Esai Tamu Anthropic Mendesak AI Menghasilkan Rentang Model Ilmiah

Pada 6 November 2026, Anthropic menerbitkan esai penelitian oleh kontributor tamu yang ditulis oleh penerima hibah AI for Science, Jakob Macke, Daniel Gedon, dan Stefan Wahl. Mereka berpendapat bahwa agen LLM seharusnya menghasilkan distribusi berbobot dari model ilmiah yang masuk akal, bukan hanya satu model yang paling sesuai dengan data. Para penulis adalah peneliti di ELLIS Institute Tübingen dan University of Tübingen.

Perbedaan utama yang mereka kemukakan adalah antara mereproduksi pengamatan dan memahami suatu sistem. Banyak pengaturan parameter dapat menghasilkan keluaran yang setara, dan struktur persamaan yang berbeda dapat menjelaskan pengukuran yang sama. Karena itu, agen yang hanya memberikan satu jawaban yang memadai akan menyembunyikan alternatif yang mungkin mendukung mekanisme atau prediksi berbeda.

Membangun, Membatasi, dan Menafsirkan Model

Esai tersebut membagi pemodelan ilmiah menjadi tiga langkah yang dilakukan berulang kali: menyusun komponen dan persamaan model, membatasi parameter yang dapat disesuaikan menggunakan hasil pengukuran, serta menafsirkan hal yang diungkapkan hasilnya tentang sistem nyata. Contoh historis yang mereka gunakan adalah model sel saraf Hodgkin dan Huxley. Keduanya memilih suku berpangkat empat karena versi yang lebih sederhana kurang sesuai dengan data mereka, sementara Huxley menghabiskan lebih dari tiga minggu untuk menyelesaikan persamaan dengan kalkulator engkol tangan setelah komputer Cambridge University tidak berfungsi pada 1951.

Riwayat alternatif yang ditolak itulah inti persoalannya. Pangkat empat mendukung hipotesis tentang beberapa bagian yang bergerak dalam gerbang membran; tanpa mengetahui bahwa pangkat yang lebih rendah tidak berhasil, kecocokan numerik saja tidak cukup untuk membenarkan penafsiran tersebut. Para penulis menggunakan contoh ini untuk menetapkan standar bagi AI: mempertahankan hal-hal yang terungkap selama proses pemodelan, termasuk kandidat yang tidak berhasil dan ketidakpastian yang masih tersisa.

Dari Distribusi Parameter ke Distribusi Model

Inferensi Bayesian menangani persoalan pada tingkat parameter dengan merepresentasikan pengaturan yang masuk akal sebagai distribusi probabilitas yang mempertimbangkan kecocokan data dan pengetahuan sebelumnya. Perhitungan likelihood konvensional sering kali sulit dilakukan pada simulator mekanistik: tinjauan PNAS tahun 2020 menjelaskan bahwa likelihood secara implisit mengintegrasikan semua jalur eksekusi yang mungkin dalam simulator.

Sebaliknya, inferensi berbasis simulasi mengambil sampel parameter, menjalankan simulator, lalu melatih estimator neural menggunakan keluaran sintetis. Metode SNPE memerlukan model yang dapat dijalankan, batasan awal untuk parameter, serta data pengamatan atau fitur ringkasan; metode ini tidak memerlukan evaluasi likelihood ataupun kode model yang dapat diturunkan. Dalam eksperimen Hodgkin-Huxley yang disimulasikan, satu putaran menggunakan 100.000 simulasi untuk memperkirakan delapan parameter biofisik dari tujuh fitur tegangan. Penambahan fitur mempersempit distribusi posterior dan menunjukkan parameter mana yang dibatasi secara kuat atau lemah oleh pengamatan. Setelah tahap awal simulasi dan pelatihan, model pengganti yang telah dipelajari dapat mengevaluasi data baru secara efisien.

Esai tersebut memperluas pendekatan ini dari parameter ke struktur model. Agen LLM dapat menulis kode simulator kandidat, menjalankannya, membatasi parameternya, membandingkan keluarannya dengan pengamatan, lalu merevisi persamaannya. Beberapa proses terpisah dapat menghasilkan struktur berbeda yang sama-sama memadai, sehingga keluaran yang diusulkan berupa kumpulan kandidat berbobot: bobot kandidat meningkat sesuai dukungan data, kecocokan yang terlalu fleksibel mendapat bobot lebih rendah, dan kandidat yang lebih kuat menjadi dasar untuk menghasilkan variasi berikutnya. Kesamaan di antara model yang bertahan menunjukkan hal-hal yang didukung oleh bukti, sedangkan perbedaannya menandai bukti yang masih terbatas dan kemungkinan eksperimen berikutnya.

ModelSMC Menelusuri Model yang Dapat Dieksekusi

Dalam makalah ModelSMC tahun 2026 yang terbit lebih awal, Wahl dan rekan-rekannya, termasuk Macke dan Gedon, merumuskan pendekatan tersebut sebagai inferensi probabilistik atas program simulator yang dapat dieksekusi. Setiap kandidat merupakan partikel yang diusulkan atau disempurnakan oleh LLM dengan memanfaatkan implementasi leluhur, umpan balik evaluasi, dan konteks tugas. Pembobotan berbasis likelihood dan pengambilan sampel ulang memusatkan populasi pada struktur yang menjanjikan, sementara parameter dimarginalkan selama proses penemuan, alih-alih diringkas menjadi satu estimasi yang dioptimalkan untuk setiap struktur. Penelitian tersebut mengakui dukungan kredit API melalui program AI for Science Anthropic, yang diluncurkan pada 5 Mei 2025 bagi peneliti terpilih yang berafiliasi dengan institusi, dengan fokus khusus pada biologi dan ilmu hayati.

Eksperimen mencakup dinamika epidemiologis sintetis, simulator regulasi aldosteron ginjal, serta tugas penemuan struktur Hodgkin-Huxley yang menggunakan 10 rekaman tegangan nyata. Para penulis melaporkan bahwa model neurosains berbobot tinggi berulang kali menambahkan arus kalium lambat tipe M, terkadang bersama kanal lain, dan bahwa kelompok model ini menempati peringkat pertama dalam sembilan dari 10 percobaan. Secara keseluruhan, kinerja kuantitatifnya sebanding dengan FunSearch+ dan varian satu partikel pada anggaran yang sebanding; keunggulan yang diklaim terletak pada analisis posterior terhadap kelompok model, bukan pada keunggulan kinerja yang konsisten.

Penafsiran dan Validasi

Biaya dan ketergantungan ModelSMC yang terdokumentasi sama pentingnya dengan hasilnya. Simulasi berulang dan estimasi likelihood membutuhkan banyak komputasi, likelihood pengganti dapat menimbulkan bias jika spesifikasi model keliru, dan proses penemuan bergantung pada kemampuan LLM mengusulkan struktur yang berguna. Esai tamu tersebut menambahkan catatan yang lebih luas: sistem-sistem ini sebagian besar telah diuji untuk menemukan kembali model yang sudah dikenal, sementara bukti bahwa sistem tersebut berhasil menangani persoalan ilmiah yang jawabannya belum diketahui masih terbatas.

Para penulis menyebut interpretasi sebagai tahap yang paling sulit didelegasikan karena kecocokan dengan data dapat diukur, sedangkan peningkatan pemahaman tidak memiliki tolok ukur yang sama jelasnya. Kesepakatan di antara model-model yang dicocokkan setelah suatu sistem diganggu memperkuat prediksi, sementara ketidaksepakatan menyingkap mekanisme yang belum terpecahkan dan dapat membantu menentukan eksperimen berikutnya. Persyaratan ini menjadi lebih penting jika AI mengurangi tekanan historis untuk membuat model yang ringkas dan mudah dipahami manusia, karena model yang lebih besar meningkatkan kebutuhan akan pengungkapan ketidakpastian secara eksplisit dan ringkasan mekanistik yang singkat.

Karena itu, standar yang ditetapkan para penulis melampaui model yang sekadar cocok dengan data: sistem AI harus mendokumentasikan bukti yang mendasari jawabannya, termasuk pengukuran yang memastikan setiap komponennya, kandidat yang tidak berhasil, ketidakpastian yang masih belum terpecahkan, serta pertanyaan yang muncul selama proses pencarian. Dengan dasar validasi yang terbatas itu, pertanyaan penentunya adalah apakah mempertahankan distribusi model, beserta riwayat alternatif yang ditolak, menghasilkan pemahaman tentang masalah ilmiah yang benar-benar terbuka.