L’intelligenza artificiale non è più soltanto uno strumento: sta diventando un nuovo partner della ricerca scientifica
Per secoli la scienza è avanzata grazie alla combinazione di osservazione, intuizione e metodo sperimentale. Newton osservò il movimento dei corpi celesti e formulò la legge della gravitazione universale; Darwin raccolse migliaia di osservazioni per elaborare la teoria dell’evoluzione; Einstein trasformò esperimenti e riflessioni teoriche in una nuova visione dello spazio e del tempo.
Oggi, nel XXI secolo, sta emergendo un nuovo protagonista nel processo della conoscenza: l’intelligenza artificiale.
Non si tratta soltanto di computer più veloci o di programmi capaci di analizzare enormi quantità di dati. L’IA sta modificando il modo stesso con cui gli scienziati formulano ipotesi, progettano esperimenti, interpretano risultati e individuano nuove relazioni nascoste nei dati.
La domanda non è più se l’intelligenza artificiale entrerà nella scienza, ma quanto profondamente la trasformerà.
Dalla calcolatrice scientifica all’IA che scopre nuove conoscenze
La scienza moderna produce quantità di dati impossibili da analizzare manualmente.
Un telescopio astronomico può generare milioni di immagini ogni notte; gli acceleratori di particelle producono miliardi di eventi; i sequenziatori genetici permettono di leggere interi genomi in tempi rapidissimi; i sistemi climatici raccolgono informazioni da oceani, satelliti e sensori distribuiti in tutto il pianeta.
L’approccio tradizionale prevedeva che gli esseri umani formulassero una teoria e utilizzassero i dati per verificarla.
L’intelligenza artificiale introduce un nuovo paradigma: gli algoritmi possono individuare pattern nascosti che nessun ricercatore avrebbe necessariamente immaginato.
In altre parole, l’IA non si limita più a rispondere alle domande degli scienziati: in alcuni casi sta contribuendo a crearne di nuove.
AlphaFold: quando l’intelligenza artificiale risolve un problema biologico di 50 anni
Uno degli esempi più rivoluzionari riguarda la biologia molecolare.
Le proteine sono molecole fondamentali per la vita: svolgono funzioni essenziali nelle cellule e il loro comportamento dipende dalla loro struttura tridimensionale.
Per decenni gli scienziati hanno cercato di risolvere il cosiddetto protein folding problem, cioè prevedere come una sequenza di amminoacidi si ripiega nello spazio formando una struttura funzionale.
Nel 2020 il sistema di intelligenza artificiale AlphaFold, sviluppato da DeepMind, ha raggiunto risultati paragonabili ai metodi sperimentali tradizionali nella previsione della struttura delle proteine.
La ricerca pubblicata sulla rivista Nature ha rappresentato una svolta storica.
AlphaFold ha permesso di prevedere milioni di strutture proteiche, accelerando enormemente la ricerca farmacologica, lo studio delle malattie genetiche e la progettazione di nuovi farmaci.
Secondo molti esperti, questo risultato rappresenta uno dei più importanti contributi dell’intelligenza artificiale alla biologia moderna.
L’IA accelera la scoperta di nuovi farmaci
Lo sviluppo di un farmaco può richiedere oltre dieci anni e miliardi di euro di investimenti.
Tradizionalmente i ricercatori devono testare migliaia o milioni di molecole per individuare quelle più promettenti.
L’intelligenza artificiale può analizzare enormi database chimici, prevedere quali molecole potrebbero interagire con determinati bersagli biologici e ridurre drasticamente il numero di esperimenti necessari.
Un esempio è rappresentato dai sistemi di machine learning applicati alla drug discovery, che stanno permettendo di identificare nuovi candidati terapeutici contro tumori, malattie neurodegenerative e infezioni.
La ricerca pubblicata su Nature Biotechnology ha mostrato come algoritmi di apprendimento automatico possano essere utilizzati per progettare nuove molecole con proprietà farmacologiche specifiche.
Non significa che l’IA sostituirà i chimici o i biologi: piuttosto, diventerà un acceleratore della loro creatività.
L’intelligenza artificiale entra nella fisica
Anche la fisica sta vivendo una trasformazione profonda.
Nei grandi esperimenti come quelli condotti al CERN, gli algoritmi di intelligenza artificiale vengono utilizzati per analizzare enormi quantità di dati prodotti dagli acceleratori di particelle.
Il bosone di Higgs, individuato nel 2012 grazie agli esperimenti ATLAS e CMS, è stato cercato analizzando quantità gigantesche di informazioni: tecniche di machine learning sono state fondamentali per distinguere segnali debolissimi dal rumore di fondo.
Ma il ruolo dell’IA potrebbe andare ancora oltre.
Alcuni ricercatori stanno sviluppando sistemi capaci di formulare modelli fisici autonomamente.
Nel 2009 un gruppo di ricerca guidato da Hod Lipson e Michael Schmidt pubblicò sulla rivista Science un esperimento in cui un algoritmo riuscì a riscoprire autonomamente alcune leggi fisiche fondamentali partendo soltanto dai dati sperimentali.
Il sistema, chiamato Eureka Machine, ricostruì equazioni note senza che fossero state inserite manualmente.
Era un primo esempio di una possibile “scienza automatizzata”.
L’IA e la scoperta di nuove leggi della natura
Una delle prospettive più affascinanti riguarda la possibilità che l’intelligenza artificiale possa individuare fenomeni completamente nuovi.
Gli esseri umani sono limitati dalla propria capacità cognitiva: possiamo analizzare soltanto un certo numero di variabili contemporaneamente.
Un algoritmo, invece, può confrontare milioni di possibilità e trovare correlazioni invisibili.
Questo non significa che l’IA “capisca” la natura come un essere umano.
Gli algoritmi attuali sono principalmente sistemi matematici capaci di riconoscere strutture nei dati.
La grande sfida futura sarà sviluppare una intelligenza artificiale scientifica interpretabile, capace non solo di prevedere risultati ma anche di spiegare perché quei risultati siano veri.
Il nuovo scienziato: umano più macchina
Sta emergendo un nuovo modello di ricerca: il cosiddetto AI scientist, lo scienziato aumentato dall’intelligenza artificiale.
Il ricercatore del futuro potrebbe utilizzare sistemi capaci di:
- leggere milioni di pubblicazioni scientifiche;
- suggerire nuove ipotesi;
- progettare esperimenti;
- analizzare risultati;
- individuare errori;
- proporre nuove direzioni di ricerca.
Nel 2023 un gruppo di ricercatori ha pubblicato su Nature Machine Intelligence una riflessione sul ruolo dei modelli linguistici avanzati nella ricerca scientifica, evidenziando sia le opportunità sia i rischi.
L’intelligenza artificiale potrebbe diventare una sorta di “assistente scientifico universale”.
I rischi: quando l’IA sbaglia o inventa
La rivoluzione dell’intelligenza artificiale porta con sé anche problemi importanti.
Uno dei principali riguarda le cosiddette allucinazioni dell’IA: sistemi capaci di generare informazioni apparentemente corrette ma scientificamente false.
Nella ricerca questo rappresenta un rischio particolarmente delicato.
Una pubblicazione scientifica deve essere verificabile, riproducibile e basata su dati reali.
Per questo molte riviste scientifiche stanno introducendo regole sull’utilizzo dell’intelligenza artificiale nella scrittura degli articoli e nell’analisi dei dati.
Un altro tema riguarda la trasparenza.
Se un algoritmo propone una nuova molecola o una nuova teoria fisica, gli scienziati devono poter comprendere il percorso logico che ha portato a quel risultato.
La scienza non è soltanto previsione: è anche comprensione.
L’intelligenza artificiale cambierà il metodo scientifico?
Probabilmente sì.
La storia della scienza è anche la storia degli strumenti che hanno ampliato le capacità umane.
Il telescopio ha permesso di vedere mondi lontani; il microscopio ha rivelato l’esistenza delle cellule; il computer ha consentito simulazioni impossibili da realizzare con carta e penna.
L’intelligenza artificiale rappresenta un nuovo strumento cognitivo.
Non sostituirà la curiosità, l’intuizione e il giudizio degli scienziati, ma potrebbe amplificarli.
La prossima grande scoperta scientifica potrebbe nascere dalla collaborazione tra una mente umana e una macchina intelligente.
Forse il futuro della scienza non sarà umano contro macchina.
Sarà umano insieme alla macchina.
Fonti scientifiche peer reviewed
- Jumper J. et al. (2021)
“Highly accurate protein structure prediction with AlphaFold”
Nature, 596, 583–589.
DOI: 10.1038/s41586-021-03819-2 - Schmidt M., Lipson H. (2009)
“Distilling Free-Form Natural Laws from Experimental Data”
Science, 324(5923), 81–85.
DOI: 10.1126/science.1165893 - Stokes J.M. et al. (2020)
“A Deep Learning Approach to Antibiotic Discovery”
Cell, 180(4), 688–702.e13.
DOI: 10.1016/j.cell.2020.01.021 - Vamathevan J. et al. (2019)
“Applications of machine learning in drug discovery and development”
Nature Reviews Drug Discovery, 18, 463–477.
DOI: 10.1038/s41573-019-0024-5 - Carleo G. et al. (2019)
“Machine learning and the physical sciences”
Reviews of Modern Physics, 91, 045002.
DOI: 10.1103/RevModPhys.91.045002 - Boiko D.A., MacKnight R., Gomes G. (2023)
“Autonomous chemical research with large language models”
Nature Machine Intelligence, 5, 1063–1074.
DOI: 10.1038/s42256-023-00708-7 - Nature Editorial (2023)
“ChatGPT: five priorities for research”
Nature, 614, 224.
Comments