Un’intelligenza artificiale capace non soltanto di analizzare dati scientifici, ma di individuare una domanda di ricerca, formulare un’ipotesi, progettare l’esperimento necessario per verificarla e interpretarne i risultati. È il sistema sviluppato alla Chalmers University of Technology di Göteborg, dove i ricercatori hanno integrato modelli di intelligenza artificiale con Eve, una piattaforma robotica già utilizzata per automatizzare esperimenti biologici.
Il risultato è uno scienziato AI inserito in un laboratorio a ciclo chiuso, nel quale l’esito di ogni esperimento diventa la base per decidere che cosa indagare successivamente. La ricerca, pubblicata sul Journal of the Royal Society Interface, è stata condotta utilizzando Saccharomyces cerevisiae, il comune lievito di birra e uno degli organismi modello più importanti della biologia. Il sistema ha ricevuto informazioni scientifiche sul genoma, sul metabolismo e sugli studi precedenti relativi al lievito, utilizzandole per individuare questioni biologiche interessanti e costruire esperimenti in grado di produrre nuove evidenze.
L’obiettivo non è affidare indiscriminatamente la ricerca alle macchine. La prospettiva riguarda piuttosto l’automazione di una parte sempre più ampia del metodo scientifico, soprattutto quando il numero di dati, variabili e possibili esperimenti supera ciò che un gruppo di ricercatori può esplorare manualmente.
Che cos’è uno scienziato AI?
Indice dei contenuti
L’espressione “scienziato AI” indica un sistema progettato per svolgere in maniera integrata diverse attività normalmente presenti nel processo di ricerca. Non si limita quindi a cercare informazioni nella letteratura scientifica o a elaborare statisticamente dati già raccolti.
Il principio è quello di riprodurre un ciclo fondamentale della ricerca: partire dalle conoscenze disponibili, individuare un problema, formulare una possibile spiegazione, stabilire quale esperimento possa metterla alla prova e utilizzare il risultato ottenuto per aggiornare ciò che si sa.
Nel sistema sviluppato a Chalmers, l’intelligenza artificiale dispone di conoscenze scientifiche sul lievito e può ragionare su queste informazioni per selezionare questioni biologiche promettenti. Una volta costruita un’ipotesi, individua gli esperimenti utili per verificarla e utilizza il laboratorio robotizzato per ottenere dati reali. I risultati rientrano poi nel sistema e vengono utilizzati per valutare l’ipotesi e orientare le decisioni successive.
La differenza rispetto a molte applicazioni dell’AI alla scienza sta proprio nell’integrazione. Un algoritmo può già analizzare immagini, prevedere la struttura di una proteina o individuare correlazioni all’interno di grandi database. In questo caso, invece, diversi strumenti vengono collegati per partecipare allo stesso ciclo di scoperta.
Come funziona lo scienziato AI insieme al robot Eve?
Il sistema può essere immaginato come l’integrazione di una componente cognitiva e una sperimentale. L’AI gestisce conoscenza, ragionamento, formulazione delle ipotesi e interpretazione, mentre Eve consente di trasferire parte di questo processo dal computer al laboratorio fisico.
Eve non è un robot umanoide che si muove tra provette e microscopi come uno scienziato. È una piattaforma di automazione di laboratorio progettata per eseguire esperimenti in maniera standardizzata e ripetibile. Ross King, oggi professore di Data Science and AI a Chalmers, lavora da molti anni sull’idea dei “Robot Scientists”. Il suo gruppo aveva precedentemente sviluppato Adam, considerato uno dei primi sistemi capaci di generare autonomamente conoscenza attraverso cicli di sperimentazione, e successivamente Eve, progettata in particolare per la ricerca di farmaci.
La novità della ricerca più recente consiste nell’aver combinato questa infrastruttura sperimentale con strumenti contemporanei di intelligenza artificiale, compresi grandi modelli linguistici e sistemi di ragionamento automatizzato. L’AI può così utilizzare un patrimonio di conoscenze molto più ampio e trasformarlo in domande sperimentalmente verificabili.
Il passaggio decisivo avviene dopo l’esperimento. Il risultato non viene semplicemente consegnato a un ricercatore umano, ma torna al sistema informatico, che lo confronta con l’ipotesi iniziale e aggiorna il proprio quadro delle conoscenze.
Perché viene definito un laboratorio a ciclo chiuso?
Un laboratorio a ciclo chiuso, o closed-loop laboratory, collega direttamente la progettazione dell’esperimento, la sua esecuzione e l’analisi dei risultati. La conclusione di un test diventa quindi l’inizio del ciclo successivo.
Nella ricerca tradizionale questi passaggi sono normalmente separati da un’intensa attività umana. Lo scienziato consulta la letteratura, interpreta ciò che è già noto, decide quale domanda affrontare, progetta l’esperimento, raccoglie i risultati e stabilisce come procedere. L’automazione di laboratorio ha già velocizzato molte singole operazioni, ma lascia spesso all’uomo la gestione del percorso complessivo.
Il closed loop cerca invece di collegare le diverse fasi. Se un risultato contraddice la previsione, il sistema può tenerne conto nel ragionamento successivo; se la conferma, può individuare un’altra domanda utile per approfondire il fenomeno. È questa capacità di adattare gli esperimenti alle informazioni appena ottenute che distingue un laboratorio autonomo da una semplice catena automatizzata di test già programmati.
Perché i ricercatori hanno scelto il lievito?
Saccharomyces cerevisiae è un organismo unicellulare, ma appartiene agli eucarioti e condivide con le cellule umane numerosi meccanismi biologici fondamentali. Per questa ragione viene utilizzato da decenni per studiare metabolismo, genetica, ciclo cellulare e molte altre funzioni.
La sua apparente semplicità non significa che la sua biologia sia completamente conosciuta. Il genoma contiene circa 6.000 regioni codificanti e, nonostante decenni di ricerca, centinaia rimangono ancora insufficientemente caratterizzate. Un altro lavoro del gruppo pubblicato nel 2026 indica circa 880 open reading frames ancora privi di una caratterizzazione funzionale completa.
Il problema diventa ancora più complesso quando non si osservano i singoli geni isolatamente, ma le loro interazioni. Proteine, metaboliti, geni e segnali cellulari formano reti nelle quali una modificazione può produrre conseguenze in molti punti differenti.
È precisamente il tipo di complessità nel quale l’automazione può offrire un vantaggio. Un sistema informatico può confrontare molte più combinazioni di dati e ipotesi rispetto a quelle che un ricercatore potrebbe valutare manualmente nello stesso intervallo di tempo.
Il lievito rappresenta quindi un banco di prova ideale: abbastanza semplice da permettere una sperimentazione automatizzata su larga scala, ma biologicamente abbastanza complesso da porre problemi scientifici reali.
Lo scienziato AI può fare davvero nuove scoperte?
La questione è più complessa della capacità di generare una risposta plausibile. Nella scienza non basta formulare un’ipotesi interessante: occorre produrre evidenze sperimentali capaci di sostenerla o confutarla.
Proprio questo è uno degli aspetti centrali del progetto di Chalmers. Il sistema non viene valutato soltanto sulla qualità linguistica delle ipotesi generate, ma sulla possibilità di trasformarle in esperimenti e confrontarle con dati provenienti dal mondo reale.
In uno studio parallelo del gruppo, per esempio, i Robot Scientists sono stati impiegati per indagare YGR067C, una regione poco caratterizzata del genoma di Saccharomyces cerevisiae. I ricercatori hanno formulato l’ipotesi che fosse coinvolta nella regolazione della respirazione durante la transizione metabolica nota come diauxic shift e hanno utilizzato Eve per produrre dati sperimentali, compresi dati di trascrittomica e metabolomica. L’eliminazione del gene ha mostrato modificazioni in processi respiratori e metabolici compatibili con un suo possibile ruolo regolatorio.
È questo collegamento con la verifica sperimentale a rendere particolarmente interessante il concetto di AI scientist. L’intelligenza artificiale non produce soltanto testo scientificamente plausibile, ma viene inserita in un sistema nel quale le proprie affermazioni possono essere confrontate con esperimenti fisici.
Quale ruolo hanno i grandi modelli linguistici?
I grandi modelli linguistici hanno ampliato notevolmente la capacità delle macchine di lavorare con la conoscenza espressa nel linguaggio umano. La letteratura scientifica, però, rappresenta un ambiente molto più difficile di una normale conversazione.
Un’affermazione scientifica deve essere collegata alle prove disponibili, mentre un’ipotesi deve rispettare ciò che è già noto e produrre conseguenze verificabili. Un modello linguistico utilizzato da solo può invece generare informazioni errate, riferimenti inesistenti o ragionamenti apparentemente convincenti ma privi di una base sperimentale.
Per questo l’approccio sviluppato dal gruppo di Chalmers non consiste semplicemente nel chiedere a un LLM di inventare una ricerca. Il sistema combina modelli linguistici, conoscenza scientifica strutturata e ragionamento automatizzato, collegandoli poi alla sperimentazione reale. La pubblicazione parla infatti di “agentic AI integrated with scientific knowledge”, sottolineando proprio la necessità di ancorare l’agente AI a conoscenze e strumenti scientifici.
Il laboratorio diventa inoltre un meccanismo di controllo particolarmente potente. Un’ipotesi generata dall’intelligenza artificiale non acquista valore perché appare credibile, ma perché può essere sottoposta a un test e confrontata con ciò che accade realmente.
Uno scienziato AI potrebbe accelerare la ricerca sui farmaci?
La scoperta di nuovi farmaci è uno degli ambiti nei quali i laboratori autonomi potrebbero avere maggiore impatto. Lo sviluppo di una molecola richiede infatti l’esplorazione di enormi spazi di possibilità, seguita da numerosi esperimenti per restringere progressivamente il numero dei candidati.
Eve era stata sviluppata proprio pensando al drug discovery e in precedenti ricerche era stata utilizzata per individuare potenziali nuovi impieghi di molecole già esistenti contro malattie tropicali.
L’AI può contribuire a decidere quali ipotesi meritino di essere testate per prime, evitando almeno in teoria una parte degli esperimenti meno informativi. L’automazione consente poi di eseguire test in maniera standardizzata, mentre i risultati possono essere immediatamente reinseriti nel modello per orientare la fase successiva.
Il vantaggio potenziale non consiste soltanto nella velocità. Un sistema capace di documentare in maniera strutturata ogni ipotesi, esperimento e risultato potrebbe migliorare anche tracciabilità e riproducibilità, due aspetti centrali della ricerca scientifica.
Dal lievito alla scoperta di un farmaco utilizzabile nell’uomo, tuttavia, la distanza resta enorme. Sicurezza, tossicologia, sperimentazione preclinica e trial clinici richiedono livelli di verifica che non possono essere sostituiti dal laboratorio automatizzato.
Quali altri settori potrebbero utilizzare laboratori autonomi?
La biologia dei sistemi rappresenta un’applicazione particolarmente adatta perché genera grandi quantità di dati e studia reti di interazioni estremamente complesse. Il principio del laboratorio a ciclo chiuso, però, non è limitato alla biologia.
Sistemi analoghi vengono sviluppati anche in chimica e nella ricerca sui materiali, dove l’AI può proporre nuove composizioni, indicare quali sintetizzare e utilizzare i risultati sperimentali per affinare le previsioni successive. Una review del 2026 sull’automazione della scoperta scientifica descrive infatti un’evoluzione che parte dai sistemi capaci di individuare equazioni e arriva agli autonomous discovery systems collegati direttamente a laboratori e strumenti scientifici.
La caratteristica comune è l’enorme spazio delle possibilità. Quando esistono migliaia o milioni di combinazioni potenzialmente interessanti, testarle tutte è impossibile. Diventa quindi essenziale scegliere l’esperimento che può fornire la maggiore quantità di informazione utile per decidere il passaggio successivo.
In questa prospettiva l’AI non serve soltanto a fare più esperimenti, ma a selezionarli meglio.
Lo scienziato AI può sostituire i ricercatori?
La ricerca di Chalmers non dimostra che un’intelligenza artificiale possa sostituire uno scienziato in tutte le sue funzioni. Dimostra che una parte consistente di un ciclo sperimentale ben definito può essere automatizzata quando il sistema dispone delle conoscenze, degli strumenti e dell’infrastruttura necessari.
Gli stessi ricercatori distinguono chiaramente questi due concetti. Gli esseri umani rimangono necessari per stabilire le priorità scientifiche, valutare il significato più ampio di una scoperta e garantire la supervisione etica.
Esistono inoltre decisioni che precedono il lavoro dell’AI. Quale problema merita investimenti? Quali rischi sono accettabili? Quale risultato è clinicamente o socialmente rilevante? Una macchina può ottimizzare una ricerca rispetto a obiettivi stabiliti, ma quegli obiettivi devono essere scelti e valutati all’interno di un contesto umano.
Anche la costruzione del laboratorio autonomo richiede un enorme lavoro scientifico. Bisogna selezionare e organizzare le conoscenze, stabilire quali esperimenti siano disponibili, progettare l’automazione, controllare gli strumenti e definire criteri con cui interpretare i risultati.
Per questo è più corretto parlare di redistribuzione del lavoro scientifico che di sostituzione dello scienziato.
Quanto è davvero autonomo uno scienziato AI?
La parola “autonomo” può generare un equivoco. Non significa che il sistema possa entrare liberamente in qualsiasi settore scientifico, scegliere un problema e risolverlo senza infrastrutture preparate dagli esseri umani.
L’autonomia riguarda il ciclo operativo all’interno di un dominio delimitato.
Una recente analisi firmata anche da ricercatori di Chalmers sottolinea che gli attuali sistemi a ciclo chiuso non sono ancora completamente autonomi: gli esseri umani intervengono nella selezione dei dati, nella configurazione dei modelli, nell’interpretazione e nella decisione su che cosa costituisca una spiegazione scientificamente soddisfacente.
Anche la letteratura sull’automated scientific discovery propone diversi livelli di autonomia, in maniera analoga a quanto avviene per la guida autonoma. Il livello massimo corrisponderebbe a un sistema capace di produrre conoscenza scientifica senza intervento umano durante l’intero processo. Gli attuali AI scientist non hanno ancora raggiunto questa condizione generale.
La novità sta piuttosto nel fatto che aumenta progressivamente il numero di passaggi che possono essere concatenati senza richiedere una decisione umana dopo ogni singolo esperimento.
Quali sono i limiti e i rischi della ricerca scientifica automatizzata?
La capacità di eseguire esperimenti rapidamente non garantisce automaticamente una scienza migliore. Un sistema può esplorare con grande efficienza uno spazio di ricerca mal definito, utilizzare dati distorti o ottimizzare un parametro che non coincide con la domanda scientificamente più importante.
La qualità della conoscenza di partenza rimane quindi fondamentale. Lo stesso vale per la capacità di distinguere una correlazione da una relazione causale e per la scelta degli esperimenti realmente informativi.
Esiste poi il problema dell’interpretabilità. Un’AI potrebbe individuare strategie sperimentali molto efficaci attraverso ragionamenti difficili da ricostruire completamente per un essere umano. La questione diventa particolarmente delicata quando la ricerca riguarda medicina, biotecnologie o altri ambiti con conseguenze dirette sulle persone. Una review sul futuro della ricerca scientifica a ciclo chiuso sottolinea proprio il rischio di arrivare a sistemi dei quali gli scienziati utilizzano le strategie perché producono buoni risultati, pur comprendendone sempre meno il percorso interno.
A questi aspetti si aggiungono biosicurezza, responsabilità, trasparenza e controllo degli obiettivi. Più un laboratorio diventa autonomo, più devono essere solidi i vincoli entro i quali può operare.
Perché lo scienziato AI può cambiare il metodo di ricerca?
L’aspetto più interessante del progetto di Chalmers non è che un’intelligenza artificiale sappia formulare un’ipotesi scientifica. Sistemi informatici capaci di generare ipotesi e automatizzare parti della ricerca esistono da anni, e lo stesso gruppo di Ross King lavora sui Robot Scientists da oltre due decenni. Già Adam era stato sviluppato per formulare ipotesi, scegliere esperimenti, eseguirli e interpretarne i risultati.
Il cambiamento riguarda la convergenza di tecnologie che nel frattempo sono diventate molto più potenti. Grandi modelli linguistici, sistemi agentici, basi di conoscenza strutturate, ragionamento automatico e robotica di laboratorio possono essere integrati in un’unica infrastruttura.
Questo rende possibile affrontare una delle difficoltà crescenti della ricerca contemporanea: la quantità di conoscenza disponibile è diventata troppo grande perché una singola persona possa dominarla interamente. In biologia, inoltre, il numero delle interazioni possibili tra geni, proteine, metaboliti e condizioni ambientali cresce rapidamente.
Uno scienziato AI può esplorare questo spazio con modalità differenti dall’uomo, mantenendo memoria delle prove già raccolte e scegliendo nuovi esperimenti sulla base dei risultati precedenti.
La prospettiva indicata dai ricercatori non è quindi un laboratorio senza scienziati, ma una ricerca nella quale uomini e sistemi autonomi svolgono compiti complementari. Le macchine possono assumere una parte del lavoro di esplorazione sistematica e ripetitiva, mentre agli scienziati resta il compito di stabilire quali domande meritino davvero di essere poste, comprendere che cosa significhino le risposte e decidere come utilizzare le conoscenze prodotte.