Cosa può e non può rivendicare l'IA nella scoperta di proteine e materiali

La lite non riguarda se il software abbia fatto qualcosa. Riguarda cosa possa coprire la parola scoperta. Secondo MIT Technology Review, che ha riportato per primo la disputa il 28 settembre, Anthropic ha detto che il suo sistema di 950 agenti ha individuato un pattern ripetuto attorno a un enzima noto dopo 21 ore di lavoro.

I biologi hanno replicato nel giro di pochi giorni.

Lucas Harrington, il biologo che ha scritto la critica diffusa ovunque, sostiene che trovare uno strano grappolo di geni e ripetizioni è spesso la parte facile. La parte difficile è capire cosa faccia davvero il sistema.

La critica è stata appoggiata dal presidente e amministratore delegato di Eli Lilly, ha riferito MIT Technology Review. Un secondo biologo, Mario Rodríguez Mestre dell'Università di Copenaghen, ha detto nel fine settimana che il suo gruppo aveva già trovato lo stesso pattern e che chiacchiera regolarmente con Claude nel suo lavoro. Si è chiesto se il team di Anthropic avesse imparato da quelle conversazioni. Anthropic lo nega. Mestre dice che comunque smetterà di usare Claude del tutto.

Perché l'asticella conta per il lavoro sulle proteine

La stessa ambiguità attraversa tutto il resto del campo dell'IA per la biologia. Conviene separare tre cose che di solito vengono messe insieme: prevedere una struttura, progettare una molecola e dimostrare che una molecola fa qualcosa di utile in un sistema vivente.

La previsione della struttura è la parte più matura.

Lavori recenti nel dossier mostrano quanto si sia mosso il versante della progettazione. Un laboratorio cloud di ingegneria proteica guidato dall'IA ha ricevuto 20.000.000 di dollari dalla National Science Foundation. Hansa Biopharma ha detto il 1 ottobre che avrebbe lavorato con Cradle sulla progettazione proteica guidata dall'IA. I ricercatori, poi, hanno riferito di aver usato la previsione strutturale con IA per accelerare la ricerca di colle molecolari, piccole molecole che spingono due proteine a unirsi. Ognuna di queste è una capacità reale. Nessuna è un risultato clinico.

La verifica è dove il campo sta mettendo ora i suoi sforzi. Il 1 ottobre DeepMind ha applicato una filigrana alle proteine perché i laboratori potessero controllarle, e un rapporto correlato del 30 settembre descriveva SynthID Bio come un modo per proteggere le sequenze proteiche generate dall'IA. La logica è semplice: se un modello può produrre migliaia di progetti plausibili, il collo di bottiglia si sposta dalla generazione al controllo, cioè a verificare se qualcuno di essi si comporti come dichiarato.

Lo spostamento è visibile anche fuori dalla biologia.

Lo stesso schema compare nei materiali, dove i modelli di IA propongono composti candidati più in fretta di quanto qualsiasi laboratorio possa sintetizzarli e testarli. Il dossier questa settimana non offre un singolo risultato da prima pagina sui materiali. La lettura onesta, quindi, è che la disputa sulla biologia è l'indicatore anticipato di un problema che riguarda tutto il campo.

"Trovare uno strano grappolo di geni e ripetizioni è spesso la parte facile. La parte difficile, ed è lì che nascono le vere scoperte, è capire cosa faccia davvero il sistema."

Questa citazione, dal post virale di Harrington, è il nodo. L'ha riportata MIT Technology Review, non Anthropic, e l'azienda non ha risposto nel merito nel materiale disponibile qui.

Una scoperta separata, e più pulita

Non tutte le rivendicazioni recenti sono contestate allo stesso modo. Il 15 settembre gli astronomi hanno riferito, in un articolo pubblicato su arXiv, della prima rilevazione diretta di emissione radio aurorale da un esopianeta, il gigante beta Pictoris b, usando l'array MeerKAT. Il gruppo, Kevin N. Ortiz Ceballos, Edo Berger e Yvette Cendes, ha rilevato burst rapidi, ricorrenti e fortemente polarizzati circolarmente, più un'emissione persistente, a frequenze da 0,85 a 3,5 GHz.

Identificano il segnale come radiazione maser a ciclotrone elettronico, il che implica un campo magnetico di almeno 1,25 kG sul pianeta. È la prima misura diretta dell'intensità di campo per un esopianeta. Si noti cosa rende solida questa rivendicazione: uno strumento specifico, un segnale specifico, un meccanismo fisico specifico e un numero che altri gruppi possono provare a riprodurre con i propri telescopi. Nessun agente di IA è chiamato a prendersene il merito.

Il contrasto non è un argomento contro il contributo dell'IA alla scoperta. È un argomento su come viene impostata la rivendicazione. Ridurre 200.000 candidati a pochi che vale la pena testare è lavoro scientifico legittimo, come ha osservato MIT Technology Review. E un chatbot generalista che fa quel lavoro è notevole anche se sono stati gli umani a guidarlo e a condurre gli esperimenti.

Il precedente della matematica

Lo schema non è esclusivo della biologia. All'inizio di settembre OpenAI ha detto che i suoi agenti avevano risolto un problema di matematica da un milione di dollari. Un paio di settimane dopo, come ha riferito MIT Technology Review, gli scettici dell'IA condividevano un articolo che chiedeva se fosse davvero il problema matematico a contare. Il pezzo non sosteneva che la soluzione di OpenAI fosse sbagliata. Sosteneva che il risultato potrebbe non essere quello a cui i matematici tengono di più. Un matematico ha anche accusato i modelli di aver usato parte del suo lavoro senza citarlo.

Quando un'azienda presenta il proprio output come una scoperta invece che come il risultato di uno strumento, il dibattito si riduce a due risposte, svolta o fiasco, e tutto quello che sta in mezzo va perso. È il meccanismo a cui i biologi obiettano, più che lo specifico pattern enzimatico.

La soluzione proposta da Harrington era esplicita: le aziende di IA dovrebbero alzare subito l'asticella, così quando un'IA scoprirà davvero un meccanismo biologico fondamentalmente nuovo tutti capiranno quanto sia importante. MIT Technology Review ha osservato che, mentre Sam Altman e Dario Amodei si sfidano a superarsi, alzare quell'asticella potrebbe essere l'ultimo dei loro pensieri.

Cosa tenere d'occhio

Due date contano per la fase successiva. MIT Technology Review pubblicherà il 6 ottobre la sua lista 2026 delle aziende di tecnologia climatica da tenere d'occhio. Non risolverà la questione biologica, ma mostrerà quali aziende la testata giudica in grado di portare risultati misurabili invece di annunci.

La seconda è la questione della replica attorno a beta Pictoris b, esattamente il tipo di rivendicazione che sopravvive o muore sull'osservazione indipendente. Se un altro array confermerà i burst, il campo avrà una misura del campo magnetico su cui costruire. Se no, l'articolo si aggiunge alla lunga lista di risultati da singola rilevazione in attesa di conferma.

Per il lavoro dell'IA su proteine e materiali, il test è più stretto. L'output di un modello diventa una scoperta quando qualcun altro riesce a riprodurre il comportamento in un laboratorio umido o in un forno, e quando il risultato è proprio quello che il campo cercava. Fino a quel momento la descrizione accurata è candidato promettente, non risultato.

L'impostazione stessa di Anthropic invita alla lettura più severa. Nel suo annuncio il pattern è definito simile a ciò che ha portato a CRISPR, che ha già trasformato scienza e medicina, secondo il resoconto che MIT Technology Review dà di quel testo. È un paragone con un meccanismo da Nobel, fatto su un pattern ripetuto attorno a un enzima noto, ed è per questo che la reazione è stata così dura.

La disputa non si risolverà con un dibattito. Si risolverà a seconda che laboratori indipendenti riescano a prendere il pattern segnalato e a mostrarne il funzionamento. È un lavoro lento, poco appariscente, ed è esattamente la parte che le rivendicazioni attuali tendono a saltare.