Tre risultati di ricerca ottenuti attraverso modelli di intelligenza artificiale, altrettante modalità di pubblicazione e un coinvolgimento diretto di studiosi esterni per esaminarne la validità. Il 26 ottobre 2026 OpenAI ha presentato un nuovo approccio alla collaborazione con le comunità accademiche, partendo da lavori che riguardano problemi aperti della matematica, dell'informatica teorica e della fisica.
L'iniziativa, illustrata nel documento Working with academic communities to build scientific understanding, affronta una questione che sta diventando sempre più concreta: come trasformare risultati prodotti da sistemi automatici in conoscenze scientifiche verificabili, comprensibili e utilizzabili da altri ricercatori.
La distinzione è sostanziale. Un modello può elaborare una dimostrazione matematica articolata, proporre nuovi metodi di calcolo o individuare connessioni tra teorie esistenti. Stabilire se il risultato sia corretto, comprenderne le conseguenze e collocarlo nella letteratura scientifica richiede però un lavoro ulteriore, che coinvolge competenze specialistiche e confronto tra studiosi.
OpenAI ha quindi avviato un esperimento sulle modalità di diffusione delle proprie ricerche, affidando a gruppi accademici indipendenti il compito di esaminare alcuni risultati particolarmente complessi. Le procedure cambiano a seconda della disciplina e della documentazione disponibile. Il confronto servirà anche a capire quali forme di collaborazione possano funzionare meglio quando l'intelligenza artificiale nella ricerca scientifica arriva ad affrontare problemi rimasti irrisolti per decenni.
Tre risultati scientifici e differenti modalità di verifica
Il primo lavoro riguarda l'analisi armonica, una branca della matematica utilizzata per studiare fenomeni come la propagazione delle onde. Al centro della ricerca si trova la congettura del local smoothing, formulata da Christopher Sogge nel 1991, che descrive alcune proprietà del comportamento delle onde quando vengono considerate su intervalli temporali anziché in singoli istanti.
Negli anni precedenti erano stati raggiunti risultati importanti su casi specifici. Nel 2019 Larry Guth, Hong Wang e Ruixiang Zhang avevano dimostrato la congettura in due dimensioni spaziali. Nel 2025 Hong Wang e Joshua Zahl avevano ottenuto un risultato sulla congettura di Kakeya in tre dimensioni.
Il nuovo lavoro presentato da OpenAI propone una dimostrazione del local smoothing in tutte le dimensioni considerate, con conseguenze anche per la congettura di Kakeya e quella di restrizione di Stein. La dimostrazione utilizza un'equazione differenziale ausiliaria.
L'elaborato generato dal modello risale al 18 ottobre 2026. Il giorno successivo è stata completata una formalizzazione attraverso Lean, un sistema informatico che permette di esprimere e controllare dimostrazioni matematiche secondo regole logiche precise.
Per questo risultato è stata scelta la pubblicazione diretta del materiale, lasciando alla comunità matematica la possibilità di organizzare autonomamente verifiche, approfondimenti e spiegazioni. Sono disponibili sia la dimostrazione in linguaggio naturale sia quella formalizzata. La pubblicazione consente un esame esterno, ma non equivale automaticamente alla conclusione di ogni attività di revisione scientifica.
La seconda ricerca affronta l'Exponential Time Hypothesis, conosciuta con la sigla ETH. Si tratta di un'ipotesi della teoria della complessità computazionale che riguarda il tempo necessario per risolvere determinate categorie di problemi logici.
L'ETH è stata utilizzata per molti anni come presupposto di risultati teorici relativi alla difficoltà computazionale di problemi in settori differenti, dalla teoria dei grafi alla biologia computazionale.
Il sistema di OpenAI ha prodotto una dimostrazione che, secondo la documentazione pubblicata, confuterebbe questa ipotesi. Il lavoro descrive un algoritmo deterministico con particolari caratteristiche di complessità temporale e spaziale. Anche in questo caso è disponibile una formalizzazione in Lean.
La verifica e l'interpretazione del risultato sono state affidate a un gruppo coordinato da Russell Impagliazzo e Ramamohan Paturi, dell'Università della California a San Diego, e Ryan Williams, del Massachusetts Institute of Technology. Impagliazzo e Paturi figurano tra gli studiosi che contribuirono alla formulazione originaria dell'ipotesi.
Il gruppo ha richiesto la pubblicazione dei materiali necessari al controllo indipendente. OpenAI ha accolto questa indicazione e ha assunto anche l'impegno di finanziare una conferenza dedicata alle implicazioni della ricerca.
La disponibilità della dimostrazione non significa che siano già stati sviluppati algoritmi pratici capaci di migliorare le prestazioni dei software attuali. L'eventuale superamento dell'ETH aprirebbe nuove questioni teoriche, mentre le applicazioni concrete richiederebbero ulteriori studi.
Il terzo risultato riguarda la fisica teorica e, in particolare, la costruzione matematica di alcune teorie quantistiche dei campi in quattro dimensioni.
Il lavoro comprende una proposta di dimostrazione rigorosa dell'esistenza di teorie che includono campi di gauge e fermioni, tra cui la cromodinamica quantistica, utilizzata per descrivere l'interazione forte tra particelle come quark e gluoni. Comprende inoltre risultati relativi alla teoria di Yang-Mills, collegata a uno dei problemi del millennio individuati dal Clay Mathematics Institute.
La collaborazione scientifica sarà guidata dal fisico David Gross e coinvolgerà Michael Douglas, Arthur Jaffe, Igor Klebanov e Nikita Nekrasov.
A differenza dei casi precedenti, il gruppo ha scelto di rinviare la pubblicazione degli elaborati prodotti dall'intelligenza artificiale, privilegiando una fase di studio e preparazione della documentazione scientifica.
Il risultato sulla teoria di Yang-Mills era stato generato il 9 settembre 2026 e quello relativo alla cromodinamica quantistica il 18 settembre. La formalizzazione Lean dell'esistenza della teoria di Yang-Mills è stata completata il 16 ottobre.
L'esame accademico resta quindi una componente essenziale dell'iniziativa. Non sarebbe corretto considerare già definitivamente risolti, sulla sola base dell'annuncio, tutti i problemi matematici e fisici coinvolti.
La collaborazione con i ricercatori e le regole sull'indipendenza
L'aspetto più significativo dell'iniziativa riguarda il modo in cui vengono organizzate le attività successive alla produzione dei risultati.
OpenAI considera gli elaborati generati dai propri sistemi come una forma di materiale grezzo della ricerca. Possono contenere contributi originali, ma devono essere esaminati, spiegati e confrontati con le conoscenze già disponibili.
Per gestire questa fase sono stati coinvolti esperti esterni con il compito di coordinare gruppi di lavoro specializzati. La scelta dei coordinatori non comporta il riconoscimento automatico della paternità delle scoperte e non attribuisce loro la responsabilità scientifica di risultati che non abbiano ancora verificato.
Il documento del 26 ottobre stabilisce quattro principi per le collaborazioni: trasparenza, assenza di rivendicazioni di credito accademico da parte di OpenAI, riconoscimento del lavoro svolto dai ricercatori e indipendenza delle valutazioni.
I partecipanti non devono sottoscrivere accordi di riservatezza e possono discutere pubblicamente le attività, condividere materiali intermedi e pubblicare le proprie conclusioni.
La partecipazione ai gruppi è volontaria e non retribuita nell'ambito di questi accordi. Le valutazioni espresse dagli studiosi rimangono autonome e non costituiscono dichiarazioni ufficiali dell'azienda.
Queste condizioni affrontano alcune questioni particolarmente delicate nell'utilizzo dell'intelligenza artificiale nella ricerca scientifica. La prima riguarda l'attribuzione del lavoro intellettuale: generare un risultato, verificarlo, comprenderlo e svilupparne le conseguenze sono attività differenti, che possono coinvolgere soggetti diversi.
La seconda riguarda il rapporto tra chi possiede gli strumenti tecnologici e chi dispone delle competenze disciplinari necessarie per valutarne i risultati.
Resta inoltre un problema di accesso. La selezione iniziale di alcuni ricercatori può favorire un'analisi coordinata, ma crea inevitabilmente una differenza tra chi dispone subito dei materiali e chi può esaminarli soltanto dopo la pubblicazione.
È una criticità riconosciuta nello stesso documento. Le tre strategie di diffusione permetteranno di confrontare approcci differenti, senza che sia già possibile stabilire quale garantisca il miglior equilibrio tra rapidità, trasparenza e qualità del controllo scientifico.
Riproducibilità dei risultati: perché pubblicare una dimostrazione non basta
La riproducibilità costituisce uno dei requisiti centrali della ricerca. Quando uno studio presenta un risultato, altri specialisti devono poter ricostruire i passaggi attraverso i quali è stato ottenuto e valutare se le conclusioni siano giustificate.
Nel caso delle dimostrazioni matematiche generate automaticamente, l'impiego di strumenti come Lean rappresenta un elemento importante.
Il software permette di controllare formalmente che determinati passaggi rispettino le regole del sistema logico utilizzato. Questo riduce il rischio che errori di deduzione rimangano nascosti all'interno di dimostrazioni molto lunghe.
Il controllo formale, tuttavia, deve essere interpretato correttamente. Occorre verificare che gli enunciati codificati corrispondano effettivamente ai problemi matematici che si intendono risolvere, che le ipotesi siano appropriate e che eventuali dipendenze da altri risultati siano esplicitate.
Una dimostrazione accettata da un verificatore formale non sostituisce quindi l'esame del suo significato scientifico. Può dimostrare la correttezza di un enunciato formalizzato senza esaurire le domande sulla sua portata, sulla rilevanza delle ipotesi o sulle possibili generalizzazioni.
Il repository pubblico dedicato alle ricerche matematiche di OpenAI rende visibile anche un altro aspetto del problema: la necessità di correggere e, quando necessario, ritirare risultati precedentemente diffusi.
Il 7 ottobre 2026, per esempio, sono stati ritirati tre manoscritti collegati a un errore di segno che comprometteva un passaggio della dimostrazione originaria e i lavori da essa dipendenti. Nello stesso aggiornamento sono state documentate revisioni di altri elaborati, con correzioni di dimostrazioni, ipotesi e riferimenti.
Questi episodi mostrano perché l'intelligenza artificiale nella ricerca scientifica richieda procedure di controllo che continuino anche dopo la prima pubblicazione.
La conservazione delle versioni precedenti, la documentazione delle modifiche e la possibilità di ricostruire le dipendenze tra risultati consentono agli studiosi di valutare l'evoluzione effettiva di una ricerca.
La disponibilità del codice e delle dimostrazioni formalizzate favorisce questo processo. Non garantisce, da sola, che un altro gruppo possa riprodurre integralmente il comportamento del modello che ha originato la scoperta.
Per ottenere una riproduzione completa sarebbero infatti rilevanti anche le informazioni relative agli strumenti utilizzati, alle configurazioni, agli eventuali interventi umani e alle condizioni dell'elaborazione. La pubblicazione di un risultato e la possibilità di ripetere autonomamente il processo che lo ha generato rimangono due livelli distinti di trasparenza.
Accesso agli strumenti e sostegno economico alla ricerca
La collaborazione sui tre risultati scientifici si affianca a iniziative più ampie dedicate all'accesso dei ricercatori ai sistemi di intelligenza artificiale.
Il 29 luglio 2026 OpenAI ha presentato ChatGPT for Academic Researchers, un programma destinato a offrire gratuitamente strumenti avanzati a ricercatori appartenenti a istituzioni accademiche selezionate.
L'obiettivo annunciato è raggiungere 100.000 partecipanti entro il 2027, partendo da una prima fase di 10.000 ricercatori. Tra le istituzioni nelle quali l'accesso era già disponibile al momento dell'annuncio figuravano l'Institute for Advanced Study e l'École normale supérieure.
Il programma comprende strumenti utilizzabili per analizzare letteratura scientifica, sviluppare codice, esaminare dati e preparare documentazione accademica. Sono previsti anche percorsi di formazione e assistenza nell'integrazione dei sistemi nei processi di ricerca.
L'accesso non è però indiscriminato. Gli interessati devono soddisfare requisiti di ammissibilità e verificare la propria appartenenza istituzionale.
Un aggiornamento del 10 agosto ha comunicato che le prime candidature avevano superato quota 13.000, per un massimo potenziale di 65.000 account di ricerca. Di conseguenza, i nuovi candidati sono stati indirizzati verso una lista d'attesa, mentre la selezione iniziale è stata organizzata attraverso un sorteggio tra i soggetti ammissibili.
I numeri indicano l'interesse registrato dal programma, ma non dimostrano che tutti i posti previsti siano già stati assegnati o che l'obiettivo per il 2027 sia stato raggiunto.
Sul versante economico, un'iniziativa distinta coinvolge la Simons Foundation.
Il 15 ottobre 2026 la fondazione ha annunciato un programma da 15 milioni di dollari complessivi, tra finanziamenti e risorse, realizzato con OpenAI e Anthropic per accompagnare la comunità matematica nell'utilizzo dell'intelligenza artificiale.
Il contributo annunciato da OpenAI ammonta a 5 milioni di dollari. Le risorse saranno gestite e assegnate dalla Simons Foundation per sostenere incontri scientifici, workshop e programmi finalizzati alla comprensione e alla valutazione dei risultati assistiti dall'AI.
Si tratta di un intervento differente rispetto alle collaborazioni sui tre problemi presentati il 26 ottobre. Il finanziamento sostiene attività della comunità scientifica, mentre i gruppi coordinati dagli esperti esterni sono impegnati nell'esame di specifici lavori teorici.
Entrambe le iniziative affrontano comunque una difficoltà crescente: la produzione automatizzata di risultati può aumentare più rapidamente della capacità degli specialisti di controllarli e interpretarli.
Verifica delle fonti e responsabilità scientifica
L'impiego dell'intelligenza artificiale nella ricerca scientifica introduce questioni che vanno oltre la correttezza dei calcoli.
Un modello può combinare informazioni provenienti da pubblicazioni diverse, formulare ipotesi o proporre spiegazioni apparentemente coerenti. Il valore scientifico di queste elaborazioni dipende dalla possibilità di ricostruirne i presupposti e verificare che i riferimenti utilizzati siano effettivamente pertinenti.
La verifica delle fonti richiede anzitutto di distinguere i risultati originali dalle conoscenze già presenti nella letteratura. Un sistema automatico può riproporre una dimostrazione nota, utilizzare inconsapevolmente un'ipotesi non valida o attribuire a una ricerca conseguenze che gli autori non avevano dimostrato.
La documentazione scientifica deve quindi permettere di identificare con precisione gli studi richiamati, controllare gli enunciati e ricostruire il rapporto tra le nuove conclusioni e i lavori precedenti.
L'accuratezza bibliografica assume particolare rilievo quando l'intelligenza artificiale viene impiegata per preparare revisioni della letteratura, manoscritti e progetti di ricerca. I riferimenti suggeriti dal modello devono essere controllati sulle pubblicazioni originali, verificando autori, date, contenuti e risultati.
Nel documento del 26 ottobre, il riconoscimento dei contributi scientifici precedenti rientra espressamente tra i principi delle collaborazioni. I gruppi esterni dovranno contribuire a individuare correttamente ricercatori, tecniche e idee sulle quali si basano i nuovi lavori.
Esiste poi una differenza tra discipline teoriche e sperimentali.
In matematica, una dimostrazione rigorosa può essere valutata attraverso argomentazioni logiche e strumenti formali. Nelle scienze sperimentali, invece, una previsione elaborata dall'AI deve confrontarsi anche con osservazioni, misurazioni e dati ottenuti mediante procedure controllate.
Un sistema può suggerire una nuova relazione tra variabili biologiche o individuare un'ipotesi interessante all'interno di grandi raccolte di dati. Per stabilire se quella relazione descriva un fenomeno reale occorrono verifiche statistiche, controlli metodologici e, quando pertinenti, esperimenti indipendenti.
La disponibilità di modelli sempre più capaci non elimina queste esigenze. Può modificare la quantità di ipotesi prodotte e la velocità con cui vengono sviluppate, rendendo ancora più importante la selezione dei risultati da approfondire.
Il ruolo dei ricercatori quando aumenta l'automazione
L'automazione di alcune attività intellettuali modifica la distribuzione del lavoro nei gruppi scientifici.
La ricerca assistita da AI può includere operazioni molto diverse: consultazione di documentazione tecnica, scrittura di programmi, analisi di dataset, formulazione di congetture e verifica formale di dimostrazioni.
Le attività possono essere collegate all'interno dello stesso processo, ma presentano rischi differenti. Un errore di programmazione può alterare i risultati di un'analisi; una fonte inesistente può compromettere una revisione bibliografica; un'ipotesi formalizzata in modo impreciso può produrre conclusioni matematicamente corrette rispetto all'enunciato sbagliato.
La supervisione umana deve quindi intervenire nelle fasi in cui vengono stabiliti gli obiettivi scientifici, selezionati i metodi e interpretate le conclusioni.
Il modello di collaborazione proposto da OpenAI separa, almeno sul piano organizzativo, il momento della generazione automatica da quello della valutazione accademica.
Gli studiosi coinvolti nei gruppi di lavoro non sono chiamati semplicemente a confermare ciò che è stato prodotto. Devono comprenderlo, verificarne i passaggi, individuare eventuali problemi e spiegare quali conseguenze possano essere sostenute dalla documentazione disponibile.
Una particolare difficoltà riguarda i risultati che, se confermati, potrebbero modificare una parte importante delle conoscenze esistenti.
La presunta confutazione dell'Exponential Time Hypothesis ne rappresenta un esempio. Numerosi lavori utilizzano quell'ipotesi per stabilire limiti condizionali alla complessità di determinati problemi. Una sua eventuale confutazione richiederebbe di riesaminare il significato di tali risultati, senza necessariamente renderne errate le dimostrazioni condizionali.
Allo stesso modo, una dimostrazione rigorosa relativa alle teorie quantistiche dei campi richiede di stabilire esattamente quali modelli matematici siano coperti e quali proprietà fisiche risultino effettivamente dimostrate.
Sono questioni che non possono essere risolte attraverso la sola capacità del sistema di produrre testi tecnici convincenti.
Una sperimentazione aperta sulle regole della pubblicazione scientifica
Il progetto annunciato il 26 ottobre non introduce ancora uno standard generale per tutte le ricerche prodotte con l'intelligenza artificiale. Le tre modalità di diffusione sono presentate come un esperimento, destinato a essere valutato anche attraverso le osservazioni delle comunità accademiche.
Al momento della pubblicazione, i materiali matematici e informatici indicati erano già stati resi accessibili nel repository pubblico, mentre il gruppo di fisica aveva deciso di rinviarne la diffusione per lavorare alla presentazione scientifica dei risultati.
È una differenza concreta che incide sulla possibilità di controllo esterno. Nel primo caso altri studiosi possono iniziare immediatamente a esaminare le dimostrazioni. Nel secondo, l'analisi iniziale rimane concentrata nel gruppo incaricato, in attesa della documentazione successiva.
La scelta della procedura di pubblicazione diventa così parte integrante del lavoro scientifico, soprattutto quando i risultati sono sufficientemente complessi da richiedere settimane o mesi di verifica specialistica.
L'esperienza interessa anche le università e i centri di ricerca che stanno introducendo strumenti automatici nelle proprie attività. L'intelligenza artificiale nella ricerca scientifica può ampliare le possibilità di indagine, ma comporta la necessità di stabilire chi controlla i risultati, come vengono documentati gli interventi del modello e quali condizioni permettono ad altri studiosi di ripetere le verifiche.
Il lavoro sui materiali già pubblicati da OpenAI offre un primo terreno di confronto. La disponibilità delle dimostrazioni, delle formalizzazioni e delle revisioni successive consente di osservare direttamente come una comunità scientifica reagisce a risultati generati automaticamente.
Per le collaborazioni ancora in corso, rimane decisivo il contenuto delle valutazioni indipendenti. Saranno le analisi dei gruppi accademici, le eventuali correzioni e le pubblicazioni successive a chiarire quali conclusioni potranno entrare stabilmente nella letteratura specialistica e quali richiederanno ulteriori approfondimenti.
