OpenAI pubblica 722 manoscritti matematici: svolta scientifica o verifica impossibile?
Un modello non ancora pubblico avrebbe risolto centinaia di problemi, ma ora inizia la verifica.
Non è soltanto una nuova dimostrazione matematica assistita dall'intelligenza artificiale. È una quantità di ricerca potenziale abbastanza grande da mettere sotto pressione i meccanismi con cui la scienza controlla, comprende e incorpora nuove conoscenze.
Il 6 ottobre 2026 OpenAI ha pubblicato 722 manoscritti, organizzati in 372 famiglie di risultati, prodotti in larga parte da un modello di frontiera interno non ancora disponibile al pubblico. Nel repository ufficiale su GitHub compaiono lavori appartenenti a numerose aree, dalla teoria dei numeri alla geometria, passando per informatica teorica, fisica matematica ed equazioni differenziali.
Definirli tutti “scoperte” sarebbe tuttavia prematuro. La stessa OpenAI riconosce che i documenti si trovano in stadi diversi di verifica e che alcuni risultati non formalizzati potrebbero contenere problemi. La pubblicazione rappresenta quindi l'inizio di un enorme processo di controllo, non il suo punto di arrivo.
Che cosa ha pubblicato davvero OpenAI
Il numero più vistoso è 722, ma non corrisponde ad altrettanti teoremi indipendenti. OpenAI ha raggruppato i manoscritti in 372 famiglie: ciascuna può comprendere un risultato principale, dimostrazioni alternative, conseguenze, approfondimenti o articoli collegati. La dimensione scientifica della pubblicazione va quindi valutata soprattutto a livello delle famiglie, e non contando semplicemente i PDF.
Secondo i dati forniti dall'azienda, il modello è stato sottoposto a circa 4.000 problemi. Per ogni risultato selezionato sarebbero state utilizzate, in media, risorse computazionali equivalenti a circa tre ore di modalità “thinking” di ChatGPT Pro. Non si tratta necessariamente di tre ore cronologiche di lavoro umano: è un'unità scelta da OpenAI per rendere più comprensibile il consumo di calcolo.
Nell'annuncio ufficiale, la società afferma inoltre di aver pubblicato dieci sintesi abbreviate del ragionamento del modello e le formalizzazioni in Lean di molte dimostrazioni. Restano però riservati il modello completo e gran parte del processo interno che ha condotto ai risultati.
| Elemento | Dato dichiarato | Come interpretarlo |
|---|---|---|
| Manoscritti | 722 | Comprendono articoli principali e lavori collegati |
| Famiglie di risultati | 372 | La misura più vicina al numero di contributi distinti |
| Problemi sottoposti al modello | Circa 4.000 | Include anche tentativi non entrati nel catalogo |
| Calcolo medio | Circa 3 ore di ChatGPT Pro thinking | Stima comparativa fornita da OpenAI |
| Sintesi del ragionamento | 10 | Coprono soltanto una parte ridotta della raccolta |
Un manoscritto non è ancora un risultato accettato
Una dimostrazione entra nella conoscenza matematica condivisa soltanto dopo il controllo degli esperti, il confronto con la letteratura precedente e la comprensione dei suoi passaggi. La pubblicazione su GitHub rende possibile questo lavoro, ma non lo sostituisce.
Perché Lean è importante, ma non risolve ogni dubbio
Una parte delle dimostrazioni è accompagnata da una formalizzazione in Lean, un linguaggio e assistente alla dimostrazione capace di verificare meccanicamente se una conclusione segue dalle premesse attraverso regole logiche ammesse. È un livello di controllo molto più robusto rispetto alla semplice valutazione linguistica di un testo generato da un modello.
La formalizzazione aiuta a individuare salti logici, ipotesi mancanti e passaggi che sembrano plausibili ma non sono stati realmente dimostrati. Non stabilisce però, da sola, che il teorema sia significativo, originale o formulato nel modo più utile. Non può neppure garantire che la traduzione tra il manoscritto in linguaggio naturale e l'enunciato formalizzato rappresenti esattamente la stessa affermazione.
Per i lavori privi di prova formale il controllo sarà ancora più impegnativo. OpenAI ammette nel repository che alcuni risultati non formalizzati potrebbero presentare errori e promette di conservare le versioni precedenti quando verranno pubblicate correzioni. Questa forma di versionamento è utile, ma trasferisce sulla comunità matematica un carico di revisione potenzialmente enorme.
Che cosa deve essere verificato per ogni risultato
- Correttezza logica della dimostrazione e validità delle ipotesi
- Corrispondenza tra prova in Lean e manoscritto in linguaggio naturale
- Originalità rispetto alla letteratura matematica esistente
- Completezza delle citazioni e corretta attribuzione del lavoro precedente
- Rilevanza del risultato e utilità dei metodi introdotti
Il vero problema è trasformare le prove in comprensione
La matematica non è una semplice raccolta di risposte vere o false. Un risultato importante modifica il campo quando introduce idee riutilizzabili, connessioni tra aree diverse o nuovi modi di formulare le domande. Per questo una prova corretta ma opaca può avere un valore molto diverso da una dimostrazione compresa, spiegata e inserita nel patrimonio concettuale della disciplina.
È il punto sollevato dalla dichiarazione “A Severe Misalignment of AI in Mathematics”, firmata da numerosi matematici di primo piano. Il documento critica l'impiego dei problemi aperti come semplici benchmark industriali: la produzione accelerata di soluzioni, sostengono i firmatari, rischia di sottrarre spazio al processo umano attraverso cui nascono intuizioni, scuole di ricerca e nuove generazioni di studiosi.
OpenAI ha risposto annunciando finanziamenti per workshop, conferenze e programmi dedicati alla comprensione dei risultati più importanti prodotti dall'AI. È un impegno rilevante, perché esaminare centinaia di manoscritti richiede tempo altamente specializzato. Restano però da chiarire l'entità dei finanziamenti, le modalità di distribuzione e il grado di autonomia delle istituzioni coinvolte.
Rendere pubblico questo lavoro è un primo passo. Questa pubblicazione è l'inizio, non il completamento, del processo di comprensione umana.
Le regole proposte dai matematici
Per gestire il nuovo scenario è nato AGMAI, l'Advisory Group on Mathematics and Artificial Intelligence, un organismo indipendente formato da studiosi tra cui Timothy Gowers, Martin Hairer, Ravi Vakil, Edward Witten e Melanie Matchett Wood. OpenAI aveva inizialmente contattato alcuni membri per creare un comitato esterno; i matematici hanno invece scelto di costituire un gruppo indipendente, privo di potere decisionale sull'azienda.
Le raccomandazioni pubblicate il 29 settembre, elaborate dopo oltre 600 risposte a una consultazione, chiedono alle aziende di comunicare il nome del modello, i prompt utilizzati, il tempo e il costo computazionale, i tentativi falliti e una sintesi del processo che ha prodotto ciascun risultato. Invitano inoltre a formalizzare le prove quando possibile e a finanziare il lavoro umano necessario per comprenderle.
La pubblicazione di OpenAI segue soltanto in parte questo schema. Sono presenti statistiche aggregate, materiali formali e alcune sintesi, ma il modello resta identificato genericamente come “internal frontier model” e le tracce di ragionamento riguardano appena dieci famiglie. Non sono disponibili, per ogni risultato, tutti i prompt, i costi specifici e la storia completa dei tentativi.
La questione dell'accesso
Se soltanto pochi laboratori possono usare modelli capaci di esplorare migliaia di problemi aperti, la ricerca rischia di dividersi tra chi genera risultati con infrastrutture proprietarie e chi deve limitarsi a verificarli. AGMAI chiede per questo un accesso ampio ed equo agli strumenti più avanzati.
Attribuzione, responsabilità e paternità scientifica
L'arrivo di manoscritti generati in massa dall'AI apre infine un problema di responsabilità. Nella tradizione accademica, gli autori devono comprendere il contenuto di un articolo, verificarlo e rispondere pubblicamente delle sue conclusioni. Un sistema automatico non può assumersi questa responsabilità, mentre i ricercatori che lo utilizzano potrebbero non essere in grado di ricostruire integralmente il percorso seguito.
C'è poi la questione delle citazioni. Un modello addestrato su una grande quantità di letteratura può ricombinare tecniche e idee senza identificare correttamente chi le ha sviluppate. La dichiarazione di Math and AI avverte che pubblicazioni affrettate e bibliografie incomplete possono creare seri problemi di attribuzione. OpenAI ha promesso di migliorare citazioni, esposizione e presentazione nelle pubblicazioni future, riconoscendo implicitamente che il formato attuale è ancora sperimentale.
Come osserva anche The Verge, il dibattito non riguarda soltanto la capacità tecnica dei modelli, ma il modo in cui i laboratori comunicano i risultati e riconoscono il lavoro umano su cui questi si basano.
Conclusione: la scoperta non finisce quando l'AI produce una prova
La raccolta pubblicata da OpenAI potrebbe contenere risultati destinati a incidere profondamente su diverse aree della matematica. Potrebbe anche includere dimostrazioni incomplete, risultati già impliciti nella letteratura o contributi corretti ma meno rivoluzionari di quanto suggeriscano i grandi numeri. Stabilire quale scenario prevalga richiederà mesi o anni di lavoro.
Il segnale tecnologico, comunque, è difficile da ignorare: i modelli di frontiera non si limitano più a risolvere esercizi scolastici o a riprodurre dimostrazioni note, ma vengono impiegati su larga scala per tentare problemi aperti. La domanda decisiva non è più soltanto se l'AI possa produrre nuova matematica. È come costruire istituzioni capaci di controllarla, comprenderla e distribuirne i benefici senza ridurre la ricerca a una gara tra infrastrutture private.
Con 722 manoscritti pubblicati in un solo blocco, OpenAI non ha chiuso centinaia di problemi. Ha aperto un problema ancora più grande: definire che cosa significhi fare scienza quando la velocità della generazione supera quella della comprensione.
