Google DeepMind ha presentato nuovi risultati ottenuti con Co-Scientist, il sistema multi-agente basato su Gemini progettato per svolgere in modo autonomo una parte sempre più ampia del processo scientifico. Nato inizialmente come strumento per generare idee di ricerca in ambienti prevalentemente virtuali, Co-Scientist è stato esteso fino a collegarsi direttamente con apparecchiature di laboratorio, costruendo un ciclo chiuso nel quale l’AI può formulare ipotesi, proporre esperimenti, controllarne l’esecuzione, analizzare i dati ottenuti e utilizzare i risultati per correggere o raffinare le proprie ipotesi. Il sistema è stato progettato per gestire autonomamente anche fasi di critica, discussione interna tra agenti, revisione delle proposte e produzione di documentazione scientifica.
Il nuovo lavoro mostra l’applicazione di questa architettura in ambienti sperimentali reali, superando il limite delle simulazioni software e dei soli compiti di generazione di codice. In questo modello di ricerca, Co-Scientist non si limita quindi a suggerire una procedura a un ricercatore umano, ma interagisce con i vincoli fisici del laboratorio e con la strumentazione disponibile, adattando i protocolli alle condizioni concrete dell’esperimento. Google DeepMind ha applicato questo approccio a diversi ambiti, tra cui scienza dei materiali, biologia, informatica e medicina.
Nel campo dei materiali, il sistema ha utilizzato Gemini 3 Deep Think per progettare in pochi minuti procedure di sintesi compatibili con le apparecchiature e con i vincoli di uno specifico laboratorio. Le procedure generate hanno consentito di ottenere al primo tentativo semiconduttori monostrato come disolfuro di molibdeno, MoS₂, diseleniuro di molibdeno, MoSe₂, e disolfuro di tungsteno, WS₂. Il risultato è particolarmente rilevante perché la sintesi di materiali bidimensionali richiede normalmente un controllo preciso di numerosi parametri sperimentali e l’adattamento del protocollo alle caratteristiche effettive dell’impianto utilizzato.
Nelle prove di biologia, Co-Scientist ha lavorato con quantità limitate di dati visivi per prevedere le modificazioni e i comportamenti di crescita di ceppi di Escherichia coli geneticamente modificati. Le previsioni sono state poi confrontate con i risultati di esperimenti wet-lab reali. Il sistema è riuscito a prevedere correttamente tre dei quattro indicatori sperimentali utilizzati nella verifica, mostrando la capacità di passare dall’analisi di dati visivi alla previsione di fenomeni biologici osservabili in laboratorio.
Un’altra sperimentazione ha interessato informatica e medicina. In questo caso al sistema è stato fornito essenzialmente un obiettivo finale, lasciando agli agenti la responsabilità di determinare come raggiungerlo. Co-Scientist ha progettato autonomamente un’architettura di AI medica chiamata Agent_H, ne ha sviluppato il codice e ha effettuato anche le successive valutazioni sperimentali. Il processo ha quindi incluso non solo la proposta concettuale dell’architettura, ma anche la sua implementazione e la verifica empirica delle prestazioni.
La caratteristica tecnica che accomuna questi esperimenti è l’utilizzo di una struttura closed-loop. Dopo la definizione dell’ipotesi iniziale, il sistema genera un piano sperimentale, interagisce con gli strumenti necessari all’esecuzione, raccoglie i risultati e li sottopone a nuovi cicli di analisi. Gli agenti possono criticare le conclusioni precedenti, discutere spiegazioni alternative e modificare il piano di ricerca sulla base delle evidenze ottenute. In questo modo il flusso non termina con la produzione di una risposta o di un protocollo, ma continua attraverso successive iterazioni guidate dai risultati reali.
Co-Scientist era stato presentato per la prima volta all’inizio del 2025 soprattutto come sistema capace di sviluppare ipotesi e idee scientifiche attraverso la collaborazione di più agenti Gemini. La nuova fase ne estende quindi l’impiego a un contesto nel quale il modello deve confrontarsi con apparecchiature, vincoli sperimentali e dati provenienti direttamente da fenomeni fisici o biologici. L’obiettivo è utilizzare il sistema come componente operativa del processo di ricerca e non soltanto come strumento per l’analisi della letteratura o la formulazione iniziale delle ipotesi.
Lo sviluppo si inserisce in una più ampia attività sui sistemi AI capaci di eseguire autonomamente cicli sperimentali. OpenAI ha presentato a giugno un progetto di AI chimica in grado di formulare ipotesi, condurre esperimenti e verificarne autonomamente i risultati. Anthropic ha invece applicato Claude alla progettazione proteica e alla chimica analitica, ottenendo la progettazione riuscita di target-induced binders per 14 dei 15 bersagli proteici considerati e analizzando dati grezzi di risonanza magnetica nucleare, NMR, e cromatografia liquida accoppiata alla spettrometria di massa, LC-MS, in circa 20 minuti con un’accuratezza superiore al 96%.
I nuovi esperimenti di DeepMind mostrano quindi Co-Scientist impegnato nell’intero percorso che collega la formulazione di un’ipotesi alla sua verifica fisica. La capacità di adattare protocolli alle apparecchiature disponibili, controllare gli esperimenti, interpretarne i risultati e utilizzare quei dati per decidere i passaggi successivi trasforma il sistema da strumento di supporto teorico a piattaforma in grado di partecipare direttamente al ciclo operativo della ricerca sperimentale.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)