Lo sciame di IA di OpenAI legge milioni di cellule cerebrali in 32 minuti
Un team di OpenAI, del gruppo di ricerca PerturbAI e dell’istituto Scripps Research ha condotto un esperimento che forse dice più su come si fa scienza che su una singola scoperta. Secondo un resoconto di OpenAI pubblicato il 21 ottobre, migliaia di agenti IA sono stati liberati su dati biologici riguardanti milioni di cellule cerebrali di topo. L’intera analisi ha richiesto 32 minuti.
Il confronto offerto dai ricercatori è la parte interessante. Stimano che se gli scienziati umani avessero esaminato gli stessi risultati voce per voce, verificando ogni scoperta con la letteratura pubblicata man mano, il lavoro avrebbe potuto richiedere mesi e forse fino a un anno. Gli agenti non si limitavano a riassumere un file. È stato chiesto loro di ragionare su un ampio corpus di risultati sperimentali e di collegarlo al lavoro precedente.
Il lavoro si basava su GPT-Rosalind, un modello costruito specificamente per la ricerca nelle scienze della vita anziché per la chat generica. Questo dettaglio conta. Gran parte del rumore attorno all’IA nella scienza è venuto da sistemi generalisti chiamati a rispondere a domande in stile esame. Un modello messo a punto per dati biologici e poi impiegato in grandi numeri è una proposta diversa, più vicina a uno strumento di ricerca che a un chatbot.
L’architettura è ciò che rende possibile la velocità. Invece di un modello che lavora su una coda, molti agenti lavorano in parallelo, ciascuno prendendo una fetta dei dati, con i loro output assemblati successivamente. È lo stesso schema che si sta diffondendo nell’ingegneria del software e nel servizio clienti, dove flotte di agenti gestiscono compiti che altrimenti sarebbero serializzati. La biologia, con i suoi dataset enormi e disordinati, è un prossimo bersaglio ovvio.
Gli scettici solleveranno le solite domande, e sono legittime. L’automazione su questa scala può produrre rapidamente errori sicuri di sé, e verificare la conclusione di un agente può costare quasi quanto raggiungerla a mano. L’affermazione onesta qui riguarda la produttività, non la sostituzione del giudizio di uno scienziato che sa quali anomalie vale la pena inseguire. I 32 minuti sono il tempo per produrre un’analisi, non il tempo per fidarsene.
Tuttavia, la direzione è chiara. I gruppi di ricerca hanno passato gli ultimi due anni a sperimentare l’IA come aiutante per compiti individuali: redigere un riassunto, suggerire un’ipotesi, scrivere una riga di codice. Affidare un’intera pipeline analitica a uno sciame coordinato è un passo oltre, e mette sotto pressione le parti del processo scientifico che non sono mai state progettate per la velocità delle macchine, come la revisione paritaria e la replicazione.
Per i lettori globali, il significato riguarda meno i cervelli dei topi che un modello. Se migliaia di agenti possono macinare un dataset da milioni di cellule in mezz’ora, lo stesso approccio sarà provato su cartelle cliniche, screening di materiali e dati climatici, ovunque il collo di bottiglia sia l’attenzione umana anziché la potenza di calcolo grezza. Attendiamo la replica indipendente del risultato e se i ricercatori pubblicheranno come sono state verificate le scoperte degli agenti.