Da mesi si ripete che l’intelligenza artificiale potrebbe cambiare il modo in cui nasce la ricerca scientifica, non solo aiutare a chiudere qualche problema rimasto aperto. E adesso c’è un tassello in più. Un sistema AI sembra aver dimostrato di poter contribuire direttamente alla creazione di nuova conoscenza, invece di limitarsi ad analizzare o riassumere quella che già esiste. Proprio su questo terreno OpenAI ha mostrato in anteprima Astra, il modello che dovrebbe raccogliere l’eredità della famiglia GPT-5.6.
Secondo l’azienda, una versione interna del sistema avrebbe trovato risultati originali su dieci problemi di matematica e informatica teorica fermi da almeno dieci anni. Qui sta il punto interessante. Non parliamo di semplici suggerimenti o intuizioni buttate lì. Dopo aver individuato una possibile dimostrazione, Astra è stato capace di trasformarla in una prova formale usando Lean, un linguaggio impiegato nella matematica assistita dal computer. Detto in parole povere, il modello non si è limitato a dire “forse funziona così”, ma ha provato a metterlo nero su bianco in un modo verificabile.
Le aree coinvolte e perché contano davvero
I campi toccati da Astra sono tra i più ostici della matematica moderna. Si va dalla disposizione ottimale delle sfere nello spazio fino alla teoria dei codici per le comunicazioni digitali, passando per la crittografia post-quantistica, la teoria dei gruppi, la complessità computazionale e la teoria dei grafi. Roba che a leggerla di getto sembra lontana anni luce dalla vita di tutti i giorni, ma che invece ha ricadute concrete e piuttosto pesanti.
Sono discipline che pesano sulla sicurezza informatica, sulle telecomunicazioni, sul calcolo quantistico e sullo sviluppo di nuovi algoritmi. Ogni piccolo avanzamento in questi settori può tradursi, prima o poi, in tecnologie che finiscono nelle mani di aziende e utenti. Ecco perché il lavoro fatto con OpenAI su questi dieci problemi ha attirato attenzione. Non tanto per il numero in sé, quanto per il fatto che si tratta di questioni rimaste immobili per un decennio abbondante, dove nessuno era riuscito a spostare l’asticella in modo significativo.
Il salto di qualità sta tutto qui. Un conto è avere un assistente capace di riordinare e spiegare concetti già noti. Un altro è avere uno strumento che prova a produrre qualcosa di nuovo, e che poi mette la sua stessa intuizione alla prova con un sistema formale come Lean. La differenza tra le due cose non è affatto banale, perché segna il passaggio da un ruolo di supporto a uno molto più attivo dentro il processo di ricerca.
