L’AI di Google Deepmind ora pianifica esperimenti, controlla attrezzature e scrive articoli scientifici

L’AI di Google Deepmind, Co-Scientist, ha compiuto un passo significativo nella ricerca scientifica autonomizzata, ora in grado di pianificare esperimenti, controllare attrezzature e scrivere articoli scientifici. Costruito sui modelli Gemini attuali, il sistema ha dimostrato la sua capacità di generare ipotesi, creare piani sperimentali e produrre manoscritti scientifici in tre discipline diverse. I ricercatori di Google Deepmind sottolineano che il workflow a ciclo chiuso, in cui l’AI deriva ipotesi, esegue esperimenti e analizza i risultati, rappresenta un importante avanzamento nella ricerca guidata dall’AI. Nonostante questi progressi, il divario tra un assistente di laboratorio e un ricercatore autonomo rimane ampio, e il sistema richiede ancora un certo grado di supervisione umana.

Autonomia nella ricerca e moduli di verifica

Co-Scientist ha testato la sua capacità di condurre ricerche autonomamente in scienze dei materiali, biologia e informatica. Nelle scienze dei materiali, il sistema ha progettato ricette di sintesi per l’esecuzione umana, riducendo notevolmente il tempo necessario per sviluppare nuovi materiali. Ha anche identificato un percorso più sicuro per un materiale 2D precedentemente prodotto attraverso processi pericolosi. Nella biologia, Co-Scientist ha costruito un pipeline di analisi immagini che ha previsto modelli in colonie di E. coli geneticamente modificate, ottenendo risultati in linea con dati sperimentali non pubblicati in tre su quattro casi. Nell’informatica, il sistema ha creato “Agent_H”, un’architettura AI medica che ha superato modelli di frontiera su benchmark sanitari, sebbene il suo rendimento non fosse pienamente validato da esperti umani.

Reliabilità e tasso di fittizietà

Un problema centrale nella ricerca guidata dall’AI è il rischio di fittizietà. Sistemi precedenti avevano tassi di fittizietà fino al 100%. Co-Scientist affronta questa sfida con moduli di reliabilità che penalizzano contenuti falsificati o plagiati e verificano ogni affermazione numerica contro i risultati effettivi degli esperimenti. In uno studio a doppio cieco, il sistema ha prodotto risultati falsificati in 4 casi su 100 quando i moduli di reliabilità erano attivi, rispetto al 46% senza di essi. Il sistema di confronto ha raggiunto un tasso di fittizietà del 90%, evidenziando l’importanza di tali garanzie. Nonostante i miglioramenti, il sistema tende a una selezione di dati, con alcuni metodi nei suoi articoli che non corrispondono al codice effettivo, secondo il principale autore Samuel Schmidgall.

La ricerca autonomizzata è un settore in forte crescita, ma i sistemi attuali non sono ancora in grado di scoprire nuove conoscenze.

Sebbene i risultati rappresentino un passo avanti verso sistemi AI a ciclo chiuso che si migliorano attraverso il feedback sperimentale, i ricercatori riconoscono che il sistema richiede ancora interventi umani in diversi aspetti. “C’è un lungo viaggio da fare prima che i sistemi AI possano navigare le realtà fisiche della scienza”, scrive Schmidgall. Il team rimane ottimista sul potenziale dei modelli linguistici di grandi dimensioni per accelerare il progresso scientifico reale, sebbene i problemi di affidabilità e generalizzazione persistano. OpenAI, a sua volta, ha annunciato di voler presentare un sistema di agenti AI in autunno in grado di condurre ricerche almeno a livello di un apprendista.

Man mano che l’AI si evolve, il confine tra umano e macchina nella scoperta scientifica si fa sempre più sottile. Sebbene Co-Scientist rappresenti un importante traguardo, i ricercatori sottolineano che il viaggio verso una ricerca scientifica completamente autonomizzata è appena iniziato. La capacità del sistema di generare ipotesi, eseguire esperimenti e produrre manoscritti scientifici segna un’era nuova nell’innovazione guidata dall’AI, ma il percorso verso l’autonomia totale rimane complesso e sfidante.