OpenAI sostiene di aver compiuto uno dei più importanti passi avanti mai realizzati dall’intelligenza artificiale nel campo della matematica. Martedì 6 ottobre 2026, l’azienda ha pubblicato su GitHub una raccolta di 722 manoscritti, organizzati in 372 famiglie di risultati, che riguardano centinaia di problemi matematici aperti da anni o addirittura da decenni. I documenti sono stati prodotti da un modello di intelligenza artificiale di frontiera, sviluppato internamente da OpenAI e non ancora rilasciato al pubblico.

Secondo l’azienda, gli agenti di IA avrebbero affrontato circa 4.000 problemi appartenenti a diversi settori, tra cui teoria dei numeri, geometria, algebra, informatica teorica, informazione quantistica e fisica matematica. Almeno 372 problemi avrebbero ricevuto una soluzione completa, una soluzione parziale o un progresso considerato significativo. OpenAI afferma inoltre che un risultato tipico avrebbe richiesto circa tre ore di calcolo.

La portata dell’annuncio ha spinto Sam Altman, amministratore delegato di OpenAI, a parlare dell’ingresso in una «nuova era della scoperta». La formula, tuttavia, deve essere letta con cautela: i manoscritti non sono ancora stati sottoposti a una revisione completa da parte della comunità matematica e molti risultati devono essere verificati da esperti indipendenti prima di poter essere considerati acquisiti dalla disciplina.

Un archivio senza precedenti per quantità e velocità

L’elemento più sorprendente dell’iniziativa non riguarda soltanto la complessità dei problemi affrontati, ma soprattutto la scala della produzione. In poche settimane, gli agenti di OpenAI avrebbero generato centinaia di documenti di ricerca su questioni che, in molti casi, erano rimaste senza risposta per lunghi periodi. La raccolta comprende 722 manoscritti, ma questi non corrispondono necessariamente a 722 problemi completamente distinti: i documenti sono raggruppati in 372 “famiglie di risultati”, nelle quali possono rientrare una dimostrazione principale, argomenti complementari, conseguenze dello stesso teorema o versioni alternative della medesima soluzione.

La differenza rispetto ai tradizionali sistemi di IA generativa è che il modello utilizzato da OpenAI non si sarebbe limitato a produrre testo matematico plausibile. Gli agenti avrebbero formulato congetture, cercato strategie dimostrative, verificato passaggi intermedi e costruito argomentazioni potenzialmente nuove. Il sistema, in base alla descrizione dell’azienda, sarebbe stato impiegato come uno strumento di ricerca capace di lavorare su più problemi in parallelo, anziché come un semplice assistente incaricato di spiegare dimostrazioni già conosciute.

Oltre ai manoscritti, il progetto comprende materiali di supporto, protocolli per le revisioni e le citazioni, nonché formalizzazioni in Lean per una parte consistente dei risultati. OpenAI ha spiegato che continuerà ad aggiornare l’archivio man mano che nuove dimostrazioni verranno formalizzate e controllate.

La velocità rappresenta un cambiamento potenzialmente radicale per la ricerca matematica. Tradizionalmente, un singolo problema può richiedere anni di lavoro, numerosi tentativi falliti e il confronto tra specialisti di diverse generazioni. Un sistema in grado di analizzare migliaia di problemi e di proporre centinaia di risultati in poche settimane potrebbe trasformare il modo in cui vengono selezionate le domande di ricerca, costruite le dimostrazioni e distribuito il lavoro tra esseri umani e macchine.

Dai problemi di Hilbert alle congetture del millennio

Tra i risultati indicati come più significativi compaiono progressi in alcune delle aree più difficili della matematica contemporanea. La raccolta comprende risultati legati alla Congettura di Hodge e alla Congettura di Birch e Swinnerton-Dyer, due dei sette Problemi del millennio individuati dal Clay Mathematics Institute. Sono inoltre presenti lavori collegati a una versione più debole dell’ipotesi di Riemann e all’estensione ai numeri razionali del decimo problema di Hilbert, formulato nel 1900.

La Congettura di Hodge riguarda il rapporto tra geometria algebrica e topologia. In termini molto semplificati, cerca di stabilire fino a che punto alcune strutture geometriche possano essere descritte attraverso oggetti algebrici. La Congettura di Birch e Swinnerton-Dyer, invece, è legata alle curve ellittiche e allo studio delle loro soluzioni razionali. Entrambi i problemi sono considerati estremamente complessi e fanno parte dei problemi per i quali è previsto un premio di un milione di dollari in caso di soluzione riconosciuta ufficialmente.

OpenAI sostiene di aver prodotto una prova della formula completa del termine introduttivo della Congettura di Birch e Swinnerton-Dyer per curve ellittiche definite sui numeri razionali. La formulazione, però, non equivale necessariamente alla soluzione generale della congettura: il risultato sarebbe valido in condizioni specifiche e dovrà essere esaminato per stabilire con precisione la sua portata.

Tra gli altri risultati citati figura una soluzione della Congettura di Kakeya in quattro dimensioni. La congettura riguarda configurazioni geometriche ottenute ruotando segmenti in diverse direzioni e ha collegamenti con l’analisi armonica, la teoria della misura e la teoria dei numeri. OpenAI ha indicato inoltre miglioramenti a diversi algoritmi fondamentali dell’informatica teorica e nuovi risultati in problemi di informazione quantistica e fisica matematica

Il precedente di Navier-Stokes

L’annuncio del 6 ottobre arriva poche settimane dopo un’altra dichiarazione che aveva suscitato forti reazioni. A settembre OpenAI aveva detto di aver risolto il problema dell’esistenza e della regolarità delle equazioni di Navier-Stokes, uno dei sette Problemi del millennio. Secondo la società, il risultato era stato ottenuto in circa 88 ore attraverso il lavoro coordinato di circa 10.000 agenti di intelligenza artificiale.

Le equazioni di Navier-Stokes descrivono il movimento dei fluidi, come acqua e aria. Il problema del millennio chiede di stabilire se, a partire da condizioni iniziali regolari, le soluzioni rimangano sempre regolari oppure possano sviluppare una singolarità in un tempo finito. OpenAI ha sostenuto che il proprio sistema avrebbe dimostrato la possibilità di una formazione spontanea di singolarità, corrispondente a una delle formulazioni ammesse dal problema ufficiale.

Anche in quel caso, tuttavia, l’annuncio dell’azienda non equivaleva automaticamente al riconoscimento ufficiale della soluzione. Una dimostrazione matematica deve essere controllata da specialisti, confrontata con la letteratura esistente e valutata secondo le procedure della comunità scientifica. Il Clay Mathematics Institute, che assegna il premio da un milione di dollari, non considera risolto un problema soltanto perché una società o un gruppo di ricerca pubblica una propria dimostrazione.

Il precedente di Navier-Stokes ha reso ancora più importante il nuovo rilascio. Da una parte, OpenAI presenta i due annunci come prove della capacità dei suoi modelli di affrontare problemi di ricerca autentici. Dall’altra, molti matematici temono che dichiarazioni estremamente ambiziose possano anticipare troppo la verifica indipendente, creando confusione tra una proposta promettente e un risultato definitivamente accettato.

Lean e il problema della verifica

Una parte importante del progetto riguarda Lean, un sistema di formalizzazione e verifica delle dimostrazioni matematiche. Lean permette di tradurre una prova in un linguaggio che può essere controllato da un computer. Se il codice è corretto e utilizza librerie affidabili, il sistema può verificare che i passaggi rispettino le regole logiche previste.

La formalizzazione in Lean costituisce una garanzia significativa contro molti errori formali. Un passaggio mancante, un’ipotesi usata senza essere stata dichiarata o una deduzione non valida possono essere individuati dal sistema. Per questa ragione, OpenAI ha incluso nel repository le formalizzazioni di numerosi risultati, insieme ai manoscritti che spiegano le dimostrazioni in linguaggio matematico tradizionale.

Lean, tuttavia, non risolve ogni problema. La verifica automatica conferma che una determinata sequenza di passaggi è coerente con le definizioni e i teoremi utilizzati, ma non stabilisce da sola quanto sia originale, importante o illuminante il risultato. Una dimostrazione potrebbe essere formalmente corretta e, allo stesso tempo, ricombinare metodi già noti senza introdurre un’idea realmente nuova.

Inoltre, non tutti i manoscritti pubblicati da OpenAI sono già formalizzati in Lean. L’azienda stessa ha precisato che i documenti privi di formalizzazione possono contenere errori e dovranno essere verificati da esperti. Il repository rappresenta quindi un punto di partenza per il controllo, non un certificato automatico secondo cui ogni risultato è corretto e definitivo.

La differenza può essere illustrata con un esempio: un programma può verificare che una dimostrazione segua correttamente le regole stabilite, ma sono i matematici a dover valutare se quella dimostrazione risolve davvero il problema annunciato, se le sue ipotesi sono applicabili e se il risultato modifica in modo sostanziale la conoscenza esistente.

Le critiche della comunità matematica

La pubblicazione ha prodotto entusiasmo, sorpresa e preoccupazione. Alcuni ricercatori hanno descritto l’elenco dei risultati come uno degli eventi più impressionanti nella storia recente della matematica. Il matematico Alex Kontorovich, commentando i progressi legati alla versione quasi-Riemann, ha reagito con incredulità, osservando che un risultato di quella portata, se ottenuto da un essere umano, avrebbe potuto rappresentare un traguardo degno del massimo riconoscimento accademico.

Altri commentatori hanno adottato un tono ancora più drammatico, descrivendo la pubblicazione come un evento capace di modificare radicalmente il rapporto tra ricerca umana e intelligenza artificiale. Sui social network, alcuni utenti hanno sostenuto che OpenAI stesse minimizzando la portata dell’annuncio per ragioni di comunicazione pubblica, mentre altri hanno sottolineato che nessuno dei risultati più importanti può ancora essere considerato confermato senza una verifica esterna completa.

Le critiche principali riguardano due aspetti: il metodo e la trasparenza. La prima preoccupazione è che l’IA possa produrre in massa dimostrazioni difficili da leggere e valutare, senza possedere una comprensione concettuale paragonabile a quella di un matematico. Se centinaia di manoscritti arrivano contemporaneamente, la comunità scientifica deve investire mesi o anni soltanto per stabilire quali siano corretti, quali siano già impliciti nella letteratura e quali contengano idee davvero originali.

Il secondo problema riguarda il fatto che il modello utilizzato non sia pubblico. OpenAI non ha ancora rilasciato il sistema che ha prodotto i risultati e non ha reso disponibili tutti i prompt, i passaggi dettagliati del ragionamento e le informazioni necessarie per ricostruire integralmente il processo che ha portato alle dimostrazioni. Sono stati pubblicati soltanto riassunti abbreviati del ragionamento per una parte dei risultati, indicati in alcune descrizioni come dieci esempi tra centinaia di manoscritti.

Questa limitazione rende più difficile comprendere come siano state formulate le strategie, quali tentativi siano falliti e quale ruolo abbiano avuto le conoscenze matematiche già presenti nei dati di addestramento. La matematica non consiste soltanto nel raggiungere una conclusione corretta: comprende anche la spiegazione, l’intuizione, la scelta delle definizioni e la capacità di collegare un risultato ad altri settori.

Il ruolo del gruppo consultivo AGMAI

Prima della pubblicazione, OpenAI ha dichiarato di essersi confrontata con l’Advisory Group on Mathematics and Artificial Intelligence, noto come AGMAI, un gruppo consultivo indipendente ospitato dall’Institute for Advanced Study. Il gruppo è stato creato per riflettere sul rapporto tra intelligenza artificiale, ricerca matematica e comunità scientifica, oltre che sulle modalità con cui i risultati prodotti dall’IA dovrebbero essere pubblicati e verificati.

OpenAI ha affermato di aver seguito le raccomandazioni pubbliche del gruppo per organizzare il rilascio dei manoscritti. Tuttavia, alcuni studiosi hanno sottolineato che la pubblicazione attuale rappresenta soltanto «l’inizio, non il completamento» dell’analisi dei risultati. L’idea è che la disponibilità dei documenti non basti: occorre rendere possibile una valutazione completa, trasparente e riproducibile.

Tra le richieste avanzate figurano la condivisione dei prompt utilizzati, la pubblicazione dei ragionamenti passo dopo passo, una descrizione chiara delle fonti matematiche impiegate e informazioni precise sul contributo umano. Questi elementi servirebbero a capire se l’IA abbia prodotto dimostrazioni originali oppure se abbia ricombinato risultati già presenti nella letteratura.

La questione dell’attribuzione è particolarmente delicata. I modelli matematici vengono addestrati su grandi quantità di testi, inclusi articoli e libri prodotti da ricercatori umani. Se un sistema genera una dimostrazione utilizzando concetti sviluppati da studiosi precedenti, bisogna stabilire come riconoscere il lavoro originario e come attribuire il merito al nuovo risultato.

Scoperta scientifica o produzione industriale?

Uno dei punti più controversi è il paragone tra la ricerca matematica tradizionale e il modello di produzione automatizzata proposto da OpenAI. La società presenta la capacità di analizzare migliaia di problemi come una forma di accelerazione della ricerca. Secondo questa prospettiva, l’IA potrebbe occuparsi dell’esplorazione iniziale, individuare collegamenti inattesi e fornire dimostrazioni che gli esseri umani potranno poi comprendere, semplificare e sviluppare.

I critici temono invece che il numero di documenti diventi un valore in sé. Centinaia di manoscritti non equivalgono necessariamente a centinaia di scoperte importanti. Un articolo matematico può essere formalmente corretto ma avere un impatto limitato, riguardare un caso molto specifico oppure derivare da una combinazione di risultati noti. La quantità, dunque, non può sostituire la valutazione della qualità.

Il confronto è simile a quello tra la produzione automatica di ipotesi e la ricerca scientifica compiuta. Un sistema può generare migliaia di idee, ma soltanto una parte sarà corretta, interessante e utile. Il lavoro umano non scompare: cambia natura. I matematici dovranno selezionare i risultati, verificarli, individuare gli errori, spiegare le intuizioni e determinare quali conseguenze abbiano per la disciplina.

Questa trasformazione potrebbe comunque essere profonda. Se un ricercatore dispone di strumenti capaci di esplorare rapidamente grandi spazi di possibilità, il tempo necessario per arrivare a una congettura o a una dimostrazione potrebbe ridursi drasticamente. Al tempo stesso, il vantaggio dipenderà dalla possibilità di comprendere i risultati e non soltanto di produrli.