L’AI conquista la matematica, ma il vero problema è chi controlla le scoperte
Dalle Olimpiadi a Navier-Stokes, l’AI accelera la ricerca e mette in crisi regole, paternità e revisione.
Per secoli, la matematica ha misurato il proprio progresso con un ritmo particolare: una congettura, anni di tentativi, una dimostrazione, poi mesi o decenni di controlli, seminari e riscritture. L’intelligenza artificiale sta comprimendo questa sequenza. Non si limita più a eseguire calcoli o a suggerire passaggi: può esplorare migliaia di strategie, combinare risultati lontani e produrre intere dimostrazioni, talvolta accompagnate da una verifica formale.
La trasformazione è diventata evidente nel 2026, quando OpenAI ha annunciato una serie di risultati su problemi aperti e ha dichiarato di aver risolto il problema di esistenza e regolarità delle equazioni di Navier-Stokes. Il risultato, ricostruito insieme alle successive controversie da The Verge, non ha prodotto soltanto entusiasmo: ha aperto un conflitto sulla paternità delle idee, sull’uso dei dati, sui tempi della comunicazione scientifica e sul potere che i laboratori privati stanno acquisendo nella produzione della conoscenza.
Dalle gare scolastiche ai problemi di ricerca
Il salto di qualità è stato rapidissimo. Nel 2024 AlphaProof e AlphaGeometry 2 di Google DeepMind raggiunsero un punteggio equivalente a una medaglia d’argento alle Olimpiadi internazionali della matematica. Nel luglio 2025 una versione avanzata di Gemini Deep Think ottenne invece 35 punti su 42, fascia da medaglia d’oro, risolvendo cinque dei sei problemi entro il tempo previsto dalla competizione. Le soluzioni furono valutate dagli organizzatori dell’IMO, come spiegato nell’annuncio ufficiale di Google DeepMind.
Superare una gara, però, non equivale a fare ricerca. I problemi olimpici sono progettati per avere una soluzione accessibile con strumenti noti, mentre un problema aperto può richiedere nuova teoria, una ricostruzione della letteratura e la capacità di riconoscere se una strada apparentemente promettente sia già fallita in passato.
Anche questa frontiera si sta spostando. Nel febbraio 2026 Google DeepMind ha presentato Aletheia, un agente matematico capace di generare, verificare e correggere soluzioni. Secondo i dati pubblicati dall’azienda, il sistema ha partecipato alla valutazione di 700 problemi aperti legati alle congetture di Erdős e ha contribuito a risolverne alcuni. La stessa Google, tuttavia, ha evitato di classificare questi lavori come svolte epocali, distinguendo prudentemente tra risultati pubblicabili, avanzamenti maggiori e scoperte storiche.
| Fase | Risultato | Perché conta |
|---|---|---|
| 2024 | AlphaProof e AlphaGeometry 2 raggiungono il livello argento IMO | L’AI dimostra di poter costruire prove complesse in domini selezionati |
| 2025 | Gemini Deep Think raggiunge il livello oro IMO con 35/42 | Il ragionamento avviene in linguaggio naturale e nei tempi della gara |
| 2026 | Agenti AI affrontano centinaia di problemi di ricerca | Il confine si sposta dagli esercizi con soluzione nota alle domande aperte |
| 2026 | OpenAI rivendica oltre 100 risultati e una soluzione di Navier-Stokes | La capacità computazionale privata entra nel cuore della ricerca matematica |
Il caso Navier-Stokes e la forza dei sistemi multi-agente
Le equazioni di Navier-Stokes descrivono il movimento dei fluidi, dall’aria intorno a un’ala al sangue nei vasi. La domanda matematica fondamentale è se, partendo da condizioni regolari, le soluzioni tridimensionali rimangano sempre lisce oppure possano sviluppare in tempo finito una singolarità, cioè un punto in cui alcune quantità diventano illimitate.
L’8 settembre 2026 OpenAI ha pubblicato una proposta di soluzione secondo cui una singolarità può effettivamente formarsi. L’azienda afferma di aver coordinato circa 10.000 agenti AI simultanei. Nel solo lavoro su Navier-Stokes sarebbero stati prodotti 2,7 milioni di messaggi e circa 130 miliardi di token di output. Gli agenti avrebbero trovato la dimostrazione in 88 ore, seguite da altre 17 ore per la formalizzazione e la verifica in Lean.
La novità non riguarda soltanto la potenza del modello. Il sistema funziona come una comunità artificiale: gruppi distinti esplorano ipotesi diverse, condividono risultati intermedi e abbandonano le strade improduttive. È una versione industrializzata del confronto tra ricercatori, sostenuta però da una quantità di calcolo inaccessibile alla quasi totalità delle università.
Una proposta di soluzione non è ancora un Millennium Prize riconosciuto
Il Clay Mathematics Institute richiede la pubblicazione in una sede qualificata, almeno due anni di esame e l’accettazione generale della comunità matematica. La formalizzazione in Lean è una prova molto forte di coerenza, ma non sostituisce la valutazione scientifica del significato e della corretta formulazione del teorema.
Il punto è essenziale: OpenAI sostiene di avere risolto il problema, ma ciò non significa che il risultato sia già ufficialmente riconosciuto. Le regole del Clay Mathematics Institute impediscono una certificazione immediata. La revisione collettiva rimane indispensabile, anche perché un verificatore formale controlla ciò che è stato codificato: se definizioni, ipotesi o traduzione del problema non rappresentano esattamente la questione originaria, una prova può essere formalmente valida senza chiudere il problema che si voleva risolvere.
La corsa alla priorità ha trasformato la scoperta in una crisi
La vicenda si è complicata perché OpenAI ha iniziato il progetto dopo aver sentito voci su progressi ottenuti da altri ricercatori. Il matematico Tristan Buckmaster della New York University e Levent Alpöge, matematico impiegato da Anthropic, stavano lavorando su problemi strettamente collegati riguardanti le equazioni di Eulero, prive del termine di viscosità presente in Navier-Stokes.
Il Courant Institute della NYU ha descritto il loro risultato come un importante avanzamento: i ricercatori hanno costruito soluzioni delle equazioni tridimensionali di Eulero che, sotto l’azione di una forza regolare, perdono regolarità in tempo finito. Anche questi lavori sono stati ottenuti con l’assistenza di modelli linguistici e formalizzati attraverso Lean.
OpenAI ha dichiarato di non aver avuto accesso ai lavori non pubblici dei ricercatori e, dopo un’indagine interna, ha escluso che le loro conversazioni con Codex abbiano influenzato il modello. Ma il caso ha portato in primo piano questioni difficili: che cosa accade quando un laboratorio viene a conoscenza di una pista promettente e può investire immediatamente risorse computazionali enormi? Come si attribuisce il merito se l’AI combina letteratura pubblica, indicazioni umane e milioni di tentativi automatici? E quali garanzie hanno i ricercatori che affidano idee ancora riservate a strumenti commerciali?
Il rischio è che la priorità scientifica diventi una gara finanziaria. Un’università può aver bisogno di mesi per elaborare e controllare una prova; un’azienda può concentrare migliaia di agenti sullo stesso obiettivo in pochi giorni. In questo scenario, conoscere l’esistenza di un’idea può diventare quasi importante quanto averla sviluppata.
Produrre più teoremi non significa produrre più comprensione
Il conflitto più profondo riguarda la definizione stessa di progresso matematico. Per un laboratorio AI, un problema aperto è anche un benchmark: una dimostrazione difficile offre una misura chiara delle capacità del modello e un risultato facilmente comunicabile al pubblico. Per un matematico, invece, la soluzione è spesso soltanto l’inizio. Occorre isolare le idee nuove, semplificarle, collegarle alla teoria esistente e renderle utilizzabili da altri.
Questa differenza è al centro della dichiarazione A Severe Misalignment of AI in Mathematics, sottoscritta da numerosi vincitori della medaglia Fields. Il documento avverte che la produzione in massa di risposte corrette potrebbe impoverire il terreno da cui nascono nuove idee, soprattutto se i risultati arrivano più velocemente di quanto la comunità riesca a comprenderli, revisionarli e insegnarli.
La precedente Leiden Declaration on Artificial Intelligence and Mathematics aveva già chiesto trasparenza sull’uso degli strumenti, responsabilità umana per la correttezza, attribuzione accurata e pubblicazione in sedi sottoposte a revisione. La dichiarazione sottolinea inoltre un problema strutturale: i modelli sono addestrati su un patrimonio matematico collettivo, ma possono restituire idee senza ricostruirne adeguatamente la genealogia.
Risolvere problemi è soltanto uno strumento e un indicatore del vero obiettivo: comprensione concettuale e nuove intuizioni.
Il problema della revisione è altrettanto concreto. Se i sistemi AI possono generare decine di manoscritti complessi in pochi giorni, il collo di bottiglia si sposta sui revisori umani. Verificare una dimostrazione richiede competenza specialistica e tempo; produrne una nuova, per un agente, può diventare progressivamente più economico. Senza nuove infrastrutture, la matematica rischia un’inflazione di risultati formalmente plausibili ma non ancora assimilati.
La risposta dei laboratori e le regole ancora mancanti
OpenAI ha riconosciuto che la questione non può essere gestita da una sola azienda. Il 21 settembre 2026 ha annunciato un gruppo consultivo indipendente composto da matematici di primo piano. Il gruppo dovrebbe valutare la rilevanza dei risultati, suggerire modalità di diffusione e richiamare le aziende agli standard professionali della disciplina. OpenAI ha inoltre affermato che il suo modello interno avrebbe risolto più di 100 problemi aperti, una quantità che rende ancora più urgente decidere come e quando pubblicarli.
L’iniziativa è un primo passo, ma non risolve l’asimmetria centrale: il gruppo può fornire consigli, mentre il controllo sui modelli, sui dati e sulla potenza di calcolo resta all’azienda. Servono quindi norme condivise che valgano per tutti i laboratori, non soltanto impegni volontari.
Le garanzie necessarie per una matematica assistita dall’AI
- Dichiarare modelli, strumenti, prompt rilevanti e risorse computazionali impiegate.
- Separare gli annunci aziendali dalla validazione scientifica indipendente.
- Pubblicare dimostrazioni leggibili dall’uomo insieme alle eventuali formalizzazioni.
- Ricostruire e citare il contributo dei lavori precedenti e delle indicazioni umane.
- Proteggere i dati e le idee non pubbliche affidate agli assistenti commerciali.
- Garantire accesso pubblico o accademico a strumenti e capacità di verifica comparabili.
Conclusione: non la fine dei matematici, ma la fine di un equilibrio
L’intelligenza artificiale non rende inutile la matematica umana. Al contrario, aumenta il bisogno di persone capaci di formulare domande significative, distinguere una tecnica profonda da una scorciatoia, spiegare una dimostrazione e valutarne le conseguenze. Ma cambia radicalmente la distribuzione del potere: chi possiede i modelli più avanzati può scegliere quali problemi attaccare, quando annunciare i risultati e quanto rendere pubblico del processo.
La domanda decisiva, dunque, non è se l’AI saprà risolvere altri grandi problemi. Dopo gli sviluppi del 2025 e del 2026, questa possibilità appare sempre meno remota. La vera questione è se la matematica riuscirà a integrare macchine velocissime senza rinunciare alle proprie caratteristiche fondamentali: trasparenza, attribuzione, verifica indipendente e comprensione condivisa. Una disciplina può sopravvivere a una valanga di nuovi teoremi. Più difficile è preservare la comunità che dà loro significato.
