Di Duke University, kecerdasan buatan dan komputasi canggih bukan lagi tambahan eksperimental. Keduanya menjadi perangkat baku untuk mengajukan pertanyaan yang sebelumnya mustahil dijawab. Perubahan ini mengubah cara peneliti bekerja lintas biologi, kedokteran, dan ilmu pengetahuan secara lebih luas. [1] [2]
Foundation Models Berfungsi sebagai Mikroskop untuk Biologi
Rohit Singh, seorang computational biologist di Duke School of Medicine, memperlakukan foundation models seperti jenis mikroskop baru. Sistem machine learning ini dilatih pada ratusan juta titik data, memungkinkan peneliti melihat pola di jutaan profil ekspresi gen dan sekuens biologis. Setiap model mengungkap aspek kehidupan yang berbeda untuk dipelajari.
Melatih model-model ini memerlukan upaya komputasi yang sangat besar, tetapi akses ke graphics processing units (GPUs) telah memangkas pekerjaan yang dulu memakan waktu berminggu-minggu menjadi hanya hitungan hari. Duke Computer Cluster menyediakan tulang punggung high-performance computing untuk tugas-tugas ini, dan sebuah pusat GPU kecil yang direncanakan buka pada 2027 akan semakin memperluas kapasitas.
Manfaatnya terasa langsung. Dengan mempelajari representasi abstrak dari protein, gen, dan sel, model-model Singh dapat membandingkan sel sehat dengan sel kanker dan mengajukan pertanyaan apakah sebuah obat dapat meniadakan perbedaan tersebut. Wawasan dari pekerjaan ini mengalir ke berbagai proyek, mulai dari pengembangan terapi gen hingga penemuan obat untuk berbagai penyakit.
AI yang Dapat Diinterpretasi Membangun Kepercayaan dalam Keputusan Berisiko Tinggi
Sementara perangkat keras yang lebih cepat memperluas kemungkinan, Cynthia Rudin berfokus pada pembuatan sistem AI yang dapat dipahami dan dipercaya orang. Selama bertahun-tahun, sebagian besar model AI beroperasi sebagai black box, menyembunyikan penalaran di balik prediksi mereka. Ketidaktransparan ini menjadi masalah di bidang-bidang seperti layanan kesehatan dan peradilan pidana, di mana keputusan membawa konsekuensi serius.
Laboratorium Rudin merancang model yang dapat diinterpretasi sehingga para ahli dapat melihat bagaimana keputusan dibuat. Salah satu model tersebut, yang dibangun bersama radiolog Duke Joseph Lo, menganalisis pola pencitraan yang halus pada mamogram untuk memprediksi risiko seorang pasien terkena kanker payudara dalam satu hingga lima tahun ke depan. Karena model ini transparan, klinisi dapat menelusuri dan mengevaluasi data serta penalaran di balik setiap prediksi.
Sistem yang dapat diinterpretasi ini sudah diterapkan di berbagai pengaturan layanan kesehatan, mulai dari memprediksi kejang hingga menganalisis citra medis. Tujuannya bukan sekadar akurasi, tetapi akuntabilitas di bidang-bidang di mana kepercayaan sama pentingnya dengan performa.
AI Menjembatani Disiplin untuk Mempercepat Penemuan
Inisiatif Deep Tech Duke telah mendanai empat proyek yang mengeksplorasi bagaimana AI dapat mempercepat penemuan ilmiah melalui kolaborasi multidisiplin. Setiap proyek mengatasi hambatan berbeda yang memperlambat kemajuan lintas bidang.
Consilience, yang dipimpin Brinnae Bent, adalah sistem AI berbasis suara yang dirancang untuk mendukung kolaborasi lintas disiplin. Sistem ini menerjemahkan terminologi, mendorong refleksi, dan memunculkan koneksi penelitian baru secara real time. Sistem ini sedang diuji dalam sebuah hackathon universitas, di mana sistem ini memandu tim-tim mahasiswa pascasarjana dari berbagai bidang saat mereka menyintesis proposal penelitian interdisipliner.
Proyek David Carlson berfokus pada pelatihan mahasiswa untuk menggunakan AI secara kritis. Daripada sekadar mengadopsi large language models, para peneliti belajar mengevaluasi perangkat ini, mengidentifikasi penalaran yang cacat, dan menerapkannya secara bertanggung jawab. Hal ini paling penting dalam kerja interdisipliner, di mana penjembatanan biologi, statistika, dan teknik menuntut penalaran yang kompleks.
Tim Sharique Hasan mengeksplorasi bagaimana AI dapat menerjemahkan temuan kompleks untuk para pembuat kebijakan, industri, dan publik. Dengan menyoroti penelitian dengan potensi dampak tinggi dan mengungkap hubungan tersembunyi antar bidang, perangkat ini dapat memperpendek jalur dari penemuan menuju manfaat nyata.
Proyek Matthew Hirschey memetakan kemajuan dan瓶颈 ilmiah dengan menganalisis literatur. Large language models menelusuri bagaimana konsep bergerak lintas bidang dan mengungkap tantangan bersama seperti keterbatasan data atau daya komputasi. Peta yang dihasilkan bertujuan memandu keputusan pendanaan dan mendorong kolaborasi melampaui silo tradisional.
Infrastruktur Mengimbangi Ambisi
Semua ini tidak akan mungkin tanpa investasi berkelanjutan dalam infrastruktur komputasi. Duke Computer Cluster sudah mendukung aplikasi ilmiah berskala besar, dan pusat GPU yang akan datang dirancang untuk meminimalkan konsumsi daya dan air serta emisi karbon melalui praktik yang hemat energi.
Singh mencatat bahwa akses ke lebih banyak GPU secara langsung mempercepat penelitian computational biology-nya. Investasi yang dilakukan Duke memposisikan universitas ini sebagai situs terkemuka untuk jenis pekerjaan ini, menarik talenta dan memungkinkan proyek-proyek yang bergantung pada skala sekaligus keberlanjutan.
Seiring AI semakin melekat dalam proses penelitian, tantangannya bukan hanya membangun model yang lebih cepat, tetapi membangun model yang berguna, dapat dipercaya, dan selaras dengan kebutuhan orang-orang yang bergantung padanya. Pendekatan Duke menunjukkan bahwa masa depan penemuan ilmiah akan bersifat kolaboratif, dapat diinterpretasi, dan sangat komputasional.
