Quando l'intelligenza artificiale risolve problemi matematici aperti, cosa resta al genio?

La matematica è stata a lungo considerata la misura più pura dell'intelligenza. A differenza della maggior parte delle scienze, non dipende da attrezzature di laboratorio, rumore sperimentale o strumenti di misura. Una dimostrazione o è corretta o non lo è. Questa chiarezza è il motivo per cui i grandi problemi irrisolti – congetture che resistono a ogni tecnica conosciuta – sono diventati una sorta di Monte Everest intellettuale.

La storia tende a raccontare la stessa storia: un interrogativo resta sospeso nell'aria per decenni o secoli finché non arriva una mente eccezionale, qualcuno con l'insolito mix di pazienza, creatività e capacità tecnica di individuare una strada che nessun altro aveva intravisto. Celebriamo il "genio solitario" perché, in matematica, questa narrazione spesso calza a pennello.

Ma un nuovo schema sta iniziando ad apparire. Tra la fine del 2025 e l'inizio del 2026, le discussioni online su diversi problemi di Erdős (un noto insieme di problemi aperti raccolti da Paul Erdos) ha suggerito che le dimostrazioni assistite dall'intelligenza artificiale potrebbero aver risolto più elementi in tempi insolitamente brevi. Alcuni di questi schizzi di dimostrazione sarebbero stati esaminati da importanti matematici, tra cui Terence tao, che ha parlato pubblicamente del ruolo crescente dell'IA come collaboratore matematico. Tuttavia, la precisazione più importante rimane: la matematica non si basa sui titoli dei giornali. Un'ampia accettazione richiede in genere tempo: verifica indipendente, stesura accurata e talvolta formalizzazione nei sistemi di verifica delle bozze.

Nonostante questa cautela, il punto più ampio rimane: il mondo sta osservando per la prima volta cosa succede quando l'IA non si limita a calcolare, riassumere o confrontare schemi, ma partecipa all'atto del ragionamento. Se l'IA può aiutare in modo affidabile a risolvere problemi con cui gli esseri umani si confrontano da generazioni, ciò impone una domanda più profonda:
Cosa farà ora il genio umano, quando la macchina riuscirà a raggiungere per prima la vetta?

La meccanica del “ragionamento al silicio”

Per capire perché questo momento sembra diverso, è utile distinguere due versioni dell'intelligenza artificiale che spesso le persone confondono.

Le generazioni precedenti di modelli linguistici venivano spesso descritte (giustamente) come sistemi che predicevano la parola più probabile. Potevano apparire impressionanti, ma erano anche inclini a "assurdità sicure" perché avevano una capacità limitata di rallentare, testare idee o autocorreggersi.

I sistemi più recenti si affidano sempre più a un approccio diverso: il ragionamento in fase di test (talvolta definito "computazione in fase di test"). Invece di produrre una risposta immediata, il modello può dedicare più tempo a un singolo problema, generando possibili approcci, verificando se i passaggi seguono logicamente, tornando indietro quando incontra contraddizioni ed esplorando percorsi alternativi. In termini umani, assomiglia a ciò che fa un matematico alla lavagna: prova qualcosa, la rompe, la aggiusta e ripeti.

Questo è importante in matematica perché il progresso raramente segue una linea retta. La maggior parte delle idee promettenti fallisce. La capacità di tornare sui propri passi – senza ego, stanchezza o scoraggiamento – può trasformare una ricerca impossibile in una fattibile.

I moderni sistemi di intelligenza artificiale sono andati oltre il semplice calcolo, offrendo quattro funzionalità pratiche che li rendono meno calcolatrici e più collaboratori. Eccellono nella sintesi su larga scala, collegando idee provenienti da vasti corpus di letteratura e sottocampi di nicchia in cui i lemmi chiave sono raramente citati. Consentono inoltre un'iterazione rapida, testando rapidamente molti "percorsi" di dimostrazione ed eliminando vicoli ciechi, preservando al contempo sottostrutture promettenti. Inoltre, queste macchine a volte propongono euristiche insolite: costruzioni intermedie che sembrano estranee all'intuizione umana ma rimangono logicamente valide. Infine, producono output di facile verifica che possono essere tradotti in assistenti di dimostrazione formali come Lean o Coq, offrendo alla comunità un percorso verso una maggiore fiducia.

È importante sottolineare che questo non significa che l'IA "capisca" la matematica come gli esseri umani. Significa qualcosa di più specifico: con i giusti vincoli, può generare catene di ragionamento che reggono a un esame approfondito. In matematica, questo è il valore che conta.

Perché i problemi in stile Erdős hanno senso come obiettivi precoci

Non tutte le frontiere della matematica sono ugualmente "vulnerabili" all'accelerazione dell'IA. Alcuni problemi richiedono teorie completamente nuove, nuove definizioni o profondi balzi concettuali che non trovano molti punti d'appoggio nella letteratura esistente. Ma altri problemi, soprattutto quelli di combinatoria, teoria dei numeri e matematica discreta, hanno spesso una forma diversa:

• L'affermazione è abbastanza semplice da poter essere spiegata anche ai non addetti ai lavori.
• Gli strumenti noti sono numerosi, sparsi sui fogli e facili da non notare.
• Spesso il progresso nasce dalla combinazione intelligente dei risultati esistenti.

I problemi di Erdős rientrano spesso in questo profilo. Sono noti per essere facili da enunciare e difficili da risolvere, e si trovano in ambiti in cui le dimostrazioni possono richiedere un mosaico di tecniche: metodi probabilistici, combinatoria estremale, teoria ergodica, analisi armonica e altro ancora.

Ciò li rende utili come "test di pressione" per l'IA. Se un sistema riesce a proporre una strategia di dimostrazione credibile per un problema che ha resistito a un ampio sforzo umano, ciò è significativo, anche se si scopre (come a volte accade) che l'idea chiave era già implicita in lavori precedenti, o che la dimostrazione necessita di essere perfezionata prima di diventare canonica.

In altre parole: la storia non è "l'intelligenza artificiale sostituisce i matematici". La storia è che l'intelligenza artificiale potrebbe ridurre la distanza tra "il risultato esiste da qualche parte" e "la comunità può effettivamente vederlo".

Quando l'intelligenza artificiale riscopre ciò che gli umani hanno dimenticato

Uno degli schemi più interessanti della scienza moderna non è che gli esseri umani manchino di conoscenza, ma che facciamo fatica a richiamare conoscenza.

La matematica è un campo enorme. I risultati sono disseminati in decenni di riviste, appunti di workshop e sottocampi specializzati con i loro linguaggi e convenzioni. Persino matematici eccellenti possono trascurare un teorema "ovvio" all'interno di un dominio di nicchia. Col tempo, intere catene di ragionamenti possono essere sepolte, non perché fossero sbagliate, ma perché l'attenzione si è spostata altrove.

L'intelligenza artificiale modifica questa dinamica, essendo disposta a esplorare gli angoli più noiosi, dove gli umani raramente guardano perché sono attratti da aree alla moda. Serve anche a colmare i dialetti, traducendo tra i linguaggi di diversi sottocampi e allineando idee che gli esseri umani tradizionalmente tengono separate.

È qui che molti vedono la promessa più profonda. Anche quando l'intelligenza artificiale non inventa matematica completamente nuova da zero, può funzionare come un potentissimo "esploratore di conoscenza", riportando alla luce strutture dimenticate e ricombinandole in modi che sembrano nuovi.

Il passaggio alla “Grande Matematica”: da redattore di bozze a direttore d’orchestra

Se l'intelligenza artificiale continua a migliorare, il cambiamento più significativo potrebbe non essere la capacità delle macchine di risolvere più teoremi. Potrebbe piuttosto cambiare il ruolo del matematico umano.

Per secoli, fare matematica ha significato dedicare enormi sforzi alla dimostrazione stessa: trovare una strada, verificare ogni passaggio e scriverla in modo che altri esperti possano verificarla. Questo lavoro fa parte del mestiere. Ma è anche un collo di bottiglia. Molte idee promettenti muoiono semplicemente perché il tempo umano necessario per realizzarle e formalizzarle completamente è troppo elevato.

In un mondo accelerato dall'intelligenza artificiale, le prove diventano meno rare. Questo non rende la matematica banale. Cambia il luogo in cui si concentra il duro lavoro.

Il matematico come cartografo, non come calcolatore

Se la dimostrazione non è più il principale ostacolo, il "genio" si sposta verso compiti di livello superiore. Selezionare le domande più preziose da risolvere diventa una responsabilità umana centrale, così come progettare nuove astrazioni come invarianti e definizioni di collegamento tra campi. Inoltre, le grandi menti si concentreranno sulla costruzione di programmi di ricerca mappando paesaggi di congetture e orchestrando la scoperta, traducendo al contempo i risultati astratti in strumenti funzionali per altri campi.

Scorri per scorrere →

Pensate a questo come al cambiamento avvenuto negli scacchi dopo l'avvento dei computer. Gli scacchi umani non sono finiti quando i motori ci hanno superato. Al contrario, si è evoluto il gioco d'élite. Gli esseri umani hanno imparato a porre domande più mirate alle macchine, a interpretare i loro suggerimenti e a sviluppare strategie che uniscono intuizione e calcolo.

La matematica potrebbe subire una trasformazione simile, ma la posta in gioco è più ampia. Nuovi strumenti matematici possono rimodellare la crittografia, l'ottimizzazione, l'apprendimento automatico, la fisica e l'economia. Se l'intelligenza artificiale riducesse i costi di scoperta, gli effetti a valle potrebbero essere enormi.

Si tratta di "pensiero libero" o semplicemente di una ricerca estremamente veloce?

Uno scettico ragionevole potrebbe dire: questa non è intelligenza, è solo forza bruta. Date a una macchina abbastanza potenza di calcolo e incapperà in qualcosa che funziona.

C'è un punto importante qui. L'intelligenza artificiale porta con sé scalabilità. Può provare molte strade. Ma i casi più interessanti non sono inciampi casuali: riguardano la sintesi strutturata: collegare concetti, riutilizzare lemmi in contesti non familiari e assemblare una catena di ragionamento sufficientemente coerente da poter essere convalidata dagli esperti.

In pratica, il confine tra "ricerca" e "pensiero" diventa labile. Anche i matematici umani ricercano: attraverso idee, analogie, risultati parziali. Ciò che conta è se il processo genera in modo affidabile una verità nuova e verificabile.

Se l'intelligenza artificiale diventasse costantemente capace di farlo, allora l'etichetta avrebbe meno importanza del risultato. Il confine si sposterebbe in entrambi i casi.

Quali frontiere potrebbero crollare in seguito?

Se l'intelligenza artificiale continua a migliorare, dovremmo aspettarci uno schema: i problemi che si presenteranno per primi saranno spesso quelli in cui la conoscenza è già presente ma frammentata, in cui le tecniche esistenti possono essere ricombinate e in cui la verifica formale può aumentare rapidamente la fiducia.

Tra i probabili obiettivi a breve termine figurano:

• Combinatoria estremale e teoria dei grafi: ricchi toolkit, molti lemmi noti e molti problemi definiti in termini chiari e discreti.
• Teoria additiva dei numeri: terreno fertile per dimostrazioni multi-tecnica e argomenti “ponte” che collegano i campi.
• Domande relative all'ottimizzazione e alla complessità: non il livello più profondo "P vs NP" per primo, ma molti risultati strutturali più piccoli relativi ad algoritmi e limiti.
• Sottodomini formalizzabili: aree già parzialmente codificate negli assistenti di dimostrazione, dove l'intelligenza artificiale può accelerare la traduzione dall'idea al teorema verificato.

I grandi e famosi problemi, come quelli del Millennium Prize, potrebbero ancora richiedere invenzioni concettuali profonde. Ma anche in questo caso, l'IA potrebbe scavare nel terreno circostante: dimostrando lemmi, esplorando casi speciali e costruendo impalcature che rendano più probabile un salto finale umano (o ibrido).

Il perno filosofico: il ritorno del quesito-interrogativo

Mentre automatizziamo i meccanismi della dimostrazione, siamo costretti a confrontarci con una realtà che esiste fin dagli albori della disciplina: la matematica è, ed è sempre stata, un sottoinsieme della filosofia. Storicamente, gli intelletti più apprezzati della nostra specie erano coloro che sapevano confrontarsi con le domande più significative della vita. I Greci non separavano lo studio dei numeri dallo studio dell'esistenza; per loro, l'"irrazionalità" di un numero era una crisi dell'anima tanto quanto una crisi della logica.

Nell'era moderna, abbiamo spostato la nostra valutazione del "genio" umano verso il calcolatore esperto, la mente in grado di elaborare il denso lavoro manuale di una dimostrazione di trecento pagine. Abbiamo equiparato l'intelligenza alla capacità di funzionare come un processore biologico. Ma quando l'intelligenza artificiale inizia a raggiungere per prima la vetta di queste dimostrazioni, quel collo di bottiglia tecnico svanisce. Questo non sminuisce l'intelletto umano; lo costringe a migrare "più in alto".

Gli intelletti più apprezzati del futuro non saranno coloro che riescono a eseguire un processo noto con estrema efficienza, ma i filosofi che sanno definire cosa vale la pena scoprire in primo luogo. Quando il "come" diventa una merce fornita dal silicio, il "perché" diventa l'unica scarsità rimasta. Stiamo tornando all'era del Poliedrico, dove la capacità di porre una domanda che cambia la vita – di concepire una nuova frontiera di significato – è l'abilità suprema. Come nel passaggio da una pala a una ruspa, non siamo più apprezzati per la nostra capacità di scavare con le mani, ma per la nostra visione nel decidere dove iniziare.

Conclusione: un futuro in cui il genio sale di livello

Se l'intelligenza artificiale può aiutare a risolvere problemi che un tempo richiedevano un intelletto raro, non significa che la matematica sia finita. Significa che dobbiamo cambiare il modo in cui la svolgiamo.

In un mondo in cui le dimostrazioni diventano più economiche, la risorsa scarsa diventa qualcos'altro: buone domande, astrazioni utili e la capacità di interpretare il significato della matematica.

L'"intelletto unico" del futuro potrebbe assomigliare meno a una figura solitaria che elabora una prova per decenni e più a un cartografo di idee, qualcuno in grado di individuare quali montagne vale la pena scalare e di coordinare un nuovo tipo di spedizione in cui uomini e macchine scalano insieme.