Accelerazione dell'IA: i problemi irrisolti per anni che oggi si risolvono

Negli ultimi anni l'intelligenza artificiale ha smesso di essere solo uno strumento per scrivere testi o riassumere documenti. In alcuni campi scientifici ha cominciato a dare risposte a problemi aperti da decenni. Non è una promessa: sono risultati pubblicati, con dati verificabili. In questo articolo ne raccontiamo cinque, indicando per ciascuno cosa è stato dimostrato e cosa no.

Le proteine: un problema di cinquant'anni

Una proteina è una catena di amminoacidi che si ripiega in una forma tridimensionale, e la forma ne determina la funzione. Dagli anni Settanta i ricercatori cercavano di prevedere quella forma partendo dalla sola sequenza, con risultati scarsi. Nel 2020 Demis Hassabis e John Jumper hanno presentato AlphaFold2. Secondo l'Accademia reale svedese delle scienze, il modello ha permesso di prevedere la struttura di praticamente tutte le circa 200 milioni di proteine note ed è stato usato da più di due milioni di persone in 190 paesi. Per questo lavoro i due hanno ricevuto il Premio Nobel per la chimica 2024, assegnato il 9 ottobre 2024 insieme a David Baker.

Gli antibiotici: cercare dove nessuno guardava

La resistenza agli antibiotici è un problema noto, e trovare molecole davvero nuove è lento e costoso. Un gruppo del MIT ha addestrato una rete neurale a riconoscere molecole con attività antibatterica. Nel 2020, su Cell, ha riportato la scoperta della alicina (halicin): il modello aveva esaminato oltre 107 milioni di molecole e, tra 23 previsioni testate in laboratorio, otto sono risultate antibatteriche e strutturalmente lontane dagli antibiotici noti. Nel 2023 lo stesso approccio ha portato all'abaucina, attiva contro Acinetobacter baumannii, un batterio ospedaliero spesso multiresistente. I risultati sono preclinici: provette e, per l'abaucina, un modello di ferita nel topo. Non sono farmaci approvati.

Il meteo: dieci giorni in meno di un minuto

Le previsioni meteorologiche tradizionali richiedono enormi risorse di calcolo. GraphCast, modello di Google DeepMind descritto su Science nel 2023, prevede centinaia di variabili atmosferiche a dieci giorni, con risoluzione di 0,25 gradi, in meno di un minuto su un singolo chip. Secondo gli autori ha superato il sistema deterministico operativo del centro europeo (ECMWF) su circa il 90% di 1380 indicatori di verifica, con risultati migliori anche sul tracciamento dei cicloni tropicali. È un confronto su dati storici: non sostituisce i sistemi operativi, ma mostra che un approccio basato sui dati può competere con metodi che richiedono molto più calcolo.

I materiali: milioni di candidati in più

Trovare un nuovo cristallo stabile, utile per batterie o semiconduttori, è stato a lungo un lavoro di tentativi. Con GNoME, DeepMind ha usato reti neurali su grafi per prevedere la stabilità di nuovi materiali. Secondo l'articolo pubblicato su Nature nel 2023, il sistema ha individuato oltre 2,2 milioni di strutture stabili rispetto ai dati precedenti, di cui 381.000 nuove voci sulla frontiera di stabilità aggiornata, per un totale di 421.000 cristalli stabili noti. Attenzione: sono previsioni calcolate. Ogni materiale va ancora sintetizzato e misurato in laboratorio prima di poter parlare di applicazioni.

La matematica: dimostrazioni verificate dalla macchina

Il 25 luglio 2024 Google DeepMind ha annunciato che AlphaProof e AlphaGeometry 2 hanno risolto quattro dei sei problemi delle Olimpiadi internazionali di matematica di quell'anno, con 28 punti su 42, il livello di una medaglia d'argento. Includevano il problema più difficile della gara, risolto da cinque concorrenti. Due precisazioni, riportate anche dagli autori: i problemi sono stati tradotti a mano in linguaggio formale e alcuni hanno richiesto fino a tre giorni di calcolo, contro le nove ore concesse agli studenti. Il vantaggio del linguaggio formale (Lean) è che ogni dimostrazione si può verificare automaticamente.

Cosa hanno in comune questi casi

In tutti e cinque, l'IA lavora su un problema ben definito, con dati o regole chiare e un modo oggettivo per misurare il risultato. Accelera la fase di ricerca, non sostituisce la verifica: sperimentazione, revisione scientifica, giudici umani. Questo è anche il motivo per cui questi risultati sono credibili.

Cosa significa per le imprese

Per una PMI la lezione è pratica, non scientifica. L'IA rende più rapido il lavoro dove esiste un obiettivo preciso e un controllo del risultato: classificare, confrontare, prevedere, cercare tra molte opzioni. Funziona meno bene dove mancano dati affidabili o responsabilità chiare. Prima di adottare uno strumento conviene chiedersi quale problema ripetitivo si vuole accelerare e chi verifica l'esito. Se vuoi ragionarne sul tuo caso, ElaraTeq può aiutarti a valutare dove l'IA ha senso.

Fonti

• Accademia reale svedese delle scienze, comunicato sul Nobel per la chimica 2024, 9 ottobre 2024: https://www.nobelprize.org/prizes/chemistry/2024/press-release/
• Stokes et al., A Deep Learning Approach to Antibiotic Discovery, Cell 180, 2020: https://www.cell.com/cell/fulltext/S0092-8674(20)30102-1
• Liu et al., Deep learning-guided discovery of an antibiotic targeting Acinetobacter baumannii, Nature Chemical Biology, 2023: https://www.nature.com/articles/s41589-023-01349-8
• Lam et al., Learning skillful medium-range global weather forecasting, Science 382, 2023: https://www.science.org/doi/10.1126/science.adi2336
• Merchant et al., Scaling deep learning for materials discovery, Nature, 2023: https://www.nature.com/articles/s41586-023-06735-9
• Google DeepMind, AI achieves silver-medal standard solving International Mathematical Olympiad problems, 25 luglio 2024: https://deepmind.google/blog/ai-solves-imo-problems-at-silver-medal-level/