John Platt parla di ERA: usare l’IA dove c’è uno “score”

John Platt presenta Empirical Research Assistance (ERA) di Google: un metodo per applicare l’IA a qualsiasi problema scientifico che si possa esprimere come punteggio misurabile¹.

Il curriculum è concreto. Un Oscar. Due algoritmi entrati nei manuali. Due asteroidi che portano il suo nome. Un numero Erdos–Bacon pari a 6¹. Da qui parte una conversazione che intreccia scienza e ingegneria, con esempi pratici e storie di laboratorio¹.

Dave Bacon lo punzecchia: “sempre vent’anni in anticipo” sul prossimo tema grande. Gli esempi citati nell’intervista includono reti neurali convoluzionali (qualcuno gli attribuisce l’invenzione del termine), ricerca sulla fusione e calcolo quantistico¹. Il filo che unisce questi ambiti è l’arrivo precoce su frontiere che maturano nel tempo, spesso molto tempo¹.

Platt e Google dichiarano un impegno di oltre un decennio su problemi difficili attraverso IA e calcolo¹. Da questo lavoro è nata l’attenzione a ERA: puntare a risolvere con l’IA tutti i problemi scientifici formalizzabili come “score”¹. L’osservazione di fondo è emersa sul campo: molte sfide condividono una struttura valutabile con una funzione di punteggio¹.

La promessa non è una ricetta unica. Se puoi scrivere il problema come punteggio, puoi allestire un’assistenza empirica e sistematica. Decidi cosa misurare. Fai guidare le scelte dalla misura. Inserisci l’IA dove la metrica governa l’ottimizzazione¹.

Il tema tocca applicazioni dirette. Platt discute come l’IA possa aiutare nella lotta al cambiamento climatico. In questo contesto contano obiettivi chiari e metriche affidabili almeno quanto i modelli. La logica operativa è definita: far lavorare gli algoritmi dove il risultato si quantifica e si confronta, migliorando passo a passo¹.

C’è uno sguardo retrospettivo sulla coevoluzione tra scienza e IA. Non cambiano soltanto i modelli. Cambia anche il modo di porre le domande scientifiche, alla luce di ciò che l’ottimizzazione e il calcolo rendono possibile¹. La traiettoria personale di Platt, tra accademia e industria, fa da cornice a questa impostazione e ne mostra la continuità nel tempo¹.

In gioco c’è la costruzione di pratiche di ricerca fondate sulla misurabilità. ERA entra qui. Non promette soluzioni universali. Indica piuttosto dove l’IA può operare con efficacia perché esiste uno “score” scritto in chiaro¹. Dentro quel perimetro l’ambizione è ampia: trasformare problemi difficili in problemi valutabili, poi affrontarli con metodi computazionali ripetibili¹.

Un dettaglio operativo chiude il cerchio: formalizzare presto la funzione di punteggio non serve solo a misurare i risultati. Guida quali dati raccogliere, quali esperimenti correre e quando fermarsi. È il punto in cui l’assistenza “empirica” diventa pratica quotidiana di ricerca¹.