OpenAI pubblica 722 risultati matematici prodotti dall'AI: dettagli sul nuovo modello

OpenAI ha messo a disposizione della comunità scientifica un vasto catalogo di risultati matematici, pubblicato il 6 ottobre 2026 su GitHub e sul proprio blog aziendale. Il repository contiene 722 articoli, di cui 719 sono ancora soggetti a valutazione da parte di esperti indipendenti. Questo numero è inferiore ai 722 iniziali perché tre dei risultati sono già stati “smentiti”, e l’azienda prevede che altri possano essere ritirati in futuro.

Struttura del catalogo

Il materiale è organizzato in 372 “famiglie” di risultati. Una famiglia può comprendere un risultato principale, dimostrazioni alternative, conseguenze o lavori collegati, fornendo così una visione completa della scoperta e delle sue possibili estensioni. L’organizzazione per famiglie consente ai ricercatori di esplorare rapidamente le varianti di un singolo problema e di valutare la robustezza delle soluzioni proposte.

Problemi del millennio nel catalogo

Tra i risultati figurano contributi a tre dei sette problemi del millennio, ovvero le congetture più prestigiose e premiate dal Clay Mathematics Institute con un premio di un milione di dollari ciascuna. I tre problemi affrontati sono:

• La congettura di Hodge
• La congettura di Birch e Swinnerton‑Dyer
• L’ipotesi di Riemann

Per tutti e tre il modello ha prodotto soltanto risultati parziali: nessuna delle tre congetture è stata risolta integralmente, ma le dimostrazioni fornite aprono nuove linee di indagine e generano ipotesi testabili che potranno essere verificate da esperti umani.

Verifica formale in Lean

Per facilitare la verifica automatica, OpenAI ha tradotto le dimostrazioni in Lean, un linguaggio di programmazione dedicato alla formalizzazione di teorie matematiche. Attualmente solo circa il 40 % dei risultati è coperto da una verifica formale completa, ma la presenza di codice Lean rappresenta un passo significativo verso la trasparenza e l’affidabilità dei risultati prodotti dall’AI.

Il modello interno non disponibile al pubblico

Secondo la comunicazione ufficiale di OpenAI, quasi tutti i risultati sono stati generati con la stessa procedura, utilizzando un modello proprietario che non è ancora stato rilasciato. Durante la fase di valutazione, il modello è stato sottoposto a circa 4 000 problemi aperti; i risultati ritenuti più rilevanti sono stati raccolti e raggruppati nelle 372 famiglie del catalogo.

Confronto con la precedente impresa sui Navier‑Stokes

Un mese prima, OpenAI aveva annunciato la risoluzione del problema del millennio delle equazioni di Navier‑Stokes, impiegando 10 000 agenti AI per 88 ore di calcolo, con costi computazionali nell’ordine di diversi milioni di dollari. In contrasto, per i 719 risultati attuali il portavoce di OpenAI ha dichiarato che:

• Ogni risultato è stato ottenuto con un solo agente e una singola richiesta;
• Il costo computazionale medio corrisponde a circa tre ore di utilizzo di ChatGPT Pro con la modalità “ragionamento”.

Se confermati, questi dati indicano un miglioramento sostanziale nell’efficienza del modello, suggerendo che le capacità matematiche dell’AI siano in rapido avanzamento.

Impatto sul metodo di ricerca matematica

L’avvento di sistemi AI capaci di produrre dimostrazioni verificabili sta trasformando il panorama della ricerca matematica. Tuttavia, la velocità con cui laboratori come OpenAI pubblicano risultati ha suscitato perplessità nella comunità accademica. Dopo l’annuncio sui Navier‑Stokes, numerose critiche hanno evidenziato accuse di plagio e una percezione di scarsa trasparenza nei processi di validazione.

Il premio Fields, Terence Tao, ha più volte espresso preoccupazione per il ritmo accelerato di queste pubblicazioni e per l’assenza di dettagli tecnici sulle richieste formulate al modello, ritenendo che la scienza debba mantenere standard di apertura e replicabilità.

Raccomandazioni della comunità indipendente

Il 29 settembre, un gruppo di matematici indipendenti, in collaborazione con OpenAI, ha emanato una serie di raccomandazioni volte a migliorare la trasparenza e la credibilità dei risultati AI‑driven. Tra le richieste più rilevanti troviamo:

• Rendere pubblici i modelli di AI utilizzati;
• Fornire le richieste esatte inviate al modello per ogni problema;
• Divulgare il tempo di calcolo impiegato per ciascuna soluzione.

OpenAI ha risposto condividendo solo il tempo medio di calcolo per problema e alcune statistiche aggregate, ma ha rifiutato di pubblicare le richieste specifiche e i dettagli completi sui costi. Fino ad oggi sono disponibili dieci esempi che illustrano il “ragionamento” dell’AI nella risoluzione di problemi diversi.

Prospettive future e disponibilità del modello

L’azienda afferma di lavorare per rilasciare il modello “in modo responsabile”, senza però fornire una tempistica precisa. Nel frattempo, il settore dell’intelligenza artificiale continua a puntare sulla matematica come dimostrazione di “oggettività” e di capacità di produrre risultati verificabili, al fine di rassicurare investitori e il pubblico sulla direzione verso la superintelligenza.

Molte aziende stanno inserendo la ricerca matematica tra le proprie priorità strategiche, vedendo nei risultati AI‑driven un modo per dimostrare che le loro tecnologie possono affrontare compiti complessi e rigorosi, ben al di là delle tradizionali applicazioni di generazione di testo o immagini.

Conclusioni

Il catalogo di 722 risultati matematici di OpenAI rappresenta una testimonianza tangibile dell’avanzamento delle capacità computazionali dell’intelligenza artificiale. La presenza di contributi a tre problemi del millennio, la formalizzazione in Lean e la dichiarata efficienza computazionale indicano un salto di qualità rispetto a progetti precedenti. Tuttavia, la mancanza di trasparenza completa, le critiche della comunità accademica e l’assenza di un piano di rilascio chiaro per il modello interno mostrano che il dibattito sulla legittimità e sull’impatto di queste scoperte è ancora aperto. Il futuro della ricerca matematica potrebbe vedere una stretta collaborazione tra AI e ricercatori umani, ma sarà fondamentale garantire che i risultati siano verificabili, replicabili e presentati con la massima responsabilità.