IA e ricerca, vantaggi e interrogativi

A offrire alcune direttrici su come l’IA stia diventando progressivamente parte integrante del processo scientifico sono stati due illustri studiosi, il matematico Alfio Maria Quarteroni, emerito al Politecnico di Milano e già docente nel campus bresciano della Cattolica, e l’informatico Nicolò Cesa‑Bianchi, ordinario all’Università degli Studi di Milano. Entrambi concordi nel sostenere che l’intelligenza artificiale stia aprendo nuove e sorprendenti possibilità nell’ambito della ricerca, nei loro interventi ne hanno però evidenziato due prospettive diverse. Il primo introducendo il nuovo concetto dello Scientific Machine Learning, un sistema che integra dati e modelli matematici fondati sulle leggi fisiche per migliorare l’affidabilità e le prestazioni degli algoritmi di apprendimento automatico, il secondo mostrando in che modo i modelli linguistici di grandi dimensioni (LLM – Large Language Models) stiano incidendo sulla produttività e sulle pratiche di ricerca.

Il professor Quarteroni, forte della sua esperienza nella matematica applicata - la disciplina che usa la matematica per affrontare problemi concreti - ha descritto in modo semplice l’approccio della scienza computazionale: partire da un fenomeno reale, tradurlo in un modello matematico fatto di equazioni e, attraverso il calcolo numerico, ottenere simulazioni digitali capaci di rappresentarlo e di prevederne il comportamento. Da qualche anno a tale approccio, ha continuato, se ne è aggiunto un altro: quello guidato dai Big data, usati per addestrare algoritmi che imparano in modo autonomo e formulano risposte - molto più velocemente - senza applicare alcun risultato teorico. Perché allora non immaginare questi due approcci insieme?

La loro convergenza dà origine allo Scientific Machine Learning, dove la potenza dei dati si integra con la solidità dei modelli teorici. Machine learning significa, letteralmente, macchine che imparano da sole. Per comprenderne il funzionamento, il professor Quarteroni si è affidato a un esempio molto semplice: l’apprendimento di una lingua. Da bambini ascoltiamo i nostri genitori, proviamo a riprodurli in modo buffo e gradualmente arriviamo a un linguaggio articolato. Tra l’input (l’ascolto) e l’output (la risposta) c’è il “miracolo” dell’apprendimento. Le macchine imparano allo stesso modo. «Forniamo loro enormi quantità di testi o altri dati, come input, da cui generano risposte, dialogano, producono contenuti. Un sistema che surroga il cervello umano: strutture matematiche o meglio simulatori delle reti neurali biologiche. Più dati si ricevono, più si affina la capacità di trovare soluzioni», ha precisato il matematico.

«Sappiamo che questi sistemi di IA risolvono problemi di grandissime dimensioni e funzionano molto bene. Ma soffrono di alcune criticità quali la riproducibilità (a parità di input, due risposte possono essere diverse), la interpretabilità (non sappiamo come il modello arrivi a una soluzione né quali dati abbia utilizzato), la spiegabilità, fondamentale per non compromettere la credibilità scientifica», ha avvertito il professor Quarteroni. 

Interessante anche la prospettiva del professor Nicolò Cesa‑Bianchi che, richiamando le recenti posizioni espresse da studiosi come Terence Tao e Donald Knuth, ha voluto mettere in evidenza la portata trasformativa dei nuovi modelli linguistici. Dopo aver proposto un breve excursus storico - dalla prima definizione di IA formulata da John McCarthy nel 1956 durante il seminario di Dartmouth, passando per il 2012, quando Geoff Hinton e il suo gruppo riescono a capire come addestrare reti di grandi dimensioni in grado di raggiungere prestazioni superumane nell’analisi delle immagini - il professor Cesa-Bianchi è arrivato al 2025, segnato dai prodigi dell’intelligenza artificiale generativa. Ha illustrato, ad esempio, come sia possibile, al fine di dimostrare formalmente un teorema matematico, utilizzare in modo interattivo ricorsivo i modelli linguistici LLM - che scompongono il problema complesso in sotto-obiettivi formali - e il proof assistant, uno strumento di verifica che garantisce la correttezza delle dimostrazioni e ne completa i passaggi, garantendo in questo modo la consistenza complessiva della dimostrazione. 

Il vero snodo è quello che Cesa-Bianchi ha definito «boost della creatività»: in altri termini, gli strumenti di IA permettono di far scoprire angolazioni differenti di un problema o suggerire tentativi di dimostrazione che offrono nuove letture. Consentono inoltre un risparmio di tempo ed energia, soprattutto nella ricerca di risultati già presenti in letteratura e possono supportare il ricercatore nella dimostrazione di risultati tecnici che si sa essere veri ma che sono molto laboriosi da verificare. Un altro ambito riguarda la revisione di paper scientifici, che può migliorare chiedendo all’IA di individuare errori, punti deboli, aspetti mancanti. Ugualmente per la revisione di dispense ed esercizi, per colmare lacune o preparare nuovi esempi.

Naturalmente i rischi esistono. Anzitutto, il fatto che tali sistemi siano nelle mani di poche grandi aziende con obiettivi di business che necessariamente non coincidono con quelli della ricerca. Inoltre, l’IA non è d’aiuto senza una solida conoscenza di base: usata in ambiti che non padroneggiamo, espone al rischio di accettare risposte che non siamo in grado di valutare criticamente.

E allora, accanto ai quesiti iniziali, emerge una nuova e inevitabile domanda: come l’IA influenzerà le nostre capacità cognitive? Che cosa accadrà alle persone che la utilizzano senza sviluppare un pensiero critico autonomo? Un interrogativo serio per il quale è ancora difficile intravedere una risposta.