L’intelligenza artificiale avrebbe ormai raggiunto un punto di svolta qualitativo, in cui non si limita più a replicare o riassumere conoscenze esistenti, ma inizia a contribuire alla risoluzione di problemi scientifici che l’umanità non era stata in grado di affrontare con successo. È questa la posizione espressa da Kevin Weil, vicepresidente di OpenAI e attuale responsabile del team scientifico dell’organizzazione, durante un intervento nel podcast di Andreessen Horowitz pubblicato il 26 del mese. Secondo Weil, il cambiamento non riguarda soltanto un incremento graduale delle capacità dei modelli, ma una combinazione di accelerazione nel ritmo di sviluppo e trasformazioni qualitative che hanno raggiunto una massa critica.
Entrato in OpenAI nel giugno 2024 come Chief Product Officer e responsabile dei prodotti consumer ed enterprise, tra cui ChatGPT, Weil ha recentemente assunto la guida del programma OpenAI for Science. La missione di questo gruppo è esplicita: applicare modelli di intelligenza artificiale di frontiera alla risoluzione di problemi complessi in ambiti altamente specialistici come biologia molecolare, chimica computazionale, fisica teorica e medicina traslazionale. L’obiettivo non è semplicemente migliorare strumenti di supporto alla ricerca, ma integrare l’AI nel cuore stesso del processo scientifico.
Tra gli strumenti sviluppati in questo contesto figura Prism, una piattaforma progettata per assistere gli scienziati nell’analisi sistematica della letteratura, nella formulazione di ipotesi e nella progettazione sperimentale. Prism opera come un sistema di sintesi avanzata e generazione guidata di ipotesi, capace di individuare connessioni latenti tra risultati pubblicati, proporre configurazioni sperimentali e suggerire variabili critiche da testare. In termini tecnici, questo implica l’utilizzo combinato di modelli linguistici di grandi dimensioni, sistemi di retrieval su corpora scientifici strutturati e moduli di ragionamento simbolico o semi-simbolico per garantire coerenza logica nelle proposte.
Secondo Weil, i modelli più recenti non si limitano più a produrre risposte eccellenti o codice funzionale, ma iniziano ad affrontare questioni di frontiera. Ha citato in particolare il campo della matematica, tradizionalmente considerato un banco di prova rigoroso per la capacità di generare conoscenza originale. Una delle critiche più ricorrenti all’intelligenza artificiale è che essa si limiti a ricombinare idee esistenti senza produrne di nuove. Tuttavia, nei primi mesi dell’anno sarebbero stati risolti numerosi problemi matematici irrisolti da decenni, inclusi alcuni associati alla tradizione dei problemi di Erdős, grazie a modelli di ultima generazione come GPT-5.2 e Gemini. In questo scenario, l’AI non opererebbe come semplice strumento di consultazione, ma come agente capace di estendere i confini della conoscenza formale.
Uno degli elementi tecnici chiave alla base di questa accelerazione è la cosiddetta inferenza a lungo termine. Tradizionalmente, i modelli linguistici generativi operano su finestre di contesto limitate e su tempi di inferenza relativamente brevi. L’evoluzione recente ha invece introdotto la possibilità di allocare risorse computazionali per periodi prolungati, consentendo al modello di “riflettere” su un problema complesso per ore, giorni o addirittura settimane. Dal punto di vista algoritmico, questo si traduce in strategie di pianificazione iterativa, cicli di verifica interna, simulazioni multiple e auto-valutazioni progressive, analoghe a processi di ragionamento umano distribuiti nel tempo. L’analogia proposta da Weil è chiara: così come un ricercatore può migliorare la qualità della soluzione dedicando più tempo all’analisi, anche il modello beneficia di finestre di elaborazione estese, che amplificano la complessità dei problemi affrontabili.
A questa evoluzione sul piano puramente computazionale si affianca un secondo asse strategico: l’integrazione con laboratori robotici autonomi. Il concetto è quello di “laboratori a guida autonoma”, in cui l’intelligenza artificiale non si limita a suggerire ipotesi ma diventa il motore iniziale del processo sperimentale. In questo paradigma, l’AI analizza grandi quantità di dati sperimentali pregressi, genera nuove ipotesi e le sottopone a migliaia o decine di migliaia di simulazioni virtuali per individuare configurazioni promettenti. Le configurazioni selezionate vengono poi tradotte in istruzioni leggibili dalle macchine e inviate a robot di laboratorio fisici, che eseguono gli esperimenti in modo continuo.
Questi sistemi robotici sono in grado di operare ventiquattr’ore su ventiquattro, miscelando composti, posizionando campioni, controllando parametri ambientali e registrando risultati con una precisione e una ripetibilità superiori agli standard umani. Sensori integrati consentono di rilevare deviazioni o errori in tempo reale, permettendo correzioni automatiche e ottimizzazioni dinamiche del protocollo sperimentale. I risultati vengono poi reinseriti nel modello AI, che aggiorna le proprie ipotesi e riavvia il ciclo. In termini di apprendimento automatico, il laboratorio fisico diventa parte integrante del ciclo di apprendimento per rinforzo, estendendo il loop di ottimizzazione oltre l’ambiente simulato e integrando direttamente il mondo reale nel processo di training iterativo.
Secondo la visione espressa da Weil, la combinazione di modelli avanzati e infrastrutture robotiche distribuite potrebbe anticipare di circa vent’anni alcune scoperte attualmente previste per il 2050, rendendole plausibili già entro il 2030. Tra gli esempi citati figura l’energia da fusione nucleare, campo in cui la complessità delle variabili sperimentali e la necessità di test ripetuti su larga scala potrebbero beneficiare enormemente di cicli di sperimentazione automatizzati e guidati dall’AI.
Parallelamente, OpenAI sostiene una strategia d’insieme che privilegia l’orchestrazione di più modelli specializzati rispetto all’affidamento a un unico modello monolitico di grandi dimensioni. Questa architettura modulare consentirebbe di ottimizzare prestazioni ed efficienza, assegnando compiti specifici a modelli addestrati per domini particolari e coordinandoli tramite agenti di alto livello. L’emergere di sistemi capaci di comunicare tra loro, come nel caso di piattaforme agentiche recentemente sviluppate e di acquisizioni strategiche nel settore, viene interpretato come un segnale dell’inizio di un’era in cui agenti autonomi collaborano in reti distribuite per affrontare compiti complessi.
Nel definire l’anno in corso come “l’anno dell’IA in azione”, OpenAI sottolinea che il vero salto evolutivo non si misura solo in benchmark o prestazioni su compiti standardizzati, ma nella capacità dell’intelligenza artificiale di contribuire a scoperte scientifiche originali. Se questa traiettoria verrà confermata, il ruolo dell’AI potrebbe trasformarsi da strumento di supporto a co-autore del progresso scientifico, ridefinendo tempi, metodi e strutture della ricerca globale.