Il programma AI for Science (AI4S) di Singapore è un’iniziativa della National Research Foundation (NRF) da 120 milioni di dollari di Singapore pensata per inserire l’intelligenza artificiale nel lavoro quotidiano degli scienziati: dalla scelta delle ipotesi alla progettazione degli esperimenti, dalla verifica del software fino alla realizzazione di tecnologie utilizzabili.
Gli otto progetti inaugurali sono stati presentati il 16 giugno 2026. L’iniziativa mette insieme specialisti di IA, ricercatori di diverse discipline e partner internazionali. È importante però distinguere tra obiettivi annunciati e risultati già ottenuti: le applicazioni descritte sono ancora traguardi di ricerca, non esiti commerciali dimostrati. ![]()
Il nodo centrale: passare dalla previsione alla produzione
Materiali: il laboratorio autonomo che vuole colmare il divario
Il progetto più rappresentativo è il Materials Data Foundry, un’iniziativa da 10 milioni di dollari di Singapore realizzata dalla National University of Singapore (NUS) insieme alla University of Toronto. Il laboratorio unirà modelli di IA, robotica e misurazioni effettuate direttamente durante gli esperimenti, in una struttura autonoma e aperta.
L’obiettivo non è addestrare i modelli soltanto sui dati pubblicati sulle proprietà dei materiali. Il laboratorio genererà invece nuovi dati sperimentali che colleghino le condizioni di sintesi alle prestazioni nel mondo reale. Il programma punta a esaminare decine di migliaia di reazioni, individuare candidati effettivamente sintetizzabili e sviluppare strumenti software aperti. ![]()
Il risultato atteso sono “ricette” riproducibili per produrre materiali, non semplici composti suggeriti dall’IA. Tra le applicazioni indicate figurano materiali oltre il silicio e per il calcolo quantistico, elettrocatalizzatori più durevoli utili all’idrogeno pulito e rivestimenti resistenti alla corrosione. ![]()
Catalizzatori: selezionare al computer, verificare in laboratorio
Un programma guidato da A*STAR e Imperial College London svilupperà un Surface Science Foundation Model e una piattaforma cloud per prevedere le proprietà dei catalizzatori e le condizioni necessarie a sintetizzarli.
La ricerca guarda a combustibili più puliti, materie prime ottenute dalla CO₂ e sostanze chimiche di origine biologica. La descrizione principale del programma indica come obiettivo un’accelerazione di 500 volte nello screening computazionale. Per questo, eventuali affermazioni secondo cui il processo sarebbe “quasi cinque volte più veloce ed economico” vanno interpretate con cautela, a meno che non si riferiscano a una diversa metrica di sviluppo a valle. ![]()
Software e biomedicina: l’IA deve anche essere affidabile
Verificare il codice generato dall’intelligenza artificiale
NUS e Imperial stanno sviluppando strumenti capaci di analizzare, testare, verificare formalmente e dimostrare la correttezza dei programmi. Per il codice privo di documentazione, i ricercatori useranno anche metodi di ragionamento meno formali per ricostruirne il funzionamento.
Gli strumenti saranno messi alla prova su software ad alta rilevanza, come protocolli di rete e componenti del kernel Linux. L’idea è arrivare ad agenti di IA capaci di controllare anche il codice scritto da altri sistemi di IA. ![]()
Dati biologici integrati e analisi del sangue più ricche
Il progetto MultiOmicsFM, guidato da NUS e A*STAR, punta a creare un modello fondazionale in grado di interpretare insieme dati di DNA, RNA e attività genica provenienti da dataset multi-etnici di Singapore. L’obiettivo è sostenere la ricerca sul rischio di malattia e l’ottimizzazione delle terapie a mRNA. ![]()
Il progetto BloodCounts! seguirà una strada diversa ma complementare: il modello DeepCBC sarà addestrato sui parametri completi degli esami emocromocitometrici, integrati con immagini degli strisci di sangue. In questo modo, un test comune potrebbe fornire più informazioni diagnostiche e contribuire a prevedere condizioni come il rischio di ictus e alcuni tumori. ![]()
Agricoltura, clima ed energia
NUS e University of Illinois svilupperanno digital twin agricoli guidati dalla conoscenza: rappresentazioni virtuali dei terreni del Sud-est asiatico che combinano dati osservati e principi di agronomia.
Gli strumenti dovrebbero produrre previsioni interpretabili e supportare decisioni su semina, uso delle risorse e catene di approvvigionamento. L’intento, quindi, non è affidarsi soltanto a previsioni opache, ma fornire indicazioni che possano essere comprese e valutate dagli esperti. ![]()
Il portafoglio degli otto progetti comprende inoltre interfacce progettate con l’IA per migliorare il trasporto dell’energia. Nel complesso, AI4S abbraccia materiali, informatica, scienze della vita, energia e agricoltura, invece di concentrarsi su un unico settore. ![]()
La strategia di Singapore
Il programma segue una logica di ciclo chiuso: l’IA propone materiali, molecole, esperimenti o codice; laboratori automatizzati, screening ad alta produttività, misurazioni e verifiche formali forniscono poi le prove necessarie per stabilire che cosa sia producibile, sicuro e utile. Il Materials Data Foundry rappresenta l’esempio più chiaro di questo approccio. ![]()
AI4S punta anche a formare scienziati “bilingui”, capaci di lavorare sia con l’IA sia con discipline come la scienza dei materiali, le biotecnologie e la fisica quantistica. L’idea è fare in modo che le domande scientifiche, la qualità dei dati e i limiti degli esperimenti influenzino i modelli fin dall’inizio. ![]()
Infine, Singapore sta usando i finanziamenti della NRF, le collaborazioni internazionali basate su CREATE, infrastrutture digitali e sperimentali condivise, strumenti aperti e partner industriali per rafforzare il proprio ruolo come punto d’incontro della ricerca guidata dall’IA. I due programmi di Imperial, per esempio, saranno ospitati da Imperial Global Singapore presso CREATE e saranno progettati per l’accesso di ricercatori da tutto il mondo. ![]()
La vera prova arriverà con i risultati: protocolli di produzione convalidati, catalizzatori scalabili, evidenze cliniche utili al supporto decisionale e software affidabile. Il successo di AI4S non dipenderà soltanto dalla velocità con cui l’IA produce previsioni, ma dalla capacità di trasformarle in soluzioni verificabili e riproducibili.
