OpenAI sostiene di avere risolto con l’intelligenza artificiale uno dei sei Millennium Problems della matematica rimasti ancora aperti, quello dell’esistenza e regolarità delle equazioni di Navier-Stokes. Un modello interno non ancora disponibile al pubblico avrebbe impiegato 88 ore e coordinato un sistema dell’ordine di 10mila agenti AI per trovare la dimostrazione, successivamente formalizzata e verificata nel linguaggio Lean. Se il risultato sarà confermato dalla comunità matematica, sarà uno dei maggiori risultati scientifici finora ottenuti con un contributo determinante dell’AI.
Ma la scoperta riguarda anche il mondo fisico. Le equazioni di Navier-Stokes sono uno degli strumenti matematici fondamentali con cui descriviamo il movimento dei fluidi e sono utilizzate, direttamente o attraverso modelli derivati, per progettare aerei, studiare il comportamento dell’atmosfera, simulare turbine e flussi industriali o analizzare il movimento del sangue. OpenAI sostiene di avere dimostrato che queste equazioni possono sviluppare in un tempo finito una singolarità, cioè arrivare matematicamente a velocità senza limite partendo da una situazione inizialmente regolare.
Se la prova regge, quindi, sappiamo qualcosa che i matematici cercavano di stabilire da circa novant’anni: il modello continuo di Navier-Stokes può rompersi. Nel mondo reale nessun fluido raggiunge velocità infinite; prima di arrivare a quella situazione interviene la struttura microscopica della materia, che le equazioni non rappresentano. La conseguenza scientifica è avere individuato per la prima volta un meccanismo matematicamente rigoroso attraverso il quale una delle descrizioni più importanti della fluidodinamica raggiunge il proprio limite.
Non avremo però da domani aeroplani più efficienti, motori migliori o previsioni meteorologiche più precise. Quanta Magazine sottolinea che il risultato non presenta conseguenze pratiche immediate, proprio perché un fluido reale è formato da molecole e atomi e non può essere trattato come un continuo fino a scale arbitrariamente piccole.
Le implicazioni possono arrivare nel medio e lungo periodo da un’altra direzione: ora esiste un esempio preciso di come Navier-Stokes possa perdere regolarità. Lo si può studiare, perturbare, simulare, usare per mettere alla prova metodi numerici e confrontare con il comportamento dei fluidi reali. La domanda scientifica si sposta così da “può accadere?” a “in quali condizioni può accadere, quanto è robusto il fenomeno e quanto si avvicina a qualcosa che incontriamo nella realtà?”.
Indice degli argomenti
Che cosa ha dimostrato OpenAI su Navier-Stokes
Dire che OpenAI ha “risolto Navier-Stokes” può suggerire qualcosa di molto diverso da ciò che è accaduto.
Le equazioni non erano inutilizzabili in attesa di una soluzione. Ingegneri e scienziati le impiegano da decenni. I computer ne calcolano continuamente soluzioni numeriche per descrivere il flusso dell’aria intorno a un’ala, il passaggio di un fluido dentro un tubo o l’evoluzione dell’atmosfera.
Il problema posto dal Clay Mathematics Institute nel 2000 riguardava una questione teorica molto più profonda: partendo da condizioni iniziali perfettamente regolari, le soluzioni tridimensionali delle equazioni restano sempre regolari oppure possono sviluppare una singolarità?
Il problema ufficiale ammette diverse strade per arrivare alla soluzione. Si può dimostrare che le soluzioni rimangono sempre regolari in determinate formulazioni oppure costruire un controesempio nel quale dati iniziali e forza esterna sono regolari ma la soluzione perde comunque questa proprietà.
OpenAI sostiene di avere realizzato proprio quest’ultima impresa, dimostrando le formulazioni C e D previste dal problema ufficiale.
Il sistema costruito parte da un fluido fermo al quale viene applicata una forza esterna perfettamente liscia. Si forma un vortice che si avvolge verso l’interno e contemporaneamente si allunga. La sua regione centrale diventa progressivamente più piccola mentre la velocità cresce senza limite, pur mantenendo finita l’energia complessiva.
Il risultato mostra quindi che la viscosità non è sempre sufficiente, matematicamente, a impedire la formazione di una singolarità.
La forza esterna e il limite fisico della soluzione
C’è però una distinzione essenziale per capire quanto siamo lontani dalle applicazioni.
OpenAI non ha dimostrato che un normale flusso d’aria, una corrente oceanica o il fluido all’interno di una turbina possano arrivare spontaneamente alla singolarità.
La dimostrazione utilizza una particolare forza esterna, che rispetta i criteri matematici imposti dal Clay Mathematics Institute ma è costruita proprio per consentire alla dinamica di sviluppare il blow-up.
È sufficiente per risolvere il Millennium Problem nella formulazione prevista, se la prova verrà accettata. Ma resta distinta un’altra domanda scientificamente e fisicamente interessante: cosa succede senza una forza esterna progettata ad hoc?
Le formulazioni A e B del problema ufficiale riguardano infatti il caso nel quale la forza è zero e chiedono se soluzioni inizialmente regolari restino regolari per sempre. La dimostrazione delle alternative C e D chiuderebbe il Millennium Problem, ma non rende automaticamente superflua questa diversa linea di ricerca.
È soprattutto da qui che dipenderà quanto il risultato potrà avvicinarsi alla fluidodinamica del mondo reale.
OpenAI Navier-Stokes e la sfida alle simulazioni CFD
Una delle ricadute più concrete potrebbe riguardare la computational fluid dynamics, la CFD utilizzata nell’ingegneria aerospaziale, automobilistica, energetica e in numerosi processi industriali.
I computer non possono rappresentare un fluido con precisione infinita. Dividono lo spazio in una quantità finita di celle e approssimano ciò che succede all’interno di ciascuna.
La difficoltà aumenta quando nel fluido compaiono strutture a scale sempre più piccole. Per osservarle bisogna utilizzare griglie più fini, aumentando rapidamente il costo computazionale.
Il meccanismo trovato da OpenAI rappresenta il caso limite di questo fenomeno: la struttura del vortice continua a concentrarsi su scale sempre più piccole.
Questo non produce automaticamente un algoritmo migliore per la CFD. Può però offrire un nuovo oggetto matematico con cui testare gli algoritmi numerici: osservare fino a quale punto una simulazione riesce a seguire la cascata, come cambia il risultato aumentando la risoluzione, quando gli errori numerici iniziano a dominare e quali grandezze possono segnalare l’avvicinamento a un regime problematico.
La relazione tra il problema della regolarità di Navier-Stokes e i calcoli numerici non è soltanto teorica. Una review dell’Annual Review of Fluid Mechanics definiva già il problema rilevante per la scienza di base, per le applicazioni pratiche e per le computazioni numeriche.
Quando una simulazione dei fluidi non è più affidabile
Per l’industria questo può diventare più importante della singolarità stessa.
Quando un ingegnere utilizza una simulazione, una delle questioni essenziali è sapere quanto può fidarsi del risultato.
Una simulazione può produrre numeri apparentemente precisi anche quando la risoluzione utilizzata non è sufficiente a rappresentare tutte le scale rilevanti del fenomeno. È un problema particolarmente importante nei flussi turbolenti, dove convivono strutture di dimensioni molto diverse.
La direct numerical simulation della turbolenza richiede infatti di risolvere un vastissimo intervallo di scale ed è generalmente uno strumento di ricerca, non un metodo che possa essere applicato brutalmente a qualsiasi problema ingegneristico.
Comprendere più precisamente il meccanismo matematico con cui le scale possono concentrarsi potrebbe quindi contribuire, in futuro, a definire criteri migliori per decidere quando raffinare una simulazione, quando un risultato numerico sta diventando incerto e quando occorre utilizzare un modello diverso.
È una possibile linea di ricerca, non una tecnologia già ricavabile dalla dimostrazione.
Dal modello continuo alle molecole nei fluidi reali
Il risultato rende inoltre più evidente un confine già noto della fluidodinamica classica.
Navier-Stokes descrive un fluido come un mezzo continuo. In questa rappresentazione si può immaginare di osservare regioni sempre più piccole continuando a parlare di velocità, pressione e densità.
Un fluido reale non funziona così. A una scala sufficientemente piccola si incontrano molecole e atomi.
Una soluzione matematica nella quale una struttura continua a ridursi senza limite spinge quindi il modello oltre l’ambito nel quale può avere una corrispondenza fisica.
OpenAI sostiene che, arrivati a questo punto, il modello continuo non può più descrivere il sistema e occorre passare a una rappresentazione della materia a scala più fine. Quanta sottolinea proprio per questo che il blow-up matematico non deve essere interpretato come la previsione di un fluido reale che raggiunge velocità infinite.
Da qui nasce una possibile conseguenza tecnologica di lungo periodo: migliorare i modelli multiscala, nei quali la descrizione continua viene utilizzata dove funziona bene e sostituita localmente da una descrizione più microscopica quando necessario.
Per arrivarci, tuttavia, bisognerà prima capire se il meccanismo scoperto sia sufficientemente stabile e abbia analoghi in configurazioni fisicamente realistiche.
Turbolenza e Navier-Stokes: ciò che la prova non risolve
Il collegamento più immediato è quello con la turbolenza.
Il meccanismo alla base della soluzione sfrutta proprio uno degli aspetti caratteristici della fluidodinamica tridimensionale: l’allungamento dei vortici. Nel caso costruito da OpenAI, il vortice viene contemporaneamente stirato e concentrato fino a sopraffare matematicamente l’effetto regolarizzante della viscosità.
Questo rende il risultato importante anche per capire quanto complesse possano essere le conseguenze delle equazioni.
Ma sarebbe sbagliato scrivere che l’AI ha “risolto la turbolenza”.
Una review del 2025 di Katepalli Sreenivasan e Jörg Schumacher mostra quanto sia ampio il problema: per alcuni “risolvere la turbolenza” significa prevedere la caduta di pressione in un tubo, per altri determinare proprietà statistiche dei flussi turbolenti, per altri ancora risolvere proprio il problema della regolarità delle equazioni di Navier-Stokes. Sono questioni collegate, ma non equivalenti.
Conoscere l’esistenza di una singolarità non permette quindi di calcolare improvvisamente tutti i flussi turbolenti.
Può invece indirizzare la ricerca verso la dinamica che produce strutture estreme e verso la domanda più interessante per la fisica: fenomeni simili possono emergere, almeno in forma approssimata, nei fluidi reali?
Aerei, turbine e meteo: le possibili ricadute future
Le conseguenze per aeronautica ed energia dipenderanno soprattutto dalla risposta a questa domanda.
Se il meccanismo della singolarità risultasse estremamente fragile e possibile soltanto con una forzante matematica molto particolare, il valore applicativo diretto potrebbe rimanere limitato.
Se invece si scoprissero comportamenti analoghi o precursori in configurazioni realistiche, diventerebbe interessante studiarli nei flussi caratterizzati da forti vortici: aerodinamica, turbine, compressori, propulsione, combustione.
Il vantaggio non consisterebbe nell’avere una nuova equazione al posto di Navier-Stokes. Potrebbe consistere nel comprendere meglio i regimi nei quali le approssimazioni numeriche diventano più difficili e le scale del fenomeno si concentrano rapidamente.
Questo potrebbe aiutare lo sviluppo di algoritmi di adaptive mesh refinement, modelli delle scale non risolte e sistemi per quantificare l’incertezza della simulazione.
Sono conseguenze che richiedono anni di ricerca e soprattutto la dimostrazione di un legame con configurazioni fisicamente pertinenti. La soluzione del Millennium Problem fornisce il punto di partenza, non il prodotto finale.
Meteo e clima non diventano previsioni perfette
Lo stesso vale per meteorologia e climatologia.
Navier-Stokes appartiene al fondamento matematico della dinamica dei fluidi atmosferici, ma un modello meteorologico reale comprende molte altre equazioni e approssimazioni: termodinamica, trasferimento radiativo, umidità, formazione delle nubi, interazioni con la superficie terrestre.
Inoltre la previsione del tempo è limitata anche dalla natura caotica dell’atmosfera e dall’impossibilità di conoscere con precisione assoluta le condizioni iniziali.
Risolvere il Millennium Problem non elimina nessuno di questi ostacoli.
Nel lungo periodo, una comprensione più profonda delle strutture estreme e delle scale molto piccole potrebbe aiutare a migliorare alcuni aspetti della modellazione dei fenomeni al di sotto della risoluzione dei modelli. Ma non c’è un percorso diretto che dalla dimostrazione porti a una previsione meteo più accurata.
Un nuovo programma di ricerca sui fluidi
La risposta alla domanda “che cosa possiamo fare adesso che prima non potevamo fare?” è quindi meno spettacolare, ma scientificamente più interessante.
Possiamo prendere un meccanismo di singolarità che prima non sapevamo nemmeno se potesse esistere e cominciare a esplorarlo sistematicamente.
Si può modificare la forza esterna e osservare se il blow-up sopravvive. Si può perturbare la configurazione iniziale per capire quanto sia stabile. Si può cercare un fenomeno simile senza forcing. Si possono realizzare simulazioni numeriche sempre più fini e confrontarle con la costruzione analitica. Si possono cercare quantità che anticipino la concentrazione delle scale.
E soprattutto si può provare a stabilire quali parti del fenomeno siano un artificio matematico e quali rappresentino qualcosa di più generale sulla dinamica dei fluidi.
Questa è probabilmente la ricaduta più importante della soluzione di un problema matematico di questo genere: non consegna necessariamente una nuova tecnologia, ma elimina un’incertezza fondamentale e apre un territorio di ricerca che prima era nascosto dietro quella domanda.
La prova di OpenAI deve ancora essere confermata
Resta inoltre necessario usare il condizionale.
OpenAI ha pubblicato sia una dimostrazione analitica sia una formalizzazione in Lean. Quest’ultima consente di verificare formalmente la correttezza della catena logica una volta che il teorema è stato tradotto nel linguaggio del proof assistant. Rimane comunque indispensabile il controllo umano sulla corrispondenza tra ciò che Lean certifica e l’enunciato matematico originario.
La soluzione non è ancora riconosciuta ufficialmente dal Clay Mathematics Institute.
Le regole dell’istituto stabiliscono che, prima che una proposta possa essere presa in considerazione per uno dei Millennium Prize, deve essere pubblicata in una sede qualificata, devono trascorrere almeno due anni dalla pubblicazione e il risultato deve avere ottenuto un’accettazione generale nella comunità matematica.
OpenAI ha comunque dichiarato di non voler rivendicare il premio da un milione di dollari.
Diecimila agenti AI e un nuovo modello di ricerca
Resta infine l’altra metà della notizia: chi ha trovato la soluzione.
OpenAI afferma di avere utilizzato un nuovo modello interno, ancora in addestramento e significativamente più capace di GPT-6 Astra. Gruppi differenti di agenti hanno affrontato in parallelo diverse formulazioni dei Millennium Problems. Dopo un risultato preliminare sulle equazioni di Euler, l’azienda ha concentrato le risorse su Navier-Stokes.
Il gruppo che ha prodotto la soluzione comprendeva nell’ordine di 10mila agenti concorrenti. Il lavoro è durato circa 88 ore; altre 17 ore sono servite per la formalizzazione e verifica con GPT-6 Astra. Sul solo Navier-Stokes il sistema ha prodotto circa 130 miliardi di token di output attraverso 2,7 milioni di messaggi.
Secondo Sébastien Bubeck di OpenAI, citato da Quanta Magazine, il costo computazionale è stato nell’ordine di diversi milioni di dollari.
Anche qui, però, ridurre tutto alla capacità autonoma dell’AI sarebbe fuorviante. OpenAI ha deciso quali problemi sottoporre agli agenti, ha distribuito le diverse formulazioni, ha spostato risorse dopo i primi risultati e ha utilizzato Codex per raccogliere e trasferire fra i gruppi le intuizioni considerate più utili.
Il risultato deriva quindi da un sistema nel quale modelli, agenti, capacità computazionale, strumenti formali e ricercatori umani lavorano insieme.
OpenAI Navier-Stokes e il cambiamento nella ricerca scientifica
Ed è qui che il caso Navier-Stokes torna direttamente rilevante per l’intelligenza artificiale e per le imprese.
Per affrontare un problema scientifico estremamente difficile, OpenAI non ha chiesto semplicemente a un chatbot di produrre una risposta migliore. Ha trasformato il compute in una sorta di capacità di ricerca parallelizzabile: migliaia di agenti hanno potuto provare contemporaneamente strade differenti, abbandonarne alcune, trasferire risultati promettenti e infine sottoporre la conclusione a un verificatore formale.
È un modello particolarmente potente quando esiste un modo oggettivo per controllare la soluzione.
In matematica è possibile utilizzare Lean. Nel software possono esserci test automatici e verificatori formali. Nella progettazione ingegneristica possono esserci simulatori, vincoli fisici e funzioni obiettivo.
Per le imprese, questa potrebbe essere la lezione più generale del risultato.
Ma il primo significato della scoperta rimane quello matematico e fisico. Se la prova sarà confermata, dopo quasi un secolo sapremo che le equazioni tridimensionali di Navier-Stokes possono davvero perdere regolarità anche partendo da dati e forze perfettamente lisci.
Non significa che abbiamo imparato a prevedere ogni movimento dell’aria o dell’acqua. Significa che abbiamo scoperto un confine della matematica con cui li descriviamo.
Da quel confine comincia ora la domanda che interessa di più il mondo reale: quanto il meccanismo trovato dall’AI è soltanto una costruzione matematica e quanto, invece, può insegnarci qualcosa sui fluidi che fanno volare gli aerei, muovono le turbine, circolano nel nostro corpo e formano l’atmosfera.
Partecipa alla community