Un modello sviluppato da OpenAI ha prodotto in autonomia una soluzione che mette in discussione una congettura formulata da Paul Erdős nel 1946. La questione matematica, nota come unit distance problemchiede quante coppie di punti a distanza unitaria si possono ottenere con n punti su un piano; la congettura storica suggeriva che una disposizione a griglia fosse praticamente ottimale. La nuova soluzione non assiste ricercatori umani né si limita a verificare una dimostrazione preesistente: si tratta di una costruzione che supera la griglia e in tal senso costituisce una controprova alla congettura di Erdős.
La soluzione autonoma è stata esaminata e validata da matematici di istituzioni come PrincetonUniversity of TorontoUniversity of Cambridge e Collège de Francee ha suscitato reazioni significative nella comunità matematica. Il costo e i tempi dell’operazione — meno di 32 ore di calcolo e circa 1.000 dollari in token — aggiungono un elemento pratico alla portata del risultato, mentre la catena di ragionamento del modello include una esplorazione estesa di oltre 75.000 parole nella versione abbreviata della dimostrazione.
Dettagli concreti sul risultato e sulle tecniche usate
Il modello ha costruito una disposizione di punti che genera più coppie a distanza uno rispetto alla configurazione a griglia con cui si era confrontata per ottant’anni la letteratura su Erdős. Piuttosto che tentare solo dimostrazioni formali a partire dalle assunzioni tradizionali, l’algoritmo ha esplorato spazi di soluzioni considerati implausibili dalla comunità umana, sfruttando una combinazione di idee appartenenti a più rami della matematica. Il team che ha guidato il lavoro include ricercatori come Sebastien BubeckMehtaab SawhneyMark SellkeHongxun WuAlex Wei e Lijie Chenche hanno indicato tre elementi chiave alla base del successo: l’assenza di condizionamenti sociali, la capacità di integrare conoscenze cross-disciplinari e la persistenza computazionale nella ricerca di soluzioni.
Tre fattori tecnici citati dal team
Il primo fattore evidenziato è un bias cognitivo collettivo che nella ricerca umana ha privilegiato tentativi volti a confermare la congettura; il modello, non influenzato dalla storia del problema, ha esplorato strategie alternative. Il secondo è la sintesi cross-disciplinarela prova combina elementi di teoria dei numeri e di geometria discreta senza le barriere accademiche che spesso separano quei campi. Il terzo è la persistenza computazionalela macchina ha mantenuto un flusso di ragionamento molto esteso, che un ricercatore umano difficilmente manterrebbe per giorni e giorni, come sottolinea lo stesso Mark Sellke citando l’atteggiamento umano tipico di abbandono dopo tentativi infruttuosi.
Implicazioni maggiori: competenze, lavoro e sovranità tecnologica
Oltre al valore intrinseco per la matematica, il risultato ha ripercussioni concrete sul modo in cui pensiamo alle competenze cognitive e alla ricerca d’avanguardia. Se un modello può risolvere in meno di 32 ore qualcosa che ha sfidato generazioni per ottant’anniemerge la necessità di ridiscutere quale rendimento ci aspettiamo dal lavoro intellettuale specializzato. I sostenitori di una visione ottimistica ricordano analogie storiche — ad esempio la trasformazione subita da giocatori di scacchi dopo l’arrivo di motori forti — mostrando come l’esperienza umana possa evolvere studiando le strategie della macchina. Ma questa complementarietà non è automatica: richiede scelte politiche e industriali deliberate per trasformare i vantaggi tecnologici in benefici diffusi.
Un ulteriore punto pratico riguarda la disponibilità delle risorse e la proprietà degli strumenti: la dimostrazione è stata prodotta utilizzando un modello interno a OpenAInon accessibile pubblicamente. Questo solleva la questione della sovranità tecnologica — chi controlla la capacità di calcolo e le piattaforme che abilitano ricerche di frontiera? In Europa e in Italia, la capacità industriale e infrastrutturale per condurre esperimenti analoghi non è ancora omogenea, e il fatto che la soluzione provenga da un’iniziativa privata statunitense mette in luce un’asimmetria che va oltre la matematica: riguarda investimenti, cloud e competenze.
Infine, resta un elemento simbolico: la taglia originaria che Erdős aveva associato al problema — 500 dollari — diventa oggi una curiosa misura storica del valore percepito del quesito; l’investimento computazionale moderno — circa 1.000 dollari — mostra invece come la tecnologia abbia ridisegnato i costi per raggiungere risultati di frontiera. La dimostrazione dell’AI non risponde solo a una sfida matematica: apre un dibattito su strumenti, politiche e priorità scientifiche per il prossimo futuro.
