L’intelligenza artificiale sta entrando in un luogo molto diverso da una chat o da un foglio di calcolo: il laboratorio di fisica quantistica. OpenAI ha pubblicato un caso di studio condotto con Beatriz Yankelevich, ricercatrice del gruppo Engineering Quantum Systems del MIT, nel quale GPT-5.6 Sol, collegato attraverso Codex al software che controlla un chip a qubit superconduttivi, ha eseguito autonomamente una parte significativa delle misure necessarie per calibrare il dispositivo.
La differenza rispetto a molti esempi di “AI per la scienza” è importante. Il modello non riceve semplicemente un dataset già prodotto per cercare correlazioni. Interagisce con strumenti software che controllano un esperimento reale, sceglie parametri, avvia misure, interpreta i segnali e decide se rifare un passaggio o procedere a quello successivo. L’essere umano resta responsabile del progetto scientifico e dei casi ambigui, ma una parte del ciclo sperimentale viene automatizzata.
Calibrare un qubit richiede una catena di misure
I qubit superconduttivi sono circuiti artificiali raffreddati vicino allo zero assoluto. Per utilizzarli bisogna conoscere con precisione frequenze di transizione, tempi di coerenza, parametri di lettura e impulsi necessari a controllarne lo stato. Queste proprietà possono cambiare e richiedono una sequenza di misure interdipendenti.
Un ricercatore esperto osserva i grafici, riconosce se il segnale è pulito, corregge i parametri e decide quale esperimento eseguire dopo. È un lavoro ripetitivo ma non banale, perché richiede giudizio. Proprio per questo rappresenta un buon test per un agente AI: abbastanza strutturato da poter essere descritto, abbastanza variabile da richiedere adattamento.
Il modello ha lavorato su un chip a sei qubit
Nel caso descritto da OpenAI, Yankelevich ha fornito a Codex skill specifiche che spiegavano come eseguire e valutare diversi esperimenti. Il sistema ha ricevuto gli obiettivi di progetto del chip e ha iniziato a scegliere parametri, lanciare misure e interpretare i risultati. Quando i segnali erano chiari, è riuscito a completare con poca supervisione sequenze standard di calibrazione.
Ha identificato frequenze di transizione, calibrato impulsi di controllo e lettura e misurato quanto a lungo il qubit mantiene informazione quantistica. Non significa che l’AI abbia “scoperto” nuova fisica. Significa che ha automatizzato una parte del lavoro tecnico che normalmente assorbe molte ore di un ricercatore altamente qualificato.
I casi rumorosi mostrano il limite
OpenAI sottolinea anche ciò che non ha funzionato. Quando i segnali erano deboli, rumorosi o fisicamente insoliti, GPT-5.6 Sol aveva più difficoltà. Questo è un dettaglio importante perché evita di trasformare il caso in una dimostrazione di laboratorio autonomo universale. Gli esperimenti reali contengono artefatti, drift, guasti e comportamenti che non rientrano nei pattern attesi.
Il valore dell’agente è quindi maggiore nei workflow ripetitivi e ben specificati. Nei casi anomali, l’esperienza umana resta decisiva. È un modello di collaborazione molto più realistico dell’idea secondo cui l’AI sostituirebbe il ricercatore.
Il tempo liberato può essere più importante del costo computazionale
La ricerca quantistica utilizza apparecchiature costose e personale con competenze rare. Se una parte delle calibrazioni può essere eseguita durante la notte senza supervisione costante, il vantaggio non è soltanto ridurre il lavoro manuale. Significa utilizzare meglio frigoriferi a diluizione, chip e finestre sperimentali che hanno costi molto elevati.
Yankelevich ha spiegato che l’automazione le ha permesso di dedicare più tempo alla progettazione degli esperimenti e all’analisi. È esattamente il tipo di attività in cui il valore di un ricercatore è maggiore rispetto alla ripetizione di procedure già note.
La scienza agentica richiede guardrail diversi
Collegare un modello a un laboratorio introduce però rischi che non esistono quando l’AI produce soltanto testo. Un parametro sbagliato può sprecare tempo, danneggiare un campione o, in altri contesti sperimentali, creare condizioni pericolose. Per questo l’autonomia deve essere limitata da range, controlli software, autorizzazioni e sistemi di arresto.
La lezione dei qubit è particolarmente interessante perché il laboratorio è già fortemente mediato dal software. Il modello non muove fisicamente strumenti con un braccio robotico; invia comandi a sistemi digitali che fanno parte del normale workflow. Questo rende l’integrazione più semplice e probabilmente anticipa ciò che accadrà in altri laboratori automatizzati.
Il collo di bottiglia diventa la qualità delle skill
L’agente ha funzionato perché riceveva istruzioni specifiche su come eseguire e valutare ogni misura. Questo sposta una parte del lavoro scientifico verso la formalizzazione delle procedure. Un protocollo che un ricercatore esperto tiene “nella testa” deve diventare abbastanza esplicito da poter essere seguito da un sistema.
È un cambiamento interessante: documentare bene un workflow non serve più soltanto a formare colleghi, ma può diventare il modo in cui si programma un agente. Le skill diventano una forma di infrastruttura scientifica.
Dall’analisi automatica all’esperimento automatico
L’AI è già largamente utilizzata per analizzare immagini, sequenze genetiche, simulazioni e grandi dataset. Il passaggio successivo è chiudere il ciclo: il modello osserva un risultato e decide quale dato produrre dopo. È qui che l’automazione può accelerare davvero la ricerca, perché non agisce soltanto dopo l’esperimento ma durante l’esperimento.
Il caso MIT non dimostra che i laboratori possano essere lasciati senza scienziati. Mostra però che alcune procedure possono diventare agentiche molto prima di quanto si pensasse. Se strumenti simili si diffonderanno, il vantaggio competitivo di un laboratorio potrebbe dipendere non solo dall’hardware che possiede, ma dalla qualità del software e degli agenti che riescono a farlo lavorare continuamente.
