IA scientifica autonoma: come l'intelligenza artificiale fa ricerca indipendente

Sistemi di IA autonoma stanno già conducendo esperimenti e producendo risultati misurabili, ma quanto è davvero indipendente la ricerca? Tra capacità delle macchine, ruolo umano e prospettive future, l’autonomia resta parziale.

Un sistema di intelligenza artificiale chiamato AI-Researcher, sviluppato da un team dell'Università di Hong Kong guidato da Jiabin Tang, ha completato con successo l'intero ciclo di ricerca scientifica in modo autonomo, dalla revisione della letteratura alla stesura di un articolo pubblicabile. Il risultato, documentato nel paper NeurIPS 2025, dimostra che un sistema autonomo può gestire quattro fasi critiche: esplorazione della letteratura, formulazione di ipotesi, implementazione di algoritmi e validazione sperimentale, con minima supervisione umana. Questo caso concreto mostra come l'autonomia si manifesti non solo nella generazione di idee, ma nella gestione coordinata di strumenti, dati e comunicazione scientifica senza intervento diretto dei ricercatori.

AI autonome in azione: sistemi esistenti e loro capacità

Le piattaforme autonome operano già in contesti di ricerca reali. Google AI co-scientist, costruito su Gemini 2.0, ha generato ipotesi testabili e simulato dibattiti scientifici su argomenti come il riposizionamento di farmaci per la leucemia e la scoperta di bersagli terapeutici per la fibrosi epatica. In una prova documentata, il sistema ha identificato in due giorni una risposta a una domanda di microbiologia che i ricercatori umani avevano verificato sperimentalmente ma non ancora pubblicato, dimostrando capacità di inferenza oltre i dati disponibili. Un altro esempio è OpenAI Deep Research, che automatizza compiti di ricerca multi-passo, e SakanaAI Scientist, in grado di gestire l'intero ciclo dalla generazione di idee alla produzione di manoscritti. Questi sistemi utilizzano LLM combinati con framework multi-agente per coordinare strumenti di analisi, esecuzione di codice e validazione dei risultati.

Esperimenti reali e risultati misurabili

La ricerca empirica sull'autonomia scientifica mostra progressi concreti. Nel papers BioRxiv di Tang et al., AI-Researcher ha raggiunto tassi di successo nell'implementazione degli esperimenti paragonabili ai ricercatori umani in compiti di innovazione guidata e esplorazione aperta. Il sistema ha prodotto articoli che si avvicinano alla qualità umana, validati attraverso Scientist-Bench, un benchmark che valuta sia l'automazione completa che la capacità di gestire progetti nuovi in diversi domini. Un test pratico ha coinvolto il sistema nella riproposizione di un esperimento di genetica del lievito, dove ha progettato autonomamente ipotesi, piani sperimentali e analisi dei dati, confermando i risultati originali. Questi esperimenti dimostrano che l'autonomia attuale funziona meglio in ambiti con dati strutturati ed esperimenti eseguibili rapidamente, piuttosto che in ricerche che richiedono validazione a lungo termine o sperimentazione embodied.

Cosa rimane umano nel processo scientifico

Nonostante i progressi, i limiti dell'autonomia rivelano il ruolo insostituibile dei ricercatori umani. I sistemi attuali non possono ancora garantire la provenienza completa dei dati, rifiutare in modo affidabile direzioni di ricerca deboli o mantenere coerenza intellettuale in ambiti con vincoli etici o istituzionali complessi. La responsabilità rimane umana, soprattutto quando i modelli generano citazioni inesistenti o sovrastimano la certezza dei risultati. Inoltre, l'autonomia efficace richiede ancora team interdisciplinari che combinino competenza di dominio con abilità tecniche. Il rapporto JRC della Commissione Europea sottolinea che l'intelligenza artificiale funziona come strumento di amplificazione piuttosto che sostituto, accelerando la scoperta ma richiedendo supervisione umana per interpretazione etica e validazione finale. La ricerca autonoma prospera dove esistono dataset aperti e ben documentati, ma incontra ostacoli in ambiti che richiedono giudizio contestuale o sperimentazione fisica estesa.

Valutazione finale: autonomia parziale e futuro della ricerca

L’IA può automatizzare passaggi tecnici della ricerca, ma i risultati richiedono verifiche umane prima della pubblicazione. Nei laboratori, la supervisione dovrebbe concentrarsi su tre controlli:

• Verificare fonti e dati: controllare che citazioni, dataset e risultati siano tracciabili.
• Valutare metodi e conclusioni: riprodurre gli esperimenti quando possibile e distinguere evidenze da ipotesi.
• Assegnare responsabilità: affidare a ricercatori la validazione finale e le decisioni con implicazioni etiche o istituzionali.

Questo approccio consente di sfruttare l’automazione nei compiti eseguibili e ben documentati, mantenendo il giudizio umano nei passaggi che richiedono interpretazione e responsabilità.