Progettare esperimenti, eseguirli, analizzare i dati, scrivere i risultati. E farlo in autonomia, senza che nessun ricercatore umano guidi ogni singolo passaggio. È la scommessa di FutureHouse, di Lila Sciences e di una nuova generazione di laboratori in cui l’intelligenza artificiale non affianca lo scienziato ma, in sostanza, quasi lo sostituisce. I primi risultati concreti esistono. Le critiche, ovviamente, anche. Ma cosa succede quando togliamo l’uomo dal ciclo della scoperta?
Indice degli argomenti
FutureHouse e la prima scoperta dell’AI scientist autonomo
Nel momento in cui scrivo è passato un anno da quando FutureHouse ha lanciato ufficialmente la sua piattaforma di ricerca, mettendo a disposizione quattro agenti specializzati: Crow per la ricerca e sintesi della letteratura scientifica, Falcon per ricerche approfondite su database strutturati, Owl per individuare lavori già esistenti su un determinato argomento, Phoenix per la progettazione di esperimenti chimici. Quattro strumenti distinti, ciascuno costruito per aggredire uno specifico collo di bottiglia nel lavoro di laboratorio.
La filosofia è semplice, le implicazioni molto meno. Sam Rodriques, CEO di FutureHouse, descrive tre fasi evolutive dell’AI nella scienza: la prima, quella attuale, in cui i modelli sono collaboratori utili; la seconda, in cui l’AI sviluppa e valuta le proprie ipotesi; la terza, l’obiettivo dichiarato di FutureHouse, in cui i sistemi formulano autonomamente domande, progettano esperimenti e li eseguono senza supervisione umana. Rodriques ritiene che questa terza fase possa produrre una scoperta degna del Nobel entro il 2030.
Una previsione ambiziosa. Ma ciò che rende il discorso interessante è che non si tratta soltanto di una dichiarazione d’intenti: alcune basi misurabili ci sono eccome.
FutureHouse ha annunciato ormai da mesi la prima scoperta scientifica generata in autonomia dal suo sistema multi-agente Robin: l’identificazione del ripasudil, un inibitore della Rho-chinasi già approvato per il glaucoma, come potenziale candidato terapeutico per la degenerazione maculare senile secca, una delle principali cause di cecità irreversibile. L’ipotesi viene poi confermata da ricercatori umani in laboratorio nel giro di due mesi e mezzo dall’avvio del processo. Certo, siamo ancora in una fase pre-clinica, ma il passo è decisamente interessante e senz’altro ha un valore, anche simbolico, non banale.
Il dettaglio tecnico che rende questo risultato significativo riguarda l’architettura del processo. Robin non è un singolo modello, ma un sistema unificato che orchestra gli agenti Crow, Falcon e Finch per proporre e validare pre-clinicamente nuovi trattamenti per qualunque malattia umana. In altre parole: l’AI non risponde a una domanda. Genera la domanda, la sviluppa e la porta a una prima verifica sperimentale: i modelli facenti capo all’orchestratore Robin hanno esplorato la letteratura per formulare l’ipotesi che migliorare la fagocitosi nelle cellule dell’epitelio pigmentato retinico potesse trattare la degenerazione maculare. Finch ha identificato gli inibitori ROCK come candidati sulla base della biologia nota; l’analisi dei dati RNA-seq ha rivelato la sovraregolazione del gene ABCA1. Su questa base, Robin ha proposto il ripasudil come candidato specifico.
Una catena di ragionamento intrecciata, non una singola intuizione. Il tipo di lavoro che normalmente occupa mesi di lavoro di una piccola équipe di ricerca.
Da Robin a Kosmos: quando l’AI diventa collega operativo
Nel novembre 2025, FutureHouse fa un passo ulteriore e lancia Edison Scientific come spinoff commerciale, con l’obiettivo di portare i propri agenti AI ai clienti dell’industria farmaceutica e biotech. Il round va decisamente e la valutazione sale vertiginosamente.
Con Edison arriva anche Kosmos, il successore di Robin. Dato un obiettivo aperto e un dataset, Kosmos lavora per un massimo di 12 ore eseguendo cicli paralleli di analisi dei dati, ricerca bibliografica e generazione di ipotesi, sintetizzando infine le scoperte in report scientifici. A differenza dei sistemi precedenti, Kosmos utilizza un “modello mondo” strutturato per condividere informazioni tra l’agente di analisi e quello di ricerca letteraria. In media, in ogni sessione il sistema esegue 42.000 righe di codice e legge 1.500 paper.
Più che uno strumento, un processo che si auto-sostiene.
Kosmos può ragionare su 175 milioni di articoli full-text, trial clinici e brevetti, ed è in grado di eseguire centinaia di task di ricerca in parallelo, comprimendo in una singola giornata quello che normalmente richiederebbe mesi di lavoro. A maggio 2026, Incyte, azienda farmaceutica quotata al Nasdaq, annuncia una collaborazione strategica con Edison Scientific per impiegare Kosmos nell’intero ciclo di scoperta e sviluppo farmaceutico, con l’obiettivo di abilitare l’apprendimento continuo dai dati traslazionali e clinici, la sintesi in tempo reale delle evidenze scientifiche e la costruzione di modelli predittivi sulle performance terapeutiche.
È uno dei primi casi in cui un’azienda farmaceutica di dimensioni significative decide di incorporare un sistema di AI scientist autonomo nei propri processi core, non come supporto laterale, ma dentro il flusso decisionale della ricerca.
Lila Sciences e l’idea di fabbrica scientifica autonoma
FutureHouse non è sola in questo percorso. Anche se si tratta di approcci parzialmente diversi, vale la pena guardare all’ecosistema che si sta formando attorno a questa visione.
Lila Sciences, startup nata all’interno di Flagship Pioneering, il laboratorio che ha generato Moderna, è uscita dallo stealth nel marzo 2025 con 200 milioni di dollari di finanziamento seed. La sua ambizione dichiarata è costruire una “superintelligenza scientifica”: un sistema in grado di ipotizzare, progettare esperimenti, eseguirli con l’ausilio della robotica, imparare dai risultati e iterare continuamente.
Il cuore dell’approccio di Lila è ciò che la società chiama “AI Science Factories”: laboratori autonomi in cui i modelli AI generano ipotesi, progettano esperimenti, li eseguono, apprendono dai risultati e iterano in modo continuativo. Fisica e algoritmo, robotica e ragionamento, in un ciclo che non si ferma. Non a caso, un’estensione del round ha portato il totale raccolto a 550 milioni di dollari, con una valutazione della realtà che supera 1,3 miliardi. Tra gli investitori figurano NVentures (il braccio di venture di Nvidia) e In-Q-Tel, il fondo di venture capital della CIA. La presenza di quest’ultimo non è casuale: l’autonomia scientifica dell’AI ha implicazioni che vanno ben oltre la farmaceutica.
Il chief scientist di Lila è George Church, pioniere del CRISPR noto per aver perseguito obiettivi considerati radicali, dalla de-estinzione di specie animali al trapianto di organi suini modificati nell’uomo. La scelta di questo profilo non è decorativa. Suggerisce che Lila Sciences intende muoversi ai confini del possibile.
Sakana AI e il paper che ha passato la peer review
Se FutureHouse e Lila Sciences lavorano sulla scoperta sperimentale, c’è un altro piano su cui la scienza autonoma si sta dimostrando. Quello della pubblicazione.
Sakana AI, startup con sede a Tokyo, ha sviluppato The AI Scientist: un sistema che la società descrive come “il primo sistema completo per la scoperta scientifica completamente automatica”. Il sistema esplora la letteratura esistente, genera ipotesi, scrive ed esegue codice, analizza i risultati e produce un paper completo, in larga parte senza intervento umano. Ragiona, fallisce e rivede, come farebbe un ricercatore all’inizio della carriera.
La conferma più rilevante è arrivata nel marzo 2026: AI Scientist-v2 ha prodotto il primo paper completamente generato da un’AI che ha superato un rigoroso processo di peer review umana. Il paper è stato accettato a un workshop collegato a ICLR, mentre Nature ha successivamente pubblicato uno studio umano che documenta il funzionamento e i risultati di AI Scientist.
È un passaggio storico, anche se va interpretato con la giusta misura. Un manoscritto prodotto da AI Scientist ha ottenuto un punteggio medio di 6,33 in peer review, superando la soglia media di accettazione per i paper umani, classificandosi sopra il 55% dei paper scritti da ricercatori umani. Numeri concreti, non impressioni.
Bisogna però guardare anche all’altra faccia della valutazione indipendente. Un’analisi critica della prima versione del sistema aveva evidenziato paper con una mediana di sole cinque citazioni, la maggior parte obsolete; frequenti errori strutturali come sezioni mancanti, testo segnaposto e risultati numerici allucinati. La qualità dei testi, nella versione iniziale, era stata paragonata a quella di uno studente universitario in cerca di scorciatoie. La versione successiva ha compiuto un salto significativo, ma la memoria di quei limiti deve restare sullo sfondo.
Google DeepMind e il laboratorio automatizzato
La traiettoria non è appannaggio solo delle startup. I grandi player si muovono con strumenti e scale diverse.
A maggio 2026, Google DeepMind porta Co-Scientist da un progetto di ricerca a uno strumento accessibile a organizzazioni selezionate, con un elenco crescente di validazioni in laboratorio fisico. La nota che accompagna il lancio sottolinea esplicitamente che Co-Scientist è “un partner nella ricerca, non un sostituto dell’expertise scientifica o clinica”.
Nel frattempo, a dicembre 2025, DeepMind ha annunciato il proprio primo “laboratorio di ricerca automatizzato” nel Regno Unito: un laboratorio che utilizzerà AI e robotica per condurre esperimenti fisici, con focus iniziale sullo sviluppo di nuovi materiali superconduttori per applicazioni nell’imaging medicale e nei semiconduttori.
Sul fronte della matematica e della fisica, Gemini Deep Think ha generato in modo autonomo un paper di ricerca, senza intervento umano, che calcola determinate costanti strutturali in geometria aritmetica. Un settore più formale di quello biologico, dove la verifica delle ipotesi può avvenire per via analitica. Ma è comunque un segnale della direzione.
Il lato oscuro dell’autonomia: allucinazioni, citazioni false, rischi reali
Tutto questo entusiasmo merita un contrappeso. E il contrappeso esiste, è documentato, e sarebbe disonesto ignorarlo.
Uno studio pubblicato nel febbraio 2026 ha analizzato 100 citazioni allucinatorie generate da LLM presenti in paper accettati al NeurIPS 2025, una delle conferenze AI più prestigiose al mondo. Nonostante la revisione di tre o cinque ricercatori esperti per ogni paper, queste citazioni false hanno eluso il processo di revisione, apparendo in 53 paper pubblicati, circa l’1% di tutti gli articoli accettati.
Il problema non è marginale. A luglio 2025, un ingegnere dell’Università di Houston ha sperimentato l’uso di un modello linguistico avanzato per la peer review di un articolo su Nature Communications. Il risultato è stato eloquente: il modello è riuscito a riprodurre la forma di una peer review, con linguaggio fluido e struttura convincente, ma ha commesso errori fattuali e ha mancato di fornire critiche costruttive. La conclusione dell’ingegnere è stata netta: “Affidarsi solo a queste informazioni sarebbe molto dannoso”.
Lo stesso Doug Downey, ricercatore all’Allen Institute for AI di Seattle, ha osservato che i propri agenti LLM perdono efficacia quando devono completare un progetto di ricerca dall’inizio alla fine. La coerenza lungo l’arco completo del metodo scientifico rimane una sfida irrisolta per la maggior parte dei sistemi esistenti.
Cosa cambia davvero: scienza, metodo e responsabilità
Proviamo a togliere per un momento il filtro delle notizie e a guardare alla struttura del problema.
La scienza, nella sua forma più profonda, non è solo un metodo: è una pratica umana intrisa di curiosità selettiva, di intuizioni nate dall’esperienza, di errori fecondi, di quella particolare forma di attenzione che chiamiamo serendipità. Il problema con la scienza autonoma non è che i sistemi sbaglino, ma che potrebbero sbagliare in modo sistematico e invisibile. Un ricercatore umano che allucina in un paper viene corretto dai colleghi, dai referee, dal tempo. Un’AI che allucina in un paper può ricevere citazioni, essere usata come base per ricerche successive, amplificare l’errore prima che qualcuno lo rilevi.
FutureHouse lo sa, e per questo ha scelto di rendere trasparente il ragionamento di Kosmos: il sistema cita tutte le affermazioni nei propri report con codice o letteratura primaria, garantendo che il processo sia tracciabile. È una scelta filosofica prima che tecnica. La tracciabilità è la forma che assume la responsabilità in un sistema senza ricercatori nel loop.
Ma c’è una domanda che va oltre la tracciabilità. La scienza autonoma seleziona le domande che ritiene rilevanti sulla base dei pattern presenti nella letteratura esistente. Questo significa che ha una tendenza strutturale a esplorare meglio ciò che è già esplorato, a rafforzare le ipotesi mainstream, a trascurare le direzioni eterodossamente produttive che spesso sono state, nella storia della scienza, quelle più feconde. L’ipotesi che non compare nella letteratura perché nessuno l’ha ancora formulata rimane fuori dal campo visivo del sistema.
Vale allora la pena ricordare che nel 2024 il Nobel per la Chimica è andato a David Baker, Demis Hassabis e John Jumper per AlphaFold. AlphaFold ha permesso la predizione delle strutture tridimensionali delle proteine con alta risoluzione, in tempi impensabili per i laboratori tradizionali. Ma anche questo strumento, rivoluzionario per definizione, aveva ancora un umano che decideva quali proteine valeva la pena predire, e perché. La direzione era umana; la velocità era artificiale. È una distinzione che conta.
La scommessa di FutureHouse, Lila Sciences, Sakana AI e DeepMind è che quella distinzione possa essere superata, o almeno assottigliata significativamente. I risultati del 2025 e del 2026 mostrano progressi reali. Il ripasudil per la degenerazione maculare è un risultato concreto, verificato in laboratorio. Il superamento della peer review da parte di un paper generato da AI Scientist rappresenta un passaggio storico nella comunicazione scientifica.
Eppure la distanza tra “accelerare la ricerca” e “condurre la ricerca in autonomia” rimane più grande di quanto la retorica suggerisca. Accelerare è già straordinario. Sostituire è un’altra questione, che porta con sé domande sulla responsabilità delle scoperte, sull’attribuzione degli errori, sulla direzione del progresso scientifico. Chi è responsabile quando un farmaco approvato su suggerimento di un AI scientist si rivela tossico? Chi risponde di una direzione di ricerca che si è rivelata un vicolo cieco dopo anni di investimenti guidati da ipotesi generate autonomamente?
Queste domande non sono ancora nella conversazione mainstream. Ma lo saranno. E sarà meglio averle affrontate prima che le conseguenze le rendano urgenti.
Sitografia
• FutureHouse, “Demonstrating end-to-end scientific discovery with Robin: a multi-agent system” (maggio 2025): https://www.futurehouse.org/research-announcements/demonstrating-end-to-end-scientific-discovery-with-robin-a-multi-agent-system
• IntuitionLabs, “FutureHouse AI Agents: A Guide to Its Research Platform” (marzo 2026): https://intuitionlabs.ai/articles/futurehouse-ai-agents-platform
• Scientific American, “Will AI Ever Win a Nobel Prize?” (ottobre 2025): https://www.scientificamerican.com/article/will-ai-ever-win-a-nobel-prize/
• Voltage Park Blog, “Big Science Without Big Labs: AI Agents Deliver 2025’s Medical Breakthroughs” (settembre 2025): https://www.voltagepark.com/blog/big-science-without-big-labs-ai-agents-deliver-2025-medical-breakthroughs
• Sakana AI, “The AI Scientist: Towards Fully Automated AI Research, Now Published in Nature” (marzo 2026): https://sakana.ai/ai-scientist-nature/
• StartupHub.ai, “AI Scientist Now Published in Nature” (marzo 2026): https://www.startuphub.ai/ai-news/technology/2026/ai-scientist-now-published-in-nature
• Incyte, “Incyte and Edison Scientific Announce Strategic Collaboration to Employ the Kosmos AI Platform” (maggio 2026): https://investor.incyte.com/news-releases/news-release-details/incyte-and-edison-scientific-announce-strategic-collaboration
• Fierce Biotech, “Flagship’s Lila Sciences lands $235M to expand AI-powered autonomous research labs” (settembre 2025): https://www.fiercebiotech.com/biotech/flagships-lila-sciences-lands-235m-expand-ai-powered-autonomous-research-labs
• Tech Startups, “AI startup Lila Sciences hits $1.3B valuation after $115M raise from Nvidia” (ottobre 2025): https://techstartups.com/2025/10/14/ai-startup-lila-sciences-hits-1-3b-valuation-after-115m-raise-from-nvidia-to-build-ai-science-factories-and-speed-up-discovery/
• CNBC, “Google’s AI unit DeepMind announces its first ‘automated research lab’ in the UK” (dicembre 2025): https://www.cnbc.com/2025/12/11/googles-ai-unit-deepmind-announces-uk-automated-research-lab.html
• Google DeepMind, “Accelerating Mathematical and Scientific Discovery with Gemini Deep Think” (marzo 2026): https://deepmind.google/blog/accelerating-mathematical-and-scientific-discovery-with-gemini-deep-think/
• GEN (Genetic Engineering & Biotechnology News), “Google DeepMind and Edison Are Building the AI Scientist” (maggio 2026): https://www.genengnews.com/topics/artificial-intelligence/google-deepmind-and-edison-are-building-the-ai-scientist/
• Ansari, S., “Compound Deception in Elite Peer Review: A Failure Mode Taxonomy of 100 Fabricated Citations at NeurIPS 2025”, arXiv (febbraio 2026): https://arxiv.org/pdf/2602.05930
• Il Sole 24 Ore – InfoData, “Il 2025 è stato l’anno del caos e degli scienziati che usano l’IA per fregare la peer review” (dicembre 2025): https://www.infodata.ilsole24ore.com/2025/12/22/il-2025-e-stato-lanno-del-caos-e-degli-scienziati-che-usano-lia-per-fregare-la-peer-review/
• TechCrunch, “FutureHouse releases AI tools it claims can accelerate science” (maggio 2025): https://techcrunch.com/2025/05/01/futurehouse-releases-ai-tools-it-claims-can-accelerate-science
• Canada’s National Observer, “What the rise of AI scientists may mean for human research” (febbraio 2026): https://www.nationalobserver.com/2026/02/11/news/ai-scientists-future-research-technology
Partecipa alla community