuah wawancara terbaru dengan Genetic Engineering & Biotechnology News (GEN), Lee menegaskan bahwa hambatan terbesar dalam sains modern—khususnya penemuan obat dan bioteknologi—bukanlah pada algoritma AI, melainkan pada ketersediaan data fisik yang berkualitas.
“Data Adalah Masalah Robotika”
Selama dekade terakhir, kita telah melihat ledakan investasi di sisi komputasi biologi (dry lab*), dengan model-model AI yang mampu memprediksi struktur protein seperti AlphaFold. Namun, ada ketimpangan besar: sementara kemampuan komputasi melonjak, cara kita melakukan eksperimen fisik (*wet lab) masih sangat manual, lambat, dan rentan terhadap kesalahan manusia.
“Hal yang terus saya dengar berulang kali adalah kita tidak memiliki cukup data,” ujar Lee. “Membangun model fondasi dalam biologi yang dapat memprediksi dan menyembuhkan penyakit akan membutuhkan ribuan tahun pembuatan data jika dilakukan dengan cara saat ini. Semakin saya melihat bidang ini, semakin saya menyadari bahwa masalah data ini sebenarnya adalah masalah robotika.”
Lebih dari Sekadar Otomasi
Penting untuk membedakan antara “otomasi laboratorium” tradisional dengan “Physical AI”. Otomasi biasa, seperti lengan robot industri yang memindahkan cairan dari satu tabung ke tabung lain, bekerja berdasarkan aturan kaku (rule-based). Jika ada halangan atau variasi sedikit saja, robot tersebut akan gagal atau terus bekerja tanpa menyadari kesalahan.
Sebaliknya, Physical AI yang dikembangkan Medra dilengkapi dengan sensor dan kecerdasan untuk “melihat”, “merasakan”, dan membuat keputusan secara real-time. Mirip dengan mobil otonom (self-driving cars) yang bereaksi terhadap lalu lintas, robot saintis ini dapat mengamati eksperimen, menyesuaikan parameter, dan belajar dari hasil yang didapat.
“Biologi itu bervariasi, probabilistik, dan non-deterministik,” jelas Lee. Nuansa eksperimen—seperti sudut pipet saat memasukkan cairan atau waktu pencampuran reagen—seringkali tidak terekam dalam data standar. Robot Medra mencatat semua konteks ini, memungkinkan AI untuk belajar dari keberhasilan maupun kegagalan eksperimen dengan presisi yang tidak mungkin dicapai manusia.
Mengubah Wajah Penemuan Obat
Implikasi dari teknologi ini sangat besar. Dengan menggabungkan robotika, AI, dan pembuatan data dalam satu sistem tertutup (closed-loop), siklus penemuan ilmiah bisa dipercepat secara eksponensial. AI merancang hipotesis, robot menjalankannya 24/7, dan data hasilnya langsung digunakan untuk melatih AI kembali.
Mitra-mitra besar seperti Genentech dan Cultivarium kini mulai mengadopsi teknologi ini dengan harapan dapat memangkas waktu pengembangan obat dari tahunan menjadi mingguan atau bahkan harian.
Jika dekade terakhir adalah tentang AI yang belajar membaca dan menulis, dekade ini mungkin akan dikenang sebagai era di mana AI mulai “bekerja” secara fisik untuk memecahkan misteri terbesar kehidupan.
—
Sumber: Dilansir dari GEN – Genetic Engineering & Biotechnology News dan Wikipedia – Laboratory Automation.
