Link fonte all’inizio dell’articolo: https://seas.harvard.edu/news/ai-system-automates-coding-scientific-research
Tipo di documento collegato da scaricare/consultare: articolo scientifico pubblicato su Nature, non white paper: An AI system to help scientists write expert-level empirical software.
Un sistema sviluppato da Google, con il contributo di Harvard SEAS, promette di accelerare la ricerca scientifica automatizzando la scrittura di software empirico. Il caso apre scenari rilevanti per medicina, bioinformatica ed epidemiologia, ma anche nuove domande su controllo umano, validazione e responsabilità.
Il nuovo sistema si chiama Empirical Research Assistance, o ERA, ed è stato presentato da Harvard John A. Paulson School of Engineering and Applied Sciences il 19 maggio 2026. Secondo Harvard, ERA è in grado di generare automaticamente software scientifico ad alte prestazioni, in alcuni casi superiore a programmi scritti da esperti umani.
La ricerca, pubblicata su Nature, descrive ERA come un sistema che combina un modello linguistico di grandi dimensioni con una strategia di tree search, cioè una ricerca strutturata tra molte possibili soluzioni software. L’obiettivo è massimizzare una metrica di qualità definita dagli scienziati, ad esempio la precisione di un modello predittivo.
Il progetto è stato co-diretto da Michael Brenner, docente di matematica applicata e fisica ad Harvard SEAS e ricercatore Google, e da Shibl Mourad di Google DeepMind. Google Research spiega che ERA è collegato anche al prototipo Computational Discovery, disponibile tramite un programma per tester selezionati in Google Labs.
I risultati indicati dagli autori sono significativi: ERA avrebbe generato modelli per prevedere ricoveri ospedalieri da COVID-19 capaci di superare benchmark usati dai CDC, oltre a nuovi metodi per analisi di dati single-cell RNA e applicazioni su attività neurali di pesce zebra.
Il punto giornalistico centrale non è la sostituzione degli scienziati, ma la trasformazione del loro lavoro. ERA può ridurre da mesi a giorni, o ore, il ciclo di test del codice scientifico. Il rischio è affidare a sistemi opachi una parte crescente del processo sperimentale. La sfida sarà mantenere verificabilità, replicabilità e responsabilità umana.
Breve approfondimento: cronologia essenziale
Settembre 2025 — Google Research presenta ERA come sistema per accelerare la scoperta scientifica tramite software empirico generato dall’IA.
19 maggio 2026 — Harvard SEAS pubblica la notizia sul sistema sviluppato da Google e co-diretto da Michael Brenner.
19 maggio 2026 — Nature pubblica lo studio scientifico su ERA.
Maggio 2026 — Google collega ERA agli strumenti sperimentali per la scienza basati su Gemini, AlphaEvolve e Computational Discovery.
Consigli di approfondimento
Per il lettore interessato alla fonte primaria, il riferimento più solido è lo studio su Nature. Per il contesto tecnologico, sono utili il post di Google Research su ERA e la pagina Harvard SEAS che riassume il contributo accademico-industriale.
Abstract: opportunità, rischi e conseguenze sociali
ERA mostra il potenziale dell’IA nel ridurre tempi e costi della ricerca, ampliando il numero di ipotesi esplorabili. I benefici riguardano medicina predittiva, bioinformatica, neuroscienze e modellazione ambientale. I rischi etici riguardano dipendenza da infrastrutture private, difficoltà di audit, bias nei dati e minore trasparenza nel processo scientifico. In futuro, l’interazione sociale tra ricercatori e macchine potrebbe spostarsi da “scrivere codice” a “definire problemi, limiti e responsabilità”.
