Jepang Kucurkan ¥32 Miliar untuk ARiSE, Integrasikan AI ke Seluruh Siklus Riset Ilmiah

31 proyek terpilih untuk memikirkan ulang cara sains dilakukan

Inisiatif baru Jepang, ARiSE, akan mengalokasikan ¥32 miliar untuk riset ilmiah yang menggunakan kecerdasan buatan (AI) untuk menghasilkan hipotesis, merencanakan dan menjalankan eksperimen, menganalisis hasil, serta menentukan apa yang perlu diteliti selanjutnya. Japan Science and Technology Agency (JST) memilih 31 proyek dari 203 proposal. Pendanaan mencakup sekitar dua setengah tahun, dari Oktober 2026 hingga Maret 2029.

Pengumuman seleksi JST pada 29 September mengonfirmasi bahwa 12 proyek dipilih dalam kategori Target Strategis dan 19 dalam kategori Internasional dan Interdisipliner. Sebanyak 82 penasihat terlibat dalam penelaahan dokumen dan wawancara. Riset dijadwalkan dimulai setelah kontrak dan persiapan lainnya rampung, bukan otomatis pada tanggal pengumuman.

ARiSE merupakan singkatan dari AI to Redesign Scientific Exploration (AI untuk Merancang Ulang Eksplorasi Ilmiah). Ambisinya melampaui penggunaan AI untuk mengolah kumpulan data atau merangkum makalah ilmiah. Program ini berupaya menghubungkan penalaran digital dengan eksperimen fisik, membentuk siklus berulang yang memungkinkan hasil eksperimen membantu AI mengembangkan hipotesis dan rancangan yang lebih baik.

Tingkat seleksi keseluruhan sekitar 15,3%, dihitung dari 31 proposal yang lolos dari 203 pengajuan. Kategori Target Strategis menerima 12 dari 70 proposal, sekitar 17,1%, sedangkan kategori Internasional dan Interdisipliner menerima 19 dari 133 proposal, sekitar 14,3%. Angka-angka ini menunjukkan ketatnya persaingan, tetapi tidak menjelaskan peringkat tiap proyek atau bagaimana pendanaan pada akhirnya akan dibagikan.

Direktur program ini adalah Takafumi Aoki, wakil presiden eksekutif Tohoku University. Sadao Kurohashi, direktur National Institute of Informatics (NII), mengawasi kategori Target Strategis. Shunichi Ueda, wakil direktur Center for Advanced Intelligence Project di RIKEN, mengawasi kategori Internasional dan Interdisipliner.

Strategi nasional mulai terbentuk

ARiSE mengikuti strategi Ministry of Education, Culture, Sports, Science and Technology untuk mendorong AI bagi sains, yang diadopsi pada 31 Maret 2026. JST menggambarkan inisiatif ini sebagai program unggulan yang bertujuan memusatkan investasi pada bidang-bidang yang dapat memanfaatkan keunggulan ilmiah Jepang untuk menghasilkan capaian berdaya saing internasional, sekaligus mendukung kolaborasi dengan peneliti terkemuka di luar negeri.

Biro Promosi Riset kementerian itu menerbitkan laman kebijakan dasar ARiSE pada 16 April 2026. Laman tersebut menautkan dokumen kebijakan berukuran 262 KB, tetapi tidak memuat rincian ketentuan dokumen itu dalam teksnya.

Rangkaian penyusunan kebijakan hingga pemilihan proyek berlangsung relatif singkat:

• 31 Maret 2026: Kementerian mengadopsi kebijakan strategis dasar untuk mendorong AI bagi sains.
• 16 April 2026: Biro Promosi Riset menerbitkan laman kebijakan dasar ARiSE.
• 12 Mei hingga 30 Juni 2026: JST menerima proposal riset.
• 29 September 2026: JST mengumumkan 31 proyek terpilih.
• 2 Oktober 2026: Tohoku University mengumumkan tiga proyek yang lolos.
• 13 Oktober 2026: JST mengadakan pengarahan untuk menjelaskan latar belakang dan rencana pelaksanaan inisiatif ini.
• Maret 2029: Periode pendanaan riset saat ini dijadwalkan berakhir.

Presiden JST Kazuhito Hashimoto berpendapat bahwa Jepang tidak dapat menandingi Amerika Serikat dan China hanya dengan mengandalkan besarnya investasi. Alternatifnya adalah berfokus pada bidang-bidang yang telah memiliki akumulasi data ilmiah bernilai, pengetahuan khusus, kemampuan eksperimen, dan keahlian robotika di Jepang.

Kekhawatirannya juga menyangkut ketergantungan. Jika peneliti Jepang hanya menggunakan AI yang dikembangkan di luar negeri, teknologi dasar dan sumber daya komputasi bisa tetap berada di bawah kendali negara lain. Karena itu, ARiSE memadukan pengembangan model dalam negeri dengan kerja sama internasional, bukan menganggap keduanya sebagai pilihan yang saling bertentangan.

Dua kategori pendanaan dengan peran berbeda

Kategori Target Strategis mendukung tim yang lebih besar di bidang ilmu material, ilmu hayati, serta fasilitas dan peralatan riset berskala besar. Dari 12 proyek terpilih, enam merupakan proyek material, empat proyek ilmu hayati, dan dua proyek yang melibatkan fasilitas atau peralatan berskala besar.

Proyek material terbagi ke dalam tiga target. Target 1-1 dan 1-2 masing-masing memiliki satu proyek terpilih, dengan batas maksimum pendanaan sekitar ¥3 miliar per proyek. Target 1-3 memiliki empat proyek, dengan batas maksimum sekitar ¥1 miliar per proyek. Proyek ilmu hayati dan fasilitas besar memiliki batas maksimum sekitar ¥2 miliar per proyek. Angka-angka ini adalah batas pendanaan, bukan jumlah hibah yang dipastikan akan diterima setiap tim.

Kategori Internasional dan Interdisipliner terbuka bagi semua bidang ilmu. Kategori ini mendukung riset yang memasukkan teori, hukum, dan pengetahuan struktural ilmiah ke dalam AI, dengan pendanaan yang biasanya ditetapkan sebesar ¥200 juta per proyek. Proposal dapat mengajukan hingga ¥650 juta jika diperlukan untuk mencapai tujuannya.

Setiap proposal harus mempertemukan peneliti AI dan peneliti dari disiplin ilmu terkait sebagai pemimpin bersama. Tim juga harus merencanakan kebutuhan komputasi sejak awal, menjalin kolaborasi internasional, menetapkan aturan untuk berbagi dan melindungi data, serta memperhatikan keamanan riset. Persyaratan ini menjadikan keahlian ilmiah dan perencanaan infrastruktur sebagai bagian dari rancangan riset, bukan tambahan setelah model AI dipilih.

Data material menjadi platform riset bersama

Salah satu proyek material utama bertujuan menghubungkan akumulasi data material Jepang dengan model bahasa besar dalam negeri dan AI khusus. Data dan sumber daya riset yang dikembangkan di sekitar National Institute for Materials Science (NIMS) diharapkan membantu membangun platform AI material nasional.

Platform yang diusulkan memiliki beberapa lapisan yang saling terhubung: data dan perangkat analisis yang disiapkan untuk penggunaan AI, model fondasi material, agen AI yang membantu penemuan dan perancangan, serta peralatan eksperimen canggih. Model fondasi adalah model yang dilatih secara luas dan dapat menjadi dasar untuk beragam tugas riset. Agen AI dapat menggunakan berbagai perangkat dan mengoordinasikan langkah-langkah untuk mencapai tujuan tertentu.

Siklus riset yang direncanakan dimulai dengan AI mengusulkan material atau kondisi eksperimen. Peralatan yang terhubung kemudian menjalankan eksperimen, dan hasilnya digunakan sebagai masukan untuk rancangan berikutnya. Tujuannya adalah menyediakan kemampuan ini bagi komunitas peneliti material yang luas, bukan membatasinya pada segelintir tim dengan keahlian AI mendalam.

Tiga proyek Tohoku University yang terpilih menunjukkan bagaimana upaya nasional ini terhubung dengan program riset tertentu. Profesor Yu Kumagai memimpin platform untuk mengembangkan material padat keras dengan AI, bersama profesor Goro Miyamoto dan Motoki Shiga sebagai pemimpin riset.

Proyek Tohoku kedua berfokus pada penciptaan material magnetik secara otonom dan pemahaman mekanismenya melalui kerja sama antara manusia dan AI. Proyek ini dipimpin Profesor Takafumi Hirohata, bersama Yuma Iwasaki dari NIMS dan Profesor Kanta Ono dari Osaka University sebagai pemimpin bersama.

Proyek ketiga Tohoku, dalam kategori Internasional dan Interdisipliner, adalah Tsunami World Model. Profesor Shunichi Koshimura memimpinnya bersama Profesor Kentaro Inui dan Yuichiro Usuda dari National Research Institute for Earth Science and Disaster Resilience. Proyek ini menunjukkan bahwa cakupan ARiSE melampaui material laboratorium dan biologi, meskipun pengumuman universitas tersebut tidak merinci kemampuan yang dituju model ini.

Model genom yang belajar dari eksperimen gagal

Program ilmu hayati mencakup model bahasa genom dengan sekitar empat miliar parameter, yang dirancang untuk mencakup tumbuhan, hewan, manusia, dan mikroorganisme. Berbeda dari model bahasa konvensional yang dilatih menggunakan kata-kata, model bahasa genom mempelajari pola dalam urutan DNA untuk mendukung riset fungsi biologis dan perancangan genom.

Parameter adalah nilai numerik yang disesuaikan model selama pelatihan. Model yang direncanakan akan dikembangkan berdasarkan model yang sudah ada dengan sekitar tujuh miliar parameter. Angka-angka ini menggambarkan ukuran model, bukan bukti bahwa model baru akan mengungguli pendahulunya. Nilai ilmiahnya bergantung pada data biologis, eksperimen, dan proses pembelajaran yang menyertainya.

Proyek ini menggunakan siklus Design, Build, Test, Learn (Rancang, Buat, Uji, Pelajari). Peneliti merancang urutan atau hipotesis, membuat dan mengujinya melalui eksperimen, lalu memasukkan hasilnya kembali ke model. Hasil yang berhasil, eksperimen yang gagal, dan sumber daya genetik semuanya diharapkan berkontribusi pada pembelajaran selanjutnya. Memasukkan hasil kegagalan penting karena eksperimen yang tidak berhasil dapat membantu mengidentifikasi rancangan atau kondisi yang tidak efektif.

Model ini direncanakan menjadi sumber daya bersama bagi peneliti ilmu hayati, dengan pemanfaatan praktis yang dikembangkan melalui konsorsium Bio-AGILE. Keamanan hayati dan keselamatan model secara eksplisit termasuk dalam cakupan kerja. Perangkat yang mampu mendukung perancangan biologis memerlukan pengamanan seiring dengan peningkatan kemampuan prediksinya.

Dari instrumen otomatis ke fasilitas otonom

Proyek pengembangan fasilitas riset tanpa awak mempertemukan Institute of Science Tokyo, RIKEN, dan Epistora. Menurut pengumuman proyek Epistora, riset ini dipimpin Profesor Genki Kanda dari Institute of Science Tokyo. Pemimpin bersama adalah Koichi Takahashi, direktur proyek dalam program pengembangan model fondasi ilmiah RIKEN, dan CEO Epistora Yosuke Ozawa.

Proyek ini termasuk dalam Target Strategis 3, yang mencakup optimalisasi operasi, otomatisasi, operasi otonom, serta peningkatan perencanaan eksperimen dan analisis data di fasilitas riset berskala besar. Proyek ini akan mengembangkan dan mendemonstrasikan agen AI dan model fondasi yang menghubungkan rencana riset, peralatan eksperimen, dan data yang dihasilkan.

Perbedaan antara instrumen otomatis dan fasilitas otonom bersifat praktis. Robot mungkin dapat menjalankan satu eksperimen, tetapi orang masih harus menyiapkan peralatan, memindahkan sampel, mengisi ulang persediaan, menjadwalkan penggunaan instrumen, dan memulihkan operasi setelah gangguan. ARiSE bertujuan menangani tugas-tugas pendukung tersebut selain eksperimen itu sendiri.

Fasilitas yang diusulkan memiliki tiga unsur yang saling terhubung. Sistem informasinya akan menangani tujuan riset, hipotesis, rencana eksperimen, analisis, dan keputusan mengenai eksperimen berikutnya. Sistem operasional akan mengatur peralatan, waktu, dan bahan. Sistem fisik akan mengotomatiskan pemindahan, pengisian ulang, dan pemulihan operasi.

Manusia akan mengawasi prosesnya, bukan mengelola setiap langkah satu per satu. Fasilitas ini dirancang untuk mendukung riset berkelanjutan tentang kanker, imunitas, vaksin, penuaan, dan kedokteran regeneratif. Epistora menyatakan telah memiliki sekitar satu dekade pengalaman riset di bidang AI dan robotika, termasuk pekerjaan untuk mengoptimalkan kondisi perubahan sel punca pluripoten terinduksi menjadi sel epitel pigmen retina. Sel-sel ini menopang retina.

Kurohashi mengatakan perkiraan waktu terwujudnya fasilitas semacam ini bergeser dari sekitar 2050 ke 2040, lalu ke sekitar 2030 seiring kemajuan AI dan robotika. Itu merupakan perkiraan yang terus berkembang, bukan jaminan bahwa fasilitas yang sepenuhnya otonom akan beroperasi sebelum periode pendanaan ARiSE berakhir pada Maret 2029.

Teori ilmiah menjadi bagian dari AI

Kategori Internasional dan Interdisipliner menempuh jalur berbeda untuk mengembangkan AI ilmiah. Pendekatan Ueda memasukkan teori ilmiah ke dalam struktur, representasi, dan prinsip pembelajaran model, alih-alih hanya menggunakan teori sebagai aturan pembatas bagi model konvensional.

Pengetahuan yang relevan mencakup simetri, invariansi, kausalitas, kondisi batas, dan hukum skala. Secara sederhana, konsep-konsep ini menjelaskan hubungan yang seharusnya tetap berlaku ketika suatu sistem berubah, kaitan sebab dengan akibat, serta kondisi yang menentukan penerapan suatu model ilmiah. Memasukkan pengetahuan tersebut ke dalam AI diharapkan meningkatkan penalaran saat data terbatas atau kondisi berbeda dari data pelatihan.

Salah satu proyek terpilih memadukan fisika matematika dan AI untuk menghasilkan hipotesis ilmiah serta memeriksa validitasnya menggunakan teori matematika dan fisika. Tujuannya adalah memperkecil jarak antara menghasilkan pernyataan yang masuk akal dan memastikan apakah pernyataan itu benar. Verifikasi otonom merupakan sasaran riset, bukan kemampuan program yang telah terbukti.

Proyek lain berfokus pada kerangka logam-organik (MOF), yaitu material berpori yang diteliti untuk berbagai pemanfaatan, termasuk adsorpsi dan pemisahan gas. Sifatnya dapat berubah bergantung pada proses sintesis dan kondisi eksperimen. Proyek ini memadukan perubahan representasi ilmiah, penalaran kontrafaktual, dan masukan peneliti untuk mengkaji bagaimana perubahan suatu kondisi dapat mengubah hasil.

Penalaran kontrafaktual menanyakan apa yang akan terjadi jika kondisinya berbeda, bukan sekadar mengidentifikasi pola dalam pengamatan yang sudah ada. Peneliti akan menilai hipotesis dan penalaran, lalu memasukkan penilaian tersebut kembali ke AI. Karena itu, proyek ini tetap melibatkan manusia secara langsung, meskipun proyek fasilitas tanpa awak mengejar otonomi operasional yang jauh lebih tinggi.

Riset kanker melampaui pengenalan pola

Proyek kanker terpisah akan memadukan struktur jaringan, bentuk sel, ekspresi gen, serta interaksi antara sel kanker, sel imun, dan sel lain di sekitarnya. Tujuannya adalah membangun model yang dapat menalar mekanisme penyakit, bukan hanya mengenali ciri-ciri yang berkaitan dengan kanker.

Riset ini menghubungkan dua tingkat pengamatan. Dari susunan jaringan, model akan menyimpulkan perilaku tiap sel. Berdasarkan perilaku tersebut, model akan memprediksi perubahan kondisi jaringan. Pengamatan terhadap ruang dan waktu dapat membantu peneliti mengkaji perkembangan kanker di dalam lingkungan biologis sekitarnya.

Pemanfaatan yang dituju mencakup penemuan mekanisme penyakit, prediksi prognosis, dan kajian pengobatan. Semua itu merupakan hasil riset yang diharapkan. Terpilihnya proyek untuk ARiSE tidak membuktikan efektivitas klinis atau berarti perangkat diagnostik maupun pengobatan sudah siap digunakan pasien.

Akses komputasi dan berbagi akan menentukan pelaksanaan

ARiSE mewajibkan rencana komputasi disusun sejak tahap proposal karena pelatihan dan penggunaan model dapat menyerap porsi besar dari pendanaan riset. JST bermaksud menggabungkan sumber daya di universitas, lembaga riset publik, perusahaan, dan RIKEN, sembari mengizinkan penggunaan layanan komputasi komersial luar negeri jika sesuai.

Informasi mengenai nama superkomputer AI RIKEN yang sedang dipertimbangkan berbeda-beda: satu sumber menyebutnya RIKEN, sedangkan laporan pengarahan Oktober menyebutnya 理究. Keduanya sama-sama mengindikasikan rencana penggunaan komputasi dalam negeri bersama sumber daya lain. Alokasi kapasitas komputasi final untuk tiap proyek belum ditentukan.

Program ini juga bertujuan menyebarluaskan model, agen, perangkat, dan metode evaluasi yang bermanfaat secara luas di luar tim terpilih. JST merencanakan koneksi dengan jaringan akademik SINET milik NII dan infrastruktur data riset NII RDC. Koneksi ini ditujukan untuk membuka akses bagi peneliti di seluruh Jepang dan mendukung pertukaran di antara proyek material, ilmu hayati, dan fasilitas riset.

Berbagi tidak berarti semua hal akan dipublikasikan. Data atau hasil yang perlu dilindungi karena alasan persaingan atau keamanan dapat tetap dirahasiakan. Persyaratan keamanan riset berlaku sejak proyek dipilih, sementara proyek genom juga memiliki tanggung jawab khusus terkait keamanan hayati dan keselamatan model.

Petugas program diharapkan meninjau kemajuan dan mendukung penyesuaian, termasuk perluasan tugas riset, penambahan mitra internasional, dan kegiatan bersama. Fleksibilitas ini menanggapi risiko bahwa rencana yang ditetapkan pada 2026 bisa sudah usang pada 2029. Informasi saat ini belum memastikan tanggal mulai kontrak tiap proyek, jumlah hibah final, alokasi komputasi, atau jadwal terperinci perilisan model untuk publik.

Ujian utamanya adalah apakah proyek-proyek ini dapat menghubungkan aset ilmiah Jepang dengan sistem AI yang berfungsi, eksperimen yang dapat direproduksi, serta sumber daya yang benar-benar dapat digunakan peneliti lain. ARiSE menetapkan arah tersebut, tetapi penemuan yang dijanjikan, kemampuan otonom, dan platform bersama masih harus dikembangkan dan dibuktikan.

Poin Penting

• ARiSE memiliki pendanaan ¥32 miliar untuk periode sekitar Oktober 2026 hingga Maret 2029.
• JST memilih 31 proyek dari 203 proposal, dengan tingkat penerimaan sekitar 15,3%.
• Kategori Target Strategis mencakup 12 proyek; kategori Internasional dan Interdisipliner mencakup 19 proyek.
• Upaya utama mencakup platform AI material, model genom dengan sekitar empat miliar parameter, dan fasilitas riset tanpa awak.
• Riset terpilih juga mencakup fisika matematika, MOF, mekanisme kanker, dan Tsunami World Model.
• Komputasi dalam negeri dan infrastruktur riset bersama menjadi prioritas, sementara sumber daya luar negeri diperbolehkan jika sesuai.
• Tanggal mulai tiap proyek bergantung pada kontrak dan persiapan; fasilitas otonom dan penerapan ilmiah masih menjadi sasaran pengembangan.