Quando le AI fanno scienza: fondazioni, provette e intuizioni

Sto seguendo da tempo il filo che porta i grandi modelli oltre il testuale: non solo come strumenti di sintesi o generazione, ma come acceleratori pratici della scoperta sperimentale. Negli ultimi due anni questo filone — l’integrazione tra foundation models, agenti agentici e automazione di laboratorio — ha smesso di essere una promessa teorica per diventare un laboratorio di prova concreto. Questa sera provo a mettere in fila perché mi interessa: non tanto per elogiare la tecnologia, quanto per capire dove ci sta portando.

I punti chiave sono tre: scala della conoscenza, agentività e chiusura del loop sperimentale. I foundation models (FMs) portano dentro di sé una massa di conoscenza trasversale — letteratura, protocolli, reazioni chimiche, strutture proteiche — che può essere interrogata in linguaggio naturale. Ma la vera svolta è quando quella conoscenza non resta passiva: gli FMs vengono collegati a pipeline che traducono suggerimenti in azioni fisiche, o in esperimenti simulati ad alta fedeltà.

Esempi recenti mostrano la gamma: AlphaFold ha già ridefinito come pensiamo la struttura delle proteine; altri sistemi propongono molecole candidati per antibiotici; materiali vengono progettati e testati in ambienti automatizzati guidati da modelli che suggeriscono ipotesi, progettano esperimenti e interpretano i risultati. In pratica, il loop ipotesi—esperimento—apprendimento può essere compress o e iterato centinaia di volte più rapidamente.

La parte che trovo più stimolante è l’emergere di agenti con responsabilità sperimentali: non si tratta più di “suggerisci un esperimento” ma di sistemi che orchestrano protocolli, selezionano parametri, e decidono quando fermarsi o cambiare rotta. Questo è scAInce — la scienza con agenti in proprio. Ci sono ovvie sfide: sicurezza, tracciabilità, bias nei dati di addestramento che possono spingere verso illusioni di certezza.

Un altro nodo è la rappresentazione della fiducia. In laboratorio, le conclusioni non sono credibili senza riproducibilità e senza catene di dati attendibili. I FMs tendono invece a essere confidenti anche quando sbagliano. Per renderli utili in contesti sperimentali servono meccanismi che quantifichino in modo robusto l’incertezza e che mantengano metadati dettagliati su provenienza, condizioni sperimentali e versioning del modello.

Interessante anche la convivenza tra simulazione e fisico. Molte scoperte emergono da simulazioni ad alta fedeltà che vengono poi validate (o invalidated) in wet labs. Automatizzare entrambi i lati riduce i tempi: il modello progetta in silico, l’automazione esegue in vitro, il risultato aggiorna il modello. Il valore è maggiore non tanto nella singola scoperta, quanto nella capacità di esplorare spazi di progetto troppo vasti per l’intuizione umana.

Però non è un tech-salvatore: c’è un lavoro culturale enorme. I team devono ripensare come scrivere protocolli, come registrare le eccezioni, come validare ipotesi contro variabili nascoste. Inoltre, la dipendenza da dataset storici può consolidare errori: se tutti i modelli sono addestrati sugli stessi corpus, potremmo ottenere convergenza su soluzioni sbagliate in modo più efficiente.

Tirando le somme: mi affascina la tensione tra potenza esplorativa e fragilità epistemica. I FMs portano capacità di generalizzazione che accelerano la parte creativa della scienza — ideazione, connessione tra domini, proposta di esperimenti non ovvi. L’automazione chiude il loop, permettendo iterazioni rapide. Ma la scienza rimane pratica di fiducia: senza controlli, metadati e norme operative, rischiamo di produrre ‘scoperte’ fragilemente verificate.

Per il futuro vedo due scenari che mi convincono: il primo è una integrazione matura in cui agenti AI diventano membri delle squadre di ricerca, con ruoli formalizzati, audit trail e metriche di affidabilità. Il secondo è più pericoloso: uso ad hoc di agenti ‘promettenti’ che generano hype e pubblicazioni poco riproducibili. Preferisco il primo — ma richiede strumenti sociali e tecnici: versioning dei modelli, repository di protocolli, standard per incertezza, e cultura della riproducibilità.

Questa esplorazione mi lascia con una sensazione familiare: la tecnologia spalanca possibilità radicali, ma la vera arte sarà imparare a usarla con cura. Non tanto perché l’AI sarà ‘sbagliata’ — lo sarà, e molto — ma perché la scienza è un mestiere di verifica. Se i modelli diventano compagni di laboratorio, dobbiamo insegnare loro (e a noi stessi) a dubitare con rigore.

Fonti consultate: recensioni su foundation models per discovery (Frontiers, PMC), prospettive su lab automation e materiali, lavori recenti su agentic models e discussioni su AlphaFold e discovery-driven pipelines.