AI Hari Ini perkembangan kecerdasan buatan memasuki wilayah ilmiah yang semakin spesifik setelah CERN dan Mistral AI mengumumkan kerja sama jangka panjang untuk membangun Flare. Model tersebut dirancang sebagai foundation model pertama yang secara khusus berfokus pada collider physics.

Konsepnya berbeda dari chatbot.

Model bahasa belajar dari teks.

Flare akan belajar dari miliaran simulasi tumbukan partikel.

Tujuannya membantu ilmuwan memahami data yang dihasilkan Large Hadron Collider.

Kerja sama tersebut diumumkan pada 15 Oktober. Penjelasan mengenai foundation model untuk fisika partikel menyebut CERN memiliki sekitar satu exabyte data eksperimen dan volumenya diperkirakan meningkat drastis setelah upgrade LHC sekitar 2030.

Flare AI CERN Tidak Dilatih dari Teks

Inilah perbedaan utamanya.

ChatGPT, Claude, Gemini, atau model bahasa lain mempelajari pola dari data seperti teks dan kode.

Flare melihat data fisika.

Model akan belajar dari simulasi collision events.

Dengan begitu, sistem mencoba memahami pola yang muncul ketika partikel bertabrakan pada energi sangat tinggi.

Pendekatan tersebut menunjukkan konsep foundation model bisa diterapkan jauh di luar bahasa.

Large Hadron Collider Menghasilkan Data Sangat Besar

LHC menghasilkan jumlah data luar biasa.

CERN menyimpan sekitar satu exabyte data eksperimen.

Satu exabyte setara sekitar satu juta terabyte.

Volume tersebut sudah sulit dibayangkan.

Namun setelah upgrade High-Luminosity LHC, jumlah tumbukan diperkirakan meningkat hingga sekitar sepuluh kali lipat.

Artinya, metode analisis juga perlu berkembang.

AI Sudah Lama Digunakan di CERN

Kerja sama ini bukan pertama kalinya CERN memakai machine learning.

Pusat riset tersebut sudah menggunakan AI selama sekitar satu dekade untuk membantu mengubah data mentah menjadi representasi kejadian.

Namun pendekatan saat ini memakai banyak tool terpisah.

Satu algoritma untuk tugas tertentu.

Tool lain untuk pekerjaan berbeda.

Flare mencoba menyatukan sebagian kemampuan ke model lebih general.

Model Bisa Menggantikan Sejumlah Algoritma Khusus

Salah satu target Flare adalah membantu rekonstruksi dan identifikasi partikel.

Saat tumbukan terjadi, detektor tidak langsung menampilkan gambar “partikel A bertabrakan dengan B”.

Sensor menghasilkan sinyal.

Ilmuwan perlu merekonstruksi apa yang kemungkinan terjadi.

Banyak algoritma khusus digunakan untuk proses tersebut.

Foundation model bisa belajar representasi lebih umum.

Kemudian, sistem menjalankan berbagai tugas dari basis yang sama.

Mistral Mendapat Akses ke Data Ilmiah Langka

Bagi Mistral, kemitraan ini sangat bernilai.

Data collider tidak mudah diperoleh.

CERN memiliki salah satu koleksi terbesar di dunia.

Akses tersebut memberi kesempatan melatih model yang tidak bisa dibuat hanya dari internet.

Hal ini juga menunjukkan pentingnya data berkualitas.

Persaingan AI masa depan mungkin tidak hanya ditentukan compute.

Akses ke dataset unik bisa menjadi keunggulan.

CERN Ingin Hasilnya Dibagikan ke Komunitas Fisika

CERN menekankan model ditujukan untuk melayani komunitas fisika secara luas.

Pendekatan terbuka sesuai tradisi kolaborasi ilmiah.

Eksperimen di CERN melibatkan peneliti dari banyak negara.

Karena itu, model yang terlalu tertutup akan membatasi manfaat.

Namun detail lisensi dan distribusi Flare belum diumumkan.

Mistral Punya Posisi Penting di Eropa

Mistral merupakan salah satu perusahaan AI Eropa yang paling diperhatikan.

Perusahaan asal Prancis itu mencoba bersaing dengan perusahaan Amerika dan China.

Strategi mereka mencakup model open-weight.

Reuters menyebut Mistral juga menyiapkan pelepasan model open-weight baru pada 27 Oktober.

Kemitraan CERN memperkuat posisi perusahaan pada scientific AI.

Scientific AI Bisa Menjadi Gelombang Berikutnya

Sebagian besar perhatian publik saat ini berada pada chatbot.

Namun nilai AI dalam ilmu pengetahuan bisa jauh lebih besar.

Model dapat membantu menemukan pola yang sulit terlihat manusia.

Dalam kimia, AI bisa membantu material.

Dalam biologi, protein.

Dalam fisika, collision data.

Jika tool mampu mempercepat eksperimen, dampaknya bisa berlangsung puluhan tahun.

Model Tidak Menggantikan Fisikawan

AI dapat menemukan pola.

Namun interpretasi tetap membutuhkan manusia.

Sebuah anomali statistik belum otomatis menjadi penemuan partikel baru.

Ilmuwan harus memastikan hasil bukan noise.

Eksperimen juga perlu direplikasi.

Karena itu, Flare lebih tepat dilihat sebagai alat.

Ia memperluas kapasitas analisis.

Bukan menggantikan metode ilmiah.

Validasi Menjadi Tantangan Besar

Model generatif terkenal bisa membuat kesalahan.

Dalam chatbot, kesalahan menghasilkan jawaban salah.

Dalam sains, efeknya bisa lebih serius.

Karena itu, CERN memiliki lingkungan ideal untuk menguji dengan sangat ketat.

Data bisa dibandingkan dengan simulasi.

Hasil juga dapat diuji melalui eksperimen.

CIO CERN bahkan menyebut high-energy physics memberikan lingkungan yang sangat ketat untuk pengembangan AI. Reuters

Tidak Ada Jadwal Rilis Final

CERN dan Mistral belum mengumumkan timeline spesifik.

Anggaran juga belum dibuka.

Artinya, Flare masih berada pada fase pembangunan strategis.

Pengembangan model ilmiah bisa membutuhkan waktu panjang.

Dataset perlu disiapkan.

Arsitektur harus diuji.

Kemudian, validasi membutuhkan komunitas.

Model Bisa Diperluas ke Bidang Lain

Kedua organisasi mengatakan teknologi yang dikembangkan berpotensi digunakan di bidang sains lain.

Ini bagian yang sangat menarik.

Jika foundation model berhasil memahami struktur data fisika kompleks, metode serupa bisa diterapkan pada data ilmiah lain.

Namun transfer tidak otomatis.

Setiap bidang punya karakter berbeda.

Eropa Mencari Kedaulatan AI

Kemitraan ini juga memiliki dimensi geopolitik.

Eropa tidak ingin hanya menjadi pengguna model Amerika.

Mistral menjadi salah satu harapan untuk membangun kapasitas AI sendiri.

CERN menyediakan keunggulan ilmiah yang sulit disaingi.

Kolaborasi keduanya mempertemukan industri AI dan riset fundamental.

Flare Menunjukkan AI Mulai Keluar dari Dunia Chatbot

Flare AI CERN memperlihatkan bagaimana istilah “AI model” akan semakin luas.

Model masa depan tidak semuanya akan berbicara dengan manusia.

Sebagian justru membaca partikel.

Sebagian mempelajari molekul.

Lainnya memahami cuaca atau material.

Jika proyek ini berhasil, nilai terbesarnya mungkin tidak terlihat dalam aplikasi sehari-hari.

Namun ia dapat membantu ilmuwan memahami struktur dasar alam dengan lebih cepat.

Dan itu merupakan penggunaan AI yang skalanya jauh melampaui sekadar menghasilkan teks.