Vai al contenuto
Scienza e Tecnologia

OpenAI pubblica centinaia di risultati matematici e apre una nuova fase della ricerca

Oltre 700 manoscritti, prove verificabili al computer e questioni ancora da esaminare: che cosa contiene la raccolta e perché divide la comunità scientifica.

OpenAI ha reso pubblica una vasta raccolta di risultati matematici prodotti da un modello interno di intelligenza artificiale. L’annuncio del 6 ottobre apre una fase di verifica e confronto: i documenti riguardano problemi di ricerca, ma non hanno tutti lo stesso livello di controllo. La portata dell’operazione si misurerà attraverso la correttezza delle dimostrazioni, la loro originalità e la capacità dei ricercatori di comprenderle e utilizzarle.

Che cosa è stato pubblicato

La raccolta comprende oltre 700 manoscritti organizzati in 372 famiglie di risultati. La comunicazione iniziale indicava 722 documenti; il catalogo consultabile al momento della verifica ne riporta 719, mantenendo invariato il numero delle famiglie. Per descrivere correttamente la notizia, il dato più utile è quindi l’ordine di grandezza, insieme alla struttura della pubblicazione.

Una famiglia può raccogliere un risultato principale, argomenti complementari, conseguenze o dimostrazioni alternative. Il numero dei manoscritti non coincide con quello delle scoperte indipendenti, e neppure il numero delle famiglie va trasformato automaticamente in un conteggio di problemi completamente risolti.

I materiali spaziano dalla teoria dei numeri alla geometria, dall’analisi all’informatica teorica. Accanto ai testi sono disponibili artefatti di supporto e, per molti lavori, formalizzazioni in Lean, un sistema che permette di sottoporre le dimostrazioni a un controllo informatico. La raccolta prevede aggiornamenti: questo rende essenziale distinguere l’annuncio iniziale dallo stato delle verifiche successive.

Perché si parla di ricerca e non di esercizi

Risolvere un esercizio significa normalmente trovare una risposta che qualcuno conosce già. Affrontare un problema aperto significa invece cercare una dimostrazione, una confutazione o un avanzamento per una domanda sulla quale manca una risposta riconosciuta. La differenza riguarda tanto la difficoltà quanto l’incertezza sul percorso da seguire.

Un esempio semplice aiuta a capire il punto. Controllare una proprietà su un milione di numeri può fornire un indizio convincente. Dimostrare che vale per tutti i numeri richiede però un argomento generale. Potrebbe esistere un’eccezione oltre l’ultimo caso esaminato, oppure una condizione nascosta che rende il ragionamento valido soltanto in alcune situazioni.

È questa distanza tra evidenza e dimostrazione a rendere delicata la valutazione dei nuovi lavori. Un testo può essere fluido e utilizzare il linguaggio della disciplina senza contenere una prova completa. Occorre controllare ogni passaggio, le ipotesi impiegate e i risultati precedenti sui quali si basa.

Gli esempi: Riemann, matrici e approssimazioni di pi greco

Il catalogo presenta una proposta relativa alla cosiddetta quasi-ipotesi di Riemann: una regione priva di zeri per determinate funzioni, inclusa la funzione zeta, quando la parte reale della variabile è maggiore di 7/8. Si tratta di un’affermazione specifica, da valutare nella sua formulazione esatta. Non equivale alla dimostrazione dell’ipotesi di Riemann, che riguarda una condizione più forte sugli zeri non banali.

Un’altra famiglia propone un limite superiore di 9/4, cioè 2,25, per l’esponente della moltiplicazione di matrici sui numeri complessi. Le matrici sono strutture di numeri organizzati in righe e colonne. Studiare quante operazioni servono per moltiplicarle permette di affrontare un problema fondamentale dell’efficienza del calcolo.

Un miglioramento teorico dell’esponente non si traduce automaticamente in un programma più veloce su qualsiasi computer. Contano anche le dimensioni del problema, i fattori costanti, la memoria necessaria e la possibilità di realizzare concretamente il metodo. Il valore scientifico di un limite asintotico e l’utilità immediata di un software sono valutazioni distinte.

La raccolta include inoltre un manoscritto che propone di determinare in 2 l’esponente di irrazionalità di pi greco, una misura legata a quanto bene il numero possa essere approssimato mediante frazioni. È un esempio della varietà dei problemi affrontati: la ricerca riguarda anche proprietà precise di oggetti familiari, non soltanto grandi congetture dal nome celebre.

Questi esempi descrivono le affermazioni contenute nei documenti. La loro presenza nel catalogo non consente, da sola, di dichiarare completata la revisione scientifica di ciascun lavoro.

Che cosa controlla Lean

Lean permette di esprimere enunciati e dimostrazioni in un linguaggio formale. Il sistema verifica che i passaggi rispettino le regole logiche e che la conclusione segua dalle ipotesi dichiarate. Il risultato dipende quindi dalla correttezza della catena di inferenze formalizzata, invece che dalla capacità di un testo di apparire convincente.

Per comprendere la differenza, si può immaginare un ragionamento scritto nel linguaggio abituale: alcuni passaggi vengono abbreviati perché ritenuti ovvi o noti agli specialisti. Nella formalizzazione, quei collegamenti devono essere espressi con precisione oppure richiamare risultati già disponibili nel sistema. Questo rende visibili lacune che una lettura rapida potrebbe trascurare.

Una prova formalmente verificata offre un controllo forte sulla derivazione dell’enunciato codificato. Resta però da accertare che quell’enunciato corrisponda esattamente al problema annunciato. Bisogna guardare alle definizioni, alle ipotesi aggiuntive e agli eventuali risultati assunti come punto di partenza.

Rimane anche una questione diversa dalla correttezza: la comprensione. Una dimostrazione può stabilire che qualcosa è vero senza rendere immediatamente chiaro perché funzioni, quale idea sia decisiva o come quella tecnica possa essere impiegata altrove. La ricerca acquista valore ulteriore quando una prova diventa uno strumento per formulare nuove domande.

I diversi livelli di verifica

OpenAI precisa che la raccolta contiene lavori a differenti stadi di verifica e che non tutti dispongono di una formalizzazione in Lean. Per alcuni risultati non formalizzati potrebbero emergere problemi. L’azienda prevede di aggiungere formalizzazioni e correggere le criticità individuate.

Per orientarsi servono quattro domande, che non hanno necessariamente la stessa risposta:

  • Il ragionamento è corretto? Occorre verificare che la conclusione segua dalle premesse senza lacune.
  • L’enunciato risponde al problema originale? Un caso particolare o una versione con ipotesi aggiuntive può essere rilevante, ma va descritto con precisione.
  • Il risultato è nuovo? Il confronto con la letteratura permette di distinguere una scoperta da una riformulazione di conoscenze già disponibili.
  • Qual è la sua importanza? Contano le conseguenze, i collegamenti con altre questioni e le nuove possibilità di ricerca.

Confondere questi piani produce due errori speculari. Si può attribuire a ogni manoscritto lo stesso valore di una scoperta consolidata, oppure ignorare progressi effettivi soltanto perché la raccolta necessita ancora di revisione. La valutazione deve procedere risultato per risultato.

Che cosa dicono i dati sul lavoro del modello

La comunicazione sulla raccolta riferisce una valutazione che ha coinvolto circa 4.000 problemi. OpenAI ha pubblicato anche dieci sintesi del ragionamento del modello e una stima della potenza di calcolo impiegata: il risultato medio avrebbe richiesto risorse equivalenti a circa tre ore di elaborazione con il modello interno in modalità Pro.

Questa equivalenza descrive un impiego computazionale. Non significa che qualsiasi utente possa ottenere la stessa scoperta in tre ore, né misura il tempo complessivo necessario per preparare, formalizzare, verificare e spiegare un lavoro. Il modello che ha prodotto la raccolta è interno; la disponibilità dei documenti non coincide con l’accesso allo strumento utilizzato.

Nemmeno il rapporto tra famiglie pubblicate e problemi tentati costituisce automaticamente un tasso di successo generale. Per interpretarlo servirebbe conoscere come sono stati scelti i problemi, quanto siano comparabili, quanti tentativi siano stati effettuati e che cosa venga contato come avanzamento. Un numero aggregato non sostituisce una metodologia di valutazione.

Perché una parte dei matematici solleva obiezioni

Il gruppo indipendente Advisory Group on Mathematics and Artificial Intelligence, collegato all’Institute for Advanced Study, considera la pubblicazione un evento importante. Precisa però che la propria consulenza non va interpretata come un’approvazione del procedimento seguito o una certificazione dell’impatto dei risultati.

Nelle raccomandazioni del 29 settembre, il gruppo chiede ai laboratori di interrompere i test su problemi matematici avanzati condotti con modelli proprietari inaccessibili alla comunità scientifica. La preoccupazione riguarda l’accesso agli strumenti e la possibilità che i ricercatori siano relegati a interpretare risultati prodotti altrove, senza poter esplorare autonomamente le proprie domande con risorse comparabili.

Le raccomandazioni richiamano inoltre attribuzione delle idee precedenti, chiarezza dei testi, tracciabilità delle revisioni e sostegno alla comprensione umana. Pubblicare una dimostrazione comporta una responsabilità verso chi dovrà studiarla: occorre rendere riconoscibili le ipotesi, spiegare gli argomenti e collegare il lavoro alle conoscenze esistenti.

L’accessibilità dei documenti è dunque un passo significativo, ma lascia aperta la questione dell’accesso al modello e alle risorse di calcolo. I due livelli possono evolvere in modo diverso: leggere un risultato permette di esaminarlo, mentre usare lo stesso strumento può consentire di riprodurre il processo di ricerca o affrontare una domanda nuova.

Come potrebbe cambiare il lavoro dei ricercatori

Se una parte consistente delle proposte supererà i controlli, il cambiamento potrebbe riguardare la distribuzione del lavoro scientifico. Alla ricerca della prova si affiancherebbero più attività di selezione, formalizzazione, interpretazione e collegamento tra risultati. Si tratta di una prospettiva, la cui portata dipenderà dalla qualità effettiva dei materiali.

Produrre più dimostrazioni può accelerare la ricerca, ma può anche aumentare il carico di revisione. Una comunità dispone di un numero limitato di specialisti in grado di riconoscere una lacuna difficile, valutare un’idea originale o spiegare un argomento molto tecnico. La quantità delle proposte e la capacità di assimilarle potrebbero crescere a velocità diverse.

In questo scenario, scegliere le domande rimane una funzione decisiva. Stabilire quali problemi meritino attenzione, quali concetti mettere in relazione e quali conseguenze esplorare non si esaurisce nella produzione di una prova. Una risposta corretta può chiudere una questione; una nuova prospettiva può aprire un’intera linea di ricerca.

La raccolta pubblicata da OpenAI consente ora di avviare questo confronto su materiali consultabili. Il suo significato scientifico emergerà attraverso verifiche, correzioni e sviluppi successivi. La pubblicazione mette a disposizione un vasto insieme di proposte: trasformarle in conoscenza condivisa richiede ancora lavoro.