Quando l’IA entra nel laboratorio : può una macchina fare un esperimento scientifico ?

Un nuovo sistema permette agli agenti di intelligenza artificiale di coordinare strumenti fisici differenti all’interno di un laboratorio

Non si tratta più soltanto di analizzare dati : l’IA può intervenire nel ciclo sperimentale. Ma eseguire, scegliere e adattare una procedura significa davvero “fare scienza” ?

Per molto tempo l’intelligenza artificiale è entrata nei laboratori soprattutto attraverso i computer. Analizzava immagini, classificava dati, individuava correlazioni, simulava molecole o aiutava i ricercatori a interpretare risultati sperimentali. Ora qualcosa sta cambiando: l’IA comincia a entrare fisicamente nel ciclo dell’esperimento.

Un sistema descritto da Nature il 24 settembre mostra come strumenti scientifici differenti possano essere collegati attraverso un’infrastruttura comune e coordinati da un agente di intelligenza artificiale. Il sistema si chiama Model Hardware Standard (MHS) ed è nato da una collaborazione tra l’azienda di intelligenza artificiale Anthropic e il Janelia Research Campus dell’Howard Hughes Medical Institute.

Il problema che cerca di risolvere sembra inizialmente molto tecnico, ma le sue conseguenze potrebbero essere profonde: gli strumenti presenti in un laboratorio spesso provengono da produttori differenti, utilizzano software e linguaggi diversi e non sono progettati per comunicare direttamente tra loro. Collegarli richiede normalmente software specifico e lavoro di integrazione. MHS prova a costruire una sorta di linguaggio comune tra queste macchine e aggiunge qualcosa di ulteriore: permette a un agente IA di interagire con gli strumenti e coordinarne le operazioni.

Quando le macchine del laboratorio cominciano a parlarsi

In una dimostrazione descritta da Nature, un braccio robotico ha prelevato una piastra multi-pozzetto, l’ha inserita in uno strumento che ha distribuito liquido nei diversi compartimenti e l’ha poi trasportata verso un’altra apparecchiatura incaricata di analizzarne il contenuto. La sequenza è avvenuta senza che una persona dovesse intervenire in ciascun passaggio.

L’automazione di laboratorio naturalmente non nasce oggi. Bracci robotici, pipettatori automatici e sistemi programmabili vengono utilizzati da tempo nella ricerca e nell’industria. La differenza interessante è il livello superiore di coordinamento che gli agenti di intelligenza artificiale possono introdurre.

Un sistema tradizionale esegue normalmente una sequenza precedentemente programmata. Un agente può invece ricevere un obiettivo, utilizzare strumenti differenti, osservare ciò che accade e scegliere quali azioni compiere all’interno dei limiti che gli sono stati assegnati. È il passaggio dall’automazione di una procedura alla possibile orchestrazione intelligente dell’esperimento.

Dal software al mondo fisico

La distinzione è importante anche per comprendere l’evoluzione degli agenti IA. Quando un modello linguistico produce un testo, il risultato rimane all’interno di un ambiente informativo. Se commette un errore, può generare un’affermazione falsa o un’analisi sbagliata.

Quando lo stesso tipo di sistema ottiene accesso a strumenti fisici, le sue decisioni producono invece conseguenze materiali. Può comandare un braccio robotico, modificare un parametro, avviare una misurazione, scegliere una sequenza operativa o decidere quale dato acquisire successivamente. L’agente non si limita più a descrivere il mondo: agisce sul mondo attraverso strumenti.

È precisamente questa caratteristica a rendere gli agenti particolarmente interessanti, ma anche a richiedere nuovi livelli di controllo, validazione e sicurezza.

Un agente può adattare l’esperimento

Altri studi pubblicati nel 2026 mostrano quanto rapidamente stia avanzando questo campo. Un lavoro apparso su Nature Machine Intelligence ha descritto un agente basato su un grande modello linguistico capace di eseguire autonomamente l’allineamento di campioni durante esperimenti a raggi X in un sincrotrone. Il sistema pianifica azioni, invia comandi agli strumenti, interpreta le osservazioni e modifica progressivamente le proprie decisioni per raggiungere l’obiettivo sperimentale.

Non siamo più davanti a una semplice sequenza rigida di istruzioni. Compare un ciclo: osservare → decidere → agire → misurare → valutare → agire nuovamente. Ed è proprio questa struttura a rendere il confronto con l’attività scientifica particolarmente interessante, perché anche la ricerca sperimentale procede spesso attraverso cicli nei quali un risultato modifica ciò che il ricercatore decide di fare successivamente.

Ma eseguire un esperimento significa fare scienza ?

Qui emerge la domanda centrale. Se un agente è capace di utilizzare strumenti, adattare una procedura e analizzare i risultati, possiamo dire che sta facendo un esperimento scientifico?

Dal punto di vista operativo, in alcuni casi la risposta potrebbe essere sì: il sistema esegue materialmente attività che fanno parte di un esperimento. Ma fare un esperimento e fare scienza non sono necessariamente la stessa cosa.

Un esperimento scientifico appartiene normalmente a una struttura più ampia. Esiste una domanda, viene formulata un’ipotesi, si stabilisce quali osservazioni potrebbero confermarla o metterla in difficoltà, si costruisce una procedura, si interpretano i risultati, si confrontano spiegazioni alternative e si inserisce ciò che è stato scoperto all’interno della conoscenza precedente.

Un agente può progressivamente partecipare a molte di queste fasi. La questione diventa allora: quanto del processo possiamo delegare prima che cambi il significato stesso di “ricercatore”?

Dall’agente al laboratorio autonomo

La prospettiva verso cui si muove una parte della ricerca è quella dei cosiddetti self-driving laboratories, laboratori capaci di eseguire autonomamente cicli di sperimentazione.

Il principio è relativamente semplice. Il sistema analizza i dati disponibili, prevede quali esperimenti potrebbero essere più informativi, ne seleziona uno, lo esegue attraverso strumenti automatizzati, raccoglie i nuovi risultati e utilizza quelle informazioni per decidere l’esperimento successivo. Il ciclo può ripetersi molte volte.

In campi nei quali lo spazio delle possibilità è enorme — per esempio nella ricerca di nuovi materiali o molecole — questo approccio può avere un vantaggio notevole. Un essere umano non può testare manualmente milioni di combinazioni. Un sistema automatizzato può esplorare lo spazio sperimentale in maniera molto più rapida. La macchina non sostituisce necessariamente l’obiettivo stabilito dal ricercatore, ma può cercare autonomamente la strada più efficace per raggiungerlo.

E se l’IA formulasse anche l’ipotesi ?

Il confine diventa ancora meno netto quando l’intelligenza artificiale non si limita all’esecuzione. Nel maggio 2026 Natureha pubblicato un lavoro dedicato a Robin, un sistema multi-agente progettato per automatizzare parti molto più ampie della scoperta scientifica. Il sistema integra agenti per la ricerca della letteratura e l’analisi dei dati ed è capace di generare ipotesi, proporre esperimenti, interpretarne i risultati e formulare nuove ipotesi sulla base di ciò che emerge.

Si comincia così a chiudere un circuito che fino a poco tempo fa sembrava necessariamente umano: letteratura → ipotesi → esperimento → dati → interpretazione → nuova ipotesi.

Se anche questo ciclo può essere parzialmente automatizzato, la domanda non riguarda più soltanto chi muove fisicamente gli strumenti. Riguarda la natura stessa della scoperta scientifica.

Scoprire senza comprendere ?

Immaginiamo un laboratorio autonomo capace di eseguire migliaia di esperimenti e individuare una combinazione di materiali con proprietà completamente nuove. Il sistema potrebbe trovare una soluzione che nessun ricercatore umano aveva previsto.

Chi avrebbe compiuto la scoperta? La macchina che ha selezionato l’esperimento? Gli scienziati che hanno definito l’obiettivo? I progettisti dell’algoritmo? L’intero sistema umano-tecnologico?

Ma esiste una domanda ancora più radicale. Supponiamo che l’IA trovi una regolarità estremamente efficace senza che nessun essere umano riesca immediatamente a spiegare perché funzioni. Abbiamo acquisito conoscenza oppure abbiamo semplicemente trovato qualcosa che funziona?

La distinzione tra previsione e spiegazione diventa qui essenziale. La scienza non cerca soltanto risultati, ma anche modelli capaci di rendere intelligibili i fenomeni.

Il problema della riproducibilità

L’ingresso degli agenti nei laboratori introduce inoltre una questione metodologica molto concreta: la riproducibilità. L’automazione tradizionale è generalmente deterministica. A determinate condizioni, uno script esegue una sequenza stabilita.

I grandi modelli linguistici funzionano invece attraverso processi probabilistici. Lo stesso problema può non produrre sempre esattamente la stessa decisione. Questo non rende impossibile il loro utilizzo scientifico, ma richiede un’architettura differente.

Un lavoro pubblicato quest’anno su npj Computational Materials descrive proprio sistemi nei quali il ragionamento di alto livello può essere affidato all’IA, mentre il controllo degli strumenti rimane vincolato da funzioni validate, spazi d’azione limitati, verifiche automatiche e supervisione umana. In altre parole: l’agente può decidere, ma non può necessariamente fare qualsiasi cosa decida. È una distinzione fondamentale anche per la sicurezza.

Autonomia non significa libertà illimitata

Più un agente acquisisce autonomia, più diventa importante definire il perimetro all’interno del quale può agire. Un laboratorio contiene apparecchiature costose, sostanze potenzialmente pericolose e procedure che possono produrre conseguenze fisiche.

Non sarebbe ragionevole permettere a un modello generativo di controllare liberamente qualsiasi strumento soltanto perché è tecnicamente capace di impartire comandi. Servono quindi livelli intermedi: autorizzazioni, protocolli, sistemi deterministici di sicurezza, registrazione delle operazioni e intervento umano quando vengono superate determinate soglie.

L’architettura diventa parte dell’affidabilità scientifica. L’obiettivo non è semplicemente costruire l’agente più autonomo possibile, ma stabilire quale autonomia sia utile, verificabile e compatibile con il rischio dell’esperimento.

L’essere umano potrebbe salire di livello

L’arrivo degli agenti IA nei laboratori non implica necessariamente la scomparsa dello scienziato. Potrebbe modificare il livello al quale opera. Molte attività ripetitive potrebbero essere delegate alle macchine. Un agente potrebbe controllare strumenti per ore o giorni, registrare ogni passaggio, confrontare automaticamente i risultati e selezionare esperimenti successivi. Il ricercatore potrebbe concentrarsi maggiormente sulla definizione delle domande, sulla costruzione dei modelli teorici, sull’interpretazione dei risultati inattesi e sulla valutazione del significato della scoperta.

Ma anche questa divisione non è garantita. Se gli agenti diventeranno capaci di proporre autonomamente ipotesi sempre più interessanti, dovremo comprendere quali attività costituiscano davvero il nucleo irriducibile della ricerca umana.

Chi è responsabile dell’esperimento ?

Esiste infine una domanda che non può essere delegata facilmente: chi risponde di ciò che accade? Un agente non possiede responsabilità scientifica nel senso istituzionale e morale attribuito a un ricercatore.

Se un esperimento produce un errore, danneggia uno strumento o genera dati utilizzati per una conclusione sbagliata, occorre poter ricostruire il processo decisionale e individuare responsabilità umane precise. Questo significa che l’autonomia operativa della macchina non può trasformarsi in un vuoto di responsabilità.

Anzi, quanto maggiore diventa l’autonomia tecnica del sistema, tanto più importante diventa progettare a monte tracciabilità, supervisione e responsabilità.

Una nuova forma di scienza ibrida

Forse la domanda “può una macchina fare scienza?” contiene già un limite, perché presuppone che dobbiamo scegliere tra scienziato umano e scienziato artificiale.

Lo scenario che sta emergendo potrebbe essere diverso. La ricerca potrebbe diventare sempre più un’attività ibrida, nella quale esseri umani e sistemi artificiali operano a livelli differenti dello stesso processo: l’uomo formula problemi e criteri, l’IA esplora enormi spazi di possibilità, gli strumenti automatizzati eseguono esperimenti, nuovi agenti analizzano i risultati e il ricercatore interviene nuovamente per interpretarli e ridefinire gli obiettivi.

Ma proprio questa integrazione rende necessaria una distinzione che diventerà sempre più importante: eseguire un processo cognitivo non significa necessariamente comprenderne il significato, e produrre una scoperta non coincide automaticamente con il sapere perché quella scoperta è importante.

L’ingresso dell’intelligenza artificiale nel laboratorio non pone quindi soltanto una questione tecnologica. Ci costringe a tornare a una domanda molto più antica: che cosa significa davvero conoscere ?

Immagine originale creata con Intelligenza Artificiale.