Komunitas ilmiah sedang bergulat dengan perubahan mendasar dalam cara alokasi dana penelitian, karena kecerdasan buatan mulai berperan dalam memilih penerima hibah. Yang dimulai sebagai pendekatan inovatif untuk mengidentifikasi penelitian yang menjanjikan telah memicu perdebatan sengit tentang masa depan pendanaan ilmiah dan apakah AI dapat secara fundamental mengubah cara penemuan terobosan didukung.
Diskusi berpusat pada program Climate Solutions Catalyst dari Imperial College London , yang menggunakan AI untuk memindai ribuan makalah penelitian dan secara proaktif menawarkan hibah kepada peneliti yang menjanjikan. Meskipun ini merupakan pendekatan baru dalam alokasi pendanaan, komunitas ilmiah terbagi mengenai implikasinya.
Detail Program Hibah AI Imperial College London:
- Program diluncurkan: 2024
- Total pendanaan: £1,6 juta GBP dari yayasan iklim filantropis
- Makalah yang dipindai: 10.000 abstrak studi dari peneliti UK (2010-sekarang)
- Seleksi awal AI: 160 makalah
- Penerima hibah akhir: 3 peneliti
- Jumlah hibah: £35.000 GBP per penerima
- Tidak memerlukan hak ekuitas atau paten
Sistem Hibah Saat Ini Sudah Rusak
Banyak peneliti berargumen bahwa proses aplikasi hibah yang ada secara fundamental cacat dan boros. Sistem saat ini mengharuskan ilmuwan menghabiskan berbulan-bulan menyusun proposal proyek yang detail, lengkap dengan jadwal yang tidak realistis dan bagian-bagian formulaik yang tidak memiliki tujuan ilmiah.
Siapa pun bisa membuat diagram Gantt, pada dasarnya itu hanya pekerjaan sibuk. Jika itu diperlukan, setiap pelamar akan menyertakannya, serius atau tidak.
Sentimen ini mencerminkan frustrasi yang meluas terhadap persyaratan administratif yang menghabiskan waktu penelitian yang berharga. Ilmuwan melaporkan menghabiskan hingga 80% dari upaya penulisan hibah mereka untuk presentasi dan elemen birokratis daripada perencanaan ilmiah yang sebenarnya. Proses ini memaksa peneliti untuk berpura-pura bahwa mereka dapat memprediksi penemuan mereka bertahun-tahun sebelumnya, yang bertentangan dengan sifat penelitian mutakhir yang tidak dapat diprediksi.
Tantangan Sistem Hibah Saat Ini:
- Efisiensi pendanaan EU : Hanya ~10% uang yang sampai ke peneliti
- Batas proposal NIH : 6 hibah per PI per tahun (baru diterapkan)
- Tingkat keberhasilan tipikal: 10-15% dari aplikasi yang didanai
- Waktu persiapan aplikasi: 1,5-2 tahun kerja orang
- Timeline review: Minimum 6 bulan proses penyaringan
- Alokasi waktu: 80% pekerjaan administratif, 20% perencanaan ilmiah
AI Dapat Menyamakan Kedudukan atau Memperburuk Keadaan
Potensi AI untuk mengatasi bias yang ada dalam alokasi hibah telah menarik perhatian. Penelitian menunjukkan bahwa demografi tertentu, khususnya akademisi pria bertenure, lebih berhasil dalam mengamankan paten dan pendanaan meskipun kualitas penelitian yang serupa. Sistem AI secara teoritis dapat mengidentifikasi inovasi yang diabaikan dan menjangkau peneliti yang mungkin tidak akan mengajukan dukungan komersialisasi.
Namun, kritikus khawatir bahwa AI hanya akan memperkuat pola yang ada. Ketika perusahaan modal ventura menggunakan AI untuk keputusan investasi, mereka cenderung mendanai startup yang mirip dengan kesuksesan masa lalu daripada pendekatan yang benar-benar inovatif. Efek mesin kebijaksanaan konvensional ini dapat menghambat penelitian berisiko tinggi dan berimbalan tinggi yang mengarah pada penemuan terobosan.
Perlombaan Senjata Antara AI Penulisan dan Peninjauan
Komunitas ilmiah mengantisipasi eskalasi yang meresahkan di mana alat AI digunakan baik untuk menulis proposal hibah maupun untuk mengevaluasinya. Ini menciptakan beberapa skenario yang mengkhawatirkan: peneliti menggunakan AI untuk menghasilkan beberapa aplikasi, membanjiri sistem peninjauan; teknik adversarial yang dirancang untuk menipu peninjau AI; dan pergeseran bertahap dari merit ilmiah yang sebenarnya menuju optimisasi untuk preferensi algoritmik.
Beberapa peneliti sudah menggunakan bantuan AI untuk penulisan hibah, dan teknologi ini unggul dalam menghasilkan bagian-bagian formulaik yang menghabiskan begitu banyak waktu. Meskipun ini dapat membebaskan ilmuwan untuk fokus pada penelitian yang sebenarnya, ini juga menimbulkan pertanyaan tentang keaslian dan dapat menyebabkan banjir aplikasi yang dihasilkan AI yang membebani sistem peninjauan.
Kekhawatiran Kerahasiaan dan Kepercayaan
Lembaga pendanaan besar telah mengambil sikap hati-hati terhadap integrasi AI. National Institutes of Health Amerika Serikat melarang alat AI dalam proses peninjauan hibah, sebagian karena kekhawatiran kerahasiaan. Sebagian besar sistem AI komersial menggunakan data yang diunggah untuk pelatihan, berpotensi mengekspos proposal penelitian sensitif kepada pesaing atau entitas asing.
Ini menciptakan ketegangan antara keuntungan efisiensi dan melindungi kekayaan intelektual. Bahkan jika AI dapat meningkatkan proses peninjauan, risiko mengkompromikan rencana penelitian rahasia mungkin lebih besar daripada manfaatnya.
Pembatasan AI oleh Badan Pendanaan Utama:
- US National Institutes of Health (2023) : Larangan total penggunaan alat AI dalam proses tinjauan hibah
- UK Research and Innovation : Pedoman yang melarang peninjau menggunakan AI generatif
- Kekhawatiran utama: Kerahasiaan proposal penelitian, penggunaan data pelatihan oleh LLM komersial
Pendekatan Alternatif Mendapat Dukungan
Perdebatan ini telah memperbarui minat pada model pendanaan alternatif. Beberapa peneliti mengadvokasi pendanaan dasar yang didistribusikan berdasarkan evaluasi curriculum vitae daripada proposal proyek, dengan berargumen bahwa ini akan lebih efisien dan kurang boros. Yang lain menyarankan hibah blok atau sistem lotere dapat menghasilkan hasil yang lebih baik daripada proses kompetitif saat ini.
Model penjangkauan proaktif yang ditunjukkan oleh Imperial College mewakili arah lain yang menjanjikan. Daripada menunggu aplikasi, organisasi pendanaan dapat menggunakan AI untuk mengidentifikasi penelitian yang menjanjikan dan mendekati ilmuwan secara langsung, mirip dengan pencarian bakat di bidang lain.
Integrasi AI ke dalam pendanaan ilmiah merupakan peluang untuk memperbaiki sistem yang rusak sekaligus risiko memperburuknya. Meskipun proses hibah saat ini membuang-buang waktu peneliti dalam jumlah besar dan mungkin melanggengkan bias, bergegas menuju solusi AI tanpa pertimbangan yang hati-hati dapat menciptakan masalah baru. Tantangan komunitas ilmiah adalah menemukan cara untuk memanfaatkan manfaat AI sambil mempertahankan penilaian manusia dan kerahasiaan yang tetap penting untuk mendukung inovasi sejati.
Referensi: AI enters the grant game, picking winners