Google DeepMind ha presentato il 20 maggio 2026, sulla scia del Google I/O, Gemini for Science, una suite di strumenti sperimentali pensati per accompagnare i ricercatori in ogni fase del lavoro: dall'analisi della letteratura alla formulazione di ipotesi, fino alla scoperta computazionale. L'idea di fondo e' trasformare Gemini da assistente conversazionale a vero e proprio partner scientifico, capace di proporre idee e di metterle alla prova.
La suite e' stata sviluppata insieme a oltre cento istituzioni partner e integra piu' di trenta modelli specializzati nelle scienze della vita. Tre i blocchi principali: Literature Insights, Hypothesis Generation e Computational Discovery.
Come funziona la generazione di ipotesi
Il cuore del progetto e' lo strumento di generazione delle ipotesi, costruito sul framework Co-Scientist. Funziona come un "torneo di idee" tra piu' agenti: il sistema collabora con il ricercatore per definire la domanda di partenza, poi genera diverse ipotesi, le mette in discussione tra agenti diversi e le valuta in base a novita' e fattibilita'. Ogni affermazione viene verificata e accompagnata da citazioni cliccabili, per permettere allo studioso di risalire alle fonti.
La scoperta computazionale con AlphaEvolve ed ERA
Il modulo di Computational Discovery sfrutta tecnologie come AlphaEvolve ed ERA per generare in parallelo migliaia di varianti di codice, consentendo di testare rapidamente diversi approcci di modellazione in campi come l'epidemiologia. Secondo Google, in un benchmark sottoposto a revisione il modello ERA ha superato un modello di previsione usato dai centri di controllo delle malattie, un risultato che, se confermato sul campo, avrebbe ricadute concrete sulla sorveglianza sanitaria.
Il test sull'antibiotico-resistenza
L'esempio piu' citato arriva dalla Fleming Initiative dell'Imperial College London, che ha provato Co-Scientist sulla ricerca relativa alla resistenza antimicrobica. Il professor Jose Penades ha raccontato che il sistema ha proposto la stessa ipotesi a cui il suo gruppo era arrivato dopo circa dieci anni di lavoro di laboratorio, ma in una frazione del tempo. E' un caso che fa capire il senso di questi strumenti: non sostituire lo scienziato, ma comprimere i tempi delle fasi piu' lente, come la revisione della bibliografia e l'esplorazione delle ipotesi.
Cosa aspettarsi e i limiti
Per ora si tratta di strumenti sperimentali, rivolti soprattutto a istituzioni e gruppi di ricerca selezionati, e non di un prodotto aperto a chiunque. Restano aperte le domande di sempre sull'IA applicata alla scienza: la necessita' di verificare ogni ipotesi con esperimenti reali, il rischio di affermazioni solo apparentemente fondate e la dipendenza dalla qualita' dei dati. Ma la direzione e' chiara, e mette Gemini for Science in diretta concorrenza con le iniziative analoghe di altri laboratori, a partire dal lavoro di OpenAI e dei gruppi accademici che usano l'IA per accelerare le scoperte.
La corsa all'IA per la scienza
Gemini for Science e' l'ultimo tassello di una strategia che Google DeepMind porta avanti da anni, con risultati che hanno gia' segnato la ricerca: dal sistema AlphaFold per la struttura delle proteine, che e' valso il premio Nobel per la chimica, fino agli strumenti per la matematica e i materiali. L'obiettivo dichiarato e' trasformare l'IA in un'infrastruttura per la scoperta, capace di affiancare gli scienziati in ogni campo.
Sul fronte opposto si muovono OpenAI, che proprio in questi giorni ha annunciato un risultato matematico ottenuto con un modello generalista, e una galassia di startup e gruppi accademici che applicano l'IA a biologia, clima e fisica. Per l'Italia, dove la ricerca pubblica convive con risorse limitate, strumenti capaci di comprimere i tempi della bibliografia e dell'esplorazione delle ipotesi potrebbero avere un impatto concreto, a patto di garantire accesso, formazione e verifica rigorosa dei risultati.
