Laboratori autonomi: quando l’AI fa anche gli esperimenti e accelera la scienza

Un laboratorio in cui l’intelligenza artificiale coordina più di venti tipi di strumenti, organizza migliaia di operazioni sperimentali e interpreta le misure per continuare il lavoro. La dimostrazione più recente è AutoDNA, presentato il 4 novembre 2026 su Nature da ricercatori della Shanghai Jiao Tong University: oltre 11.000 passaggi eseguiti, dalla sintesi al sequenziamento del DNA, con interventi umani concentrati soprattutto su materiali di consumo e manutenzione. Il sistema ha anche identificato una mutazione del gene KRAS in un campione clinico.

Sempre quest’anno, il CNR ha avviato a Tito Scalo, in Basilicata, la piattaforma MADAM per la scoperta di materiali energetici. Negli Stati Uniti la National Science Foundation ha stanziato 380 milioni di dollari per una rete nazionale di laboratori programmabili, ai quali si aggiungono oltre 20 milioni filantropici. La Cina sta collegando centri di ricerca, modelli scientifici e robot sperimentali, mentre l’Unione europea prepara reti analoghe con il programma RAISE.

Il cambiamento è profondo: l’AI aveva già imparato a proporre molecole, stimare proprietà dei materiali, analizzare immagini e leggere letteratura scientifica. Ma per sapere se un composto è davvero stabile, se una reazione produce il risultato sperato o se un materiale funziona in una batteria bisogna fare l’esperimento nel mondo fisico. Finora questa fase, lenta, costosa e spesso ripetitiva, dipendeva in larga parte dal lavoro di scienziati e tecnici. I self-driving labs, o laboratori autonomi, collegano il modello AI agli strumenti che realizzano e misurano gli esperimenti. Chiudono così il ciclo fra ipotesi e verifica.

Come funzionano i laboratori autonomi: dalla previsione alla prova fisica

Immaginiamo di cercare un elettrolita per batterie che mantenga buone prestazioni, impieghi meno materie prime critiche e resista a numerosi cicli di carica. Un modello propone alcune composizioni; il software seleziona quelle più promettenti e ordina alle macchine di prepararle. Pipettatori, pompe, robot e reattori mescolano le sostanze. Sensori e strumenti analitici misurano stabilità, conducibilità, rendimento e altri parametri. I risultati tornano al modello, che modifica la scelta degli esperimenti successivi.

Il processo ricomincia. Dopo ogni prova il sistema decide se esplorare una composizione poco conosciuta o perfezionarne una che ha già dato buoni risultati. È il principio dell’active learning e dell’ottimizzazione bayesiana, spesso affiancato da modelli fisici e algoritmi specifici della disciplina. I modelli linguistici possono leggere studi, suggerire protocolli e coordinare gli strumenti, ma non servono necessariamente grandi chatbot per rendere autonomo un laboratorio: la componente decisiva è il collegamento fra decisioni, esecuzione sperimentale e misurazioni.

Un impianto robotico tradizionale ripete un protocollo stabilito dai ricercatori. Un laboratorio autonomo decide invece quale prova conviene fare dopo in base a ciò che ha appena osservato. Per questo una piattaforma ad alta automazione e un vero laboratorio a ciclo chiuso possono apparire simili nelle fotografie pur avendo capacità molto diverse. La ricognizione pubblicata nel luglio 2026 su Nature Reviews Chemistry descrive il passaggio dalle macchine specializzate agli apparati che pianificano, eseguono e interpretano campagne di esperimenti con supervisione limitata.

Il panorama mondiale comprende impianti completamente operativi, prototipi che automatizzano solo parte del ciclo e programmi che stanno ancora costruendo la rete. I risultati verificati aiutano a capire a che punto siamo.

Laboratori autonomi: i principali risultati e progetti

Laboratori autonomi e programmi principali: risultati documentati e stato al 4 novembre 2026. Le cifre descrivono attività diverse e non sono graduatorie confrontabili di produttività. Fonti: studi e comunicazioni primarie collegati ai singoli progetti nella tabella.

Perché questa tecnologia può cambiare la velocità della scienza

In molti settori lo spazio delle soluzioni possibili è smisurato. Variare la concentrazione di quattro reagenti, la temperatura, il tempo di reazione e il tipo di catalizzatore produce in fretta combinazioni che nessun gruppo potrebbe provare sistematicamente. Un modello AI può ridurre il numero di candidati, ma soltanto un esperimento stabilisce quali proprietà hanno davvero. Collegando l’AI al laboratorio, ogni nuova prova viene scelta per ottenere la massima informazione utile e correggere le previsioni.

I vantaggi sono di tre tipi. Il primo è il tempo: le macchine possono lavorare durante la notte e nei fine settimana. Il secondo è la qualità dei dati: tempi, concentrazioni, errori e risultati negativi possono essere registrati in modo sistematico, evitando che una parte importante dell’esperienza sperimentale resti negli appunti o nella memoria dei ricercatori. Il terzo è la possibilità di esplorare materiali che oggi nessuno considera, perché le campagne di prova sarebbero troppo costose.

Al centro danese CAPeX i ricercatori riferiscono, per esempio, di avere ridotto da una stima di due anni a due giorni la sintesi di alcuni nanomateriali a base d’oro: un risultato relativo a una specifica procedura, che mostra quanto possa pesare il tempo sperimentale. Il gruppo sta inoltre studiando la sintesi e la caratterizzazione di catalizzatori con robot che scelgono le prove successive. Andy Sode Anker, che lavora ai laboratori del DTU, riassume il nuovo ruolo dei ricercatori: «Non dobbiamo stare in laboratorio, ma dobbiamo gestirlo».

La produttività non deriva soltanto dal numero di provette. Si possono ridurre consumo di reagenti, spreco di campioni e ripetizioni inutili; si possono anche fare esperimenti più pericolosi in ambienti protetti, con interblocchi e controllo remoto. L’autonomia permette infine di trasformare il laboratorio in una risorsa condivisa: gruppi lontani possono inviare obiettivi e protocolli a una struttura attrezzata, ricevendo dati sperimentali tracciati. È la direzione delle nuove cloud labs programmabili americane.

Dai nuovi farmaci alle batterie: che cosa possono scoprire

Farmaci e biologia. Un sistema può progettare molecole, sintetizzarle, misurarne l’interazione con una proteina e modificare la struttura in base ai dati. Nella medicina sperimentale significa filtrare prima i candidati, studiare vie molecolari poco esplorate e velocizzare parte della ricerca preclinica. Google Research ha mostrato nell’ottobre 2026 approcci che uniscono agenti AI, robot e misure di laboratorio per cercare molecole capaci di legarsi a bersagli associati ai tumori. In Cina XtalPi lavora con la biotecnologia Signet a un candidato per il carcinoma gastrico diffuso, SIGX1094, entrato nella sperimentazione clinica: dal laboratorio robotizzato alla cura delle persone resta necessario dimostrare sicurezza ed efficacia nei pazienti.

Energia e materiali. I laboratori autonomi possono cercare elettroliti più sicuri, materiali catodici alternativi, catalizzatori che riducano l’impiego di metalli costosi e celle solari più efficienti e stabili. La ricerca sulle perovskiti è particolarmente adatta: cambiano composizione, rivestimenti e processo produttivo, e ogni variante va fabbricata e misurata. Per questo aziende e centri di ricerca stanno unendo simulazione, deposizione di film sottili, misure e algoritmi decisionali.

Ambiente, agricoltura e chimica industriale. Le stesse piattaforme possono cercare assorbenti per catturare CO2, catalizzatori per produrre idrogeno, processi meno energivori, polimeri riciclabili e formulazioni che riducano solventi e sostanze problematiche. Il vantaggio comune è scegliere rapidamente quali alternative provare e confrontarle su più obiettivi reali: prestazione, costo, durata, materie prime e impatto ambientale.

Esiste anche un traguardo scientifico più ambizioso: progettare prove che distinguano fra teorie concorrenti, cercare fenomeni inattesi e utilizzare risultati negativi per costruire modelli più affidabili. Il computer può suggerire una relazione; il robot produce un’osservazione indipendente che aiuta a confermarla, smentirla o modificarla. È questo intreccio tra calcolo e misurazione a poter aumentare la velocità con cui la scienza accumula conoscenza.

Italia: MADAM in Basilicata, il prototipo di Napoli e la filiera dei materiali

Il caso italiano più vicino ai laboratori a ciclo chiuso è MADAM (Materials and Devices Acceleration Platform), allestito dal CNR-Istituto di Struttura della Materia a Tito Scalo, in provincia di Potenza. L’avvio operativo è stato annunciato nel marzo 2026. La piattaforma mette insieme automazione sperimentale, strumenti di caratterizzazione, modelli fisici e decisioni guidate dai dati. Le applicazioni indicate dal CNR riguardano elettrolizzatori per l’idrogeno verde, fotovoltaico di nuova generazione e dispositivi per l’industria. MADAM fa parte dell’infrastruttura PNRR iENTRANCE@ENL, articolata in 14 nodi di ricerca: un possibile punto di partenza per mettere attrezzature avanzate al servizio di più gruppi e imprese.

A Napoli, un gruppo della Federico II ha pubblicato il 1° ottobre 2026 su ACS Omega una piattaforma che prepara schiume polimeriche e ne valuta densità e morfologia mediante scansione e immagini. Un braccio robotico movimenta i campioni, il sistema esegue il trattamento e usa i risultati per adattare i parametri di processo. È una dimostrazione concreta di sperimentazione autonoma; gli autori presentano l’integrazione di una gestione sperimentale AI più avanzata come sviluppo futuro. I possibili sbocchi comprendono imballaggi, isolamento e materiali tecnici.

Un altro tassello è IEMAP, la Italian Energy Materials Acceleration Platform coordinata dall’ENEA con CNR, RSE e Istituto Italiano di Tecnologia. Con 6,81 milioni di euro di costo, il progetto si è svolto dal 2021 al 2024; la piattaforma digitale è rimasta accessibile e nel 2026 archiviava oltre 780 progetti di ricerca. Usa supercalcolo, dati e algoritmi per selezionare i materiali più promettenti, in particolare per le batterie. È un’infrastruttura importante per la componente digitale della scoperta, distinta da una catena fisica di esperimenti interamente robotizzati.

Nel giugno 2026 il Politecnico di Torino ha inoltre annunciato GENMAT, progetto europeo con 14 partner per sviluppare un modello scientifico generale dei materiali, capace di utilizzare informazioni atomiche, immagini microscopiche e dati da sensori. Il suo contributo è soprattutto il modello che può orientare la ricerca; il collegamento strutturale con macchine e misure resta il passaggio necessario per trasformarlo in laboratorio autonomo. Il CNR-ISMN include i self-driving labs nelle proprie linee di ricerca. In Italia, dunque, ci sono impianti e competenze: serve far dialogare i singoli sistemi, raccogliere dati con standard comuni e portarli su scala industriale.

L’Europa: esperimenti riusciti e programmi per condividere le infrastrutture

Ad Amsterdam il gruppo di Timothy Noël ha sviluppato RoboChem-Flex, presentato nell’aprile 2026. È un sistema modulare per ottimizzare reazioni chimiche. La versione di base costa circa 5.000 dollari secondo i ricercatori, ma la misura in tempo reale con spettrometri e strumenti analitici può richiedere investimenti ben superiori. Il progetto rende accessibile la robotica anche a laboratori con mezzi limitati e permette configurazioni completamente autonome o con analisi affidata periodicamente a un ricercatore. L’università riferisce che le piattaforme RoboChem riescono a ottimizzare la sintesi di circa 10-20 piccole molecole in una settimana, un lavoro che per un dottorando potrebbe richiedere mesi.

In Danimarca, il centro CAPeX della Technical University of Denmark collega robot, modelli AI e misure strutturali dei catalizzatori. In Regno Unito, l’Università di Liverpool è stata pioniera dei robot chimici mobili: la piattaforma descritta nel 2020 ha condotto 688 esperimenti in otto giorni; nel marzo 2026 il gruppo ha presentato un robot per la chimica di processo che può muoversi fra reattori e strumenti di analisi senza riprogettare integralmente gli apparecchi. È un passaggio verso l’uso di queste macchine nei normali laboratori di sviluppo farmaceutico.

In Germania, il Karlsruhe Institute of Technology ha presentato nel settembre 2026 E-MAP, una piattaforma che automatizza preparazione, deposizione e misurazione di materiali per il fotovoltaico a film sottile. Il KIT ha investito circa 600.000 euro in attrezzature e sta lavorando all’uso dei dati per guidare la scelta delle prove successive. E-MAP è destinata a inserirsi nella futura rete tedesca HELMA. In Francia il programma DIADEM, coordinato da CNRS e CEA, mobilita 85 milioni di euro dal 2022 al 2031 per piattaforme accelerate sui materiali. La società francese Iktos lavora invece all’integrazione tra progettazione AI di molecole, pianificazione della sintesi e robotica farmaceutica.

A livello comunitario FULL-MAP, finanziato da Horizon Europe con quasi 20 milioni di euro fra 2025 e 2029, riunisce 32 partner di 12 Paesi per sviluppare una piattaforma che colleghi progettazione, sintesi automatizzata, caratterizzazione e test delle batterie. La Commissione ha poi avviato RAISE, il progetto per mettere in comune calcolo, dati, talenti e ricerca sull’AI, con 33 milioni dedicati nel programma di lavoro 2025 e 107 milioni nel 2026-2027. Fra le iniziative previste per il 2027 figura esplicitamente l’automazione dei laboratori di scienza dei materiali e alimentazione: l’obiettivo è collegare ai modelli AI la strumentazione già presente nei centri di ricerca, senza ricostruire da zero ogni impianto.

Stati Uniti: dai risultati di Berkeley a una rete nazionale di laboratori

Negli Stati Uniti il Berkeley A-Lab ha dato una delle dimostrazioni più note. Nei 17 giorni descritti nel lavoro pubblicato su Nature nel 2023 ha eseguito 353 esperimenti per produrre 36 composti inorganici su 57 obiettivi. Modelli e dati storici suggerivano le procedure, il robot preparava i campioni e la diffrazione a raggi X ne misurava la struttura. Quando un tentativo falliva, il sistema cambiava la ricetta e riprovava. Questo caso contiene anche una lezione sui controlli scientifici: una correzione pubblicata il 19 gennaio 2026 ha ridimensionato l’originaria rivendicazione di materiali «nuovi», chiarendo che erano nuovi rispetto alla piattaforma di previsione, non necessariamente per tutta la scienza. Una conferma robotica resta soggetta alla verifica e alla valutazione indipendente dei risultati.

Il NIST usa già l’Autonomous Formulation Lab per preparare miscele complesse, misurarne la struttura con raggi X o neutroni e adattare le formulazioni in base ai dati. Le applicazioni vanno dai materiali morbidi ai prodotti chimici. Nell’ottobre 2026 anche lo SLAC National Accelerator Laboratory ha annunciato il progetto SPIRE, che vuole far dialogare agenti AI, robot, fasci di raggi X ed elettronici e sistemi di acquisizione per correggere l’esperimento mentre si svolge.

Il salto di scala è politico e finanziario. Con la Genesis Mission, lanciata nel novembre 2025, il governo federale punta a collegare dati e strumenti delle agenzie scientifiche e dei laboratori nazionali. Nel luglio 2026 la Casa Bianca ha annunciato oltre 5 miliardi di dollari di impegni federali per la missione nel suo complesso, che comprende molte attività di AI per la scienza. All’interno di questo quadro, i 380 milioni della NSF per 20 gruppi, con il contributo di Astera, finanziano specificamente una rete di programmable cloud laboratories accessibili a distanza. L’obiettivo è far utilizzare apparati complessi anche a ricercatori che oggi non potrebbero costruirli nel proprio istituto. Nell’ottobre 2026 Casa Bianca, NSF e DOE hanno inoltre annunciato altri 100 milioni di dollari per sviluppare strumenti destinati a laboratori autonomi.

Cina: robot industriali e una piattaforma nazionale per l’AI scientifica

La Cina sta spingendo soprattutto sull’integrazione con la manifattura. XtalPi, società specializzata in farmaci e materiali, ha costruito una piattaforma che collega modelli scientifici, agenti software e robot sperimentali. Nei risultati aziendali del 2026 ha dichiarato oltre 300 postazioni automatizzate installate nel mondo; si tratta di un dato societario, non di una misura indipendente della loro piena autonomia. Con il produttore fotovoltaico JinkoSolar vuole realizzare una linea per celle tandem perovskite-silicio capace di testare 1.000 campioni al giorno: un traguardo progettato, che renderebbe molto più rapida la ricerca delle migliori combinazioni tra materiali e parametri produttivi.

In parallelo, la Chinese Academy of Sciences ha costruito ScienceOne 100, una famiglia di modelli e strumenti per diverse discipline, e nel settembre 2026 ha presentato l’ecosistema Panshi OneScience. Quest’ultimo mette insieme archivi scientifici, modelli, capacità di calcolo e accesso ai laboratori. È il tentativo di costruire un’infrastruttura nazionale, non soltanto una raccolta di macchine isolate. L’analisi pubblicata dall’Economist il 4 novembre descrive precisamente questa scelta di politica industriale.

AutoDNA, pubblicato nello stesso giorno, rende concreta l’ambizione anche fuori dalla chimica dei materiali. Gli agenti AI coordinano oltre venti classi di strumenti e più di 11.000 operazioni fra sintesi, amplificazione e sequenziamento degli acidi nucleici. Lo studio riporta un’esecuzione parallela di protocolli 3,2 volte più veloce di quella sequenziale e la verifica di una mutazione clinicamente rilevata del gene KRAS. Qui l’interesse scientifico sta anche nella capacità di gestire più richieste e strumenti differenti, una barriera tecnica importante per passare da esperimenti isolati a laboratori generalisti.

Le difficoltà vere: robot flessibili, dati affidabili e scoperte riproducibili

I reagenti cambiano viscosità, alcuni campioni si degradano, una pipetta può aspirare il volume sbagliato, gli strumenti richiedono calibrazioni e le sostanze possono essere pericolose. Per un modello che pianifica in linguaggio naturale, un protocollo corretto sulla carta può diventare impossibile da realizzare fisicamente. Nell’ottobre 2026 Google Research ha descritto il sistema VERID, che controlla in tempo reale posizione degli oggetti, volumi e disponibilità dei reagenti prima di impartire comandi ai robot. La sicurezza del laboratorio si costruisce così anche nel software che media fra AI e macchine.

Un secondo limite è la qualità scientifica. Una macchina può ottimizzare un parametro che misura male, ripetere un errore di calibrazione o interpretare un segnale come una scoperta. Servono campioni di controllo, repliche indipendenti, verifica delle strutture e tracciabilità completa: chi ha preparato il campione, con quali reagenti, quale software, quali tarature e quali risultati, compresi quelli falliti. La rassegna del 2026 su Nature Reviews Chemistry individua proprio nella scalabilità, nel trasferimento dei metodi fra laboratori e nella provenienza verificabile dei dati i tre nodi della prossima fase.

Conta infine la dimensione industriale. Una reazione riuscita in millilitri può comportarsi diversamente in un impianto da migliaia di litri; un composto promettente potrebbe essere instabile, tossico o troppo costoso da produrre. Nella farmaceutica restano studi clinici, autorizzazioni, farmacovigilanza e controllo della qualità. Per questo i laboratori autonomi hanno oggi risultati più forti nelle attività circoscritte, con obiettivi misurabili e strumenti ben controllati: sono questi i campi nei quali hanno già ridotto il lavoro sperimentale e dimostrato nuove capacità.

La prossima frontiera: una rete di laboratori che imparano insieme

Il passo successivo è collegare laboratori diversi. Un gruppo potrebbe progettare un materiale, far sintetizzare i candidati in una struttura attrezzata, chiedere misure specialistiche a un’altra e usare tutti i dati per preparare la campagna successiva. Con protocolli e formati interoperabili, un risultato negativo ottenuto in un laboratorio eviterebbe prove inutili negli altri. Negli Stati Uniti questa prospettiva prende la forma della rete finanziata dalla NSF; in Europa di FULL-MAP, delle piattaforme nazionali e delle prossime iniziative RAISE; in Cina della connessione fra ScienceOne, infrastrutture pubbliche e fabbriche robotiche.

Per la ricerca italiana la scelta concreta è valorizzare impianti come MADAM e i prototipi universitari, connetterli alle piattaforme dati come IEMAP e ai nuovi modelli scientifici come GENMAT, offrendo accesso alle piccole e medie imprese che da sole non hanno risorse per grandi campagne sperimentali. Qui la politica industriale incontra la ricerca di base: il ritorno può essere un catalizzatore migliore, una batteria più sicura, un farmaco candidato più rapidamente o un fenomeno chimico che nessuno aveva previsto.

I laboratori autonomi portano l’intelligenza artificiale oltre lo schermo. Ogni ipotesi può diventare una prova fisica, e ogni prova può insegnare qualcosa al modello che guiderà quella successiva. È il meccanismo con cui questa tecnologia potrebbe comprimere anni di tentativi in campagne sperimentali molto più rapide e aprire alla scienza regioni finora inesplorate.