Riset dari tim Stanford ini berfokus pada bakteriofag, virus yang secara alami menginfeksi dan membunuh bakteri. Dengan memanfaatkan model bahasa besar yang dilatih pada data sekuens DNA, sistem AI berhasil menyusun genom virus utuh yang fungsional. Yang menarik perhatian adalah tingkat "keterpencilan" genetik virus hasil desain tersebut dibanding virus yang sudah ada sebelumnya.
Para peneliti mengakui semua virus yang dihasilkan AI masih memiliki kemiripan dengan virus pendahulunya. Namun, sebagian di antaranya punya fitur struktural dan genetik yang secara alami membutuhkan waktu evolusi sangat lama untuk terbentuk. Ini menunjukkan model tersebut tidak sekadar menyalin data, melainkan benar-benar memahami logika di balik pengkodean genetik.
Sebagian besar riset AI di bidang biologi selama ini memang berfokus pada desain protein. Protein dianggap sebagai "pekerja" utama dalam sel yang menjalankan reaksi kimia dan membentuk struktur sel. Namun, lapisan abstraksi antara DNA dan protein membuat para ilmuwan sempat ragu apakah model yang dilatih pada data genom bisa menghasilkan sesuatu yang berguna.
Ternyata, model genom ini justru mampu menghasilkan sekuens DNA yang tidak hanya mengkode protein fungsional di dalam bakteri, tetapi juga meniru struktur gen kompleks yang biasa ditemukan pada sel organisme tingkat tinggi. Kini, kemampuan itu diperluas hingga ke level virus utuh.
Kekhawatiran utama tim Stanford bukan pada virus pembunuh bakteri itu sendiri. Bakteriofag justru kerap dipandang sebagai kandidat terapi alternatif untuk melawan infeksi bakteri yang kebal antibiotik. Masalahnya, kata para peneliti, adalah potensi pengembangan model serupa untuk menargetkan vertebrata.
"Kita mungkin perlu mulai berpikir sekarang tentang persiapan menghadapi kemungkinan seseorang mengembangkan AI terkait yang bisa mendesain virus penyerang vertebrata," demikian pernyataan peneliti Stanford yang dikutip dalam riset tersebut. Peringatan ini muncul dari fakta bahwa arsitektur model yang digunakan untuk merancang virus bakteri sama dengan yang bisa dilatih ulang untuk organisme lain.
Bagi Indonesia, riset ini membuka dua sisi mata uang yang berbeda. Di satu sisi, kemampuan mendesain bakteriofag secara cepat bisa menjadi terobosan besar untuk industri farmasi dan riset kesehatan dalam negeri yang selama ini bergantung pada antibiotik konvensional. Di sisi lain, regulasi keamanan hayati di kawasan Asia Tenggara belum dirancang untuk mengantisipasi ancaman virus yang lahir dari kecerdasan buatan.
Diskursus etika sains kini bergeser dari sekadar "apa yang bisa dilakukan AI" menjadi "siapa yang mengawasi AI yang bisa menciptakan patogen". Stanford menekankan bahwa temuan ini adalah pengingat bahwa batas antara fiksi ilmiah dan laboratorium nyata semakin tipis.
Riset ini juga menegaskan bahwa model bahasa besar tidak hanya berguna untuk menulis teks atau kode program. Ketika dilatih dengan data biologis yang tepat, model tersebut dapat bertindak sebagai "mesin desain hayati" yang hasilnya bisa sangat bermanfaat—atau sangat berbahaya—tergantung siapa yang memegang kendali.