Vivodyne presenta HIVE: robot che coltivano tessuto umano per addestrare l'AI

Vivodyne presenta HIVE: moduli robotici che coltivano 20 tipi di tessuto umano, li dosano e li monitorano in autonomia per generare dati biologici causali destinati ai modelli di scoperta farmaci¹.

Secondo l’azienda, i dataset su cui si addestra oggi l’AI del drug discovery provengono per lo più da test su animali, cellule isolate o proteine. Manca ciò che accade su tessuti umani vivi. HIVE punta a produrre quel tipo di evidenza: esperimenti su tessuti umani coltivati, con dosaggio e monitoraggio automatizzati, per osservare come i composti agiscono in condizioni più vicine alla fisiologia umana¹.

Andrei Georgescu, CEO e cofondatore, lo mette così: “In assenza di test umani, cosa faranno questi modelli? Cureranno il cancro nei topi”¹.

Nel fine settimana Dario Amodei, CEO di Anthropic, ha scritto che lo slogan “l’AI curerà il cancro” è diventato un cliché e che “la cosa che funzionerà è in realtà curare il cancro”¹. Dichiarazioni simili hanno segnato il dibattito: Sam Altman ha più volte invocato la cura del cancro per giustificare la corsa di OpenAI verso l’AGI e il buildout di calcolo; Demis Hassabis ha affermato che l’AI potrebbe potenzialmente curare tutte le malattie entro un decennio¹. I risultati finora restano tiepidi¹.

Qui si inserisce la tesi di Vivodyne: senza dati sperimentali su tessuto umano, i modelli restano calibrati su domini che non trasferiscono bene all’uomo. HIVE si propone come fabbrica di dati causali su tessuti umani, pensata per ridurre il divario tra predizioni al banco e risposta clinica¹.

Il dispositivo, per come lo descrive l’azienda, non è un singolo braccio ma un sistema modulare. Coltiva, dosa e monitora in ciclo chiuso. Registra l’effetto dei composti su diversi tipi di tessuto umano. Produce misure che l’AI può usare per apprendere relazioni causa-effetto, non solo correlazioni osservazionali tipiche di dataset disomogenei o derivati da organismi modello¹.

La promessa è ambiziosa, ma la prova resta sperimentale: servono dati che mostrino un salto di qualità nelle fasi che contano per il farmaco. Quali segnali lo dimostrerebbero? Alcuni esempi: validazioni indipendenti su tessuti umani non visti in addestramento; confronti controllati che mostrino un miglioramento significativo delle predizioni su endpoint preclinici rilevanti quando si aggiungono dati HIVE rispetto a baseline consolidate; performance che anticipano correttamente tossicità o efficacia osservate poi in studi clinici precoci. Evidenze di questo tipo renderebbero testabile l’ipotesi che dati causali su tessuto umano cambino la traiettoria dei modelli¹.

Per ora, l’informazione verificabile è circoscritta: HIVE esiste, è modulare, lavora su 20 tipi di tessuto umano e automatizza dosaggio e monitoraggio. L’azienda sostiene che così produrrà i dati che oggi mancano ai modelli per la scoperta di farmaci. Il resto dipende da risultati che, fuori dai comunicati, reggano al confronto con misure e repliche indipendenti¹.