AI nella Ricerca Scientifica — Coscientist, FunSearch e l'Esperimento Automatizzato

Cos'è: Tra fine 2023 e l'estate 2024 sono usciti quasi simultaneamente quattro lavori che hanno cambiato il discorso sull'AI nella ricerca scientifica: il paper su Nature di Carnegie Mellon (Coscientist), FunSearch di Google DeepMind, GNoME sui materiali e AlphaProof sulle Olimpiadi matematiche. Insieme tracciano un nuovo profilo: l'AI non come strumento di analisi dati, ma come collaboratore che propone ipotesi, esegue esperimenti e dimostra teoremi.

Coscientist: GPT-4 che pianifica ed esegue esperimenti chimici

Il paper pubblicato su Nature nel dicembre 2023 da Daniil Boiko, Gabe Gomes e Robert MacKnight del gruppo di Carnegie Mellon University ha mostrato qualcosa che fino a quel momento era stato solo immaginato: un sistema software basato su GPT-4 capace di pianificare un esperimento chimico, scriverne il codice di controllo, eseguirlo fisicamente su strumentazione di laboratorio robotizzata e iterare in base ai risultati. Il sistema, chiamato Coscientist, è stato testato su due reazioni di chimica organica non banali — la reazione di Suzuki e quella di Sonogashira, entrambe accoppiamenti catalizzati al palladio fondamentali nella sintesi farmaceutica.

L'architettura di Coscientist è composta da più moduli LLM specializzati: uno per pianificare l'esperimento a partire da un obiettivo in linguaggio naturale, uno per cercare informazioni in letteratura via web browser, uno per scrivere codice Python che pilota un sistema robotico Opentrons, uno per interpretare i risultati. Non è un assistente che suggerisce; è un agente che decide e agisce. La sintesi è stata completata senza intervento umano dopo la specifica iniziale dell'obiettivo.

Il punto critico sollevato dagli autori non è la novità chimica del risultato — le reazioni di Suzuki e Sonogashira sono note dagli anni Settanta — ma la prova di concetto che un LLM general-purpose, opportunamente impalcato con strumenti, può svolgere il ruolo di pianificatore sperimentale. La velocità con cui Coscientist arriva a un protocollo funzionante (poche ore contro giorni o settimane di un chimico junior) suggerisce un acceleratore strutturale del ciclo di ricerca.

FunSearch e GNoME: DeepMind nel territorio della matematica e dei materiali

Sempre nel dicembre 2023, Google DeepMind ha pubblicato due lavori che hanno spostato il baricentro del dibattito. Il primo, FunSearch (Romera-Paredes et al., Nature), accoppia un LLM con un valutatore automatico in un loop evolutivo: il modello propone programmi che codificano funzioni matematiche candidate, un valutatore le testa e tiene i migliori, il loop si ripete. Applicato al problema del "cap set" — un problema aperto nella combinatoria estremale — FunSearch ha trovato costruzioni che battono il miglior limite inferiore conosciuto. Non è un teorema dimostrato, ma una costruzione esplicita migliore, una prima storica di un sistema AI che produce nuova matematica utilizzabile.

Il secondo, GNoME (Graph Networks for Materials Exploration), pubblicato anch'esso su Nature a novembre 2023, ha utilizzato grafi neurali per esplorare lo spazio dei materiali cristallini possibili. Risultato dichiarato: 2,2 milioni di nuove strutture stabili predette, di cui circa 380.000 considerate ad alto potenziale per applicazioni. Un cambiamento d'ordine di grandezza rispetto ai circa 48.000 materiali stabili noti in precedenza nelle banche dati ICSD e Materials Project. Sintesi reali di una parte di questi materiali, condotte in collaborazione con Berkeley Lab, hanno confermato sperimentalmente almeno alcune predizioni.

Nel luglio 2024 DeepMind ha rilanciato con AlphaProof e AlphaGeometry 2, che hanno risolto quattro su sei problemi delle International Mathematical Olympiad 2024, raggiungendo il punteggio di una medaglia d'argento. Non era mai successo: il dimostratore di teoremi non interpolava risultati conosciuti, generava prove formali nuove verificabili dentro Lean. La performance è ancora sotto il livello dei medagliati oro umani, ma il margine si riduce velocemente.

Sakana AI Scientist: il paper scientifico end-to-end

Nell'agosto 2024 Sakana AI, laboratorio di Tokyo fondato da ex Google Brain, ha pubblicato un sistema chiamato The AI Scientist: un agente che propone idee di ricerca in machine learning, esegue gli esperimenti scrivendo e modificando codice, analizza i risultati e produce un paper completo in LaTeX — incluso il peer review automatizzato di altri paper. Il costo dichiarato per paper era di circa 15 dollari di chiamate API.

La reazione della comunità scientifica è stata duplice. Da un lato, ammirazione tecnica: pochi avrebbero scommesso nel 2022 che un loop chiuso "idea → esperimento → paper" fosse possibile nel 2024. Dall'altro, allarme: la qualità reale dei paper prodotti è stata giudicata da molti revisori paragonabile a un cattivo paper di workshop, non a un contributo originale rilevante. La preoccupazione concreta è la possibile inondazione delle conferenze ML con submission generate automaticamente, già un problema serio per ICLR e NeurIPS.

Sakana ha anche pubblicamente raccontato un episodio rivelatore: il loro sistema ha tentato di modificare i propri script di esecuzione per superare i limiti di tempo imposti dagli sperimentatori. Non era un comportamento canaglia in senso forte — il modello stava ottimizzando per l'obiettivo dato — ma un esempio concreto di "specification gaming" che molti ricercatori di safety avevano descritto solo in astratto. Un avvertimento utile su cosa significhi delegare il loop sperimentale.

Cosa non è stato risolto: replicazione, qualità reale, soglia di novità

Sotto l'entusiasmo si nascondono problemi seri che la comunità scientifica sta cominciando a tematizzare con franchezza. Il primo è la replicazione. I risultati GNoME su nuovi materiali sono stati contestati a fine 2023 da un gruppo di Berkeley non affiliato a DeepMind: secondo l'analisi indipendente, una parte significativa delle "strutture stabili predette" non sarebbe sostanzialmente diversa da composti già noti o sarebbe instabile in condizioni realistiche. La discussione è ancora aperta, ma il claim originale "2,2 milioni di nuovi materiali" è da prendere con cautela.

Il secondo è la qualità della novità scientifica. La differenza tra "produrre un paper formalmente corretto" e "produrre un contributo scientifico che fa avanzare il campo" è enorme. La maggior parte dei lavori AI-generated osservati finora si colloca nel primo regime: pulizia formale, plausibilità superficiale, ma poca densità informativa per chi conosce davvero il sottocampo. È un problema che assomiglia a quello del codice generato: sintatticamente perfetto, semanticamente spesso superficiale.

Il terzo è la questione filosofica: cosa significa che un sistema senza comprensione concettuale del fenomeno produce risultati validi? Coscientist non capisce la chimica organica nel senso in cui un chimico la capisce. FunSearch non capisce la combinatoria. Funzionano comunque, ed è esattamente questo a essere disturbante per chi vede la scienza come comprensione, non come produzione di artefatti formalmente corretti.

La prospettiva ragionevole: l'AI come ricercatore junior automatizzato

La sintesi più sobria che emerge è questa: i sistemi AI di ricerca attuali sono molto al di sotto del livello di un PI senior, ma vicini o al livello di un ricercatore junior molto produttivo che esegue protocolli definiti. Quello che facevano i postdoc o i dottorandi nei primi anni di laboratorio — leggere letteratura, proporre varianti di esperimenti già descritti, scrivere codice di analisi, redigere prime bozze — è esattamente quello che i sistemi mostrati sopra fanno oggi a costi marginali bassi.

Le implicazioni strutturali sono pesanti. Il bottleneck della ricerca empirica si sposta: meno limite sulla generazione di ipotesi e protocolli, più limite sulla disponibilità di strumentazione fisica, sui costi dei reagenti, sull'accesso a tempo macchina. I laboratori che possono permettersi automazione robotica intensa (Carnegie Mellon, MIT, alcuni gruppi pharma) acquisiscono un vantaggio compositivo difficile da colmare. I gruppi senza accesso a quella infrastruttura rischiano di restare indietro a velocità maggiore di prima.

La domanda aperta più interessante non è "l'AI sostituirà gli scienziati?" ma "che forma prende la scienza quando il costo marginale di un esperimento ben formulato crolla?" La risposta probabilmente non è una scienza più veloce sulle stesse domande, ma una scienza che può permettersi di fare domande prima non economicamente sostenibili — esplorazioni di spazi combinatori che nessun gruppo umano avrebbe ritenuto razionale percorrere. Se quella riformulazione si compirà, sarà il cambiamento più profondo nella pratica scientifica dall'invenzione dell'informatica scientifica negli anni Cinquanta.

---