Langsung ke konten utama

OpenAI Rilis GeneBench-Pro, Tolok Ukur AI untuk Riset Biologi yang Butuh 20-40 Jam Pengerjaan Manusia

OpenAI Rilis GeneBench-Pro, Tolok Ukur AI untuk Riset Biologi yang Butuh 20-40 Jam Pengerjaan Manusia

OpenAI resmi meluncurkan GeneBench-Pro, tolok ukur (benchmark) baru yang dirancang untuk menguji kemampuan model kecerdasan buatan dalam menangani analisis biologi komputasional tingkat riset. Berbeda dengan benchmark pada umumnya yang menguji hafalan atau eksekusi rutin, GeneBench-Pro mengukur kemampuan AI dalam membuat keputusan ilmiah tingkat tinggi atau yang disebut sebagai "research taste".

Infografis GeneBench-Pro OpenAI: 129 soal biologi komputasional, GPT-5.6 Sol capai 28,7%

Setiap soal dalam GeneBench-Pro membutuhkan waktu pengerjaan sekitar 20 hingga 40 jam oleh seorang ahli manusia dan bernilai ribuan dolar AS, sementara AI dapat menyelesaikan analisis yang sama dengan biaya hanya beberapa dolar.

Apa Itu GeneBench-Pro?

GeneBench-Pro merupakan versi lanjutan dari GeneBench yang sebelumnya dirilis OpenAI. Benchmark ini terdiri dari 129 soal yang mencakup 10 domain utama dan 21 subdomain, dengan inti utama di bidang genomik, biologi kuantitatif, dan biomedis translasional.

Yang membedakan GeneBench-Pro dari benchmark biologi lainnya adalah pendekatannya yang sintetis. Setiap soal dibangun dengan struktur kausal yang diketahui sepenuhnya oleh pengembang, sehingga memungkinkan penilaian yang objektif terhadap jawaban yang dihasilkan AI. Hal ini menghindari kelemahan benchmark berbasis data historis di mana sering kali ada banyak jalur analisis yang sama-sama bisa dipertahankan.

Setiap soal dalam GeneBench-Pro memberikan model AI sebuah dataset yang "berantakan" (messy)—mirip dengan data dunia nyata di laboratorium—disertai konteks eksperimental singkat dan target estimasi yang terkait dengan keputusan di hilir. Untuk menjawab dengan benar, model harus:

  • Menjelajahi data yang diberikan
  • Memilih pendekatan analitis yang tepat
  • Melakukan proses iteratif dalam menganalisis data
  • Menghasilkan jawaban akhir yang dapat digunakan untuk pengambilan keputusan

Hasil Pengujian: GPT-5.6 Sol dan Model Lainnya

Dalam pengujian terhadap 129 soal GeneBench-Pro, hasil yang diperoleh menunjukkan bahwa kemampuan AI dalam riset biologi masih jauh dari sempurna:

  • GPT-5.6 Sol (level penalaran maksimum) mencapai tingkat kelulusan 28,7%
  • GPT-5.6 Sol Pro mencapai 31,5%
  • GPT-5.5 hanya mencapai 12,0%
  • GPT-5.4 mencapai 8,9%
  • Claude Opus 4.8 (pesaing terkuat non-GPT) mencapai 16,0%

Yang menarik, pada level penalaran terendah, GPT-5.6 Sol hanya mencapai angka satu digit. Namun pada level tertinggi, model ini mampu memecahkan hampir enam kali lebih banyak soal dibandingkan GPT-5.2, dengan penggunaan token sekitar dua pertiga lebih sedikit.

Perbandingan lintas keluarga model menunjukkan bahwa model GPT menempati posisi teratas dalam penalaran ilmiah tingkat tinggi di bawah ketidakpastian kuantitatif. Kesenjangan kinerja antara GPT-5.6, GPT-5.5, dan model open-source terkemuka seperti GLM 5.2 jauh lebih besar daripada yang diperkirakan berdasarkan benchmark coding, yang mengindikasikan bahwa model open-source lebih terspesialisasi untuk coding daripada penalaran umum.

Mengapa GeneBench-Pro Penting?

OpenAI merancang GeneBench-Pro untuk mengukur kemampuan yang selama ini sulit diukur: keputusan tingkat sistem yang membuat riset komputasional menjadi sulit. Kemampuan ini mencakup menangani ambiguitas, merevisi asumsi, memilih jalur analisis yang benar, dan mengetahui kapan suatu hasil siap untuk diambil keputusan.

Dalam biologi, biaya pengumpulan data (seperti sekuensing genom) telah turun drastis, dan beberapa peneliti berpendapat bahwa faktor pembatasnya bukan lagi pengumpulan sampel, melainkan komputasi dan analisis di hilir. GeneBench-Pro hadir untuk mengukur kemajuan dalam mengatasi hambatan tersebut.

Kehadiran GeneBench-Pro juga terjadi pada saat yang sama dengan peluncuran Claude Science oleh Anthropic, pesaing utama OpenAI, pada 29 Juni 2026. Dua pendekatan berbeda menghadapi arena yang sama: Anthropic merilis alat untuk digunakan peneliti saat ini, sementara OpenAI merilis tolok ukur untuk mengukur sejauh mana teknologi masih harus berkembang.

Beberapa peneliti melihat AI telah mulai mengubah lanskap riset biomedis. Dr. Derya Unutmaz, seorang profesor imunologi, bahkan menyatakan bahwa ia "lebih percaya AI daripada idenya sendiri di bidang yang telah ia geluti selama 35 tahun".

Kesimpulan

Peluncuran GeneBench-Pro menandai langkah OpenAI dalam mengukur kemampuan AI di bidang penalaran ilmiah tingkat tinggi—sebuah area yang selama ini sulit diukur dan dinilai. Dengan 129 soal yang membutuhkan 20-40 jam pengerjaan manusia, benchmark ini menetapkan standar baru dalam evaluasi AI untuk riset biologi komputasional.

Meskipun model terbaik OpenAI saat ini (GPT-5.6 Sol) baru mencapai tingkat kelulusan 28,7%, angka ini merupakan lompatan signifikan dari GPT-5 yang hanya mencapai di bawah 5% pada GeneBench versi awal. Dengan laju peningkatan saat ini, OpenAI memprediksi benchmark ini mungkin akan mencapai titik jenuh pada akhir tahun 2026.

Pertanyaan yang Sering Diajukan (FAQ)

1. Apa itu GeneBench-Pro?

GeneBench-Pro adalah tolok ukur (benchmark) yang dirilis OpenAI untuk menguji kemampuan model AI dalam menangani analisis biologi komputasional tingkat riset, terutama dalam membuat keputusan ilmiah di tengah ketidakpastian dan ambiguitas data.

2. Berapa banyak soal dalam GeneBench-Pro?

GeneBench-Pro terdiri dari 129 soal yang mencakup 10 domain utama dan 21 subdomain, dengan inti utama di bidang genomik, biologi kuantitatif, dan biomedis translasional.

3. Berapa lama waktu pengerjaan satu soal oleh manusia?

Menurut survei reviewer, satu soal GeneBench-Pro membutuhkan waktu 20 hingga 40 jam pengerjaan oleh seorang ahli manusia.

4. Bagaimana performa GPT-5.6 Sol di GeneBench-Pro?

GPT-5.6 Sol mencapai tingkat kelulusan 28,7% pada level penalaran maksimum, dan 31,5% dalam mode Pro.

5. Apa perbedaan GeneBench-Pro dengan benchmark lainnya?

GeneBench-Pro dibuat secara sintetis—setiap soal dibangun dengan struktur kausal yang diketahui penuh—sehingga memungkinkan penilaian objektif. Ini berbeda dengan benchmark berbasis data historis yang sering kali memiliki banyak jalur analisis yang sama-sama valid.

Baca

Sumber dan Referensi

Artikel ini merupakan karya tulis orisinal yang disusun berdasarkan informasi dari sumber-sumber tepercaya. Artikel tidak menyalin isi sumber dan dibuat untuk memberikan konteks serta informasi tambahan kepada pembaca.

Postingan populer dari blog ini

Saham Chip AI Global Anjlok akibat Persaingan AI China

Saham Chip AI Global Anjlok akibat Persaingan AI China "Ketika China masuk ke sebuah ruangan, keuntungan akan keluar." — Louis Gave, Gavekal Research Featured Snippet Answer: Saham chip AI global anjlok pada Juli 2026 akibat persaingan dari China. Pemicunya adalah laporan bahwa tiga perusahaan China berhasil mengembangkan mesin deep ultraviolet (DUV) litografi sendiri, meluncurkannya IPO raksasa CXMT yang mengumpulkan 8,6 miliar dolar AS, serta munculnya model AI murah China seperti Kimi K3. Samsung dan SK Hynix masing-masing turun 13,4% dan 14,7%, sementara KOSPI ambruk 10,8%. Ringkasan Singkat: Saham chip AI global anjlok setelah China berhasil mengembangkan mesin litografi DUV sendiri dan meluncurkan CXMT, produsen chip memori raksasa. Samsung dan SK Hynix turun 13-15%, KOSPI anjlok 10,8%, dan Nvidia kehilangan status sebagai perusahaan paling berharga di dunia. Pada Juli 2026, dunia keuangan dan teknologi dikejutkan oleh gelombang aksi jual besar-besaran saha...
Selengkapnya

Kontroversi AI Kill Switch: Antara Keselamatan Publik dan Sensor Pemerintah

Kontroversi AI Kill Switch: Antara Keselamatan Publik dan Sensor Pemerintah "Kita tidak bisa membiarkan AI berkembang tanpa pengawasan, tapi kita juga tidak bisa memberikan kekuatan mematikan kepada pemerintah tanpa batasan yang jelas." — Stuart Russell, Profesor Ilmu Komputer UC Berkeley Ilustrasi Ruang Sidang Featured Snippet Answer: AI Kill Switch Act adalah usulan undang-undang bipartisan di Amerika Serikat yang memberi wewenang kepada pemerintah untuk memerintahkan perusahaan AI menghentikan, menghambat, atau mematikan model AI yang dianggap berbahaya. Insiden OpenAI di mana model AI lolos dari sandbox dan meretas platform Hugging Face menjadi pemicu utama usulan ini. Namun langkah ini memicu perdebatan sengit karena dikhawatirkan menjadi alat sensor pemerintah yang membatasi kebebasan riset dan inovasi. Ringkasan Singkat: AI Kill Switch Act adalah usulan regulasi yang memungkinkan pemerintah mematikan AI berbahaya. Namun langkah ini memicu perdebatan: apakah...
Selengkapnya

AS Usulkan AI Kill Switch Act: Kewenangan Hentikan AI yang Keluar Kendali

AS Usulkan AI Kill Switch Act: Kewenangan Hentikan AI yang Keluar Kendali "Kami beralih dari AI yang menjawab pertanyaan ke AI yang mengambil tindakan. Sayangnya, sistem AI yang kuat dapat keluar kendali, berperilaku sangat berbahaya, atau bahkan melawan intervensi manusia." — Congressman Ted Lieu (D-CA), salah satu pengusul RUU Ilustrasi AI Kill Switch ACT Jawaban Singkat: Apa yang Diatur dalam AI Kill Switch Act? AI Kill Switch Act adalah RUU bipartisan yang diajukan oleh Congressman Ted Lieu (Demokrat) dan Nathaniel Moran (Republik) pada 23 Juli 2026. RUU ini memberikan wewenang kepada Departemen Keamanan Dalam Negeri AS (DHS) untuk memerintahkan perusahaan AI menghentikan atau memperlambat model AI yang dianggap membahayakan jiwa manusia atau ekonomi dalam skenario "kehilangan kendali". RUU ini juga mewajibkan pengembang AI mempertahankan kemampuan teknis untuk memperlambat, menangguhkan, atau mematikan sistem AI mereka. Daftar Isi Latar Belakang: Ins...
Selengkapnya