![ASL Biella: "Se non vedi una via d'uscita, è necessario cercare aiuto"](https://www.newsbiella.it/typo3temp/pics/A_7c0e4e2c62.jpg "ASL Biella: "Se non vedi una via d'uscita, è necessario cercare aiuto"")
Per capire la notizia bisogna fare un passo indietro, e raccontare una storia che sembra quasi un romanzo scientifico. Ogni proteina del nostro corpo, prima di funzionare, deve “ripiegarsi” in una forma tridimensionale precisa, un po’ come un foglio di carta che diventa un origami. La sequenza chimica è il foglio piatto, la forma finale è l’origami completato, e solo quella forma permette alla proteina di fare il proprio lavoro nel nostro organismo, che sia trasportare ossigeno, combattere un’infezione o far contrarre un muscolo. Per decenni, capire in anticipo quale forma avrebbe assunto una proteina partendo solo dalla sua sequenza chimica è stato uno dei problemi irrisolti più famosi della scienza, tanto che generazioni di biologi hanno passato intere carriere a decifrare la struttura di una singola proteina alla volta, con esperimenti lunghi, costosi e spesso frustranti.
Nel 2020 un programma di intelligenza artificiale chiamato AlphaFold, sviluppato da Google DeepMind, ha risolto quel problema con una precisione mai vista prima, in pochi minuti anziché in anni. Un risultato che nel 2024 è valso il Premio Nobel per la Chimica a John Jumper e a Demis Hassabis, i due uomini di DeepMind dietro al programma (il premio fu condiviso con l’americano David Baker, premiato per un lavoro parallelo sulla progettazione di proteine nuove), e che ha aperto la strada a migliaia di ricercatori in tutto il mondo. Oggi il database pubblico di AlphaFold contiene le strutture previste di centinaia di milioni di proteine, uno strumento che ha accelerato in modo concreto la ricerca su nuovi farmaci, su malattie rare, persino sull’agricoltura, grazie allo studio delle proteine delle piante.
La notizia che ha sorpreso tutti
Il 29 luglio 2026 DeepMind ha smantellato il team dedicato ad AlphaFold, disperdendo i ricercatori su altri progetti. Circa un quarto degli autori del paper originale ha lasciato l’azienda. Lo stesso Jumper, insieme a Jonas Adler e Alexander Pritzel, è passato ad Anthropic, un’altra azienda di intelligenza artificiale. Chi è rimasto è stato riassegnato a progetti diversi. Design di enzimi, fusione nucleare, genomica, e Isomorphic Labs, la divisione di Alphabet dedicata alla scoperta di nuovi farmaci. È una notizia che, letta senza contesto, potrebbe sembrare l’abbandono di un progetto di successo, quasi un controsenso industriale. Perché smantellare la squadra che ha appena vinto il premio più prestigioso della scienza mondiale?
Perché sciogliere una squadra vincente
La ragione, spiegata dalla stessa DeepMind, non è un passo indietro ma una scommessa precisa e per certi versi più ambiziosa. Puntare su Gemini, la loro famiglia di intelligenza artificiale generalista, come “motore generale” per la scoperta scientifica, al posto di squadre specializzate su un singolo problema. In pratica, invece di costruire uno strumento su misura per ogni domanda scientifica (uno per le proteine, uno per i materiali, uno per i farmaci, ciascuno con il proprio team di ricercatori dedicati), l’idea è che una singola intelligenza artificiale, sufficientemente capace e versatile, possa affrontarle tutte, adattandosi di volta in volta al problema specifico con la stessa flessibilità con cui un buon generalista, in qualsiasi professione, riesce a muoversi tra ambiti diversi senza essere un rigido specialista di uno solo.
È un cambio di paradigma che riflette una tendenza più ampia nel mondo dell’intelligenza artificiale degli ultimi anni. Il passaggio da strumenti “verticali”, costruiti attorno a un singolo compito, a strumenti “generalisti”, capaci di affrontare problemi molto diversi tra loro con lo stesso motore di base. È lo stesso principio, per fare un paragone comprensibile a tutti, che distingue un coltellino svizzero da una intera cassetta degli attrezzi. Se il coltellino diventa abbastanza buono, perché portarsi dietro tutta la cassetta?
Il database di AlphaFold, che ha già cambiato il modo di lavorare di migliaia di ricercatori nel mondo, dalla farmaceutica all’agricoltura, continuerà a esistere e a essere consultabile liberamente, come sempre. Ma senza una squadra dedicata al suo sviluppo continuo, il suo futuro aggiornamento e miglioramento resta un’incognita. Chi si occuperà, in futuro, di correggere errori, aggiungere nuove proteine, migliorare la precisione delle previsioni? Sono domande a cui, per ora, DeepMind non ha dato una risposta definitiva.
Un segnale più grande della singola notizia
C’è un motivo per cui questa vicenda ha fatto discutere ben oltre la ristretta cerchia degli addetti ai lavori. Segnala un cambiamento nel modo in cui le grandi aziende tecnologiche pensano al futuro della ricerca scientifica assistita dall’intelligenza artificiale. Se la scommessa di DeepMind si rivelerà vincente, nei prossimi anni potremmo vedere sempre meno “AlphaFold-like”, cioè strumenti iper-specializzati costruiti da zero per un singolo problema, e sempre più applicazioni di intelligenza artificiale generaliste, addestrate su enormi quantità di dati eterogenei, capaci di essere “istruite” rapidamente su un problema specifico senza bisogno di essere ricostruite da zero. Un cambiamento che riguarda tanto la grande ricerca accademica quanto, come vedremo, le imprese di ogni dimensione.
Una tensione che attraversa tutta la ricerca scientifica
Serve aggiungere un elemento di contesto, perché aiuta a capire meglio la portata della scelta di DeepMind. Nella comunità scientifica internazionale è in corso da tempo un dibattito, spesso acceso, tra chi ritiene che i progressi migliori arrivino da strumenti altamente specializzati, costruiti e ottimizzati su un singolo problema con anni di lavoro dedicato, e chi invece scommette sulla potenza degli strumenti generalisti, capaci di imparare da enormi quantità di dati eterogenei e di trasferire quella conoscenza a problemi mai visti prima. AlphaFold, va ricordato, nacque proprio come esempio del primo approccio, ed è stato per anni citato come prova che la specializzazione paga. Che sia proprio la sua stessa azienda madre a virare oggi verso il secondo approccio, quello generalista, è un segnale che gli osservatori del settore non hanno faticato a notare, e che promette di alimentare il dibattito ancora a lungo, anche perché non è affatto scontato che la scommessa generalista si riveli vincente su ogni fronte scientifico allo stesso modo.
COSA STA CAMBIANDO
• AlphaFold: il software AI che ha risolto il problema del ripiegamento delle proteine, Nobel per la Chimica 2024 a John Jumper e Demis Hassabis
• Il 29 luglio 2026 il team dedicato viene sciolto
• Circa il 25% degli autori originali lascia l’azienda
• John Jumper e altri ricercatori chiave passano ad Anthropic
• I ricercatori restanti vengono redistribuiti su fusione nucleare, genomica, design di farmaci
• La scommessa: un’unica AI generalista (Gemini) al posto di tanti strumenti specializzati
• Il database pubblico di AlphaFold resta consultabile, ma il suo futuro sviluppo è incerto
Cosa significa per Biella
Non serve lavorare nella ricerca farmaceutica per capire perché questa storia conta anche qui. Molte aziende biellesi, soprattutto le più piccole e le più radicate nella tradizione manifatturiera del territorio, rinunciano ancora oggi all’intelligenza artificiale pensando che serva uno strumento costruito su misura, costoso, pensato apposta per il tessile o per la meccanica di precisione, magari sviluppato da una software house esterna con tempi e costi che scoraggiano anche solo il tentativo. La scommessa di DeepMind dice l’opposto, un’intelligenza artificiale generalista, ben istruita con i dati e i problemi giusti, può avvicinarsi alle prestazioni di uno strumento specializzato, senza il costo e i tempi di sviluppo di un software costruito da zero.
Per una PMI biellese questo significa, in prospettiva, poter usare gli stessi strumenti di intelligenza artificiale già disponibili oggi, non prodotti esotici e futuri, per compiti molto concreti e vicini al lavoro quotidiano. Il controllo qualità dei tessuti tramite immagini, l’ottimizzazione dei consumi energetici degli impianti di tintoria e finissaggio, la gestione previsionale del magazzino e degli ordini, la lettura e l’organizzazione della documentazione tecnica e normativa (pensiamo ai tanti adempimenti su sicurezza e certificazioni ambientali che pesano proprio sulle aziende più piccole). È un tema che si intreccia direttamente con la trasformazione digitale che il tessuto produttivo locale sta affrontando, spesso con risorse limitate rispetto ai grandi gruppi internazionali, e che proprio per questo può beneficiare di più di strumenti generalisti, accessibili e già pronti all’uso, piuttosto che di soluzioni su misura riservate a chi ha budget importanti.
C’è anche un aspetto più semplice, quasi di buon senso, che vale la pena sottolineare. L’intelligenza artificiale generalista, proprio perché non richiede di essere riprogettata da zero per ogni nuovo problema, abbassa drasticamente la soglia di ingresso. Fino a poco tempo fa, dotarsi di uno strumento di intelligenza artificiale utile al proprio lavoro significava, per una piccola impresa, affidarsi a un fornitore esterno capace di sviluppare un software su misura, con tempi che si misuravano in mesi e costi che si misuravano in decine di migliaia di euro, cifre fuori portata per la maggior parte delle realtà del tessuto produttivo italiano fatto in larga parte di piccole e medie imprese. Con strumenti sempre più generalisti e sempre più capaci di essere “istruiti” rapidamente su un compito specifico, semplicemente mostrando loro qualche decina di esempi concreti tratti dal proprio lavoro quotidiano, quella barriera si abbassa in modo significativo, aprendo la porta anche a chi finora è rimasto fuori da questa trasformazione per motivi di costo più che di interesse.
La vera notizia, in fondo, non è che una squadra ha vinto un Nobel, è che la sua stessa azienda scommette di poterne fare a meno.
Per maggiori informazioni:
Sito web: www.seccomarco.com
