La storia della scienza è costellata di continue scoperte, ma il modo in cui queste avvengono è mutato radicalmente nel tempo. Dai processi di ideazione empirici, guidati dall’intuito e talvolta fortuiti, siamo passati a metodologie strutturate e automatizzate che sfruttano la potenza delle tecnologie. Quale sarà il prossimo passo di questa evoluzione nell’era dell’IA? E quali saranno le sue implicazioni?
Fra tradizioni e alambicchi
Prendiamo come esempio la ricerca farmacologica. Per gran parte della sua storia, la medicina ha preso ispirazione dalle conoscenze empiriche e dalle tradizioni popolari. Curatori e medici di un tempo sperimentavano decotti di erbe, cortecce, radici e minerali, osservandone di volta in volta gli effetti sull’organismo umano. Le idee si tramandavano di generazione in generazione e ciò che funzionava veniva conservato sotto forma di ricette. Un esempio emblematico è l’uso della corteccia di china, introdotta in Europa nel XVII secolo dai missionari gesuiti. Proveniente dall’albero della cinchona, originario delle Ande, era già nota alle popolazioni locali per le sue proprietà curative. I missionari europei appresero il suo utilizzo e la diffusero nel Vecchio Continente, dove si rivelò efficace contro la malaria. Analogamente, molte altre piante, come la digitale purpurea, usata per trattare malattie cardiache, e l’oppio, base di numerosi analgesici, hanno fornito principi attivi fondamentali per diverse terapie, confermando il valore della farmacognosia in un’epoca in cui la scienza non era ancora in grado di creare nuove sostanze farmacologiche.
Il ruolo della serendipità nelle scoperte scientifiche
Un altro pilastro delle scoperte nella farmacologia tradizionale è stata la serendipità: la scoperta fortuita mentre si cercava tutt’altro. È leggendario l’aneddoto su Alexander Fleming, che notò come una coltura batterica contaminata da una muffa del genere Penicillium notatum presentasse zone prive di batteri. Si trattava della penicillina, il primo antibiotico della storia moderna, frutto di un’osservazione casuale. Benché tali scoperte fossero accidentali, la curiosità scientifica giocò un ruolo determinante: gli scienziati che intuivano l’importanza di certe osservazioni fortuite iniziarono a lavorare per approfondirle, aprendo nuove strade alla ricerca e alla medicina.
Il ruolo dell’insight nelle scoperte scientifiche
L’intuizione personale dello scienziato è appunto un altro ingrediente cruciale della scoperta farmacologica. Il termine insight in questo contesto viene usato per indicare proprio quel momento di comprensione improvvisa in cui una soluzione complessa diventa chiara. Questo tipo di intuizione combina conoscenze pregresse e osservazioni accumulate, rendendo possibile collegare elementi apparentemente scollegati. Un esempio celebre è quello di Paul Ehrlich che, già insignito del premio Nobel nel 1908, propose la teoria dei “proiettili magici”, gettando le basi per la moderna farmacologia. Secondo questa teoria, era possibile progettare sostanze chimiche in grado di colpire in modo selettivo agenti patogeni specifici senza danneggiare le cellule sane dell’organismo umano. L’idea di Ehrlich nasceva dall’osservazione che alcune molecole avevano un’affinità chimica particolare per determinate strutture biologiche. Da questa intuizione nacque il Salvarsan, uno dei primi farmaci sintetici, ideato per curare la sifilide. Il Salvarsan fu il risultato di un lavoro sistematico di sintesi e sperimentazione di centinaia di composti chimici, un processo ancora artigianale ma guidato da una chiara strategia scientifica.
Dai metodi empirici all’automazione
La ricerca si basava su piccoli test manuali, condotti spesso su animali o su colture cellulari rudimentali, e su processi di isolamento chimico lenti e laboriosi. Sostanze derivanti da piante o minerali venivano analizzate, purificate e infine somministrate in laboratorio o, talvolta, direttamente all’uomo per valutarne gli effetti. Questo approccio era inevitabilmente lacunoso e limitava la quantità di composti che si potevano esplorare in un tempo ragionevole. Molte sostanze potenzialmente utili non venivano mai prese in considerazione.
La farmacologia contemporanea: l’high-throughput screening
Se entriamo oggi in un laboratorio industriale di ricerca farmacologica troviamo uno scenario completamente diverso. Non ci sono più alambicchi e provette, ma una sinfonia di robot, sistemi computerizzati e schermi luminosi che monitorano costantemente migliaia di esperimenti simultanei.
Il merito è della tecnologia chiamata high-throughput screening, un metodo che permette di passare da un lavoro su piccola scala, fortemente artigianale, a una sorta di “catena di montaggio” della ricerca farmacologica. In questa procedura avanzata, una libreria di migliaia o addirittura centinaia di migliaia di composti chimici viene testata simultaneamente su bersagli biologici predefiniti, come proteine, enzimi o recettori chiave in una determinata malattia. Robot di precisione riempiono migliaia di pozzetti di laboratorio con reagenti e composti, esponendo ciascun composto al bersaglio, mentre lettori ottici misurano parametri come fluorescenza o luminescenza per identificare interazioni promettenti. In breve, al termine di questa procedura, si dispone di un’enorme mole di informazioni, e grazie a sistemi di analisi avanzata, si può determinare quali composti abbiano mostrato un effetto interessante, segnalati come “hit”. Gli “hit” identificati vengono poi studiati più a fondo, migliorandone le caratteristiche fino ai test clinici.
Il ruolo dell’IA nella farmacologia
L’ultima frontiera della ricerca farmacologica è l’utilizzo dell’IA per identificare in silico, prima ancora che in provetta, le proprietà delle molecole: il premio Nobel per la Chimica del 2024 è stato assegnato a Demis Hassabis e John Jumper di Google DeepMind, insieme a David Baker dell’Università di Washington, per i loro contributi pionieristici nella previsione e progettazione delle strutture proteiche con il sistema IA AlphaFold basato su tecnologia Deep Learning: le strutture tridimensionali assunte dalle proteine, estremamente difficili da prevedere a partire dalla sequenza di amminoacidi, determinano anche come le proteine si legheranno ad altre molecole, e quindi i loro effetti terapeutici.
Il passaggio da un approccio fortemente empirico e intuitivo a un metodo industriale e su larga scala, e digitale rappresenta un salto epocale. Ma se la farmacologia ha come oggetto molecole e come strumenti delle provette, altre scienze più immateriali, come la matematica, fino ad oggi non sembrerebbero ancora pronte per un approccio più “industriale” alla scoperta scientifica.
La scoperta scientifica non è solo un insieme di passaggi logici meccanizzabili
Fino ad oggi, infatti, per comprendere a fondo la vera natura della scoperta – che sia un farmaco rivoluzionario o un nuovo teorema matematico – si è ricorsi al concetto di esperienza individuale. Secondo Michael Polanyi, chimico ungherese diventato filosofo, ogni conquista scientifica non si può spiegare soltanto con un insieme di passaggi logici e verificabili.
La conoscenza tacita: anche gli scienziati sanno “più di quanto possono dire”
Alla base c’è la “tacit knowledge”, la conoscenza tacita, che si riferisce a un tipo di sapere implicito e non formalizzabile, acquisito attraverso l’esperienza. È il genere di conoscenza, parallela a quella esplicita (cioè cosciente, esprimibile a parole e modellabile con regole, formule matematiche e logiche) che permette a un artigiano di lavorare abilmente senza poter spiegare ogni dettaglio del proprio processo, ma anche la conoscenza alla base del nostro saper parlare (senza dover necessariamente conoscere le regole della grammatica) e a ragionare (senza sapere le regole della logica), e a uno scienziato di intuire una soluzione basandosi su segnali sottili e difficili da verbalizzare.
Il mistero della scoperta: quando la scienza incontra l’esperienza personale
Nell’ambito delle scoperte scientifiche, questa conoscenza tacita si manifesta come un bagaglio fatto di intuizioni, di esperimenti falliti e di quella “sensibilità per il problema” che si accumula nel tempo. Come un matematico che, dopo settimane di tentativi vani, all’improvviso “sente” che un certo teorema può essere risolto in maniera elegante, così uno scienziato percepisce la via giusta prima ancora di poterla descrivere con formule o dati. Questo “lavoro dietro le quinte”, spiega Polanyi, è un intreccio tra conoscenze esplicite (teorie, risultati già noti) e conoscenze sussidiarie (esperienze pregresse, valutazioni estetiche, familiarità con pattern quasi impercettibili). Nel riconoscere la funzione decisiva di questa “conoscenza personale”, Polanyi rimette al centro il ricercatore, con la sua passione euristica e il suo fiuto per le ipotesi promettenti. L’atto creativo, in quest’ottica, è un mix di rigore e ispirazione, di razionalità e intuizione tacita. Una volta raggiunto l’eureka, subentra la fase di verifica e dimostrazione, che rende il risultato pubblico e condivisibile. Ma la scintilla iniziale, afferma Polanyi, sfugge a qualsiasi ricetta formale e appartiene a un territorio in cui la scienza incontra l’esperienza personale.
Sembrerebbe difficile poter riprodurre questo processo con una macchina, visto che come dice Polanyi, non è riducibile ad una serie di passaggi logici meccanizzabili.
Il ruolo dell’IA generativa
Alla luce dei recenti sviluppi dell’IA generativa, dove all’interazione linguistica si va affiancando sempre di più la capacità di ragionare (si veda il recente annuncio natalizio di ChatGPT o3), dobbiamo porci la domanda su come queste tecnologie potranno avere un impatto sul processo di scoperta scientifica, perché, questi modelli IA, sorprendentemente, sembrano poter andare oltre un pensiero logico puramente meccanico.
Della capacità, imprevista, del Deep Learning – la tecnologia alla base dell’IA generativa – di andare oltre il tradizionale ragionamento logico e analitico ne abbiamo già parlato in diversi articoli su MagIA. Come dimostra ad esempio la capacità di ChatGPT e degli altri Large Language Model (LLM) di imparare a “parlare” senza sapere le regole della grammatica, il Deep Learning sembra in grado di modellare la nostra conoscenza tacita. Analogamente riesce a riconoscere oggetti e volti dalle immagini, capacità della nostra percezione per la quale non esistono neanche modelli computazionali espliciti. Ma la conoscenza tacita è proprio la stessa capacità della nostra mente che Polanyi considera cruciale per il processo di scoperta scientifica.
Ma se un modello di IA generativa è in grado di modellare le nostre capacità tacite che contribuiscono a fare una scoperta scientifica e che vanno oltre la pura logica meccanica, e ha tutta la conoscenza possibile, essendo i LLM stati addestrati su tutti i libri e articoli scientifici sul web, forse può anche essere in grado di fare nuove scoperte scientifiche come gli esseri umani?
Un esperimento mentale: l’high-throughput screening delle idee
Ancora non lo sappiamo, ma certamente intanto può fare una operazione che noi non siamo in grado di fare. Immaginiamo il seguente esperimento mentale: utilizzare l’IA per generare e valutare idee su larga scala. Come l’high-throughput screening permette di analizzare simultaneamente migliaia di sostanze chimiche, l’IA potrà permettere, utilizzando i LLM, di generare in contemporanea una miriade di scenari e soluzioni in maniera più ampia e rapida di quanto un gruppo di ricercatori umani potrebbe fare manualmente, e poi, sempre con i LLM, valutarne automaticamente le conseguenze e la loro utilità per il progresso della scienza. La sfida nel processo di scoperta scientifica è infatti, in un certo senso, simile a quella di trovare la “molecola giusta” in farmacologia: come generare buone idee in modo sistematico e in grande quantità e selezionare le più promettenti.
Cosa succederà al concetto stesso di scoperta se questi modelli verranno sfruttati per costruire una “catena di montaggio” per le scoperte scientifiche? Si potrebbe partire da una richiesta di innovazione o da un problema da risolvere e si invitano gli LLM a generare decine o centinaia di proposte. Ogni proposta, come se fosse un “composto chimico” in una libreria virtuale, può essere analizzata e valutata dagli stessi modelli o da altri software che ne misurano l’utilità, la fattibilità o la coerenza con gli obiettivi prefissati. Sulla base dei risultati, le idee migliori vengono selezionate, modificate e ottimizzate con un ulteriore ciclo di domande e risposte, per formare una cosiddetta “chain of thoughts” (catena di pensieri, per usare la terminologia dei LLM), mentre quelle meno promettenti vengono scartate: proprio come avviene nello screening farmacologico ad alta produttività. Questo approccio offre la possibilità di effettuare un “ideation in parallel”: i sistemi di intelligenza artificiale producono rapidamente molteplici soluzioni, con un’efficienza e una varietà difficilmente raggiungibili da un singolo team di progettazione. La speranza è che tra queste possa emergere l’intuizione vincente, in modo analogo a come, tra migliaia di sostanze testate in laboratorio, si cerca la molecola capace di diventare un farmaco rivoluzionario. E, proprio come nella ricerca farmacologica, non va trascurato l’effetto sorpresa: a volte, una proposta apparentemente non interessante può rivelarsi la più innovativa e risolutiva.
Implicazioni etiche e sociali dell’high-throughput screening delle idee
Se la tecnologia rende possibile creare e selezionare idee per creare nuove scoperte scientifiche su larga scala, dobbiamo interrogarci sulle conseguenze etiche e sociali. Nel mondo della ricerca farmacologica, l’high-throughput screening ha acceso il dibattito sulla brevettabilità dei composti, sulla condivisione dei dati e sui criteri di priorità nella scelta degli obiettivi di ricerca. Nel caso della generazione e valutazione di idee tramite LLM in catena di montaggio, le questioni aperte sono almeno altrettanto complesse. La possibilità di produrre moltissime proposte in brevissimo tempo rischia di trasformare il processo creativo in una corsa contro la creatività umana, esacerbando i problemi legati al copyright. Sia dal lato della brevettabilità (nel nostro esperimento mentale il LLM non ha neanche bisogno di un prompt specifico) che dell’utilizzo di materiale protetto da copyright durante la fase di apprendimento del LLM. Per non parlare del problema della sostenibilità ambientale ed economica nell’utilizzo in batteria di LLM, visti i consumi e costi delle tecnologie attuali. L’uso massiccio di LLM per trovare soluzioni può innescare distorsioni dei contenuti, soprattutto se i set di dati di addestramento rispecchiano bias culturali o informativi. Il rischio è quello di affidarsi a modelli che, sebbene potenti, potrebbero generare idee basate su informazioni incomplete o contenenti pregiudizi impliciti. Sul piano sociale, l’automatizzazione della creatività potrebbe ripercuotersi su intere professioni, imponendo nuovi ruoli di supervisione umana, ma anche suscitando timori di sostituzioni.
Chi fa le domande?
Spesso, in maniera un po’ autoconsolatoria, si usa dire che l’IA non potrà mai sostituire gli esseri umani, se non altro perché solo noi “sappiamo fare le domande”. E soprattutto quelle giuste. Ma nello scenario che abbiamo ipotizzato, un LLM può farsi, se non quelle giuste, di sicuro quasi tutte le domande del mondo, e, da solo, valutare quali di queste portino a risposte utili, e, un giorno forse, a qualche scoperta scientifica.
Per Polanyi, però, la vera domanda che porta un ricercatore verso una scoperta scientifica è il bisogno di soddisfazione per le sue passioni intellettuali. Valutare una scoperta in base alla “probabile utilità per rafforzare il potere pubblico e migliorare il tenore di vita” (“probable utility for strengthening public power and improving the standard of living”) è per Polanyi un’eredità di una visione ancora meccanicistica del mondo.
