Il calcolo scientifico nell’era dell’IA agentica

Il calcolo scientifico è un pilastro fondamentale della ricerca moderna, sia accademica sia industriale. Eppure, il software necessario per analizzare le informazioni scientifiche ha faticato a tenere il passo con la rapida generazione di dati. Molti strumenti di ricerca ampiamente utilizzati sono nati come codice allegato a un articolo scientifico, sviluppato da piccoli team accademici con poca esperienza ingegneristica e pochissimo tempo da dedicare a pacchettizzazione, test, ottimizzazione o assistenza a lungo termine. Ne deriva un’infrastruttura scientifica che spesso dipende da flussi di lavoro lenti e fragili, bisognosi di manutenzione costante. Questi vincoli rallentano le scoperte.

Gli agenti di IA stanno iniziando a cambiare la situazione. Riducendo i costi del lavoro ingegneristico e assumendosi attività di implementazione ripetitive, possono aiutare i ricercatori a prototipare le idee più rapidamente, intraprendere progetti prima impraticabili e semplificare la manutenzione del software nel lungo periodo. Il software scientifico diventa così più efficiente e meglio mantenuto, lasciando ai ricercatori più tempo da dedicare alle scoperte.

Presentiamo un rapporto esplorativo sul campo relativo a otto progetti di calcolo scientifico assistiti da agenti, principalmente nelle scienze della vita: cinque hanno utilizzato solo Codex e tre una combinazione di Codex e Claude Code. Il rapporto riunisce casi di studio scritti dai team responsabili dei singoli progetti e individua temi ricorrenti. I progetti spaziano dalla manutenzione ordinaria e dall’ottimizzazione mirata a migrazioni di linguaggi di programmazione su larga scala e riprogettazioni native per GPU. Secondo gli autori dei contributi, gli agenti hanno accelerato sensibilmente lo sviluppo e la manutenzione del software, aiutando in alcuni casi piccoli team ad affrontare attività che altrimenti avrebbero richiesto molto più tempo o supporto ingegneristico specializzato. Sottolineano però anche la persistente difficoltà di stabilire responsabilità e gestione chiare e durature per gli strumenti prodotti.

Gli autori descrivono concordemente un cambiamento nel ruolo dei ricercatori, che passa dall’implementazione alla verifica e all’orchestrazione: specificare cosa realizzare, definire come misurarne la correttezza e decidere quando un progetto è pronto per il rilascio. In questo modello emergente, i ricercatori mantengono il controllo sull’indirizzo scientifico e sugli standard qualitativi, beneficiando però della maggiore velocità offerta dall’assistenza agentica.

Pur variando notevolmente per portata, i progetti hanno dimostrato che gli agenti di coding rendono la disponibilità di lavoro e competenze ingegneristiche un vincolo meno gravoso per il calcolo scientifico. Ora il collo di bottiglia è la convalida dei risultati prodotti da un agente di IA, che dipende ancora dal giudizio umano.

Nei diversi casi di studio, gli agenti hanno gestito efficacemente richieste specifiche e ben circoscritte, ma non erano in grado di stabilire con affidabilità se il loro lavoro fosse scientificamente valido o soddisfacesse le aspettative. Anzi, gli agenti si mostravano spesso sicuri anche quando il loro lavoro conteneva errori evidenti. I revisori umani hanno quindi dovuto trovare metodi affidabili per convalidare i risultati. Gli approcci più solidi ricorrevano a un riferimento esterno o a un obiettivo di accettazione misurabile, come l’esatta corrispondenza dei risultati, la parità con uno strumento esistente, un comportamento statistico adeguato o risposte stabilite in anticipo mediante dati simulati.

Un altro tema ricorrente è che i progetti procedevano generalmente per fasi, attraverso iterazioni guidate dal feedback, anziché con approcci one-shot. Gli autori hanno suddiviso gli obiettivi generali in modifiche più piccole, utilizzando poi benchmark intermedi e sistemi di test per valutare e perfezionare il lavoro degli agenti. Gli agenti spesso producevano rapidamente le implementazioni iniziali, ma la risoluzione dei casi limite e delle sottili differenze numeriche richiedeva molto più tempo. Completare "l’ultimo miglio" di un’implementazione era spesso la parte più impegnativa.

Nel complesso, questi casi di studio suggeriscono che gli agenti consentono ai ricercatori di dedicare meno tempo all’implementazione e più tempo alla direzione del lavoro scientifico. Le persone definiscono l’obiettivo, suddividono i progetti complessi in parti gestibili e valutano se i risultati siano scientificamente validi. Attenuando vincoli ingegneristici di lunga data, gli agenti ampliano ciò che i ricercatori possono realizzare e permettono loro di concentrarsi sulle domande e sulle decisioni scientifiche più importanti.

Le carenze nella manutenzione del software di ricerca rallentano da tempo le iterazioni e ne limitano riproducibilità e affidabilità. Studi pubblicati sul "codice di ricerca⁠(si apre in una nuova finestra)" e sugli strumenti omici⁠(si apre in una nuova finestra) hanno rilevato che spesso il software pubblicato non si installa correttamente in un nuovo ambiente informatico o non funziona come documentato, costringendo i ricercatori a dedicare molto tempo alla configurazione e al debug. Anche i miglioramenti ordinari possono far risparmiare tempo ai ricercatori e ridurre le risorse di calcolo richieste, mentre il refactoring e le riscritture orientati alle prestazioni possono offrire vantaggi maggiori.

Tuttavia, costi di implementazione inferiori facilitano anche la produzione di molte riscritture simili, frammentando la base utenti e disperdendo l’attenzione degli esperti necessaria a mantenere affidabile ogni singolo strumento. Per questo la gestione e l’attribuzione a lungo termine sono essenziali. Il software scientifico maturo racchiude convenzioni non documentate, requisiti di compatibilità e fiducia degli utenti che la sola traduzione del codice sorgente non può riprodurre.

I casi di studio illustrano diversi possibili percorsi futuri. Le modifiche a MHCflurry e cyvcf2 sono state integrate nei rispettivi progetti upstream originali, mentre rustar-aligner è passato sotto la gestione di una nuova comunità perché il progetto originale era stato abbandonato. Quando è possibile coordinarsi con i manutentori esistenti, è opportuno farlo il prima possibile. Quando è necessaria un’implementazione separata, occorrono un responsabile chiaramente identificato e un piano di manutenzione credibile. In caso contrario, la moderna riscrittura di oggi può diventare il codice abbandonato di domani, anziché un’infrastruttura scientifica affidabile.

Questo rapporto sul campo è retrospettivo ed esplorativo, ma i casi di studio indicano un cambiamento concreto nel modo di sviluppare il software scientifico. Gli agenti di coding come Codex possono ridurre significativamente i costi di manutenzione, migrazione, ottimizzazione e nuove implementazioni. Il loro valore scientifico a lungo termine dipende comunque dalle decisioni umane su cosa realizzare, come verificarlo e chi se ne occuperà. Il cambiamento più profondo non consiste semplicemente nel permettere ai ricercatori di produrre più software, ma nel consentire loro di dedicare più energie a definire, convalidare e gestire gli strumenti.

Questi casi di studio dimostrano che gli agenti possono già accelerare il ritmo delle iterazioni nel calcolo scientifico. Con il miglioramento degli agenti di coding, i ricercatori potranno dedicare meno tempo a mantenere operative le pipeline di analisi e più tempo a far progredire i propri ambiti di ricerca.