La scienza ha la ricorrente abitudine di dichiararsi quasi finita. Nel 1903, il fisico Albert Michelson suggerì che i fatti fondamentali della scienza fisica fossero già stati scoperti. Decenni dopo, Stephen Hawking ipotizzò che la fisica teorica potesse concludersi entro la fine del ventesimo secolo. Nessuna delle due previsioni è invecchiata bene. Oggi, con l’intelligenza artificiale che sta ridisegnando i laboratori di ricerca, un simile senso di imminente completamento sta circolando di nuovo. Questa volta, porta con sé un Premio Nobel. La domanda che vale la pena porsi non è se l’IA trasformerà la scienza, ma se l’esempio più celebre di questa trasformazione sia effettivamente il modello giusto da seguire.
Perché AlphaFold non può essere copiato ovunque
Nel 2024, Demis Hassabis e John Jumper di Google DeepMind hanno ricevuto parte del Premio Nobel per la chimica per AlphaFold, una rete neurale che predice le strutture tridimensionali delle proteine. Il problema aveva resistito a soluzioni sistematiche per circa mezzo secolo. Il successo di AlphaFold ha portato Hassabis e il suo team a definirlo “il modello per come l’IA può accelerare tutta la scienza a velocità digitale”. Un’ondata di startup che costruiscono modelli fondamentali per la biologia, la chimica e la scienza dei materiali ha raccolto miliardi di dollari sulla forza di quella premessa.
La premessa, tuttavia, poggia su una condizione molto più difficile da replicare di quanto sembri. AlphaFold è stato addestrato sul Protein Data Bank, un archivio di circa 170.000 strutture proteiche validate sperimentalmente, assemblate attraverso 53 anni di cooperazione scientifica internazionale. Secondo una stima recente, questo sforzo ha richiesto circa 21 miliardi di dollari di lavoro sperimentale. Coordinare qualcosa di quella scala è notoriamente difficile da finanziare e realizzare, e tali sforzi sono spesso falliti.
Anche dove esistono finanziamenti e coordinamento, rimane un problema più profondo. La tecnica sperimentale alla base del Protein Data Bank, la cristallografia proteica, è insolitamente affidabile. Più di 25 Premi Nobel hanno dipeso da essa. La maggior parte della scienza sperimentale non gode di quel tipo di coerenza. Le linee cellulari mutano. Le sostanze chimiche trasportano contaminanti in tracce. L’umidità del laboratorio fluttua. Generare set di dati abbastanza puliti, abbastanza precisi e abbastanza grandi da addestrare una rete neurale moderna nella maggior parte della biologia o della chimica richiederebbe standard di misurazione completamente nuovi. Nessuno di questi standard è vicino all’essere pronto.
Un piccolo numero di campi soddisfa i requisiti: previsioni meteorologiche, gran parte della genomica, aree limitate della chimica. Questi potrebbero vedere progressi in stile AlphaFold nel breve termine. Per la grande maggioranza delle questioni scientifiche aperte, è necessario un approccio diverso.
La rivoluzione più silenziosa: gli AI agents come partner di ricerca
Ciò che gli scienziati fanno realmente non è applicare un singolo strumento potente a un problema ben definito. Essi ragionano in condizioni di incertezza. Un biologo che cerca nuovi bersagli farmacologici combina calcoli di docking con strutture molecolari note, tiene conto della dinamica molecolare, esegue saggi di legame ed esercita il proprio giudizio su quale metodo fidarsi e quando. L’abilità sta nel sintetizzare ciò che molti strumenti producono e nel rivedere le conclusioni man mano che arrivano nuove prove. Fino a poco tempo fa, nessun software poteva replicare quel processo.
Gli AI agents possono farlo. Un agent è un motore di ragionamento IA con accesso a strumenti, digitali o fisici, e la capacità di usarli. Alimentati da large language models, gli agent non richiedono il tipo di set di dati specializzati e massicci che AlphaFold richiedeva. Sono generalisti per design. Non rappresentano un nuovo modo di fare scienza quanto piuttosto un modello digitale del modo in cui la scienza è sempre stata fatta dagli umani.
L’AI Co-Scientist di Google, annunciato a maggio, offre un’illustrazione concreta. I ricercatori gli hanno fornito un brief di una pagina e un unico obiettivo: determinare come la resistenza agli antibiotici si diffonde tra le specie batteriche. Il sistema ha impiegato sub-agents con ruoli distinti. Uno ha abbozzato ipotesi dalla letteratura scientifica. Un altro le ha criticate come farebbe un revisore paritario. Un terzo ha eseguito tornei per classificare i candidati più forti. Un quarto ha perfezionato il vincitore. L’agent ha concluso che i geni di resistenza viaggiavano all’interno di virus batterici, usando qualsiasi virus potesse trasportarli in un nuovo ospite. L’ipotesi era corretta. I ricercatori dell’Imperial College di Londra avevano impiegato un decennio per giungere alla stessa conclusione attraverso il lavoro di laboratorio. Il loro articolo, che Co-Scientist non aveva mai visto, era ancora in fase di revisione paritaria quando l’agent ha prodotto il suo risultato.
Cosa significa questo oltre il laboratorio
Le implicazioni si estendono ben oltre ogni singola scoperta. Gli agent affrontano due problemi strutturali che hanno afflitto la scienza per decenni.
Il primo è la riproducibilità. La scienza ha a lungo lottato con l’incapacità dei ricercatori di replicare i risultati degli altri. Gli sforzi per risolvere questo problema si sono basati in gran parte sul chiedere ai ricercatori di condividere dati grezzi e codice esatto, un lavoro noioso che tende a essere fatto dopo che la scienza interessante è terminata. Gli agent registrano automaticamente ogni passo che compiono, creando un record preciso che rende la replicabilità semplice anziché ambiziosa.
Il secondo è la memoria istituzionale. Il trasferimento di conoscenza tra ricercatori è un processo notoriamente fragile. Gli studenti di dottorato ereditano spesso decenni di quaderni di laboratorio disordinati e devono ricostruire la conoscenza tacita in essi incorporata. Man mano che gli agent diventano una parte più importante del lavoro di laboratorio, l’intera storia scientifica di un laboratorio può accumularsi in un archivio standardizzato e ricercabile anziché essere sparsa su pagine scritte a mano.
La velocità, tuttavia, potrebbe essere l’effetto più consequenziale di tutti. Il ciclo iterativo di ipotesi, esperimento e revisione che definisce la ricerca richiede mesi o anni quando viene fatto da team umani che lavorano in sequenza. Gli agent possono comprimere quel ciclo in modo significativo, eseguendo più linee di indagine in parallelo e rivedendo in tempo reale.
In breve
AlphaFold è un autentico risultato scientifico, ma le condizioni che lo hanno prodotto sono rare e costose da ricreare. La più ampia accelerazione della scienza ha maggiori probabilità di provenire dagli AI agents: sistemi che ragionano nell’incertezza, usano molteplici strumenti e modellano il processo iterativo della scoperta anziché risolvere un problema ristretto con un enorme set di dati curati. Il passaggio dal pattern-matching su dati puliti al ragionamento attraverso prove disordinate e incomplete non è un piccolo aggiornamento tecnico. È una relazione fondamentalmente diversa tra l’IA e il processo scientifico.
Basato su un articolo di MIT Technology Review.