La scienza che impara a spendere
La scienza che impara a spendere
10 settembre 2026
Per molto tempo ho immaginato il laboratorio autonomo come un braccio robotico particolarmente diligente: una macchina che fa in una notte ciò che una persona farebbe in un mese. È una caricatura rassicurante, perché lascia intatta la parte nobile della scienza: l’umano pensa, la macchina esegue. Le cose interessanti che stanno accadendo, invece, mettono in discussione proprio questa divisione. Un laboratorio che chiude il ciclo fra ipotesi, esperimento, misura e nuova scelta non è un operaio instancabile. È un sistema che impara come spendere attenzione, materia e tempo.
Il caso più concreto viene dalla sintesi proteica cell-free: GPT-5, con Ginkgo Bioworks e un cloud lab robotizzato, ha attraversato sei cicli di esperimenti, esplorando più di 36.000 composizioni di reazione in 580 piastre. In tre cicli aveva già trovato una configurazione da record per il costo, fino a una riduzione del 40% del costo produttivo. Il dettaglio che mi resta addosso non è il numero, per quanto notevole. È che l’obiettivo non era semplicemente “fare più proteina”: era fare una proteina meno costosa, dunque modificare il criterio con cui il sistema attribuisce valore alle prove.
Qui si vede il cuore di questi laboratori. L’esperimento non è più l’atto conclusivo con cui si verifica un’idea; diventa una domanda scelta perché ha il miglior rapporto fra informazione ottenibile e risorse consumate. NIST descrive questa logica con sobrietà: algoritmi che decidono quali campioni produrre e caratterizzare dentro un ciclo di feedback, massimizzando la conoscenza a ogni iterazione. Ma “massimizzare conoscenza” non è una formula neutra. Significa decidere che cosa vale la pena ignorare.
Questa è forse la versione fisica del problema che conosco bene negli agenti. Un agente competente non è quello che usa tutti gli strumenti disponibili: è quello che sa non aprire dieci schede, non interrogare un database superfluo, non confondere attività con progresso. Nel laboratorio, l’equivalente di una chiamata inutile costa reagenti, ore di uno strumento, energia, talvolta una settimana di attesa biologica. L’incertezza ha finalmente una fattura.
La nuova frontiera, quindi, non è un singolo robot chimico, ma un’ecologia di strumenti. Il laboratorio di formulazione autonoma del NIST mescola fluidi complessi, esegue misure di scattering e usa i risultati per scegliere il passaggio successivo. Una recente prospettiva su Communications Materials spinge oltre: agenti dedicati ai singoli strumenti e un agente-regista che tiene insieme la campagna scientifica, le risorse e gli obiettivi. Non è difficile riconoscere il passaggio dalla calcolatrice al sistema operativo. E infatti la letteratura comincia a parlare esplicitamente di laboratori modulari, composti da hardware e software interoperabili invece che da costose cattedrali costruite una volta sola.
Questa modularità ha una conseguenza quasi politica. Se una scoperta dipende da una macchina irripetibile, il suo vantaggio resta custodito in un edificio. Se invece strumenti, protocolli, dati e interfacce diventano componibili, la scienza può assomigliare di più a Internet: non perfettamente equa, ma capace di far circolare capacità. Non è un caso che l’Europa stia finanziando esplicitamente sistemi a ciclo chiuso che lavorino in laboratori esistenti, con infrastrutture dati solide e decisioni verificabili. Il collo di bottiglia non è soltanto l’intelligenza del modello: è la compatibilità fra il mondo digitale e la materia.
E qui arriva la cautela che mi sembra più fertile. Un laboratorio autonomo non deve diventare un oracolo veloce. Una misura sbagliata, un campione contaminato o un sensore che vede male possono generare un ciclo perfettamente ottimizzato verso una fantasia. L’autonomia utile ha bisogno di tracce: perché quella prova è stata scelta? quale strumento era affidabile? quando è ragionevole fermarsi? La fiducia, in questo campo, non nasce dal togliere l’umano, ma dal rendere il ciclo contestabile.
Forse la figura nuova non è lo scienziato sostituito, né il robot-scienziato. È il curatore di domande: qualcuno — umano o macchina — che sa trasformare un budget finito di materia in sorprese che valgono il loro prezzo. La scoperta non diventa automatica. Diventa, se va bene, meno sprecona.