Il dibattito sull’intelligenza artificiale tende a concentrarsi, soprattutto, sui suoi potenziali pericoli: pregiudizi e discriminazioni algoritmiche, distruzione di posti di lavoro e persino, secondo alcuni, estinzione dell’umanità. Tuttavia, mentre alcuni osservatori si preoccupano di questi scenari distopici, altri si concentrano sui potenziali vantaggi: l’AI potrebbe aiutare l’umanità a risolvere alcuni dei suoi problemi più grandi e spinosi. E, dicono, l’AI farà questo in un modo molto specifico: accelerando radicalmente il ritmo delle scoperte scientifiche, soprattutto in settori come la medicina, la scienza del clima e la tecnologia verde. Leader del settore come Demis Hassabis e Yann LeCun ritengono che l’AI possa mettere il turbo al progresso scientifico e portare a un’età dell’oro della scoperta. Potrebbero avere ragione?
Queste affermazioni meritano di essere esaminate e possono costituire un utile contrappeso ai timori per la disoccupazione su larga scala e per i robot assassini.
Dal microscopio all’intelligenza artificiale
Molte tecnologie precedenti, naturalmente, sono state falsamente salutate come panacee. Negli anni Novanta gli opinionisti dicevano che Internet avrebbe ridotto le disuguaglianze e sradicato il nazionalismo. Ma il meccanismo con cui l’AI dovrebbe risolvere i problemi del mondo ha una base storica più solida, perché ci sono stati diversi periodi della storia in cui nuovi approcci e nuovi strumenti hanno effettivamente contribuito a far esplodere scoperte scientifiche e innovazioni che hanno cambiato il mondo.
Nel XVII secolo i microscopi e i telescopi aprirono nuovi orizzonti di scoperta e incoraggiarono i ricercatori a privilegiare le proprie osservazioni rispetto alla saggezza dell’antichità, mentre l’introduzione delle riviste scientifiche diede loro nuovi modi per condividere e pubblicizzare le loro scoperte. Il risultato fu un rapido progresso nell’astronomia, nella fisica e in altri campi, e nuove invenzioni.
Poi, a partire dalla fine del XIX secolo, la creazione di laboratori di ricerca, che riunivano idee, persone e materiali su scala industriale, ha dato origine a ulteriori innovazioni come i fertilizzanti artificiali, i prodotti farmaceutici e il transistor. A partire dalla metà del XX secolo, i computer hanno permesso nuove forme di scienza basate sulla simulazione e sulla modellazione, dalla progettazione di armi e aerei a previsioni meteorologiche più accurate.
Gli strumenti e le tecniche dell’AI vengono ora applicati in quasi tutti i campi della scienza, anche se il grado di adozione varia notevolmente: il 7,2% degli articoli di fisica e astronomia pubblicati nel 2022 coinvolgeva l’AI, ad esempio, rispetto all’1,4% della veterinaria. L’AI viene impiegata in molti modi: può identificare candidati promettenti per l’analisi, come molecole con proprietà particolari nella scoperta di farmaci, o materiali con le caratteristiche necessarie per le batterie o le celle solari. Può setacciare pile di dati, come quelli prodotti dai collisori di particelle o dai telescopi robotici, alla ricerca di modelli. Gli strumenti di AI sono stati utilizzati, tra l’altro, per identificare nuovi antibiotici, rivelare il bosone di Higgs e individuare accenti regionali nei lupi…
Tutto ciò va accolto con favore. Ma la rivista e il laboratorio sono andati oltre: hanno modificato la pratica scientifica stessa e hanno sbloccato mezzi più potenti per fare scoperte, permettendo alle persone e alle idee di mescolarsi in modi nuovi e su scala più ampia. anche l’AI ha il potenziale per avviare una simile trasformazione.
Due aree promettenti: Lbd e scienziati robot
Due aree in particolare sembrano promettenti. La prima è la “literature-based discovery” (lbd), che prevede l‘analisi della letteratura scientifica esistente, utilizzando l’analisi del linguaggio in stile ChatGPT, per cercare nuove ipotesi, connessioni o idee che l’uomo potrebbe aver tralasciato. La Lbd si sta dimostrando promettente nell’identificare nuovi esperimenti da provare e persino nel suggerire potenziali collaboratori di ricerca. Questo potrebbe stimolare il lavoro interdisciplinare e promuovere l’innovazione ai confini tra i campi. I sistemi Lbd possono anche identificare i “punti ciechi” in un determinato campo e persino prevedere le scoperte future e chi le farà.
La seconda area è quella degli “scienziati robot”, noti anche come “laboratori a guida autonoma”. Si tratta di sistemi robotizzati che utilizzano l’AI per formulare nuove ipotesi, basate sull’analisi dei dati e della letteratura esistenti, e poi testano tali ipotesi eseguendo centinaia o migliaia di esperimenti, in campi quali la biologia dei sistemi e la scienza dei materiali. A differenza degli scienziati umani, i robot sono meno legati ai risultati precedenti, meno guidati da pregiudizi e, cosa fondamentale, facili da replicare. Potrebbero aumentare la ricerca sperimentale, sviluppare teorie inaspettate ed esplorare strade che i ricercatori umani non avrebbero mai preso in considerazione.
L’idea che l’AI possa trasformare la pratica scientifica è quindi fattibile. Ma la barriera principale è di tipo sociologico: può accadere solo se gli scienziati umani sono disposti e in grado di utilizzare tali strumenti. Molti non hanno competenze e formazione, altri temono di perdere il lavoro. Fortunatamente, ci sono segnali di speranza: gli strumenti di AI stanno passando dall’essere spinti dai “ricercatori di AI” all’essere abbracciati da specialisti di altri settori.
I governi e gli enti di finanziamento potrebbero aiutare facendo pressione per un maggiore uso di standard comuni che consentano ai sistemi di intelligenza artificiale di scambiare e interpretare i risultati di laboratorio e altri dati. Potrebbero anche finanziare una maggiore ricerca sull’integrazione dell’intelligenza artificiale con la robotica di laboratorio e su forme di intelligenza artificiale diverse da quelle perseguite nel settore privato, che ha puntato quasi tutte le sue fiches su sistemi basati sul linguaggio come ChatGPT. Le forme di intelligenza artificiale meno alla moda, come l’apprendimento automatico basato su modelli, potrebbero essere più adatte a compiti scientifici come la formulazione di ipotesi.
L’apprendimento non supervisionato per analizzare gli abstract di articoli
Nel 2019 un gruppo di ricercatori guidati da Vahe Tshitoyan, all’epoca al Lawrence Berkeley National Laboratory, in America, ha utilizzato la tecnica di apprendimento non supervisionato per analizzare gli abstract di articoli sulla scienza dei materiali ed estrarre le informazioni sulle proprietà dei diversi materiali in rappresentazioni matematiche chiamate “word embeddings”. Queste collocano i concetti in uno spazio multidimensionale in cui i concetti simili vengono raggruppati. Il sistema ha così acquisito una “intuizione chimica” che gli consente, ad esempio, di suggerire materiali con proprietà simili a quelle di un altro materiale. È stato quindi chiesto all’AI di suggerire materiali che potessero avere proprietà termoelettriche (la capacità di trasformare una differenza di temperatura in una corrente elettrica e viceversa), anche se non erano identificati come tali in letteratura. Sono stati selezionati i dieci materiali candidati più promettenti e i test sperimentali hanno dimostrato che tutti e dieci mostravano effettivamente proprietà termoelettriche insolitamente forti.
I ricercatori hanno quindi riqualificato il sistema, omettendo i lavori degli anni più recenti, e gli hanno chiesto di prevedere quali nuovi materiali termoelettrici sarebbero stati scoperti negli anni successivi. Il sistema è risultato otto volte più preciso nel prevedere tali scoperte di quanto ci si aspetterebbe dal solo caso. Era anche in grado di fare previsioni accurate sulle scoperte utilizzando altri termini, come “fotovoltaico”. I ricercatori hanno concluso che “questi metodi di inferenza basati sul linguaggio possono diventare un campo di ricerca completamente nuovo all’intersezione tra l’elaborazione del linguaggio naturale e la scienza”.
I sistemi di AI potrebbero trasformare la pubblicazione scientifica
Un articolo di Jamshid Sourati e James Evans, entrambi sociologi dell’Università di Chicago, pubblicato quest’anno su Nature Human Behaviour, estende questo approccio in modo innovativo. Si parte dall’osservazione che i sistemi Lbd tendono a concentrarsi sui concetti all’interno dei documenti, ignorando i loro autori. Hanno quindi addestrato un sistema Lbd a tenere conto di entrambi. Il sistema risultante è stato due volte più bravo a prevedere le nuove scoperte nel campo della scienza dei materiali rispetto a quello costruito dal team del dottor Tshitoyan, ed è stato anche in grado di prevedere gli scopritori effettivi con una precisione superiore al 40%. Ma i ricercatori hanno fatto un ulteriore passo avanti. Invece di seguire la folla e prevedere dove i ricercatori avrebbero fatto nuove scoperte, hanno chiesto al loro modello di evitare la folla e di identificare ipotesi “aliene” che sono scientificamente plausibili, ma che è improbabile, nel normale corso delle cose, che vengano scoperte nel prossimo futuro. In questo modo, sostengono i ricercatori, il sistema può sia accelerare le scoperte a breve termine, sia sondare i “punti ciechi” dove attendono nuove scoperte.
Oltre a suggerire nuove ipotesi da indagare, i sistemi Lbd che tengono conto della paternità possono anche suggerire potenziali collaboratori che potrebbero non conoscersi. Questo approccio potrebbe essere particolarmente efficace nell’individuare scienziati che lavorano in campi diversi, creando un ponte tra aree di ricerca complementari. Le collaborazioni di ricerca interdisciplinari “passeranno dall’essere una rarità a essere più comuni” quando saranno mediate dall’AI, afferma Yolanda Gil, scienziata informatica della University of Southern California. E man mano che i sistemi Lbd verranno ampliati in modo da poter gestire tabelle, grafici e dati come sequenze di geni e codici di programmazione, diventeranno sempre più capaci. In futuro, i ricercatori potrebbero affidarsi a questi sistemi per monitorare la marea di nuovi articoli scientifici, evidenziare i risultati rilevanti, suggerire nuove ipotesi di ricerca e persino metterli in contatto con potenziali partner di ricerca, come un servizio di matchmaking scientifico. Gli strumenti di AI potrebbero quindi estendere e trasformare l’infrastruttura esistente, vecchia di secoli, della pubblicazione scientifica.
Le potenzialità dei “laboratori a guida autonoma”, o “robot scienziati”
Se la Lbd promette di potenziare le pubblicazioni con l’AI, i “robot scienziati”, o “laboratori a guida autonoma”, promettono di fare lo stesso per il laboratorio. I “laboratori a guida autonoma” possono pianificare un esperimento, eseguirlo con un braccio robotico e quindi analizzare i risultati. L’automazione può rendere fino a mille volte più veloce la scoperta di nuovi composti o la ricerca di modi migliori per produrre quelli vecchi. Queste macchine vanno oltre le forme esistenti di automazione del laboratorio, come le piattaforme di screening dei farmaci. A queste macchine vengono fornite conoscenze di base su una particolare area di ricerca, sotto forma di dati, documenti di ricerca e brevetti. Quindi utilizzano l’AI per formulare ipotesi, eseguire esperimenti con i robot, valutare i risultati, modificare le ipotesi e ripetere il ciclo. Adam, una macchina costruita nel 2009 all’Università di Aberystwyth in Galles, ha condotto esperimenti sulla relazione tra geni ed enzimi nel metabolismo del lievito ed è stata la prima macchina a scoprire autonomamente nuove conoscenze scientifiche.
Il successore di Adam, chiamato Eve, esegue esperimenti di scoperta di farmaci e dispone di un software più sofisticato. Quando pianifica e analizza gli esperimenti, utilizza l’apprendimento automatico per creare “relazioni quantitative struttura-attività” (qsars), modelli matematici che mettono in relazione le strutture chimiche con gli effetti biologici. Eve ha scoperto, ad esempio, che il triclosan, un composto antimicrobico usato nei dentifrici, può inibire un meccanismo essenziale nei parassiti che causano la malaria.
Ross King, ricercatore di AI presso l’Università di Cambridge che ha creato Adam, fa un’analogia tra gli scienziati robot del futuro e i sistemi di AI costruiti per giocare a scacchi e a Go. La prospettiva di macchine che battono i migliori giocatori umani sembrava lontani decenni, ma la tecnologia è migliorata più velocemente del previsto. Inoltre, i sistemi ai hanno sviluppato strategie per quei giochi che i giocatori umani non avevano considerato. Qualcosa di simile potrebbe accadere con i robot scienziati, man mano che diventano più capaci. “Se l’AI è in grado di esplorare l’intero spazio delle ipotesi, e persino di ampliarlo, allora potrebbe dimostrare che gli esseri umani hanno esplorato solo piccole aree dello spazio delle ipotesi, forse a causa dei loro pregiudizi scientifici”, afferma il dottor King.
Gli scienziati robot potrebbero trasformare la scienza anche in un altro modo: aiutando a risolvere alcuni dei problemi che affliggono l’impresa scientifica. Uno di questi è l’idea che la scienza, secondo varie misure, stia diventando meno produttiva e che portare avanti le frontiere della conoscenza stia diventando più difficile e più costoso. Esistono diverse teorie sul perché di questa situazione: le scoperte più facili potrebbero essere già state fatte, ad esempio, e ora è necessaria una maggiore formazione per gli scienziati che vogliono raggiungere la frontiera. I sistemi guidati dall’intelligenza artificiale potrebbero aiutare svolgendo il lavoro di laboratorio in modo più rapido, economico e accurato rispetto agli esseri umani.
A differenza delle persone, i robot possono lavorare 24 ore su 24. E proprio come i computer e i robot hanno permesso di realizzare progetti su larga scala in astronomia (come le enormi indagini sul cielo o la ricerca automatizzata di esopianeti), gli scienziati robot potrebbero affrontare grandi problemi nella biologia dei sistemi, che altrimenti sarebbero impraticabili a causa della loro scala. “Non abbiamo bisogno di una scienza radicalmente nuova per farlo, ma solo di fare molta scienza”, afferma il dottor King.
Entro il 2023, il 99% dei campi di ricerca produrrà risultati legati all’AI
Sebbene faccia parte del kit di strumenti scientifici fin dagli anni ’60, per la maggior parte della sua vita l’AI è rimasta bloccata all’interno di discipline in cui gli scienziati erano già esperti di codici informatici, ad esempio la fisica delle particelle o la matematica. Entro il 2023, tuttavia, con l’affermarsi del deep learning, oltre il 99% dei campi di ricerca produrrà risultati legati all’AI, secondo Csiro, l’agenzia scientifica australiana. “La democratizzazione è la causa di questa esplosione”, afferma Mark Girolami, scienziato capo dell’Alan Turing Institute di Londra. Ciò che prima richiedeva una laurea in informatica e una serie di arcani linguaggi di programmazione, ora può essere fatto con strumenti di ai di facile utilizzo, spesso resi operativi dopo una richiesta a ChatGPT, il chatbot di Openai. In questo modo gli scienziati hanno facile accesso a quello che è essenzialmente un assistente di ricerca superumano che risolve equazioni e setaccia instancabilmente enormi pile di dati per cercare qualsiasi modello o correlazione all’interno.
Nella scienza dei materiali, ad esempio, il problema è simile a quello della scoperta dei farmaci: esiste un numero insondabile di possibili composti. Quando i ricercatori dell’Università di Liverpool erano alla ricerca di materiali che avessero le proprietà molto specifiche richieste per costruire batterie migliori, hanno usato un modello AI noto come “autoencoder” per cercare tra i 200mila composti cristallini stabili conosciuti nell’Inorganic Crystal Structure Database, il più grande archivio di questo tipo al mondo. L’AI aveva precedentemente appreso le proprietà fisiche e chimiche più importanti necessarie affinché il nuovo materiale per batterie raggiungesse i suoi obiettivi e ha applicato tali condizioni alla ricerca. In questo modo ha ridotto da migliaia a soli cinque i candidati che gli scienziati dovevano testare in laboratorio, risparmiando tempo e denaro.
Il candidato finale – un materiale che combina litio, stagno, zolfo e cloro – era nuovo, anche se è troppo presto per dire se funzionerà o meno a livello commerciale. Il metodo AI, tuttavia, viene utilizzato dai ricercatori per scoprire altri tipi di nuovi materiali.
