OpenAI sostiene che un suo modello interno abbia impiegato appena 88 ore per risolvere uno dei problemi matematici più difficili al mondo.
Per riuscirci ha messo al lavoro circa 10.000 agenti IA contemporaneamente, suddivisi in diversi gruppi e coordinati dai ricercatori umani. La successiva formalizzazione e verifica attraverso GPT-6 Astra ha richiesto altre 17 ore.
Il bersaglio era il problema di esistenza e regolarità di Navier-Stokes, uno dei sette Problemi del Millennio selezionati nel 2000 dal Clay Mathematics Institute.
Per ciascuno era stato stanziato un premio da un milione di dollari. Finora soltanto la congettura di Poincaré era stata ufficialmente risolta e sul sito del Clay Institute, Navier-Stokes risulta ancora tra i problemi aperti. La dimostrazione di OpenAI deve quindi essere esaminata e accettata dalla comunità matematica.
Il premio, comunque, conta poco rispetto al risultato. I Problemi del Millennio sono stati scelti perché rappresentano alcuni dei confini più resistenti della matematica. Se la prova reggerà, un sistema di IA avrà raggiunto uno di quei confini.
We’re sharing a solution to the Navier-Stokes Millennium Prize Problem, one of the deepest problems at the frontier of mathematics.
The proof was produced by a group of agents, using an OpenAI next-generation model significantly more capable than GPT-6 Astra.
The problem… pic.twitter.com/8zol3BPTL4
— OpenAI (@OpenAI) September 8, 2026
Che cosa ha dimostrato davvero OpenAI
Le equazioni di Navier-Stokes descrivono il movimento dei fluidi e vengono già utilizzate per studiare fenomeni molto concreti, dal comportamento dell’aria intorno a un aeroplano alle previsioni meteorologiche, fino al flusso del sangue.
La domanda rimasta aperta per quasi un secolo era apparentemente semplice: partendo da condizioni normali, queste equazioni funzionano sempre? Oppure possono arrivare a una “singolarità”, cioè a una situazione matematicamente possibile ma incompatibile col comportamento reale di un fluido?
OpenAI sostiene di aver dimostrato proprio questo secondo caso. In determinate condizioni le equazioni arriverebbero a descrivere un comportamento fisicamente impossibile.
Ciò non significa che l’acqua possa davvero “esplodere”, come esemplifica il New York Times, o violare le leggi della fisica. Significa invece che, a quel punto, il modello matematico utilizzato per descriverla non è più sufficiente.
Ma questi problemi servono davvero a qualcosa?
La risposta dipende dal problema. Risolvere Navier-Stokes non renderà automaticamente più precise le previsioni del tempo né permetterà di progettare domani un aeroplano migliore. Ingegneri e fisici utilizzano già con successo queste equazioni e le simulazioni numeriche costruite su questa teoria.
Capire con precisione quando possano fallire può però migliorare la conoscenza dei fluidi, della turbolenza e dei limiti delle simulazioni. E spesso la parte più importante di questi problemi sta negli strumenti matematici inventati durante la ricerca della soluzione, che possono poi essere applicati altrove.
Il Clay Mathematics Institute lo riassume con una frase semplice: una dimostrazione fornisce certezza ma anche comprensione.
Altri Problemi del Millennio hanno ricadute ancora più evidenti. P contro NP, uno dei sette Problemi del Millennio e una delle grandi questioni aperte dell’informatica teorica, riguarda la possibilità di risolvere rapidamente problemi dei quali oggi sappiamo verificare rapidamente soltanto la risposta.
La sua soluzione potrebbe avere conseguenze profonde sull’informatica e sulla crittografia. La matematica più astratta, insomma, può rimanere tale oppure diventare la base di tecnologie che arriveranno molti anni dopo.
Perché la matematica è il terreno ideale per l’IA?
La spiegazione a questa domanda sta nell’apprendimento per rinforzo. Un modello può provare molte strategie diverse e imparare progressivamente quali sono quelle che portano alla soluzione.
In matematica è più facile stabilire se un passaggio sia giusto oppure sbagliato rispetto a quanto accade nella scrittura, nella filosofia o nell’etica, dove spesso manca una risposta oggettivamente corretta.
C’è poi Lean, un linguaggio nato per consentire ai matematici di formalizzare le dimostrazioni e verificarne rigorosamente ogni passaggio. I modelli di IA sono ormai capaci di utilizzarlo e OpenAI ha pubblicato sia il paper sia la prova formalizzata proprio in Lean, così che i matematici esterni possano controllarla.
Non si è trattato semplicemente di lasciare un chatbot davanti a un problema. Gli agenti erano organizzati in gruppi e potevano comunicare. I ricercatori umani trasferivano inoltre le idee più promettenti da una squadra all’altra.
Dan Roberts di OpenAI ha paragonato il loro ruolo a quello di un “bombo” che portava informazioni tra gruppi differenti, “impollinandoli”.
Se trovare la risposta diventa troppo facile
È proprio qui che Terence Tao, considerato uno dei maggiori matematici contemporanei, vede un rischio. “Lo sforzo necessario per risolvere i problemi è spesso molto istruttivo”, ha spiegato al New York Times.
Il paragone scelto da Tao è quello della palestra: se una macchina solleva i pesi al posto nostro, il peso viene sollevato ma chi doveva allenarsi non diventa più forte.
Nella matematica il percorso conta quasi quanto l’arrivo. Cercare una dimostrazione significa esplorare strade alternative, scoprire perché alcune falliscono e costruire nuove intuizioni. Un sistema capace di trovare direttamente una soluzione potrebbe accelerare enormemente la ricerca ma anche ridurre quella parte del lavoro attraverso cui i matematici sviluppano nuova comprensione.
OpenAI non intende chiedere il premio del Clay Institute e presenta il risultato soprattutto come dimostrazione di quanto rapidamente stiano aumentando le capacità dei propri modelli. Se la prova verrà confermata, però, resterà una domanda difficile da ignorare. Per secoli i grandi problemi matematici sono serviti anche a misurare fin dove poteva arrivare l’intelligenza umana.
Adesso 10.000 agenti IA possono essere messi al lavoro contemporaneamente su uno di essi. E 88 ore sembrano un tempo molto breve.
Fonte: New York Times
