OpenAI e le prove matematiche dell’AI: perché i ricercatori protestano
Oltre 100 problemi risolti, ma attribuzione, verifica e potere dividono OpenAI e la comunità scientifica.
Una macchina capace di risolvere in poche settimane problemi sui quali generazioni di matematici hanno lavorato per anni sembrerebbe il sogno definitivo della ricerca scientifica. Quando però quella macchina è proprietaria, richiede enormi risorse di calcolo ed è controllata da una società privata, la scoperta diventa anche una questione di potere.
È il conflitto che sta attraversando la matematica dopo che OpenAI ha dichiarato che un suo modello interno avrebbe risolto più di 100 problemi aperti di lunga data. Alla data del 6 ottobre 2026, l’azienda non ha ancora indicato un calendario definitivo per la pubblicazione completa dei risultati. Secondo la ricostruzione di WIRED, diversi studiosi temono tuttavia una diffusione massiccia attraverso GitHub, senza il tempo, il contesto e il processo editoriale necessari per trasformare gli output di un modello in conoscenza scientifica condivisa.
Una soluzione annunciata non è ancora una soluzione accettata
In matematica, una dimostrazione diventa parte della conoscenza scientifica soltanto dopo controlli indipendenti, confronto con la letteratura precedente e comprensione da parte degli specialisti. La verifica automatica riduce alcuni errori, ma non sostituisce questo processo.
Più di 100 problemi risolti: che cosa sostiene OpenAI
Il 21 settembre OpenAI ha annunciato la nascita di un gruppo consultivo indipendente, spiegando che un modello interno in addestramento dal 28 agosto avrebbe risolto oltre 100 problemi aperti in numerosi settori della matematica. Nel comunicato ufficiale, la società ha riconosciuto che la rapidità dei progressi aveva sorpreso persino i matematici del proprio team.
Non si tratta del primo segnale. Il 1° agosto OpenAI aveva presentato dieci risultati in matematica e informatica teorica, relativi ad aree che vanno dalla geometria ad alta dimensione alla crittografia post-quantistica. L’azienda aveva stimato in circa 2.000 dollari, ai prezzi delle proprie API, il costo dei token necessari a trovare quelle dieci soluzioni. I manoscritti erano poi stati preparati con intervento umano e formalizzati in Lean.
Il salto successivo è stato molto più spettacolare. L’8 settembre OpenAI ha rivendicato una soluzione al problema di esistenza e regolarità delle equazioni di Navier–Stokes, uno dei sette Millennium Prize Problems. Secondo la descrizione pubblicata dall’azienda, circa 10.000 agenti AI coordinati avrebbero lavorato in parallelo, producendo una dimostrazione analitica e una formalizzazione verificabile con Lean.
Le equazioni di Navier–Stokes descrivono il comportamento di fluidi come acqua e aria e hanno applicazioni nella progettazione aeronautica, nelle previsioni meteorologiche e nello studio del flusso sanguigno. Il Clay Mathematics Institute sottolinea però che una prova serve non soltanto a raggiungere la certezza, ma anche a comprendere perché un risultato sia vero. È proprio su questa differenza tra correttezza formale e comprensione scientifica che si concentra gran parte dello scontro.
| Livello | Che cosa dimostra | Che cosa non garantisce |
|---|---|---|
| Output del modello | Che l’AI ha prodotto un possibile argomento | Correttezza, originalità e rilevanza |
| Verifica in Lean | Che i passaggi formalizzati rispettano le regole del sistema | Fedeltà perfetta tra enunciato formale e problema scientifico |
| Revisione degli esperti | Che specialisti indipendenti hanno esaminato prova e letteratura | Accettazione immediata dell’intera comunità |
| Assimilazione scientifica | Che metodi e idee sono compresi, spiegati e riutilizzabili | Che l’impatto futuro sia già prevedibile |
Il vero collo di bottiglia è diventato la verifica umana
Un modello può generare centinaia di tentativi in parallelo. La comunità scientifica, invece, dispone di un numero limitato di esperti capaci di controllare dimostrazioni altamente specialistiche. Se il ritmo di produzione automatica supera quello della revisione, il rischio non è soltanto pubblicare errori: si può creare un enorme arretrato di risultati formalmente plausibili ma privi di interpretazione, riferimenti adeguati e valutazione della reale importanza.
È il problema evidenziato dall’Advisory Group on Mathematics and Artificial Intelligence, ospitato presso l’Institute for Advanced Study ma indipendente dalle aziende. Il gruppo comprende studiosi come Timothy Gowers, Martin Hairer, Edward Witten e Melanie Matchett Wood. Le sue indicazioni sono state formulate dopo oltre 600 risposte raccolte tra i membri della comunità matematica.
Nelle raccomandazioni pubblicate il 29 settembre, il gruppo chiede ai laboratori di non usare i problemi matematici avanzati come semplici benchmark per modelli proprietari. Quando un risultato viene diffuso, dovrebbero essere dichiarati modello utilizzato, prompt, tempo di esecuzione, costo stimato, precedenti tentativi falliti e modalità con cui il problema è stato selezionato. Le prove dovrebbero inoltre essere depositate in archivi scientifici indipendenti, con identificatori persistenti e cronologia delle modifiche.
Che cosa dovrebbe accompagnare una prova matematica generata dall’AI
- Un manoscritto leggibile con enunciati, definizioni e dimostrazioni precise
- Una ricerca approfondita dei lavori precedenti e citazioni verificabili
- Il nome del modello, i prompt, il tempo impiegato e il costo computazionale
- La pubblicazione degli insuccessi e dei criteri usati per scegliere i problemi
- Una formalizzazione meccanicamente verificabile, quando possibile
- Risorse economiche per consentire a ricercatori indipendenti di comprendere i risultati
Quest’ultimo punto è particolarmente delicato. Secondo il gruppo consultivo, un laboratorio che riversa sulla comunità una grande quantità di matematica non ancora compresa dovrebbe contribuire anche ai costi della sua assimilazione: workshop, scuole estive, borse post-dottorali e articoli espositivi. In altre parole, il costo della scoperta non può essere privatizzato mentre quello della verifica viene scaricato gratuitamente sulle università.
Attribuzione e concorrenza: il precedente Navier–Stokes
La tensione non nasce soltanto dalla quantità dei risultati. Il caso Navier–Stokes ha aperto una disputa sulla priorità scientifica e sul modo in cui le aziende competono per ottenere annunci di grande impatto.
Il matematico della New York University Tristan Buckmaster e il ricercatore Levent Alpöge avevano lavorato personalmente su problemi collegati, utilizzando diversi modelli linguistici. In una dichiarazione pubblica, Buckmaster ha sostenuto che OpenAI avrebbe aumentato rapidamente le risorse dedicate al problema dopo aver ricevuto informazioni sui loro progressi. Ha inoltre descritto conversazioni controverse riguardanti la pubblicazione e l’attribuzione del lavoro. Buckmaster ha precisato di non sapere se i loro dati fossero stati utilizzati e di non aver visto inizialmente la prova di OpenAI.
OpenAI ha respinto l’idea di avere diretto i propri agenti usando le bozze o i prompt dei due ricercatori. L’azienda ha però scritto di non poter escludere completamente che dati de-identificati derivati dall’uso dei suoi prodotti abbiano contribuito in precedenza al miglioramento dei modelli. La vicenda, ricostruita anche da WIRED nel settembre 2026, mostra quanto diventi difficile separare lo strumento dal concorrente quando gli scienziati usano piattaforme appartenenti alle stesse società che partecipano alla corsa alla scoperta.
Il laboratorio può vedere il problema prima della pubblicazione
Quando bozze, prompt e tentativi passano attraverso un servizio proprietario, la fiducia dipende dalle regole su conservazione, addestramento, accesso interno e separazione tra dati degli utenti e attività di ricerca del fornitore.
La questione riguarda anche il credito scientifico. Un modello può ricombinare tecniche provenienti da decenni di letteratura senza ricostruirne correttamente la genealogia. Per questo una dimostrazione nuova deve indicare non soltanto chi ha premuto il pulsante, ma quali idee umane, teoremi e programmi di ricerca hanno reso possibile il risultato.
OpenAI sostiene che attribuire a una persona la paternità di una prova generata interamente dall’AI sarebbe fuorviante. Una parte della comunità replica che un sistema automatico non può assumersi la responsabilità scientifica o rispondere alle obiezioni. La futura nozione di autore potrebbe quindi richiedere ruoli distinti: ideazione del problema, generazione automatica, formalizzazione, verifica umana, ricostruzione bibliografica e interpretazione.
Una matematica a due velocità
Il problema più strutturale è la disuguaglianza di accesso. Pochi laboratori dispongono dei modelli, dei dati e della potenza di calcolo necessari per coordinare migliaia di agenti. Gli accademici possono utilizzare prodotti commerciali, ma non necessariamente gli stessi sistemi interni con cui le aziende producono risultati di frontiera.
OpenAI ha annunciato accesso gratuito ai propri modelli migliori per 100.000 scienziati e matematici. È un’apertura significativa, ma non elimina l’asimmetria tra chi usa uno strumento e chi ne controlla l’addestramento, i limiti, i prezzi e le versioni sperimentali. L’Advisory Group avverte che potrebbe nascere un sistema a più livelli, nel quale pochi laboratori superano il resto della disciplina e le università più ricche ottengono vantaggi difficili da recuperare.
Le stesse preoccupazioni compaiono nella Leiden Declaration on Artificial Intelligence and Mathematics, pubblicata il 2 giugno 2026, sostenuta dall’International Mathematical Union e arrivata a 4.252 firmatari il 6 ottobre. La dichiarazione chiede trasparenza sull’uso degli strumenti, responsabilità umana sulla correttezza, corretta attribuzione e pubblicazione attraverso canali scientifici appropriati. Avverte inoltre che comunicati stampa e post aziendali possono anticipare i tempi della valutazione accademica, trasformando risultati ancora incerti in dimostrazioni di marketing.
Conclusione: il futuro non è una gara a chi pubblica più teoremi
La possibilità che l’intelligenza artificiale contribuisca davvero alla matematica di frontiera non può più essere liquidata come una promessa lontana. Formalizzazione, ricerca bibliografica, esplorazione di strategie e coordinamento di agenti stanno già modificando il lavoro dei ricercatori. Sarebbe però un errore confondere la capacità di produrre prove con la capacità di costruire scienza.
Una disciplina non avanza soltanto accumulando risposte. Avanza quando una comunità può controllarle, comprenderle, insegnarle e usarle per formulare domande migliori. Se OpenAI e gli altri laboratori vogliono essere considerati partner della ricerca, dovranno adottarne anche gli obblighi: trasparenza, pazienza, attribuzione, revisione indipendente e accesso equo.
Il conflitto con i matematici non nasce dunque da un rifiuto dell’AI. Nasce dal timore che il ritmo e gli incentivi della competizione tecnologica possano sostituire quelli della conoscenza condivisa. Le oltre 100 soluzioni rivendicate da OpenAI potrebbero rappresentare una svolta storica. Ma il loro vero valore sarà stabilito non dal numero di file pubblicati, bensì dalla quantità di matematica che gli esseri umani riusciranno a farne.
