Un importante studio condotto dal MIT ha analizzato per 25 mesi l’impatto dell’intelligenza artificiale generativa (AI) sulla scoperta di nuovi materiali, coinvolgendo oltre 1.000 scienziati in un laboratorio di ricerca e sviluppo. Questo studio ha utilizzato un rigoroso setup sperimentale per garantire risultati significativi e affidabili.

Struttura dello Studio

  • Gruppi di Ricercatori: Sono stati attivati tre gruppi di ricercatori in momenti diversi.
  • Assegnazione Casuale: I team sono stati assegnati casualmente ai gruppi per evitare bias.
  • Confronto: È avvenuto un confronto tra i team che avevano accesso all’AI e quelli che non lo avevano.
  • Monitoraggio delle Attività: Sono state monitorate oltre 1,6 milioni di attività di ricerca.

L’AI utilizzata nel progetto è un sistema di reti neurali generative (GNN), simile a ChatGPT, capace di generare strutture molecolari partendo da parametri desiderati.

I risultati hanno mostrato un cambiamento significativo nella scoperta di nuovi materiali:

  • +44% nuovi materiali scoperti
  • +39% brevetti depositati
  • +17% prototipi sviluppati

Collaborazione Uomo-AI

Una delle scoperte più rilevanti è stata l’emergere di un nuovo modello di collaborazione tra uomo e AI:

  • L’AI genera ed esplora nuove strutture molecolari, automatizzando la fase creativa iniziale.
  • Gli scienziati applicano la loro expertise per valutare quali proposte dell’AI meritano test sperimentali.
  • I ricercatori più esperti hanno dimostrato una capacità di “filtrare” le proposte dell’AI con un’accuratezza superiore dell’81%.

Sfide e Criticità

Nonostante i risultati positivi, ci sono anche aspetti critici da considerare:

  • Soddisfazione dei Ricercatori: L’82% dei ricercatori ha riportato una minore soddisfazione a causa del cambiamento delle mansioni.
  • Gap di Performance: Solo i ricercatori con un forte background scientifico sono riusciti a sfruttare efficacemente l’AI, portando a un raddoppio del divario di performance tra i migliori e i peggiori performer.

La lezione chiave per le aziende è che, sebbene la Generative AI sia uno strumento potente, presenta anche delle sfide:

  • Nelle mani di esperti, l’AI può amplificare notevolmente la produttività, consentendo l’esplorazione di più soluzioni e l’automazione di compiti ripetitivi.
  • Tuttavia, per chi ha meno esperienza, l’AI può creare frustrazione nei compiti complessi e ostacolare lo sviluppo delle competenze fondamentali.

Strategia per le Organizzazioni

Le organizzazioni devono affrontare due sfide principali:

  1. Supportare gli esperti nell’adozione dell’AI per massimizzare i benefici.
  2. Strutturare percorsi di crescita che permettano ai meno esperti di sviluppare le competenze necessarie prima di affrontare compiti complessi con l’AI.

In sintesi, il vero interrogativo non è tanto come implementare la Generative AI, ma come gestire il divario di competenze che essa crea.

s41524-022-00765-zDownload
s41586-023-06735-9Download

Citations:
[1] https://deepmind.google/discover/blog/millions-of-new-materials-discovered-with-deep-learning/
[2] https://www.frontiersin.org/journals/materials/articles/10.3389/fmats.2022.865270/full
[3] https://tech4future.info/en/data-driven-materials-generative-ai/
[4] https://www.restack.io/p/ai-for-materials-science-answer-examples-cat-ai
[5] https://www.materials.zone/blog/revolutionizing-materials-development-ai-driven-innovation
[6] https://www.sas.com/content/dam/SAS/documents/marketing-whitepapers-ebooks/ebooks/en/generative-ai-challenges-and-potential-unveiled-113889.pdf
[7] https://digitalisationworld.com/news/68384/ai-revolutionises-scientific-discovery-but-r-d-challenges-persist
[8] https://www.nature.com/articles/s41524-022-00765-z
[9] https://arxiv.org/html/2411.03156v1
[10] https://www.sciencedirect.com/science/article/pii/S259023852400242X