AI nella scienza: la mappa degli strumenti per la ricerca - Agenda Digitale

L’AI promette di introdurre novità, aumentando l’impatto e la produttività complessiva della ricerca scientifica, in primo luogo nei settori dove abbondano dati e modelli. Claude Science in Beta, Co-Scientist di Google e Mythos 5 stanno apportando un salto di qualità nel ruolo e nell’influenza dell’AI nella scienza.Tuttavia l’intelligenza artificiale imprime un’accelerazione che comporta anche rischi che spaziano dal ridimensionamento dei temi oggetto di studio alla dipendenza dalle Big Tech, fino alle crescenti tensioni geopolitiche.Secondo Roberta Pascazio, nano-chimica con PostDoc all’Università di Berkeley, “l’intelligenza artificiale sta cambiando profondamente il modo in cui si fa ricerca”, ma “allo stesso tempo, l’AI è uno strumento che va guidato”.In. particolare, “una delle frontiere più promettenti dell’AI-assisted imaging riguarda l’integrazione tra intelligenza artificiale e tecniche di imaging label-free per la diagnostica patologica”, commenta Ranieri Bizzarri, biofisico e professore di biochimica dell’Università di Pisa.Indice degli argomenti

L’AI nella scienza: a che punto siamoIl contributo dell’AI nella matematicaL’intelligenza artificiale nelle scienze naturaliL’AI nella chimica e nelle scienze dei materialiI traguardi dell’AI nella scienzaL’addio al modello verticaleCo-ScientistAI: i risultati in cifre nella scienza oggiClaude Science: Anthropic spinge la ricerca scientificaUn esempioI punti di forza di Claude ScienceLe differenze con i concorrentiGli obiettivi e limiti dell’AI nella ricerca scientificaAllucinazioni ed altri limitiArchitetture ibride per la verità scientificaI vantaggi dell’AI nella scienzaIl caso: la diagnosi istopatologicaL’AI come assistente o come vero scienziato: il dilemmaFra algoritmo e potere scientificoL’AI nella scienza: a che punto siamoNel 2026 l’AI ha iniziato a ridefinire il suo ruolo nella ricerca scientifica, passando da semplice strumento di analisi a innovativo, seppur emergente, motore di scoperta scientifica autonoma.Stiamo assistendo a progressi importanti nella scoperta di farmaci e nell’ampliamento dei laboratori virtuali.Anche Google considera Deepmind epicentro e centro nevralgico della prossima rivoluzione scientifica globale.Già ricoprì il ruolo cardine della scoperta della struttura tridimensionale delle proteine, sconquassando il mondo della biologia molecolare, rimasto inchiodato per decenni su ricerche che richiedevano investimenti immensi in macchinari per la cristallografia a raggi X (per determinare la struttura tridimensionale di molecole e materiali su scala atomica) ed anni di trial and errors in laboratorio, mentre l’algoritmo di Deepmind, cuore pulsante di questa rivoluzione, risolveva il dilemma nell’arco di pochi minuti o persino secondi.Il contributo dell’AI nella matematicaDa tempo First Proof sta esaminando le capacità dei modelli linguistici di grandi dimensioni (LLM) per provare a fornire un contributo alla matematica di livello scientifico. L’AI ha per esempio risolto alcuni problemi, pur commettendo alcuni errori.L’intelligenza artificiale nelle scienze naturaliDall’Artificial Intelligence Index Report 2026 di Stanford emerge il ruolo dell’intelligenza artificiale nella scienza, in particolare in biologia e scienze naturali. Le pubblicazioni nelle scienze naturali che citano l’IA hanno registrato un enorme incremento: attualmente la proporzione si posizione fra il 6% e il 9% in ogni singolo campo delle scienze naturali, anche se questo dato va contestualizzato in maniera corretta. Infatti, da un lato, gli scienziati hanno abbracciato l’era dell’AI, ma ancora non sappiamo se “pubblicare ricerche che menzionano l’IA non significa necessariamente fare scienza migliore grazie all’IA”, come ci ha spiegato in un’intervista per AgendaDigitale.eu Stefano Epifani, Presidente della Fondazione per la Sostenibilità Digitale.L’AI nella chimica e nelle scienze dei materialiMa l’applicazione dell’intelligenza artificiale alle scienze dei materiali costituisce una svolta e un’avventura entusiasmante, come ci ha raccontato Roberta Pascazio, illustrando su AgendaDigitale.eu che l’opportunità dell’esplorazione di milioni di combinazioni atomiche permette l’individuazione di nuovi materiali in tempi velocissime, spalancando “scenari impensabili fino a pochi anni fa” nella chimica.“Nel mio ambito, che combina informatica e scienza dei materiali“, continua PRoberta ascazio, l’AI è molto più efficace per gli aspetti informatici che per quelli di fisica e matematica, anche perché dispone di molti più esempi (molti codici sono open source e facilmente reperibili) rispetto alla letteratura specialistica, che spesso non è liberamente accessibile”.“C’è inoltre un motivo più curioso: i modelli linguistici, in realtà, non ‘sanno contare’. Non eseguono un ragionamento matematico, ma prevedono la soluzione ‘più plausibile’ del calcolo. Per questo motivo è più affidabile chiedere all’AI di scrivere uno script che faccia i calcoli,che fidarsi del risultato numerico fornito direttamente“, mette in guardia Roberta Pascazio.I traguardi dell’AI nella scienzaDa scommessa visionaria, AlphaFold è diventata il catalizzatore della biologia odierna, permettendo di effettuare la mappa della galassia proteica nota e aprendo così le porte alla medicina personalizzata, dalle cure su misura alla scoperta di nuovi antibiotici per il contrasto dei batteri super-resistenti, fino a creare enzimi in grado di degradare la plastica che soffoca gli oceani.“Dal punto di vista computazionale, cioè dell’informatica e della programmazione, è uno strumento estremamente potente: permette di automatizzare attività ripetitive o molto lunghe, facilitando la scrittura di codici e aumentando la produttività in modo impensabile fino a qualche anno fa”, sottolinea Roberta Pascazio.A giugno Google ha svelato Gemini for Science, uno strumento per oltrepassare la logica di AlphaFold, come strumento iper-specialistico, destinato all’applicazione a un problema puntuale e isolato, per adottare invece i modelli scientifici universali, in grado di incrociare chimica, scienza dei materiali, fisica e climatologia.In occasione di Google I/O 2026, la società di Alphabet ha raccolto una gamma di strumenti sperimentali, ideati per imprimere un’accelerazione in alcune fasi del metodo scientifico, dalla produzione di ipotesi alla scoperta computazionale, sfruttando Co-Scientist, AlphaEvolve, Empirical Research Assistance e NotebookLM.L’addio al modello verticaleL’AI nella scienza si sta muovendo dal modello verticale singolo a una catena di agenti, database e tool di verifica.Il ricercatore non pone più solo prompt a un sistema che fornisce una risposta, ma riesce a costruire un ciclo di lavoro dove l’algoritmo avanza ipotesi, le mette a confronto con la letteratura scientifica, tende a rielaborarle, trasformandole in progetti di sperimentazione da sottoporre alla verifica umana. L’AI dunque è sempre più trasversale nella scienza.Co-ScientistGoogle DeepMind ha pubblicato Co-Scientist su Nature nel maggio 2026, definendolo sistema multi-agente fondato su Gemini.Vanta un’architettura che suddivide il lavoro fra agenti sviluppati per generare idee, raggrupparle per prossimità, criticandole come si fa in una revisione fra pari, classificandole in una “gara di idee”, per consentir loro l’evoluzione fino a una proposta di ricerca.L’aspetto che pattira maggiorù interesse non riguarda l’automazione della generazione delle ipotesi, quanto invece il focus sulla verificabilità. Infatti Google DeepMind afferma che una parte rilevante del calcolo del sistema si dedica al monitoraggio delle ipotesi rispetto alla letteratura e ai dati, anche grazie a risorse ad hoc come ChEMBL e UniProt.DeepMind menziona sperimentazioni riguardanti la resistenza antimicrobica, l’immunità delle piante, la fibrosi epatica e i meccanismi dell’invecchiamento.Inoltre, in fase di drug repurposing per la fibrosi epatica, nei test di laboratorio, Co-Scientist è riuscito a identificare un candidato capace di bloccare il 91% di una risposta legata alla cicatrizzazione.AI: i risultati in cifre nella scienza oggiCon più di 2 milioni di pubblicazioni correlate all’AI nel 2023 (il 13% dell’output nello studio di Research Policy), l’AI esce dal recinto dell’informatica e dei rari laboratori sperimentali, per fare il suo ingresso nella scienza tout-court.In oltre due terzi dei campi, i lavori associati all’AI appaiono fra le pubblicazioni con maggior impatto scientifico (top cited), offrendo soprattutto un contributo nei picchi di impatto.Climatologia, astronomia, bioinformatica, fisica medica, geodesia e radiologia figurano fra i campi più inclini all’adozione dell’AI, perché immagini, simulazioni, dati e modelli occupano già una posizione centrale.Invece in taluni campi biomedicali e di ingegneria di processo, risulta debole o negativa l’associazione fra AI e novità o impatto positivo nella scienza. L’AI automatizza funziona, ma non riesce a spostare la frontiera concettuale.Infine, la ricerca AI-augmented può generare un aumento dell’impatto individuale e ridimensionare il ventaglio collettivo dei temi studiati.Claude Science: Anthropic spinge la ricerca scientificaAnthropic ha rilasciato in beta Claude Science, ambiente capace di integrare strumenti di laboratorio, gestendo il calcolo su cluster HPC o GPU on demand per restare sull’infrastruttura del ricercatore, e generando output riproducibili.In confronto con Co-Scientist di Google, la società dei fratelli Amodei apre due strade diverse per la ricerca scientifica, sebbene la biologia di frontiera rimanga nell’alveo di Mythos 5.Con questo strumento, Anthropic punta a risolvere il problema della frammentazione, offrendo invece un ambiente che rimpiazza il collage di strumenti.Un esempioUn ricercatore, impegnato nell’analisi di dati genomici o proteomici , si muove continuamente fra strunenti con logiche incompatibili, scriverndo pipeline ad hoc per ogni formato di file, rincorrendo risultati che poi stenta a riprodurre nei mesi successivi.Claude Science invece pone al centro un agente coordinatore generalista, che vanta l’accesso ad oltre 60 skill e connettori già configurati per genomica, biologia strutturale, proteomica, cheminformatica e single cell.L’agente AI è in grado di produrne altri, dialogando con agenti specialistici realizzati dagli utenti, ed affiancandosi a un reviewer agent che può controllare citazioni e calcoli, inviando segnalazioni e apportando correzioni agli errori, via via che si palesano.I punti di forza di Claude ScienceI vantaggi che offre Claude Science sono diversi. Innanzitutto, il calcolo che rimane sul laboratorio invece che nel cloud di Anthropic (dataset sensibili o di grandi dimensioni non abbandonano mai i sistemi su cui già si trovano).Inoltre, è già configurato per biologia, chimica computazionale, genomica, conb il supporto di oltre 60 database scientifici.Le differenze con i concorrentiGoogle e OpenAI competono sullo stesso terreno, con strade differenti. Il confronto più diretto è da fare con Co-Scientist di Google DeepMind, ora dentro Gemini for Science, sistema multi-agente fondato su Gemini per generare, criticare, classificare e permettere l’evoluzione di ipotesi scientifiche grazie a un “torneo” fra idee concorrenti, ispirandosi alle dinamiche di AlphaGo.Mentre Co-Scientist mira a generare e vagliare ipotesi, sul versante Google Cloud, Claude Science scommette sulla possibilità di eseguire l’intero ciclo, spaziando dall’analizzare dati al manoscritto pronto per pubblicarlo, rimanendo sull’infrastruttura del laboratorio.OpenAI gioca invece un altro campionato scientifico, proponendo una deep research, per sintetizzare fonti web in report analitici senza però gestire calcolo, ambienti riproducibili o pipeline di laboratorio.Infine, Anthropic ha un altro asso nella manica dopo il debutto di Fable 5 e Mythos 5, dove la biologia svolge un ruolo di primo piano, però da un’altra angolazione.Infatti Mythos 5, la versione priva delle protezioni di Fable, si è distinta per la rapidità di scoperta di farmaci circa dieci volte superiore, la capacità di eguagliare o perfino superare ricercatori esperti in ambito di protein design, generando candidati promettenti per 9 target su 14 testati, e svolgendo ricerca genomica in gran parte autonoma su milioni di cellule appartenenti a 138 specie animali.Cifre che testimoniano un salto di capacità.Gli obiettivi e limiti dell’AI nella ricerca scientificaL’AI rappresenta la chiave di volta per affermare o mantenere la supremazia geopolitica ed economica del XXI secolo. Chi controlla gli algoritmi scientifici più evoluti, detiene il controllo della capacità di depositare brevetti dei farmaci del futuro, di sviluppare i materiali semiconduttori per alimentare il quantum computing (con cui decifrare la crittografia) e di implementare le tecnologie necessarie per la transizione energetica, dalle batterie di ultima generazione ai sistemi per la fusione nucleare, se mai riusciremo a conseguire questo ambizioso traguardo che regalerebbe l’indipendenza energetica a chi riuscirà a raggiungere l’uso commerciale dei metodi principali di confinamento per tenere sospeso il plasma.L’AI può effettuare l’analisi della sterminata letteratura scientifica prodotta dall’intera umanità, fin dall’invenzione della stampa ad oggi, incrociando i dati di centinaia di migliaia di esperimenti falliti e proponendo ipotesi di lavoro contro-intuitive, che un ricercatore – che legge qualche centinaio di paper scientifici all’anno, ricorda un numero limitato di formule e studia alcune formule chimiche in tutta la sua carriera – non avrebbe mai saputo intuire perché celate sotto ingenti moli di dati.Ma l’hype e la fascinazione della Silicon Valley per la produttività dell’AI nella scienza si scontrano con lo zoccolo duro della realtà: la complessità e il rigore del metodo scientifico, a partire dalla verifica.Infatti “l’AI è uno strumento che va guidato”, conferma Roberta Pascazio: “Per esempio, scrivere un programma richiede di capire come impostare il problema, di indicare dove cercare i dati da usare, di strutturare il codice e (soprattutto) di validare i risultati ottenuti. Spesso l’AI produce codice ridondante o non del tutto funzionante, e richiede buona conoscenza dei codici di partenza per trovare eventuali errori”.Allucinazioni ed altri limitiL’allucinazione, che in una chat è rumore di fondo o perfino una bizzarria, nel campo della scienza è semplicemente inammissibile. Non è creatività algoritmica, ma un errore microscopico che, per esempio, nella previsione della stabilità molecolare in ambito farmaceutico. può avere come esito un composto tossico o del tutto inefficace.Lo sforzo ingegneristico di Google DeepMind non risiede nell’incremento della forza bruta, nella potenza dei modelli, bensì nella creazione di sistemi di controllo, verifica e validazione incrociata. Architetture ibride per la verità scientificaOccorre realizzare architetture ibride, in cui le proposte del modello probabilistico passino al vaglio immediato e alle verifiche da parte di modelli deterministici basati sulle rigorose e solide leggi della fisica e della chimica. Modelli che si pongono da diga alle allucinazioni e difendono la verità scientifica, eliminando, alla radice, ogni intuizione che non sottostia ai principi della termodinamica o della conservazione dell’energia.Dunque, è necessario separare in modo chiaro fra generazione, controllo, decisione scientifica e responsabilità finale, impendendo la delega della validazione al modello che ha generato l’ipotesi.I vantaggi dell’AI nella scienzaL’AI sta rivestendo il ruolo di traduttore universale e connettore di idee. Per esempio, è in grado di trasferire una scoperta dal campo dell’astrofisica a quello della biologia, per comprendere la circolazione del sangue nei capillari, applicando una soluzione matematica per analizzare immagini stellari a un problema di fluidodinamica nel corpo umano.Secondo lo studio studio di Research Policy, dal titolo “AI in science: When and where it makes a difference”, questo vantaggio si amplifica in alcuni settori. L’AI sembra essere più produttiva nell’ambito della conoscenza “ruvida”, cioè frammentata, dove le combinazioni possibili sono tante e complesse da trattare unicamente con la specializzazione umana. In questi spazi conoscitivi, la macchina permette di unire i puntini, collegando tasselli apparentemente distanti, aiutando a provare accoppiamenti non banali e ad abbassare il costo cognitivo della ricerca interdisciplinare.Invece, nei settori più codificati, caratterizzati da protocolli standardizzati e traiettorie sperimentali stabili e convalidate, l’AI può aumentare l’efficienza senza introdurre novità. Dunque, l’adozione dell’AI non genera automaticamente scoperte, ma ha un impatto che dipende dal campo scientifico di applicazione, dalla qualità dei dati, dalla maturità degli strumenti e dalla capacità di integrare il nuovo metodo.Il caso: la diagnosi istopatologica“La diagnosi istopatologica rappresenta uno strumento essenziale per l’identificazione delle malattie, la definizione delle strategie terapeutiche e lavalutazione della prognosi. Tuttavia, nonostante i notevoli progressidella patologia digitale, la pratica clinica si basa ancoraprevalentemente sull’analisi di sezioni tissutali colorate medianteprocedure chimiche che richiedono tempi di preparazione significativie un notevole intervento manuale”, spiega Ranieri Bizzarri.“Le tecniche di microimaging label-free offrono una possibile alternativa a questo paradigma, consentendo di acquisire informazioni strutturali e funzionali direttamente dai tessuti biologici senza l’utilizzo di marcatori o colorazioni”, continua Ranieri Bizzarri: “Queste metodologie permettono di ottenere immagini ad alta risoluzione e non distruttive, in grado di evidenziare caratteristiche morfologiche e biomarcatori rilevanti per la diagnosi”.Nonostante il loro enorme potenziale, la complessità della strumentazione e la natura multidimensionale dei dati prodotti ne hanno finora limitato l’adozione clinica su larga scala. “In questo contesto”, secondo Ranieri Bizzarri, “l’intelligenza artificiale, e in particolare gli approcci basati sul deep learning, può svolgere un ruolo determinante. Gli algoritmi di AI sono infatti in grado di estrarre automaticamente informazioni diagnostiche da dataset complessi, riducendo il carico di lavoro degli operatori e facilitando l’interpretazione dei dati”.“L’unione tra imaging label-free e AI potrebbe quindi aprire la strada a una nuova generazione di strumenti diagnostici più rapidi, automatizzati e meno invasivi, contribuendo a rendere la patologia del futuro più efficiente, quantitativa e accessibile”, conclude Ranieri Bizzarri.L’AI come assistente o come vero scienziato: il dilemmaLa scommessa di Google e delle Big Tech è stabilire il ruolo dell’AI nella scienza: se continuerà ad essere un assistente, seppur raffinato, in grado di replicare, combinare ed estrapolare schemi e pattern già scoperti dall’umanità, o se in futuro saprà spiccare quel volo pindarico, quel salto autonomo, capace di fare la storia, imprimendo cambi paradigmatici, momenti di rottura rivoluzionari, andando non contro il metodo, ma almeno contro tutto ciò che era considerato consolidato e verificato, fino a quel momento, come Galileo e Newton quando infrangono i dogmi del sistema tolemaico ed Einstein e Max Planck irrompono con le loro rispettive teorie (della relatività e della quantistica) nella fisica contemporanea.Oggi sta cambiando la figura stessa dello scienziato-ricercatore. Nessuno pensa a rimpiazzare l’essere umano (secondo distopie semplicistiche della fantascienza), ma di affiancarlo con un partner computazionale equipaggiato con una capacità di calcolo e una memoria enciclopedica da far impallidire Pico della Mirandola e inimmaginabile per la memoria umana.Infine, storicamente in Europa, la scienza di base è da sempre un’attività di matrice pubblica, legata ai grandi istituti universitari, ai centri di ricerca statali e a consorzi internazionali finanziati dalle tasse dei cittadini.Negli Usa, invece, le università private, fabbriche di Nobel, hanno sempre interloquito con aziende private, anche se poi Internet nasce dal mondo militare e anche nell’America capitalista i finanziamenti pubblici hanno giocato un loro importante ruolo.Fra algoritmo e potere scientificoMa nell’era dell’AI, cresce ovunque la concentrazione del potere scientifico nelle mani di pochissime aziende private dotate dell’infrastruttura di calcolo, dotata di migliaia di chip che lavorano in parallelo per mesi dentro imponenti data center, con monumentali consumi energetici e di acqua, paragonabili soltanto a quelli di intere città. Nessuna università al mondo dispone della liquidità necessaria per acquisire e mantenere un’infrastruttura di calcolo che crea una dipendenza strutturale della scienza dai giganti tecnologici privati. Con tutte le implicazioni etiche e politiche derivanti da questo intreccio.Senza infrastrutture pubbliche e accesso condiviso ai dati, l’AI scientifica corre il rischio di tradursi in una funzione dei bilanci cloud delle Big Tech, che un giorno potrebbero non commercializzare un farmaco o curare una malattia rara se il frutto della scoperta dell’AI applicata alla scienza non dovesse concretizzarsi in una proposta economicamente vantaggiosa.Ma questi sono i dilemmi per gli Oppenheimer e gli scienziati di oggi. Quesiti a cui solo gli scienziati umani possono offrire risposte, facendo leva sulla responsabilità del loro ruolo nella società.“L’AI resta uno strumento utile come supporto al ragionamento, per esempio per discutere ipotesi e interpretazioni plausibili di un risultato. Non può però essere un sostituto del ricercatore: anche nella scrittura scientifica, per esempio, può aiutare a riorganizzare un testo o a correggerne la forma, ma un articolo scritto principalmente dall’AI tende ad avere uno stile molto uniforme e ad ‘appiattire’ i concetti, perdendo l’innovazione e la complessità tipiche della scrittura scientifica“, conclude Roberta Pascazio, suggerendo una risposta al nostro quesito. Nonostante i progressi, l’AI è da utilizzare come un validissimo assistente, ma non come un vero scienziato.