La scienza spesso non avanza grazie a un singolo lampo di intuizione brillante, ma attraverso un ciclo lento e ripetitivo di ipotesi, test e apprendimento dagli errori. Un ricercatore propone un'idea, costruisce uno strumento per testarla, osserva dove fallisce e poi perfeziona l'idea sulla base di quei fallimenti specifici. Questo è il metodo scientifico, un processo che ha guidato la scoperta umana per secoli. Per molto tempo, i computer sono stati eccellenti nel calcolare numeri o nel seguire istruzioni rigide, ma hanno faticato a imitare questo ciclo di ragionamento tipicamente umano. Potevano tentare milioni di variazioni casuali per trovare una soluzione migliore, un metodo noto come ricerca evolutiva, ma spesso mancavano della capacità di capire perché un tentativo specifico fosse fallito o di cambiare il loro intero approccio quando rimanevano bloccati. La domanda che i ricercatori si sono posti è se un programma per computer potesse essere istruito a pensare come uno scienziato, formulando ipotesi, testandole e imparando dai risultati proprio come farebbe un essere umano.

Uno studio recente intitolato "The Little Scientist" risponde a questa domanda con un sì fragoroso. I ricercatori hanno costruito un sistema in cui un agente di intelligenza artificiale agisce come uno scienziato, lavorando all'interno di un laboratorio digitale per risolvere problemi biologici complessi. Invece di provare ciecamente milioni di cambiamenti casuali al codice, questo agente segue un processo rigoroso e passo dopo passo: formula un'ipotesi su come migliorare una soluzione, scrive il codice per testare quell'idea, esegue il test e poi confronta attentamente il risultato con la sua previsione originale. Se il risultato è peggiore del previsto, l'agente non si limita a scartare il tentativo; analizza le ragioni specifiche del fallimento per formulare una nuova e migliore ipotesi. Quando l'agente rimane bloccato in un ciclo locale di piccoli miglioramenti, interviene un secondo agente specializzato per suggerire un modo completamente nuovo di pensare al problema, costringendo il sistema a uscire dal vicolo cieco ed esplorare nuovi territori.

I ricercatori hanno testato questo sistema su due sfide molto diverse in biologia. La prima consisteva nel trovare schemi nascosti nelle sequenze di DNA, un compito cruciale per comprendere come vengono regolati i geni. La seconda consisteva nel prevedere come i cambiamenti nella struttura di una proteina influenzerebbero la sua funzione, un problema vitale per lo sviluppo di farmaci e la comprensione delle malattie. In entrambi i casi, al sistema sono stati dati solo i dati grezzi e le regole del gioco, senza alcuna conoscenza pregressa delle migliori soluzioni esistenti. Il risultato è stata la scoperta di due nuovi metodi che hanno superato gli strumenti allo stato dell'arte utilizzati dagli esperti umani. Per il compito del pattern del DNA, il sistema ha inventato un nuovo algoritmo da zero che non era solo più accurato, ma anche undici volte più veloce dello strumento standard utilizzato oggi dagli scienziati. Per il compito della previsione proteica, ha scoperto una strategia sofisticata per combinare le previsioni di diversi modelli esistenti, raggiungendo un livello di accuratezza che ha superato la classifica globale di oltre novanta modelli concorrenti.

Ciò che rende questo traguardo particolarmente straordinario è l'efficienza del processo. L'intero programma di ricerca, che ha comportato migliaoli di iterazioni di ipotesi e test, è stato eseguito su un singolo server computer standard senza la necessità di hardware grafico speciale ed costoso. Il sistema ha consumato una quantità relativamente piccola di potenza di calcolo rispetto ad altri recenti tentativi di scoperta automatizzata, che spesso richiedono enormi reti distribuite di computer. I ricercatori hanno scoperto che, costringendo l'IA a spiegare il proprio ragionamento e a imparare da fallimenti specifici, il sistema aveva bisogno di molti meno tentativi per trovare una soluzione rispetto ai metodi che si basano sul caso e sulla verifica. Ciò suggerisce che insegnare alle macchine a seguire il metodo scientifico — piuttosto che lasciare semplicemente che indovinino e controllino — potrebbe essere un modo molto più potente per automatizzare la scoperta in futuro.

Il sistema, che l'autore chiama "The Little Scientist", opera attraverso una partnership tra due ruoli distinti. Il primo è l'agente "Scientist", che agisce come il ricercatore principale. Scrive codice, esegue esperimenti e tiene un registro dettagliato dei suoi pensieri e dei suoi risultati. Il secondo è l'agente "Kuhn", chiamato in onore di un famoso filosofo della scienza che descrisse come il progresso scientifico richieda talvolta un radicale cambio di prospettiva. Quando l'agente Scientist smette di fare progressi e rimane bloccato, l'agente Kuhn interviene. Esamina la cronologia dei fallimenti e suggerisce un modo completamente nuovo di inquadrare il problema, attingendo spesso ispirazione da un campo diverso della scienza. Questo costringe il sistema ad abbandonare il proprio percorso attuale e a tentare un approccio fondamentalmente diverso, proprio come uno scienziato umano che si rende conto che la sua teoria attuale è fallace e decide di ricominciare con una nuova prospettiva.

Nella sfida della scoperta di pattern del DNA, il sistema è stato incaricato di trovare brevi sequenze di DNA che fungono da siti di legame per proteine chiamate fattori di trascrizione. Questi siti sono critici per attivare o disattivare i geni, ma trovarli è difficile perché i pattern possono essere sottili e variare in lunghezza. Il sistema è partito con un approccio di base e, nel corso di alcune settimane, ha migliorato iterativamente il suo metodo. Ha scoperto che cercare pattern basati sulla frequenza con cui appaiono e sulla costanza con cui appaiono in diversi campioni di DNA era più efficace dei metodi precedenti. L'algoritmo finale prodotto, che i ricercatori hanno chiamato DALE, è stato in grado di identificare questi pattern con maggiore accuratezza rispetto ai migliori strumenti esistenti. Ci è riuscito eseguendo significativamente più velocemente, elaborando i dati in pochi secondi laddove gli strumenti più vecchi impiegavano minuti o ore. Il sistema ha ottenuto questo senza che gli venisse comunicata queste strategie specifiche; le ha scoperte interamente da solo attraverso il ciclo di ipotesi e test.

La seconda sfida consisteva nel prevedere come le mutazioni nelle proteine influenzerebbero la loro fitness, ovvero quanto bene funzionano. Questo è un problema complesso perché le proteine sono composte da lunghe catene di blocchi costruttivi, e cambiare anche un solo blocco può avere effetti imprevedibili. Al sistema sono state date le previsioni di cinque diversi modelli esistenti e gli è stato chiesto di combinarle in un'unica, migliore previsione. Invece di limitarsi a fare la media dei risultati, il sistema ha sviluppato una strategia chiamata Delta V. Ha imparato ad aggiustare il peso della previsione di ciascun modello in base a quanto quel modello fosse fiducioso e a come la specifica mutazione influenzasse la struttura della proteina. Ha inoltre sviluppato un modo per condividere informazioni tra parti vicine della proteina, rendendosi conto che se un modello sbagliava su una parte, era probabile che sbagliasse anche sulle parti vicine. Questo approccio ha permesso al sistema di superare tutti gli altri modelli in un importante benchmark globale, battendo il secondo miglior modello con un margine significativo.

Il successo di The Little Scientist evidenzia un cambiamento nel modo in cui potremmo utilizzare l'intelligenza artificiale nella scienza. Piuttosto che trattare l'IA come uno strumento che esegue semplicemente istruzioni o cerca schemi nei dati, questo approccio tratta l'IA come un ricercatore junior. Le viene data la libertà di ragionare, di sbagliare e di imparare dai propri errori in modo strutturato. I ricercatori hanno scoperto che la capacità del sistema di formulare previsioni esplicite e poi riconciliarle con i risultati reali è stata la chiave del suo successo. Quando il sistema ha previsto che un cambiamento avrebbe migliorato il risultato ma ciò non è accaduto, non è passato oltre; ha analizzato la discrepanza per capire cosa fosse andato storto. Questo processo di apprendimento dal fallimento, invece di limitarsi a scartarlo, ha permesso al sistema di costruire una profonda comprensione del problema che i metodi di ricerca casuale non potevano raggiungere.

Lo studio ha anche dimostrato che questo approccio può funzionare con risorse molto limitate. L'intero progetto è stato eseguito su una singola macchina virtuale con potenza di calcolo standard, costando meno di cinquecento dollari in totale. Ciò contrasta nettamente con altri recenti sistemi di scoperta automatizzata che richiedono enormi cluster di computer e milioni di dollari in costi di calcolo. I ricercatori suggeriscono che l'efficienza derivi dalla qualità del feedback che il sistema riceve. Invece di essere semplicemente informato che "questo è buono" o "questo è cattivo", il sistema riceveva rapporti dettagliati su quali parti esatte del test fossero fallite e perché. Ciò gli ha permesso di apportare miglioramenti mirati invece di fare tentativi casuali.

Sebbene i risultati siano impressionanti, i ricercatori tengono a precisare i limiti del loro lavoro. Il sistema è stato testato su due tipi specifici di problemi biologici in cui i dati sono ben organizzati e i risultati possono essere misurati con precisione. Non è ancora chiaro se questo approccio funzionerà per problemi in cui i dati sono disordinati, la valutazione è costosa o la risposta non è facilmente quantificabile. I ricercatori sottolineano inoltre che il loro sistema non ha sostituito gli scienziati umani, ma ha piuttosto lavorato al loro fianco. Un ricercatore umano era necessario per impostare il laboratorio digitale, definire le regole e fornire i dati iniziali. L'umano è intervenuto anche in un momento successivo per fornire al sistema ulteriori fonti di dati, il che ha permesso di compiere un salto significativo nelle prestazioni. Ciò suggerisce che il futuro della scoperta scientifica possa risiedere in una partnership in cui gli esseri umani forniscono la direzione strategica e l'IA gestisce la rapida e instancabile iterazione degli esperimenti.

I risultati di questo studio offrono uno sguardo su un futuro in cui l'intelligenza artificiale può fare molto di più che elaborare informazioni; può partecipare attivamente al processo creativo della scoperta. Mimando il metodo scientifico, questi sistemi possono esplorare problemi complessi in modi che sono sia efficienti che efficaci. Possono scoprire nuovi algoritmi e strategie che gli esperti umani potrebbero non aver pensato di utilizzare, e possono farlo con un livello di trasparenza che ci permette di capire esattamente come siano giunti alle loro conclusioni. Man mano che la tecnologia migliora, potremmo vedere questi sistemi applicati a una gamma più ampia di sfide scientifiche, dalla progettazione di nuovi materiali alla comprensione delle complessità del cervello umano. The Little Scientist non è solo uno strumento per risolvere problemi; è la dimostrazione che il processo di scoperta scientifica stessa può essere automatizzato, aprendo la porta a una nuova era di ricerca accelerata.