Il metodo scientifico, per quanto iconico, ha un problema strutturale enorme: è terribilmente lento e richiede una quantità di iterazioni manuali che farebbe venire l’orticaria a un processore overclockato. Proponi un’ipotesi, fai l’esperimento, controlli i dati, riprovi. Un loop infinito che però, finora, ha sempre avuto bisogno di un essere umano (con tutta la sua stanchezza e i suoi bias) a gestire il comando.
E se vi dicessi che la squadra che ha costruito le fondamenta di Google sta cercando di eliminare l’uomo dal loop?
È apparso da poco il sito di «Discovery Loop», e non è il solito comunicato stampa pieno di buzzword vuote per raccogliere fondi. Qui parliamo di gente come Jeff Dean, Sanjay Ghemawat e Quoc Le. Se non sono i nomi che hanno praticamente inventato il modo in cui oggi gestiamo i Big Data e l’architettura dei sistemi distribuiti (parliamo di MapReduce, BigTable, TensorFlow, roba che fa girare l’internet che conosciamo), allora non so cosa lo sia.
L’idea è ambiziosa, quasi da film di fantascienza alla «Contact»: costruire sistemi di AI capaci di automatizzare l’intero processo sperimentale. Non solo scrivere codice o generare immagini, ma proprio proporre, eseguire e imparare dagli esperimenti scientifici e ingegneristici. L’obiettivo iniziale è il machine learning (ovviamente, dove la velocità di iterazione è tutto), ma la visione è estendersi a tutto: nuovi farmaci, energia solare più efficiente, sicurezza informatica avanzata.
Certo, c’è da farsi qualche domanda. Quando vedi un team con questo livello di «full-stack depth» — che va dai chip all’infrastruttura hardware fino ai modelli LLM — capisci subito che non stanno giocando a fare i maker nel garage. Stanno costruendo un sistema che richiede una potenza di calcolo e un’integrazione verticale che solo pochi player al mondo possono permettersi. Il rischio? Che la scoperta scientifica del futuro diventi un processo chiuso, accessibile solo a chi possiede i cluster più massicci e le infrastrutture più proprietarie, lasciando il resto del mondo a guardare i risultati da fuori.
Però, restiamo onesti: se qualcuno può davvero trasformare la ricerca da un processo lento e manuale a un’esplosione di esperimenti paralleli ad alta velocità, quel qualcuno è questo gruppo di persone. Se riusciranno a sbloccare il potenziale del machine learning automatizzato, la velocità del progresso tecnologico potrebbe decollare in un modo che non siamo pronti a gestire.
Speriamo solo che il loro «loop» non diventi un sistema chiuso in cui solo loro hanno le chiavi di accesso. Nel frattempo, io tengo d’occhio i loro commit (se mai decideranno di pubblicarne qualcuno).
Source: Discovery Loop