Kanada Menarik Bakat AI dan Ilmu Pengetahuan Saat Trump Mengguncang Penelitian AS

Selama beberapa dekade, Amerika Serikat menikmati salah satu keunggulan kompetitif paling kuat dalam ilmu pengetahuan: banyak peneliti terbaik di dunia ingin bekerja di sana.

Keunggulan itu tidak menghilang dalam semalam. AS masih memiliki konsentrasi universitas riset, laboratorium federal, modal swasta, dan perusahaan teknologi yang tak tertandingi. Namun aliran bakat menjadi kurang satu arah, dan Kanada sedang melakukan upaya agresif yang tidak biasa untuk memanfaatkan pergeseran tersebut.

Contoh terbaru datang dari University of Toronto, yang telah merekrut enam peneliti terkemuka yang saat ini bekerja di institusi AS, termasuk MIT, National Institutes of Health (NIH), University of California San Francisco (UCSF), Ohio State University, Boston University, dan Washington University School of Medicine di St. Louis.

Keenam orang itu merupakan bagian dari program baru Eddie Goldenberg Research Chairs of Canada, inti dari Inisiatif C$1,7 miliar Canada Global Impact+ Research Talent milik Ottawa. Inisiatif yang lebih luas ini dirancang untuk menarik dan mendukung lebih dari 1.000 peneliti internasional dan ekspatriat selama 12 tahun, dengan C$1 miliar secara khusus dialokasikan untuk kursi riset.

Apa yang membuat kelompok pertama ini begitu menonjol adalah asal bakatnya. Dari 64 sarjana pertama yang direkrut melalui program kursi riset, 48 saat ini berbasis di Amerika Serikat.

Hal ini mulai tampak kurang seperti rekrutmen akademik biasa dan lebih seperti kompetisi geopolitik untuk modal intelektual.

Mengapa AS Tiba-tiba Lebih Rentan terhadap Kebocoran Otak Penelitian

Waktu kejadian sulit dipisahkan dari gejolak yang melanda ilmu pengetahuan Amerika sejak Presiden Donald Trump kembali menjabat pada Januari 2025.

Analisis Januari 2026 oleh Nature menghitung lebih dari 7.800 hibah riset AS yang dihentikan atau dibekukan, bersama kira-kira 25.000 ilmuwan dan personel lain yang meninggalkan agensi federal yang terlibat dalam riset. Pemerintahan juga mengusulkan pemotongan signifikan pada anggaran sains federal, termasuk pemotongan mendekati 40 % di NIH, 57 % di National Science Foundation (NSF), dan 47 % di Direktorat Misi Ilmu NASA. Tidak semua pemotongan yang diusulkan akhirnya menjadi undang‑undang, dan beberapa tindakan pemerintahan menghadapi oposisi dari Kongres dan pengadilan, namun ketidakpastian itu sendiri telah memengaruhi laboratorium, perekrutan, dan perencanaan riset jangka panjang.

Posisi pemerintahan lebih bernuansa daripada sekadar meninggalkan sains. Seperti yang Unite.AI baru-baru ini meneliti, Gedung Putih berupaya merestrukturisasi sekitar $200 miliar pengeluaran riset federal tahunan. Usulannya lebih memihak pada pendanaan yang mengikuti ilmuwan individu, mekanisme hibah yang lebih cepat, riset berisiko tinggi, penemuan berbasis kecerdasan buatan, dan teknologi strategis seperti AI serta komputasi kuantum. Pemerintahan berargumen bahwa sistem pendanaan yang berpusat pada universitas telah menjadi birokratis dan kurang fokus pada prioritas nasional.

Namun restrukturisasi ekosistem riset juga menciptakan pemenang dan pecundang. Pembatalan hibah, pengurangan tenaga kerja federal, dan perubahan pada jenis riset yang mendapat dukungan membuat perencanaan karier menjadi jauh kurang dapat diprediksi bagi banyak ilmuwan.

Tanda peringatan muncul dengan cepat. Pada Maret 2025, tiga perempat dari lebih dari 1.600 responden pada poll Nature mengatakan mereka mempertimbangkan untuk meninggalkan Amerika Serikat, dengan Kanada dan Eropa menjadi tujuan yang paling sering disebut. Poll tersebut bersifat self‑selecting dan tidak boleh diartikan mewakili semua ilmuwan Amerika, namun data pencarian kerja selanjutnya juga menunjukkan minat yang meningkat pada posisi di luar negeri.

Kanada tampaknya telah memutuskan bahwa ketidakpastian di satu negara dapat menjadi peluang di negara lain.

Kanada Membangun Mesin Rekrutmen, Bukan Hanya Menawarkan Beberapa Professorship

Strategi Ottawa melampaui sekadar membayar ilmuwan senior untuk pindah.

Inisiatif C$1,7 miliar mencakup kursi riset, pendanaan infrastruktur, posisi awal karier, serta penghargaan doktoral dan pascadoktoral. Pada bulan Mei, pemerintah menawarkan 659 penghargaan pelatihan riset kepada kandidat dari 72 negara, sementara program Canada Impact+ Emerging Leaders dirancang untuk membantu universitas merekrut peneliti menjanjikan lebih awal dalam karier mereka.

Kanada juga mulai menyelaraskan kebijakan imigrasi dengan strategi tersebut, menciptakan jalur baru bagi peneliti dan menjanjikan proses percepatan bagi sebagian orang yang direkrut.

Pendekatan ini penting karena peneliti elit jarang berpindah sendirian. Ilmuwan senior dapat membawa peneliti pascadoktoral, mahasiswa pascasarjana, kolaborator, dan rekrut fakultas masa depan. Laboratorium mereka dapat menarik kemitraan industri, menghasilkan kekayaan intelektual, dan pada akhirnya melahirkan startup.

Efek pengganda inilah yang membuat enam rekrut U of T layak diteliti secara individual.

Adrienne Campbell-Washburn: Memikirkan Ulang Apa yang Dapat Dilakukan Mesin MRI

Adrienne Campbell-Washburn pindah dari National Heart, Lung, and Blood Institute milik NIH, di mana ia menjadi peneliti senior setelah bergabung sebagai peneliti pascadoktoral pada 2013.

Penelitiannya menantang asumsi dasar dalam pencitraan resonansi magnetik: bahwa magnet yang lebih kuat otomatis lebih baik.

Laboratorium Campbell-Washburn membantu mempelopori MRI medan rendah 0,55 tesla berperforma tinggi, menggabungkan medan magnet lemah dengan komputasi modern, teknik akuisisi, dan rekonstruksi. Pendekatan ini dapat memberikan keunggulan saat memindai area seperti paru‑paru, yang secara tradisional sulit untuk MRI, sekaligus mengurangi masalah yang terkait dengan perangkat logam dan berpotensi menurunkan biaya serta kebutuhan infrastruktur pemindai.

Di Sunnybrook Research Institute dan Departemen Biofisika Medis U of T, ia berencana melanjutkan upaya ini melalui sistem MRI berbiaya rendah, pemindai portabel, dan teknik pencitraan berbasis AI.

Implikasi yang lebih luas sangat signifikan. MRI sangat kuat, namun pemindai konvensional berukuran besar mahal dan terkonsentrasi di rumah sakit utama. Jika mesin medan rendah yang dipadukan dengan rekonstruksi AI yang semakin canggih dapat menghasilkan gambar klinis yang berguna dengan perangkat keras yang lebih murah, MRI pada akhirnya dapat tersedia di lebih banyak tempat, termasuk rumah sakit kecil, klinik komunitas, bahkan lingkungan perawatan di tempat tidur.

Tanya Berger-Wolf: Menggunakan AI untuk Memahami Dunia Alam

Tanya Berger-Wolf datang dari Ohio State University dengan kombinasi keahlian yang tidak biasa meliputi ilmu komputer teoretis, kecerdasan buatan, ekologi, dan konservasi.

Ia adalah salah satu pelopor apa yang kini dikenal sebagai imageomics, menggunakan pembelajaran mesin untuk mengekstrak informasi biologis dari jumlah gambar yang sangat besar yang dikumpulkan di seluruh dunia alam.

Berger‑Wolf merupakan kontributor pendiri Wildbook, sebuah platform sumber terbuka yang dapat mengidentifikasi hewan individual dari foto. Mirip dengan pengenalan wajah pada manusia, sistem ini dapat mengenali tanda khas pada hewan seperti zebra dan hiu paus, memungkinkan peneliti memantau populasi dan perilaku tanpa bergantung secara eksklusif pada penanda fisik atau kalung GPS.

Institute Imageomics miliknya kemudian mengembangkan konsep ini secara signifikan. Model BioCLIP mereka dilatih dengan lebih dari 210 juta gambar yang mencakup kira‑kira satu juta spesies, memungkinkan AI mengidentifikasi organisme di sebagian besar pohon kehidupan yang diketahui.

Di U of T, Berger‑Wolf berencana menggabungkan citra dengan audio, informasi genetik, dan data sensor untuk membangun model ekosistem yang lebih kaya serta cara ekosistem merespon iklim dan aktivitas manusia.

Proyek ini menggambarkan arah AI yang semakin penting: model fondasi kini melampaui teks, gambar, dan aplikasi konsumen, masuk ke domain ilmiah khusus di mana kumpulan data yang sangat besar secara efektif tidak dapat dianalisis secara manual oleh manusia.

Shu (Joy) Jiang: Memindahkan AI Medis Dari Algoritma Ke Rumah Sakit

Shu (Joy) Jiang bergabung dengan U of T dari Washington University School of Medicine di St. Louis, di mana penelitiannya menggabungkan biostatistik, prediksi kanker, dan kecerdasan buatan.

Salah satu proyeknya yang paling menonjol sudah menunjukkan bagaimana riset AI akademik dapat melintasi ke bidang kedokteran komersial.

Jiang dan ahli epidemiologi Graham Colditz mendirikan Prognosia, yang mengembangkan sistem AI yang menganalisis mamogram untuk memprediksi risiko kanker payudara selama lima tahun ke depan pada seorang wanita. Perangkat lunak tersebut menerima penetapan FDA Breakthrough Device pada 2025, dan Prognosia kemudian diakuisisi oleh perusahaan AI medis asal Korea Selatan, Lunit.

Alih-alih sekadar mendeteksi tumor yang sudah ada, teknologi ini mencari pola dalam mamogram yang dapat mengindikasikan risiko di masa depan, termasuk sinyal yang mungkin tidak terlihat oleh klinisi manusia.

Di Sekolah Kesehatan Masyarakat Dalla Lana U of T, Jiang akan menangani masalah lain yang mungkin sama pentingnya dengan pengembangan algoritma itu sendiri: menempatkan AI medis yang telah tervalidasi ke dalam lingkungan klinis nyata.

Pekerjaan yang direncanakan melibatkan pembangunan infrastruktur yang menghubungkan rumah sakit, regulator, dan industri sehingga AI pencitraan medis dapat dievaluasi dan diterapkan di seluruh Kanada.

Hal ini menjawab salah satu hambatan terbesar AI dalam perawatan kesehatan. Industri sudah memiliki pasokan model menjanjikan yang terus berkembang. Tantangan yang lebih sulit adalah membuktikan bahwa model tersebut berfungsi secara konsisten di berbagai rumah sakit, populasi pasien, dan peralatan pencitraan, lalu mengintegrasikannya ke dalam alur kerja di mana klinisi benar‑benar dapat menggunakannya.

Michelle Arkin: Menyerang Target “Tidak Dapat Diberi Obat” dalam Kedokteran

Michelle Arkin membawa jauh lebih dari latar belakang akademis penemuan obat ke U of T Mississauga.

Di UCSF ia pernah menjabat sebagai profesor kimia farmasi, direktur eksekutif Small Molecule Discovery Center, serta wakil dekan untuk teknologi riset dan kewirausahaan. Sebelumnya, dalam kariernya di Sunesis Pharmaceuticals, ia bekerja pada beberapa inhibitor kuat pertama yang menargetkan interaksi protein‑protein.

Salah satu senyawa yang muncul dari pekerjaan itu adalah lifitegrast, yang pada akhirnya menjadi pengobatan yang disetujui FDA untuk penyakit mata kering.

Penelitiannya kini sangat fokus pada target biologis yang secara historis dianggap sulit atau tidak mungkin diobati, termasuk interaksi protein‑protein, mesin molekuler, dan faktor transkripsi. Ia juga aktif dalam riset Alzheimer dan telah menjadi co‑founder beberapa perusahaan terapeutik.

Di U of T, Arkin akan menyelidiki area termasuk molecular glues, kedokteran presisi, dan penemuan obat berbasis AI.

Molecular glues menarik karena cara kerjanya berbeda dari obat konvensional. Alih‑alih sekadar memblokir protein, mereka dapat memaksa molekul biologis berinteraksi yang biasanya tidak terjadi, berpotensi memungkinkan sel mengeliminasi protein penyebab penyakit.

Jika digabungkan dengan sistem AI yang mampu memprediksi interaksi molekuler dan menjelajahi ruang kimia yang sangat luas, pendekatan semacam ini dapat memperluas proporsi biologi manusia yang secara realistis dapat ditargetkan oleh obat.

Raymond Fisman: Mempelajari Apa yang Terjadi Ketika Uang Bertemu Kekuatan Politik

Tidak semua rekrut bekerja di laboratorium sains.

Ekonom Raymond Fisman bergabung dengan Rotman School of Management U of T dari Boston University, membawa program riset yang berfokus pada korupsi, pengaruh politik, tata kelola, serta hubungan antara institusi dan perilaku ekonomi.

Salah satu studi paling terkenal menggunakan dataset tidak biasa: pelanggaran parkir yang dilakukan oleh diplomat Perserikatan Bangsa‑Bangsa di New York City.

Karena diplomat menikmati kekebalan dari penegakan hukum, Fisman dan ekonom Edward Miguel dapat meneliti bagaimana pejabat berperilaku ketika konsekuensi hukum konvensional hampir tidak ada. Penelitian mereka menemukan perbedaan kuat yang berhubungan dengan norma korupsi di negara asal diplomat, sementara tindakan penegakan selanjutnya secara tajam mengurangi pelanggaran.

Kerja terbaru meneliti sumbangan politik, transparansi pemerintah, dan bagaimana insentif pemilihan dapat memengaruhi respons terhadap permintaan kebebasan informasi. Sebuah makalah 2026 menemukan bahwa lembaga di lingkungan dengan korupsi tinggi lebih cenderung menolak atau menunda permintaan menjelang pemilihan.

Di Rotman, Fisman akan menyelidiki bagaimana individu kaya dan kepentingan terorganisir memengaruhi kebijakan publik, mengapa pemilih kadang‑kadang mentolerir bukti korupsi, dan bagaimana pemerintah dapat meningkatkan akuntabilitas.

Keterlibatannya dalam program ini penting. Strategi riset Kanada tidak terbatas pada teknologi yang dapat langsung menjadi produk. Ia juga mengakui bahwa institusi yang mengatur teknologi, pasar, dan kepercayaan publik dapat berdampak sebesar teknologi itu sendiri.

Sara Seager: Membawa Pencarian Dunia Lain Kembali ke Toronto

Sara Seager mungkin adalah nama paling dikenal di antara enam orang tersebut.

Asli Toronto ini lulus dari U of T pada 1994 sebelum meraih PhD di Harvard dan akhirnya menjadi profesor di MIT. Ia kemudian menjadi salah satu pelopor ilmu eksoplanet, khususnya studi atmosfer planet dan pencarian gas yang dapat mengungkap apakah kehidupan ada di luar Bumi.

Kariernya mencakup MacArthur Fellowship, Kavli Prize in Astrophysics, dan penunjukan sebagai Officer of the Order of Canada.

Kembalinya ia ke Toronto sebenarnya telah diumumkan sebelum hasil terbaru program kursi federal. Ia dijadwalkan bergabung dengan U of T pada 1 September 2026, menjadikannya kasus yang agak berbeda dari peneliti yang direkrut khusus setelah inisiatif federal diluncurkan.

Di U of T ia berencana menggabungkan astronomi, kimia, fisika komputasi, dan teknik dirgantara sambil terus mengejar pencarian dunia yang dapat dihuni. Ia juga memimpin Morning Star Missions ke Venus, yang bertujuan menyelidiki atmosfer planet secara langsung untuk molekul organik.

Kursi baru memperluas pekerjaan itu ke teknologi sensor planet dan molekuler, termasuk instrumen yang mampu mendeteksi bahan kimia pada konsentrasi sangat rendah serta model AI untuk menafsirkan sistem planet dan lingkungan yang kompleks.

Teknologi tersebut tidak harus tetap berada di ilmu antariksa. Sensor molekuler ultra‑sensitif pada akhirnya dapat memiliki aplikasi dalam pemantauan lingkungan, deteksi industri, dan kesehatan manusia.

Hadiah Lebih Besar Adalah Ekosistem yang Terbentuk di Sekitar Peneliti

Kanada harus berhati‑hati agar tidak mengumumkan kemenangan terlalu dini.

Amerika Serikat tetap menjadi ekosistem riset dominan dunia menurut sebagian besar ukuran, dan ia memiliki keunggulan yang tidak dapat ditiru Kanada hanya dengan menulis cek rekrutmen yang lebih besar. Universitas, laboratorium nasional, industri modal ventura, perusahaan farmasi, hyperscalers, serta infrastruktur riset pertahanan menciptakan tarikan gravitasi yang sangat kuat bagi bakat ilmiah.

Pemerintahan Trump juga tidak secara seragam mengurangi dukungan untuk teknologi maju. AI, komputasi kuantum, teknologi pertahanan, dan riset ilmiah berbasis AI termasuk area yang secara eksplisit ingin diprioritaskan.

Namun kepemimpinan riset dapat bergeser di tepi‑tepi sebelum muncul dalam peringkat nasional.

Seorang peneliti yang pindah hari ini dapat merekrut sepuluh mahasiswa besok. Mahasiswa‑mahasiswa itu dapat melatih generasi ilmuwan berikutnya. Sebuah laboratorium dapat menghasilkan paten, yang menjadi startup, yang menarik insinyur dan investor, yang pada akhirnya menciptakan klaster industri.

Toronto pernah menyaksikan dinamika itu. Geoffrey Hinton pindah dari Carnegie Mellon University ke U of T pada 1987, pada saat jaringan saraf masih jauh dari populer. Puluhan tahun kemudian, karyanya membantu membangun fondasi intelektual revolusi deep‑learning dan berkontribusi menjadikan Toronto salah satu pusat riset AI utama dunia.

Kanada kini berupaya meniru efek penggabungan jangka panjang semacam itu di bidang AI, bioteknologi, kedokteran, ilmu iklim, teknologi kuantum, dan bidang strategis lainnya. Upaya ini selaras dengan usaha lebih luas mengubah kekuatan akademik negara menjadi kapasitas ekonomi, termasuk strategi AI nasional yang diluncurkan Kanada awal tahun ini. Strategi tersebut juga menekankan pentingnya menjaga lebih banyak riset, perusahaan, dan kekayaan intelektual tetap berada di dalam Kanada.

Kanada Masih Harus Membuktikan Bahwa Ia Dapat Menjaga Bakat yang Ditarik

Ada pula kritik sah terhadap strategi ini.

Kanada tidak dapat membangun ekosistem riset berkelanjutan semata‑mata melalui rekrutmen bintang super. Peneliti Kanada yang ada telah lama mengeluhkan keterbatasan dana hibah, gaji yang sulit bersaing dengan Amerika Serikat, dan peluang yang tidak memadai bagi ilmuwan muda. Kritikus mempertanyakan apakah kursi internasional yang didanai berat dapat menciptakan sistem dua tingkat di mana peneliti yang baru direkrut menerima paket luar biasa sementara ilmuwan yang sama kompetensinya yang sudah bekerja di Kanada menghadapi sumber daya yang lebih ketat.

Itulah mengapa komponen karier awal, infrastruktur, dan pelatihan dari inisiatif C$1,7 miliar menjadi sangat penting.

Jika Kanada sekadar mengimpor ilmuwan terkenal, program ini akan menghasilkan pengumuman mengesankan. Jika ilmuwan‑ilmuwan tersebut menerima sumber daya untuk membangun laboratorium, merekrut peneliti muda, berkolaborasi dengan industri, mengkomersialkan penemuan, dan menciptakan institusi yang bertahan melampaui karier individu mereka, konsekuensinya bisa jauh lebih besar.

Selama sebagian besar abad lalu, Amerika Serikat memahami hal fundamental tentang inovasi: menarik orang luar biasa sendiri merupakan bentuk kebijakan ekonomi.

Kanada tampaknya telah mempelajari pelajaran itu.

Pertanyaannya kini adalah apakah Amerika Serikat sementara memberi tetangganya peluang, atau apakah arah bakat ilmiah melintasi perbatasan mulai berubah secara lebih permanen.