OpenAI ha riunito all’inizio di agosto circa 40 matematici presso la propria sede di San Francisco per discutere il futuro della ricerca e dell’insegnamento della matematica in una fase in cui i sistemi di intelligenza artificiale stanno iniziando a produrre risultati che vanno oltre il semplice supporto al calcolo. Al centro dell’incontro c’era soprattutto uno scenario nel quale l’AI potrebbe raggiungere capacità sovrumane nella ricerca accademica, arrivando non soltanto ad assistere i matematici, ma a formulare dimostrazioni, sviluppare nuove strategie e contribuire direttamente alla soluzione di problemi aperti. La discussione ha quindi riguardato anche il ruolo che rimarrebbe ai ricercatori umani qualora una parte crescente della produzione matematica avanzata potesse essere affidata ai modelli.
Tra gli interventi figurava quello di Daniel Litt, professore dell’Università di Toronto, che ha presentato una relazione intitolata “The End of Mathematics”. Litt ha discusso uno scenario estremo in cui i sistemi di intelligenza artificiale riescono a produrre automaticamente risultati matematici di livello molto elevato, riducendo progressivamente la necessità del contributo umano alla ricerca. Pur considerando improbabile una sostituzione completa dei matematici, il suo intervento ha posto il problema di come cambierebbe il significato stesso dell’attività scientifica se la produzione di nuovi teoremi e dimostrazioni diventasse in larga parte automatizzabile. La questione riguarda non soltanto l’occupazione accademica, ma anche il rapporto tra comprensione, scoperta e valore attribuito a un risultato matematico quando l’autore principale è un sistema artificiale.
Il tema è diventato più concreto dopo i recenti risultati ottenuti dai modelli di frontiera. OpenAI ha annunciato che una versione interna di Astra, il nome utilizzato per il proprio modello di nuova generazione ancora non rilasciato pubblicamente, ha prodotto dieci nuovi risultati in matematica e informatica teorica. Alcuni riguardano problemi aperti risolti completamente, mentre altri rappresentano progressi sostanziali su questioni studiate da anni. Gli ambiti coinvolti comprendono geometria ad alta dimensionalità, teoria dei codici, teoria dei gruppi, complessità quantistica, crittografia basata su reticoli e combinatoria estremale. In questi casi il ruolo del modello non è limitato alla verifica o alla manipolazione simbolica di passaggi già stabiliti, ma comprende la ricerca di strategie e argomentazioni matematiche utilizzabili nella costruzione di nuovi risultati.
Anthropic ha riportato parallelamente un risultato ottenuto con una versione di ricerca di Claude durante un lavoro collegato all’ipotesi di Riemann. Il modello ha migliorato dal 41,6% al 67,2% il limite inferiore noto per la proporzione degli zeri non banali della funzione zeta di Riemann che si trovano sulla linea critica. Non si tratta della soluzione dell’ipotesi di Riemann, ma di un avanzamento su un problema matematico correlato che richiede tecniche sofisticate di teoria analitica dei numeri. Il risultato mostra comunque come i modelli più avanzati stiano iniziando a intervenire in aree della matematica pura nelle quali fino a pochi anni fa il loro utilizzo era principalmente limitato alla formalizzazione, alla verifica o all’assistenza nella ricerca bibliografica.
L’ingresso dell’intelligenza artificiale nella ricerca matematica ha prodotto reazioni differenti all’interno della comunità scientifica. Una parte dei ricercatori considera questi sistemi strumenti potenzialmente molto potenti per affrontare problemi che hanno resistito per decenni ai metodi tradizionali, esplorare spazi di soluzioni troppo ampi per essere analizzati manualmente e accelerare la verifica di dimostrazioni complesse. Altri pongono invece l’attenzione sulla necessità di mantenere verificabilità, attribuzione e comprensione dei risultati, soprattutto quando una dimostrazione viene proposta da un modello capace di generare grandi quantità di materiale matematico in tempi molto brevi. Il rischio è che la capacità di produrre risultati superi quella della comunità scientifica di controllarli, interpretarli e integrarli in modo affidabile nel corpus della conoscenza esistente.
Queste preoccupazioni hanno contribuito alla pubblicazione della Leiden Declaration, sottoscritta da oltre 3.000 matematici e dedicata all’uso responsabile dell’intelligenza artificiale nella ricerca matematica. La dichiarazione chiede particolare attenzione alla verifica dei risultati generati dai modelli, alla corretta attribuzione del contributo umano e automatico e alla proliferazione di lavori prodotti rapidamente ma non adeguatamente controllati. Il problema diventa particolarmente rilevante in un settore nel quale una dimostrazione formalmente plausibile può contenere errori molto difficili da individuare e nel quale il valore scientifico non dipende soltanto dall’enunciato finale, ma anche dalla capacità di comprendere perché una determinata argomentazione funzioni.
L’incontro organizzato da OpenAI mostra quindi come il dibattito sull’AI nella matematica si stia spostando rapidamente dall’utilizzo dei modelli come semplici strumenti alla possibilità che questi sistemi diventino partecipanti attivi nella ricerca. La matematica rappresenta un banco di prova particolarmente significativo perché richiede ragionamento astratto, costruzione di dimostrazioni e verifica logica rigorosa, capacità considerate a lungo tra gli indicatori più forti dell’intelligenza umana. Se i modelli continueranno a migliorare in questi compiti, il problema non sarà soltanto stabilire quanto siano capaci di risolvere nuovi problemi, ma ridefinire il ruolo dei matematici nella scelta delle domande da affrontare, nella verifica dei risultati, nella costruzione delle teorie e nell’interpretazione del significato delle nuove scoperte.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)