Google DeepMind: le idee le genera l'IA, ma mancano i laboratori per testarle

Il saggio, firmato da Don Wallace, Conor Griffin, Sean O'Neill, Thang Luong e Owen Larter, sostiene che la parte più difficile del processo scientifico oggi non è più trovare idee, ma condurre gli esperimenti necessari per confermarle o confutarle . Mentre strumenti di IA come il sistema Co-Scientist di DeepMind dimostrano che le ipotesi generate al computer in ambiti come la cura del cancro o la fibrosi epatica possono essere prodotte in pochi minuti, ognuna di esse richiede ancora settimane o mesi di test biologici su linee cellulari o organoidi .

Perché questo problema è così urgente

Questo collo di bottiglia ha conseguenze concrete. Nello sviluppo di farmaci, per esempio, l'IA può proporre rapidamente migliaia di nuovi candidati molecolari, ma la validazione clinica rimane lenta, costosa e vincolata dalla capacità disponibile. Pushmeet Kohli, un leader di DeepMind, aveva già notato in passato che, mentre AlphaFold ha ridotto la predizione della struttura delle proteine da anni a secondi, la validazione clinica dei farmaci rimane il collo di bottiglia irrisolto . Allo stesso modo, il divario tra le idee generate dall'IA nella scienza dei materiali e nelle soluzioni climatiche e l'infrastruttura fisica di test disponibile per validarle si sta allargando sempre di più .

Le quattro priorità che DeepMind chiede a policy maker e finanziatori

Il saggio di DeepMind delinea quattro priorità concrete per colmare questo divario :

1. Garantire un accesso diffuso agli agenti di IA per gli scienziati.
Trattare l'accesso agli agenti di IA come una priorità strategica, analoga allo sforzo storico di fornire agli scienziati l'accesso ai supercomputer. I ricercatori di tutte le istituzioni — non solo quelli dei laboratori più ricchi — devono avere gli strumenti per generare e testare ipotesi .

2. Rendere disponibili le infrastrutture dei laboratori nazionali per la scienza guidata dall'IA.
Ampliare e aprire le strutture fisiche di laboratorio, come i laboratori nazionali e i centri di test ad alta produttività condivisi, in modo che la nuova ondata di ipotesi generate dall'IA possa essere sistematicamente validata nel mondo reale .

3. Sviluppare nuovi modelli di finanziamento che supportino la validazione ad alta produttività.
Le strutture di sovvenzione tradizionali sono troppo lente e troppo limitate per la scala di test che l'IA può richiedere. I finanziatori dovrebbero creare meccanismi che supportino esplicitamente pipeline di validazione sperimentale rapide e su larga scala .

4. Riformare i processi di peer review e valutazione per l'era degli agenti.
Ai revisori stessi dovrebbe essere consentito di utilizzare agenti di IA, e sono necessari nuovi quadri di riferimento come le «Human-AI Interaction Cards» (Schede di interazione uomo-IA) per garantire trasparenza, riproducibilità e fiducia nella scienza assistita da agenti .

Il contesto più ampio: una sfida nota

Non è il primo avvertimento di DeepMind sulla validazione. Un documento programmatico dell'azienda del novembre 2024 aveva già identificato il divario tra il mondo digitale e quello reale come una sfida chiave, e il ricercatore Pushmeet Kohli aveva pubblicamente indicato l'infrastruttura di validazione come uno dei due principali colli di bottiglia rimanenti per la scienza accelerata dall'IA, insieme all'accessibilità . Il saggio del luglio 2026 rappresenta la dichiarazione politica più mirata sull'argomento fino ad oggi.

Precisazione sulla data

La fonte primaria di questi risultati è il saggio stesso di DeepMind, pubblicato sulla sua pagina di policy pubblica nel luglio 2026 . Alcune prime notizie hanno erroneamente fatto riferimento a un saggio del luglio 2025; non è stato trovato alcun saggio su questo argomento esatto del luglio 2025 nei risultati di ricerca. La sostanza dell'avvertimento e le quattro priorità sono coerenti in tutte le fonti di informazione .