OpenScience pubblica un agente di ricerca open source mentre i fondi per l'automazione dei laboratori continuano ad arrivare

Il repository descrive OpenScience come "un agente di ricerca con un banco di lavoro attorno". Gli si assegna un obiettivo in linguaggio naturale, secondo il README del progetto, e lui pianifica, raccoglie prove, esegue codice ed esperimenti, e restituisce risultati che l'utente può verificare.

Funziona come app desktop, come spazio di lavoro nel browser o come comando da terminale, sulla macchina dell'utente, sui file dell'utente. La pagina del progetto è insolitamente esplicita su ciò che non è. "È costruito per le parti della ricerca che sono lavoro vero ma non l'idea: estrarre e pulire dati, riprodurre un'affermazione, esplorare un parametro, abbozzare la sezione dei metodi, controllare un riferimento", dice il README. "Tu tieni l'idea e il giudizio". Le scelte di progettazione sembrano rispondere a una preoccupazione precisa: che gli agenti che fanno scienza siano difficili da verificare.

Ogni turno mostra cosa ha pensato l'agente, cosa ha cercato, cosa ha eseguito e cosa ha scritto.

Sono disponibili kernel Shell, Python e R, più un file system con permessi di lettura e scrittura espliciti e calcolo remoto per i lavori che un portatile non riesce a sostenere. Le competenze incluse coprono biologia, chimica, fisica, ML e ingegneria dei dati, con connettori verso ChEMBL, UniProt, PubMed e arXiv. Gli utenti portano le proprie chiavi API, eseguono un modello locale o pagano per un'opzione gestita chiamata Ace.

La linea dei finanziamenti si allunga sempre di più

OpenScience non è un rilascio isolato. Il 29 ottobre Opentrons ha annunciato un round di Serie E da 40.000.000 di dollari guidato da Avego per espandere l'automazione dei laboratori spinta dall'AI, secondo Business Wire. Genetic Engineering and Biotechnology News ha trattato lo stesso round il 30 ottobre come denaro per robotica, software e infrastruttura dati. Robotics & Automation News è seguito il 30 ottobre, e hi-Tech.ua ha riportato il 2 novembre che l'azienda vuole una collaborazione in stile GitHub per i robot da laboratorio.

Il capitale si sta muovendo anche verso il lato sicurezza e operazioni dell'IT aziendale.

Tech.eu ha riportato il 3 novembre che la milanese CyberKord ha raccolto 2.700.000 euro in un round pre-seed, guidato da 360 Capital con la partecipazione di Plus Partners, Addendum Capital e Vento. L'azienda, fondata nel 2026 da Alessandro Maggio, Dragos Tanasa e Cosimo Michelagnoli, usa l'AI e un gemello digitale dell'infrastruttura del cliente per analizzare i problemi, simulare le correzioni e applicarle. Non è un'azienda di laboratorio. È però la stessa proposta: togliere il lavoro manuale dal ciclo e lasciare che il software faccia il primo passaggio.

Intanto il segnale più forte della settimana è arrivato da un fornitore di software che taglia posti di lavoro e indica l'automazione come motivo. L'amministratore delegato di SUSE, Dirk-Peter van Leeuwen, ha scritto al personale in un'email interna che l'azienda avrebbe tagliato circa il 10 percento della sua forza lavoro globale di 1.900 persone, come riportato per primo da The Register lunedì e trattato da heise online il 2 novembre. "L'automazione e l'AI stanno cambiando radicalmente il modo in cui lavorano le aziende di software", ha scritto, secondo heise. I dipendenti coinvolti avrebbero dovuto essere informati entro mercoledì, con i colloqui personali a partire dall'inizio della settimana successiva.

Cosa mostrano davvero gli articoli scientifici

La letteratura tecnica è più prudente dei titoli sui finanziamenti.

Il 30 ottobre, i ricercatori guidati da Jae-Hyun Baek hanno pubblicato su arXiv un articolo che descrive una pipeline guidata da LLM per scoprire famiglie di codici quantistici correttori di errori assistiti dall'entanglement. La pipeline univa evoluzione dei programmi e valutazione esatta, verifica formale delle dimostrazioni in Lean e controlli certificati di non esistenza. Ha chiuso 54 lacune nelle tabelle archiviate e rilasciato 115 record di codici verificati. Gli autori hanno anche eseguito un confronto controllato: i programmi iterativi selezionati tramite validazione hanno avuto successo nel 46,1 percento e nel 31,6 percento delle esecuzioni tenute da parte a lunghezze di codice mai viste, contro il 19,5 percento e il 3,1 percento dei programmi generati in modo indipendente.

Un secondo articolo su arXiv, inviato lo stesso giorno da Akshat Jani, Sakhinana Sagar Srinivas e Venkataramana Runkana, chiede se gli agenti possano specificare in modo affidabile simulazioni ingegneristiche. Su 120 richieste legate a template, il loro flusso di lavoro completo ha raggiunto il 98,3 percento di specifiche corrette al primo turno e di esiti decisionali corretti, contro il 92,5 percento di un singolo tentativo assistito da schema e l'82,5 percento di un approccio basato solo sul modello. Il flusso di lavoro non ha preso decisioni di prontezza errate su 42 richieste che richiedevano chiarimenti o rifiuto. Su 12 test dal vivo da utente a risultati, 9 hanno centrato insieme specifica, esecuzione, esportazione e riferimento numerico, cioè il 75 percento.

"Il nostro obiettivo era esaminare come si comportano diversi approcci di apprendimento quantistico quando la quantità di dati di addestramento è deliberatamente limitata", ha detto Arslan Munir della Florida Atlantic University, secondo HPCwire.

HPCwire ha riportato il 2 novembre che il team di Munir ha testato l'apprendimento automatico quantistico sulla previsione del cancro ai polmoni a partire da dati limitati. Le macchine ad annealing di D-Wave, usate in una macchina a vettori di supporto quantistica, hanno raggiunto il 94,31 percento di accuratezza in simulazione e il 91,90 percento sull'hardware. Il dataset partiva da 309 record ed è stato bilanciato a 540 campioni con esempi sintetici, che secondo i ricercatori non rappresentavano pazienti reclutati di recente.

L'hardware si muove in parallelo. Semiengineering ha riportato il 2 novembre che i ricercatori IBM hanno dimostrato quattro accoppiatori a lunga distanza tra due processori superconduttivi Nighthawk R1 da 120 qubit, in un articolo su arXiv. Anche il lavoro di IBM sulla coltivazione degli stati magici, pubblicato su arXiv, va nella stessa direzione.

Dove sta lo scetticismo

Il caso che meglio cattura il divario tra demo e implementazione è quello di Claude e della ricercatrice sull'influenza aviaria.

Science News ha riportato il 26 ottobre che Anthropic ha dichiarato che una ricercatrice ha usato Claude per pianificare studi e analizzare dati sull'influenza aviaria ad alta patogenicità, compreso un lavoro per identificare mutazioni che potrebbero aiutare il virus ad adattarsi ai mammiferi. Anthropic ha bloccato l'account nel maggio 2026 per elusione delle restrizioni di accesso. Gregory Koblentz della George Mason University ha detto a Science News che non c'è "alcuna prova che una parte di questa ricerca fosse legata allo sviluppo di armi biologiche", e Thomas Friedrich dell'Università del Wisconsin–Madison ha detto che il resoconto dell'azienda suggerisce che il modello "non ha aggiunto capacità scientifica in modo significativo".

È il test che ora affronta ognuno di questi strumenti. L'automazione può comprimere le parti noiose della ricerca, e il banco di lavoro open source rende ispezionabili i suoi passaggi, cosa che non tutti fanno. Ma un ciclo più veloce non è la stessa cosa di una domanda migliore. L'email di SUSE è il promemoria: lo stesso argomento che finanzia gli strumenti sta già costando posti di lavoro alle persone.