Scienza e IA: esperti chiedono ragionamento, non solo grandi dati

Gli autori chiedono agenti che modellano il processo umano di ricerca: senza capacità di ragionare, l’IA scientifica si ferma alla previsione¹.

L’arrivo dell’IA ha riacceso l’idea di una scienza “accelerata”. Ma la tesi è netta: i modelli addestrati su grandi raccolte di dati riconoscono schemi. Non formulano domande nuove¹.

Il caso AlphaFold ha fissato l’aspettativa. La rete neurale di DeepMind predice la struttura tridimensionale delle proteine imparando da molte forme determinate sperimentalmente. Un problema che ha resistito per decenni è diventato affrontabile con metodi statistici su larga scala¹. Da qui l’ipotesi di replicare la ricetta in altre discipline.

Demis Hassabis ha definito AlphaFold “il modello per come l’IA può accelerare tutta la scienza alla velocità digitale”. È seguita un’ondata di startup che costruiscono foundation model per biologia e chimica¹. L’assunto è lineare: più dati e pattern, uguale più scoperte.

L’articolo mette un freno a questa scorciatoia. Predire non equivale a scoprire. La scienza procede per ipotesi controllabili, esperimenti mirati, revisioni quando i risultati smentiscono l’idea iniziale. Per questo gli autori chiedono agenti che “modellano il processo umano di ricerca”, non sistemi che comprimono informazione preesistente¹.

AlphaFold mostra un successo circoscritto: ha imparato da molte strutture note e ha prodotto previsioni utili¹. Ma passare dalla previsione alla generazione di conoscenza richiede strumenti che rappresentano strategie, non solo correlazioni. La prossima ondata non sarà fatta solo di modelli addestrati su grandi corpus, ma di agenti capaci di pianificare passi, verificare risultati, correggersi lungo il percorso¹.

Gli autori propongono un criterio operativo. Un agente utile non si limita a stimare un output. Scompone il problema in sotto-obiettivi. Sceglie l’esperimento successivo in base agli esiti parziali. Decide quali misure riducono più in fretta l’incertezza. Aggiorna l’ipotesi quando i dati la mettono in crisi. E documenta il processo, così che altri possano controllarlo e ripeterlo¹.

Il richiamo storico serve solo a tarare le aspettative: ogni volta che sembra “tutto scoperto”, la pratica della ricerca smentisce la narrativa della fine¹. Il punto, qui, non è negare il valore dei dati, ma intrecciarli con procedure d’indagine che guidano l’attenzione e orientano le scelte.

Che cosa dovrebbe fare, allora, un agente ben progettato? In un laboratorio, riceve una domanda precisa. Ad esempio: distinguere tra due ipotesi che spiegano un segnale osservato. Consulta i risultati raccolti fin lì. Calcola quale misura può separare meglio le ipotesi. Pianifica un esperimento a basso costo informativo. Esegue o fa eseguire la prova. Confronta l’esito con le previsioni. Se l’ipotesi regge, propone il passo successivo. Se cade, ne formula una nuova coerente con i dati. In ogni fase registra scelte, parametri, condizioni. Così accelera non il ritmo delle previsioni, ma la catena che porta a una scoperta verificabile¹.