Google AI co-scientist
Parliamo di Google AI co-scientist, un sistema di intelligenza artificiale multi-agente sviluppato con Gemini 2.0 come collaboratore scientifico virtuale per aiutare gli scienziati a generare nuove ipotesi e proposte di ricerca e ad accelerare la velocità delle scoperte scientifiche e biomediche.
Nella ricerca di progressi scientifici, i ricercatori combinano ingegno e creatività con intuito e competenza radicati nella letteratura per generare direzioni di ricerca nuove e praticabili e per guidare l’esplorazione che segue. In molti campi, ciò presenta un enigma di ampiezza e profondità, poiché è difficile orientarsi nella rapida crescita del tasso di pubblicazioni scientifiche integrando al contempo intuizioni provenienti da domini non familiari. Tuttavia, superare tali sfide è fondamentale, come dimostrano le numerose scoperte moderne emerse da sforzi transdisciplinari. Ad esempio, Emmanuelle Charpentier e Jennifer Doudna hanno vinto il premio Nobel per la chimica 2020 per il loro lavoro su CRISPR , che ha combinato competenze che spaziano dalla microbiologia alla genetica alla biologia molecolare.
Motivati da esigenze insoddisfatte nel moderno processo di scoperta scientifica e basandosi sui recenti progressi dell’intelligenza artificiale , tra cui la capacità di sintetizzare argomenti complessi e di eseguire pianificazione e ragionamento a lungo termine , Google ha sviluppato un sistema AI co-scientist . Google AI co-scientist è un sistema AI multi-agente che è destinato a funzionare come strumento collaborativo per gli scienziati. Basato su Gemini 2.0, l’AI co-scientist è progettato per rispecchiare il processo di ragionamento alla base del metodo scientifico. Oltre alla revisione della letteratura standard, alla sintesi e agli strumenti di “ricerca approfondita”, il sistema Google AI co-scientist è destinato a scoprire nuove conoscenze originali e a formulare ipotesi e proposte di ricerca dimostrabilmente nuove, basandosi su prove precedenti e adattate a specifici obiettivi di ricerca.
Aiutare gli scienziati e accelerare le scoperte con Google AI co-scientist dell’intelligenza artificiale
Dato l’obiettivo di ricerca di uno scienziato che è stato specificato in linguaggio naturale, il Google AI co-scientist è progettato per generare nuove ipotesi di ricerca, una panoramica di ricerca dettagliata e protocolli sperimentali. Per farlo, utilizza una coalizione di agenti specializzati ( Generazione , Riflessione , Classifica , Evoluzione , Prossimità e Meta-revisione ) che sono ispirati dal metodo scientifico stesso. Questi agenti utilizzano feedback automatizzati per generare, valutare e perfezionare iterativamente le ipotesi, con conseguente ciclo di auto-miglioramento di output sempre più nuovi e di qualità elevata.
Progettato appositamente per la collaborazione, gli scienziati possono interagire con il sistema in molti modi, tra cui fornendo direttamente le proprie idee iniziali per l’esplorazione o fornendo feedback sugli output generati in linguaggio naturale. Il Google AI co-scientist utilizza anche strumenti, come la ricerca sul Web e modelli di IA specializzati, per migliorare la base e la qualità delle ipotesi generate.
AI CoScientist-1-Componenti

Illustrazione dei diversi componenti del sistema multi-agente co-scienziato dell’IA e del paradigma di interazione tra il sistema e lo scienziato (Fonte: Google).
Il Google AI co-scientist analizza l’obiettivo assegnato in una configurazione del piano di ricerca, gestita da un agente Supervisor. L’agente Supervisor assegna gli agenti specializzati alla coda dei worker e alloca le risorse. Questa progettazione consente al sistema di scalare in modo flessibile il calcolo e di migliorare iterativamente il suo ragionamento scientifico verso l’obiettivo di ricerca specificato.
Scalabilità del calcolo in fase di test per un ragionamento scientifico avanzato
Il Google AI co-scientist sfrutta la scalabilità del calcolo in fase di test per ragionare, evolvere e migliorare iterativamente gli output. I passaggi chiave del ragionamento includono il dibattito scientifico basato sul self-play per la generazione di nuove ipotesi, tornei di classificazione per il confronto delle ipotesi e un processo di “evoluzione” per il miglioramento della qualità. La natura agentica del sistema facilita l’autocritica ricorsiva, incluso l’uso di strumenti per il feedback per perfezionare ipotesi e proposte.
L’auto-miglioramento del sistema si basa sulla metrica di autovalutazione e lo derivata dai suoi tornei. Grazie al loro ruolo fondamentale, Google ha valutato se i punteggi più alti siano correlati a una qualità di output più elevata. Ha analizzato la concordanza tra i punteggi automatici e l’accuratezza del benchmark GPQA sul suo set di diamanti di domande impegnative e abbiamo scoperto che punteggi Elo più alti sono correlati positivamente a una maggiore probabilità di risposte corrette.
Sette esperti di dominio hanno curato 15 obiettivi di ricerca aperti e le migliori soluzioni ipotizzate nel loro campo di competenza. Utilizzando la metrica automatizzata abbiamo osservato che il Google AI co-scientist ha superato altri modelli di ragionamento e agenti all’avanguardia per questi problemi complessi. L’analisi ha riprodotto i vantaggi del ridimensionamento del calcolo in fase di test utilizzando pregiudizi induttivi derivati dal metodo scientifico. Man mano che il sistema trascorre più tempo a ragionare e migliorare, la qualità autovalutata dei risultati migliora e supera i modelli e gli esperti umani non assistiti.
Su un sottoinsieme più piccolo di 11 obiettivi di ricerca, gli esperti hanno valutato la novità e l’impatto dei risultati generati dal co-scienziato dell’IA rispetto ad altre linee di base pertinenti; hanno anche fornito una preferenza generale. Sebbene la dimensione del campione fosse piccola, gli esperti hanno valutato che il Google AI co-scientist avesse un potenziale più elevato per novità e impatto e hanno preferito i suoi output rispetto ad altri modelli. Inoltre, queste preferenze degli esperti umani sembravano anche concordare con la metrica di autovalutazione introdotta in precedenza.
Validazione di nuove ipotesi di co-scienziati dell’intelligenza artificiale con esperimenti di laboratorio nel mondo reale
Per valutare l’utilità pratica delle nuove previsioni del sistema, Google ha valutato esperimenti di laboratorio end-to-end che sondavano le ipotesi generate dai co-scienziati dell’IA e le proposte di ricerca in tre applicazioni biomediche chiave: riutilizzo dei farmaci, proposta di nuovi target di trattamento e spiegazione dei meccanismi alla base della resistenza antimicrobica. Tutte queste impostazioni hanno coinvolto la guida di un esperto nel ciclo e hanno abbracciato una serie di complessità:

Fonte: Google
Riutilizzo dei farmaci per la leucemia mieloide acuta
Lo sviluppo di farmaci è un processo sempre più dispendioso in termini di tempo e denaro, in cui le nuove terapie richiedono che molti aspetti del processo di scoperta e sviluppo vengano riavviati per ogni indicazione o malattia. Il riadattamento dei farmaci affronta questa sfida scoprendo nuove applicazioni terapeutiche per i farmaci esistenti oltre il loro uso previsto originale. Tuttavia, a causa della complessità del compito, richiede una vasta competenza interdisciplinare.
Google ha impiegato il Google AI co-scientist per assistere nella previsione delle opportunità di riutilizzo dei farmaci e, insieme ai nostri partner, abbiamo convalidato le previsioni attraverso la biologia computazionale, il feedback di medici esperti ed esperimenti in vitro .
In particolare, il Google AI co-scientist ha proposto nuovi candidati di riutilizzo per la leucemia mieloide acuta (LMA). Esperimenti successivi hanno convalidato queste proposte, confermando che i farmaci suggeriti inibiscono la vitalità del tumore a concentrazioni clinicamente rilevanti in più linee cellulari LMA.
Avanzamento della scoperta di obiettivi per la fibrosi epatica
L’identificazione di nuovi target di trattamento è più complessa del riutilizzo dei farmaci e spesso porta a una selezione di ipotesi inefficiente e a una scarsa definizione delle priorità per gli esperimenti in vitro e in vivo . La scoperta di target assistita dall’intelligenza artificiale aiuta a semplificare il processo di convalida sperimentale, contribuendo potenzialmente a ridurre i costi dei tempi di sviluppo.
Google ha sondato la capacità del sistema Google AI co-scientist di proporre, classificare e generare ipotesi e protocolli sperimentali per ipotesi di scoperta di target, concentrandoci sulla fibrosi epatica . L’AI co-scientist ha dimostrato il suo potenziale identificando target epigenetici basati su prove precliniche con significativa attività antifibrotica negli organoidi epatici umani (colture di tessuti multicellulari 3D derivate da cellule umane e progettate per imitare la struttura e la funzione del fegato umano). Questi risultati saranno dettagliati in un prossimo rapporto guidato da collaboratori della Stanford University.
Spiegazione dei meccanismi della resistenza antimicrobica
Come terza convalida, ci siamo concentrati sulla generazione di ipotesi per spiegare i meccanismi evolutivi del trasferimento genico batterico correlati alla resistenza antimicrobica (AMR) — i meccanismi evoluti dei microbi per resistere ai farmaci per il trattamento delle infezioni. Questa è un’altra sfida complessa che implica la comprensione dei meccanismi molecolari del trasferimento genico (coniugazione , trasduzione e trasformazione) insieme alle pressioni ecologiche ed evolutive che spingono i geni AMR a diffondersi.
Per questo test, ricercatori esperti hanno incaricato il co-scienziato AI di esplorare un argomento che era già stato oggetto di una nuova scoperta nel loro gruppo, ma che non era ancora stato rivelato al pubblico, vale a dire, di spiegare come le isole cromosomiche inducibili dai fagi formanti capsidi (cf-PICI) esistano in più specie batteriche. Il sistema co-scienziato AI ha proposto in modo indipendente che le cf-PICI interagiscano con diverse code di fago per espandere la loro gamma di ospiti. Questa scoperta in silico , che era stata convalidata sperimentalmente nei nuovi esperimenti di laboratorio originali eseguiti prima dell’uso del sistema co-scienziato AI, è descritta in manoscritti co-cronometrati ( 1 , 2 ) con i nostri collaboratori presso la Fleming Initiative e l’Imperial College di Londra. Ciò illustra il valore del sistema co-scienziato AI come tecnologia assistiva, poiché è stato in grado di sfruttare decenni di ricerca comprendenti tutta la precedente letteratura ad accesso aperto su questo argomento.
Limitazioni e prospettive
Nel rapporto Google affronta diverse limitazioni del sistema e opportunità di miglioramento, tra cui revisioni bibliografiche migliorate, controllo dei fatti, controlli incrociati con strumenti esterni, tecniche di autovalutazione e valutazione su larga scala che coinvolgono più esperti in materia con obiettivi di ricerca diversi. Il Google AI co-scientist rappresenta un promettente progresso verso le tecnologie assistite dall’AI per gli scienziati per aiutare ad accelerare la scoperta. La sua capacità di generare ipotesi nuove e verificabili in diversi domini scientifici e biomedici, alcuni già convalidati sperimentalmente, e la sua capacità di auto-miglioramento ricorsivo con maggiore elaborazione, dimostrano il suo potenziale per accelerare gli sforzi degli scienziati per affrontare grandi sfide nella scienza e nella medicina. Google non vede l’ora di esplorare in modo responsabile il potenziale del Google AI co-scientist come strumento di assistenza per gli scienziati. Questo progetto illustra come i sistemi AI collaborativi e incentrati sull’uomo potrebbero essere in grado di aumentare l’ingegno umano e accelerare la scoperta scientifica.
Annuncio dell’accesso Trusted Tester al sistema AI co-scientist
Entusiasta delle promesse iniziali del sistema Google AI co-scientist, l’azienda di Cupertino crede che sia importante valutarne i punti di forza e i limiti in ambito scientifico e biomedico in senso più ampio. Per facilitare questo in modo responsabile, Google consentirà l’accesso al sistema per le organizzazioni di ricerca tramite un Trusted Tester Program. Si incoraggiano così le organizzazioni di ricerca interessate in tutto il mondo a prendere in considerazione l’adesione a questo programma qui .
(fonte)
Innovaformazione, scuola informatica specialistica promuove l’uso dell’AI generativa ed affianca le aziende con la formazione dei dipendenti coni Corsi AI Generativa.
INFO: info@innovaformazione.net – tel. 3471012275 (Dario Carrassi)
Articoli correlati
Guida LLM Wiki
Claude Code con Arduino
Novità .Net 11
Backdoor nei modelli AI open-weight
Opportunità di lavoro Bari
