Problemi matematici impossibili: l’IA li risolve dopo decenni

Mostra sommario Nascondi sommario

• Un’IA che scopre dimostrazioni: cosa è successo
• La spinta dai problemi di Paul Erdős: perché sono un banco di prova
• Oltre ChatGPT: altri modelli e contributi rilevanti
  • Il punto di vista di Terence Tao
• Il ruolo chiave della formalizzazione nelle dimostrazioni
• Perché gli strumenti di verifica fanno la differenza
• Limiti attuali: dove l’intelligenza artificiale fatica ancora
  • Il ruolo insostituibile degli esperti
• Impatto sulla ricerca e sulle pratiche accademiche
• Cosa osservare nelle prossime settimane

Neel Somani ha chiesto a un modello linguistico di affrontare un enigma matematico e, poco dopo, ha trovato la soluzione pronta. Non si trattava di un problema scolastico, ma di una congettura aperta, uno di quei quesiti che gli specialisti tengono da parte perché richiedono intuizioni difficili o tempo per essere formalizzati. Somani ha poi confermato il risultato con strumenti di verifica automatica: tutto tornava.

Un’IA che scopre dimostrazioni: cosa è successo

Negli ultimi mesi, diversi modelli di intelligenza artificiale hanno iniziato a produrre dimostrazioni per problemi considerati aperti. Alcuni casi sono il frutto di elaborazioni completamente autonome; altri nascono da una collaborazione stretta tra macchina e ricercatore umano. In ogni situazione, la novità è che le AI non stanno più solo restituendo esempi o conti elementari: stanno costruendo catene logiche complesse.

• ChatGPT è stato testato su problemi classici e ha mostrato capacità di ragionamento più profonde rispetto al passato.
• Neel Somani ha usato uno strumento di formal verification per validare la dimostrazione.
• In alcuni casi l’IA ha trovato riferimenti bibliografici esistenti, poi ha proposto varianti o argomentazioni alternative.

La spinta dai problemi di Paul Erdős: perché sono un banco di prova

I quesiti legati a Paul Erdős rappresentano una riserva di sfide per la comunità matematica. Dopo decenni, molte congetture rimangono irrisolte o semplici da enunciare ma ostiche da dimostrare. Questo li rende perfetti per valutare il reale potenziale dei modelli.

Negli ultimi mesi, alcuni problemi di questa collezione hanno registrato progressi significativi. Non sempre si tratta di soluzioni definitive: spesso l’AI individua una strada che richiede poi raffinamenti o verifiche formali. Ma il fenomeno è in crescita e non è più marginale.

Oltre ChatGPT: altri modelli e contributi rilevanti

La scena non è monopolio di un singolo progetto. Modelli basati su Gemini e varianti sperimentali hanno dimostrato capacità simili, talvolta in modo indipendente.

• AlphaEvolve, un modello costruito su tecnologia Gemini, ha mostrato una prima ondata di soluzioni autonome.
• Ricercatori e matematici come Terence Tao hanno catalogato progressi e analizzato casi dove l’IA fa la differenza.
• Spesso gli strumenti trovano lavori preesistenti e li estendono; altre volte sviluppano approcci nuovi.

Il punto di vista di Terence Tao

Tao ha segnalato miglioramenti concreti in un numero limitato di problemi. Ha anche osservato che molti quesiti della lunga coda delle congetture sembrano risolvibili con un lavoro metodico, che le macchine possono svolgere in modo sistematico.

Il ruolo chiave della formalizzazione nelle dimostrazioni

La formalizzazione trasforma argomentazioni informali in codice verificabile. È un lavoro ripetitivo e meticoloso, ideale per l’automazione. Quando una dimostrazione viene formalizzata, diventa più facile controllarla e riutilizzarla.

Strumenti open source e progetti accademici svolgono un ruolo centrale in questo processo. Tra questi, Lean è una piattaforma consolidata per la rappresentazione formale delle prove. Accanto a Lean, soluzioni AI come Aristotle di Harmonic possono tradurre passaggi informali in script logicamente coerenti.

• Lean: standard per la formalizzazione delle dimostrazioni.
• Aristotle e altri tool di Harmonic: accelerano la conversione da testo umano a codice verificabile.
• La combinazione macchina-strumento riduce tempi e errori nella stesura finale.

Perché gli strumenti di verifica fanno la differenza

La matematica moderna richiede rigore. Un’idea brillante può rimanere sospesa finché non viene incapsulata in una prova formalmente valida. Qui entrano in gioco i verificatori automatici: consentono di confermare ogni passaggio, scovare errori nascosti e rendere le soluzioni riproducibili.

Per molti matematici, l’adozione di questi strumenti è una barriera psicologica. Ma quando figure di alto profilo li integrano nel loro flusso di lavoro, l’adozione tende ad accelerare. Tudor Achim, fondatore di Harmonic, sottolinea che l’interesse dei grandi nomi è più significativo dei numeri assoluti delle dimostrazioni trovate.

Limiti attuali: dove l’intelligenza artificiale fatica ancora

Nonostante le scoperte, esistono limiti evidenti. Le AI generano catene logiche che spesso richiedono verifica umana. Molte soluzioni pubblicate sono incomplete o contengono passaggi che vanno chiariti.

1. Affidabilità: alcune dimostrazioni necessitano di correzioni o spiegazioni aggiuntive.
2. Contesto: l’IA non sempre coglie intuizioni profonde o idee concettuali nuove.
3. Verifica: la formalizzazione rimane fondamentale per dichiarare una soluzione definitiva.

Il ruolo insostituibile degli esperti

I matematici determinano se la strada proposta dall’IA porta a una vera dimostrazione. L’intelligenza artificiale trova percorsi, ma spesso è l’esperto a convalidarli e completarli. Questo lavoro congiunto è la forma più promettente di progresso.

Impatto sulla ricerca e sulle pratiche accademiche

L’emergere di questi strumenti sta già cambiando abitudini. Alcuni docenti e gruppi di ricerca usano modelli linguistici per esplorare ipotesi iniziali o per automatizzare parti ripetitive del lavoro di dimostrazione.

• Accelerazione nella fase esplorativa.
• Riduzione degli errori formali grazie ai verificatori automatici.
• Maggior accessibilità di problemi della cosiddetta coda lunga, prima trascurati per mancanza di tempo.

Cosa osservare nelle prossime settimane

La curva di apprendimento è rapida. Nuove release come GPT 5.2 e varianti ottimizzate per il ragionamento matematico continueranno a essere testate su congetture classiche. Le collaborazioni tra ricercatori e gruppi che sviluppano tool di formalizzazione saranno decisive.

I segnali da monitorare comprendono:

• Incremento delle dimostrazioni formalizzate pubblicate.
• Maggiore integrazione tra modelli linguistici e ambienti come Lean.
• Analisi critiche da parte di matematici affermati per validare i risultati.