Ginkgo Bioworks ha modificato profondamente una competizione scientifica che avrebbe dovuto mettere direttamente a confronto un ricercatore umano con un agente AI avanzato di OpenAI nella progettazione di proteine, scegliendo invece un modello di “coopetition”, cioè di competizione collaborativa, nel quale più scienziati potranno lavorare insieme oppure organizzarsi in squadre e confrontare i propri risultati con quelli dell’intelligenza artificiale. L’iniziativa originale, chiamata “Mike Versus the Machines”, avrebbe dovuto vedere Michael Jewett, professore della Stanford University specializzato nella sintesi proteica cell-free, sfidare un agente AI di frontiera non ancora pubblicamente disponibile sviluppato da OpenAI. Il confronto, paragonato per impostazione alla celebre sfida tra Garry Kasparov e Deep Blue, era stato programmato all’interno del laboratorio robotizzato di Ginkgo a Boston, una struttura di circa 15.000 piedi quadrati, equivalenti a circa 1.394 metri quadrati, e avrebbe dovuto essere seguito anche da una troupe incaricata di realizzare un documentario. Prima dell’avvio, tuttavia, la competizione è stata rinviata e successivamente riprogettata: la formula uno contro uno è stata eliminata e sostituita da una struttura nella quale più scienziati potranno costituire un unico “Team Human”, discutendo insieme strategie e progetti proteici, oppure dividersi in gruppi distinti da mettere a confronto con l’agente di OpenAI. La partecipazione definitiva di Jewett non è ancora stata confermata. Secondo Reshma Shetty, cofondatrice e CEO di Ginkgo Bioworks, il cambiamento riflette anche le crescenti preoccupazioni emerse nella comunità scientifica sul ruolo dell’AI nella ricerca e sposta l’attenzione dalla semplice domanda su chi sia più capace, l’uomo o la macchina, verso il modo in cui persone e sistemi AI possano effettivamente collaborare per raggiungere obiettivi scientifici.
La decisione arriva mentre aumentano gli esempi di sistemi di intelligenza artificiale capaci di avvicinarsi alle prestazioni dei ricercatori in problemi scientifici complessi. Nel settembre 2026, per esempio, la notizia secondo cui un modello interno di OpenAI avrebbe risolto un problema matematico rimasto aperto a lungo ha riacceso il dibattito nella comunità matematica sul rapporto futuro tra ricerca umana e sistemi AI. Un’altra controversia recente aveva riguardato il tentativo di OpenAI di diventare sponsor dell’International Mathematical Olympiad, poi ritirato dopo le critiche provenienti dall’ambiente accademico. Allo stesso tempo, le dichiarazioni dei dirigenti delle aziende AI secondo cui questi sistemi potrebbero accelerare drasticamente la scoperta di nuovi farmaci o trattamenti per le malattie vengono accolte da parte della comunità scientifica con richieste di verifiche più rigorose. Ginkgo aveva comunque motivi concreti per organizzare il confronto: la società aveva già collaborato con OpenAI in un progetto dedicato alla sintesi proteica cell-free nel quale intelligenza artificiale e robot erano stati utilizzati per individuare combinazioni chimiche più efficienti. Nel febbraio 2026 le due aziende avevano annunciato di essere riuscite a ridurre del 40% i costi di sintesi rispetto ai metodi precedenti. Durante quella ricerca, il sistema AI supportato dall’automazione robotica aveva eseguito circa 30.000 esperimenti, mentre uno studente del laboratorio di Jewett ne aveva effettuati manualmente 1.231. Da questa differenza era nata una domanda ulteriore: se sia gli scienziati sia l’intelligenza artificiale potessero disporre dello stesso accesso alla robotica sperimentale, quale dei due approcci riuscirebbe a individuare il metodo migliore. È proprio questa domanda che rimane alla base della nuova competizione, pur con una struttura meno orientata allo scontro diretto tra un singolo ricercatore e una macchina.
La nuova competizione dovrebbe iniziare a metà ottobre e proseguire fino alla fine del 2026. I partecipanti dovranno progettare le combinazioni chimiche più efficienti per produrre tre proteine selezionate da Ginkgo, mentre gli esperimenti fisici verranno materialmente eseguiti dai sistemi robotici dell’azienda. La prima prova riguarderà sfGFP, una proteina fluorescente ampiamente utilizzata nei laboratori, e i risultati verranno valutati in base alla quantità prodotta e al costo necessario per ottenerla. Le prove successive introdurranno parametri più vicini alle esigenze reali dello sviluppo farmaceutico, compresa la corretta conformazione tridimensionale delle proteine, cioè il loro folding. L’agente AI dovrà quindi fare molto più che consultare la letteratura scientifica: dovrà progettare autonomamente gli esperimenti, analizzarne i risultati e decidere quali direzioni di ricerca seguire nei passaggi successivi. Gli scienziati umani potranno invece utilizzare decenni di esperienza sperimentale, conoscenze specialistiche e capacità di interpretare i risultati sulla base di un contesto scientifico più ampio. Il confronto sarà quindi costruito su un ciclo sperimentale reale, nel quale entrambe le parti dovranno formulare ipotesi, proporre condizioni sperimentali, osservare ciò che accade in laboratorio e modificare di conseguenza la propria strategia. Jewett, interrogato sulla possibilità che in futuro un sistema AI possa gestire autonomamente un laboratorio e diventare un vero concorrente degli scienziati umani, ha risposto che al momento non è ancora possibile stabilirlo.
L’esperimento di Ginkgo non è inoltre un caso isolato. Anthropic e Adaptive Biotechnologies hanno avviato a loro volta una competizione dedicata alla progettazione di proteine, per la quale Anthropic ha messo a disposizione dei partecipanti crediti Claude per un valore complessivo di un milione di dollari. La diffusione di iniziative di questo tipo mostra come il confronto tra intelligenza artificiale e ricerca scientifica stia progressivamente passando dai benchmark puramente teorici ad ambienti nei quali i modelli devono interagire con laboratori automatizzati, progettare esperimenti e interpretarne le conseguenze. Nel caso di Ginkgo, tuttavia, il cambiamento della formula riflette anche una trasformazione del modo in cui queste capacità vengono presentate: non più una gara costruita principalmente attorno alla domanda se l’AI possa battere un singolo scienziato, ma un esperimento destinato a capire come differenti forme di intelligenza, automazione ed esperienza possano essere combinate all’interno dello stesso processo di ricerca. La competizione manterrà quindi una componente comparativa, perché i risultati prodotti dagli scienziati e dall’agente AI potranno essere misurati sulla stessa base sperimentale, ma il nuovo formato punta a rappresentare in modo più realistico il funzionamento della ricerca scientifica, dove collaborazione, confronto tra strategie e utilizzo condiviso degli strumenti hanno normalmente un ruolo almeno altrettanto importante della prestazione individuale.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)