Tre risultati teorici riaprono questioni fondamentali sulle onde, sui limiti del calcolo e sulla struttura della materia. La safida passa ora alla comunità scientifica: esaminare le dimostrazioni e comprenderne le conseguenze
L’intelligenza artificiale entra nel cuore della ricerca teorica. OpenAI ha annunciato che i propri modelli hanno prodotto risultati in matematica, informatica e fisica, affrontando problemi rimasti a lungo aperti. La notizia, rilanciata il 27 ottobre da Al Jazeera, porta al centro del dibattito una domanda: come trasformare una dimostrazione generata da una macchina in conoscenza scientifica condivisa?
Il punto riguarda il lavoro che comincia dopo aver ottenuto una risposta: ricostruire il ragionamento, controllare le ipotesi, riconoscere i contributi precedenti e capire quali nuove domande diventano accessibili.
Matematica: il problema delle onde e della loro concentrazione
Secondo OpenAI, i modelli hanno prodotto una dimostrazione della congettura di local smoothing in tutte le dimensioni, con conseguenze anche per le congetture di Kakeya e di restrizione di Stein. Il problema riguarda quanto intensamente le onde possano concentrarsi e quanto a lungo possa durare tale concentrazione.
Per capire il contesto, è utile guardare al percorso precedente. Larry Guth, Hong Wang e Ruixiang Zhang avevano dimostrato il risultato per l’equazione delle onde in due dimensioni spaziali più il tempo, in un lavoro pubblicato nel 2020 sugli Annals of Mathematics. La distinzione conta: parlare di tre dimensioni senza precisare il ruolo del tempo può rendere poco chiaro il confronto con i risultati già acquisiti.
La portata di una dimostrazione generale si misura anche nella possibilità di collegare problemi diversi. Un nuovo metodo può offrire strumenti da utilizzare altrove, oltre a risolvere la questione dalla quale è partito.
Informatica: cosa significa mettere in discussione l’ipotesi del tempo esponenziale
Il secondo risultato annunciato è una confutazione dell’Exponential Time Hypothesis, conosciuta come ETH.
Questa ipotesi riguarda la difficoltà di problemi come il 3-SAT: stabilire se sia possibile assegnare valori vero o falso a un insieme di variabili rispettando contemporaneamente determinate condizioni logiche. L’ETH sostiene, in sostanza, che per risolvere il problema nel caso peggiore sia inevitabile una crescita esponenziale del tempo di calcolo rispetto al numero delle variabili. La sua formulazione compare nei lavori di Russell Impagliazzo e Ramamohan Paturi.
La distinzione fra tempo esponenziale e subesponenziale è cruciale nella teoria degli algoritmi. Tuttavia, un algoritmo subesponenziale può restare molto costoso: da un avanzamento teorico non discende automaticamente un programma efficiente per gli impieghi quotidiani. Inoltre, sul piano logico, confutare l’ETH non equivale a risolvere il problema P contro NP, poiché l’ETH è un’ipotesi più forte.
OpenAI indica come responsabili del gruppo incaricato di esaminare e spiegare il risultato Impagliazzo e Paturi, dell’Università della California a San Diego, e Ryan Williams, del MIT.
Fisica: nuovi strumenti per i fondamenti della materia
Il terzo annuncio riguarda una dimostrazione matematica di esistenza per teorie quantistiche dei campi che comprendono la cromodinamica quantistica, o QCD.
La QCD descrive l’interazione forte attraverso quark e gluoni. Il problema dei suoi fondamenti matematici è distinto dal successo delle sue applicazioni fisiche: una teoria può produrre previsioni confermate dagli esperimenti mentre la sua costruzione rigorosa presenta ancora questioni aperte. È uno dei nodi illustrati da Arthur Jaffe ed Edward Witten nella descrizione del problema di Yang–Mills.
A guidare l’esame del lavoro sarà il premio Nobel David Gross, affiancato da Michael R. Douglas, Arthur Jaffe, Igor Klebanov e Nikita Nekrasov, secondo quanto comunicato da OpenAI.
Occorre inoltre distinguere la dimostrazione di esistenza di una teoria dalla soluzione completa del problema di Yang–Mills del Clay Mathematics Institute, che richiede anche il cosiddetto mass gap, una proprietà dello spettro energetico. L’annuncio non autorizza a considerare automaticamente risolto l’intero problema del millennio.
Dalle dimostrazioni automatiche alla comprensione scientifica
OpenAI riferisce di aver impiegato Lean per la formalizzazione di risultati. I materiali matematici e informatici sono stati resi pubblici; per quelli di fisica, il gruppo esterno ha scelto di rinviare la diffusione mentre prepara una propria esposizione.
Lean permette di esprimere teoremi e dimostrazioni in una forma controllabile dal computer. La sua documentazione sottolinea però un passaggio essenziale: bisogna verificare anche che l’enunciato formalizzato corrisponda davvero al problema che si intende risolvere, insieme alle ipotesi e alle dipendenze utilizzate.
È qui che emerge la questione più interessante per il futuro della ricerca. Se questi risultati supereranno l’esame indipendente, il cambiamento riguarderà anche il rapporto fra produzione e comprensione delle dimostrazioni. Ottenere un risultato, spiegarlo e renderlo utilizzabile sono attività diverse, che dovranno avanzare insieme.
La prospettiva aperta dall’intelligenza artificiale nella ricerca scientifica richiede quindi un lavoro collettivo: trasformare nuove soluzioni in metodi che altri ricercatori possano discutere, insegnare e sviluppare.
