Quando l’IA risolve problemi matematici aperti, cosa rimane per il 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 prova è o corretta o non lo è. Quella chiarezza è il motivo per cui i grandi problemi irrisolti – congetture che resistono a ogni tecnica nota – sono diventati una sorta di Monte Everest intellettuale.

La storia tende a raccontare la stessa storia: una domanda rimane in sospeso per decenni o secoli fino a quando non arriva una mente rara – qualcuno con la miscela insolita di pazienza, creatività e potenza tecnica per vedere un percorso che nessun altro ha visto. Celebriamo il “genio solitario” perché in matematica, quella narrazione spesso funziona.

Ma un nuovo modello sta iniziando a emergere. Alla fine del 2025 e all’inizio del 2026, le discussioni online su diversi problemi di Erdős (un insieme noto di problemi aperti raccolti da Paul Erdős) hanno suggerito che le prove assistite dall’IA possano aver risolto più elementi in un tempo insolitamente breve. Alcuni di questi abbozzi di prova sono stati presumibilmente esaminati da importanti matematici, tra cui Terence Tao, che ha parlato pubblicamente del ruolo crescente dell’IA come collaboratore matematico. Tuttavia, la più importante osservazione rimane: la matematica non funziona con i titoli. L’accettazione generalizzata richiede normalmente del tempo – verifica indipendente, scritture accurate e, a volte, formalizzazione in sistemi di controllo delle prove.

Anche con quella cautela, il punto più ampio rimane: il mondo sta ottenendo il suo primo vero sguardo su cosa succede quando l’IA non è semplicemente calcolatrice, riassuntiva o di riconoscimento di modelli, ma partecipa all’atto del ragionamento. Se l’IA può aiutare a risolvere problemi che gli esseri umani hanno lottato per generazioni, costringe a una domanda più profonda:
Cosa farà il genio umano dopo – quando la macchina può raggiungere la vetta per prima?

La meccanica del “ragionamento di silicio”

Per capire perché questo momento sembra diverso, aiuta separare due versioni di IA che le persone spesso confondono.

I modelli di linguaggio delle generazioni precedenti erano spesso descritti (giustamente) come sistemi che prevedevano la parola più probabile successiva. Potevano sembrare impressionanti, ma erano anche propensi a “nonsenso fiducioso” perché avevano una capacità limitata di rallentare, testare idee o autocorreggersi.

I nuovi sistemi si basano sempre più su un approccio diverso: il ragionamento al momento del test (a volte discusso come “calcolo al momento del test”). Invece di produrre una risposta immediata, il modello può spendere più tempo su un singolo problema – generare approcci candidati, verificare se i passaggi seguono logicamente, tornare indietro quando si verificano contraddizioni e esplorare percorsi alternativi. In termini umani, assomiglia a ciò che un matematico fa alla lavagna: prova qualcosa, rompi, ripara e ripeti.

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

I sistemi di IA moderni sono andati oltre il semplice calcolo, offrendo quattro capacità pratiche che li fanno sentire meno come calcolatrici e più come collaboratori. Eccellono nella sintesi su larga scala, collegando idee attraverso vasti corpi di letteratura e sottocampi di nicchia dove lemmi chiave sono raramente citati. Consentono anche un’iterazione rapida, testando molte “rotte” di prova rapidamente e scartando i vicoli ciechi mentre preservano le sottostutture promettenti. Inoltre, queste macchine a volte propongono euristici insoliti – costruzioni intermedie che sembrano aliene all’intuizione umana ma rimangono logicamente solide. Infine, producono output friendly alla verifica che può essere tradotto in assistenti di prova formali come Lean o Coq, fornendo alla comunità un percorso verso una maggiore fiducia.

È importante notare che ciò non significa che l’IA “comprenda” la matematica nel modo in cui la comprendono gli esseri umani. Significa qualcosa di più specifico: sotto le giuste limitazioni, può generare catene di ragionamento che resistono alla verifica. In matematica, quella è la valuta che conta.

Perché i problemi di stile Erdős hanno senso come primi obiettivi

Non tutte le frontiere matematiche sono ugualmente “vulnerabili” all’accelerazione dell’IA. Alcuni problemi richiedono interamente nuove teorie, nuove definizioni o profondi salti concettuali che non hanno molti punti di appoggio nella letteratura esistente. Ma altri problemi – in particolare quelli in combinatoria, teoria dei numeri e matematica discreta – spesso hanno una forma diversa:

• La dichiarazione è abbastanza semplice da spiegare ai non specialisti.
• Gli strumenti noti sono numerosi, sparsi in articoli e facili da perdere.
• I progressi spesso derivano dal combinare risultati esistenti in modo astuto.

I problemi di Erdős si adattano spesso a questo profilo. Sono famosi per essere facili da esprimere e difficili da risolvere, e vivono in domini in cui le prove possono coinvolgere un patchwork di tecniche: metodi probabilistici, combinatorica estrema, teoria ergodica, analisi armonica e altro.

Questo li rende utili come “test di pressione” per l’IA. Se un sistema può proporre una strategia di prova credibile per un problema che ha resistito all’impegno umano diffuso, ciò è significativo – anche se si scopre (come a volte accade) che l’idea chiave era già implicita in lavori precedenti o che la prova necessita di lucidatura prima di diventare canonica.

In altre parole: la storia non è “l’IA sostituisce i matematici”. La storia è che l’IA può ridurre la distanza tra “il risultato esiste da qualche parte” e “la comunità può effettivamente vederlo”.

Quando l’IA riscopre ciò che gli esseri umani hanno dimenticato

Uno dei modelli più interessanti nella scienza moderna non è che gli esseri umani manchino di conoscenza, ma che lottano per recuperare la conoscenza.

La matematica è enorme. I risultati sono sparsi attraverso decenni di riviste, appunti di workshop e sottocampi specializzati con le loro lingue e convenzioni. Anche i matematici eccellenti possono trascurare un teorema che è “ovvio” all’interno di un dominio di nicchia. Nel tempo, intere catene di ragionamento possono diventare sepolte – non perché erano sbagliate, ma perché l’attenzione si è spostata altrove.

L’IA cambia quella dinamica essendo disposta a cercare gli angoli noiosi dove gli esseri umani raramente guardano perché gravitano verso aree alla moda. Funziona anche da ponte tra dialetti, traducendo tra la lingua di diversi sottocampi e allineando idee che gli esseri umani tradizionalmente tengono separate.

Questo è dove molte persone vedono la promessa più profonda. Anche quando l’IA non inventa nuova matematica dal nulla, può funzionare come un potente “scavatore di conoscenza”, portando strutture dimenticate nuovamente in vista e ricombinandole in modi che sembrano nuovi.

Il “grande spostamento matematico”: da scrittore di prove a direttore

Se l’IA continua a migliorare, il cambiamento più grande potrebbe non essere che le macchine risolvono più teoremi. Potrebbe essere che il ruolo del matematico umano cambi.

Per secoli, fare matematica ha significato spendere un enorme sforzo sulla prova stessa – trovare una rotta, verificare ogni passaggio e scriverla in un modo che altri esperti possano controllare. Quel lavoro è parte dell’artigianato. Ma è anche un collo di bottiglia. Molte idee promettenti muoiono semplicemente perché il tempo umano richiesto per eseguirle e formalizzarle completamente è troppo alto.

In un mondo accelerato dall’IA, la prova diventa meno scarsa. Ciò non rende la matematica banale. Cambia dove si trova il lavoro difficile.

Il matematico come cartografo, non calcolatore

Se una prova non è più il principale collo di bottiglia, il “genio” si sposta verso compiti di livello superiore. Selezionare le domande più preziose da risolvere diventa una responsabilità centrale umana, così come progettare nuove astrazioni come invarianti e definizioni che collegano campi. Inoltre, le grandi menti si concentreranno sulla costruzione di programmi di ricerca mappando paesaggi di congetture e orchestrando la scoperta, e traducendo risultati astratti in strumenti funzionali per altri campi.
Pensalo come allo spostamento negli scacchi dopo i computer. Gli scacchi umani non sono finiti quando i motori li hanno superati. Invece, l’élite ha imparato a fare migliori domande alla macchina, interpretare le sue raccomandazioni e sviluppare strategie che combinano intuizione con calcolo.

La matematica potrebbe subire una trasformazione simile – tranne che le poste in gioco sono più ampie. Nuovi strumenti matematici possono ridisegnare la crittografia, l’ottimizzazione, l’apprendimento automatico, la fisica e l’economia. Se l’IA riduce il costo della scoperta, gli effetti a valle potrebbero essere enormi.

È questo “pensiero libero” o solo una ricerca estremamente veloce?

Uno scettico ragionevole potrebbe dire: non è intelligenza, è solo forza bruta. Dai a una macchina abbastanza calcolo e inciamperà in qualcosa che funziona.

C’è un punto reale qui. L’IA porta scala. Può provare molti percorsi. Ma i casi più interessanti non sono il vagare casuale – coinvolgono la sintesi strutturata: collegare concetti, riutilizzare lemmi in contesti insoliti e assemblare una catena di ragionamento che è coerente abbastanza per gli esperti da validare.

Nella pratica, la linea tra “ricerca” e “pensiero” diventa sfumata. I matematici umani cercano anche – attraverso idee, attraverso analogie, attraverso risultati parziali. Ciò che conta è se il processo genera nuovamente verità verificabile.

Se l’IA diventa costantemente capace di ciò, allora l’etichetta conta meno del risultato. La frontiera si sposta comunque.

Quali frontiere potrebbero cadere dopo?

Se l’IA continua a migliorare, dovremmo aspettarci un modello: i problemi che cadono per primi saranno spesso quelli in cui la conoscenza è già presente ma frammentata, dove le tecniche esistenti possono essere ricombinate e dove la verifica formale può rapidamente aumentare la fiducia.

Probabili obiettivi a breve termine includono:

• Combinatoria estrema e teoria dei grafi: ricco set di strumenti, molti lemmi noti e molti problemi definiti in termini discreti puliti.
• Teoria dei numeri additivi: terreno fertile per prove di cross-tecnica e argomenti “di ponte” che collegano campi.
• Domande di ottimizzazione e complessità-adiacenti: non il livello più profondo “P vs NP” per primo, ma molti risultati strutturali più piccoli intorno agli algoritmi e ai limiti.
• Sottodomini formalizzabili: aree già parzialmente codificate in assistenti di prova, dove l’IA può accelerare la traduzione da idea a teorema verificato.

I grandi problemi famosi – come i problemi del Premio del Millennio – potrebbero ancora richiedere invenzioni concettuali profonde. Ma anche lì, l’IA potrebbe erodere il terreno circostante: provare lemmi, esplorare casi speciali e costruire impalcature che rendono più probabile un ultimo balzo umano (o ibrido).

La svolta filosofica: il ritorno del fautore di domande

Mentre automatiizziamo la meccanica della prova, siamo costretti ad affrontare una realtà che esiste fin dall’alba della disciplina: la matematica è, e sempre è stata, un subset della filosofia. Storicamente, gli intelletti più preziosi della nostra specie erano quelli che potevano lottare 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 maestro calcolatore – la mente che poteva macinare attraverso il lavoro manuale denso di una prova di trecento pagine. Abbiamo equiparato l’intelligenza con la capacità di funzionare come un processore biologico. Ma mentre l’IA inizia a raggiungere la vetta di queste prove per prima, quel collo di bottiglia tecnico si dissipa. Ciò non diminuisce l’intelletto umano; lo costringe a migrare “su nella pila”.

Gli intelletti più preziosi del futuro non saranno quelli che possono eseguire un processo noto con estrema efficienza, ma i filosofi che possono 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 Polimata, dove la capacità di porre una domanda che cambia la vita – concepire una nuova frontiera di significato – è la suprema abilità. Come lo spostamento da una pala a un escavatore, non siamo più valorizzati per la nostra capacità di scavare con le mani, ma per la nostra visione nel decidere dove rompere il terreno.

Conclusione: un futuro in cui il genio si sposta nella pila

Se l’IA può aiutare a risolvere problemi che una volta richiedevano un intelletto secolare, non significa che esauriamo la matematica. Significa che cambiamo come la facciamo.

In un mondo in cui le prove diventano più economiche, la risorsa scarsa diventa qualcos’altro: buone domande, astrazioni utili e la capacità di interpretare cosa significa la matematica.

L'”intelletto unico” del futuro potrebbe sembrare meno una figura solitaria che macina attraverso una prova per decenni e più come un cartografo di idee – qualcuno che può vedere quali montagne vale la pena scalare e come coordinare un nuovo tipo di spedizione in cui esseri umani e macchine scalano insieme.