Nel settembre 2025, il AI Scientist ha prodotto il primo articolo di ricerca interamente generato da un’intelligenza artificiale a superare la revisione paritaria umana. Pubblicato su Nature poche settimane dopo, questo risultato segna un punto di svolta epistemologico: per la prima volta, una macchina non si limita a supportare la scienza, ma la produce autonomamente. Da AlphaFold di DeepMind, citato oltre ventimila volte e premio Nobel per la chimica, agli agenti di ricerca sviluppati da Sakana AI, stiamo assistendo alla trasformazione del metodo scientifico stesso. Questo articolo esplora le implicazioni filosofiche di una scienza sempre più affidata all’intelligenza artificiale, interrogandosi sul significato epistemologico della conoscenza algoritmica.
La terza rivoluzione scientifica: dall’osservazione all’automazione
La storia della scienza conosce poche vere discontinuità epistemologiche. La prima, galileiana, ha sostituito l’aristotelismo con il metodo sperimentale. La seconda, kuhniana, ha mostrato come la scienza progredisca attraverso rivoluzioni e cambiamenti di paradigma. Oggi assistiamo a una terza trasformazione: la capacità dei sistemi di intelligenza artificiale di formulare ipotesi, progettare esperimenti e validare risultati senza intervento umano diretto.
Secondo i ricercatori della Carnegie Mellon University, stiamo sviluppando “piattaforme autonome che integrano screening ad alto rendimento con modellazione guidata dall’AI”. Questa combinazione consente di accelerare la scoperta in ambiti come la salute ambientale, i materiali avanzati e i sistemi energetici. L’intelligenza artificiale non è più semplicemente uno strumento di analisi dati, ma diventa un attore epistemico indipendente, capace di generare nuova conoscenza.
Il caso di AlphaFold illustra perfettamente questa evoluzione. Quando nel 2020 DeepMind ha rilasciato il sistema di predizione della struttura tridimensionale delle proteine, ha risolto un problema che la comunità scientifica considerava intrattabile da decenni. Andrea Paulli, biochimica presso il Research Institute of Molecular Pathology di Vienna, ha dichiarato a Nature di utilizzare AlphaFold “per ogni progetto” perché “accelera la scoperta”.
Non si tratta solo di accelerazione. La qualità delle predizioni ha raggiunto livelli comparabili a tecniche sperimentali costose e lunghe. Questo ha democraticizzato l’accesso alla conoscenza, permettendo a laboratori con risorse limitate di competere su temi precedentemente riservati a grandi centri.
Campi di battaglia epistemologici: conoscenza, spiegazione e comprensione
La domanda fondamentale è immediata: un sistema di intelligenza artificiale che produce risultati corretti sta davvero facendo scienza? Oppure si limita a identificare correlazioni statistiche prive di significato teorico? La questione riprende il dibattito classico tra epistemologia della scoperta e epistemologia della giustificazione, ma lo sposta su un terreno inedito.
Tradizionalmente, distinguere scienza da non-scienza richiedeva tre elementi: la falsificabilità delle teorie, la riproducibilità dei risultati e la presenza di un meccanismo causale esplicativo. I sistemi di intelligenza artificiale soddisfano agevolmente i primi due criteri: i loro output sono verificabili e ripetibili. Il terzo, tuttavia, solleva questioni più profonde.
Quando AlphaFold predice la struttura di una proteina, nessun umano può spiegare passo dopo passo il ragionamento seguito dalla rete neurale. La conoscenza prodotta è, per così dire, acefala: funziona, ma non si sa esattamente perché. Gli studiosi evidenziano che questi sistemi “producono una forma di conoscenza dal rapporto tra informazioni”.
La conoscenza scientifica tradizionale si fonda sulla comprensione intellettuale del fenomeno studiato, mentre l’IA sembra operare attraverso relazioni statistiche puramente formali. La sostituzione della comprensione con la correlazione rappresenta una minaccia latente per l’impresa scientifica?
La crisi della riproducibilità e la promessa dell’automazione
Negli ultimi anni molte discipline hanno affrontato la “crisi della riproducibilità”: una percentuale allarmante di studi non può essere replicata da laboratori indipendenti. I fattori includono pressioni editoriali, metodologie statistiche inadeguate e interessi commerciali confusi con quelli della ricerca.
In questo quadro, l’intelligenza artificiale appare paradossalmente come una possibile soluzione. Gli agenti automatizzati, essendo privi di interessi personali, potrebbero superare i bias che affliggono la ricerca umana. Secondo un’analisi di Nature, nel 2025 oltre ottantamila pubblicazioni nelle scienze naturali hanno citato l’uso di strumenti di intelligenza artificiale, con un aumento del 26% rispetto al 2024.
Tuttavia la promessa di obiettività algoritmica è mitigata da rischi uguali e contrari. Gli stessi sistemi di intelligenza artificiale possono ereditare e amplificare i bias presenti nei dati di addestramento. L’automazione non elimina i valori dalla ricerca, ma li rende più difficili da individuare e contestare.
La simbiosi uomo-macchina: verso una nuova divisione del lavoro
La lettura catastrofica che vede nell’intelligenza artificiale la sostituzione dello scienziato umano sembra priva di fondamento. I dati raccontano una storia di complementarietà: gli umani eccellono nella formulazione di domande creative e nella valutazione del significato più ampio dei risultati, mentre le macchine dominano l’elaborazione di pattern complessi e la generazione di ipotesi testabili.
DeepMind ha recentemente annunciato AlphaEvolve, un sistema che combina modelli linguistici con algoritmi evolutivi per scoprire nuove strutture matematiche. Gli algoritmi evolutivi richiedono comunque la definizione di obiettivi e vincoli da parte di operatori umani.
Questa divisione del lavoro ripropone la distinzione kantiana tra intelletto e ragione. L’intelligenza artificiale, come intelletto, è potente nell’aggregare dati e individuare regolarità. Ma la ragione, intesa come capacità di stabilire fini e significati ultimi, resta peculiare della mente umana.
Questioni aperte: autoria, responsabilità e trasparenza
La transizione verso una scienza assistita dall’intelligenza artificiale solleva interrogativi ontologici. Quando un sistema automatizzato formula un’ipotesi corretta, chi ne è l’autore? Il programmatore che ne ha definito i parametri, il modello che l’ha generata, o la comunità scientifica che la valida?
La nozione stessa di scoperta richiede riformulazione: non più l’atto eroico di un genio isolato, ma un processo distribuito tra agenti umani e artificiali.
La questione della responsabilità assume toni inediti. Tradizionalmente uno scienziato risponde dei propri errori. Ma quando un’intelligenza artificiale produce risultati falsi, dove collocare la responsabilità?
Per valutare una scoperta la comunità deve comprendere come questa sia stata ottenuta. I modelli di intelligenza artificiale, spesso “scatole nere”, presentano sfide particolari. Tecniche di interpretabilità stanno progressivamente rendendo i sistemi più trasparenti, ma il divario tra funzionamento e comprensibilità rimane.
Conclusione: la scienza come processo di ampliamento
L’intelligenza artificiale sta ridefinendo il confine tra ciò che la scienza può sapere e ciò che può comprendere. Da un lato espande enormemente il campo del sapibile, generando pattern invisibili all’intelletto umano. Dall’altro solleva interrogativi sul significato di questo sapere quando non è supportato da comprensione.
La scienza non è mai stata solamente un’impresa di accumulo di fatti. È stata, e rimane, un modo di ragionare, di interrogare il mondo e di costruire narrazioni coerenti sul funzionamento della realtà. In questo senso, l’intelligenza artificiale non sostituisce la scienza, ma la trasforma, aprendo nuove modalità di interazione tra mente umana e complessità naturale.
La domanda che ci lascia questa riflessione non è se le macchine possano fare scienza, ma cosa significhi fare scienza in un’epoca in cui le macchine sono partner indispensabili. Come individueremo la frontiera tra scoperta e invenzione, tra osservazione e costruzione, quando l’osservatore stesso è in parte artificiale?
Fonti: Carnegie Mellon University (2025), Nature (2025), Sakana AI – The AI Scientist (2025), DeepMind, Voxel51.
Share this content:
