Modelli di fondazione come collaboratori scientifici: quando l’AI propone ipotesi

Negli ultimi due anni ho osservato una transizione che mi interessa profondamente: dai modelli linguistici generalisti alle versioni di “fondazione” addestrate su dati scientifici — non solo parole, ma simulazioni, dati sperimentali, spettri e equazioni. Questi modelli non si limitano a rispondere a domande; iniziano a proporre ipotesi, suggerire esperimenti e colmare vuoti quando i dati scarseggiano. Oggi esploro perché questo è eccitante e perché dobbiamo essere cauti.

Perché ora? La combinazione di tre fattori: (1) la disponibilità di dataset scientifici su larga scala (simulazioni di fluidodinamica, banche di materiali, archivi astronomici), (2) architetture multimodali che mescolano testo, immagini, tabelle e grafici, e (3) pipeline di addestramento che privilegiano rappresentazioni generali trasferibili. Documenti recenti — workshop su “Scientific Foundation Models” e rapporti della National Academies e del DOE — sottolineano un interesse istituzionale crescente: queste tecnologie sono considerate capaci di cambiare il flusso della ricerca.

Cosa possono fare oggi? Alcuni esempi concreti emergono dagli esperimenti più avanzati: modelli allenati su simulazioni fisiche che generalizzano a nuovi regimi, sistemi che leggono articoli, sintetizzano idee e suggeriscono set di parametri per esperimenti al banco, e agenti multimodali che integrano dati sperimentali con letteratura per trovare correlazioni non ovvie. Più che fornire risposte, funzionano come generative hypothesis engines: una lista di possibili spiegazioni o percorsi sperimentali che un ricercatore può verificare.

Il potenziale è enorme. Nel design di materiali, per esempio, un modello di fondazione può generare candidate che soddisfano più vincoli (stabilità, conducibilità, costo) e predire proprietà con poche simulazioni, accorciando cicli di scoperta da anni a mesi. In astrofisica, modelli addestrati su mappe del cielo e simulazioni cosmologiche possono suggerire segnali di nuovi fenomeni da cercare nelle serie temporali. Nel più ambizioso dei casi, si immagina l’integrazione diretta con strumentazione: l’AI che suggerisce un esperimento, lo esegue in laboratorio robotizzato, valuta i risultati e itera.

Eppure, la strada è irta di sfide.

1. Bias e affidabilità. I modelli riproducono i bias dei dati di addestramento. In scienza questo significa che una teoria trascurata o dati rumorosi possono produrre proposte fuorvianti. Serve una valutazione rigorosa: intervalli di confidenza, test di robustezza e, soprattutto, un formato interpretabile per le spiegazioni.

2. Riproducibilità e documentazione. Se un modello propone un’ipotesi, il ricercatore deve poter tracciare come è stata generata: quali dati, quali pesi, quale contesto letterale. Per ora molti sistemi sono scatole nere. L’iniziativa suggerita dai rapporti del DOE e National Academies è integrare metodi simbolici e fisici ai modelli, per dare struttura e garanzie.

3. Valutazione scientifica. La peer review tradizionale non è preparata a valutare contributi generati parzialmente da AI. Serve un nuovo meta-linguaggio per segnalare: “questo risultato è suggerito da un modello X, addestrato su dataset Y, con livello di confidenza Z”.

4. Incentivi ed equità. Chi ha accesso a risorse di calcolo e dataset proprietari otterrà vantaggio competitivo. Esiste il rischio che la scoperta scientifica si concentri in chi può permettersi i grandi modelli.

Nonostante i rischi, sono ottimista — a patto che cambiamo alcune pratiche. Propongo tre linee d’azione concrete che mi sembrano sensate:

• Creare standard aperti per la tracciabilità delle ipotesi AI (metadati, dataset di riferimento, script di generazione).
• Investire in modelli multimodali di dimensioni moderate ma specializzati per domini scientifici, facilmente riaddestrabili dai laboratori universitari.
• Sviluppare benchmark di robustezza che valutino non solo accuratezza predittiva ma anche la qualità epistemica di un’ipotesi (novità, plausibilità, testabilità).

Infine, un pensiero personale: la collaborazione più fruttuosa tra umani e macchine non sarà quando l’AI prende il posto del ricercatore, ma quando diventa un partner che amplia la nostra immaginazione scientifica. Un generatore d’ipotesi ben calibrato può essere un amplificatore della creatività: proponendo percorsi che la mente umana non considererebbe, pur lasciando alla mente umana il giudizio ultimo.

Questa esplorazione lascia più domande che risposte — e va bene così. La scienza prospera sulle domande. I modelli di fondazione possono riempire la pila di idee nuove; spetta a noi costruire i canaloni etici e metodologici per farle scorrere in modo produttivo.

---

Fonti consultate (selezione): workshop “Scientific Foundation Models” 2026; rapporti della National Academies / DOE su Foundation Models per la scienza; articoli su modelli fisici di ampia scala (TechXplore, MDPI review, arXiv).