OpenAI sostiene di aver prodotto una soluzione al problema di esistenza e regolarità di Navier-Stokes, uno dei sette Millennium Prize Problems istituiti dal Clay Mathematics Institute nel 2000, ciascuno associato a un premio di un milione di dollari. La notizia è potenzialmente storica, ma va formulata con una cautela che nel mondo dell’intelligenza artificiale tende a durare meno di un benchmark appena pubblicato: non siamo ancora davanti a un problema matematico ufficialmente riconosciuto come risolto. OpenAI ha pubblicato una dimostrazione di 165 pagine e una formalizzazione verificata in Lean, ma il risultato deve ancora attraversare la verifica indipendente della comunità matematica e il processo previsto dal Clay Institute.
Il problema riguarda le equazioni di Navier-Stokes, formulate nel XIX secolo per descrivere il comportamento dei fluidi. Sono alla base della modellazione di fenomeni che vanno dalla turbolenza atmosferica alla progettazione aeronautica, dall’idrodinamica ai modelli del flusso sanguigno. Il punto matematico non è semplicemente calcolare la velocità di un fluido, ma stabilire se, partendo da condizioni iniziali regolari, le soluzioni tridimensionali delle equazioni rimangano sempre regolari oppure possano sviluppare una singolarità in un tempo finito. La dimostrazione proposta da OpenAI sostiene proprio quest’ultima possibilità: esisterebbero configurazioni in cui la velocità può divergere fino a diventare infinita in tempo finito, pur partendo da dati iniziali regolari.
La parte più impressionante, però, non è soltanto il risultato matematico. È la macchina organizzativa che OpenAI ha costruito intorno al modello. Circa 10.000 agenti hanno lavorato in parallelo sul problema per circa 88 ore, comunicando tra loro e sviluppando approcci differenti. OpenAI ha poi utilizzato Codex per consolidare gli insight prodotti dai diversi gruppi, mentre una versione successivamente addestrata del modello è stata introdotta durante il lavoro. La verifica formale della dimostrazione ha richiesto altre 17 ore attraverso GPT-6 Astra e Lean. In altre parole, non abbiamo più il paradigma del chatbot al quale si chiede una soluzione e che restituisce qualche pagina di algebra plausibile. Abbiamo una sorta di laboratorio matematico distribuito, nel quale migliaia di istanze esplorano simultaneamente ipotesi, fallimenti e percorsi alternativi.
I numeri raccontano meglio la trasformazione. Per il solo problema di Navier-Stokes, gli agenti avrebbero scambiato 2,7 milioni di messaggi e prodotto circa 130 miliardi di token. Considerando tutti i problemi matematici affrontati nell’esperimento, OpenAI parla di 4,9 milioni di messaggi e circa 300 miliardi di token. La cifra è talmente grande da rendere quasi comica la vecchia ossessione per il costo marginale della singola query. Qui non si chiede più quanto costa una risposta. Si chiede quanto costa mantenere una piccola civiltà artificiale impegnata per quattro giorni su un problema matematico.
Il confronto economico è surreale. Il premio potenziale vale un milione di dollari; il calcolo necessario per arrivare alla dimostrazione ha generato costi stimati nell’ordine di milioni, secondo ricostruzioni esterne. Il punto, naturalmente, non è il ROI del premio. Nessuno costruisce un laboratorio farmaceutico perché il Nobel abbia un valore economico sufficiente a pagare i reagenti. Il valore dell’esperimento sta nel dimostrare che una macchina può trasformare enormi quantità di calcolo in ricerca matematica strutturata. La vera commodity che OpenAI sta testando non è il milione del Clay Institute, ma la possibilità di comprare progresso scientifico attraverso compute.
Questo rende ancora più interessante il fatto che il modello responsabile del risultato non sia Astra, il sistema appena presentato pubblicamente, ma un modello interno ancora in addestramento che OpenAI descrive come significativamente più potente. La gerarchia dei modelli, quindi, comincia ad assumere una forma curiosa: ciò che il pubblico considera frontier technology potrebbe essere già una generazione arretrata rispetto agli strumenti impiegati internamente. È una dinamica che ricorda la Silicon Valley dei semiconduttori, quando il prodotto appena annunciato era già vecchio rispetto al wafer che girava nei laboratori. La differenza è che questa volta il wafer sta tentando di dimostrare teoremi.
Il risultato sarebbe comunque molto più significativo di una semplice vittoria in un benchmark. Un benchmark misura quanto bene una macchina risponde a una distribuzione di problemi conosciuti. Una dimostrazione matematica originale misura qualcosa di diverso: capacità di esplorare uno spazio concettuale, formulare ipotesi, scartare strade fallimentari, costruire una catena logica e infine produrre un oggetto verificabile. La formalizzazione Lean è particolarmente importante perché riduce uno dei problemi storici dell’AI matematica: una risposta può sembrare corretta a un essere umano e contenere invece un errore devastante. Lean non si interessa alla prosa persuasiva. Controlla la struttura formale della dimostrazione.
Poi è arrivata la parte meno matematica e molto più umana. Circa dodici ore prima dell’annuncio di OpenAI, Tristan Buckmaster della New York University e Levent Alpöge, ricercatore e matematico di Anthropic, avevano pubblicato risultati relativi a problemi strettamente collegati alla dinamica dei fluidi e alle singolarità. Il loro lavoro, sviluppato anche attraverso l’utilizzo di modelli di AI, rappresentava un avanzamento importante lungo una direzione matematica che poteva essere utilizzata per attaccare Navier-Stokes. Buckmaster sostiene che OpenAI fosse venuta a conoscenza del loro lavoro privato e avesse successivamente utilizzato quella traiettoria per arrivare alla propria dimostrazione. OpenAI respinge l’accusa e sostiene che il proprio progetto fosse partito dopo aver sentito una voce secondo cui ricercatori collegati ad Anthropic avevano fatto progressi sui Millennium Problems.
La questione diventa ancora più delicata perché OpenAI ammette di non poter escludere completamente che dati de-identificati derivanti dall’utilizzo dei propri prodotti da parte dei ricercatori possano avere contribuito al miglioramento dei modelli. È una distinzione tecnicamente importante e commercialmente esplosiva. Non significa che qualcuno abbia necessariamente letto un documento privato e lo abbia consegnato a un modello. Significa però che il confine tra l’utilizzo di un sistema AI come strumento di ricerca e la possibilità che quell’interazione contribuisca indirettamente all’evoluzione del sistema è diventato improvvisamente molto concreto.
Il problema di fondo potrebbe quindi essere più importante della stessa dimostrazione. Se un matematico utilizza un modello proprietario per sviluppare una teoria inedita, chi controlla il confine tra lo strumento e il patrimonio cognitivo prodotto durante quell’interazione? Il contratto può dire una cosa, la pipeline di addestramento un’altra, mentre la realtà tecnica può essere ancora più complicata. Nel momento in cui l’AI diventa collaboratore scientifico, i prompt smettono di essere semplici comandi e diventano parte del processo creativo. Perdere il controllo di quella traccia significa rischiare di trasformare il laboratorio del ricercatore in una fonte di vantaggio competitivo per il proprietario del modello.
Sam Altman ha definito l’episodio uno dei momenti più straordinari nella storia di OpenAI, ma ha anche sostenuto che rappresenti una delle prove più convincenti della necessità di rallentare il settore. È una frase quasi perfetta per descrivere la contraddizione dell’AI contemporanea: una società spende quantità industriali di calcolo per dimostrare che i propri modelli stanno accelerando la ricerca, poi osserva il risultato e suggerisce che forse dovremmo rallentare. La Silicon Valley ha finalmente scoperto una tecnologia capace di rendere obsoleto persino il proprio senso dell’urgenza.
Il dettaglio davvero storico, se la dimostrazione supererà il vaglio dei matematici, non sarà dunque che un’intelligenza artificiale ha risolto un problema rimasto aperto per circa novant’anni. Sarà che il percorso verso la soluzione non assomiglia più al lavoro di un genio isolato davanti a una lavagna, ma a un sistema industriale di esplorazione cognitiva nel quale migliaia di agenti generano ipotesi, si correggono, competono, si contaminano e infine affidano a un verificatore formale il compito di stabilire se la macchina ha davvero ragione. È un cambio di paradigma molto più grande del singolo teorema.
La matematica, naturalmente, non concederà a OpenAI il lusso di una conferenza stampa. Se la prova contiene un errore, verrà demolita. Se è corretta, resterà corretta indipendentemente dal modello che l’ha prodotta, dal numero di GPU utilizzate o dal valore di mercato della società. Questa è ancora la parte rassicurante della faccenda. Il computer può correre a velocità vertiginosa, ma alla fine deve comunque presentarsi davanti alla lavagna. E lì, per ora, nessun agente dispone ancora di un ufficio stampa abbastanza potente da convincere un matematico di un teorema sbagliato.