Per secoli la scienza ha avuto un limite invisibile ma potentissimo: il tempo umano. Un ricercatore legge, pensa, prepara un esperimento, aspetta che uno strumento finisca il lavoro, raccoglie i dati, li analizza, discute con il gruppo e decide cosa fare dopo. È un processo straordinariamente efficace, ma pieno di pause. Notti. Fine settimana. Code per usare una macchina. Campioni che devono essere trasferiti a mano. Software incompatibili. Decisioni che attendono una riunione.
Ora questo limite sta iniziando a incrinarsi. Nel 2026 stanno convergendo intelligenza artificiale, robotica e strumenti scientifici in un ciclo sempre più continuo. Anthropic ha aperto il Model Hardware Standard, una specifica pensata per permettere agli agenti AI di operare strumenti fisici diversi. Nature ha raccontato laboratori in cui un braccio robotico può spostare campioni da una macchina all’altra senza intervento umano. Roche ha annunciato di voler accelerare la ricerca farmaceutica con laboratori autonomi guidati dall’AI. In Cina esistono già strutture costruite esplicitamente attorno al modello del self-driving laboratory.
Il salto non consiste nel mettere un robot accanto a una provetta. Il salto avviene quando si chiude il ciclo: osservazione → ipotesi → esperimento → dati → interpretazione → nuovo esperimento. Quando questo ciclo viene percorso da agenti AI e macchine che lavorano insieme, la ricerca non si limita ad andare più veloce. Cambia struttura.
Il laboratorio che non dorme
FuturVibe ha già raccontato come l’AI stia comprimendo il tempo della scienza. Finora, però, gran parte di quella compressione avveniva nel mondo digitale: lettura della letteratura, analisi di dati, generazione di ipotesi, codice, simulazioni. Il passaggio attuale è diverso perché porta l’AI fuori dallo schermo.
Il Model Hardware Standard è importante proprio per questo. Nei laboratori reali, gli strumenti spesso non comunicano bene tra loro. Un microscopio usa un certo software, un liquid handler ne usa un altro, un braccio robotico ha un’interfaccia diversa. Integrare tutto può richiedere settimane o mesi. Anthropic sostiene che, nei primi test, MHS abbia ridotto alcuni processi di integrazione a ore o minuti.
È un dettaglio tecnico che nasconde una conseguenza enorme. Se un agente può parlare con strumenti diversi attraverso una lingua comune, può iniziare a orchestrare interi workflow fisici. Non solo ordinare a una macchina di eseguire un compito, ma coordinare più strumenti, modificare parametri, reagire ai risultati e, in alcuni casi, recuperare autonomamente da errori hardware.
È lo stesso tipo di salto che abbiamo osservato quando gli agenti AI hanno iniziato a lavorare da soli. Ma nel laboratorio il risultato non è un file o una mail: è un cambiamento nel mondo fisico.
Dal co-scienziato al ricercatore operativo
Negli ultimi due anni sono cresciuti rapidamente i sistemi che aiutano gli scienziati a pensare. Nature ha descritto AI co-scientist capaci di generare ipotesi, discutere spiegazioni concorrenti e proporre esperimenti. Altri sistemi hanno automatizzato parti sempre più ampie del ciclo di ricerca.
La differenza è semplice. Un co-scienziato digitale rimane confinato nella fase cognitiva. Può suggerire un esperimento perfetto, ma se poi il laboratorio deve aspettare tre giorni per eseguirlo, il collo di bottiglia resta. Con i self-driving lab, invece, il software può iniziare ad avere accesso diretto alle macchine.
È qui che la traiettoria dell’AI nella scienza come vantaggio asimmetrico diventa concreta. Un laboratorio che chiude il ciclo in autonomia può esplorare più ipotesi nello stesso tempo. E può farlo senza limitarsi all’orario umano.
Abbiamo già visto un’anticipazione di questo principio nella biotech virtuale con decine di migliaia di agenti. Lì la moltiplicazione avviene soprattutto nel ragionamento e nell’analisi. Aggiungendo una piattaforma fisica automatizzata, quella moltiplicazione può iniziare a produrre esperimenti reali.
La vera rivoluzione è il feedback continuo
Una macchina automatizzata può ripetere lo stesso protocollo mille volte. Un laboratorio autonomo fa qualcosa di diverso: impara dai risultati e decide cosa fare dopo.
Immaginiamo un esperimento per trovare una nuova molecola. Il sistema parte da un insieme enorme di candidati. L’AI ne seleziona alcuni. I robot li sintetizzano o li preparano. Gli strumenti misurano la risposta. L’AI analizza i risultati e aggiorna il modello. Poi sceglie il secondo gruppo di candidati in base a ciò che ha appena imparato.
Questo processo, chiamato spesso closed-loop experimentation, è molto più potente della
semplice automazione. Ogni esperimento migliora la scelta dell’esperimento successivo. La macchina non sta soltanto eseguendo una lista: sta trasformando l’esperimento in una conversazione continua con la realtà.È la versione fisica dello stesso principio che sta dietro ai modelli del mondo: fare una previsione, confrontarla con ciò che accade davvero e correggere la rappresentazione interna.
Roche vuole portarlo nei farmaci
Il segnale più forte che questa idea sta uscendo dall’accademia è arrivato dall’industria farmaceutica. Roche ha dichiarato di voler muovere parte della propria ricerca verso laboratori autonomi. Non è una startup che promette una demo. È uno dei più grandi gruppi farmaceutici del mondo.
Il motivo è semplice: lo sviluppo di un farmaco è un’enorme macchina di esperimenti. Se l’AI riesce a ridurre il numero di strade inutili e i robot riescono a testare più rapidamente quelle promettenti, anche un piccolo miglioramento del ciclo può valere anni e miliardi.
Questo si incastra con ciò che abbiamo visto nell’AI biotech sempre più proprietaria. I modelli più avanzati per la biologia stanno diventando asset strategici. Ma il vero vantaggio potrebbe non essere il modello da solo. Potrebbe essere il modello collegato direttamente al laboratorio.
È una distinzione cruciale. Un sistema che suggerisce una molecola interessante produce un’idea. Un sistema che suggerisce la molecola, la fa sintetizzare, misura il risultato e aggiorna autonomamente la strategia produce una macchina di scoperta.
La biologia programmabile incontra il laboratorio autonomo
Questa convergenza diventa ancora più potente quando la biologia stessa viene trattata come informazione. FuturVibe ha raccontato come Evo 2 stia spingendo verso una biologia programmabile e come AI e DNA stiano diventando parti dello stesso stack tecnologico.
Il punto non è sostituire la validazione biologica con una previsione. È il contrario. Più diventano potenti i modelli, più diventa importante verificare rapidamente le ipotesi nel mondo reale. Ed è proprio qui che il laboratorio autonomo può cambiare la velocità del processo.
L’AI individua una struttura interessante, genera il protocollo, i robot eseguono il test, i dati tornano all’AI. Il sistema corregge l’ipotesi e riparte. In questa prospettiva, la biologia riscrivibile non è più solo una questione di sequenze genetiche. È una nuova architettura della ricerca.
Longevità: cosa succede quando gli esperimenti diventano continui
La longevità è forse il campo in cui il valore di questa compressione del tempo è più intuitivo. L’invecchiamento non è una singola malattia. È una rete enorme di processi biologici: epigenetica, danno al DNA, metabolismo, infiammazione, senescenza cellulare, proteostasi, sistema immunitario.
FuturVibe segue da tempo la convergenza fra AI e longevità. Abbiamo raccontato la prospettiva di un algoritmo dell’invecchiamento, i progressi sulla reversibilità di alcuni marker biologici e l’ingresso della riprogrammazione cellulare nelle prime fasi cliniche.
Il limite, però, è enorme: le combinazioni possibili sono quasi infinite. Quale dose? Quale sequenza? Quale tessuto? Quale durata? Quale combinazione con altri interventi? Quale biomarcatore usare per capire se una strategia funziona davvero?
Un laboratorio autonomo può esplorare questo spazio in modo adattivo. Non significa poter saltare i trial clinici. Non significa rendere sicuro ciò che oggi è pericoloso. Significa però poter accelerare la fase preclinica, dove milioni di ipotesi possono essere filtrate prima di arrivare all’essere umano.
È esattamente il tipo di infrastruttura che renderebbe più concreta la prospettiva dell’organismo come sistema di manutenzione e dell’invecchiamento come insieme di processi trattabili.
La Cina sta costruendo la propria versione del laboratorio autonomo
La competizione globale non riguarda soltanto i modelli linguistici. In Cina il concetto di self-driving laboratory è già entrato in programmi accademici e industriali. Nel 2026 la Xi’an Jiaotong-Liverpool University ha aperto un AI-Robotic Scientist Lab progettato attorno a un closed loop completo: sistema AI per generare ipotesi, progettazione degli esperimenti, analisi dei dati e piattaforma robotica ad alta capacità per eseguire gli esperimenti.
Questo va letto insieme alla più ampia strategia cinese sull’AI come infrastruttura nazionale. La Cina non sta investendo soltanto nei modelli. Sta costruendo un ecosistema in cui robotica, addestramento fisico dei robot, quantistica e ricerca automatizzata possono convergere.
La sfida con gli Stati Uniti, raccontata in Cina vs Stati Uniti sull’AI, potrebbe quindi spostarsi dai benchmark alla velocità della scoperta scientifica. Se due
Il vero capitale potrebbe diventare il numero di esperimenti al giorno
Nell’economia del software contiamo utenti, token, richieste e compute. Nella scienza automatizzata potremmo iniziare a contare qualcos’altro: esperimenti utili per unità di tempo.
Un laboratorio che esegue cento esperimenti al giorno può sembrare potente. Ma se un altro laboratorio esegue mille esperimenti e usa ogni risultato per migliorare automaticamente la scelta successiva, la differenza non è semplicemente dieci volte. È una differenza cumulativa.
Ogni ciclo produce informazione. Ogni informazione migliora il modello. Ogni modello migliore sceglie esperimenti più intelligenti. È un meccanismo simile a quello che abbiamo descritto parlando di AI factory: il vantaggio non deriva solo dalla singola macchina, ma dalla capacità di trasformare continuamente risorse in intelligenza.
Nel laboratorio autonomo, le risorse sono reagenti, strumenti, robot, energia e dati. Il prodotto finale è conoscenza.
Quando i paper diventano agenti
Un’altra trasformazione sta avvenendo contemporaneamente. Nel 2026 Nature ha pubblicato Paper2Agent, un sistema che trasforma un articolo scientifico in un agente capace di spiegare il lavoro, applicarne i metodi a nuovi dati e collaborare con altri agenti.
È una conseguenza meno spettacolare ma potenzialmente profonda. Oggi un paper è un oggetto statico. Lo leggiamo, interpretiamo i metodi e proviamo a riprodurli. Domani un paper potrebbe diventare un modulo operativo: un agente che sa usare il metodo descritto nell’articolo.
Se questi agenti vengono collegati ai laboratori autonomi, la letteratura scientifica smette di essere solo una biblioteca. Diventa una libreria di capacità eseguibili.
È la versione estrema di ciò che FuturVibe descrive quando parla di convergenza tra branche tecnologiche. L’AI non collega soltanto discipline nella teoria. Può iniziare a combinare metodi operativi.
Materiali: il terreno ideale per milioni di tentativi
La scoperta di nuovi materiali è un altro campo perfetto per i laboratori autonomi. Le combinazioni chimiche possibili sono enormi, ma molti esperimenti possono essere automatizzati. Un sistema può proporre una composizione, sintetizzarla, misurarne le proprietà, aggiornare il modello e scegliere la combinazione successiva.
Questo potrebbe accelerare la ricerca su batterie, semiconduttori, catalizzatori, fotovoltaico e materiali per il calcolo avanzato. E si collega direttamente alla corsa sui materiali sotto il nanometro, sul packaging avanzato e sui chip fotonici.
Qui appare un altro loop: l’AI usa laboratori autonomi per trovare materiali migliori. I materiali migliori producono chip più efficienti. I chip più efficienti fanno girare AI più potenti. Le AI più potenti controllano laboratori ancora più sofisticati.
Quantistica: quando anche gli strumenti impossibili entrano nel ciclo
Anthropic cita tra gli esempi del Model Hardware Standard persino la calibrazione laser su un computer quantistico. È un dettaglio che mostra quanto ampia possa diventare questa architettura.
I sistemi quantistici richiedono controllo fine, calibrazione continua e gestione di apparati estremamente sensibili. Un agente capace di osservare i risultati e regolare automaticamente parametri può trasformare un processo oggi specialistico in un workflow più autonomo.
Questo rende ancora più interessante la convergenza con il calcolo quantistico accessibile ai centri di ricerca, con il vantaggio quantistico su problemi reali e con sistemi quantistici sempre più continui.
In questo scenario l’AI non è semplicemente un’applicazione del computer quantistico. Può diventare anche il tecnico che lo mantiene, lo calibra e decide come usarlo.
Tra due o tre anni: la prima rete di laboratori che lavora come un unico organismo
Lo scenario più interessante per il 2028-2029 non è un singolo laboratorio perfetto. È una rete di laboratori connessi.
Un agente centrale potrebbe assegnare esperimenti a strutture diverse in base agli strumenti disponibili. Un laboratorio in Europa potrebbe testare materiali. Uno negli Stati Uniti potrebbe fare imaging avanzato. Uno in Asia potrebbe eseguire screening ad alta capacità. I risultati tornerebbero in un unico sistema di apprendimento.
Questo trasformerebbe la ricerca in una infrastruttura distribuita, simile a ciò che il cloud ha fatto per il software. Oggi prenotiamo compute. Domani potremmo prenotare capacità sperimentale.
È la versione scientifica della AI come infrastruttura e delle centrali dell’intelligenza.
Il prossimo salto: AI che progetta anche il proprio laboratorio
La parte più radicale arriva quando il laboratorio autonomo smette di essere un insieme fisso di strumenti e diventa qualcosa che l’AI può riprogettare. Un agente potrebbe accorgersi che una misura è troppo lenta, proporre un nuovo dispositivo, generare il progetto,
farlo produrre e inserirlo nel workflow. A quel punto l’automazione non riguarderebbe solo l’esperimento, ma anche l’infrastruttura sperimentale.
È qui che il confine tra ricerca e ingegneria inizia a dissolversi. Abbiamo già visto come i miliardi si stiano spostando verso l’AI nel mondo fisico e come la Physical AI industriale stia entrando nella scala reale. Un laboratorio scientifico è uno degli ambienti più favorevoli per questa convergenza, perché strumenti, materiali e protocolli sono altamente strutturati.
In futuro, una rete di agenti potrebbe progettare una nuova configurazione del laboratorio sulla base dei dati raccolti il giorno prima. Un robot potrebbe cambiare la disposizione degli strumenti, un sistema di visione potrebbe verificare il nuovo assetto e l’AI potrebbe avviare una nuova serie di test senza attendere settimane di reingegnerizzazione umana.
Perché questo potrebbe accelerare anche l’AI stessa
C’è infine un collegamento ancora più profondo. Molte tecnologie necessarie all’AI — nuovi materiali, sistemi di raffreddamento, memorie, fotonica, packaging, sensori e robotica — dipendono da ricerca sperimentale. Se l’AI accelera questi campi, può contribuire indirettamente a costruire hardware migliore per la generazione successiva di AI.
Il ciclo diventa quindi doppio. Da una parte l’AI accelera la scienza. Dall’altra la scienza accelerata produce tecnologie che rendono l’AI più potente. È lo stesso meccanismo che abbiamo iniziato a vedere parlando di robot che costruiscono infrastrutture per l’AI e di controllo dell’intero stack tecnologico.
Se questo loop diventa abbastanza veloce, la distinzione fra “ricerca scientifica” e “sviluppo dell’AI” si indebolisce. Un miglior materiale può rendere un chip più efficiente. Un chip più efficiente può addestrare un modello migliore. Un modello migliore può progettare esperimenti più sofisticati. Gli esperimenti possono produrre materiali ancora migliori.
Tra dieci anni: la scienza potrebbe diventare continua
Portiamo lo scenario al 2036. Immaginiamo milioni di strumenti scientifici connessi a reti di agenti. I paper non sono più soltanto testo: alcuni diventano moduli eseguibili. I laboratori non sono più unità isolate: condividono protocolli, verificatori e modelli. La notte non interrompe più il ciclo sperimentale.
In questo mondo, la velocità della scoperta può diventare una proprietà dell’infrastruttura. Un’università con pochi ricercatori ma una rete di strumenti automatizzati potrebbe produrre quantità di esplorazione che oggi richiedono interi consorzi.
La medicina potrebbe testare rapidamente migliaia di combinazioni precliniche. La longevità potrebbe esplorare reti biologiche complesse con una precisione oggi impraticabile. La robotica potrebbe migliorare componenti e materiali attraverso cicli chiusi. L’energia potrebbe beneficiare di nuovi catalizzatori e sistemi di accumulo. La quantistica potrebbe essere calibrata da agenti specializzati.
Non significa che la scienza diventi facile. Significa che il costo del tentativo può crollare.
Il rischio: produrre errori più velocemente
Una macchina di scoperta può anche diventare una macchina di errore. Se un modello interpreta male un risultato e il laboratorio esegue automaticamente cento esperimenti basati su quella premessa, l’automazione amplifica l’errore.
Per questo il valore dei verificatori crescerà insieme all’autonomia. Ogni passaggio dovrà essere tracciabile. Ogni protocollo dovrà poter essere ricostruito. I dati dovranno essere versionati. Le decisioni dell’agente dovranno essere auditabili.
È lo stesso principio che vale nell’AI che passa dal rumore alla sostanza. Più un sistema agisce, meno basta che “sembri intelligente”. Deve essere affidabile.
La vera domanda non è se l’AI farà scienza
La domanda “l’AI sostituirà gli scienziati?” è probabilmente formulata male. La trasformazione più importante è un’altra: quanto lavoro scientifico verrà eseguito da sistemi che non hanno bisogno di dormire, aspettare una riunione o usare un solo strumento alla volta?
Il ricercatore umano può diventare ancora più importante nelle domande, nelle priorità, nell’interpretazione e nella responsabilità. Ma il numero di cicli sperimentali eseguiti da infrastrutture autonome può crescere enormemente.
È qui che il futuro smette di sembrare una semplice versione più veloce del presente. Se la scienza diventa continua, cambia il ritmo con cui cambiano medicina, materiali, energia e tecnologia.
E forse il vero salto dell’AI non sarà quando una macchina saprà rispondere a ogni domanda. Sarà quando costruiremo sistemi capaci di fare milioni di domande alla realtà, una dopo l’altra, senza mai smettere di imparare dalle risposte.
