Intelligenza artificiale nella ricerca scientifica: uso euristico o muscolare?

Il 90% delle grandi aziende italiane ed europee oggi usa l’intelligenza artificiale soprattutto per un compito: tradurre le e-mail. È il dato citato dal prof. Telmo Pievani, filosofo della biologia ed evoluzionista presso l’Università degli Studi di Milano (dal primo ottobre 2026), nel corso della sua lecture al PhDay di Medicina Molecolare. Da qui il filosofo della biologia è partito per parlare di intelligenza artificiale nella ricerca scientifica. Abbiamo tra le mani uno strumento potentissimo, dice Pievani, e per lo più lo stiamo sotto-utilizzando.

Nel suo intervento, incentrato sulla serendipità, Pievani distingue due modi molto diversi di usare l’intelligenza artificiale, in laboratorio e nella ricerca scientifica più in generale: uno “muscolare” e uno “euristico”.

Un potenziale sprecato

Se la maggior parte delle aziende usa l’intelligenza artificiale soprattutto per tradurre o riscrivere le e-mail, spiega Pievani, vuol dire che stiamo sfruttando solo una minima parte del suo potenziale. «Come esseri umani siamo campioni nello scrivere e-mail con il tono giusto, con gentilezza, ironia, oppure sarcasmo. Eppure, chiediamo all’intelligenza artificiale di farlo al posto nostro», nota Pievani, ricordando anche che si tratta di una tecnologia con un costo energetico e idrico importante. «Dobbiamo batterci per un uso più intelligente e più creativo dell’intelligenza artificiale, ad esempio per il benessere degli individui, per la ricerca, per la scoperta» commenta.

Uso muscolare e uso euristico dell’Intelligenza artificiale

Pievani parte da una dicotomia semplice. C’è un uso muscolare dell’intelligenza artificiale: si continuano a fare le stesse cose di prima, ma molto più in fretta e in modo più efficiente. È il caso, racconta Pievani, del confronto tra due genomi completi, per esempio quello di un Homo sapiens e quello di un Neanderthal, che richiede tempi radicalmente inferiori al passato.

E poi c’è un uso euristico, cioè per porre domande nuove, prima di quel momento impossibili da formulare. Si usa la potenza di calcolo dell'intelligenza artificiale per valutare in poco tempo migliaia di possibilità, che un essere umano non riuscirebbe a vagliare una per una o che richiederebbero tempi lunghissimi. A decidere quale domanda fare è, però, sempre la ricercatrice o il ricercatore, non l'algoritmo.

Un report di Google DeepMind e MIT FutureTech, pubblicato a settembre 2026 su un campione di 637 ricercatori tra Stati Uniti e Regno Unito, racconta questa dicotomia in numeri: il 67% degli scienziati intervistati dice di affrontare oggi domande di ricerca più ambiziose grazie all'intelligenza artificiale. Il 49% però afferma di registrare, nel proprio lavoro, un aumento delle domande più sicure e incrementali, contro un 28% che segnala invece un aumento del lavoro a più alto rischio. Il potenziale euristico c'è, tradurlo in pratica però non è così immediato.

Tre esempi di uso euristico, fuori dai laboratori Big Tech

In occasione della lecture, il prof. Telmo Pievani ha citato tre esempi di uso euristico dell’Intelligenza artificiale: gli enzimi disegnati con il suo aiuto da Frances Arnold, i materiali scoperti da DeepMind, il progetto CETI sulla comunicazione dei cetacei, che raccontiamo per esteso nel nostro articolo dedicato alla serendipità. Ne aggiungiamo altri tre che Pievani non ha citato, ma che sono altrettanto rappresentativi di un uso euristico dell’IA.

Il primo viene dal laboratorio di James Collins al MIT. Nel 2020 il suo gruppo ha addestrato una rete neurale a valutare centinaia di migliaia di molecole in base alla loro capacità di inibire la crescita batterica, scoprendo così halicin, un composto attivo anche contro ceppi resistenti agli antibiotici comuni (lo studio è stato pubblicato su Cell). Nel 2023 lo stesso gruppo ha ripetuto l’impresa con abaucin, efficace contro Acinetobacter baumannii, uno dei batteri più difficili da colpire in ambito ospedaliero (Nature Chemical Biology). In entrambi i casi l’IA ha ristretto un volume di centinaia di migliaia di molecole candidate a una manciata, un numero che si può testare in laboratorio.

Connessioni nuove che portano a risultati inaspettati

Il secondo esempio riguarda invece la matematica pura. Nel 2021 un gruppo del Technion ha pubblicato su Nature la “macchina di Ramanujan”: un algoritmo che genera automaticamente congetture su costanti matematiche fondamentali, come pi greco o il numero di Eulero, sotto forma di frazioni continue. L'algoritmo propone connessioni che nessuno ha ancora notato ma dimostrarle è compito dei matematici. È forse l'esempio più letterale di uso euristico: le congetture indicano ai matematici in quale direzione guardare, ma sono le persone a fare le dimostrazioni.

Non è indispensabile guardare lontano per cercare esempi di uso euristico dell’IA. Qualcosa di simile succede anche al campus San Raffaele. La piattaforma S-RACE, sviluppata da UniSR e IRCCS Ospedale San Raffaele, nello studio del tumore renale ha portato alla luce due marcatori ematici a cui i medici non stavano pensando, segnali di malattia che nessuno aveva chiesto al sistema di cercare.

Il vero nemico della serendipità

Alla domanda su cosa minacci oggi la serendipità nella scienza, e quindi la possibilità di fare scoperte inaspettate, Pievani individua un nemico nella logica algoritmica dei social network e delle piattaforme che usiamo ogni giorno. Sono sistemi costruiti per profilare gli utenti sulla base delle loro scelte passate e riproporre, di continuo, varianti di ciò che già conoscono; un ambiente che rende difficile imbattersi in qualcosa di nuovo, che non si stava cercando.

«Ci servirebbero algoritmi serendipici, capaci di proporci qualcosa di davvero inatteso, ma non è questa la logica con cui vengono costruiti» dice Pievani. Un uso consapevole e critico dell’intelligenza artificiale nella ricerca scientifica, invece, permette di ampliare il proprio raggio d’azione.

Perché c’è ancora bisogno di scienziate e scienziati

Gli algoritmi attuali hanno un limite preciso: rispondono in modo compiacente, restituendo risposte in base a quello che si aspetta l’utente, e soprattutto difficilmente ammettono di non sapere qualcosa.

Abbiamo chiesto a Pievani se l'intelligenza artificiale potrebbe, un giorno, generare da sola domande di ricerca serendipiche. «Sono piuttosto scettico in merito. Sapere di non sapere e capire perché è qualcosa che ci distingue come esseri umani e che gli algoritmi non sono in grado, per ora, di replicare. Ancora più difficile da riprodurre è il momento in cui una scoperta rivela qualcosa che prima non sapevamo nemmeno di non sapere». Una consapevolezza che il filosofo della scienza definisce ignoranza generativa e che può paradossalmente diventare motore di nuova conoscenza.

«Dovremmo partire, come scienziati, da una semplice domanda: ho questa nuova tecnologia, molto efficace e potente in un ambito preciso, come la posso usare per trovare qualcosa in più e di nuovo, rispetto al passato? Questo stesso principio si applica al telescopio come all’IA», conclude Pievani.

Bibliografia

M. Codreanu, A. Imas et al., «AI in Science: Early Insights», Google DeepMind / MIT FutureTech (settembre 2026) — sondaggio su 637 ricercatori USA/UK

J.M. Stokes et al., «A Deep Learning Approach to Antibiotic Discovery», Cell 180, 688–702 (2020) — scoperta di halicin, MIT

G. Liu et al., «Deep learning-guided discovery of an antibiotic targeting Acinetobacter baumannii», Nature Chemical Biology (2023) — scoperta di abaucin, MIT

G. Raayoni et al., «Generating conjectures on fundamental constants with the Ramanujan Machine», Nature 590, 67–73 (2021) — Technion

«S-RACE: intelligenza artificiale in medicina», blog UniSR (5 giugno 2026) — piattaforma AI per l'analisi predittiva in oncologia urologica, UniSR/IRCCS San Raffaele