L’AI entra nei laboratori. E la scienza potrebbe scoprire più di quanto riesca a comprendere

L'intelligenza artificiale sta producendo dimostrazioni matematiche originali, la cui correttezza può essere controllata mediante regole formali, senza che i matematici debbano idearne ogni passaggio. Nelle scienze sperimentali sembrava sopravvivere un ostacolo più resistente, perché un'ipotesi sul funzionamento di una cellula diventa conoscenza soltanto quando viene confrontata con campioni e misure. Ora anche questo lavoro comincia a essere affidato alle AI, con conseguenze potenzialmente persino più profonde.

L'automazione è presente da decenni nei laboratori e già nel 2009 il robot-scienziato Adam formulava e verificava ipotesi sulla genetica del lievito (https://www.science.org/doi/10.1126/science.1165620). Gli strumenti tradizionali eseguono però protocolli prestabiliti: quando un risultato suggerisce di cambiare esperimento, uno scienziato deve interpretarlo, progettare la nuova prova e impartire istruzioni ai diversi apparecchi.

Il lavoro pubblicato il 4 novembre su Nature da Mingyu Wu e colleghi della Shanghai Jiao Tong University mostra come questa separazione possa essere superata (https://www.nature.com/articles/s41586-026-11228-6). AutoDNA rende accessibili agli agenti di AI le funzioni di oltre venti tipi di strumenti, combinabili secondo necessità. Ricevuto un obiettivo in linguaggio ordinario, gli agenti preparano i protocolli, istruiscono le macchine e adattano il lavoro ai risultati. Il salto è rendere il laboratorio programmabile dall'AI, che costruisce e modifica la sequenza di operazioni mentre lavora, collegando una misura alla scelta della prova successiva.

Gli autori hanno chiesto al sistema di ottimizzare la sintesi enzimatica del DNA, che consiste nell'aggiungere una base alla volta per costruire una sequenza. AutoDNA ha eseguito cicli successivi, modificando le condizioni sulla base delle rese osservate fino al 97,8 per cento per passaggio, contro il 92,7 per cento ottenuto nel confronto con un algoritmo statistico convenzionale; ha inoltre coordinato quattro protocolli in parallelo, con un'esecuzione 3,2 volte più rapida rispetto alla sequenza. Ha trasformato un messaggio in 78 frammenti di DNA, li ha sintetizzati e sequenziati, recuperando il testo senza errori dopo 11.382 operazioni in circa otto giorni e mezzo. Partendo infine da un campione tumorale preparato, ha individuato una mutazione già nota del gene KRAS e progettato e sintetizzato i reagenti per verificarla sperimentalmente: il risultato della prima analisi ha determinato le operazioni della seconda.

AutoDNA non ha scoperto nuovi fatti biologici e ha lavorato su obiettivi umani, con strumenti predisposti; ha richiesto rifornimenti e manutenzione, risolvendo da solo otto dei quattordici guasti registrati. Ha però dimostrato un pezzo fondamentale del circuito che ancora manca: un'AI capace di elaborare ipotesi scientifiche potrebbe servirsi di un simile laboratorio per scegliere le prove che discriminano fra spiegazioni concorrenti, leggere le misure e rivedere autonomamente le proprie ipotesi. Il ricercatore non sarebbe più necessario a ogni passaggio, pur restando essenziali la manutenzione e il controllo della qualità.

Se questi sistemi dovessero diffondersi, e vi sono ragioni economiche per pensare che accadrà, la loro convenienza non dipenderebbe soltanto dalla riduzione del lavoro manuale: strumenti costosi potrebbero essere impiegati più a lungo e condivisi fra molti gruppi, mentre la scelta automatica degli esperimenti ridurrebbe i tentativi inutili e renderebbe praticabile l'esplorazione di combinazioni oggi troppo numerose. L'investimento iniziale resterebbe elevato, ma una piattaforma molto utilizzata potrebbe ridurre il costo di ogni nuova ricerca, accelerando ulteriormente l'adozione.

La conseguenza più importante riguarda tuttavia il rapporto fra ciò che sappiamo far funzionare e ciò che comprendiamo. Immaginiamo che una piattaforma trovi una combinazione di molecole capace di arrestare la crescita di un tumore e che l'effetto venga confermato da prove indipendenti, fino agli studi clinici. Potremmo disporre di un farmaco efficace pur non sapendo ricostruire la successione di relazioni molecolari da cui dipende il beneficio. La medicina conosce trattamenti la cui efficacia ha preceduto la comprensione del meccanismo; la novità sarebbe rendere sistematico questo divario, producendo risultati utilizzabili più rapidamente di quanto riusciamo a spiegarli.

Questa distanza avrebbe conseguenze pratiche. Se non comprendiamo a sufficienza perché un trattamento funziona, diventa più difficile prevedere in quali pazienti fallirà, quali interazioni avrà con altri farmaci e quali effetti tardivi potrà produrre; occorreranno allora verifiche sperimentali specifiche, anziché deduzioni fondate su un meccanismo ben compreso. Un algoritmo potrebbe inoltre trovare una soluzione sfruttando regolarità particolari dei campioni o delle misure, che cessano di valere quando cambiano le condizioni. La riproducibilità dell'effetto e la possibilità di trasferirlo a contesti nuovi diventerebbero questioni centrali, tanto più se gli esperimenti successivi fossero scelti da un altro sistema automatico.

Anche il significato stesso della conoscenza scientifica rischierebbe di modificarsi. Per un matematico, una dimostrazione generata dall'AI può restare difficile da capire e tuttavia essere controllata formalmente; in biologia nessun verificatore universale può stabilire da solo se un campione era rappresentativo o uno strumento calibrato correttamente. La credibilità di una scoperta richiederebbe accesso ai dati originali e alle decisioni sperimentali, oltre alla ripetizione delle prove con metodi indipendenti. Anche accertato l'effetto, occorrerebbe ricavarne una spiegazione che si possa mettere alla prova e usare per prevedere fatti nuovi. Un resoconto plausibile del percorso seguito dall'AI non garantirebbe che quella spiegazione sia corretta.

Cambierebbe anche il lavoro degli scienziati, che avrebbero meno occasioni di conoscere un fenomeno attraverso la progettazione e l'esecuzione personale di ogni esperimento e dovrebbero dedicare più attenzione alla scelta delle domande, alla verifica delle procedure e all'interpretazione dei risultati. Se i dati superassero la capacità umana di esaminarli, i singoli articoli non basterebbero più a organizzare la conoscenza: servirebbero archivi verificabili e strumenti indipendenti per interrogare le scoperte. Anche l'addestramento degli scienziati dovrebbe preservare la capacità critica necessaria a giudicare risultati che nessuno di loro ha prodotto direttamente.

Gli autori parlano di "scienza come servizio", accessibile anche a chi non possiede un laboratorio; il modello potrebbe però concentrare le capacità di ricerca presso pochi operatori, che deciderebbero quali domande esplorare e chi può controllare le risposte. La verifica indipendente richiederebbe quindi accesso ai dati grezzi e la possibilità di replicare le prove fuori dalla piattaforma che le ha condotte, mentre le regole sulla proprietà dei risultati dovrebbero evitare che il funzionamento di una terapia diventasse conoscenza riservata al proprietario del sistema che l'ha scoperta.

AutoDNA non rappresenta ancora una scienza capace di scoprire autonomamente nuovi fatti biologici, ma rende credibile il collegamento fra AI che formulano ipotesi e macchine che le sottopongono alla prova del mondo fisico. Se la convenienza ne favorirà la diffusione, potremmo conoscere un numero crescente di fenomeni attraverso i loro effetti, mentre la comprensione dei meccanismi resterà indietro. La sfida sarà allora costruire una scienza in cui la velocità delle macchine non sottragga agli esseri umani la possibilità di verificare e comprendere quanto le macchine hanno scoperto, senza finire in un processo ricorsivo, in cui ad altre macchine è chiesto di interpretare per gli umani ciò che le macchine hanno scoperto e sperimentato.