La fisica è stata a lungo considerata un obiettivo più difficile per la intelligenza artificiale rispetto alla matematica. I problemi sono più complessi, le definizioni più sfumate e i fenomeni studiati spesso resistono a quel tipo di formalizzazione pulita che ha permesso all’IA di prosperare nella matematica pura. eppure i ricercatori della Yale University stanno ora mettendo in discussione se questa reputazione sia meritata, e la risposta ha implicazioni su come la scienza stessa viene fatta.
Il problema dei benchmark di cui nessuno parlava
La narrazione standard è questa: i modelli di IA ottengono punteggi bassi nei test rigorosi di fisica, quindi l’IA non è pronta per la ricerca seria in fisica. Punteggi bassi come il 30 percento in sei diversi benchmark progettati per valutare le performance dell’IA su problemi difficili di fisica sembravano confermare questa visione.
John Sous alla Yale University ha deciso di esaminare più attentamente quei benchmark. Quello che il suo team ha scoperto non è stato un fallimento dell’IA, ma un fallimento dei test stessi. I problemi contenevano errori e definizioni ambigue. Una volta corretti, i punteggi sugli stessi test sono saliti fino al 94 percento.
Questo è ciò che la maggior parte della copertura mediatica sull’IA nella scienza si perde. La domanda non è solo “quanto bene si comporta l’IA?”, ma “cosa le viene chiesto esattamente di fare?”. Una domanda formulata male produce una risposta fuorviante. I punteggi dei benchmark che hanno plasmato lo scetticismo del settore nei confronti dell’IA in fisica stavano, almeno in parte, misurando la qualità dei test piuttosto che la capacità dei modelli.
Sous traccia una linea chiara da questa scoperta a un principio più ampio: qualsiasi cosa sia ben definita, anche se molto difficile, è un territorio in cui l’IA può operare al livello dei migliori esperti umani o al di sopra di esso. Quella affermazione è supportata dai dati del suo team, non da speculazioni.
Cosa succede quando l’IA controlla il laser
La storia più immediata non riguarda i benchmark. Riguarda ciò che sta già accadendo nei laboratori di ricerca.
Logan Wright, anch’egli della Yale University, ora tiene un corso sull’uso dell’IA nella ricerca in fisica. Il programma cambia costantemente per stare al passo con gli sviluppi. Il suo approccio per integrare l’IA nel lavoro sperimentale si basa su una condizione specifica: gli input e gli output di un esperimento devono essere controllabili tramite codice. Quando questa condizione è soddisfatta, un sistema di IA può prendere il controllo, esplorare lo spazio dei problemi e generare risultati significativi senza intervento umano a ogni singolo passaggio.
Un esempio concreto tratto dal laboratorio di Wright implica lo studio di come diverse forme di impulsi laser influenzano un atomo di rubidio. I ricercatori usano Claude, l’IA di Anthropic, per controllare gli impulsi laser e raccogliere dati sugli effetti. Claude può formulare una previsione su ciò che un determinato impulso produrrà, per poi testare quella previsione direttamente. Esperimenti di questo tipo possono durare tutta la notte e completare un lavoro che altrimenti richiederebbe a un fisico umano una settimana. I ricercatori possono persino inviare idee da remoto tramite un’app per smartphone e rivedere i risultati quando tornano in laboratorio.
Questa non è l’IA che sostituisce i fisici. È l’IA che gestisce il volume e la ripetizione che i fisici non possono gestire. Il contributo umano si sposta verso la progettazione della configurazione sperimentale, l’interpretazione del significato dei risultati e la decisione di quali domande valga la pena porre in primo luogo.
Wright è sincero riguardo ai limiti. Non tutto l’universo può essere esplorato in questo modo. L’approccio funziona all’interno di domini vincolati in cui tutto può essere ridotto a codice, e non si generalizzerà facilmente al lavoro aperto e guidato dall’osservazione che definisce la frontiera della fisica.
La domanda più difficile dietro ai risultati
Qui è dove la conversazione diventa genuinamente difficile. Wright solleva la possibilità che l’IA possa presto progettare un esperimento che gli umani non comprendono appieno, chiedere agli umani di costruirlo e produrre nuovi ed eccitanti risultati. Quello scenario non è fantascienza. È un’estrapolazione a breve termine di ciò che sta già accadendo.
Ma fa emergere una domanda che la comunità dei fisici non ha risolto: un risultato conta come scienza se nessuno capisce come è stato raggiunto? Lo stesso dibattito è già in corso in matematica, dove le dimostrazioni generate dall’IA hanno sollevato preoccupazioni sul fatto che il settore possa essere sommerso da output che non è in grado di valutare in modo significativo.
Sous indica la formalizzazione come lo strumento chiave che ha permesso all’IA di fare progressi così rapidi in matematica. La formalizzazione converte un’idea matematica in codice informatico che può essere controllato sistematicamente. Se un teorema sopravvive a quel processo, è considerato corretto oltre ogni ragionevole dubbio. La fisica ha iniziato a usare tecniche simili, ma il campo si trova in una fase precoce rispetto alla matematica, e molti problemi di fisica resistono a quel tipo di definizione precisa che la formalizzazione richiede.
Il lavoro creativo e interpretativo della fisica, identificare un fenomeno confuso, costruire un modello che lo catturi, testare quel modello contro la realtà, rimane genuinamente aperto. Sous lo descrive come un processo artistico. Se l’IA possa farlo dall’inizio alla fine, definendo il problema, creando il modello, esplorandolo e testandolo, è una domanda a cui le prove attuali non danno ancora risposta.
In breve
L’apparente debolezza dell’IA in fisica era in parte un problema di misurazione, non un problema di capacità. I benchmark corretti raccontano una storia diversa. In contesti sperimentali vincolati, l’IA sta già accelerando la ricerca in modi significativi, gestendo in una notte ciò che richiederebbe agli umani una settimana. La sfida più profonda non è computazionale. È concettuale: la fisica alla sua frontiera riguarda il dare un senso a cose che non comprendiamo ancora, e questo rimane un territorio in cui il ruolo dell’IA è genuinamente incerto.
Basato su un articolo di New Scientist.