I premi Nobel, la legge di Amara e il ciclo Gartner

Sono stati assegnati da pochissimo i premi Nobel per la Fisica e per la Chimica del 2024: entrambi celebrano i progressi nell'intelligenza artificiale (AI) e nei metodi computazionali che hanno profonde implicazioni per le scoperte scientifiche. Scherzando, ho detto che i Nobel sono stati assegnati da ChatGPT e anche sui social in effetti è comparso il meme con il Nobel per la letteratura assegnato proprio alla piattaforma che permette di dialogare con l'intelligenza artificiale come se fosse davvero un altro essere umano, dotato di saggezza e onniscienza. Con le dovute cautele, naturalmente. 

Il Nobel per la Fisica è stato assegnato a John Hopfield e Geoffrey Hinton per i loro lavori pionieristici sulle reti neurali artificiali. La ricerca di Hopfield ha introdotto i modelli di memoria associativa ed è per me un ricordo molto caro, dato che la mia modestissima tesi di laurea verteva proprio su questo argomento, con uno studio che tentava di trovare analogie con il comportamento del cervello umano nell'elaborare i ricordi attraverso i sogni e nei meccanismi ossessivi. Del resto, a 23 anni potevo anche sognare. E a 51 in realtà non ho ancora smesso. Sulle ossessioni preferisco sorvolare... Hinton ha invece contribuito con lo sviluppo della cosiddetta "macchina di Boltzmann", che ha aperto la strada a quello che oggi chiamiamo "machine learning" o apprendimento automatico. Il machine learning ha in effetti permesso ai sistemi di AI di riconoscere e generare schemi. Entrambi i contributi sono stati considerati fondamentali per le applicazioni di machine learning moderne, dimostrando come i modelli basati sulla fisica possano trasformare l'elaborazione dei dati e il riconoscimento di schemi ripetuti o pattern.

In Chimica, il premio è andato a David Baker, Demis Hassabis e John Jumper per i progressi nella predizione della struttura delle proteine e nel design computazionale delle proteine. I giovanissimi Hassabis e Jumper, di DeepMind, hanno utilizzato l'AI con il modello AlphaFold per risolvere la predizione delle strutture proteiche, una sfida ormai storica in biologia. Il lavoro del biochimico Baker si è concentrato sulla progettazione di nuove proteine, il cosiddetto protein design, mettendo in evidenza le potenzialità delle tecniche computazionali nella biologia sintetica, con la prima proteina artificiale interamente disegnata al calcolatore, la cui struttura dimostrò essere esattamente quella attesa. 

Entrambi i premi certamente sottolineano l'impatto degli strumenti computazionali nell'avanzamento della conoscenza scientifica, con applicazioni che in generale coinvolgono la scienza dei materiali e, in larghissima parte, la biologia. I riconoscimenti celebrano inoltre il ruolo dell'AI non solo come innovazione teorica (come poteva essere ai tempi della mia tesi di laurea) o tecnica (come di fatto è stato negli ultimi 10 anni), ma anche come lo strumento pratico che stiamo cominciando a utilizzare in questo decennio del ventunesimo secolo, con implicazioni molto profonde sia per la comprensione, sia per la manipolazione dei sistemi complessi, che siano frutto dell'evoluzione biologica o meno.

Eppure sarà forse perché ormai ho una certa età e sono quindi meno entusiasta rispetto alle novità, ma la prima associazione di idee che mi è passata per la mente alla notizia di questi premi Nobel è stata la legge del futurologo Roy Amara, il quale sosteneva che "Tendiamo a sopravvalutare l'effetto di una tecnologia a breve termine e sottovalutarne l'effetto nel lungo termine". Probabilmente il mio scetticismo nei confronti di AlphaFold deriva proprio dal fatto che, per natura, sono diffidente e l'effetto a breve termine di questa tecnologia mi è sembrato davvero molto sopravvalutato, con tutta la fanfara sui media che celebrava la risoluzione del problema del protein folding. In effetti, non mi stanco di ripetere che AlphaFold non ha risolto il protein folding e, in questo senso, la tecnologia che ci è stata offerta è certamente sopravvalutata. La legge di Amara però impone una riflessione sul fatto che questa tecnologia è sopravvalutata nel breve termine, ma nel lungo termine avrà implicazioni che oggi possiamo solo sottostimare. In effetti, credo sia proprio così, soprattutto nel campo della biofisica computazionale: AlphaFold ci fornisce dei modelli anche su proteine delle quali la struttura è del tutto ignota, modelli che sono buoni e che promettono di diventare sempre migliori man mano che il numero di strutture (che siano esse risolte sperimentalmente o predette al calcolatore e poi verificate) aumenterà sensibilmente, anzi esponenzialmente. Tra 20, 30 anni sarà davvero un giochino ideare una sequenza e determinare la struttura: non avremo capito il protein folding più di quanto non abbiamo capito perché il modello standard ci offra quel menù di particelle e interazioni fondamentali. Tuttavia avremo modo di fare predizioni e controllarle con gli esperimenti. Se questo non è poco in fisica delle particelle, è un passo enorme in biologia.

L'importante però è essere realistici, come ci insegna il ciclo di hype messo a punto dalla società di consulenza strategica Gartner. Una possibile traduzione del termine "hype" potrebbe essere "entusiasmo mediatico" o anche "eccesso di aspettative". Il ciclo qui a lato descrive bene le fasi che accompagnano l'introduzione di una nuova tecnologia. Il ciclo si articola in cinque fasi principali:

Fase 1 - Innesco dell’Innovazione (Technology Trigger): Una nuova tecnologia emerge, spesso alimentata dall'interesse dei media. Le aspettative crescono rapidamente, anche se non ci sono ancora esempi concreti di utilizzo.
Fase 2 - Picco delle Aspettative Irrealistiche (Peak of Inflated Expectations): l’entusiasmo raggiunge il suo massimo, spesso accompagnato da promesse esagerate. Tuttavia, i primi problemi e le difficoltà di implementazione emergono, e non tutte le aziende o gli enti di ricerca che avevano fatto annunci iniziali riescono a mantenere le promesse.

Fase 3 - Pozzo della Disillusione (Trough of Disillusionment): Le aspettative si ridimensionano drasticamente, poiché molti progetti iniziali non raggiungono i risultati sperati. La tecnologia è spesso abbandonata da chi cerca risultati rapidi, mentre alcuni pionieri continuano a lavorare per migliorarla.

Fase 4 - Risalita della Conoscenza (Slope of Enlightenment): Si sviluppano comprensioni più realistiche delle potenzialità e delle limitazioni della tecnologia. Le aziende cominciano a trovare usi concreti e benefici pratici, migliorando la tecnologia e rendendola più stabile.

Fase 5 - Piatto della Produttività (Plateau of Productivity): La tecnologia è ormai matura e si diffonde stabilmente, diventando parte integrante del mercato. Gli usi e i benefici sono consolidati e misurabili.

Alla luce di questa analisi, la mia impressione è che la differenza tra i due premi Nobel sia proprio in questo: il premio per la fisica è andato alle reti neurali artificiali che hanno attraversato esattamente tutte le fasi del ciclo Gartner, fino ad arrivare oggi sul piatto della produttività, di cui AlphaFold è solo uno dei prodotti. Sul Nobel per la chimica confesso che mi è balenato il sospetto che il premio sia stato dato proprio nel momento in cui da quel picco di aspettative irrealistiche ci troviamo di fronte alla discesa verso il pozzo della disillusione. In questo, la legge di Amara ci assicura che risaliremo, nel lungo termine. Intanto però, credo che ci sarà parecchio da capire perché quel pozzo dovremo attraversarlo e dovremo anche risalire: non ho dubbi che accadrà e che tra 20, 30 anni davvero potremo predire tutto a partire da una semplice sequenza, con motivazioni fisiche e chimiche certamente, ma con l'assoluta impossibilità di poterlo fare con carta e penna. E le potenzialità di questi metodi, al momento, non sono neanche immaginabili: la medicina diventerà sempre più precisa, saremo assegnati a gruppi umani che rispondono alle terapie secondo il proprio aplotipo. Sempre che avremo abbastanza tempo per assistere a tutto questo prima di autodistruggerci.