La corsa alla longevità passa dallo spazio. Una startup aerospaziale britannica ha appena messo in orbita un laboratorio pensato per studiare le proteine responsabili di malattie legate all’invecchiamento — Alzheimer, certi tipi di cancro — e per trasmettere a terra dati con cui addestrare modelli di intelligenza artificiale. Non è il solito payload scientifico: l’obiettivo dichiarato è costruire previsioni sulla struttura e sul comportamento di quelle proteine, un passo necessario per identificare nuovi bersagli farmacologici.

Il punto non è tanto la presenza di un AI in orbita — il calcolo pesante avviene a terra — quanto il tipo di dati che il laboratorio può generare. In microgravità, la cristallizzazione delle proteine avviene in modo più ordinato che sulla Terra, producendo strutture tridimensionali più nitide e leggibili. Per un modello predittivo, la qualità del dato di addestramento conta quanto l’architettura del modello. E qui si apre uno scenario interessante per chi si occupa di deployment dell’AI in ambito life science.

Le aziende farmaceutiche e biotech che investono in modelli predittivi per il drug discovery si trovano di fronte a un bivio: cloud o infrastruttura on-premise. I dati proteomici ad alta risoluzione sono un asset strategico, spesso coperto da vincoli di proprietà intellettuale e, quando incrociati con dati paziente, da normative come il GDPR. Non è un dettaglio: un training su cloud pubblico può esporre a rischi di conformità e a costi di uscita difficili da prevedere. Sempre più realtà stanno valutando cluster locali con GPU ad alta memoria — tipicamente NVIDIA A100 o H100 — per mantenere il controllo sui flussi di dati e sui checkpoint dei modelli.

L’iniziativa della startup britannica, pur non dichiarando la propria stack di calcolo, si inserisce in una tendenza più ampia: la frontiera della ricerca biologica richiede training sempre più specializzati, con dataset che arrivano da ambienti estremi — spazio, fondali oceanici, camere bianche. E ogni nuovo flusso di dati ripropone la domanda su dove e come addestrare i modelli. Non è solo una questione di prestazioni grezze; è una partita che tocca sovranità dei dati, prevedibilità del TCO e replicabilità degli esperimenti. Per questo, anche una notizia che sembra parlare solo di spazio racconta in controluce l’evoluzione dell’infrastruttura AI.