IA nella Ricerca Scientifica: Incrementi di Produttività contro Rischi di Qualità

IA come Assistente di Ricerca

L’intelligenza artificiale sta rivoluzionando numerosi campi scientifici, permettendo di elaborare dati e modellare materiali e situazioni reali in modi che persino i supercomputer più potenti non riuscivano a ottenere fino a pochi anni fa.

Tra gli esempi recenti figurano diverse forme di IA utilizzate per:

• Scoprire nuovi materiali per i reattori a fusione nucleare.
• Ripristinare la chiarezza delle immagini del telescopio spaziale.
• Ottimizzare i processi di stampa 3D metallica.
• Scoprire nuovi materiali per celle solari, elettrocatalizzatori a idrogeno, materiali superduri, polimeri e elettroliti allo stato solido.

Queste applicazioni si basano di solito su modelli di IA altamente specializzati, addestrati con precisione per esaminare una determinata classe di cristalli o elaborare uno specifico insieme di immagini.

Quando si parla di IA, tuttavia, il grande pubblico pensa generalmente ai modelli linguistici generalisti (LLM). Oggi vengono usati soprattutto per scrivere e migliorare testi e per formulare ricerche avanzate e leggibili rispetto ai motori di ricerca tradizionali.

In teoria, ciò dovrebbe valere non soltanto per i temi degli studenti, le poesie mediocri e le presentazioni PowerPoint, ma anche per la ricerca scientifica e gli articoli pubblicati.

Può però essere un’arma a doppio taglio, come spiega una recente analisi pubblicata sulla prestigiosa rivista scientifica Science¹, intitolata “Produzione scientifica nell’era dei grandi modelli linguistici”.

In questa analisi, ricercatori dell’Università della California e della Cornell University hanno confrontato la produzione degli scienziati che utilizzano LLM con i loro lavori precedenti. Hanno scoperto che, sebbene gli LLM possano migliorare la qualità degli articoli scientifici, producono anche un volume maggiore di ricerche di qualità inferiore e aggravano problemi già presenti nel mondo accademico.

Rilevare l’Uso dell’IA nei Documenti di Ricerca Scientifica

La prima sfida consiste nel determinare quanto sia diffuso l’uso degli LLM nella scrittura scientifica e chi li utilizzi.

Non sorprende che i ricercatori non ammettano spontaneamente questo dato: gli strumenti sono ancora nuovi e possono commettere errori, soprattutto con dati tecnici o argomenti molto specialistici.

I ricercatori hanno raccolto oltre due milioni di articoli da grandi banche dati scientifiche come arXiv, bioRxiv e Social Science Research Network (SSRN), pubblicati tra gennaio 2018 e giugno 2024.

Hanno quindi confrontato gli articoli pubblicati prima del 2023, presumibilmente scritti da esseri umani, con testi generati dall’IA.

Con questi dati hanno sviluppato un modello per rilevare l’uso dell’IA. Lo strumento ha permesso di stimare con ragionevole precisione quali scienziati utilizzassero LLM e quando avessero iniziato. Hanno poi seguito il loro volume di pubblicazioni prima e dopo l’adozione degli strumenti e verificato se gli articoli fossero successivamente accettati dalle riviste scientifiche.

Impatto dell’IA sulla Ricerca Scientifica

Scorri per visualizzare →

Produttività Maggiore

La prima conclusione è che l’uso degli LLM aumenta la produttività degli scienziati, almeno se misurata in base al numero di pubblicazioni.

Su arXiv, gli scienziati identificati come utilizzatori di LLM hanno pubblicato circa un terzo di articoli in più rispetto a quelli che sembravano non usare l’IA. Su bioRxiv e SSRN l’aumento ha superato il 50%.

Poiché la cultura del “pubblicare o perire” determina il percorso professionale della maggior parte degli scienziati, questo aumento del volume ha conseguenze importanti sulle loro carriere.

Un’altra osservazione è che l’incremento è stato maggiore tra gli scienziati ritenuti non madrelingua inglese.

Per esempio, dopo che il rilevatore ha indicato l’inizio dell’uso degli LLM, i ricercatori affiliati a istituzioni asiatiche hanno pubblicato dal 43,0% all’89,3% di articoli in più.

È comprensibile: molti scienziati sono tecnicamente brillanti e sanno leggere l’inglese, requisito della ricerca moderna, ma possono faticare a costruire frasi chiare ed eleganti in una seconda lingua.

L’uso diffuso degli LLM potrebbe rendere più equa la competizione per i non madrelingua e aiutare le ricerche di qualità a ottenere riconoscimento internazionale indipendentemente dalla scioltezza linguistica degli autori.

Migliore Scoperta della Conoscenza Scientifica

Gli LLM possono anche trovare articoli pertinenti a un tema specifico mediante strumenti specializzati come Elicit, ResearchRabbit o Scite.

Una parte considerevole della ricerca scientifica consiste nel trovare e leggere altri lavori per ricavarne informazioni o individuare protocolli sperimentali riutilizzabili in nuovi contesti.

In genere le IA privilegiano gli articoli più recenti e attribuiscono meno importanza al numero di citazioni rispetto ai motori di ricerca tradizionali. Offrono quindi un’alternativa agli scienziati in cerca di idee nuove o esperimenti meno discussi.

“Chi utilizza gli LLM entra in contatto con conoscenze più varie, e questo potrebbe favorire idee più creative.”

Keigo Kusumegi, dottorando alla Cornell University

In futuro si potrebbe verificare questa ipotesi controllando se gli articoli scritti con l’aiuto dell’IA abbiano bibliografie più diversificate o siano più innovativi e interdisciplinari.

IA come Nuova Questione nella Scienza & Accademia

Negli ultimi anni la ricerca scientifica, in particolare nelle scienze sociali, ha attraversato una crisi di replicabilità.

Poiché altri ricercatori non riescono a riprodurre i risultati di numerosi articoli, studi dall’apparenza seria possono essere errati o persino fraudolenti. La situazione è stata descritta come una “crisi esistenziale per la scienza”.

Storicamente, una scrittura complessa, con frasi lunghe e un lessico sofisticato, è stata utilizzata come indicatore approssimativo di una ricerca di qualità superiore. Pur non essendo infallibile, aiutava a distinguere il lavoro degli esperti dalle analisi scadenti.

Al contrario, oggi gli articoli scritti con l’aiuto dell’IA hanno meno probabilità di essere accettati dalle riviste.

Nel complesso, ciò rischia di separare ulteriormente la metrica degli “articoli pubblicati” dal reale talento di un ricercatore. Redattori e revisori potrebbero faticare a individuare i lavori più validi, soprattutto mentre l’IA diventa sempre più efficiente e simile all’uomo.

Infine, l’IA potrebbe generare enormi quantità di contenuti spazzatura: falsi articoli di ricerca dall’aspetto plausibile. Il rischio non riguarda soltanto i social media, ma rappresenta un grave problema per la ricerca scientifica, dove il tempo dei revisori era già una risorsa scarsa prima dell’arrivo degli LLM.

Cosa Significa l’IA per il Futuro della Ricerca Scientifica

Poiché l’IA è uno strumento, i ricercatori devono imparare a usarla in modo efficace. Vietare gli LLM nei laboratori è quasi impossibile e rilevarli diventerà sempre più difficile.

L’adattamento e l’uso produttivo dell’IA nella scrittura scientifica saranno questioni decisive negli anni a venire.

“Già oggi la domanda non è: ‘Hai usato l’IA?’, ma: ‘Come l’hai usata esattamente ed è stata utile?’”

Le procedure di assunzione nella scienza potrebbero trarre vantaggio da un ritorno a criteri qualitativi, come colloqui approfonditi e prove tecniche, anziché dipendere soltanto dal volume di pubblicazioni.

Anche i revisori e le riviste scientifiche devono adattarsi. Per bloccare la produzione di massa di articoli falsi, potrebbero servire sistemi che verifichino, prima dell’analisi, se un lavoro proviene da un laboratorio di ricerca legittimo.

In definitiva, la comprensione profonda degli elementi tecnici di un articolo, anziché la sua eleganza linguistica, diventerà il principale criterio per valutarne la qualità.

Investire nell’Innovazione IA

Nvidia

Nvidia è passata dall’essere un produttore di schede grafiche per videogiocatori alla più grande società del mondo, grazie al ruolo centrale nella fornitura di hardware per l’IA all’intero settore tecnologico.

Pioniera dell’hardware dedicato all’IA, Nvidia è stata la prima ad aiutare i ricercatori a sfruttare questi strumenti. CUDA, l’interfaccia di programmazione generalista per le GPU Nvidia, ha aperto la strada ad applicazioni oltre i videogiochi e agli attuali impieghi dell’IA.

“I ricercatori si sono resi conto che, acquistando una scheda da gioco chiamata GeForce e installandola nel proprio computer, disponevano in sostanza di un supercomputer personale.

Dinamica molecolare, elaborazione sismica, ricostruzione tomografica, elaborazione delle immagini e moltissime altre attività.”

Jensen Huang, in un’intervista con Sequoia

È probabile che l’hardware Nvidia, direttamente o integrato nei cloud di Microsoft (MSFT ), Google, Meta e OpenAI, resti la scelta preferita dai ricercatori.

Si prevede che gli investimenti in conto capitale nell’IA possano raggiungere 200 miliardi di dollari nel 2025, oltre alla spesa cumulativa sempre crescente delle maggiori imprese tecnologiche. Altri componenti elettronici, come la RAM ad alte prestazioni, sono già difficili da reperire mentre aumenta la produzione di chip Nvidia.

Anche se la ricerca scientifica potrebbe non rappresentare la maggior parte del calcolo IA rispetto agli usi rivolti ai consumatori o alle imprese, potrebbe diventarne il motore di maggiore impatto a lungo termine, promettendo nuove leghe, farmaci e metodologie scientifiche.

(Puoi leggere di più sulla storia di Nvidia, l’attività attuale e le prospettive future nel nostro rapporto di investimento dedicato all’azienda.)

Studio di Riferimento

^{1. Keigo Kusumegi, Xinyu Yang, Paul Ginsparg, Mathijs de Vaan, Toby Stuart e Yian Yin. Produzione scientifica nell’era dei grandi modelli linguistici. Science. 18 dicembre 2025. Vol. 390, n. 6779, pp. 1240-1243. DOI: 10.1126/science.adw3000}