L’intelligenza artificiale generativa, e in particolare i Large Language Models (LLM), ha già cambiato radicalmente il modo in cui si fa scienza. Il classico esempio spesso portato all’attenzione del pubblico è sicuramente l’utilizzo di questo tipo di strumento per la scrittura di articoli scientifici o per la creazione di immagini a corredo di tali articoli, con risultati che a volte sono anche involontariamente comici.
Tuttavia, l’utilizzo di IA nella pratica scientifica va ben al di là del solo utilizzo come strumento facilitatore nella scrittura, ma entra direttamente nella pratica di progettazione e svolgimento delle ricerche stesse.
In chimica, per esempio, l’integrazione di modelli di IA sta accelerando significativamente la scoperta di nuove molecole, riducendo tempi e costi che tradizionalmente richiedono miliardi di euro e oltre un decennio di ricerca. In particolare questo è vero in campi in cui la progettazione di nuove molecole è di estremo interesse economico, come la ricerca su nuovi farmaci o nuovi materiali.
In particolare, è ormai largamente diffuso l’utilizzo di agenti autonomi basati su modelli linguistici come SMILES (Simplified Molecular-Input Line-Entry System) – un LLM che trasforma atomi e legami in stringhe di testo – fra cui spicca Coscientist.
Un modello autonomo è un sistema di intelligenza artificiale capace di percepire il proprio ambiente, prendere decisioni e agire per completare un compito specifico in risposta a stimoli esterni. Coscientist utilizza database molecolari basati sul sistema SMILES per identificare i composti necessari ai suoi compiti. In diversi esperimenti, il sistema è stato incaricato di generare reazioni partendo proprio da elenchi di molecole fornite in formato SMILES; uno dei risultati più significativi è che Coscientist ha dimostrato di poter ragionare sulla reattività dei composti semplicemente analizzando le loro stringhe SMILES. Per esempio, il sistema è in grado di dedurre proprietà elettroniche di una molecola dalla sua notazione testuale e utilizzare queste informazioni per ottimizzare le condizioni di reazione, e quindi suggerire l’uso di additivi con gruppi elettron-attrattori più forti per aumentare la resa. Per elaborare correttamente queste stringhe, Coscientist integra nel suo modulo di esecuzione codice il pacchetto di cheminformatica RDKit, uno strumento permette all’agente di “tradurre” la notazione lineare SMILES in dati strutturati utilizzabili per calcoli chimici e simulazioni. Questo tipo di strumento è stato in grado di pianificare ed eseguire reazioni complesse, progettando la molecola opportuna in base alle necessità di azione per un determinato scopo farmaceutico, e successivamente pianificandone una sintesi opportuna.
Coscientist comunque non è l’unico strumento attualmente utilizzato nella ricerca chimica: ChemCrow, per esempio, è largamente usato per automatizzare compiti di routine, in particolare quelli altamente specializzati, mentre AI come PaperQA e WikiCrow possono progettare reazioni di sintesi attraverso l’analisi di un gran numero di letteratura scientifica.
L’integrazione dell’intelligenza artificiale nei laboratori, comunque, non è priva di luci e ombre.
Da un lato, il vantaggio più evidente è l’accelerazione senza precedenti della scoperta scientifica: infatti, grazie alla capacità degli agenti autonomi di navigare nello “spazio chimico” (che comprende potenzialmente fino a 10.180 molecole) i tempi per la ricerca di nuovi materiali e farmaci possono passare da anni a pochi giorni; strumenti come WikiCrow o PaperQA sono poi in grado di sintetizzare decenni di letteratura scientifica fornendo citazioni corrette quasi istantaneamente, liberando i chimici dai compiti più ripetitivi; inoltre, sistemi come Coscientist hanno dimostrato che l’IA non si limita a teorizzare, ma può eseguire fisicamente esperimenti complessi, ottimizzando le reazioni chimiche con un’efficacia che spesso supera i metodi computazionali tradizionali.
La facilità di reperimento e utilizzo di questi strumenti di intelligenza artificiale è anche estremamente democratica, e permette anche a ricercatori con meno competenze tecniche o disponibilità economiche di accedere a strumenti di automazione e calcolo avanzatissimi.
Ma di contro anche i rischi sono molti. Quello più insidioso è costituito dalle “allucinazioni” chimiche: i modelli possono proporre molecole instabili o sintesi impossibili con una sicurezza disarmante. La qualità dei risultati è infatti limitata dalla presenza di dati ipotetici, errori o bias nei dataset utilizzati (come MoleculeNet), che possono portare il modello a imparare convinzioni chimiche errate.
Paradossalmente, studi recenti avvertono che i modelli più grandi e istruibili tendono a diventare meno affidabili, cadendo nel più classico tranello del tuttologo: invece di ammettere ignoranza, forniscono risposte errate ma apparentemente plausibili. A questo si aggiunge la natura “black-box” di molti algoritmi, che rende difficile per uno scienziato umano comprendere la logica dietro una previsione, ostacolando la validazione scientifica necessaria in campi delicati come la medicina.
Esistono poi limiti tecnici strutturali, come la difficoltà delle rappresentazioni testuali (SMILES) nel cogliere proprietà tridimensionali fondamentali come la chiralità, portando a potenziali errori nella progettazione di farmaci.
Infine, non si possono ignorare i rischi di sicurezza legati al “doppio uso”: la stessa tecnologia che progetta un antibiotico salvavita potrebbe essere manipolata per creare tossine o armi chimiche.
Per tutte queste ragioni, è importante ricordare che, anche in campo chimico, l’IA dovrebbe essere vista come un potenziamento e non come un sostituto, mantenendo sempre l’esperto umano saldamente nel ciclo decisionale per garantire rigore ed etica.
