La scoperta enzimatica di Claude di Anthropic ricorda CRISPR, ma la funzione è ancora sconosciuta

Anthropic afferma che Claude ha individuato autonomamente un sistema enzimatico precedentemente non caratterizzato dopo che circa 950 sessioni di agenti hanno esplorato dati biologici per 21 ore. La scoperta enzimatica di Claude di Anthropic ricorda CRISPR sotto un importante aspetto strutturale, ma nessun esperimento ha dimostrato che modifichi i geni.

Questa distinzione separa un'interessante pista scientifica dallo strumento suggerito da alcuni primi titoli. Anthropic chiama il sistema array-associated reverse transcriptases, o ARTs. I suoi ricercatori hanno trovato geni della trascrittasi inversa accanto a serie ripetute di DNA nei batteriofagi, virus che infettano i batteri.

Il risultato è la prima scoperta pubblica di Anthropic da parte di un gruppo di ricerca nelle scienze della vita formato nella primavera del 2026. Mette anche alla prova una proposta più ampia: se agenti di IA generalisti possano notare anomalie biologiche, seguirle e fornire agli scienziati candidati che valga la pena testare. Claude ha superato questo test una volta, ma non è riuscito a riscoprire la serie distintiva nelle dieci successive esecuzioni della campagna.

Cosa ha effettivamente scoperto Claude di Anthropic sugli enzimi

Claude ha trovato una nuova configurazione biologica, non un sostituto funzionante di CRISPR.

Anthropic ha annunciato il risultato il 23 settembre 2026, insieme al suo nuovo laboratorio di biologia molecolare nella Bay Area. Secondo l'annuncio sul sistema enzimatico dell'azienda, il laboratorio gestisce attività a rischio più basso di livello BSL-1 e BSL-2. Ogni esperimento fisico viene eseguito da scienziati umani.

La campagna computazionale è iniziata con un brief di ricerca ad alto livello. A Claude è stato chiesto di cercare sistemi insoliti di trascrittasi inversa. Una trascrittasi inversa, o RT, è un enzima che copia l'RNA nel DNA.

Gli agenti hanno assemblato oltre 198.000 cluster di RT ed esaminato migliaia di famiglie proteiche vicine. L'intera campagna ha consumato 215,6 milioni di token in 949 sessioni di agenti, secondo il rapporto tecnico su ART di Anthropic. Si è svolta in 21,5 ore di tempo trascorso e ha rappresentato 77 ore-agente complessive.

Il riepilogo pubblico di Anthropic arrotonda queste cifre a circa 200.000 RT, 950 agenti e 210 milioni di token. Questi numeri descrivono la scala della ricerca. Non dimostrano che 950 scienziati IA indipendenti abbiano investigato simultaneamente il problema.

Gli “agenti” erano sessioni del modello coordinate tramite un'infrastruttura di ricerca. Una sessione poteva pianificare un compito, un'altra poteva revisionarlo, ed entrambe potevano aprire attività successive. Questa struttura ha permesso a Claude di esplorare vari rami senza che uno scienziato dirigesse ogni decisione intermedia.

Il brief originale si concentrava su nuovi geni partner situati accanto alle trascrittasi inverse. Claude ha valutato 3.564 famiglie proteiche come possibili partner, per poi condurre indagini più approfondite. Tre associazioni hanno superato la revisione come relazioni con RT non precedentemente riportate.

ART è emerso attraverso un percorso più insolito. Un agente ha investigato una linea di trascrittasi inversa associata ai jumbo fagi, batteriofagi con genomi insolitamente grandi. L'associazione proteica prevista sembrava poco convincente, ma l'agente ha continuato a esplorare la regione genomica circostante.

Ha caricato il DNA grezzo a monte nel proprio contesto di lavoro e ha notato una serie di ripetizioni in tandem. Un locus conteneva 14 copie di una ripetizione di 16 nucleotidi, separate da tratti unici di circa 100-200 nucleotidi.

Questa configurazione richiamava CRISPR perché anche i sistemi CRISPR usano DNA ripetuto separato da sequenze variabili. Le cellule trascrivono queste serie in RNA più piccoli, che possono guidare le proteine associate a CRISPR verso materiale genetico corrispondente.

Il lavoro di laboratorio di Anthropic ha rilevato che anche le serie ART vengono trascritte in distinti RNA corti. In un dataset di batteriofagi di Staphylococcus, l'RNA derivato dalla serie ha raggiunto fino all'8 per cento dell'RNA del fago 15 minuti dopo l'infezione.

I ricercatori hanno identificato 95 distinti cluster di RT correlati ad ART tra fagi coltivati e sequenze virali previste. Ventotto avevano una serie di ripetizioni rilevabile situata a monte. Il sistema combinava di solito tre elementi: una trascrittasi inversa, un gene partner adiacente e una serie di ripetizioni di DNA equidistanti.

Queste osservazioni sostengono l'affermazione che ART sia un sistema biologico precedentemente non caratterizzato. Non rivelano cosa faccia il sistema. I ricercatori di Anthropic non hanno dimostrato che la trascrittasi inversa sia attiva, che utilizzi gli RNA corti come substrati o che ART prenda di mira altre sequenze genetiche.

Ciò lascia aperta, anziché dimostrata, la possibilità più interessante. ART potrebbe rappresentare un altro sistema molecolare programmabile, oppure la sua architettura simile a CRISPR potrebbe svolgere un ruolo molto diverso all'interno dei fagi.

Perché il confronto con CRISPR è importante

Il confronto è importante perché anche CRISPR è iniziato come un modello di ripetizioni inspiegato, non perché ART svolga già editing genetico.

Gli scienziati incontrarono per la prima volta ciò che sarebbe diventato CRISPR esaminando un gene di Escherichia coli nel 1987. Notarono una serie insolita di sequenze di DNA ripetute, ma non ne comprendevano la funzione. La sequenza CRISPR originale90183-4) apparve anni prima che i ricercatori collegassero quelle ripetizioni all'immunità microbica.

Il termine CRISPR arrivò nel 2002. Studi successivi hanno stabilito che batteri e archei conservano frammenti di materiale genetico virale tra le ripetizioni. L'RNA copiato da quelle regioni aiuta le proteine associate a riconoscere e attaccare gli invasori corrispondenti.

I ricercatori hanno infine adattato quel meccanismo per l'editing programmabile del genoma. L'insegnamento storico non è che ogni serie di ripetizioni diventi una piattaforma biotecnologica. È che uno schema genomico insolito può segnalare un macchinario la cui importanza diventa chiara solo dopo anni di lavoro sperimentale.

ART condivide parte di questa grammatica visiva. Le sue unità ripetute sono separate da sequenze variabili e la serie produce RNA corti. Queste caratteristiche giustificano l'indagine su un eventuale ruolo degli RNA nel guidare o programmare un'altra attività molecolare.

Diverse differenze indeboliscono inoltre qualsiasi equivalenza diretta. Il rapporto tecnico non ha trovato geni cas nelle vicinanze, che codificano le proteine centrali nei sistemi CRISPR consolidati. Gli spacer di ART sembrano inoltre conservati tra fagi correlati, mentre gli spacer CRISPR variano di solito quando i microbi incontrano virus diversi.

ART è costruito attorno a una trascrittasi inversa anziché a una nucleasi nota associata a CRISPR. Una nucleasi taglia gli acidi nucleici, mentre una trascrittasi inversa copia l'RNA nel DNA. Questa differenza significa che ART potrebbe partecipare alla modifica del genoma senza funzionare come i familiari strumenti CRISPR.

Feng Zhang, ricercatore del Broad Institute e del MIT che ha contribuito allo sviluppo dell'editing del genoma con CRISPR, ha esaminato il preprint prima dell'annuncio di Anthropic. Ha descritto le serie RNA-ripetizione associate alle trascrittasi inverse come davvero intriganti e ha detto che meritavano ulteriori indagini.

La sua reazione sostiene l'interesse scientifico della scoperta. Non equivale a una conferma sperimentale indipendente. Nessun laboratorio esterno ha ancora pubblicato prove che stabiliscano la funzione o la programmabilità di ART.

Il confronto funziona quindi meglio come mappa di ricerca. CRISPR offre agli scienziati una ragione per chiedersi se gli RNA derivati dalle ripetizioni di ART codifichino bersagli, guidino un enzima o registrino informazioni. Non fornisce le risposte.

Un gruppo di ricerca separato ha riportato serie di RNA non codificante accanto a un'altra famiglia di trascrittasi inverse. Il suo preprint sul genome mining ha utilizzato un modello linguistico genomico appositamente costruito per identificare modelli strutturali correlati.

Questo parallelismo è importante perché suggerisce che le trascrittasi inverse legate a ripetizioni potrebbero non essere un caso isolato. Architetture simili potrebbero essersi evolute più di una volta, forse perché risolvono un problema biologico ricorrente.

Le stesse prove rendono inoltre l'affermazione di Anthropic meno singolare. Il genome mining supportato dall'IA veniva già applicato a elementi non codificanti poco noti e alle proteine a essi associate. Il contributo di Claude risiede in parte nell'uso di un modello generalista e di un'infrastruttura di agenti anziché di un sistema progettato per un singolo compito genomico.

La scoperta enzimatica di Claude di Anthropic è convincente perché il modello sembra aver notato la serie distintiva senza un prompt che gli dicesse di cercare ripetizioni. Il brief di ricerca mirava ai geni partner delle RT e l'agente ha seguito la pista della serie dopo aver approfondito un indizio inizialmente respinto.

Questo ricorda la serendipità scientifica. Un ricercatore cerca una relazione, trova un'anomalia e cambia direzione. Se l'IA possa produrre questo schema in modo affidabile è ora più importante del fatto che una trascrizione riuscita suoni umana.

La vera sfida è una scoperta affidabile contro un'attenzione fortunata

Il risultato più forte di Anthropic è che Claude ha riconosciuto l'anomalia; la sua maggiore debolezza è che il sistema raramente ha guardato nel posto giusto.

La campagna di scoperta era autonoma in senso limitato ma significativo. Una volta fornito il brief iniziale dai ricercatori, l'infrastruttura ha operato senza intervento umano per più di 21 ore. Claude ha organizzato compiti, costruito ricerche computazionali, respinto candidati deboli e aperto indagini successive.

Nessuno scienziato ha istruito l'agente riuscito a ispezionare una serie di ripetizioni. Il modello ha caricato autonomamente la sequenza a monte, descritto il modello, scritto codice di analisi, confrontato la struttura con sistemi noti e preparato un rapporto per la revisione umana.

Questo va oltre il riassumere articoli o proporre un esperimento noto. Il sistema è passato da un obiettivo ampio a un'osservazione non specificata nell'attività originale.

Tuttavia, Anthropic ha rieseguito la stessa campagna dieci volte dopo la scoperta iniziale. Nessuna di queste esecuzioni ha riscoperto la serie.

Diverse riesecuzioni hanno campionato sequenze correlate ad ART, e due hanno investigato il lignaggio rilevante. Gli agenti non sono comunque riusciti a caricare la regione di DNA a monte contenente le ripetizioni. Claude poteva riconoscere la caratteristica, ma il flusso di lavoro non la esponeva al modello in modo coerente.

Questa distinzione cambia il modo in cui dovrebbe essere interpretata la “scoperta autonoma”. L'esecuzione riuscita mostra che il modello dispone di utili capacità di riconoscimento di schemi e approfondimento. I dieci fallimenti mostrano che il sistema di agenti circostante non può ancora produrre una copertura affidabile.

Anthropic ha condotto test più controllati per isolare il riconoscimento dal comportamento di ricerca. I ricercatori hanno fornito a sette modelli Claude input correlati ad ART a cinque livelli di dettaglio, direttamente nel prompt oppure tramite file e strumenti.

I modelli più forti hanno identificato la serie in almeno il 90 per cento delle prove quando le sequenze rilevanti venivano inserite direttamente nel contesto. Le prestazioni sono diminuite quando i modelli dovevano individuare e leggere le sequenze attraverso gli strumenti. In alcune condizioni, il riconoscimento è sceso fino al 32 per cento.

Nel 39 per cento dei tentativi basati su file, il modello non ha mai letto un tratto continuo di almeno 200 nucleotidi. Ha quindi visto una quantità insufficiente di sequenza grezza per riconoscere più di un'unità ripetuta.

Il collo di bottiglia non era semplicemente il ragionamento biologico. Era la gestione dell'attenzione all'interno di un flusso di lavoro aperto.

Un agente dispone di tempo, contesto e risorse computazionali limitati. Deve decidere quali file aprire, quali regioni ispezionare e quali anomalie meritino un'altra attività. Un modello capace può comunque perdere una scoperta se i suoi strumenti riassumono eliminando le prove decisive.

Questo crea un parametro di riferimento più pratico per la scienza dell’IA. Un sistema di scoperta utile deve fare più che identificare uno schema quando i ricercatori lo mettono in vista. Deve esplorare ripetutamente un ampio spazio di ricerca e decidere di esaminare le prove corrette.

Il software scientifico tradizionale affronta spesso questo problema tramite pipeline deterministiche. I ricercatori definiscono ricerche esplicite di sequenze ripetute, domini proteici, contesti genomici conservati o relazioni evolutive. Questi metodi sono circoscritti, ma si comportano in modo coerente.

Un agente IA generalista offre un vantaggio diverso. Può combinare revisione della letteratura, generazione di codice, analisi delle sequenze, formulazione di ipotesi e interpretazione scritta. Può anche cambiare direzione quando un risultato contraddice la sua aspettativa iniziale.

Il compromesso è la variabilità. Due esecuzioni possono seguire rami diversi anche quando ricevono lo stesso brief. Una sessione può esaminare il DNA grezzo, mentre un’altra può accettare un riepilogo e passare oltre.

Il risultato di Anthropic mette quindi sotto pressione sia i laboratori di IA sia gli sviluppatori di software scientifico. Gli agenti generalisti devono diventare più riproducibili. Gli strumenti specializzati devono diventare più facili da selezionare e orchestrare per gli agenti, senza perdere le prove grezze.

Un sistema più solido combinerebbe entrambi gli approcci. Verifiche deterministiche potrebbero richiedere agli agenti di esaminare finestre minime di sequenza, eseguire software di rilevamento delle ripetizioni e conservare le prove intermedie. Il modello linguistico potrebbe quindi concentrarsi sulla selezione delle ipotesi e sul collegamento di risultati inattesi.

Questo è simile al buon lavoro basato sulla conoscenza al di fuori della biologia. Un sistema IA produce analisi migliori quando può conservare il materiale di origine, esaminare il record sottostante e collegare i risultati tra attività diverse. Una base di conoscenza IA strutturata non può sostituire il giudizio degli esperti, ma può ridurre la probabilità che prove decisive scompaiano all’interno di un riepilogo.

Per Anthropic, l’affidabilità conta ora più di un altro grande numero di agenti. Trasformare un successo su undici campagne in un risultato ripetibile rafforzerebbe il caso della ricerca autonoma molto più dell’ampliamento dello sciame.

Il laboratorio wet lab restringe l’affermazione senza risolverla

Gli esperimenti fisici hanno confermato che gli array producono RNA, ma non hanno stabilito l’attività o lo scopo biologico dell’enzima.

Gli annunci sull’IA in biologia spesso confondono tre risultati distinti: generare un’ipotesi, convalidare una caratteristica osservabile e dimostrare una funzione utile. Anthropic ha completato parti delle prime due fasi per ART.

La campagna computazionale ha identificato l’organizzazione genomica e proposto che rappresenti un sistema. Gli scienziati umani hanno quindi verificato se gli array di ripetizioni fossero espressi. Hanno rilevato distinti prodotti di RNA corti, a sostegno dell’idea che l’array partecipi a un processo biologico attivo.

Questa convalida conta. Le banche dati genomiche contengono errori di sequenziamento, assemblaggi incompleti e schemi privi di importanza funzionale. L’osservazione dell’espressione di RNA rende più difficile liquidare ART come un artefatto computazionale.

Tuttavia, la sola trascrizione non spiega il sistema. Le regioni del DNA possono produrre RNA senza controllare un enzima programmabile. I ricercatori devono ancora stabilire se la trascrittasi inversa ART copi quegli RNA, se partecipi la proteina partner e quale risultato biologico ne derivi.

Il lavoro attuale manca inoltre di una replica indipendente. Anthropic ha pubblicato un rapporto tecnico anziché un articolo di rivista sottoposto a revisione paritaria. I ricercatori esterni possono esaminarne i metodi, ma un altro laboratorio non ha riprodotto pubblicamente le osservazioni biochimiche.

L’azienda merita credito per aver documentato risultati sfavorevoli. Le dieci ripetizioni fallite e i punteggi più deboli nei benchmark basati su file complicano il suo linguaggio di marketing, eppure compaiono nel rapporto.

Queste divulgazioni consentono ai lettori di distinguere tre affermazioni.

Primo, Claude ha individuato uno schema genomico trascurato durante una campagna non supervisionata. I registri e i metodi disponibili supportano questo resoconto.

Secondo, ART è un sistema precedentemente non caratterizzato i cui array di ripetizioni producono RNA corti. Gli esperimenti di Anthropic supportano questa conclusione, fatta salva la replica esterna.

Terzo, ART è paragonabile a CRISPR come piattaforma programmabile di editing genetico. Le prove attuali non supportano questa conclusione.

La stessa Anthropic usa un linguaggio più cauto rispetto ad alcuni riepiloghi. Descrive proprietà “che ricordano CRISPR” e afferma che il sistema potrebbe implicare qualcosa di analogo. Dichiara inoltre che la funzione primaria di ART resta sconosciuta.

Il divario tra la seconda e la terza affermazione potrebbe richiedere un lavoro considerevole per essere colmato. I ricercatori devono purificare o esprimere le proteine pertinenti, identificare i substrati molecolari, misurare l’attività e verificare se la modifica delle sequenze spacer cambi un bersaglio.

Devono inoltre stabilire il ruolo naturale di ART. Poiché il sistema sembra comparire principalmente nei batteriofagi, potrebbe aiutare i virus a copiare informazioni genetiche, eludere le difese batteriche, manipolare le cellule ospiti o competere con altri fagi. Ogni possibilità implica un diverso programma sperimentale.

Sicurezza e governance saranno importanti se il sistema diventerà programmabile. Anthropic afferma che il suo laboratorio non lavora con patogeni capaci di infettare gli esseri umani. Gli esperimenti attuali restano molto lontani da un’applicazione clinica o di editing genetico ad alto rischio.

L’azienda sta inoltre esplorando modi perché gli agenti IA operino strumenti scientifici. La sua anteprima dello standard hardware descrive un’interfaccia comune per microscopi, manipolatori di liquidi, bracci robotici e altri dispositivi programmabili.

ART non è emerso da un laboratorio completamente robotico. Claude ha condotto la ricerca nelle banche dati e assistito nell’analisi, mentre gli scienziati umani hanno svolto il lavoro wet lab. Questa separazione è importante perché limita sia l’affermazione sull’autonomia sia il rischio fisico immediato.

Combinare analisi agentiche ed esperimenti automatizzati creerebbe un ciclo di scoperta più completo. Un sistema IA potrebbe proporre candidati, ordinare test, esaminare i risultati e rivedere le proprie ipotesi. Creerebbe anche ulteriori modalità di fallimento legate al controllo degli strumenti, alla contaminazione, alla progettazione sperimentale e a obiettivi non sicuri.

Anthropic ha già osservato che Claude può avere difficoltà con i vincoli fisici. In un test di automazione di laboratorio, il modello ha ritentato un’operazione di manipolazione dei liquidi quando le bolle hanno causato errori, peggiorando il problema. La guida umana lo ha aiutato a riconoscere la causa fisica e ad adeguare il proprio comportamento.

Questo esempio coglie il limite centrale dell’attuale scienza dell’IA. I modelli possono ragionare su enormi quantità di informazioni simboliche, ma non possiedono l’intuizione fisica accumulata di uno scienziato. Un wet lab mette in luce errori che sembrano plausibili nel testo o nel codice.

ART è quindi un utile primo banco di prova proprio perché il risultato resta incompleto. L’IA ha generato una pista promettente. Gli esperimenti umani hanno stabilito che una parte di quella pista era reale. Nessuna delle due parti ha ancora spiegato la biologia.

Cosa dovrebbero osservare ora gli scienziati e i costruttori di IA

Tre segnali determineranno se ART diventerà una scoperta importante o rimarrà una istruttiva pista generata dall’IA.

Il primo segnale è la convalida funzionale. I ricercatori hanno bisogno di prove che la trascrittasi inversa o la sua proteina partner svolga una reazione misurabile che coinvolga gli RNA derivati dall’array.

Un esperimento convincente identificherebbe il substrato e il prodotto dell’enzima. Prove più forti mostrerebbero che modificare una ripetizione o uno spacer cambia il risultato molecolare in modo prevedibile.

Se ART si dimostrerà programmabile, il paragone con CRISPR acquisirà sostanza. Se i suoi RNA non saranno correlati all’attività dell’enzima, il paragone si indebolirà anche se il sistema resterà biologicamente interessante.

Il secondo segnale è la replica indipendente. Un altro laboratorio dovrebbe confermare i prodotti di RNA, ricostruire il sistema e testarne i componenti senza fare affidamento sul flusso di lavoro interno di Anthropic.

Risultati indipendenti separerebbero la biologia dalla dimostrazione del modello dell’azienda. L’incapacità di riprodurre le osservazioni imporrebbe un esame più ravvicinato delle condizioni sperimentali, della selezione delle sequenze e dell’analisi.

La revisione paritaria aiuterà, ma la sola pubblicazione non è la soglia decisiva. Esperimenti funzionali condotti da ricercatori con incentivi e attrezzature diversi avrebbero maggiore peso.

Il terzo segnale è la riproducibilità della campagna. Anthropic o un altro gruppo dovrebbe rieseguire il flusso di scoperta con salvaguardie che obblighino gli agenti a esaminare la sequenza grezza attorno ai loci promettenti.

I benchmark controllati suggeriscono già un intervento diretto. Quando Claude legge il DNA pertinente, di solito riconosce le ripetizioni. Un sistema di valutazione migliore dovrebbe rendere sistematica tale ispezione senza trasformare il flusso di lavoro in uno script progettato specificamente per trovare ART.

I ricercatori dovrebbero riportare il successo su più esecuzioni, non solo la migliore trascrizione. Dovrebbero inoltre divulgare quanti candidati hanno richiesto revisione umana, quanta capacità di calcolo ha usato ciascuna campagna e quali decisioni automatizzate hanno modificato il risultato finale.

Se un sistema rivisto trova ART nella maggior parte delle esecuzioni comparabili, il risultato iniziale di uno su undici apparirà come una prima limitazione ingegneristica. Se il successo resterà raro, la scoperta autonoma continuerà ad assomigliare più a un’esplorazione opportunistica che a un’infrastruttura scientifica affidabile.

Questo non rende priva di valore l’osservazione originale. Anche la scienza umana dipende dal caso, da un’attenzione insolita e da ricercatori che seguono segnali deboli. Il valore dell’IA potrebbe derivare in parte dal creare più opportunità per momenti simili.

La questione economica è se tali opportunità giustifichino il costo di selezionare il loro output. La campagna di Anthropic ha prodotto migliaia di possibili associazioni e un insieme molto più ristretto di rapporti degni di lettura. Gli esperti umani hanno comunque dovuto valutare i candidati e condurre esperimenti.

Per gli scienziati attivi, la lezione immediata è più circoscritta di “l’IA può sostituire i ricercatori”. Gli agenti generalisti possono cercare nella letteratura, nei dati genomici e negli strumenti computazionali a una scala che una sola persona non può sostenere. Possono anche ignorare prove evidenti, a meno che i flussi di lavoro conservino i dati grezzi e richiedano un’ispezione adeguata.

Per i costruttori di IA, ART offre un parametro di riferimento migliore di una prosa scientifica rifinita. Un agente può esplorare uno spazio di ricerca aperto, preservare le prove, riconoscere un’anomalia, mettere in discussione la sua prima spiegazione e riprodurre in seguito il percorso?

Per i team aziendali e del lavoro della conoscenza, si applica lo stesso principio progettuale. La qualità degli agenti dipende dall’accesso ai record originali, da decisioni tracciabili e da un recupero ripetibile. Una utile base di conoscenza ricercabile dovrebbe aiutare le persone a verificare come è emersa una risposta, non limitarsi a presentare una conclusione sicura di sé.

La scoperta dell’enzima Claude di Anthropic ha già superato una soglia significativa. Claude ha notato una struttura genomica che i ricercatori non avevano caratterizzato e ha indirizzato l’attenzione umana verso di essa.

Non ha superato le soglie più difficili della scoperta ripetibile, della convalida indipendente o della funzione dimostrata di editing genetico. Queste sono ora le misure che contano.

Osservate gli esperimenti, non l’analogia. Se ART si dimostrerà programmabile e altri laboratori lo riprodurranno, Anthropic avrà un forte esempio di IA che avvia una scoperta biologica rilevante. Se la funzione resterà sfuggente, il progetto rivelerà comunque qualcosa di utile: l’IA può generare piste scientifiche, ma la scienza affidabile inizia quando tali piste sopravvivono al contatto ripetuto con le prove.