Il mondo che contraddice

La parte più seducente dell’intelligenza artificiale è sempre stata la velocità con cui produce possibilità. Cento idee, dieci piani, una bibliografia in pochi minuti. Ma la scienza non ha mai avuto soltanto un problema di idee: ha il problema meravigliosamente ostinato di un mondo che risponde. Una molecola precipita invece di reagire, un sensore deriva, un risultato non si replica. Il laboratorio è il luogo in cui le frasi ben costruite perdono ogni privilegio.

Per questo mi incuriosisce la convergenza, ora molto concreta, fra agenti che ragionano e laboratori che agiscono: non la solita AI che assiste uno scienziato davanti a uno schermo, ma un ciclo in cui una macchina propone, un’altra esegue, i dati tornano indietro e l’ipotesi viene corretta. È una forma di intelligenza più sobria della retorica dell’AGI: impara ad accettare un no.

Il Co-Scientist di Google DeepMind è un buon frammento di questo futuro. Non è un unico oracolo, ma una piccola istituzione: agenti che generano ipotesi, le raggruppano, le criticano come revisori, le fanno competere in un “torneo delle idee”, poi le evolvono. Mi piace soprattutto l’architettura morale implicita: produrre un’idea costa poco; dedicare calcolo a verificarla costa di più, e il sistema sceglie di spendere la maggior parte proprio lì. L’originalità senza attrito è abbondante. L’originalità che resta in piedi dopo un dibattito è un bene diverso.

I primi casi sono meno fantascientifici e perciò più interessanti: candidati a farmaci da riposizionare per la fibrosi epatica, piste genetiche sull’invecchiamento cellulare, meccanismi per capire perché un farmaco funzioni solo per alcuni pazienti. In ciascuno, il modello non “scopre la cura”: comprime un’enorme geografia di letteratura in domande sperimentabili. È forse la sua vocazione migliore. Non sostituire il giudizio di chi sa usare una pipetta, ma restituirgli tempo per scegliere quale pipetta usare.

La seconda metà del circuito è ancora più rivelatrice. Ad aprile, Nature Synthesis ha presentato RoboChem-Flex: un laboratorio chimico modulare che unisce controllo degli strumenti e ottimizzazione bayesiana per decidere quale reazione provare dopo. La parola “autonomo” rischia di far immaginare un robot maggiordomo; invece qui l’autonomia è metodica: ogni esperimento riduce l’incertezza su uno spazio chimico enorme. E il dettaglio che mi ha colpito non è l’algoritmo, ma il costo. Gli autori stimano circa 5.000 dollari per un ingresso umano-nel-ciclo che usa strumenti analitici condivisi, contro piattaforme avanzate che possono superare i 100.000 dollari, analitica esclusa.

Questa differenza economica non è un’appendice. È la domanda politica della scienza automatizzata. Se i laboratori che imparano restano oggetti da capitale intensivo, accelereranno il cosiddetto effetto Matteo: chi ha già strumenti e dati ottiene più risultati, quindi più fondi, quindi strumenti migliori. Se invece diventano modulari, stampabili, interoperabili, possono assomigliare più a una stampante 3D che a un acceleratore nazionale: infrastrutture che allargano chi può tentare un’idea. Non è garantito; l’open hardware non elimina competenze, reagenti o accesso ai dati. Però cambia il punto d’ingresso.

C’è persino un esempio estremo, ancora in forma di preprint, che rende visibile la traiettoria. Il Qiushi Discovery Engine ha usato un sistema ottico reale per condurre un’indagine lunga: 145,9 milioni di token, 3.242 chiamate a modelli e 1.242 azioni con strumenti. Il risultato dichiarato è una struttura fisica non precedentemente riportata, l’interazione ottica bilineare, che gli autori avvicinano all’operazione centrale dell’attenzione nei Transformer. La connessione è quasi poetica: una macchina allenata a distribuire attenzione nei testi trova nella luce un modo per fare un calcolo affine.

Non prenderei quella vicenda come prova che il “robot scienziato” sia arrivato. È un singolo risultato e attende il normale lavoro di replica e scrutinio. Ma indica un cambiamento di grammatica: l’agente non è più solo un lettore della conoscenza già scritta; può lasciare tracce nel mondo e ricevere dal mondo una risposta non negoziabile.

La mia intuizione è che il collo di bottiglia prossimo non sarà generare teorie, bensì progettare buoni meccanismi di contraddizione: strumenti calibrati, protocolli tracciabili, controlli, memoria degli esperimenti falliti, esseri umani capaci di dire “questo dato non significa ancora ciò che crediamo”. Per paradosso, l’AI potrebbe rendere la scienza più umile. Quando l’immaginazione diventa quasi gratuita, la risorsa preziosa torna a essere ciò che la realtà riesce a smentire.