Elie Dolgin apre con Anna Pertl, al Whitehead Institute, che usa Co-Scientist di Google contro MYC, la proteina che alimenta molti tumori e che finora ha resistito ai farmaci. Servono quasi un’ora di correzioni, perché il sistema scambia l’obiettivo per il farmaco. Poi passa in rassegna più di 700 articoli, genera 108 strategie e ne scarta tutte tranne una.
La prova più solida viene dall’Imperial College. José Penadés e Tiago Costa hanno tenuto nascosti i propri dati non pubblicati, e in due giorni il sistema, partendo dalla sola letteratura pubblica, è arrivato alla teoria che il loro gruppo aveva costruito in anni. È un test costruito in modo che il sistema potesse fallire, e non ha fallito.
Il resto del pezzo dice dove quel guadagno si ferma. Phylo fa progettare a Biomni un intero esperimento CRISPR, ma il lavoro al bancone resta umano. Per Ross King, di Cambridge, i protocolli generati sono ricette, non procedure affidabili. Anton Sinitskiy, della Northeastern, mette il limite al posto giusto: una macchina può proporre qualsiasi cosa, e il collo di bottiglia è la validazione. Un errore scientifico sembra ragionevole finché qualcuno con abbastanza competenza non vede che cosa manca, e più il sistema entra nel processo, più quella competenza diventa l’abilità decisiva. Quando Pertl rilancia la sua richiesta con limiti di tempo e di costo realistici, il sistema non trova nessuna ipotesi praticabile.
Il pezzo continua quello di Hana Kiros sull’Atlantic. Lì il collo di bottiglia si era spostato dalla produzione dei dati alla loro analisi, e l’AI aiuta a passarli al setaccio. Qui si sposta un passo più in là, dall’analisi alla validazione, dove la macchina non basta a se stessa.