Venti organizzazioni scientifiche coinvolte, dalla genomica all’astrofisica, passando per la ricerca oncologica, la matematica e lo studio del clima. Il 28 ottobre 2026 Anthropic ha annunciato l’ampliamento di AI for Science, un programma avviato nel maggio 2025 per mettere strumenti di intelligenza artificiale a disposizione dei ricercatori. La novità riguarda soprattutto il modello di collaborazione: accanto al sostegno ai singoli scienziati entrano accordi con fondazioni, istituti e gruppi impegnati in progetti di ricerca.
L’iniziativa prevede l’assegnazione di crediti gratuiti per utilizzare Claude, il sistema di intelligenza artificiale sviluppato dalla società statunitense. Le risorse potranno essere impiegate per elaborare ipotesi, progettare esperimenti, analizzare dati complessi e organizzare risultati scientifici. Le attività coinvolgono discipline molto differenti, ciascuna con procedure di verifica, strumenti e vincoli specifici.
Il dato delle 20 collaborazioni richiede però una distinzione. L’annuncio comprende sei organizzazioni che finanziano o sostengono la ricerca, sei istituzioni scientifiche e sei progetti specifici. A questi si aggiungono due collaborazioni già avviate, con HHMI Janelia Research Campus e Allen Institute, richiamate per illustrare le applicazioni precedenti del programma.
Non si tratta quindi di venti nuovi laboratori né di venti scoperte scientifiche. Le collaborazioni hanno caratteristiche differenti e molte sono ancora nelle fasi iniziali. La loro rilevanza dipenderà dai risultati che i gruppi di ricerca riusciranno a ottenere e, soprattutto, dalla possibilità di verificarli attraverso metodi indipendenti.
Fondazioni e istituti: come cambia l’accesso agli strumenti di ricerca
La prima componente del programma riguarda gli organismi che distribuiscono finanziamenti e risorse alla comunità scientifica. Tra quelli coinvolti compaiono Alfred P. Sloan Foundation, Simons Foundation e Schmidt Sciences, attive nel sostegno alla ricerca fondamentale e interdisciplinare.
Sono presenti anche l’Open Source for Science Fund, iniziativa di Renaissance Philanthropy dedicata alle infrastrutture software aperte, la National Science Foundation statunitense e CAS, divisione dell’American Chemical Society specializzata nell’organizzazione delle informazioni chimiche.
Queste organizzazioni avranno il compito di distribuire crediti per l’utilizzo dell’intelligenza artificiale a ricercatori impegnati in progetti scientifici. Il meccanismo è diverso dall’installazione di un sistema all’interno di un singolo laboratorio: permette di raggiungere gruppi che operano in discipline e istituzioni differenti, attraverso organismi già impegnati nella selezione e nel sostegno della ricerca.
La seconda componente comprende sei istituzioni che potranno utilizzare le risorse direttamente nelle proprie attività.
Lo Space Telescope Science Institute gestisce operazioni scientifiche legate ai telescopi spaziali Hubble, James Webb e Roman e conserva importanti archivi astronomici. Il Wellcome Sanger Institute lavora sulla genomica e produce grandi quantità di dati biologici. Il Francis Crick Institute concentra la propria attività sulla comprensione dei meccanismi alla base della salute e delle malattie.
Completano il gruppo il Dipartimento di Life Sciences dell’Imperial College London, l’European Molecular Biology Laboratory e i Gladstone Institutes di San Francisco, impegnati in diversi ambiti della ricerca biomedica.
La presenza di questi istituti rende particolarmente interessante la sperimentazione dell’intelligenza artificiale nella ricerca scientifica. Si tratta infatti di strutture che dispongono di archivi, apparecchiature, competenze specialistiche e procedure consolidate. L’eventuale integrazione di sistemi automatici dovrà confrontarsi con processi già sottoposti a controlli metodologici e scientifici.
Un istituto di genomica, per esempio, deve garantire la corretta interpretazione delle varianti genetiche. Un centro astronomico deve poter ricostruire le operazioni eseguite sui dati osservativi. Un laboratorio biomedico deve distinguere le associazioni statistiche dalle evidenze sperimentali.
L’accesso a una maggiore capacità di elaborazione può agevolare alcune attività, ma non modifica questi requisiti.
Dalla mappatura del cervello ai modelli climatici: sei progetti coinvolti
Una parte dell’ampliamento interessa direttamente iniziative di ricerca già riconoscibili per i risultati ottenuti o per le infrastrutture scientifiche sviluppate.
FlyWire, collegato alla Princeton University, ha contribuito alla ricostruzione completa delle connessioni neuronali del cervello di un moscerino della frutta adulto. Il progetto produce dati e strumenti aperti per la connettomica, disciplina che studia l’organizzazione delle reti nervose.
La disponibilità di mappe neuronali estremamente dettagliate apre problemi di analisi che richiedono competenze biologiche, informatiche e statistiche. Gli strumenti di intelligenza artificiale possono essere sperimentati nell’interrogazione dei dati e nell’individuazione di relazioni da sottoporre successivamente a verifica.
Sul versante ambientale compare LEAP, centro della Columbia University sostenuto dalla National Science Foundation. Il progetto combina apprendimento automatico e principi fisici per migliorare la rappresentazione di fenomeni atmosferici, oceanici e terrestri nei modelli climatici.
La questione scientifica è particolarmente delicata. Un modello può riprodurre con buona precisione un insieme di osservazioni senza rappresentare correttamente i processi fisici che le hanno generate. Per questo le applicazioni dell’intelligenza artificiale alla climatologia devono essere valutate anche rispetto alla coerenza con le leggi fisiche e alla capacità di funzionare su condizioni differenti da quelle utilizzate durante l’addestramento.
Nella ricerca oncologica figura AstroPath, sviluppato nell’ambito della Johns Hopkins University. Il progetto utilizza metodi di calibrazione provenienti dall’astronomia per analizzare immagini tumorali a livello cellulare e rendere confrontabili misurazioni ottenute da campioni e laboratori differenti.
Il collegamento tra astronomia e patologia mostra quanto possa essere utile trasferire metodi quantitativi da una disciplina all’altra. L’intelligenza artificiale può contribuire alla gestione delle immagini e all’analisi dei risultati, ma l’accuratezza delle misurazioni resta legata alla qualità dei campioni, alla calibrazione degli strumenti e alla validazione delle procedure.
Un altro progetto coinvolto è gnomAD, del Broad Institute, che raccoglie dati genetici relativi a oltre 800.000 persone. Il database costituisce una risorsa per studiare la variabilità genetica umana e supportare la ricerca sulle malattie rare.
Completano il gruppo Tau Ceti, iniziativa matematica dedicata alla costruzione di una biblioteca condivisa di risultati formalizzati nel linguaggio Lean, e il Centre for Population Genomics australiano, nato dalla collaborazione tra Garvan Institute of Medical Research e Murdoch Children’s Research Institute.
Quest’ultimo lavora per migliorare la rappresentazione delle diverse comunità nei dati genomici e sviluppare strumenti utili alla diagnosi delle malattie rare.
Le sei iniziative condividono un elemento: dispongono già di obiettivi scientifici definiti. L’intelligenza artificiale viene introdotta come possibile supporto a lavori esistenti, non come sostituto della progettazione scientifica.
Verificare i risultati prodotti dall’intelligenza artificiale
L’utilizzo dell’intelligenza artificiale nella ricerca scientifica solleva una questione metodologica precisa: come stabilire se un risultato generato o suggerito da un modello sia corretto?
Un sistema linguistico può produrre spiegazioni plausibili, proporre relazioni tra variabili e suggerire procedure sperimentali. La coerenza del testo, tuttavia, non costituisce una prova della validità scientifica delle conclusioni.
Una correlazione individuata automaticamente in un archivio biologico può dipendere da un errore di campionamento. Una procedura di analisi può contenere un’impostazione statistica inadeguata. Un riferimento bibliografico può essere inesatto oppure attribuire a uno studio risultati che non contiene.
Il problema non riguarda esclusivamente le informazioni false. Anche una risposta formalmente corretta può essere scientificamente inadeguata quando trascura condizioni sperimentali, limiti del campione o ipotesi necessarie per interpretare i dati.
Per questo l’introduzione di modelli generativi nei laboratori richiede controlli differenziati.
Nell’analisi dei dati, i risultati devono essere confrontati con procedure statistiche validate e, quando possibile, con insiemi di dati indipendenti. Nella progettazione degli esperimenti, le ipotesi devono essere valutate rispetto alla letteratura esistente e alle condizioni effettivamente riproducibili in laboratorio.
Nel lavoro bibliografico è necessario verificare le pubblicazioni originali, evitando di considerare sufficienti i riassunti prodotti automaticamente.
La validazione diventa ancora più rigorosa quando le applicazioni riguardano salute e medicina. Un modello capace di individuare una possibile associazione genetica non ha necessariamente dimostrato l’utilità clinica di quella scoperta. Occorrono verifiche indipendenti e, quando pertinenti, studi funzionali e clinici.
Questa distinzione permette di separare la capacità di generare ipotesi dalla produzione di conoscenze scientifiche effettivamente consolidate.
Riproducibilità e tracciabilità delle analisi
La riproducibilità è uno dei criteri centrali per valutare le applicazioni dell’intelligenza artificiale nei processi scientifici.
Un ricercatore deve poter ricostruire come è stato ottenuto un risultato, quali dati sono stati utilizzati, quali trasformazioni sono state eseguite e quali parametri hanno influenzato l’analisi.
Con i modelli generativi la procedura può diventare più complessa. Le risposte possono variare in funzione della versione del modello, delle istruzioni fornite, dei documenti disponibili e delle impostazioni operative.
Registrare soltanto la risposta finale non basta.
Una documentazione adeguata dovrebbe conservare la versione del sistema, le istruzioni utilizzate, il codice eventualmente prodotto, i dati di ingresso, le operazioni compiute e gli strumenti esterni coinvolti.
Quando il modello genera codice per analizzare un dataset, il programma dovrebbe essere sottoposto a controlli prima dell’esecuzione e conservato insieme alle informazioni necessarie per ripetere l’elaborazione.
La possibilità di verificare automaticamente alcune operazioni costituisce un vantaggio concreto, soprattutto quando esistono sistemi indipendenti di controllo.
È il caso del progetto Tau Ceti, che lavora con Lean, un linguaggio per la formalizzazione matematica. In questo ambiente le dimostrazioni possono essere sottoposte a un verificatore formale. L’eventuale contributo di un modello generativo alla costruzione della dimostrazione rimane distinto dal controllo della sua correttezza logica.
La verifica formale, naturalmente, non garantisce che un teorema sia interessante o che le ipotesi scelte descrivano correttamente un problema reale. Offre però un controllo rigoroso su una componente specifica del lavoro.
Per altre discipline la verifica è meno immediata. In biologia sperimentale, per esempio, una previsione deve confrontarsi con misurazioni fisiche, variabilità biologica e possibili errori degli strumenti.
L’intelligenza artificiale nella ricerca scientifica richiede quindi protocolli di valutazione costruiti sulle caratteristiche della disciplina, anziché un unico criterio generale di affidabilità.
Gestione dei dati scientifici e protezione delle informazioni sensibili
La gestione dei dati rappresenta un ulteriore elemento decisivo delle collaborazioni annunciate. Alcuni degli istituti coinvolti lavorano con archivi pubblici, altri trattano informazioni genetiche, dati clinici o materiali di ricerca soggetti a restrizioni.
L’utilizzo di sistemi esterni di intelligenza artificiale richiede quindi una valutazione preventiva delle condizioni di accesso, conservazione e trattamento delle informazioni.
Nel caso delle banche dati genomiche, la distinzione tra dati aggregati, informazioni pubblicamente consultabili e dati individuali è particolarmente importante. Anche quando un archivio è destinato alla ricerca, questo non significa che ogni informazione possa essere trasferita liberamente a servizi di elaborazione esterni.
La disponibilità di una piattaforma tecnica non equivale all’autorizzazione a utilizzarla con qualsiasi categoria di dati.
I responsabili scientifici devono verificare quali informazioni possono essere condivise, se esistono obblighi contrattuali o normativi e quali misure siano necessarie per impedire accessi non autorizzati.
Anche la qualità dei dati incide sull’affidabilità dei risultati. Archivi incompleti, popolazioni scarsamente rappresentate e differenze nei protocolli di raccolta possono produrre distorsioni che l’automazione rischia di amplificare.
Il lavoro del Centre for Population Genomics è significativo proprio perché affronta il problema della rappresentatività delle popolazioni negli studi genetici. L’impiego dell’intelligenza artificiale su archivi insufficientemente diversificati potrebbe restituire risultati meno affidabili per i gruppi sottorappresentati.
Un sistema automatico può individuare schemi ricorrenti nei dati disponibili, ma non può ricostruire informazioni che non sono mai state raccolte.
Il controllo umano e i limiti dell’automazione nei laboratori
Tra le esperienze già avviate nel programma compare la collaborazione con HHMI Janelia Research Campus per lo sviluppo del Model Hardware Standard, una specifica condivisa pensata per consentire agli agenti di intelligenza artificiale di interagire con strumenti fisici di laboratorio.
Al momento dell’annuncio, il progetto si trova ancora in una fase di anteprima per la ricerca.
La possibilità di collegare un sistema automatico alle apparecchiature scientifiche introduce problemi differenti rispetto all’analisi di documenti o dataset. Un errore può comportare la perdita di un campione, l’esecuzione di una procedura non corretta o il danneggiamento di uno strumento.
L’automazione deve quindi operare entro limiti prestabiliti, con autorizzazioni differenziate e possibilità di interrompere le operazioni.
Il principio è coerente con l’AI Risk Management Framework del National Institute of Standards and Technology statunitense, che considera validità, affidabilità, sicurezza e intervento umano elementi necessari nella gestione dei rischi dei sistemi di intelligenza artificiale.
La responsabilità delle decisioni scientifiche rimane in capo ai ricercatori e alle istituzioni che organizzano gli esperimenti.
Un agente automatico può preparare una sequenza operativa, ma la scelta di eseguirla dovrebbe dipendere da controlli proporzionati ai rischi. Le operazioni ripetitive e reversibili possono richiedere una supervisione diversa rispetto a quelle che coinvolgono materiali biologici delicati o strumenti costosi.
Anche l’interpretazione dei risultati resta una responsabilità scientifica. La selezione delle ipotesi, la valutazione delle spiegazioni alternative e la decisione di pubblicare una conclusione richiedono competenze che non possono essere sostituite dalla semplice produzione automatica di una risposta.
L’intelligenza artificiale nella ricerca scientifica può modificare la distribuzione del lavoro nei laboratori, riducendo il tempo dedicato ad alcune operazioni e aumentando quello disponibile per attività sperimentali e interpretative. L’entità di questo cambiamento deve però essere misurata, anziché presunta.
I risultati già osservati e quelli ancora da dimostrare
La collaborazione con l’Allen Institute offre un esempio delle possibilità operative attualmente esplorate.
L’istituto sviluppa grandi archivi aperti dedicati allo studio del cervello, delle cellule e del sistema immunitario. Tra le attività sostenute rientra la costruzione di gruppi di agenti artificiali incaricati di analizzare questi dati.
L’obiettivo descritto nel programma è ridurre da mesi a ore alcune operazioni di analisi precedentemente svolte manualmente.
Si tratta di un’indicazione interessante, ma l’annuncio del 28 ottobre non presenta un confronto metodologico completo che permetta di stabilire su quali attività sia stato misurato il risparmio di tempo, con quali condizioni sperimentali e mantenendo quale livello di accuratezza.
La differenza è sostanziale. Una procedura può essere più rapida senza essere altrettanto affidabile. Il tempo risparmiato nella prima elaborazione potrebbe inoltre essere compensato dalla necessità di controllare e correggere i risultati.
Per valutare il beneficio effettivo occorrerebbe confrontare procedure tradizionali e automatizzate su compiti equivalenti, considerando tempi complessivi, qualità degli output, interventi correttivi e risorse impiegate.
Le collaborazioni annunciate non forniscono ancora un quadro comparativo di questo tipo.
Anche il riferimento alle centinaia di progetti già sostenuti dal programma riguarda l’estensione dell’iniziativa, non il numero di risultati scientifici indipendentemente validati.
Un’ulteriore distinzione riguarda le risorse aperte. La produzione di software, standard e dataset accessibili alla comunità scientifica è indicata tra gli obiettivi di diverse collaborazioni, ma l’effettiva disponibilità di questi materiali dovrà essere verificata progetto per progetto.
Le pubblicazioni specialistiche stanno affrontando direttamente il problema. Nel settembre 2026, un editoriale di Nature Computational Science dedicato alla riproducibilità nell’era dei grandi modelli linguistici ha richiamato la necessità di standard più chiari per documentare metodi e risultati.
Nel settore biomedico, le linee guida TRIPOD-LLM, pubblicate su Nature Medicine nel 2025, hanno già introdotto criteri specifici per descrivere in maniera trasparente gli studi che utilizzano modelli linguistici, con attenzione alla supervisione umana e alla valutazione delle prestazioni rispetto al compito considerato.
Questi strumenti metodologici consentono di esaminare le applicazioni scientifiche dell’intelligenza artificiale attraverso evidenze controllabili, senza affidarsi esclusivamente alle prestazioni dichiarate dai fornitori.
Le collaborazioni scientifiche alla prova dei risultati pubblici
L’ampliamento di AI for Science segnala un interesse crescente delle istituzioni di ricerca verso strumenti capaci di intervenire in più fasi del lavoro scientifico. La presenza di fondazioni, istituti biomedici, centri astronomici e progetti matematici permette di sperimentare applicazioni molto differenti all’interno di organizzazioni dotate di competenze specialistiche.
Il programma mantiene però una caratteristica da considerare nella valutazione dei risultati: le risorse distribuite sono legate a una tecnologia commerciale specifica.
Questo aspetto può influire sulla continuità operativa dei progetti, sulla possibilità di trasferire le procedure ad altri sistemi e sulla riproducibilità delle analisi nel tempo. Un laboratorio che costruisce un processo attorno a un determinato modello deve poter gestire eventuali aggiornamenti, modifiche delle condizioni di accesso e differenze tra versioni successive.
L’impiego di formati aperti, codice documentato e procedure verificabili indipendentemente dal fornitore può ridurre tali dipendenze.
Per le collaborazioni che prevedono la produzione di risorse pubbliche, sarà particolarmente rilevante conoscere le licenze di distribuzione, le modalità di accesso ai dati e la documentazione necessaria per riutilizzare gli strumenti sviluppati.
La crescita dell’intelligenza artificiale nella ricerca scientifica rende inoltre necessario distinguere gli indicatori di utilizzo da quelli di efficacia. Il numero di ricercatori coinvolti, i crediti distribuiti e la quantità di elaborazioni eseguite descrivono la diffusione degli strumenti, ma non misurano direttamente il progresso delle conoscenze.
Un avanzamento scientifico richiede risultati controllabili: un’ipotesi confermata sperimentalmente, una misurazione più accurata, un metodo riproducibile oppure una risorsa condivisa che consenta ad altri gruppi di svolgere nuove analisi.
L’annuncio del 28 ottobre rappresenta quindi soprattutto l’avvio o l’estensione di opportunità di sperimentazione istituzionale. Per molte delle iniziative presentate non sono ancora disponibili risultati sufficienti a quantificare il contributo dell’automazione.
La documentazione che accompagnerà i progetti, insieme alle eventuali pubblicazioni scientifiche e alle verifiche indipendenti, permetterà di stabilire quali applicazioni abbiano prodotto miglioramenti effettivi. Sarà particolarmente significativo verificare se i nuovi metodi resteranno utilizzabili e riproducibili anche al di fuori degli ambienti tecnologici nei quali sono stati sviluppati.
