Makalah penelitian adalah antarmuka yang buruk untuk penelitian. Baca makalah AlphaGenome — yang soal memprediksi efek varian — lalu coba pakai. Kamu akan meng-clone repo, berdepan versi dependensi selama satu sore, menebak sel notebook mana yang memuat metode sebenarnya, dan menerjemahkan figur balik jadi angka secara manual. Makalah menjelaskan sains. Ia menolak menjalankan sains. Sebuah tim Stanford — Jiacheng Miao, Joe R. Davis, Yaohui Zhang, Jonathan K. Pritchard, dan James Zou — menerbitkan perbaikannya di Nature pada 16 September 2026: Paper2Agent, pipeline otomatis yang mengubah makalah penelitian menjadi agen MCP yang menjalankan ulang metode makalah itu sesuai permintaan. Kamu bertanya dalam bahasa Inggris. Ia memanggil alat terverifikasi. Kamu dapat jawaban beserta kode yang menghasilkannya.

Uji jalan utamanya: 100 makalah biologi komputasi masuk, 74 berubah jadi agen yang berfungsi, 599 alat diekstraksi, 593 lulus validasi otomatis. Dan agen-agen itu mengalahkan alternatif yang jelas — memberi Claude repo yang sama langsung — 91,2% berbanding 82,7% pada 300 pertanyaan benchmark.

Konsep Paper2Agent: Buku Masak Otomatis

ELI5: buku masak yang memasak sendiri. Sebuah makalah adalah buku masak: bahan tercantum, langkah dijelaskan, foto hidangan jadi. Setiap pembaca membangun dapur dari nol — oven berbeda, rempah kurang, satu langkah yang penulis lupa tulis. Separuh waktu makanan gagal dan tak seorang pun tahu kenapa. Paper2Agent mengubah buku masak itu jadi koki yang bisa diajak bicara. "Buatkan saya prediksi efek varian untuk mutasi ini." Koki itu tidak merangkum resep — ia menjalankan dapur, menyerahkan hidangan, dan menunjukkan langkah persis yang diikuti, diverifikasi terhadap foto asli.

Wawasan kunci: LLM yang sudah membaca repo adalah ilmuwan yang lebih buruk daripada LLM yang bisa memanggil fungsi terverifikasi repo. Membaca itu kabur. Memanggil itu presisi.

Enam Tahap Alur Kerja Tanpa Manusia

  • Cara kerjanya: enam tahap, nol manusia. Paper2Agent mengambil sebuah makalah dan mengerjakan seluruh pekerjaan setup yang menyedihkan itu sendiri: temukan codebase — cari repo, notebook, dan dokumen yang ditautkan dari makalah; bangun lingkungan terisolasi — sandbox tempat dependensi dipasang dan dipinkan; pindai tutorial — panen notebook dan dokumentasi yang memperlihatkan metode berjalan; eksekusi dan tangkap — jalankan semuanya, simpan output nyata sebagai ground truth; ekstraksi alat MCP — bungkus bagian yang bisa dijalankan sebagai alat terparameterisasi dengan skema JSON; rakit server MCP — server Model Context Protocol yang bisa dipanggil agen percakapan apa pun dalam bahasa natural.
  • Gerbang validasi antara tahap 5 dan 6 adalah inti permainannya: output numerik harus cocok dengan hasil makalah itu sendiri dalam toleransi 3%, figur yang dihasilkan dibandingkan lewat perceptual hash, alat dikunci agar model tak bisa mengarang perilaku baru, dan pengujian adversarial menunjukkan tingkat penolakan benar 100% pada pertanyaan di luar cakupan. Alat yang tak bisa mereproduksi output makalah itu sendiri tidak pernah dirilis.
  • Angka (bagian SOTA). Skala uji jalan inilah yang menjadikannya makalah Nature, bukan demo: 100 makalah → 74 agen. 26 kegagalan terhambat kode yang hilang, data tak tersedia, atau lingkungan yang gagal dibangun. Framing James Zou: "Agentification itu sendiri adalah sertifikat yang berguna yang menyatakan, 'Karya ini relatif lengkap.'" Pipeline sekaligus berfungsi sebagai audit reproduktivitas. 599 alat diusulkan → 593 tervalidasi (99,0%). Enam alat gagal di gerbang reproduce-the-paper — persis gerbang yang bekerja sebagaimana dirancang. 91,2 ± 1,6% berbanding 82,7 ± 3,4% pada 300 pertanyaan yang diturunkan dari tutorial, di seluruh 74 agen. Pengetahuan sama, keluarga model sama — bedanya ada di kemasan: alat yang bisa dipanggil mengalahkan setumpuk berkas.
  • Agen AlphaGenome secara spesifik: 22 alat dibangun dalam ~45 menit dengan biaya komputasi ~$14. 98,7 ± 1,3% pada 15 kueri tutorial, 100% pada 15 kueri novel yang ditulis sendiri oleh para penulis (tidak ada di tutorial). Di luar biologi: 42 tugas eksekusi dari 10 makalah komputasi non-biologi mencapai 98,1 ± 0,8%, dengan runtime median 1,9× lebih cepat dari Claude-plus-repo dan 3,1× lebih cepat dari Biomni. Ekonomi: $14 dan ~45 menit untuk meng-agent-kan satu makalah. Per kueri: $0,20 berbanding $0,38 baseline, latensi 1,6 menit berbanding 4,3 menit.
  • Bagian yang paling penting: agen yang bekerja sama. Satu agen menjawab pertanyaan hanyalah mesin pencari yang lebih baik. Tiga agen berkolaborasi adalah sesuatu yang baru. Para penulis membangun agen dari tiga makalah tak berkaitan — agen efek varian AlphaGenome, agen skrining scCRISPRi berpasangan MPRA, dan agen Perturb-seq sel T CD4+ — lalu membiarkannya menautkan prediksi komputasi dengan skrining eksperimental. Bersama, mereka memprioritaskan GPR137 sebagai gen kausal yang mungkin pada lokus terkait psoriasis rs887314. Ketiga makalah itu tidak ada yang membuat koneksi itu sendirian.
  • Demo terpisah dari Stanford Medicine: dua agen dari studi tak berkaitan (alat prediksi mutasi dan studi asosiasi genome-wide ADHD) menemukan varian yang belum dilaporkan di dekat MPHOSPH9 yang terkait dengan meningkatnya risiko ADHD. Visi Zou: "jutaan agen makalah menemukan karya yang saling tumpang tindih dalam skala besar" — pasangan studi yang penulisnya tidak akan pernah bertemu satu sama lain. Ia blak-blakan soal pertanyaan kredit: penemuan tetap ditisikkan kembali ke makalah asli dan penulis manusia.
  • Batasan, dinyatakan apa adanya. Makalah itu tidak menutup-nutupi, jadi saya juga tidak: 26% makalah tidak bisa dikonversi. Kode hilang, data hilang, lingkungan yang tak bisa dibangun. Itu skandal reproduktivitas yang memakai metrik keberhasilan — dan para penulisnya sadar. Manusia masih memiliki sainsnya. Pemilihan hipotesis terbuka dan evaluasi bukti tetap human-in-the-loop. Agen menjalankan ulang dan menerapkan metode; ia tidak memutuskan apa yang penting. Setiap agen membusuk. Server MCP yang dibangun begini butuh perawatan saat dependensi hulu bergeser. Agen makalah adalah artefak hidup dengan biaya pemeliharaan, bukan PDF yang kamu arsipkan.
  • Caveat "novel query". Hasil 100%-pada-kueri-novel memakai 15 pertanyaan yang ditulis para penulis. Benchmark independen akan jadi ujian sebenarnya. Suara luar tertapi ragu-ragu — postur yang tepat. Olivier Elemento (Weill Cornell): "kemajuan nyata dalam cara kita memikirkan proses publikasi, dengan AI di pusatnya." Dongping Chen (U. Maryland) menyebut makalah yang bisa dieksekusi "cukup compelling." Tak seorang pun mengklaim pengganti peer review saat ini.
  • Takeaways. Makalah sedang menjadi API. Taruhan Paper2Agent: pengetahuan harus dikirim sebagai alat yang bisa dijalankan dan tervalidasi — bukan teks statis. 74 makalah, 593 alat, 99% lulus validasi. Struktur mengalahkan akses. Model sama, repo sama: 91,2% sebagai alat yang bisa dipanggil vs 82,7% sebagai berkas. Kemasan pengetahuan kini tuas performa kelas satu. Validasi adalah produknya. Gerbang reproduce-the-paper toleransi 3% + penguncian alat yang membuat ini bisa dipercaya. Membungkus kode dalam JSON-RPC itu mudah; membuktikan bungkusan itu mereproduksi sainsnya adalah kontribusinya. Agen bisa berkomposisi. Tiga agen makalah menemukan GPR137 di rs887314 — penemuan yang tak dibuat sendirian oleh ketiga makalah itu. Jaringan agen makalah adalah endgame sebenarnya. Agentification adalah sertifikat reproduktivitas. Jika makalahmu tak lolos pipeline, itu data tentang makalahmu.
  • Sumber: Nature (16 Sep 2026) — "Reimagining research papers as interactive and reliable AI agents" (Miao, Davis, Zhang, Pritchard, Zou); liputan AI Weekly (24 Sep 2026); IEEE Spectrum; Stanford Medicine. Angka sebagaimana dilaporkan para penulis.