Tipo di documento: articolo scientifico su Nature, pubblicato il 19 maggio 2026. La pagina indica che si tratta di una versione non modificata del manoscritto, resa disponibile per accesso anticipato prima dell’editing finale.
Un nuovo sistema di intelligenza artificiale, Empirical Research Assistance, promette di accelerare la ricerca computazionale: scrive, testa e migliora software scientifico, superando benchmark umani in bioinformatica, epidemiologia e altre discipline.
L’IA entra nel laboratorio del codice scientifico
La ricerca pubblicata su Nature presenta Empirical Research Assistance, o ERA, un sistema sviluppato da ricercatori di Google DeepMind, Google Research e collaboratori accademici, tra cui Michael P. Brenner, affiliato anche alla Harvard John A. Paulson School of Engineering and Applied Sciences. Il sistema nasce per affrontare un collo di bottiglia della scienza contemporanea: la creazione lenta e manuale di software per esperimenti computazionali.
ERA combina un Large Language Model con una tecnica di tree search, già nota in sistemi di gioco come AlphaGo, per esplorare migliaia di soluzioni software, valutarle con una metrica numerica e migliorarle progressivamente. Secondo Harvard SEAS, il sistema automatizza il ciclo di progettazione, modifica e raffinamento del codice scientifico, processo che per esperti umani può richiedere mesi o anni.
Risultati: genomica, Covid e neuroscienze
Nel test in bioinformatica, ERA ha scoperto nuovi metodi per l’analisi di dati single-cell capaci di superare approcci sviluppati da esseri umani su leaderboard pubbliche. In epidemiologia, ha generato 14 modelli che hanno battuto l’ensemble del CDC nella previsione dei ricoveri Covid-19. Il sistema è stato applicato anche ad analisi geospaziali, previsione dell’attività neurale nei pesci zebra, serie temporali e integrazione numerica.
Opportunità e rischi
Il beneficio principale è l’accelerazione della scoperta scientifica: più ipotesi testate, più rapidamente, con accesso potenzialmente più ampio a competenze computazionali avanzate. Google Research ha collegato ERA al prototipo Computational Discovery, disponibile tramite programma trusted tester in Google Labs.
Il rischio, però, è trasformare la metrica in un obiettivo cieco: se il punteggio scelto è parziale o distorto, il sistema può ottimizzare risultati formalmente brillanti ma scientificamente fragili. La supervisione umana, la replicabilità, la sicurezza del codice e la trasparenza delle fonti restano condizioni decisive.
Breve approfondimento: cronologia essenziale
8 settembre 2025 — Il lavoro viene diffuso come preprint su arXiv, descrivendo ERA come sistema per creare software empirico di livello esperto.
19 maggio 2026 — Nature pubblica l’articolo “An AI system to help scientists write expert-level empirical software”.
19 maggio 2026 — Google Research annuncia ERA e il collegamento con il prototipo Computational Discovery.
19 maggio 2026 — Harvard SEAS presenta ERA come strumento capace di automatizzare il coding scientifico e superare software scritto da esperti.
Consigli di approfondimento
Per una lettura tecnica: articolo Nature e preprint arXiv. Per il contesto istituzionale: comunicati Google Research e Harvard SEAS. Per un confronto critico, è utile leggere studi sui limiti dell’IA nella ricerca scientifica e nella generazione di codice, in particolare sui rischi di sicurezza, verifica e qualità dei risultati.
Abstract etico-sociale
ERA mostra un vantaggio evidente: può ridurre tempi, costi e barriere tecniche della ricerca computazionale. Ma la sua diffusione potrebbe accentuare dipendenza da piattaforme private, opacità metodologica e competizione basata su performance metriche. In futuro, l’interazione sociale tra scienziati e IA richiederà nuovi protocolli di controllo: l’IA potrà proporre codice e ipotesi, ma la responsabilità scientifica dovrà restare umana.
