Capitolo 05
Scienza
Stanford presenta la scienza come una zona mista: il volume delle pubblicazioni cresce rapidamente, nascono modelli di dominio e alcune pipeline diventano AI-native, ma replica e ricerca autonoma a livello esperto restano difficili.
Perché conta
Questo capitolo conta perché mostra dove l'AI si integra nel metodo scientifico, non solo nella scrittura di paper o nella ricerca di informazioni.
Come applicarlo
Va letto come una mappa di maturità per disciplina: dove i modelli aiutano, dove automatizzano e dove ancora non riescono a riprodurre lavoro scientifico.
Segnali principali
Segnali principali
L'AI scientifica avanza rapidamente su alcuni fronti e lentamente su altri — e la sua base istituzionale resta ancorata all'accademia e ai governi, non al modello industry-heavy dell'AI generale.
L'AI for science cresce, ma non in modo uniforme
La crescita delle pubblicazioni e la nuova infrastruttura foundation model sono reali, ma i benchmark mostrano che i task scientifici end-to-end più difficili restano lontani dalla soluzione.
L'AI scientifica resta istituzionalmente diversa dalla general AI
Stanford osserva che la maggior parte dei modelli scientifici proviene ancora da contesti accademici e governativi, non dal pattern industry-heavy della general-purpose AI.
Dati selezionati
Dati selezionati
Numeri e confronti sintetizzati dalle fonti ufficiali del capitolo Stanford.
| Segnale | Valore | Contesto |
|---|---|---|
| Pubblicazioni AI nelle scienze naturali | 80,150 | Le scienze naturali raggiungono circa 80.150 pubblicazioni AI nel 2025, +26% sul 2024. |
| Quota AI della produzione scientifica | 5.8% to 8.8% | A seconda del campo, l'AI pesa ormai tra il 5,8% e l'8,8% della produzione scientifica, contro meno dell'1% nel 2010. |
| Base di training AION-1 | 200M objects | AION-1 è addestrato su oltre 200 milioni di oggetti celesti provenienti da cinque survey principali. |
| Velocità FourCastNet 3 | <4 min / 8x-60x | FourCastNet 3 genera una previsione globale a 60 giorni in meno di quattro minuti, da 8 a 60 volte più veloce degli approcci precedenti. |
| PaperArena agente vs baseline PhD | 38.8% vs 83.5% | Su task di ricerca scientifica end-to-end, il miglior agente ottiene 38,8% contro 83,5% dei PhD expert. |
Implicazioni
- L'impatto scientifico va giudicato per integrazione nei workflow, non solo per novità del modello.
- I benchmark specifici di campo restano essenziali perché il successo sui benchmark generici non trasferisce bene.
- Istituzioni accademiche e pubbliche contano ancora in modo sproporzionato nel progresso AI-for-science.