Nel mondo dei giochi strategici come gli scacchi o il Go, l’intelligenza artificiale ha ormai superato le capacità umane. Tuttavia, quando si passa a sfide concettuali più profonde – la creazione della teoria della relatività, la formulazione della fisica quantistica o la risoluzione di problemi del Millennio – l’AI non ha ancora dimostrato di poter generare nuove teorie, ma solo di applicare algoritmi a problemi ben definiti.

OpenAI alza l’asticella: 722 paper e 372 famiglie di risultati

OpenAI ha pubblicato su GitHub un volume senza precedenti: 722 paper organizzati in 372 famiglie di risultati prodotti da un modello interno, ancora non disponibile al pubblico. Dopo il caso Navier‑Stokes e la risposta dei 24 vincitori della Medaglia Fields, la matematica è tornata a essere un’arena di competizione tra laboratori, dove in gioco non solo il credito accademico, ma anche l’accesso a potenza di calcolo, i costi operativi e il potere industriale.

Campi coperti dai nuovi lavori

Alcuni di questi paper affrontano questioni aperte da decenni, offrendo dimostrazioni alternative o conseguenze collegate. Altri, invece, presentano risultati nuovi ma ancora non formalizzati, con la consapevolezza da parte di OpenAI che non tutti i lavori hanno lo stesso grado di verifica e che alcune dimostrazioni potrebbero contenere errori.

Dimensione economica della matematica pura

L’ingente mole di paper è insolita anche per gli standard dell’AI generativa, ma testimonia come la matematica pura sia sempre più influenzata da fattori economici: capitali, potenza di calcolo, modelli proprietari e organizzazione industriale incidono direttamente sulla velocità delle scoperte. Nessun ateneo può vantare infrastrutture capaci di gestire migliaia di agenti AI simultaneamente, creando così un divario tra istituzioni tradizionali e grandi aziende tecnologiche.

La lettera dei vincitori della Medaglia Fields

Lo scorso 11 settembre, 24 premiati con la Medaglia Fields – l’equivalente del Nobel per la matematica – hanno pubblicato una lettera aperta di protesta dopo che OpenAI aveva annunciato una “dimostrazione” del problema di Navier‑Stokes. I matematici hanno avvertito che l’AI potrebbe, in futuro, minare le fondamenta della disciplina, anche se al momento tale timore rimane in gran parte fantascienza.

Posizione delle aziende AI

Le imprese che sviluppano intelligenza artificiale sostengono che le loro attività di risoluzione di problemi matematici servono a valutare la potenza dei modelli, non a lanciare una sfida intellettuale dannosa per la scienza. “Non credo che i modelli di IA possano evolversi al punto di diventare autonomi, o ‘sfuggire’ al controllo umano”, ha commentato a AgendaDigitale.eu il professor Saverio Pascazio dell’Università di Bari Aldo Moro.

Dettagli sulla presunta soluzione di Navier‑Stokes

L’8 settembre OpenAI ha annunciato di aver “risolto” il problema di Navier‑Stokes, uno dei sette “Problemi del Millennio” selezionati dal Clay Mathematics Institute nel 2000. L’azienda ha pubblicato un articolo di 166 pagine, basato su modelli non ancora disponibili al pubblico, in cui Tristan Buckmaster e Levent Alpöge – due matematici che già lavoravano sul problema – avrebbero utilizzato tecnologie di IA per avvicinarsi a una soluzione.

Tuttavia, il documento contiene pochi dettagli esplicativi, a differenza dei tradizionali articoli matematici che forniscono ogni passaggio della dimostrazione. Questo ha alimentato il sospetto che la “soluzione” sia più una dimostrazione di capacità computazionale che un contributo teorico reale.

Riflessioni storiche sul timore tecnologico

Le reazioni attuali ricordano quelle suscite dall’avvento delle calcolatrici elettroniche o delle penne a sfera, temute per la perdita di abilità cognitive. Analogamente a Socrate, che temeva che la scrittura rendesse le persone pigre nel ricordare, oggi si discute se l’AI possa provocare un “offloading cognitivo”, indebolendo le capacità di pensiero critico.

Studi precedenti supportano questa ipotesi: nel 2011 Betsy Sparrow e collaboratori della Columbia University hanno mostrato che le persone tendono a cercare risposte su Google anziché richiamare conoscenze dalla memoria. Un’indagine più recente di Michael Gerlich della SBS Swiss Business School ha rilevato una “correlazione negativa tra l’uso frequente di strumenti di intelligenza artificiale e le capacità di pensiero critico”.

Visione collaborativa e governance dell’AI

OpenAI e altre aziende affermano che il loro obiettivo è far collaborare le AI con i matematici per identificare i problemi più importanti da affrontare. Tuttavia, la mancanza di una governance chiara solleva dubbi su come questi strumenti saranno integrati nella ricerca scientifica. Paolo Tarsitano, ingegnere informatico ed editor di CyberSecurity360.it, definisce la vicenda “un caso di scuola sulla governance dell’intelligenza artificiale applicata alla conoscenza”.

Alessio Figalli, vincitore della Medaglia Fields intervistato da La Repubblica, ha sottolineato: “Si può arrivare a un risultato corretto senza che nessuno, nemmeno chi lo riceve, abbia realmente compreso il percorso che lo ha prodotto. È l’esatto rovescio del metodo scientifico, che richiede la tracciabilità del ragionamento”.

Prospettive future

Se l’intelligenza artificiale dovesse assumere un ruolo più centrale nella ricerca matematica, la disciplina dovrà confrontarsi con nuove forme di attribuzione del credito, con la necessità di verificare formalmente le dimostrazioni generate da macchine e con la possibile erosione di competenze cognitive umane. Il dibattito tra “crescita collaborativa” e “rischio di dipendenza” continuerà a plasmare la direzione della matematica nei prossimi anni.

Conclusioni

Il caso OpenAI‑Navier‑Stokes ha messo in evidenza il divario tra capacità computazionali e comprensione profonda. Mentre le AI possono produrre enormi quantità di risultati e dimostrazioni alternative, la mancanza di verifica rigorosa e di trasparenza rimane una vulnerabilità. La sfida per la comunità matematica è trovare un equilibrio: sfruttare la potenza dell’AI senza sacrificare il rigore, la chiarezza e la capacità di pensiero critico che hanno sempre caratterizzato la ricerca scientifica.