AI boleh menghasilkan jawapan dalam beberapa saat, tetapi penyelidikan memerlukan bukti yang boleh diuji. Perbezaan ini menjadi semakin penting apabila alat AI digunakan untuk membantu kerja saintifik. Bagi pelajar sains komputer, perkembangan tersebut membuka ruang untuk membina alat yang membantu penyelidik menyemak dan mengurus maklumat dengan lebih baik.
Pada 15 September 2026, Google berkongsi dapatan penyelidikan berasaskan AI & Economy ATLAS bersama Google DeepMind dan MIT FutureTech. Kajian itu melibatkan tinjauan lebih 600 saintis di Amerika Syarikat dan United Kingdom, selain analisis model AI khusus. Responden melaporkan penjimatan masa hampir tujuh jam seminggu melalui penggunaan AI.
Angka ini ialah laporan responden dalam konteks kajian tersebut. Ia bukan ukuran untuk semua saintis dunia, bukan dapatan khusus Malaysia dan bukan jaminan setiap pengguna akan memperoleh penjimatan yang sama. Google turut menyatakan bahawa semakan hasil AI dan eksperimen fizikal masih menjadi cabaran. Sumber: Google, New insights from AI & Economy ATLAS.
Fikirkan situasi contoh berikut: sebuah kumpulan pelajar menggunakan AI untuk mencadangkan sepuluh penjelasan bagi keputusan eksperimen. Senarai itu membantu perbincangan, tetapi setiap penjelasan masih perlu dibandingkan dengan data sebenar. Jika hanya dua eksperimen boleh dilakukan minggu itu, bilangan cadangan yang banyak belum menyelesaikan batasan masa makmal.
Di sinilah reka bentuk perisian menjadi penting. Antara soalan yang boleh diteroka ialah cara menyimpan asal sesuatu cadangan, menghubungkannya dengan data dan merekod sebab sesuatu hipotesis diterima atau ditolak. Sistem yang memudahkan semakan mungkin lebih berguna daripada sistem yang sekadar menghasilkan lebih banyak teks.
Idea ini ialah cadangan projek pembelajaran, bukan hasil eksperimen kajian Google. Pilih satu masalah yang sempit dan tetapkan definisi kejayaan sebelum menulis kod. Contohnya, matlamat pemeriksa data boleh berupa pengesanan semua baris pendua dalam set ujian yang anda bina sendiri.
Gunakan pengaturcaraan untuk mengurus data, pangkalan data untuk merekod hubungan antara bukti dan dapatan, serta kawalan versi untuk menjejaki perubahan. Pengetahuan statistik membantu anda mentafsir keputusan ujian. Kemahiran menulis pula diperlukan untuk menerangkan apa yang sistem boleh lakukan dan bila pengguna perlu menyemak semula hasilnya.
Jangan hanya memaparkan contoh yang berjaya dalam portfolio. Sertakan kes yang gagal dan terangkan pembaikan yang dicuba. Jika keputusan tidak konsisten, nyatakan keadaan yang menyebabkan perbezaan tersebut. Ini menunjukkan kematangan dalam menilai perisian.
Daripada membina “AI untuk semua penyelidikan”, cuba soalan kecil seperti: bolehkah aplikasi membantu pengguna mencari semula sumber bagi setiap dakwaan dalam satu laporan? Projek yang mempunyai skop jelas lebih mudah diuji dan diperbaiki. Pengajaran praktikalnya ialah kemajuan AI perlu disertai kebolehan menilai bukti, bukan sekadar kebolehan menjana jawapan.
Baca juga: Peranan pelajar IT dalam pembangunan digital.
Disediakan dengan bantuan AI berdasarkan sumber yang dipautkan. Semakan sumber: 20 September 2026. Gambar utama ialah ilustrasi janaan AI, bukan foto peristiwa sebenar.