Dai farmaci ai materiali: cosa ha già fatto l’AI per la scienza e l’umanità

Una startup americana questa settimana ha annunciato la prima somministrazione a un paziente di virus antibatterici progettati con AI, un nuovo passo verso terapie personalizzate per infezioni resistenti agli antibiotici.

Il 10 settembre 2026, in Cina, è stato trattato il primo paziente di uno studio clinico di fase III con rentosertib, un candidato farmaco individuato e progettato con l’AI contro la fibrosi polmonare idiopatica, una malattia che compromette progressivamente la respirazione.

Nell’aprile 2026 un laboratorio internazionale ha presentato una cella solare migliorata grazie a una molecola individuata dall’intelligenza artificiale. Il nuovo composto aiuta il materiale fotovoltaico a trasformare più luce in elettricità. Le celle costruite dai ricercatori hanno raggiunto un’efficienza del 27,22%, i moduli sperimentali più grandi del 23,49%. L’AI ha suggerito la sostanza chimica e guidato la regolazione del processo di fabbricazione: i dispositivi sono poi stati realizzati e misurati in laboratorio.

Nello stesso anno, un sistema AI ha suggerito combinazioni di farmaci attive contro cellule di leucemia; un modello biologico ha imparato dalle risposte di cellule tumorali a diversi trattamenti; ricercatori di chimica hanno trovato elettroliti che triplicano la durata media di celle sperimentali al litio metallico.

E, fuori dai laboratori, il Centro europeo per le previsioni meteorologiche utilizza ormai quotidianamente modelli di AI. Sono risultati differenti, accomunati da un fatto: l’AI ha contribuito a produrre conoscenze, esperimenti o servizi che si possono verificare.

Molti ricercatori stanno usando l’AI per sviluppare colture che resistano alla siccità, un progresso fondamentale contro i cambiamenti climatici.

Sono solo alcuni esempi reali del modo in cui le nuove tecnologie di AI stanno già aiutando la scienza, con effetti concreti del mondo. Sviluppi che passano inosservati rispetto ai tanti allarmi che affollano il dibattito sull’intelligenza artificiale. Ma è corretto darne evidenza, anche come casi da opporre a chiunque in questa fase minimizza – e sono tanti a farlo – e parla dell’AI solo in termini di grande bolla e macchina probabilistica sopravvalutata.

Lungo la filiera che va dal calcolo all’esperimento, dai test sull’uomo fino all’impiego operativo, i progressi però sono già numerosi. Soprattutto in ambito di biologia molecolare e in altri dove il calcolo matematico è fondamentale (fisica dei materiali, meteorologia…).

Un nostro censimento raccoglie 28 risultati documentati, pubblicati o aggiornati a ottobre 2026.

AI nella ricerca scientifica: farmaci progettati e ipotesi provate

Il 20 ottobre 2026 è arrivato il primo impiego sull’uomo di batteriofagi progettati con l’intelligenza artificiale, secondo quanto annunciato dalla startup statunitense Radical Numerics, fondata anche da ricercatori coinvolti nel progetto Evo. L’azienda ha comunicato di aver somministrato a un paziente affetto da un’infezione da Escherichia coli resistente agli antibiotici una combinazione di virus progettati con il suo nuovo modello AI Omnii-1. La somministrazione sarebbe stata autorizzata dalla Food and Drug Administration americana nell’ambito di un programma di uso compassionevole, riservato a pazienti con malattie gravi e poche alternative terapeutiche.

Il risultato nasce dalla capacità dell’AI di modificare le strutture con cui un virus riconosce e attacca i batteri. Omnii-1 ha riprogettato i geni delle fibre della coda del batteriofago T7, una sorta di sistema di aggancio che permette al virus di aderire alla superficie batterica. I ricercatori hanno sintetizzato le varianti suggerite dall’AI e ottenuto nuovi fagi capaci di colpire il ceppo responsabile dell’infezione del paziente. Secondo il rapporto tecnico pubblicato da Radical Numerics, la combinazione di virus ha eliminato quel ceppo nei test di laboratorio ed è stata poi somministrata al paziente. L’efficacia clinica è ancora da accertare: l’azienda mantiene riservate le informazioni sull’andamento del trattamento e il rapporto attende la revisione scientifica. Il progresso già annunciato riguarda il passaggio dalla progettazione biologica alla sperimentazione terapeutica personalizzata.

Anche altri gruppi di ricerca stanno affrontando questo filone. Il gruppo di James Collins del Massachusetts Institute of Technology ha affidato a modelli generativi la proposta di nuovi composti di virus batteriofagi. Nello studio apparso su Cell nel 2025, gli algoritmi hanno esplorato oltre 36 milioni di strutture. I ricercatori hanno sintetizzato e testato una selezione di candidati, arrivando alle molecole NG1 e DN1, attive anche in esperimenti su topi con infezioni batteriche. Il lavoro ha individuato nuove strutture e meccanismi di attacco ai batteri; la fase successiva riguarda farmacologia, sicurezza e sperimentazione sull’uomo.

Su un altro fronte, l’AI sta già aiutando nella lotta alla fibrosi polmonare idiopatica, una malattia nella quale il tessuto dei polmoni si cicatrizza progressivamente, rendendo più difficile respirare. Per sviluppare un trattamento occorre identificare un meccanismo biologico coinvolto nella malattia e trovare una molecola capace di interferire con quel meccanismo. Insilico Medicine ha utilizzato strumenti AI per selezionare TNIK, una proteina associata ai processi fibrotici, e per progettare una molecola capace di inibirla: rentosertib.

Un trial di fase IIa, pubblicato su Nature Medicine nel giugno 2025, ha seguito 71 pazienti per dodici settimane. Nel gruppo trattato con 60 milligrammi al giorno la capacità vitale forzata, cioè il volume d’aria che una persona riesce a espirare con forza, è aumentata in media di 98,4 millilitri; nel gruppo placebo si è ridotta di 20,3. La sperimentazione di fase III è iniziata con il primo paziente trattato il 10 settembre 2026. L’avanzamento documentato è l’ingresso di un farmaco progettato con AI in una prova clinica su scala più ampia: gli esiti finali sulla malattia arriveranno dai risultati di quel trial.

Un altro approccio di ricerca adiuvata dall’AI è emerso nel 2026: usarla per formulare ipotesi scientifiche e decidere quali farmaci già conosciuti riprovare contro altre malattie. Nel lavoro su Co-Scientist pubblicato su Nature il 19 maggio, il gruppo guidato da Juraj Gottweis e Wei-Hung Weng ha impiegato un sistema multiagente basato su Gemini per ricercare nella letteratura e proporre esperimenti. Fra 2.300 medicinali approvati esaminati per diverse forme tumorali, il sistema ha selezionato candidati contro la leucemia mieloide acuta. Alcuni, fra cui binimetinib, pacritinib e cerivastatina, hanno ridotto la vitalità delle cellule tumorali coltivate in laboratorio. In un secondo esperimento il sistema ha suggerito bersagli molecolari per la fibrosi del fegato: due composti hanno mostrato un’attività antifibrotica significativa in organoidi epatici umani, piccoli modelli tridimensionali di tessuto coltivati in laboratorio. Qui l’AI ha aiutato a scegliere e motivare esperimenti da cui sono emersi risultati biologici misurabili.

Mammografie: una prova clinica con oltre centomila donne

Anche l’individuazione delle malattie sta cambiando. In Svezia, il trial randomizzato MASAI ha confrontato lo screening mammografico tradizionale con una procedura nella quale l’AI segnala immagini sospette e aiuta i radiologi a stabilire il percorso di lettura. I risultati pubblicati su The Lancet Digital Health nel 2025 riguardano 105.915 donne: il sistema assistito dall’AI ha individuato 6,4 tumori ogni mille esami contro 5,0 con la procedura standard, mentre il numero di letture radiologiche è sceso del 44,2%.

Una successiva pubblicazione su The Lancet, nel gennaio 2026, ha stimato una sensibilità diagnostica dell’80,5% con AI contro il 73,8% con lo screening tradizionale. La riduzione osservata dei tumori diagnosticati tra due screening presenta ancora incertezza statistica. Il risultato clinico già documentato è una maggiore capacità di individuazione durante lo screening, con meno lavoro di lettura per i radiologi.

Proteine: l’AI passa dal prevedere la forma al progettare nuove funzioni

Le proteine sono catene di amminoacidi che si ripiegano in forme tridimensionali. Questa geometria consente loro di legare altre molecole, accelerare reazioni o trasmettere segnali nelle cellule. Una delle difficoltà storiche della biologia è risalire dalla sequenza alla forma.

AlphaFold, di Google DeepMind, ha reso accessibile su larga scala questa previsione: la banca dati pubblica realizzata con EMBL-EBI contiene oltre 200 milioni di strutture calcolate, utilizzate dai ricercatori per progettare esperimenti. Demis Hassabis e John Jumper hanno condiviso con David Baker il Nobel per la chimica del 2024, che ha premiato anche il progresso nella progettazione computazionale delle proteine.

Conoscere o prevedere la forma di una proteina apre la strada a una domanda ulteriore: si può costruirne una che svolga un lavoro scelto dai ricercatori? Il gruppo di David Baker ha impiegato RFdiffusion2 per progettare enzimi partendo dalla geometria richiesta per una reazione chimica. Nello studio su Nature Methods pubblicato online nel dicembre 2025, il sistema ha generato proteine attive in tre diversi meccanismi di catalisi. La loro funzione è stata verificata in laboratorio. È un risultato di ricerca sulla progettazione di catalizzatori biologici, utilizzabili in futuro anche per processi industriali e biotecnologici.

Nel luglio 2026 un gruppo coordinato da David R. Liu ha mostrato un’altra applicazione. Gli enzimi naturali spesso perdono stabilità quando i ricercatori cercano di modificarne la funzione. Nello studio apparso su Nature, il modello ProteinMPNN ha prima riprogettato alcune proteine rendendole più stabili; poi l’evoluzione diretta in laboratorio ne ha modificato la specificità. Una proteasi progettata per tagliare ataxina-2, una proteina di interesse per lo studio delle malattie neurodegenerative, ha raggiunto una specificità oltre 79 volte superiore rispetto alla migliore proteasi ottenuta partendo dalla versione naturale. Il risultato riguarda enzimi sperimentali e dimostra che l’AI può anche migliorare il punto di partenza dell’evoluzione artificiale delle proteine.

Un’applicazione particolarmente concreta riguarda il trasporto dei farmaci. Una molecola terapeutica può degradarsi prima di arrivare a destinazione; una proteina progettata per legarla potrebbe proteggerla o consentirne un rilascio controllato. Nel lavoro di Benjamin Fry, Kaia Slaw e Nicholas Polizzi, pubblicato su Nature nel giugno 2026, due reti neurali coordinate nel sistema NISE hanno progettato proteine capaci di legare molecole farmacologiche, fra cui l’antitumorale exatecan e l’anticoagulante apixaban. I ricercatori hanno prodotto le proteine, misurato il legame e ottenuto versioni con affinità molto elevata; una proteina ha protetto l’exatecan dalla degradazione per giorni durante le prove sperimentali. L’AI ha quindi progettato un oggetto biologico con una funzione fisica verificata.

Dal DNA dei virus al comportamento delle cellule

Il salto successivo consiste nel passare dalle singole proteine a sistemi biologici più complessi. Un batteriofago è un virus che infetta batteri e si riproduce al loro interno. Nel lavoro di Samuel King e colleghi pubblicato su Science nell’agosto 2026, i modelli Evo 1 ed Evo 2 hanno generato interi genomi di batteriofagi. I ricercatori hanno costruito le sequenze di DNA e hanno ottenuto 16 virus vitali capaci di infettare ceppi di Escherichia coli. Alcuni hanno infettato batteri resistenti al fago di partenza.

Nella genetica umana, invece, gran parte delle varianti legate alle malattie interessa regioni del DNA che regolano l’attività dei geni. Il modello AlphaGenome, descritto dai ricercatori di Google DeepMind in Nature nel gennaio 2026, analizza lunghi segmenti di DNA e prevede diversi effetti delle variazioni genetiche sulla regolazione cellulare. L’8 settembre 2026 DeepMind ha messo a disposizione AlphaGenome Atlas, con previsioni relative a nove miliardi di possibili sostituzioni di una singola lettera nel genoma umano. La risorsa aiuta i laboratori a stabilire quali mutazioni studiare per prime e con quali possibili meccanismi biologici confrontarle. È una mappa predittiva su scala genomica, affiancata ai normali studi sperimentali sulle varianti.

La ricerca sta inoltre iniziando a prevedere la risposta di intere reti cellulari a un trattamento. Nel settembre 2026 Rui Sun, Liujia Qian, Tiannan Guo e collaboratori hanno presentato su Nature il modello ProteinTalks, costruito su oltre 38 milioni di misurazioni nel tempo delle quantità di proteine in cellule tumorali sottoposte a diverse perturbazioni. Il sistema ha imparato come cambiano le proteine quando interviene un farmaco e ha mostrato la capacità di prevedere effetti e combinazioni, anche su modelli tumorali derivati da pazienti. È un primo esempio operativo di “cellula virtuale” dedicata a particolari risposte farmacologiche. La sua funzione è selezionare meglio gli esperimenti e i candidati, mentre la complessità di un organismo intero resta un problema molto più ampio.

Agricoltura: piante di riso più resistenti alla siccità

La resistenza alla mancanza d’acqua dipende da numerosi geni che agiscono insieme. Per trovare quelli sui quali intervenire, i biologi devono analizzare molti dati relativi alla loro attività. Uno studio pubblicato nel 2025 sull’International Journal of Biological Macromolecules ha utilizzato l’apprendimento automatico per individuare OsRAV11 e OsRAV12, due geni del riso associati a una minore tolleranza allo stress idrico.

I ricercatori hanno disattivato i geni con la tecnica CRISPR/Cas9 e hanno sottoposto le piante a prove di siccità. È sopravvissuto l’80–85% delle piante modificate contro il 57,5% delle piante di controllo. L’AI ha suggerito quali bersagli genetici meritassero l’esperimento; la modifica e la coltivazione delle piante hanno dimostrato che intervenire su quei bersagli migliora la risposta alla carenza d’acqua nelle condizioni testate.

Scienza dei materiali: scoperte che diventano celle solari, batterie e catalizzatori

La ricerca sui materiali affronta un problema comune a molte tecnologie: trovare una sostanza con una proprietà precisa fra un numero enorme di combinazioni possibili di elementi e molecole. Nelle batterie contano il movimento degli ioni e la stabilità delle reazioni; nei pannelli solari conta quanta luce viene trasformata in energia; nei catalizzatori conta la capacità di ottenere rapidamente il prodotto chimico desiderato. L’AI riduce il numero di tentativi necessari, imparando dai risultati precedenti e proponendo esperimenti con maggiori probabilità di successo. I risultati del 2026 consentono di vedere questo processo su dispositivi e campioni reali.

Celle solari: una nuova molecola migliora resa e durata

Le celle solari in perovskite sono dispositivi costruiti con un materiale cristallino capace di assorbire luce. Alcuni difetti presenti nel cristallo favoriscono la perdita di energia: gli elettroni prodotti dalla luce si ricombinano prima di contribuire alla corrente elettrica. Per limitarli si applicano molecole dette passivanti, che riducono l’attività dei difetti. Il lavoro del chimico consiste nel trovare la sostanza più efficace e un procedimento stabile per distribuirla durante la fabbricazione.

Il gruppo di Danpeng Gao e Shuaihua Lu, insieme a ricercatori di Hong Kong, Cambridge e altri istituti, ha combinato algoritmi di apprendimento automatico, calcoli chimici e una linea robotizzata di fabbricazione. Nello studio pubblicato su Nature il 14 aprile 2026, l’AI ha contribuito a individuare 5ANI, una nuova molecola passivante, e a perfezionare le condizioni di produzione attraverso cicli successivi di misura e correzione. Le celle di piccola superficie hanno convertito in elettricità il 27,22% dell’energia luminosa ricevuta, con un valore certificato del 27,18%. I moduli sperimentali più grandi hanno raggiunto il 23,49%.

Celle solari con la molecola 5ANI: che cosa hanno misurato

Fonte: Gao e colleghi, Nature, aprile 2026. Le percentuali si riferiscono a dispositivi di diversa superficie.

I dispositivi hanno inoltre conservato il 98,7% dell’efficienza iniziale dopo 1.200 ore di funzionamento continuativo nel protocollo di prova dichiarato. Secondo i ricercatori, la fabbricazione automatizzata ha migliorato di quasi cinque volte la riproducibilità dei risultati rispetto a quella manuale. Il progresso riguarda dunque la resa, la stabilità sperimentale e la possibilità di ripetere la stessa lavorazione: tre fattori che interessano il futuro industriale del fotovoltaico in perovskite.

Batterie: elettroliti che migliorano la durata delle celle

In una batteria al litio, l’elettrolita è la miscela che consente agli ioni di spostarsi tra gli elettrodi durante carica e scarica. La sua composizione influenza l’efficienza della batteria e la formazione di reazioni indesiderate che degradano gli elettrodi. Scegliere sali, solventi e concentrazioni richiede molti esperimenti, perché le sostanze interagiscono fra loro e piccoli cambiamenti possono modificare radicalmente il risultato.

Nel lavoro pubblicato su Nature Communications il 27 marzo 2026, Xufeng Hong, Xizhe Wang e colleghi hanno applicato l’active learning, un metodo nel quale l’AI seleziona l’esperimento più informativo e aggiorna la propria previsione con il risultato ottenuto. Dopo tre cicli di apprendimento hanno individuato formulazioni capaci di triplicare la durata media di celle simmetriche sperimentali al litio metallico. Hanno anche trasferito il metodo alla ricerca di elettroliti per celle complete con un catodo ricco di nichel. Il dato sulla durata misura un progresso reale in una configurazione di laboratorio, utile per orientare lo sviluppo delle batterie ad alta densità energetica.

Un risultato complementare era arrivato nel 2025: nello studio su SMI-TED-IC pubblicato su npj Computational Materials, ricercatori di IBM e altri istituti avevano usato 13.666 misure sperimentali per suggerire miscele di elettroliti con maggiore conducibilità ionica, cioè una minore difficoltà nel far muovere gli ioni. Sette formulazioni sono state testate in laboratorio; i miglioramenti riportati arrivavano all’82% e al 172% rispetto ai riferimenti scelti per due diversi sali. I due studi misurano proprietà differenti: il primo la durata di una cella sperimentale, il secondo la facilità con cui gli ioni attraversano una miscela liquida. Insieme mostrano come l’AI possa intervenire su più problemi dello stesso componente.

Catalizzatori: nuovi risultati nella chimica industriale e nell’ammoniaca

I catalizzatori sono sostanze che aiutano le reazioni chimiche a procedere più rapidamente o a generare uno specifico prodotto. Una grande difficoltà è scegliere la combinazione giusta fra metallo, molecole che lo circondano, temperatura e pressione. Nel giugno 2026 i ricercatori J. A. Bennett, M. Abolhasani e collaboratori hanno presentato il laboratorio autonomo Flex-Cat in uno studio su Nature Communications. Robot e algoritmi hanno condotto 680 esperimenti su una reazione che trasforma il propilene in aldeidi, sostanze utilizzate come intermedi in molte produzioni chimiche. Il sistema ha individuato combinazioni capaci di aumentare di oltre 2,5 volte la frequenza di reazione e condizioni nelle quali si poteva orientare la produzione verso aldeidi differenti. I candidati principali sono stati verificati anche in un reattore dieci volte più grande di quello impiegato nella ricerca iniziale.

Un’altra applicazione è la trasformazione dei nitrati in ammoniaca, utile per studiare processi chimici legati alle risorse azotate. In uno studio del settembre 2026 su npj Computational Materials, la rete AI MatSemNet ha imparato da testi scientifici, dati numerici e descrizioni di reazioni a suggerire catalizzatori. I ricercatori hanno fabbricato e testato un ossido di cobalto modificato con elementi delle terre rare. Nei test in ambiente alcalino il sistema ha destinato l’85,5% della corrente elettrica alla produzione di ammoniaca, con una velocità di 28,3 milligrammi all’ora per centimetro quadrato di elettrodo. È una prestazione ottenuta su un materiale sperimentale e misurata direttamente.

Superconduttori: due composti sintetizzati a partire dalla ricerca AI

Un superconduttore perde la propria resistenza elettrica quando viene raffreddato sotto una temperatura caratteristica. La ricerca tenta di individuare composti che presentino questa proprietà in condizioni progressivamente meno impegnative, interessanti per magneti, sensori e dispositivi di calcolo. Nel lavoro su npj Computational Materials del gennaio 2026, il sistema BEE-NET ha esaminato oltre 1,3 milioni di strutture candidate. Dopo verifiche computazionali, gli scienziati hanno selezionato materiali da preparare e misurare.

Sono stati sintetizzati due composti contenenti berillio, afnio e niobio, chiamati Be₂Hf₂Nb e Be₂HfNb₂. Le misure della resistenza elettrica hanno individuato transizioni alla superconduttività rispettivamente a 3,18 e 4,24 kelvin, temperature vicine allo zero assoluto. L’AI ha orientato la scelta dei composti, mentre gli esperimenti hanno dimostrato la proprietà ricercata. Il passo successivo è trovare materiali che funzionino a temperature molto più elevate.

Cristalli magnetici: la prova fisica delle strutture suggerite dall’AI

Per costruire materiali con proprietà elettroniche e magnetiche particolari, i fisici cercano disposizioni degli atomi che formino figure regolari, come reticoli a nido d’ape. Il modello generativo SCIGEN, sviluppato da Ryotaro Okabe e colleghi del MIT, ha cercato nuove combinazioni rispettando questi vincoli geometrici. Nello studio uscito online nel settembre 2025 e pubblicato su Nature Materials nel 2026, il sistema ha proposto circa 10 milioni di strutture inorganiche. Dopo una serie di calcoli e selezioni, i ricercatori hanno sintetizzato due composti contenenti titanio e palladio: TiPd₀,₂₂Bi₀,₈₈ e Ti₀,₅Pd₁,₅Sb. Le misure hanno mostrato rispettivamente un comportamento paramagnetico e diamagnetico, cioè due modi diversi di rispondere a un campo magnetico. L’AI ha indicato quali strutture tentare; i chimici hanno costruito i campioni e ne hanno misurato le proprietà magnetiche, fornendo due esempi sperimentali per la ricerca sui materiali quantistici.

GNoME e A-Lab: da milioni di cristalli possibili ai campioni reali

I materiali cristallini sono solidi in cui gli atomi occupano posizioni ordinate e ripetute. Cambiare la composizione o la disposizione degli atomi può alterare proprietà elettriche, meccaniche e chimiche. GNoME, il sistema presentato da Google DeepMind in uno studio su Nature del 2023, ha previsto 2,2 milioni di possibili strutture cristalline, fra cui circa 381.000 considerate stabili secondo i calcoli. La sua funzione è fornire ai ricercatori un grande catalogo di strutture da cui scegliere quali sostanze tentare di produrre.

Il laboratorio robotizzato A-Lab del Lawrence Berkeley National Laboratory prova invece a realizzare i composti. Il sistema sceglie materie prime e temperature, i robot preparano e riscaldano le polveri e le misure ai raggi X indicano quali prodotti si sono formati. Nel lavoro pubblicato su Nature nel 2023, il laboratorio ha eseguito 353 esperimenti in 17 giorni. Secondo la rettifica uscita nel gennaio 2026, ha ottenuto 36 dei 57 composti obiettivo. La verifica successiva ha corretto il numero delle sintesi riuscite. Il progresso tecnico è il ciclo in cui l’AI interpreta le misure dei campioni e decide come modificare gli esperimenti successivi.

Il caso MatterGen mostra quanto sia importante l’analisi del materiale effettivamente prodotto. Il modello di Microsoft, presentato su Nature nel 2025, ha proposto un ossido di tantalio e cromo cercando un solido molto resistente alla compressione. In un riesame cristallografico pubblicato su Materials Horizons nel 2026, altri ricercatori hanno contestato l’identificazione del composto e la sua originalità, sostenendo che il campione appartenesse a una famiglia di ossidi già nota e presentasse una composizione differente. La controversia riguarda una misura concreta della qualità della scoperta: sapere esattamente quale sostanza è stata ottenuta. Un modello può indicare la direzione dell’esperimento; la caratterizzazione del campione determina che cosa i chimici hanno davvero scoperto.

Fusione nucleare: l’AI controlla il plasma in un impianto reale

Nella ricerca sulla fusione nucleare si cerca di mantenere un gas di particelle cariche, il plasma, a temperature estremamente alte e in condizioni controllate. Il plasma può sviluppare instabilità che interrompono l’esperimento. Regolare riscaldamento e configurazione magnetica richiede interventi rapidissimi. Un gruppo coordinato da ricercatori di Princeton ha utilizzato l’apprendimento per rinforzo per addestrare un sistema di controllo e lo ha messo alla prova nel tokamak statunitense DIII-D.

Lo studio pubblicato su Nature nel febbraio 2024 documenta esperimenti nei quali l’AI ha regolato parametri dell’impianto per ridurre il rischio di instabilità del plasma mentre il reattore funzionava. Il risultato è un algoritmo sperimentato su una macchina fisica, capace di partecipare al controllo in tempo reale. La strada verso una centrale a fusione comprende anche il raggiungimento di un bilancio energetico complessivo favorevole e la realizzazione di impianti industriali affidabili.

Meteorologia: l’AI è operativa e migliora anche le previsioni a settimane di distanza

Le previsioni tradizionali simulano l’evoluzione dell’atmosfera attraverso equazioni fisiche. I modelli AI apprendono da grandi archivi meteorologici come cambiano temperatura, vento, pressione e precipitazioni. Questo consente di produrre previsioni rapidamente, da confrontare e combinare con la modellistica fisica. Il Centro europeo per le previsioni meteorologiche a medio termine (ECMWF) ha attivato AIFS Single nel febbraio 2025 e il sistema probabilistico AIFS ENS il 1° luglio 2025, capace di generare 51 scenari differenti. Il 12 maggio 2026 è entrata in servizio AIFS versione 2, con capacità aggiuntive anche per onde e neve. L’AI è così entrata nella produzione operativa quotidiana di previsioni.

Un’altra difficoltà riguarda l’intervallo fra due e sei settimane, quando gli errori dei modelli tendono ad accumularsi. Un gruppo di Microsoft Research e altri istituti ha sviluppato Probabilistic Bias Correction, o PBC, un sistema di apprendimento automatico che corregge gli errori sistematici delle previsioni probabilistiche.

Nello studio su Nature pubblicato nell’ottobre 2026, il metodo ha migliorato le prestazioni del modello meteorologico tradizionale del Centro europeo per il 98% degli obiettivi relativi alle precipitazioni e per il 92% di quelli sulla temperatura nella valutazione riportata. Secondo i ricercatori ha inoltre raddoppiato un indicatore della qualità delle previsioni AI su scala substagionale. Il risultato è un miglioramento misurato rispetto a previsioni di riferimento, potenzialmente utile a chi deve programmare coltivazioni, risorse idriche ed energia con settimane d’anticipo.

Matematica e astronomia: l’AI produce nuove soluzioni e individua candidati pianeti

La scienza comprende anche problemi il cui risultato si può verificare matematicamente, senza dover costruire una sostanza. Nel lavoro apparso sui Proceedings of the National Academy of Sciences nell’ottobre 2026, Bogdan Georgiev, Javier Gómez-Serrano, Terence Tao e Adam Zsolt Wagner hanno applicato AlphaEvolve a 67 problemi di analisi matematica, geometria, combinatoria e teoria dei numeri. Il sistema combina modelli linguistici e verificatori automatici: genera programmi che descrivono possibili soluzioni, li valuta e li migliora nei tentativi successivi. In diversi problemi ha individuato costruzioni che migliorano i migliori risultati precedenti. Il progresso è una nuova soluzione controllabile attraverso calcoli e dimostrazioni, che i matematici possono poi studiare e generalizzare.

Anche l’astronomia trae vantaggio dai modelli che cercano schemi in grandi raccolte di osservazioni. Il sistema ExoMiner sviluppato dalla NASA ha aiutato nel 2021 a validare 370 esopianeti riconosciuti nei dati della missione Kepler, distinguendo segnali planetari da quelli di altre origini. Nel gennaio 2026 la NASA ha presentato ExoMiner++, addestrato anche sui dati della missione TESS: un primo esame ha prodotto 7.000 candidati da sottoporre a osservazioni di conferma. È un esempio della diversa funzione delle due fasi scientifiche: il modello individua i segnali promettenti, i telescopi e le verifiche astronomiche stabiliscono quali corrispondano a nuovi pianeti.

La mappa dei risultati scientifici verificati

I casi attraversano tutte le principali fasi della scoperta: previsioni computazionali rese disponibili alla comunità scientifica, esperimenti effettuati in laboratorio, confronti clinici e strumenti già operativi. Il livello della prova indica che cosa è stato osservato direttamente, così da leggere insieme il contributo dell’AI e l’avanzamento effettivamente raggiunto.

L’impatto sulla scienza nel suo insieme: le prove da milioni di pubblicazioni

Oltre ai risultati ottenuti nei singoli laboratori, ci sono studi che misurano come l’AI si accompagni alla produzione di nuove conoscenze. In un’analisi su Research Policy pubblicata nel luglio 2026, Stefano Bianchini, Valentina Di Girolamo, Julien Ravet e David Arranz hanno esaminato oltre 80 milioni di pubblicazioni uscite fra il 2005 e il 2023 in 172 ambiti scientifici. I lavori che impiegano l’AI sono risultati mediamente più inclini a introdurre nuove combinazioni di concetti e più presenti fra quelli maggiormente citati. I risultati sono particolarmente evidenti dove le conoscenze da collegare sono numerose e frammentate. La diffusione dell’AI si associa quindi a una maggiore novità scientifica, con differenze marcate fra discipline, secondo gli indicatori utilizzati dai ricercatori.

Un secondo studio pubblicato su Nature nel gennaio 2026 ha esaminato 41,3 milioni di articoli e ha trovato che i ricercatori che utilizzano strumenti AI pubblicano mediamente 3,02 volte più lavori e ricevono 4,84 volte più citazioni rispetto ai colleghi del gruppo di confronto. La stessa analisi ha rilevato una riduzione del 4,63% nell’ampiezza dei temi complessivamente esplorati e del 22% nelle interazioni fra scienziati. Sono associazioni statistiche osservate in grandi raccolte di pubblicazioni. Indicano che la produttività dei singoli ricercatori può crescere mentre la ricerca tende a concentrarsi su problemi già ricchi di dati, un aspetto importante per capire come orientare gli investimenti nella scienza.

Che cosa cambia nel lavoro degli scienziati

Il contributo più significativo dell’AI emerge quando una ricerca attraversa più passaggi. Co-Scientist propone un’ipotesi che viene messa alla prova su cellule o organoidi; un algoritmo suggerisce una nuova molecola e una linea automatizzata la incorpora in una cella solare; l’active learning seleziona nuovi elettroliti da misurare finché emerge una formulazione migliore. L’AI fa guadagnare tempo soprattutto nella scelta delle prove e nell’esplorazione di combinazioni che richiederebbero un numero enorme di tentativi.

I risultati più maturi hanno già un utilizzo operativo, come le previsioni ECMWF. Altri hanno raggiunto la validazione clinica di una procedura diagnostica, la sperimentazione di un farmaco sull’uomo o la produzione di un campione funzionante. Il tratto comune è l’incontro tra previsione e verifica: i laboratori misurano ciò che l’AI suggerisce, ne individuano i punti di forza e usano i risultati per scegliere il passo successivo. È qui che l’accelerazione della ricerca scientifica è diventata osservabile.