Sains sejak lama penuh dengan contoh bagaimana penemuan-penemuan besar terjadi di luar rencana yang ketat: pengamatan yang tidak disengaja, hasil yang tak terduga, dan cabang-cabang penelitian yang menyamping sering kali lebih berharga daripada tujuan yang telah ditetapkan sebelumnya. Namun, sistem otonom modern yang diciptakan untuk pekerjaan ilmiah dirancang dengan prinsip "beri agen sebuah tugas dan metrik akhir — dan dia sendiri akan mencapai terobosan." Sebuah pracetak terbaru di arXiv, yang dipresentasikan pada Agustus 2026, menunjukkan mengapa paradigma seperti itu pasti gagal: peneliti-otonom berbasis agen yang hanya mengoptimalkan hasil akhir, pada dasarnya melakukan pengujian fuzzing, tetapi tidak menggunakan pelajaran utama dari para fuzzer — nilai sinyal antara tentang cakupan.
Ilusi Terobosan yang Terencana
Di sebagian besar sistem riset-otonom modern, penemuan ilmiah dipandang sebagai masalah optimasi. Agen diberi serangkaian eksperimen, tolok ukur akhir, dan diharapkan bahwa memaksimalkan skor akan menghasilkan pengetahuan baru. Masalahnya adalah bahwa evaluasi akhir adalah sinyal yang jarang. Sinyal itu muncul sekali di akhir dan tidak memberi tahu apa pun tentang langkah-langkah antara mana yang berguna. Ketika agen hanya diberi penghargaan atas keputusan akhir, dia pasti akan mengalami overfitting terhadap kondisi pengujian dan mulai mengambil sampel varian serupa secara membabi buta, tanpa berani menjelajahi mode yang tidak biasa.
Pendekatan semacam ini mengingatkan pada ujian di mana siswa pertama-tama diberikan daftar pertanyaan, lalu hanya kebenaran jawaban yang dinilai, sementara cara dia mencari solusi diabaikan. Jika siswa menghafal soal-soal standar, dia akan menunjukkan hasil bagus pada contoh-contoh latihan, tetapi kecil kemungkinannya dia akan menemukan hukum fisika baru. Demikian pula, agen yang menargetkan skor akhir tidak menemukan hal baru, melainkan hanya apa yang mengonfirmasi data yang sudah diketahui.
Fuzzing sebagai Model Riset-Otonom
Para penulis pracetak menarik paralel yang tak terduga: agen-peneliti yang memecahkan masalah ilmiah menghadapi umpan balik jarang yang sama seperti fuzzer grey-box untuk mencari kerentanan dalam perangkat lunak. Fuzzer tidak selalu langsung menemukan bug. Jika dia hanya menerima sinyal "ada kesalahan/tidak ada kesalahan", pekerjaannya akan sia-sia: sebagian besar proses berakhir tanpa hasil.
Rahasia fuzzing adalah bahwa setiap proses program diukur tidak hanya berdasarkan fakta kegagalan, tetapi juga berdasarkan cakupan kode. Sinyal padat ini memungkinkan untuk melihat kemajuan parsial: bahkan jika kerentanan tidak ditemukan, jalur eksekusi baru — sudah merupakan langkah maju. Fuzzer menggunakan cakupan untuk memutasi data masukan dan untuk memutuskan ke cabang mana sumber daya harus dialokasikan. Dia tidak memberi peringkat pada proses yang sudah selesai, melainkan secara aktif mengarahkan pencarian ke area yang belum dijelajahi.
Dalam sains, mekanisme serupa bisa bekerja dengan cara yang persis sama. Setiap eksperimen, bahkan yang gagal dalam arti hipotesis akhir, berharga jika ia memperluas peta epistemik — pengetahuan tentang bagian mana dari ruang teori yang sudah diuji dan mana yang masih menjadi titik kosong.
Dua Syarat untuk Agen Peneliti yang Efektif
Agar peneliti-otonom benar-benar mencari, bukan sekadar mengambil sampel, ia membutuhkan dua kemampuan yang saling terkait.
- Sinyal padat yang murah. Setiap eksperimen harus, sebelum validasi ilmiah akhir tersedia, memberikan indikator kemajuan epistemik yang dapat diamati. Ini belum tentu metrik kebenaran yang tepat, melainkan lebih merupakan indikator kebaruan, ketidaktahuan, atau penyimpangan dari model dunia saat ini.
- Umpan balik harus mengendalikan tindakan. Sinyal yang diperoleh wajib memengaruhi pilihan intervensi berikutnya. Jika agen hanya mencatat kemajuan dalam jurnal, tetapi terus mengambil sampel di area yang sama, manfaatnya kecil. Sinyal kemajuan harus memutasi "data masukan" penelitian, seperti fuzzer memutasi contoh uji.
Penting bahwa sinyal padat hanyalah arah, bukan vonis akhir. Oleh karena itu, validasi akhir tetap diperlukan: validasi menilai klaim menggunakan bukti yang dilindungi dari penggunaan ulang secara adaptif. Jika tidak, agen yang menyesuaikan diri ribuan kali terhadap sinyal dapat secara tidak sengaja menghasilkan penemuan palsu yang lolos pemeriksaan hanya karena overfitting.
Eksperimen: Pencarian vs. Pengambilan Sampel
Para penulis karya ini menguji ide-ide tersebut dalam lingkungan fisika yang disimulasikan. Agen AI perlu menemukan hukum fisika tersembunyi. Salah satu agen dirancang untuk melacak kemajuan epistemik antaranya sendiri — semacam "cakupan ruang penjelasan yang mungkin". Agen-agen lain menggunakan optimasi klasik untuk hasil akhir.
Hasilnya menunjukkan bahwa agen dengan pelacakan kemajuan berhasil menemukan hukum tersembunyi. Pendekatan optimasi dasar gagal: mereka berulang kali mengambil sampel data yang sudah ada dan mengalami overfitting terhadapnya, tanpa pernah berani menguji mode yang tidak populer. Ini menegaskan bahwa hambatan utama penelitian otonom tidak terletak pada kemampuan menghasilkan hipotesis, bukan pada kekuatan model, dan bahkan bukan pada volume data, melainkan pada arsitektur umpan balik.
Apa yang Berubah dari Ini
Perbandingan peneliti-otonom ilmiah dengan fuzzer bukan sekadar metafora, melainkan prinsip rekayasa. Jika kita ingin AI membuat penemuan nyata, kita tidak bisa hanya memberinya tujuan yang jarang dan menunggu. Kita perlu merancang sinyal padat yang membuat kemajuan yang lambat sekalipun menjadi terlihat, lalu memungkinkan agen menggunakan sinyal-sinyal ini untuk eksplorasi.
Pendekatan ini mengubah sikap terhadap kegagalan dalam sains: yang berharga bukan hanya eksperimen yang berhasil, tetapi juga setiap langkah yang mempersempit ruang ketidaktahuan. Dalam arti tertentu, ini membawa kita kembali pada cara sains manusia bekerja dalam praktik: para ilmuwan bergerak dari satu hasil parsial ke hasil parsial lainnya, dan hanya kadang-kadang jalan-jalan ini bersatu menjadi terobosan besar yang mustahil direncanakan sebelumnya. Sistem penelitian otonom, tampaknya, harus mempelajari hal yang sama — bukan merencanakan penemuan, melainkan menciptakan kondisi di mana penemuan menjadi mungkin.
