Mengubah Garis Waktu Penemuan melalui Penggunaan Kecerdasan Buatan (AI)

Dari Penelitian Manual ke Otomatisasi dengan AI

Untuk beberapa waktu, kemajuan ilmiah bergantung sepenuhnya pada wawasan ilmuwan brilian dan bukan pada Kecerdasan Buatan (AI). Mereka harus merancang dan menguji hipotesis mereka secara manual melalui eksperimen khusus. Proses ini biasanya sangat lambat, memakan tahun dari ide awal hingga hasil yang sebenarnya.

Baru-baru ini, tingkat otomasi yang lebih tinggi telah memungkinkan pengurangan kerja manual dalam penelitian dasar. Misalnya, Next-Generation Sequencing (NGS) telah memungkinkan sekuesnsi genom dalam beberapa hari saja dan dengan biaya lebih rendah, ketika sekuesnsi genom manusia pertama pada 2003 memakan biaya $3B dan memakan waktu satu dekade untuk mencapainya.

NGS Sequencer- Sumber: Illumina

Otomatisasi telah memungkinkan langkah fisik dalam penelitian dilakukan pada skala besar dan dengan biaya lebih rendah. Namun upaya intelektual, misalnya menganalisis data yang dihasilkan dari sekuesnsi genom, masih bergantung sepenuhnya pada otak manusia dan model matematika yang dibantu komputer. Itu sampai AI menjadi pengubah permainan yang baru.

Membantu Otak Manusia

Semakin maju ilmu pengetahuan, semakin kompleks data yang dihasilkan. Menemukan material baru bergantung pada proses yang relatif sederhana, seperti mencampur elemen yang belum pernah diuji bersama sebelumnya.

Namun ilmu material tingkat lanjut, misalnya dalam teknologi baterai atau semikonduktor, memerlukan manipulasi komponen pada tingkat nanometer, dan terkadang pada tingkat atom individu. Hal ini membuat pemodelan dan pemahaman proses menjadi terlalu kompleks bagi otak manusia untuk sepenuhnya memahami semua data yang tersedia.

Misalnya, menemukan material yang tepat untuk desain baterai baru mungkin melibatkan keputusan memilih satu di antara 32 juta material anorganik potensial. Ini adalah tugas yang dihadapi Vijay Murugesan, pemimpin grup ilmu material di PNNL (Pacific Northwest National Laboratory).

Sebelumnya, tebakan teredukasi, model komputer kasar, dan pengujian manual diperlukan untuk mempersempit kemungkinan dan akan memakan tahun. Sebaliknya, PNNL menjalin kolaborasi dengan Microsoft (MSFT ) untuk memanfaatkan keahlian raksasa teknologi tersebut dalam AI.

Mengajarkan Kimia kepada Berbagai AI

Microsoft telah lama bekerja pada aplikasi semacam itu, melalui program AI4Science-nya. Misalnya, AI generatif MatterGen mereka “memungkinkan desain material yang dipandu oleh properti secara luas”.

Sumber: Microsoft

Dalam kolaborasi dengan PNNL, Microsoft secara khusus mengembangkan beberapa AI berbeda untuk mengevaluasi semua elemen yang dapat bekerja dan kombinasi mereka.

Microsoft juga memiliki AI yang didedikasikan untuk menemukan material yang stabil. Kemudian AI yang mengevaluasi molekul berdasarkan reaktivitasnya. Dan AI lain yang menilai kemampuan molekul untuk menghantarkan energi.

Kombinasi AI ini tidak dirancang untuk menemukan setiap solusi yang mungkin untuk suatu masalah. Sebaliknya, ia melihat tumpukan besar kemungkinan (dalam puluhan juta) dan mencoba mempersempitnya menjadi beberapa kandidat yang baik.

Pendekatan ini mengurangi 32 juta material potensial menjadi 500.000 kandidat, kemudian menjadi 800.

Ini secara fundamental berbeda dari pendekatan model matematika berbasis komputer murni, yang akan mencoba menghitung dengan “brute force” sifat kimia suatu material, sering kali dengan mensimulasikannya atom demi atom. Sebaliknya, AI membuat “tebakan” teredukasi tentang apa yang seharusnya berhasil dengan menggunakan analogi, hampir sama seperti yang dilakukan manusia. Kecuali tim AI tersebut dapat menyaring 32 juta ide dalam kurang dari 80 jam.

Mengurangi pekerjaan berbulan‑bulan atau bertahun‑tahun menjadi beberapa hari atau minggu merupakan revolusi lengkap dalam kecepatan kemajuan ilmiah.

Jika diterapkan secara lebih luas, ini dapat sepenuhnya mengubah kecepatan kemajuan teknologi dalam masyarakat manusia.

Menghemat Sumber Daya Berharga

Setelah daftar dipersempit menjadi hanya 800 kandidat, peneliti dapat menggunakan metode standar High-Performance Computing (HPC). Metode ini memungkinkan perhitungan semua kemungkinan keadaan energi dari 800 kandidat. Kemudian kombinasi AI khusus dan HPC digunakan untuk mensimulasikan pergerakan setiap atom dan molekul di dalam masing‑masing material.

Dengan menggunakan HPC hanya pada beberapa ratus kandidat, ini menghemat banyak waktu dan uang bagi PNNL, karena metode ini sangat membutuhkan daya komputasi. Hal ini mengurangi daftar kandidat menjadi hanya 150.

Dari sana, evaluasi biaya, ketersediaan, dan pertimbangan praktis lainnya mengurangi daftar awal 32 juta kandidat menjadi hanya 23. Menariknya, dari 23 tersebut, 5 sudah dikenal, menunjukkan relevansi metode ini, karena ia “menemukan kembali” 5 material tersebut secara independen.

Metodologi penelitian sebelumnya sangat bergantung pada HPC yang mahal dan lambat. Metode AI justru mengurangi penggunaan HPC menjadi hanya 10% dari total waktu komputasi. Fakta bahwa komputasi AI berbasis cloud, alih‑alih menggunakan waktu superkomputer yang berharga & langka dari institusi riset, juga membantu meningkatkan efisiensinya.

Langkah Selanjutnya

Kolaborasi antara Microsoft dan PNNL mengenai material baterai hanyalah awal dari perjanjian kolaborasi multi‑tahun. Pada akhirnya, ide tersebut adalah menghasilkan cukup data sehingga mengetahui material baru untuk merancang baterai baru menjadi semudah menanyakan sistem AI tentangnya.

“Visi yang kami kerjakan adalah material generatif di mana saya dapat meminta daftar senyawa baterai baru dengan atribut yang saya inginkan,” – Nathan Baker, Product Leader for Azure Quantum Elements.

Perlu juga dicatat bahwa metode saat ini masih bergantung pada komputasi klasik. Namun pemrograman dan perangkat lunak AI Microsoft dirancang untuk ditingkatkan menggunakan komputasi kuantum begitu teknologi ini cukup matang.
Hal ini akan memberikan daya komputasi yang belum pernah terjadi sebelumnya untuk topik seperti simulasi kimia dan biologi, meningkatkan daya komputasi beberapa orde besaran (x100‑10.000). Jadi kami masih berada pada tahap awal AI yang bekerja merancang molekul dan material baru.

Bidang Aplikasi

Eksperimen pertama berfokus pada material baterai. Namun banyak bidang lain kemungkinan akan mendapat manfaat dari wawasan kimia tingkat lanjut ini, serta penerapan AI pada ilmu lain, semuanya sudah berada dalam pipeline Microsoft:

• Semikonduktor.
• Komputasi kuantum & kriptografi.
• Visual and audio
• Biologi molekuler & genomik.
• Biotek & farmasi secara umum.
• Energi terbarukan & perubahan iklim.
• Pertanian & Ekologi.
• Ekonomi.
• Ilmu sosial.
• Matematika teoretis.

Setiap bidang ini telah mengalami kesulitan penelitian karena besarnya volume data dan kompleksitas masalah yang dihadapi. Serupa dengan proyek percontohan pada baterai, masing‑masing dapat memperoleh manfaat dari wawasan AI.

Saham Ilmu Pengetahuan Berbasis AI

1. Microsoft

MSFT Grafik Harga

Microsoft telah berada di pusat industri teknologi hampir sejak awal berdirinya dengan sistem operasi Windows yang masih dominan. Saat ini juga menjadi pemimpin dalam perangkat lunak perusahaan (Office365, Teams, LinkedIn, Skype, GitHub), game (Xbox dan berbagai akuisisi studio video game), serta cloud (Azure).

Baru‑baru ini, Microsoft membuat kemajuan signifikan dalam AI. Ini termasuk AI tingkat konsumen seperti Bing Image Creator dan kemitraan yang semakin dalam dengan OpenAI. Ini juga mencakup inisiatif yang lebih berfokus pada bisnis, seperti Copilot untuk Microsoft 365 dan Microsoft Research. Copilot kini diperluas ke ritel dan perusahaan kecil juga.

Microsoft telah memperoleh reputasi sebagai raksasa teknologi yang berfokus pada perusahaan, dibandingkan dengan perusahaan yang lebih berorientasi konsumen seperti Apple (AAPL ) atau Facebook. Dengan AI yang semakin penting dalam model bisnis, kehadiran Microsoft yang sudah ada dalam layanan cloud dan perusahaan seharusnya memberi keunggulan dalam penerapan AI secara skala besar dan dalam akuisisi pelanggan.

Kolaborasi/kepemilikan bersama dengan pemimpin pengembangan AI seperti OpenAI juga akan memperkuat posisi Microsoft sebagai kekuatan AI.

2. NVIDIA

NVDA Grafik Harga

NVidia awalnya memiliki posisi dominan di pasar kartu grafis (GPU), yang sebagian besar digunakan untuk game kelas atas dan pemodelan 3D. GPU dapat menjalankan perhitungan secara paralel dan berbeda dalam hal ini dari prosesor (CPU).

Desain perangkat kerasnya terbukti sangat cocok untuk penambangan cryptocurrency (terutama Bitcoin), menciptakan gelombang pertumbuhan yang kuat bagi perusahaan.

Sekarang, tampaknya GPU tersebut sama kuatnya untuk melatih AI, menjadikan perangkat keras Nvidia (NVDA ) tulang punggung revolusi AI.

NVidia kini mengembangkan sistem komputasi khusus untuk berbagai aplikasi AI, mulai dari mobil self‑drivings, hingga speech dan conversational AIs, generative AIs, atau cybersecurity.

NVidia kini mengembangkan berbagai solusi untuk penemuan obat, serta perangkat medis berbasis AI dan pencitraan medis berbantuan AI.

Sumber: NVidia

Kemungkinan bahwa dalam jangka panjang, pesaing NVidia dapat mulai menantang keunggulan awal perusahaan secara serius. Namun untuk masa depan yang dapat diperkirakan, mengingat lonjakan permintaan akan daya komputasi khusus AI, NVidia akan tetap menjadi pemasok utama semua pusat data pelatihan AI baru yang sedang dibangun.

3. CrowdStrike

CRWD Grafik Harga

Semakin dunia bergantung pada AI dan digitalisasi, semakin penting keamanan siber menjadi.

CrowdStrike (CRWD ) didirikan dengan pendekatan cloud‑first terhadap keamanan siber. Penawaran perusahaan mencakup semua kategori ancaman keamanan siber, dan di antara pelanggannya terdapat 15 dari 20 bank terbesar AS, 70 perusahaan Fortune 100, dan 556 perusahaan Global 2000.

Pertumbuhan CrowdStrike didukung oleh pasar total yang dapat dijangkau (TAM) yang berkembang cepat, diperkirakan tumbuh 13% CAGR dalam 2 tahun ke depan. Dengan penawaran tambahan yang masih dalam pengembangan, perusahaan memperkirakan memperluas TAM dari $76 miliar saat ini menjadi $158 miliar pada 2026.

Sumber: CrowdStrike

Faktor pertumbuhan lain bagi CrowdStrike adalah ekspansi bisnis dengan klien yang sudah ada. Ketika seorang klien memulai dengan setidaknya satu modul keamanan siber, biasanya mereka melanjutkan dan terus mengintegrasikan lebih banyak modul, dengan 62% klien menggunakan 5 atau lebih modul dan 23% menggunakan 7 atau lebih modul.

Dinamik ini menciptakan lingkungan yang memungkinkan CrowdStrike meningkatkan marginnya ketika hubungan telah berkembang cukup lama, dengan margin kotor total yang mengesankan sebesar 78% pada 2023.

Transisi ke cloud masih sebagian besar berlangsung bagi banyak perusahaan besar. Hal ini menciptakan peluang besar bagi pemimpin pasar seperti CrowdStrike untuk membantu mereka beralih strategi keamanan siber ke cloud juga.

Perusahaan juga diperkirakan akan melihat pertumbuhan bisnis internasionalnya, dengan masih 3/4 perusahaan Global 2000 belum masuk ke ekosistem CrowdStrike.

Pendekatan cloud‑first CrowdStrike memungkinkan mereka mengambil pangsa pasar dengan cepat dan kini ditiru oleh semua perusahaan keamanan siber besar. Jadi, investor harus memperhatikan kemampuan CrowdStrike untuk mempertahankan keunggulannya meskipun ada serangan balik dari industri.

4. Adobe

ADBE Grafik Harga

Pada pandangan pertama, munculnya AI generatif, terutama pembuatan gambar, dapat menjadi ancaman bagi pemilik perangkat lunak grafis penting seperti Photoshop, InDesign, After Effects, Lightroom, atau Illustrator.

Hal ini mengabaikan fakta bahwa Adobe (ADBE ) telah menjadi pelopor dalam industri perangkat lunak, menjadi salah satu yang pertama beralih ke model berlangganan berbasis cloud, ketika praktik industri masih menjual versi terbaru perangkat lunak dengan harga ribuan dolar.

Hal yang sama berlaku untuk AI, dengan Adobe Firefly. Alat pembuatan gambar AI ini kini terintegrasi secara mulus dengan program perangkat lunak Adobe lainnya, memungkinkan Anda menghasilkan gambar dari teks sederhana, membuat gambar kaya dari model 3D sederhana, atau bahkan “generative fill”, memperluas gambar yang ada secara fotorealistik.

Sumber: Adobe

Dengan AI menurunkan hambatan keterampilan yang diperlukan untuk membuat logo, majalah, atau memodifikasi gambar, penawaran dan permintaan akan konten asli kemungkinan akan tumbuh.

Dengan merangkul perubahan dan AI, Adobe kemungkinan akan mempertahankan posisinya sebagai paket perangkat lunak terkemuka untuk semua karya kreatif visual, bahkan dapat memperluas jangkauannya lebih jauh.

5. Upstart

UPST Grafik Harga

Upstart (UPST ) adalah pasar pinjaman yang didukung oleh AI, diluncurkan jauh sebelum AI menjadi pusat pembicaraan teknologi pada 2023.

Proses Upstart sebagian besar otomatis, dengan 87% pinjaman yang disetujui sepenuhnya diputuskan melalui otomatisasi.

Gagasan di balik Upstart adalah bahwa sistem skor kredit yang ada tidak efisien dan usang. Dengan lebih banyak data yang tersedia, memungkinkan mengidentifikasi risiko pinjaman dengan lebih baik dan, sebagai hasilnya, memberikan pinjaman yang lebih murah kepada sebagian besar populasi.

Ini berarti metode Upstart dapat mengidentifikasi orang dengan skor FICO tinggi namun secara praktis memiliki risiko tinggi gagal bayar. Sebaliknya, orang dengan skor FICO rendah tidak begitu mungkin gagal bayar.

Sumber: Upstart

Total Addressable Market (TAM) sangat besar, dengan $4 triliun per tahun yang berasal dari pinjaman pribadi, mobil, rumah, dan usaha kecil.

Akibat suku bunga yang naik dan permintaan pinjaman yang menurun, Upstart mengalami penurunan pendapatan dan kerugian pada 2023, bersama dengan industri lainnya.

Penurunan volume pinjaman sementara ini tidak memperlambat ekspansi jaringan mitra pemberi pinjaman Upstart, dengan 100 bank, naik dari 71 tahun sebelumnya dan hanya 10 pada IPO tahun 2020, serta 61 dealer, naik dari 39 pada awal 2023.

Investor di Upstart perlu berharap bahwa jaringan yang berkembang menjadi tanda jelas nilai teknologi Upstart dan potensinya menjadi originator pinjaman besar di pasar AS.

Kemajuan berkelanjutan dalam perhitungan AI juga dapat memberikannya keunggulan dalam pasar penilaian pinjaman yang sangat kompetitif.