Modelli AI superano i virologi in laboratorio | OpenAI Playground | ChatGPT login | Chat AI | Turtles AI

Un recente studio internazionale rivela che modelli AI come o3 di OpenAI e Gemini 2.5 Pro gestiscono procedure di laboratorio umido meglio di virologi con PhD, evidenziando benefici per la ricerca, potenziali rischi di misuso, biosecurity e regolazioni future necessarie. 

Punti chiave:

• Modelli AI come o3 di OpenAI (43,8%) e Gemini 2.5 Pro (37,6%) superano i virologi con dottorato (22,1%) nei test di troubleshooting in laboratorio umido.
• Il test è stato ideato dal Center for AI Safety, MIT Media Lab, UFABC e SecureBio, con domande non reperibili in letteratura accademica.
• Esperti come Dan Hendrycks e Tom Inglesby chiedono audit pre-rilascio, accesso differenziato e norme obbligatorie per le versioni non filtrate.
• Tecniche di “unlearning” come CUT mirano a estirpare conoscenze pericolose dalle AI senza comprometterne le prestazioni.

Lo studio congiunto del Center for AI Safety, del MIT Media Lab, dell’università brasiliana UFABC e di SecureBio ha sottoposto modelli di linguaggio come o3 di OpenAI e Google Gemini 2.5 Pro a un test di troubleshooting in laboratorio umido, costruito in collaborazione con virologi esperti per ricreare scenari di coltura virale e protocolli complessi non descritti in letteratura accademica. Mentre i ricercatori dotati di dottorato hanno raggiunto in media il 22,1% di risposte corrette, o3 ha ottenuto il 43,8% e Gemini 2.5 Pro il 37,6%, con miglioramenti significativi rispetto alle versioni precedenti dei modelli e un progresso evidente sia per Claude 3.5 Sonnet di Anthropic che per un’anteprima di GPT-4.5, a testimonianza di un’accumulazione rapida di competenze pratiche. I risultati hanno spinto aziende come xAI a implementare framework di gestione del rischio per la sicurezza virologica e OpenAI a condurre campagne di red-teaming per bloccare il 98,7% delle conversazioni potenzialmente dannose, mentre Anthropic ha aggiornato la documentazione sulle performance senza dettagli di mitigazione specifici e Google si è astenuta dal commentare. Esperti come Dan Hendrycks del Center for AI Safety e Tom Inglesby del Johns Hopkins Center for Health Security sollecitano regole di accesso differenziato, audit pre-rilascio e standard normativi obbligatori per valutare le versioni non filtrate, sostenendo che misure di autorità terze possano garantire un equilibrio tra utilità scientifica e prevenzione degli abusi. Parallelamente, emergono strategie di «unlearning» come CUT, sviluppate da Scale AI e dal Center for AI Safety per rimuovere conoscenze pericolose senza intaccare le funzionalità generali, e analisi accademiche che distinguono i rischi tra large language model e strumenti di design biologico, suggerendo interventi multilivello quali valutazioni indipendenti, accesso controllato e screening universale dei materiali genetici per una governance efficace.

In un contesto in cui le difese biosecurity e le politiche normative faticano a stare al passo, la maturazione di queste tecnologie impone un’attenzione costante.