Un modello generativo produce una sequenza. La sequenza viene selezionata, sintetizzata in laboratorio e inserita dentro un sistema biologico. A quel punto non siamo più davanti a un’immagine o a un testo: qualcosa comincia a replicarsi. È questo il passaggio che rende così importante il lavoro presentato da ricercatori di Stanford e dell’Arc Institute, che hanno utilizzato modelli genomici per progettare nuovi batteriofagi funzionanti. I batteriofagi sono virus che infettano batteri, non esseri umani. Ma il risultato segna comunque una nuova soglia per l’intelligenza artificiale generativa.
I modelli della famiglia Evo apprendono le regolarità del DNA in modo concettualmente simile a come un modello linguistico apprende le regolarità del testo. Al posto delle parole ci sono sequenze di nucleotidi; al posto delle frasi, regioni genomiche. Il sistema non “comprende la vita” nel senso umano del termine, ma può imparare strutture statistiche e funzionali abbastanza profonde da proporre sequenze plausibili. Finché queste sequenze rimangono sul computer siamo nel campo della previsione. Quando vengono sintetizzate e funzionano in laboratorio, il rapporto tra modello e materia cambia.
Secondo le ricostruzioni pubblicate in questi giorni, i ricercatori hanno generato un numero enorme di candidati, selezionato alcune centinaia di progetti e li hanno fatti sintetizzare. Sedici hanno prodotto batteriofagi vitali capaci di infettare E. coli. Alcune combinazioni sono riuscite a superare resistenze che limitavano l’efficacia di fagi naturali. La prospettiva medica è evidente: i batteriofagi vengono studiati da tempo come possibile alternativa o complemento agli antibiotici, soprattutto contro batteri resistenti ai farmaci.
La cosa più interessante, tuttavia, non è il numero sedici. È il fatto che l’AI abbia contribuito alla progettazione di un intero genoma funzionante. La biologia generativa aveva già mostrato risultati impressionanti su proteine, molecole e sequenze regolatorie. Un virus completo introduce un altro livello di complessità perché il genoma deve coordinare molte funzioni: entrare nella cellula ospite, replicarsi, assemblare nuove particelle e propagarsi. È una piccola macchina biologica, non un singolo componente.
Il lavoro è stato condotto con precauzioni precise. I ricercatori si sono concentrati su fagi batterici e hanno escluso dalle fasi rilevanti sequenze che potessero orientare il sistema verso patogeni umani, animali o vegetali. È importante dirlo chiaramente perché il titolo “AI crea nuovi virus” può facilmente trasformarsi in allarme. Questi esperimenti non hanno prodotto virus destinati a infettare persone. Il rischio interessante è di un’altra natura: dimostrano che la capacità generativa applicata ai genomi sta diventando concretamente operativa.
Da qui nasce la questione della biosecurity. Se un modello riesce a generare strutture biologiche nuove, i sistemi di sicurezza non possono limitarsi a controllare soltanto sequenze già note. La novità è precisamente ciò che rende potente la generazione. I tradizionali screening della sintesi del DNA cercano corrispondenze con agenti pericolosi o geni sensibili; in futuro potrebbero dover valutare anche funzioni plausibili in sequenze che non assomigliano direttamente a qualcosa presente nei database. È un problema tecnico e normativo ancora aperto.
La stessa capacità, naturalmente, può produrre enormi benefici. Antibiotico-resistenza, terapia personalizzata, agricoltura, materiali biologici, enzimi industriali e ricerca di base sono settori nei quali esplorare rapidamente lo spazio delle sequenze potrebbe ridurre anni di tentativi. L’AI può proporre combinazioni che l’evoluzione non ha esplorato o che un laboratorio umano non avrebbe avuto tempo di testare. Il ciclo diventa: generare, sintetizzare, misurare, riportare i risultati al modello e generare di nuovo. È una forma di ricerca accelerata.
Questo processo cambia anche il ruolo dello scienziato. Il valore non scompare dentro l’automazione; si sposta. Diventa ancora più importante formulare l’obiettivo giusto, costruire i vincoli, scegliere cosa sintetizzare, progettare gli esperimenti e interpretare i fallimenti. Se un modello produce centinaia di migliaia di possibilità, la scarsità non è più l’idea. È la capacità di decidere quali possibilità meritano di diventare materia. In questo senso la generative biology assomiglia sorprendentemente alle trasformazioni già viste nelle immagini e nel design.
Ma in biologia il costo dell’errore può essere diverso. Un’immagine sbagliata viene scartata. Una sequenza biologica richiede contenimento, procedure e responsabilità. Per questo la velocità dell’AI deve essere accompagnata da una cultura della sperimentazione che non confonda la facilità di generazione con la facilità di realizzazione. La sintesi fisica rimane un passaggio controllabile e dovrebbe diventare uno dei punti principali nei quali inserire verifiche, autorizzazioni e tracciabilità.
Il confronto con i modelli linguistici aiuta a capire la portata del cambiamento. Quando un LLM completa una frase sbagliata, il testo può essere cancellato in un secondo. Un modello genomico produce invece una proposta che, una volta sintetizzata, entra in una catena sperimentale molto più costosa e delicata. La qualità della selezione diventa quindi fondamentale. Il laboratorio non può testare tutto ciò che il modello immagina: deve costruire criteri, filtri e priorità. In questo senso la biologia generativa non elimina il collo di bottiglia umano, lo sposta dalla produzione delle idee alla loro verifica.
Anche la proprietà intellettuale potrebbe diventare un terreno nuovo. Se una sequenza biologica è proposta da un modello, selezionata da un ricercatore e poi modificata attraverso cicli sperimentali, chi è l’autore dell’invenzione? I brevetti in biotecnologia si basano su concetti di novità, attività inventiva e descrizione tecnica che dovranno confrontarsi con sistemi capaci di esplorare automaticamente spazi enormi di possibilità. La domanda non riguarda soltanto il diritto: riguarda il modo in cui attribuiamo valore alla scoperta quando una parte della ricerca viene delegata a una macchina.
Il punto più affascinante è che DNA e software iniziano a condividere la stessa logica generativa. Entrambi possono essere descritti come sequenze, entrambi possono essere completati, ottimizzati e sottoposti a test. Ma il DNA possiede una caratteristica che il codice digitale non ha: quando funziona, può utilizzare la materia vivente per replicarsi. È questo passaggio che rende la generative biology così potente e così delicata. L’AI non sta semplicemente imparando a descrivere la natura; sta iniziando a proporre nuove configurazioni che la natura può eseguire.
VITA GENERATIVA non significa che un chatbot si sia trasformato in biologo. Significa qualcosa di più concreto: i modelli stanno cominciando a partecipare alla progettazione di strutture che possono essere costruite e funzionare nel mondo biologico. Dopo testo, immagini, video e codice, l’AI entra in un dominio nel quale il confine fra informazione e materia è molto più sottile. È probabilmente uno dei passaggi più importanti da osservare nei prossimi anni.