OpenAI sfida la scienza: tre scoperte, ma molti interrogativi

Le scoperte scientifiche OpenAI potrebbero cambiare il modo in cui si fa ricerca. Ma dietro l’annuncio di tre risultati ottenuti attraverso l’intelligenza artificiale si nasconde una questione persino più importante delle dimostrazioni matematiche: chi stabilirà che una scoperta prodotta da una macchina è davvero una scoperta?

Il 26 ottobre 2026 OpenAI ha comunicato di aver raggiunto traguardi potenzialmente storici in matematica, informatica teorica e fisica quantistica. Problemi sui quali generazioni di studiosi hanno lavorato per decenni, alcuni considerati fra i più difficili delle rispettive discipline, sarebbero stati affrontati con successo dai modelli sviluppati dall’azienda.

La notizia ha una portata notevole. Se le dimostrazioni supereranno il controllo indipendente della comunità scientifica, non parleremo più soltanto di sistemi capaci di assistere un ricercatore, analizzare documenti o suggerire ipotesi. Avremo esempi concreti di strumenti in grado di produrre autonomamente risultati teorici di grande rilevanza.

Eppure il passaggio più interessante dell’intera vicenda non riguarda necessariamente ciò che l’intelligenza artificiale sostiene di aver dimostrato. Riguarda quello che accade dopo: gli scienziati devono ricostruire il ragionamento, esaminarne le fondamenta, comprenderne le conseguenze e decidere se il risultato possa entrare stabilmente nel patrimonio delle conoscenze umane.

È qui che una notizia tecnologica diventa una questione di potere, credibilità e organizzazione della ricerca. Perché produrre una dimostrazione e convincere la comunità scientifica della sua validità sono due attività diverse.

Scoperte scientifiche OpenAI: tre risultati che mettono alla prova la scienza

L’annuncio riguarda tre ambiti molto lontani fra loro, accomunati dalla complessità dei problemi affrontati.

Nel campo dell’informatica teorica, OpenAI sostiene di aver confutato la cosiddetta Exponential Time Hypothesis, abbreviata in ETH, un’ipotesi fondamentale per comprendere quanto possano essere difficili determinati problemi computazionali.

In matematica, i suoi sistemi avrebbero risolto la congettura dello smussamento locale, nota come local smoothing, con conseguenze anche per altri celebri problemi, fra cui la congettura di Kakeya.

Il risultato più ambizioso sul terreno della fisica riguarda invece l’esistenza matematica rigorosa di particolari teorie quantistiche dei campi, comprese formulazioni collegate alla cromodinamica quantistica e alla teoria di Yang-Mills.

Tre risultati, dunque, ma tre differenti livelli di accessibilità e controllo. I materiali matematici e informatici sono stati resi pubblici, mentre quelli relativi alla fisica sono stati inizialmente affidati a un gruppo di specialisti che ne curerà l’esame e la successiva esposizione.

La distinzione conta. Al 27 ottobre 2026, l’annuncio dell’azienda non equivale ancora a una convalida indipendente definitiva di tutte e tre le rivendicazioni. I gruppi di lavoro sono stati costituiti proprio per approfondire, spiegare e verificare risultati che potrebbero modificare conoscenze consolidate.

Una precauzione necessaria, soprattutto considerando quanto straordinario sarebbe il loro impatto.

L’ipotesi del tempo esponenziale e il problema che sembrava insuperabile

Per capire l’importanza della prima affermazione bisogna immaginare un problema apparentemente semplice: individuare una combinazione di condizioni capace di soddisfare contemporaneamente numerosi vincoli.

Quando le variabili sono poche, trovare una soluzione può risultare relativamente facile. Ma aumentando il loro numero, le combinazioni possibili possono crescere a una velocità impressionante.

L’Exponential Time Hypothesis, formulata negli anni Novanta da Russell Impagliazzo, Ramamohan Paturi e Francis Zane, riguarda proprio i limiti temporali necessari per risolvere determinate classi di questi problemi.

Il punto centrale è il cosiddetto problema della soddisfacibilità booleana, o SAT: stabilire se esista un’assegnazione di valori veri e falsi che renda soddisfatta una formula logica.

Per anni molti risultati dell’informatica teorica hanno assunto la validità dell’ETH come riferimento per dimostrare che particolari compiti non potessero essere risolti entro determinati limiti di tempo.

Secondo OpenAI, il suo sistema avrebbe individuato un algoritmo deterministico capace di affrontare specifiche formule logiche in tempo subesponenziale, confutando così l’ipotesi.

La differenza non è un dettaglio riservato agli specialisti. Se confermata, costringerebbe a riesaminare numerosi risultati scientifici costruiti utilizzando l’ETH come presupposto.

Non significa, tuttavia, che qualsiasi calcolo complesso diventerà improvvisamente semplice. Un algoritmo subesponenziale può restare estremamente oneroso, soprattutto per problemi di grandi dimensioni. E la presunta confutazione dell’ETH non rappresenta una soluzione del celebre problema P contro NP, che rimane distinto.

Fra l’altro, trasformare un progresso teorico in uno strumento concretamente utilizzabile richiede ulteriori sviluppi. La ricerca matematica può individuare nuove possibilità senza produrre immediatamente software più veloce, sistemi industriali rivoluzionari o applicazioni commerciali.

La verifica affidata anche agli scienziati che formularono l’ipotesi

Il passaggio più significativo è forse la scelta delle persone chiamate a esaminare il risultato.

OpenAI ha coinvolto proprio Impagliazzo e Paturi, insieme a Ryan Williams del Massachusetts Institute of Technology, per organizzare un controllo aperto e indipendente della presunta confutazione.

È una decisione tutt’altro che ordinaria: due degli studiosi che contribuirono a formulare l’ipotesi sono ora chiamati a valutare il lavoro che potrebbe smentirla.

I ricercatori hanno però chiarito, in una comunicazione pubblica alla comunità dell’informatica teorica, che la loro partecipazione non costituisce una certificazione del risultato. Una rivendicazione di questa importanza richiede un esame approfondito.

Hanno inoltre chiesto che il materiale necessario alla verifica fosse disponibile pubblicamente e che venisse organizzato un confronto scientifico sulle implicazioni della dimostrazione. OpenAI ha accettato entrambe le richieste, impegnandosi anche a finanziare una conferenza dedicata.

Non è soltanto una questione di prudenza accademica. È il riconoscimento di un principio fondamentale: il prestigio di chi annuncia una scoperta non può sostituire la possibilità di controllarla.

Questo principio diventa ancora più importante quando il risultato proviene da un sistema il cui funzionamento interno non è interamente accessibile ai ricercatori esterni.

La congettura di Kakeya e una matematica che studia le onde

La seconda dimostrazione riguarda un settore meno familiare al grande pubblico, ma centrale per l’analisi matematica.

Nel 1991 il matematico Christopher Sogge formulò una congettura relativa al comportamento delle onde e ai fenomeni di concentrazione della loro intensità.

In termini accessibili, il problema riguarda il fatto che un’onda possa manifestare picchi estremi in particolari momenti, senza che quella concentrazione rappresenti necessariamente il suo comportamento abituale nel tempo.

La questione ha collegamenti profondi con altre aree della matematica, comprese le proprietà geometriche di determinati insiemi.

Fra queste compare la congettura di Kakeya, che studia, in una delle sue formulazioni, quanto possa essere piccolo un insieme capace di contenere segmenti unitari orientati in ogni direzione.

Nel 2019 Larry Guth, Hong Wang e Ruixiang Zhang avevano ottenuto un risultato importante sul local smoothing in due dimensioni. Nel 2025 Hong Wang e Joshua Zahl avevano invece risolto la congettura di Kakeya in tre dimensioni.

OpenAI sostiene ora che i propri modelli abbiano prodotto una dimostrazione dello smussamento locale in tutte le dimensioni spaziali interessate, ottenendo come conseguenza anche la soluzione delle congetture collegate.

Il risultato sarebbe stato generato il 18 ottobre 2026 e formalizzato il giorno seguente attraverso Lean, un sistema informatico per la verifica delle dimostrazioni matematiche.

L’azienda ha pubblicato il testo e la relativa formalizzazione affinché gli studiosi possano analizzarli. Se confermato, il progresso riguarderebbe un insieme di questioni che fino a poco tempo fa richiedevano risultati separati e altamente specializzati.

La fisica quantistica e il risultato che non risolve ancora tutto

Il terzo annuncio porta la discussione sul terreno della fisica delle particelle, dove le difficoltà non dipendono soltanto dalla capacità di effettuare calcoli.

Il problema è costruire fondamenta matematiche rigorose per teorie che descrivono il comportamento della materia a scale estremamente piccole.

La cromodinamica quantistica, o QCD, descrive l’interazione forte che coinvolge quark e gluoni. È una componente essenziale della fisica contemporanea, ma alcune questioni relative alla costruzione rigorosa delle corrispondenti teorie quantistiche dei campi rimangono particolarmente difficili.

OpenAI sostiene che i suoi modelli abbiano prodotto prove di esistenza per alcune teorie interagenti in quattro dimensioni, comprendendo una formulazione unificata che incorpora i campi pertinenti al Modello standard.

Tra i risultati rivendicati figura anche una dimostrazione dell’esistenza della teoria pura di Yang-Mills.

Qui occorre evitare un equivoco. Il problema del Millennium Prize dedicato a Yang-Mills, istituito dal Clay Mathematics Institute, richiede sia una dimostrazione di esistenza sia la prova del cosiddetto mass gap, ossia una particolare proprietà dello spettro energetico.

OpenAI rivendica il risultato sull’esistenza, non la soluzione integrale del problema premiato. Parlare di un Millennium Prize già conquistato sarebbe pertanto scorretto.

La valutazione sarà coordinata dal premio Nobel per la fisica David Gross, insieme a Michael Douglas, Arthur Jaffe, Igor Klebanov e Nikita Nekrasov.

In questo caso il gruppo ha scelto di non pubblicare immediatamente i materiali generati dalla macchina, preferendo lavorare autonomamente alla ricostruzione e alla spiegazione delle dimostrazioni.

La decisione evidenzia un limite pratico: un risultato estremamente complesso può richiedere un lungo lavoro di interpretazione prima di essere comunicato in modo comprensibile e verificabile alla comunità scientifica.

Lean verifica le dimostrazioni, ma non sostituisce il giudizio scientifico

Il nome Lean compare ripetutamente nell’annuncio e merita una spiegazione, perché rappresenta uno degli elementi più importanti dell’intera vicenda.

Si tratta di un assistente alla dimostrazione formale, utilizzato per esprimere enunciati matematici in un linguaggio rigoroso e controllare che determinati passaggi rispettino le regole logiche del sistema.

È una tecnologia preziosa. Una dimostrazione complessa può contenere passaggi difficili da verificare anche per uno specialista, mentre un controllo formale permette di individuare molte categorie di errori.

Esiste però una distinzione decisiva: dimostrare correttamente un enunciato formalizzato non garantisce automaticamente che quell’enunciato corrisponda esattamente al problema scientifico che si intendeva risolvere.

Bisogna verificare che le definizioni utilizzate siano appropriate, che le ipotesi non nascondano condizioni aggiuntive e che il ragionamento non dipenda da assunzioni non giustificate.

La stessa documentazione della comunità Lean distingue tra la validità di una dimostrazione all’interno del sistema e il significato matematico dell’enunciato rappresentato.

Perciò la formalizzazione è un elemento importante di affidabilità, non un lasciapassare automatico per proclamare risolta qualsiasi congettura.

Il ruolo dei matematici non scompare. Cambia, e potrebbe diventare ancora più delicato: dalla produzione diretta delle dimostrazioni alla verifica della loro pertinenza, delle premesse e della reale portata scientifica.

Il problema politico: chi possiede gli strumenti per fare le scoperte?

Fin qui la matematica. Ma la vicenda contiene una domanda che va ben oltre i laboratori universitari.

Se i sistemi di intelligenza artificiale più avanzati saranno in grado di generare nuove conoscenze a una velocità superiore rispetto ai normali ritmi della ricerca, chi controllerà l’accesso a questa capacità?

Un’università, un piccolo centro indipendente e una grande società tecnologica non dispongono necessariamente delle stesse risorse informatiche, finanziarie e organizzative.

Lo sviluppo dei modelli più potenti richiede infrastrutture costose, grandi capacità di calcolo e competenze altamente specializzate. La possibilità di svolgere determinati esperimenti potrebbe quindi concentrarsi presso un numero limitato di organizzazioni.

Il rischio non è soltanto che alcune imprese arrivino prima delle università. È che possano decidere quali problemi affrontare, quali risultati rendere pubblici e quali mantenere riservati.

La differenza fra le tre strategie annunciate da OpenAI dimostra quanto questa scelta sia concreta. Due lavori sono stati resi accessibili alla comunità scientifica, mentre il materiale relativo alla fisica segue inizialmente un percorso più ristretto.

Non è necessariamente una decisione sbagliata: l’estrema complessità di alcune dimostrazioni può giustificare una fase preliminare di analisi specialistica. Ma la trasparenza della ricerca non dovrebbe dipendere esclusivamente dalla disponibilità del soggetto che possiede gli strumenti.

È una questione di governo della tecnologia che si ritrova, con caratteristiche diverse, anche nell’analisi di The Bill sul controllo degli agenti AI e sull’accesso alle piattaforme digitali. In entrambi i casi il nodo riguarda chi stabilisce le condizioni per accedere a risorse sempre più importanti.

OpenAI rinuncia al merito accademico, ma resta il nodo del potere

L’azienda ha dichiarato di non voler rivendicare riconoscimenti accademici per le scoperte realizzate dai propri modelli.

Ha inoltre previsto che i ricercatori coinvolti nelle collaborazioni possano lavorare senza accordi di riservatezza, pubblicare autonomamente le proprie conclusioni e ricevere riconoscimento per i contributi effettivamente prodotti.

La partecipazione ai gruppi è volontaria e non retribuita da OpenAI. Parallelamente, l’azienda ha annunciato un contributo di 5 milioni di dollari alla Simons Foundation, destinato a sostenere iniziative scientifiche, conferenze e programmi di approfondimento sui risultati generati dall’intelligenza artificiale.

Sono elementi rilevanti, ma aprono interrogativi nuovi.

Come deve essere attribuito il merito quando una macchina produce una dimostrazione e decine di studiosi impiegano mesi per interpretarla? Chi individua le connessioni con la letteratura precedente? Chi risponde di un errore che emerge dopo la pubblicazione?

E soprattutto, quale valore verrà riconosciuto a chi svolge il lavoro meno spettacolare, ma indispensabile, della verifica?

Nel sistema accademico, pubblicazioni, citazioni e priorità delle scoperte incidono sulle carriere, sui finanziamenti e sulla reputazione. Una trasformazione radicale delle modalità di produzione della conoscenza potrebbe modificare anche questi equilibri.

OpenAI riconosce inoltre che affidare inizialmente la supervisione a determinati esperti crea inevitabilmente un’asimmetria informativa: alcuni studiosi possono accedere ai materiali prima di altri.

Il problema non si risolve semplicemente rinunciando a firmare un articolo. Il potere scientifico non deriva soltanto dal merito attribuito a una scoperta, ma anche dalla possibilità di produrla, verificarla e decidere quando divulgarla.

Quando le macchine scoprono più velocemente di quanto gli uomini verificano

C’è infine uno scenario che merita attenzione: quello in cui l’intelligenza artificiale riesca a produrre risultati scientifici complessi con una frequenza sempre maggiore.

Se accadesse, potrebbe emergere una sproporzione fra il numero delle dimostrazioni disponibili e la capacità della comunità accademica di comprenderle approfonditamente.

Non tutti i risultati avrebbero la stessa importanza. Alcuni potrebbero rivelarsi corretti ma marginali, altri incompleti, altri ancora capaci di trasformare interi settori della conoscenza.

Il problema diventerebbe quindi anche organizzativo: scegliere quali lavori esaminare per primi, costruire strumenti di controllo affidabili, formare ricercatori capaci di utilizzare la verifica formale e garantire che la revisione non venga sacrificata alla velocità degli annunci.

È possibile che in futuro la ricerca si strutturi sempre più intorno a una collaborazione nella quale i sistemi artificiali esplorano rapidamente nuove soluzioni e gli esseri umani ne interpretano la portata.

Ma non è un destino già scritto. Restano aperte questioni tecniche, economiche e istituzionali. E la comunità scientifica dovrà stabilire regole adeguate senza rinunciare ai criteri che rendono affidabile una conoscenza.

Un conto è accelerare il lavoro di un ricercatore. Un altro è ritrovarsi con una produzione di risultati così vasta da rendere difficile distinguere quelli autenticamente innovativi da quelli solo apparentemente tali.

La vera rivoluzione scientifica non si misura dagli annunci

Le scoperte scientifiche OpenAI rappresentano, per ora, tre rivendicazioni di grande rilievo accompagnate da percorsi di controllo differenti. Se saranno confermate, potrebbero segnare un passaggio decisivo nel rapporto fra intelligenza artificiale e ricerca.

Il loro significato, però, non dipenderà esclusivamente dalla validità delle dimostrazioni.

Dipenderà anche dalla capacità delle istituzioni scientifiche di mantenere indipendenza, accessibilità e trasparenza in un sistema nel quale gli strumenti più avanzati potrebbero appartenere a pochi soggetti privati.

La scienza moderna non è progredita soltanto perché qualcuno ha avuto un’intuizione. È progredita perché altri hanno potuto discuterla, contestarla, riprodurla e, quando necessario, dimostrarne l’infondatezza.

L’intelligenza artificiale potrebbe cambiare radicalmente il modo in cui nascono le idee e si costruiscono le prove. Non dovrebbe cambiare il principio secondo cui una scoperta diventa conoscenza condivisa attraverso il controllo pubblico e il confronto scientifico.

Perché se un giorno le macchine saranno davvero capaci di risolvere in poche ore problemi rimasti aperti per decenni, la domanda più importante non sarà quanto siano diventate intelligenti.

Sarà se gli esseri umani avranno ancora gli strumenti, il tempo e l’indipendenza necessari per capire che cosa quelle macchine hanno realmente scoperto.