Le svolte di OpenAI nell’IA per la matematica: cosa significano gli ultimi risultati

Il 6 ottobre 2026, OpenAI ha caricato su GitHub 722 manoscritti di matematica. Frutto di un modello interno di frontiera non rilasciato, coprono algebra, teoria dei numeri, topologia, informatica teorica e logica matematica, tutti prodotti nell’arco di poche settimane. La scala non aveva precedenti per la comunità di ricerca in quanto a risultati da un sistema di IA.

Per capire perché questo ha un peso diverso da un punteggio su un benchmark, conviene allargare lo sguardo. È lo stesso modello che, solo poche settimane prima, aveva dichiarato di risolvere il Problema del Millennio di Navier-Stokes, un risultato che seguiva la maratona di un giorno con cui Astra ha risolto dieci problemi aperti vecchi di decenni ad agosto. Ciascuno di quei momenti ha sollevato domande specifiche. Ma la pubblicazione del 6 ottobre è diversa per natura, non solo per dimensioni. OpenAI presenta 722 manoscritti come contributi effettivi alla letteratura di ricerca matematica: non risposte a benchmark, non soluzioni da competizione.

Seguo lo slancio di OpenAI nella matematica dal rilascio di Astra in agosto, e questo richiede più attenzione per essere sviscerato rispetto ai due risultati precedenti. Qui sotto vedremo cosa ha effettivamente prodotto l’IA, quali risultati spiccano, come funziona la verifica in pratica e cosa preoccupa i matematici.

Cosa ha effettivamente realizzato l’IA di OpenAI?

OpenAI ha indirizzato un modello interno di frontiera non rilasciato verso problemi di ricerca matematica aperti. Il modello non si è limitato a ottenere un buon punteggio in una gara. Ha prodotto argomentazioni matematiche strutturate come manoscritti, depositati su GitHub insieme a formalizzazioni in Lean delle dimostrazioni e a sintesi del ragionamento del modello.

Fare bene su benchmark come AMC o IMO mostra che un’IA può gestire problemi da competizione ingegnosi. Produrre manoscritti che affermano di risolvere questioni aperte di lunga data in aree di ricerca attive è un’altra cosa. Gli output vengono presentati come contributi potenziali alla conoscenza matematica. Se resistono al vaglio è un’altra questione, che richiederà tempo per essere chiarita.

Quanti risultati matematici ha pubblicato OpenAI?

Nella copertura troverai diversi numeri, e non sono in contraddizione. Contano cose diverse.

Il repository contiene 722 manoscritti organizzati in 372 famiglie di risultati. Una famiglia raggruppa articoli correlati: un risultato principale insieme ad argomentazioni di accompagnamento, dimostrazioni alternative o conseguenze a valle. Le 372 famiglie generano 722 manoscritti perché molti risultati sono accompagnati da materiale di supporto. L’espressione "centinaia di risultati" è grossomodo corretta; 372 è il conteggio più preciso delle scoperte matematiche distinte.

Il README avverte che alcuni risultati potrebbero presentare problemi, e OpenAI afferma che correggerà eventuali criticità continuando ad aggiungere formalizzazioni in Lean. Tieni presente questo caveat mentre la copertura può far suonare i numeri più definitivi di quanto non siano in realtà.

Su quali aree della matematica ha lavorato l’IA di OpenAI?

La pubblicazione copre circa 20 sotto-discipline matematiche. Ecco una mappa approssimativa del territorio, dato che alcune di queste aree sono meno familiari a un pubblico tecnico ma non matematico:

• Algebra e teoria dei gruppi studiano strutture matematiche costruite da operazioni e loro simmetrie. Qui ricadono alcuni dei risultati più discussi.
• Teoria dei numeri si occupa delle proprietà degli interi e dei numeri primi. La funzione zeta di Riemann, che codifica la distribuzione dei primi, compare in diversi risultati.
• Topologia studia le proprietà che sopravvivono a deformazioni continue. La congettura di Hodge (ne parliamo sotto) si colloca all’incrocio tra topologia e geometria algebrica.
• Informatica teorica pone domande fondamentali sul calcolo: cosa si può calcolare, con quale efficienza e quali problemi resistono ad algoritmi efficienti. Il modello di OpenAI ha prodotto oltre 80 articoli solo in quest’area.
• Logica matematica esamina i fondamenti formali del ragionamento matematico stesso.

Quali sono i risultati più importanti?

Qui serve cautela. C’è una differenza reale tra un risultato generato dall’IA, una dimostrazione verificata in Lean, una dimostrazione controllata da un matematico umano e un risultato che la comunità matematica riconosce indipendentemente come un progresso importante. La pubblicazione mescola tutte e quattro le categorie.

Detto questo, diversi risultati hanno suscitato un interesse genuino da parte di matematici indipendenti.

Funzione zeta di Riemann: una nuova regione priva di zeri

L’ipotesi di Riemann resta irrisolta. Il modello di OpenAI non l’ha risolta. Ciò che avrebbe stabilito è una nuova regione priva di zeri: mostrando che non esistono zeri per Re(s) > 11/12. Questo tipo di risultato parziale è significativo in teoria analitica dei numeri perché le regioni prive di zeri vincolano la distribuzione dei primi. La stesura è stata editata da umani per migliorarne la leggibilità, un’eccezione notevole rispetto al resto del processo di produzione dei manoscritti. Un ricontrollo indipendente del risultato correlato “quasi-Riemann” ha superato una prima ispezione.

Congettura della finitezza diretta di Kaplansky in caratteristica due

Decenni fa Irving Kaplansky congetturò che gli anelli di gruppo avessero una specifica proprietà algebrica chiamata finitezza diretta. Il caso in caratteristica due era particolarmente resistente. Il modello lo avrebbe risolto. La formalizzazione in Lean risulta disponibile.

Isomorfismo dei fattori di gruppi liberi

Questo riguarda le algebre di von Neumann, strutture dell’analisi funzionale che codificano certe simmetrie dei sistemi quantistici. La questione se i fattori di gruppi liberi siano tutti isomorfi era aperta da decenni. Il modello afferma di risolvere una congettura di de la Harpe e Voiculescu, mostrando che le algebre di von Neumann dei gruppi fondamentali di superfici chiuse orientabili di genere ≥ 2 sono fattori di gruppi liberi. Un ricontrollo indipendente è passato.

Esponente della moltiplicazione di matrici

Uno dei risultati più significativi sul piano pratico: il modello stabilirebbe ω ≤ 2.25 sui numeri complessi, dove ω è l’esponente della moltiplicazione di matrici. È l’oggetto matematico alla base dell’efficienza con cui i computer moltiplicano matrici, un problema con implicazioni concrete per gli algoritmi in tutta l’informatica. Da notare per chi proviene da finanza o ingegneria: l’efficienza della moltiplicazione di matrici è alla base di quasi ogni calcolo numerico su larga scala.

Formula di Mézard-Parisi per gli spin glass diluiti

Fisica statistica e teoria della probabilità si incontrano: riguarda l’energia libera di sistemi magnetici disordinati. La formula di Mézard-Parisi era stata congetturata ma non completamente dimostrata nel caso diluito.

Congettura di Hodge per varietà abeliane CM

Un caso ristretto di uno dei sette Problemi del Millennio. La congettura di Hodge chiede se certe caratteristiche topologiche delle varietà algebriche possano sempre essere rappresentate algebricamente. Il modello la stabilirebbe per le varietà abeliane CM, una classe specifica e strutturata. Non è l’intera congettura di Hodge, che resta aperta, ma un caso speciale verso cui i matematici lavoravano. Anche questo risultato è stato segnalato come un’eccezione rispetto alla procedura di produzione standard.

Il risultato sulla magnetizzazione spontanea per il ferromagnete di Heisenberg quantistico e i limiti quasipolinomiali per le progressioni aritmetiche hanno entrambi suscitato interesse tra i ricercatori che stanno valutando la pubblicazione, anche se una verifica indipendente completa richiederà tempo considerevole.

Come ha prodotto i risultati l’IA di OpenAI?

OpenAI ha pubblicato più dettagli metodologici rispetto ad alcune uscite precedenti, anche se il quadro resta incompleto.

Al modello sono stati sottoposti circa 4.000 problemi durante la valutazione. La maggior parte dei risultati è arrivata da una procedura fissa usando lo stesso modello interno. Due risultati si discostano dal processo standard: il lavoro sulla regione priva di zeri della zeta di Riemann e la congettura di Hodge per le varietà abeliane CM. In media, ogni risultato ha usato calcolo grosso modo equivalente a tre ore di “pensiero” di ChatGPT Pro. È un riferimento utile, ma non va letto come “ogni problema ha richiesto tre ore”. Il numero descrive il compute medio per risultato, non il tempo totale trascorso né il costo dei tentativi falliti.

Per contesto, questa metodologia è molto più sistematica di quanto visto prima. Quando ad agosto Astra ha risolto dieci problemi aperti, ogni soluzione sarebbe costata circa 2.000 $ di inferenza. Prima ancora, lo sprint su Navier-Stokes ha impiegato 10.000 agenti in parallelo per 88 ore con un costo stimato di 22,5 milioni di dollari di compute totale, un approccio brute-force che ha generato sia un risultato sia una disputa significativa sui crediti. La pubblicazione del 6 ottobre assomiglia meno a uno sprint e più a un programma di ricerca sostenuto: compute per risultato più basso, copertura più ampia, una struttura deliberata intorno a famiglie di risultati correlati.

OpenAI ha pubblicato sintesi del ragionamento per 10 risultati, insieme a stime di compute e statistiche sui problemi tentati. L’Advisory Group on Mathematics and Artificial Intelligence ha chiesto di andare oltre e pubblicare tutti i prompt e le catene di pensiero complete. C’è un divario tra ciò che OpenAI ha fornito e ciò che parte della comunità matematica vorrebbe vedere.

Come sono state verificate le dimostrazioni matematiche di OpenAI?

La verifica è probabilmente la parte più cruciale di questa storia. Vale la pena essere precisi sui diversi livelli coinvolti.

Formalizzazione in Lean

Lean è un linguaggio di programmazione e un assistente alla dimostrazione che permette di esprimere le prove matematiche in una forma che un computer può controllare meccanicamente. Se una dimostrazione è verificata in Lean, i passaggi logici sono formalmente corretti date le ipotesi dichiarate. Molti dei 722 manoscritti hanno formalizzazioni in Lean di accompagnamento, anche se non tutti.

Ciò che la verifica in Lean stabilisce è la correttezza formale. Ciò che non stabilisce è se l’enunciato formale rappresenti accuratamente la questione matematica intesa, se il risultato sia davvero nuovo o se il ragionamento sia significativo per i matematici che vogliono costruirci sopra.

Verifica matematica umana

Qui le cose rallentano. I matematici devono ancora determinare se l’enunciato formale catturi effettivamente il problema aperto che si dichiara affrontare, se la tecnica di dimostrazione sia nuova e se il risultato sia inedito rispetto alla letteratura esistente. Dana Moshkovitz, teorica della complessità, ha descritto i manoscritti come qualcosa che “sembra scritto da qualcuno sotto psichedelici” e abbastanza difficili da leggere senza l’aiuto dell’IA, pur riconoscendo che c’è molto da imparare dai risultati. Correttezza tecnica insieme a un’esposizione difficile da seguire crea lavoro reale per chi verifica.

Peer review e verifica indipendente

Pubblicare su GitHub non è peer review. Il comitato consultivo ha dichiarato chiaramente che la pubblicazione rappresenta “l’inizio, non il completamento, del processo di comprensione umana e di incorporazione del lavoro nella conoscenza matematica”. Con 722 manoscritti in 20 sotto-campi, una valutazione indipendente completa è un progetto da anni.

Correttezza formale, comprensione matematica, novità e importanza scientifica sono tutte domande distinte. Una dimostrazione verificata in Lean può soddisfare la prima senza risolvere le altre.

Quanta parte della matematica è stata davvero fatta dall’IA?

Non c’è una risposta netta.

Gli umani hanno scelto o formulato molti dei problemi sottoposti al modello. La letteratura matematica esistente ha fornito il contesto intellettuale in cui l’IA ha lavorato. Il modello ha generato le argomentazioni matematiche. I ricercatori umani hanno aiutato a preparare i manoscritti, e Lean ha formalizzato le dimostrazioni. Quindi “chi ha fatto la matematica?” comprende una catena di contributi, non un’unica parte.

Alcuni matematici hanno sollevato una preoccupazione più netta: che il modello a volte possa portare a compimento linee di ricerca umane esistenti piuttosto che scoprire in modo indipendente un approccio nuovo. Questo è emerso in modo acuto dopo l’annuncio sui Navier-Stokes. Il matematico Tristan Buckmaster, il cui lavoro assistito da IA su equazioni correlate è apparso poche ore prima dell’annuncio di OpenAI, ha sollevato serie questioni di attribuzione. Ha affermato che un anno del suo lavoro non pubblicato avrebbe, volontariamente o meno, indirizzato lo sprint di OpenAI; OpenAI ha negato di aver avuto accesso a prompt privati o ricerche non pubblicate. La disputa resta irrisolta. La stessa preoccupazione, su quali basi intellettuali un risultato dell’IA si costruisca realmente, si applica alla pubblicazione di ottobre, anche quando nessun singolo ricercatore è nominato.

L’economista Joshua Gans ha proposto un quadro utile: la scoperta matematica ha tre fasi. Scegliere il problema, risolvere il problema, comprendere e applicare il risultato. L’IA potrebbe automatizzare sempre più la fase centrale. Questo non annulla la distinzione tra contributo umano e di macchina, ma ridistribuisce dove va lo sforzo.

Perché i matematici sono preoccupati?

Le preoccupazioni non sono uniformi. Sarebbe inesatto descrivere la comunità matematica come semplicemente resistente all’IA. Ecco cosa preoccupa davvero i critici più seri.

La comprensione potrebbe restare indietro rispetto alla scoperta

Quando un matematico umano produce una dimostrazione, il processo in genere genera strumenti, intuizioni e idee che entrano a far parte della cultura matematica. Quando un modello produce una dimostrazione corretta ma opaca, il risultato esiste senza quella comprensione circostante. Terence Tao, che prima dell’annuncio su Navier-Stokes aveva avvertito esplicitamente del costo opportunità nel trasformare problemi aperti storicamente produttivi in momenti virali da benchmark, ha espresso la preoccupazione che accumulare risposte corrette senza capire come o perché siano vere sia dannoso per la pratica della matematica nel lungo periodo. Non è solo una questione estetica.

Centinaia di risultati sono difficili da rivedere

La capacità della comunità matematica per la peer review è finita. Quando un’IA può generare ricerca più velocemente di quanto la comunità possa valutarla, si accumula un arretrato che distorce il modo in cui la conoscenza matematica si consolida. Un critico ha descritto la pubblicazione come “sospettosamente in stile Gish Gallop”, inondando il campo con così tanti manoscritti che gli errori potrebbero restare incontestati per anni. Questa preoccupazione ha un precedente recente: la pubblicazione di agosto con dieci problemi risolti da Astra non è stata completamente sottoposta a peer review a mesi di distanza. Settantadue volte quel volume è una sfida di tutt’altra categoria.

Ricerca umana esistente e attribuzione

Diversi risultati si basano su lavori precedenti specifici di ricercatori nominati. Come rappresentare quel debito intellettuale è davvero oggetto di contesa. L’episodio su Navier-Stokes lo ha reso concreto: un ricercatore ha trascorso un anno su un lavoro non pubblicato che potrebbe aver indirizzato uno sprint di IA multimilionario, e si è ritrovato a dover rispondere a domande sulla sua carriera. Le raccomandazioni del gruppo consultivo hanno affrontato specificamente le procedure di citazione per questo motivo.

Modelli proprietari creano accesso diseguale

Il modello che ha prodotto questi risultati non è disponibile pubblicamente. I matematici accademici che vogliono lavorare a questo livello di capacità non hanno gli stessi strumenti dei team interni di OpenAI. Le raccomandazioni del 29 settembre del gruppo consultivo hanno chiesto esplicitamente ai laboratori di IA di smettere di testare problemi matematici avanzati su modelli proprietari non accessibili alla comunità di ricerca più ampia. OpenAI ha riconosciuto la raccomandazione senza adottarla pienamente.

La ricerca matematica potrebbe concentrarsi all’interno dei laboratori di IA

Se la frontiera della scoperta matematica richiede accesso a compute di frontiera e modelli proprietari, allora le decisioni su quali problemi contano e quali risultati vengono pubblicizzati potrebbero essere prese sempre più all’interno di un numero ristretto di organizzazioni private. È una struttura molto diversa da quella che la matematica ha storicamente avuto.

Queste sono preoccupazioni sollevate da membri della comunità matematica, non conclusioni definitive, e non tutti i matematici le condividono allo stesso modo.

Il nuovo approccio di OpenAI alla pubblicazione di matematica con l’IA

OpenAI ha fatto alcune mosse per affrontare le preoccupazioni della comunità, anche se il gruppo consultivo ha chiesto di più.

La pubblicazione è su GitHub con licenza Apache-2.0 e protocolli di revisione. Le versioni precedenti restano accessibili quando vengono fatte correzioni. Ogni manoscritto include un blocco BibTeX per la citazione. Molti risultati sono accompagnati da formalizzazioni in Lean. OpenAI ha pubblicato sintesi del ragionamento per 10 risultati e stime di compute espresse in ore di ChatGPT Pro.

OpenAI ha consultato l’Advisory Group on Mathematics and Artificial Intelligence dell’Institute for Advanced Study durante tutta questa pubblicazione. Il gruppo include Melanie Matchett Wood (Harvard), Edward Witten (IAS), Ravi Vakil (Stanford), Ulrike Tillmann (Oxford) e altri, nove matematici di spicco che operano in modo indipendente e senza compenso da OpenAI.

La loro posizione è che la pubblicazione è un punto di partenza. Melanie Wood l’ha descritta come “l’inizio, non il completamento, del processo di comprensione umana”. Il gruppo ha chiesto a OpenAI di pubblicare tutti i prompt e le catene di pensiero complete, di usare archivi accademici con identificatori citabili persistenti invece di GitHub e di sostenere lo sviluppo della comprensione umana tramite istituzioni non controllate dai laboratori di IA. OpenAI si è impegnata a lavorare verso quegli standard. Non li ha ancora soddisfatti tutti.

Cosa significa l’IA per il ruolo dei matematici?

La domanda più interessante non è se l’IA sostituisca i matematici. Non lo fa, almeno non ancora, e forse non nei modi che contano di più. La domanda più interessante è come cambia il lavoro matematico quando la generazione di dimostrazioni diventa drasticamente più economica.

Tornando allo schema scegli → risolvi → comprendi: se l’IA gestisce sempre più il passaggio “risolvi”, l’expertise umana diventa più preziosa alle estremità. Decidere quali problemi vale la pena perseguire, formulare buone congetture, interpretare cosa significa un risultato, collegare una scoperta alla matematica esistente, applicare i risultati in nuovi contesti. Queste sono le fasi in cui il giudizio umano resta indispensabile. Come ho scritto nel mio articolo sui risultati di Astra di agosto, l’abilità di porre un buon problema e sapere quale valga la pena attaccare è esattamente ciò che l’IA non può ancora replicare. Osservazione che da allora è solo diventata più pertinente.

Il matematico Mehtaab Sawhney, entrato in OpenAI nel 2026 dopo aver lavorato alla Columbia, ha osservato che, man mano che l’IA accelera la scoperta, il principale collo di bottiglia per i matematici umani si sta spostando dalla generazione di dimostrazioni all’assorbimento e alla contestualizzazione della matematica generata dall’IA.

Quando la generazione di dimostrazioni diventa più economica, cambia dove sta la scarsità. La risorsa scarsa potrebbe essere sempre meno la capacità di dimostrare cose e sempre più la capacità di scegliere le cose giuste da dimostrare e capire perché le loro soluzioni contano.

Conclusione

La pubblicazione del 6 ottobre va intesa come l’ultimo passo in una traiettoria che ha accelerato per tutto l’anno. Ad agosto, Astra ha risolto dieci problemi vecchi di decenni in un solo giorno. A settembre, uno sprint di 88 ore con 10.000 agenti ha prodotto un’affermazione contestata ma verificata in Lean sulla variante del Problema del Millennio di Navier-Stokes, insieme a una disputa irrisolta sui crediti che ha messo in luce tensioni reali tra IA e ricerca indipendente. Ora, a ottobre, lo stesso modello di frontiera ha prodotto 722 manoscritti in 20 sotto-campi in poche settimane.

Alcuni di questi risultati — la regione priva di zeri per la zeta di Riemann, il vincolo sulla moltiplicazione di matrici, l’isomorfismo dei fattori di gruppi liberi — hanno già attirato seria attenzione da parte di matematici che conoscono bene queste aree. Ma il conteggio dei manoscritti non è la storia. Ciò che conta è se i singoli risultati reggono, se sono davvero nuovi e se la comunità matematica riesce ad assimilarli. La verifica in Lean stabilisce la correttezza formale, non la comprensione matematica. Pubblicare su GitHub non è peer review. Con 722 manoscritti, una valutazione indipendente completa richiederà anni.

Il campo si trova ora ad affrontare una domanda inedita: non se l’IA possa risolvere problemi matematici difficili, ma cosa succede quando può produrre ricerca matematica più velocemente di quanto gli umani possano valutarla. Se la generazione di dimostrazioni diventa abbastanza economica da inondare la letteratura, la risorsa scarsa si sposta dal generare risposte allo scegliere le domande giuste e capire perché quelle risposte contano. È un cambiamento in ciò che la matematica richiede ai matematici. Non la fine del lavoro.