Intelligenza artificiale e matematica, come cambia la ricerca tra dimostrazione e comprensione
Quando l'intelligenza artificiale inizia a fare matematica: la fine di un'era o l'inizio di una nuova?
Negli ultimi mesi l'intelligenza artificiale ha iniziato a ottenere risultati matematici che, fino a poco tempo fa, sembravano fuori dalla sua portata. Non stiamo parlando di risolvere equazioni scolastiche, superare competizioni matematiche o aiutare i ricercatori a scrivere dimostrazioni. Stiamo parlando di affrontare problemi aperti da decenni, alcuni dei quali hanno impegnato intere generazioni di matematici.
È un cambiamento che merita attenzione, non soltanto per la portata dei risultati, ma per le domande che solleva. Se una macchina può trovare una dimostrazione che nessun essere umano era riuscito a trovare, che cosa significa per la ricerca matematica? E che cosa succede se, un giorno, le macchine diventano capaci di sviluppare una matematica che nessun essere umano riesce più a comprendere?
Per ragionare sulle conseguenze conviene partire da ciò che sta accadendo.
Dalle moltiplicazioni di matrici ai problemi del millennio
Uno dei risultati più interessanti riguarda un'operazione che potrebbe sembrare piuttosto ordinaria: la moltiplicazione tra matrici.
Le matrici sono strutture matematiche fondamentali per moltissime applicazioni, dall'intelligenza artificiale alla simulazione scientifica, dalla grafica computerizzata all'analisi dei dati. Moltiplicare due matrici molto grandi richiede numerose operazioni e trovare algoritmi più efficienti è un problema su cui i matematici lavorano da decenni.
Con il metodo tradizionale, moltiplicare due matrici quadrate di dimensione n richiede un numero di operazioni che cresce come il cubo di n. Nel 1969 Volker Strassen dimostrò che si poteva fare meglio. Da allora, attraverso una lunga successione di risultati, il migliore esponente teorico conosciuto era sceso a poco più di 2,37.
Nell'ottobre 2026 OpenAI ha pubblicato una dimostrazione che porta questo valore a 2,25, accompagnata da una formalizzazione matematica verificabile al computer.
Può sembrare una differenza modesta, ma in termini teorici è un progresso significativo. Non significa, naturalmente, che da domani tutti i computer saranno più veloci. Il risultato riguarda il comportamento asintotico dell'algoritmo e non garantisce vantaggi immediati nelle applicazioni pratiche. Potrebbero essere necessari ulteriori anni di ricerca per trasformarlo in strumenti concretamente utilizzabili.
Rimane però un fatto importante: un sistema di intelligenza artificiale ha prodotto un risultato in un ambito nel quale generazioni di matematici avevano progressivamente migliorato i limiti conosciuti.
Ancora più sorprendente è quanto accaduto con le equazioni di Navier-Stokes, utilizzate per descrivere il movimento dei fluidi. Queste equazioni sono fondamentali per comprendere fenomeni che vanno dalle correnti atmosferiche al flusso sanguigno, ma nascondono un problema matematico aperto da quasi un secolo.
La domanda, semplificando, è se un fluido che parte da condizioni regolari possa sviluppare, in determinate circostanze, una singolarità: una situazione in cui alcune grandezze matematiche diventano illimitate.
Il problema è così importante da essere incluso tra i sette Problemi del Millennio, ciascuno associato a un premio di un milione di dollari.
Nel settembre 2026 OpenAI ha annunciato una possibile soluzione, prodotta attraverso un sistema composto da circa diecimila agenti artificiali che hanno collaborato per circa 88 ore. Il risultato propone la costruzione di una singolarità in presenza di una forza esterna regolare, una delle possibilità previste dalla formulazione ufficiale del problema.
La notizia ha suscitato grande interesse. Lo stesso Clay Mathematics Institute, l'istituzione che ha formulato i Problemi del Millennio, ha riconosciuto la portata potenziale dell'annuncio, sottolineando però la necessità di una valutazione accurata.
Ed è proprio qui che emerge un aspetto fondamentale. La correttezza della dimostrazione non è ancora universalmente accettata. Alcuni ricercatori hanno individuato discrepanze tra il testo matematico e la sua versione formalizzata al computer. Inoltre, il risultato annunciato riguarda una situazione con una particolare forza esterna: non risolve automaticamente tutte le questioni sulle equazioni di Navier-Stokes, comprese quelle relative al caso senza forzanti.
Non sappiamo quindi ancora quale sarà il giudizio definitivo. Ma il fatto che una macchina possa produrre una proposta di questa complessità, sufficientemente articolata da richiedere un serio lavoro di verifica da parte della comunità scientifica, è già di per sé significativo.
Centinaia di dimostrazioni in pochi giorni
La portata del cambiamento diventa ancora più evidente osservando quello che è accaduto all'inizio di ottobre.
Il 6 ottobre 2026 OpenAI ha pubblicato contemporaneamente 722 manoscritti matematici, organizzati in 372 gruppi di risultati collegati tra loro. Il materiale riguarda settori molto diversi, dalla teoria dei numeri alla geometria, dall'algebra all'informatica teorica.
Nei giorni successivi tre manoscritti sono stati ritirati a causa di un errore matematico e altri quattordici sono stati modificati. Il catalogo conta quindi attualmente 719 manoscritti. Circa il 42% dei risultati principali dispone di una formalizzazione nel linguaggio Lean, che permette di controllare automaticamente la validità logica delle dimostrazioni.
Non significa che OpenAI abbia risolto definitivamente 372 problemi aperti. I risultati hanno livelli differenti di verifica, importanza e originalità. Alcuni potrebbero richiedere correzioni, altri potrebbero rivelarsi conseguenze di conoscenze già disponibili.
Ma anche tenendo conto di questi limiti, il fenomeno è straordinario.
Per molto tempo la ricerca matematica è stata caratterizzata da una relativa scarsità di dimostrazioni. Risolvere un problema importante poteva richiedere anni o decenni di lavoro, durante i quali venivano sviluppate nuove idee, tecniche e intuizioni.
Ora iniziamo a intravedere una situazione diversa: la possibilità di generare risultati matematici a una velocità superiore a quella con cui la comunità scientifica riesce a esaminarli e comprenderli.
Il matematico Terence Tao ha recentemente descritto questo passaggio come la possibile fine dell'epoca romantica della matematica, quella caratterizzata da grandi problemi e singoli ricercatori capaci di risolverli dopo anni di lavoro.
Non è necessariamente la fine della matematica. Potrebbe essere l'inizio di una sua trasformazione da attività prevalentemente individuale a processo di scoperta sempre più collettivo, industrializzato e assistito dalle macchine.
Una matematica che gli esseri umani non riuscirebbero a scoprire
Enormi opportunità
La matematica è alla base di gran parte della ricerca scientifica e tecnologica. Nuovi risultati possono migliorare algoritmi, rendere possibili simulazioni più accurate, chiarire fenomeni fisici o aprire strade in campi nei quali oggi non sappiamo nemmeno come procedere.
Spesso, inoltre, il valore di una scoperta matematica diventa evidente soltanto molti anni dopo. Alcune idee sviluppate per pura curiosità teorica sono diventate fondamentali per la crittografia, le telecomunicazioni e l'informatica moderna.
Un'intelligenza artificiale capace di esplorare rapidamente migliaia di ipotesi potrebbe quindi accelerare non soltanto la soluzione di problemi conosciuti, ma anche la scoperta di connessioni tra settori della matematica apparentemente lontani.
Esiste però una possibilità ancora più interessante.
La matematica che conosciamo è anche il risultato dei limiti cognitivi umani. Scegliamo rappresentazioni, costruzioni e tecniche che riusciamo a manipolare mentalmente, insegnare e trasmettere. Le nostre intuizioni sono influenzate dall'esperienza, dalla geometria, dal linguaggio e dalla storia delle idee.
Un sistema artificiale non deve necessariamente seguire gli stessi percorsi.
Potrebbe sviluppare strategie che a noi non verrebbero in mente, utilizzare rappresentazioni difficili da visualizzare oppure individuare strutture matematiche che non siamo abituati a cercare. Potrebbe arrivare a risultati attraverso milioni di passaggi che nessun ricercatore sarebbe in grado di ricostruire interamente.
In uno scenario futuro, potremmo quindi disporre di una matematica corretta, utile e verificabile, ma non realmente comprensibile da un singolo essere umano.
Questo non significa necessariamente che le macchine avranno scoperto qualcosa di incomprensibile in linea di principio. Potremmo semplicemente non avere ancora il linguaggio, gli strumenti concettuali o il tempo necessario per comprenderlo.
La distinzione è importante. Nella storia della matematica è già accaduto che risultati inizialmente estremamente complessi abbiano portato, successivamente, alla nascita di nuove teorie capaci di spiegarli in modo più semplice.
L'intelligenza artificiale potrebbe amplificare enormemente questo processo. Ma potrebbe anche creare una distanza crescente tra ciò che siamo capaci di dimostrare e ciò che siamo capaci di capire.
Dimostrare non significa necessariamente comprendere
La matematica occupa una posizione particolare tra le scienze. In fisica una teoria deve confrontarsi con gli esperimenti; in matematica una proposizione può essere stabilita attraverso una dimostrazione rigorosa.
Questo rende la matematica un terreno particolarmente interessante per l'intelligenza artificiale. Possiamo costruire sistemi capaci di verificare formalmente i passaggi di una dimostrazione senza affidarci soltanto al giudizio umano.
Strumenti come Lean rappresentano un'opportunità straordinaria: una prova sufficientemente formalizzata può essere controllata da un programma progettato per accettare soltanto inferenze valide.
Ma bisogna distinguere due questioni. La prima è verificare che una dimostrazione sia logicamente corretta rispetto agli enunciati formalizzati. La seconda è verificare che quegli enunciati rappresentino davvero il problema matematico che volevamo risolvere. Sono problemi diversi.
Proprio nel caso di Navier-Stokes, Alexander Bastounis, Fabian Circelli e Anders Hansen hanno pubblicato un'analisi che evidenzia discrepanze tra alcuni passaggi della dimostrazione scritta e quelli verificati nel sistema formale. Questo non prova automaticamente che il risultato finale sia falso, ma mostra perché l'esistenza di una certificazione informatica non debba essere confusa con la comprensione e la validazione dell'intero lavoro.
E anche una dimostrazione perfettamente corretta non risponde necessariamente alla domanda più interessante: perché quel risultato è vero?
Una dimostrazione può stabilire una proprietà attraverso migliaia di passaggi tecnici senza offrirci un'intuizione utile per affrontare altri problemi.
Per i matematici, invece, spesso il valore di una dimostrazione non risiede soltanto nella conclusione, ma nelle idee che introduce. Sono quelle idee che permettono di generalizzare un risultato, costruire nuove teorie e formulare domande migliori.
Se l'intelligenza artificiale diventerà capace di dimostrare teoremi molto più rapidamente di quanto riusciamo a comprenderli, rischieremo di trasformare la ricerca matematica in un enorme archivio di verità delle quali conosciamo poco il significato.
Non sarebbe necessariamente inutile. Ma sarebbe una forma di conoscenza diversa da quella che abbiamo costruito fino a oggi.
Chi formerà i matematici del futuro?
Esiste poi un problema meno spettacolare, ma forse altrettanto importante: come si forma un matematico?
Tradizionalmente si impara affrontando problemi progressivamente più difficili, commettendo errori, sviluppando intuizioni e imparando a costruire dimostrazioni. Un giovane ricercatore cresce lavorando su problemi ancora aperti, spesso più accessibili di quelli affrontati dai grandi esperti.
Ma che cosa accade se quei problemi possono essere risolti quasi istantaneamente da un sistema artificiale? Il rischio non riguarda soltanto la motivazione individuale. Riguarda il meccanismo con cui una disciplina riproduce e sviluppa le proprie competenze.
Se deleghiamo sistematicamente alle macchine la parte più difficile della ricerca, potremmo ritrovarci con generazioni di studiosi sempre più capaci di utilizzare strumenti avanzati, ma meno allenati a costruire autonomamente nuove idee.
D'altra parte, sarebbe altrettanto sbagliato immaginare di preservare la formazione matematica semplicemente impedendo agli studenti di utilizzare l'intelligenza artificiale.
La disponibilità delle calcolatrici non ha eliminato la necessità di comprendere l'aritmetica. Ha modificato, piuttosto, quali attività fosse utile svolgere manualmente e quali potessero essere delegate.
Con l'AI potrebbe accadere qualcosa di analogo, ma su una scala decisamente maggiore. Dovremo probabilmente continuare a insegnare a ragionare e dimostrare senza l'aiuto delle macchine, perché alcune competenze si sviluppano soltanto attraverso l'esercizio diretto. Allo stesso tempo dovremo insegnare a usare le macchine per esplorare problemi più ambiziosi, verificare le soluzioni proposte e riconoscerne i limiti.
La sfida sarà costruire percorsi nei quali l'intelligenza artificiale aumenti le capacità degli studenti senza sostituire il processo attraverso cui quelle capacità si sviluppano.
Il futuro della ricerca non dipende soltanto dalla tecnologia
C'è infine una questione che riguarda l'organizzazione della ricerca. Produrre centinaia di dimostrazioni può essere relativamente economico per un'azienda che dispone di modelli e infrastrutture computazionali avanzate. Verificarle, comprenderle e integrarle nella conoscenza matematica richiede invece il tempo di ricercatori altamente specializzati.
Il rischio è che una parte crescente del lavoro della comunità scientifica venga indirizzata verso la verifica di risultati prodotti altrove, magari sottraendo tempo alla ricerca originale.
Si aggiungono domande sulla distribuzione del merito scientifico, sull'accesso ai modelli più potenti e sulla possibilità per università e ricercatori indipendenti di competere con organizzazioni che dispongono di risorse computazionali enormemente superiori.
Non è neppure evidente che il numero di teoremi dimostrati sia una buona misura del progresso matematico. Centinaia di risultati tecnici possono essere meno importanti di una nuova idea capace di unificare interi settori della disciplina.
Alcuni segnali incoraggianti, comunque, esistono. Nell'ottobre 2026 la Simons Foundation ha annunciato, insieme a OpenAI e Anthropic, un'iniziativa da 15 milioni di dollari in finanziamenti e risorse per aiutare i matematici a valutare i risultati prodotti dall'AI, sviluppare strumenti e costruire nuove modalità di collaborazione.
È un passo nella direzione giusta, ma pone anche una questione di fondo: la ricerca matematica dovrà continuare a essere guidata dalle domande della comunità scientifica, non soltanto dalle capacità e dagli obiettivi delle aziende che sviluppano i sistemi più avanzati.
Una nuova idea di progresso matematico
Siamo probabilmente soltanto all'inizio di questa trasformazione: è possibile che molte delle dimostrazioni attualmente annunciate vengano corrette o ridimensionate. È altrettanto possibile che nei prossimi anni l'intelligenza artificiale riesca a risolvere problemi ancora più difficili, aprendo direzioni di ricerca che oggi non siamo in grado di immaginare.
Non dobbiamo scegliere necessariamente tra l'entusiasmo per una macchina che risolve problemi impossibili e la paura di una matematica senza matematici. Possiamo riconoscere contemporaneamente il valore di queste nuove capacità e la necessità di preservare le condizioni che rendono possibile la ricerca: formazione, comprensione, confronto, accesso alla conoscenza e libertà di scegliere quali domande meritino di essere affrontate.
Forse il punto più interessante è proprio questo. Per secoli abbiamo misurato il progresso matematico anche attraverso la capacità di risolvere problemi che nessuno aveva ancora risolto. L'intelligenza artificiale potrebbe costringerci a dare maggiore importanza a un'altra capacità: capire quali problemi vale la pena porre, quali risultati sono davvero significativi e come trasformare una dimostrazione in una nuova comprensione del mondo.
Se le macchine riusciranno a fare matematica meglio di noi, non sarà necessariamente la fine della matematica umana ma dovremo imparare a distinguere sempre più chiaramente ciò che siamo capaci di dimostrare da ciò che siamo capaci di comprendere. E forse sarà proprio questa distinzione a definire la prossima fase della ricerca scientifica.
Luca Oneto è docente UniGe di Sistemi di elaborazione delle informazioni. I suoi articoli per il magazine di ateneo sono raccolti qui.