Intelligenza Artificiale Tutto su AI e machine learning
Google DeepMind e Isomorphic Labs hanno pubblicato il loro approccio condiviso alla bioresilienza, cioè la capacità di una società di prevenire, individuare e contenere le minacce biologiche con l’aiuto dell’intelligenza artificiale. L’annuncio, arrivato il 16 luglio 2026 sul blog ufficiale del laboratorio britannico, mette nero su bianco una strategia che finora era rimasta frammentata tra ricerca scientifica, protocolli di sicurezza interni e collaborazioni riservate con enti governativi. Il messaggio di fondo è che i modelli di frontiera sono contemporaneamente un rischio da governare e lo strumento più promettente per rispondere alle epidemie del futuro, e che le due cose vanno affrontate insieme e non in sequenza.
Non si tratta di un modello nuovo né di un prodotto che puoi provare da domani. È qualcosa di diverso e, per certi versi, più significativo: la fotografia di come un laboratorio di frontiera sta organizzando la parte meno visibile del proprio lavoro, quella che riguarda il doppio uso delle sue tecnologie. In dodici mesi Google DeepMind dichiara di aver portato avanti oltre quindici collaborazioni con enti governativi, organizzazioni di biosicurezza e gruppi di ricerca. Vale la pena capire cosa contiene davvero questo piano e perché tocca da vicino chiunque segua l’evoluzione dell’intelligenza artificiale applicata alla scienza.
Che cosa intende Google DeepMind per bioresilienza
Il punto di partenza dichiarato è che il panorama globale della biosicurezza sta cambiando in fretta. Gli ecosistemi naturali si spostano, i viaggi internazionali moltiplicano le occasioni di contagio e alle minacce tradizionali si aggiunge la possibilità che qualcuno provi a usare i modelli avanzati per scopi ostili. Di fronte a questo scenario la risposta di Google DeepMind e Isomorphic Labs non è la ritirata, ma un lavoro che gli autori definiscono duplice: impedire che soggetti malintenzionati abusino dei modelli e, allo stesso tempo, mettere quelle stesse tecnologie nelle mani di governi, scienziati ed esperti di biosicurezza perché costruiscano difese migliori.
La differenza rispetto al passato è nell’atteggiamento. Per decenni la sanità pubblica ha lavorato in modo reattivo: un patogeno emerge, i laboratori lo sequenziano, l’industria farmaceutica prova a rincorrerlo. Strumenti come AlphaFold, che ha mappato la struttura tridimensionale di quasi tutte le proteine conosciute, hanno cambiato le proporzioni del problema, perché una parte enorme del lavoro sperimentale può oggi essere anticipata al computer. Se vuoi capire come si è arrivati fin qui, il nostro approfondimento su AlphaFold 3 e la rivoluzione nella biologia molecolare ricostruisce i passaggi tecnici che hanno reso possibile questo salto.
Accanto ad AlphaFold il documento cita altri due pilastri. Il primo è AlphaGenome, il sistema che aiuta a interpretare la funzione del genoma e quindi a dare un senso alle sequenze osservate. Il secondo è IsoDDE, il motore di progettazione di farmaci sviluppato da Isomorphic Labs, la società del gruppo Alphabet nata proprio come costola di DeepMind per portare l’intelligenza artificiale dentro la scoperta di nuove molecole. Secondo l’annuncio, la combinazione di questi sistemi sposta in modo radicale l’equilibrio, perché consente ai ricercatori di progettare difese in anticipo invece di limitarsi a reagire.
Tre aree di intervento: prevenire, rilevare, rispondere
La struttura del programma è ordinata attorno a tre verbi. I modelli e gli agenti vengono resi disponibili a partner selezionati per sostenere il lavoro su prevenzione, rilevamento e risposta. È uno schema che chi si occupa di sicurezza informatica riconoscerà immediatamente, perché ricalca la logica con cui si difende un’infrastruttura digitale, applicata però a un dominio in cui gli errori si pagano in vite umane e non in dati compromessi.
Prevenire: valutazioni, mitigazioni e il tentativo di portare SynthID nel DNA
Sul fronte della prevenzione, Google DeepMind descrive un processo di sicurezza articolato in quattro passaggi: modellazione delle minacce, valutazioni, mitigazioni e monitoraggio. In pratica il laboratorio prova prima a immaginare in che modo un modello come Gemini potrebbe essere sfruttato per fini pericolosi, poi lo sottopone a test mirati su quegli scenari, quindi introduce contromisure e infine tiene sotto osservazione il comportamento del sistema una volta rilasciato. A questo lavoro partecipano biologi interni, esperti di sicurezza e partner esterni, perché nessuno di questi profili da solo ha il quadro completo.
L’elemento più interessante di questa sezione è però un altro. Google DeepMind sta lavorando per adattare alla biologia la tecnologia di watermarking SynthID, nata per marcare in modo invisibile immagini, audio e testi generati dall’intelligenza artificiale. L’idea è che i fornitori di sintesi del DNA, cioè le aziende che ricevono ordini di sequenze genetiche e le producono in laboratorio, possano usare un meccanismo analogo per riconoscere sequenze biologiche generate da un modello e potenzialmente rischiose. È un’intuizione elegante, perché sposta il controllo su un punto di passaggio obbligato della filiera: puoi progettare al computer quello che vuoi, ma prima o poi qualcuno deve trasformarlo in materia.
Va detto con onestà che si tratta di un lavoro in corso, non di una soluzione già operativa, e che i limiti sono evidenti. Un filtro di questo tipo funziona solo se i fornitori lo adottano su scala e se chi progetta una sequenza pericolosa passa davvero da un modello marcato. Resta il fatto che è uno dei primi tentativi concreti di estendere alla biosicurezza un’infrastruttura tecnica pensata per la provenienza dei contenuti digitali.
Rilevare: sorveglianza dei patogeni più rapida e meno costosa
La seconda area riguarda la capacità di accorgersi che qualcosa sta succedendo. Qui l’annuncio porta un esempio molto concreto: l’agente AlphaEvolve, che Google DeepMind aveva presentato come sistema capace di scoprire e ottimizzare algoritmi, viene usato per migliorare gli algoritmi impiegati nella produzione e nell’analisi dei dati di sequenziamento metagenomico. Tradotto in termini pratici, il sequenziamento metagenomico consiste nell’analizzare tutto il materiale genetico presente in un campione ambientale o clinico senza sapere in anticipo cosa si sta cercando, ed è uno degli strumenti più potenti per intercettare un patogeno sconosciuto.
Il collo di bottiglia di questa tecnica non è mai stato scientifico, ma economico. Analizzare quantità enormi di sequenze costa, e il costo determina quanti campioni un sistema sanitario può permettersi di esaminare. Rendendo più efficienti gli algoritmi che macinano quei dati, l’analisi diventa più rapida e più accurata, e di conseguenza tracciare le malattie su scala globale diventa più economico. È un miglioramento poco spettacolare da raccontare ma potenzialmente decisivo, perché la differenza tra una epidemia contenuta e una fuori controllo si misura spesso in giorni.
Sul fronte del rilevamento il laboratorio sta inoltre esplorando l’uso di AlphaGenome e degli strumenti di annotazione della funzione delle proteine per caratterizzare i patogeni a partire dai dati di sequenza, individuando schemi inediti e minacce emergenti più in fretta di quanto consentano i metodi tradizionali. È lo stesso principio che sta trasformando molte discipline sperimentali, e che abbiamo analizzato nel pezzo su come l’intelligenza artificiale accelera le scoperte nei laboratori.
Rispondere: vaccini, contromisure e un’unità dedicata in Isomorphic Labs
La terza gamba del programma riguarda cosa succede quando la minaccia è già arrivata. Costruendo sull’impatto scientifico di AlphaFold, Google DeepMind sta dando a ricercatori selezionati l’accesso ai propri sistemi più recenti per accelerare la progettazione di vaccini e altre contromisure, sia contro minacce già note sia contro agenti mai visti prima. È la naturale prosecuzione di una traiettoria che il laboratorio segue da anni, e che passa anche dalla progettazione mirata di proteine terapeutiche, il terreno di AlphaProteo.
La novità organizzativa più rilevante arriva però da Isomorphic Labs, che ha creato un’unità dedicata a mettere rapidamente il proprio motore di progettazione farmacologica al servizio di enti governativi e organizzazioni non profit durante focolai inattesi. L’obiettivo dichiarato è coprire sia le pandemie di origine naturale sia i rischi che potrebbero derivare da un uso improprio dell’intelligenza artificiale avanzata. È un dettaglio che merita attenzione, perché significa dotarsi di una capacità di intervento rapida e già strutturata invece di improvvisare le collaborazioni quando l’emergenza è in corso, che è esattamente il modo in cui il mondo si è mosso nel 2020.
Tra i partner citati nelle ricostruzioni giornalistiche di questa iniziativa compaiono realtà come il Lawrence Livermore National Laboratory, l’AI Security Institute britannico, la coalizione CEPI e il Francis Crick Institute. Sono nomi che dicono molto sul posizionamento del progetto: non un’operazione di immagine, ma un tentativo di inserirsi nelle strutture che già oggi governano la preparazione alle pandemie.
Perché questo annuncio conta più di quanto sembri
La bioresilienza rientra, come specificato nel documento, nel più ampio lavoro di Google DeepMind sui rischi chimici, biologici, radiologici e nucleari, quelli che nel gergo del settore vengono raccolti sotto la sigla CBRN, e si allinea alle mitigazioni proattive e ai protocolli di valutazione del Frontier Safety Framework, il quadro con cui il laboratorio classifica e gestisce le capacità pericolose dei propri modelli. Questo colloca l’iniziativa dentro un discorso più grande, quello sulle regole che i laboratori di frontiera si danno e su chi dovrebbe verificarle, un tema su cui lo stesso Demis Hassabis è intervenuto di recente proponendo un organismo di standard per l’AI di frontiera.
C’è poi una ragione più concreta per cui questa notizia merita spazio. Nel dibattito pubblico il rischio biologico legato all’intelligenza artificiale viene spesso trattato in due modi opposti e altrettanto poco utili: come una fantasia da film catastrofico oppure come un pretesto per chiedere regole che frenino la concorrenza. Quello che manca quasi sempre è il livello intermedio, cioè la descrizione operativa di cosa un laboratorio fa davvero per ridurre quel rischio. Un documento che elenca processi, tecnologie e partner sposta la discussione su un terreno verificabile, dove le affermazioni possono essere messe alla prova.
Restano ovviamente le domande aperte. L’annuncio non quantifica gli investimenti, non specifica quali modelli vengano condivisi e con quali garanzie, non chiarisce chi decide cosa significa esattamente partner fidato. Sono lacune importanti, perché la credibilità di un programma di questo tipo si gioca proprio sui criteri di accesso: allargare troppo la platea aumenta la superficie di rischio, restringerla troppo svuota di senso la promessa di rendere queste tecnologie disponibili a chi difende la salute pubblica. Come scrivono gli stessi autori, si tratta di uno sforzo complesso e di lungo periodo, e sarà il modo in cui verrà attuato a dire se funziona.
Cosa cambia per chi lavora con l’intelligenza artificiale
Se ti occupi di tecnologia, comunicazione o sanità, da questo annuncio puoi portare a casa tre indicazioni pratiche. La prima è che il tema della provenienza dei contenuti generati, che conosci probabilmente per immagini e testi, sta uscendo dal perimetro digitale e sta arrivando in ambiti dove le conseguenze sono fisiche: il tentativo di adattare SynthID alle sequenze biologiche è il segnale più chiaro in questo senso. La seconda è che l’ottimizzazione algoritmica, cioè far costare meno le stesse analisi, sta diventando una leva di impatto quanto la creazione di modelli più grandi. La terza è che le collaborazioni tra laboratori privati e istituzioni pubbliche stanno diventando l’infrastruttura reale della governance dell’intelligenza artificiale, molto più delle dichiarazioni di principio.
Vale anche la pena notare il contesto competitivo. Nelle stesse settimane altri laboratori hanno spinto sul rapporto tra modelli avanzati e scienze della vita, con programmi di bug bounty dedicati ai rischi biologici e benchmark specifici per valutare le capacità dei modelli in biologia. La biosicurezza, insomma, è diventata un terreno su cui i grandi nomi del settore vogliono essere visti mentre fanno la cosa giusta, il che è positivo se produce risultati misurabili e meno positivo se resta un esercizio di posizionamento.
Conclusioni
L’approccio alla bioresilienza presentato da Google DeepMind e Isomorphic Labs è uno dei documenti più concreti pubblicati finora su come un laboratorio di frontiera intende gestire il doppio uso dei propri sistemi in ambito biologico. Non risolve il problema e non pretende di farlo, ma sposta la conversazione dalla teoria alla pratica, elencando processi verificabili e collaborazioni con istituzioni che nel campo della preparazione alle pandemie hanno una storia e una reputazione. In un settore dove gli annunci si misurano quasi sempre in parametri e benchmark, un piano che parla di sorveglianza dei patogeni e di progettazione di contromisure è un promemoria utile su quale sia la posta in gioco reale.
Se vuoi restare aggiornato su come l’intelligenza artificiale sta cambiando la ricerca scientifica e la sanità, continua a seguire i nostri approfondimenti: nei prossimi mesi vedremo se questo programma produrrà risultati concreti oppure resterà una dichiarazione di intenti, e sarà una delle storie più importanti da raccontare. Puoi leggere il documento originale sul blog ufficiale di Google DeepMind e farti un’idea diretta di come il laboratorio ha scelto di presentare il proprio lavoro.
