La possibilità che l’intelligenza artificiale gestisca l’intero ciclo della ricerca scientifica, dalla generazione delle ipotesi alla pubblicazione su riviste accademiche, sta passando da scenario teorico a realtà operativa. Un lavoro generato interamente da un sistema AI denominato “The AI Scientist-v2” è stato pubblicato su una rivista accademica di alto profilo, segnando un passaggio significativo nell’evoluzione dell’automazione della ricerca. Il progetto, sviluppato da Sakana AI in collaborazione con University of British Columbia, University of Oxford e Vector Institute, non ha previsto la scrittura manuale dell’articolo da parte dei ricercatori, ma si è concentrato sulla progettazione e validazione del sistema AI responsabile dell’intero processo scientifico.
Il sistema AI Scientist-v2 è progettato come un’architettura multi-agente in grado di replicare le principali fasi della ricerca in apprendimento automatico. Il modello genera ipotesi a partire da un tema definito, analizza la letteratura esistente, progetta esperimenti, scrive il codice necessario per l’esecuzione e produce i risultati con relative visualizzazioni. Il processo si conclude con la stesura automatica dell’articolo scientifico in formato LaTeX, seguendo la struttura standard della pubblicazione accademica. Questo approccio introduce un livello di automazione che non si limita alla generazione testuale, ma include l’intero ciclo metodologico, tradizionalmente gestito da ricercatori umani.
Una caratteristica tecnica centrale del sistema è l’utilizzo di agenti paralleli per l’esecuzione simultanea di più esperimenti. Questo meccanismo consente di esplorare rapidamente varianti metodologiche e configurazioni differenti, aumentando l’efficienza del processo di ricerca. L’architettura multi-agente coordina la generazione delle ipotesi, l’esecuzione del codice e l’analisi dei risultati, creando un flusso iterativo che ottimizza progressivamente la qualità delle soluzioni proposte. Il sistema, in pratica, opera come un laboratorio di ricerca automatizzato in cui ogni agente contribuisce a una fase specifica del processo scientifico.
Lo studio pubblicato dimostra inoltre una relazione tra le prestazioni del modello AI e la qualità degli articoli generati, evidenziando una “legge di scala”. Questo principio suggerisce che l’aumento della capacità computazionale e della dimensione dei modelli comporta un miglioramento sistematico dei risultati scientifici prodotti automaticamente. Tale dinamica è coerente con le osservazioni già emerse nel campo dei modelli linguistici, dove prestazioni più elevate sono associate a dataset più ampi e architetture più complesse. Applicata alla ricerca scientifica, questa relazione implica che futuri sistemi AI, più potenti e meno costosi dal punto di vista computazionale, potrebbero raggiungere livelli comparabili o superiori a quelli dei ricercatori umani in specifici ambiti.
Il progetto rappresenta un’evoluzione rispetto alla prima versione di AI Scientist, presentata nell’agosto 2024, che già introduceva la generazione automatica di ipotesi e l’esecuzione di esperimenti. La versione aggiornata amplia l’automazione includendo la visualizzazione dei risultati, la scrittura completa dell’articolo e la gestione di più esperimenti in parallelo. L’obiettivo dichiarato è l’automazione completa della ricerca sull’intelligenza artificiale, riducendo l’intervento umano alla supervisione e alla validazione del sistema.
Un aspetto particolarmente rilevante riguarda il processo di revisione. Il team ha sviluppato un sistema di revisione automatizzata capace di sintetizzare più valutazioni e formulare un giudizio finale. Il confronto con dati reali provenienti da revisioni umane, come quelli del sistema OpenReview, ha mostrato prestazioni comparabili a quelle dei revisori umani. In alcune metriche, il sistema automatico ha evidenziato una maggiore coerenza interna rispetto alla variabilità tipica delle revisioni umane. Questo risultato suggerisce che l’automazione potrebbe estendersi anche alla fase di peer review, modificando radicalmente l’ecosistema della pubblicazione accademica.
Nonostante i progressi, il sistema presenta limiti evidenti. L’intelligenza artificiale tende a generare talvolta idee di ricerca relativamente semplici o incomplete, e può incontrare difficoltà nella progettazione di metodologie particolarmente complesse. Persistono inoltre problemi legati alle cosiddette allucinazioni, come citazioni errate, riferimenti inesistenti o duplicazioni di immagini. Queste criticità evidenziano la necessità di supervisione umana e di meccanismi di verifica più robusti per garantire l’affidabilità dei risultati.
La pubblicazione di articoli generati da AI solleva anche questioni etiche e strutturali. L’automazione della produzione scientifica potrebbe portare a un aumento esponenziale del numero di articoli, mettendo sotto pressione il sistema di revisione e rischiando di alterare l’equilibrio dell’ecosistema accademico. Esiste inoltre il rischio di falsificazione involontaria dei risultati o di propagazione di errori sistematici se i modelli non vengono adeguatamente controllati. Per questo motivo, il team di ricerca ha suggerito l’introduzione di filigrane per identificare i contenuti generati dall’intelligenza artificiale e la definizione di nuove norme accademiche per regolamentarne l’utilizzo.
L’esperimento dimostra che l’automazione completa della ricerca scientifica non è più un concetto teorico ma una possibilità concreta. L’intelligenza artificiale è in grado di gestire l’intero ciclo di ricerca, dalla formulazione delle ipotesi alla pubblicazione, aprendo scenari in cui la produzione scientifica diventa altamente scalabile. Allo stesso tempo, emergono nuove sfide legate alla qualità, all’etica e alla governance della conoscenza. La transizione verso una ricerca parzialmente o completamente automatizzata richiederà quindi nuovi strumenti di controllo e una revisione delle pratiche accademiche consolidate, in un contesto in cui il ruolo dei ricercatori umani potrebbe evolvere verso funzioni di supervisione, validazione e definizione strategica delle direzioni scientifiche.