L’alchimia algoritmica di EPFL e la nuova guerra silenziosa della chimica computazionale
Per decenni la chimica organica è stata un territorio governato da una forma di aristocrazia cognitiva quasi medievale. I grandi sintetisti non erano semplicemente scienziati; erano custodi di intuizioni tramandate nei laboratori, nei quaderni sporchi di solvente, nelle discussioni notturne davanti a una colonna cromatografica che si rifiutava di funzionare. La sintesi molecolare non è mai stata una semplice questione di collegare atomi. Sarebbe troppo facile, troppo elegante, troppo “Silicon Valley compatible”. Il vero problema è capire l’ordine delle reazioni, intuire quali gruppi funzionali proteggeranno una molecola dall’autodistruzione, prevedere i vicoli ciechi sintetici prima che divorino sei mesi di ricerca e un budget da venture capital travestito da grant universitario.
Ora arriva EPFL con un’idea che sembra quasi banale nella sua semplicità, ed è esattamente per questo che potrebbe essere pericolosamente importante. Il framework chiamato Synthegy, pubblicato sulla rivista Matter dal gruppo guidato da Philippe Schwaller, non chiede all’intelligenza artificiale di inventare nuove molecole. Chiede qualcosa di molto più sottile: ragionare come un chimico esperto.
La differenza sembra semantica, ma in realtà è strategica. Negli ultimi anni il settore AI applicato alla chimica è stato dominato da una narrativa quasi hollywoodiana: “l’algoritmo che scopre farmaci”, “la rete neurale che cura il cancro”, “l’AI che sostituirà il laboratorio”. Titoli perfetti per raccogliere capitali, meno per descrivere la realtà. La maggior parte di questi sistemi genera strutture molecolari con l’entusiasmo caotico di un adolescente davanti a Midjourney. Producono candidati interessanti, certo, ma spesso impossibili da sintetizzare nel mondo reale. Un po’ come progettare un grattacielo sospeso nel vuoto senza chiedersi dove siano le fondamenta.
Synthegy ribalta il paradigma. Il software di retrosintesi tradizionale continua a fare il lavoro sporco: scomporre una molecola target in precursori sempre più semplici, generando decine o centinaia di possibili percorsi sintetici. Poi interviene il language model. Non come oracolo creativo, ma come supervisore strategico. Il modello legge le rotte sintetiche convertite in testo e valuta quali rispettano meglio le intenzioni del chimico umano. Una specie di direttore tecnico digitale, meno romantico di un Nobel in chimica organica, ma forse più scalabile.
La cosa affascinante è che il sistema parte da istruzioni in linguaggio naturale. “Formare l’anello pirimidinico nelle fasi iniziali.” Una frase apparentemente semplice, che però contiene anni di esperienza implicita. È qui che i grandi modelli linguistici diventano interessanti: non perché comprendano davvero la chimica nel senso umano del termine, ma perché riescono a catturare pattern decisionali complessi emergenti dal linguaggio tecnico.
Il dettaglio più ironico dell’intera storia è che probabilmente la chimica computazionale sta scoprendo qualcosa che il settore software aveva dimenticato: gli esseri umani non vogliono necessariamente automazione totale; vogliono strumenti che amplifichino il giudizio esperto. Silicon Valley continua a vendere la fantasia della sostituzione integrale del lavoro cognitivo, mentre molti dei sistemi AI realmente utili stanno emergendo come amplificatori decisionali. Un assistente strategico, non un dittatore statistico.
I numeri dello studio meritano attenzione. Trentasei chimici indipendenti hanno confrontato 368 coppie di rotte sintetiche in uno studio double blind. Le preferenze umane coincidevano con quelle di Synthegy nel 71,2% dei casi. In altre parole, il sistema raggiunge un livello di accordo simile a quello tra chimici esperti reali. Ancora più interessante, i professori e i senior researcher concordavano con l’AI più spesso degli studenti PhD. Questo suggerisce qualcosa di quasi inquietante: il modello potrebbe stare assorbendo non semplicemente regole chimiche, ma vere intuizioni strategiche maturate con l’esperienza.
Nel capitalismo contemporaneo esiste un’ossessione patologica per la “democratizzazione”. Democratizzare il coding, democratizzare il design, democratizzare l’investimento. Ora anche la sintesi chimica rischia di entrare nello stesso vortice retorico. Tuttavia la realtà è più complessa. Sistemi come Synthegy non eliminano il bisogno di esperti; aumentano il leverage cognitivo degli esperti migliori. È una dinamica molto diversa. Più simile all’introduzione del CAD nell’ingegneria che all’automazione industriale classica.
La scelta dei modelli AI testati racconta un’altra storia parallela. GPT-4o, Claude, DeepSeek-R1 e Gemini 2.5 Pro sono stati confrontati nel benchmark. Gemini 2.5 Pro è risultato il migliore, mentre DeepSeek-R1 emerge come alternativa open source capace di girare localmente. Questo dettaglio è cruciale e probabilmente sottovalutato. La chimica industriale è un settore paranoico sulla proprietà intellettuale. Molte aziende farmaceutiche preferirebbero probabilmente bruciare i server piuttosto che inviare pipeline sintetiche sensibili a API cloud esterne.
La possibilità di eseguire questi sistemi localmente cambia il gioco geopolitico della ricerca chimica. Non è solo una questione tecnica. È sovranità industriale. Chi controlla i modelli che ottimizzano la sintesi controlla indirettamente la velocità di sviluppo di farmaci, materiali avanzati, semiconduttori e catalizzatori. Dietro l’apparente neutralità di un benchmark AI si intravede la stessa competizione strategica che domina oggi il mercato dei chip.
Un aspetto particolarmente interessante riguarda l’elucidazione dei meccanismi di reazione. Qui il sistema analizza i movimenti elettronici elementari che spiegano perché una reazione avviene. Per reazioni relativamente semplici, come le sostituzioni nucleofile, i modelli migliori hanno raggiunto accuratezza quasi perfetta. Questa parte potrebbe avere implicazioni enormi nella formazione scientifica. Immaginare studenti che discutono meccanismi con un modello linguistico avanzato non è fantascienza; è probabilmente il prossimo passo naturale.
Naturalmente i limiti esistono, e sono importanti. Gli LLM continuano a commettere errori sorprendentemente stupidi. Talvolta interpretano male la direzione di una reazione nella rappresentazione testuale e producono valutazioni assurde sulla fattibilità sintetica. I modelli piccoli funzionano poco meglio del caso. Rotte superiori a venti step diventano difficili da seguire coerentemente. In pratica, la memoria contestuale rimane un collo di bottiglia serio.
Qui emerge il paradosso dell’intelligenza artificiale contemporanea. I sistemi sembrano straordinariamente intelligenti finché rimangono entro una finestra contestuale relativamente compatta; appena la complessità temporale aumenta, riaffiora una fragilità quasi infantile. Un po’ come certi executive della tecnologia che parlano di AGI durante una keynote e poi dimenticano la password del Wi-Fi aziendale.
Il costo operativo è sorprendentemente basso. Sessanta rotte sintetiche valutate in circa dodici minuti per due o tre dollari di API fee. Questo significa che il collo di bottiglia economico si sta rapidamente spostando dal calcolo alla validazione sperimentale. Storicamente, la chimica computazionale era limitata dalla potenza di elaborazione. Ora il vero problema potrebbe diventare l’orchestrazione intelligente dell’esperimento fisico.
Questa trasformazione ricorda quanto accaduto nella finanza quantitativa negli anni Novanta. All’inizio i modelli matematici erano vantaggi competitivi quasi esoterici. Poi sono diventati commodity infrastrutturali. La differenza tra vincitori e perdenti si è spostata dall’algoritmo puro alla qualità dell’integrazione operativa, dei dati e del processo decisionale umano. La chimica AI-assisted sembra destinata a seguire una traiettoria simile.
Il codice e i benchmark di Synthegy sono pubblicamente disponibili su GitHub del progetto STEER. Anche questa apertura è significativa. L’open science convive ormai con una competizione industriale feroce, in un equilibrio quasi schizofrenico. Le università pubblicano framework sofisticati mentre le grandi aziende accumulano modelli proprietari e dataset sintetici come se fossero arsenali nucleari cognitivi.
Una frase dello studio colpisce più delle altre: “l’interfaccia utente conta molto”. Sembra un’osservazione banale, ma rivela un problema strutturale dell’AI scientifica. Molti strumenti falliscono non perché i modelli siano deboli, ma perché costringono gli scienziati ad adattarsi alla macchina invece del contrario. I grandi laboratori non adottano tecnologie solo perché funzionano; le adottano quando riducono attrito cognitivo.
In fondo, la vera innovazione di Synthegy potrebbe non essere chimica né linguistica. Potrebbe essere culturale. Trasformare il ragionamento sintetico in un dialogo naturale con una macchina. Ridurre la distanza tra intuizione umana e computazione algoritmica. Una convergenza che sembra inevitabile e che, inevitabilmente, verrà venduta da qualche startup con slide nere, font minimalista e la parola “agentic” ripetuta quaranta volte davanti a investitori insonni.
La chimica, disciplina lenta e materialmente ostinata, sta entrando nell’era dei modelli linguistici con prudenza quasi aristocratica. Forse è un bene. In un’industria tecnologica ossessionata dalla velocità, la capacità di dubitare rimane una delle ultime forme di intelligenza avanzata.