Quando Timothy Gowers, medaglia Fields, una delle massime onorificenze della matematica mondiale, dice che un risultato prodotto da un’intelligenza artificiale meriterebbe la pubblicazione sugli Annals of Mathematics senza alcuna esitazione, è il caso di fermarsi a capire cosa è successo, soprattutto cosa significa.
Quello che è successo è questo, un modello interno di OpenAI, operando in autonomia, ha risolto il cosiddetto unit distance problem, un problema aperto di geometria combinatoria formulato nel 1946 da Paul Erdős, il matematico più prolifico della storia. Non lo ha fatto assistendo un team di ricercatori umani, né verificando una dimostrazione esistente, ha generato autonomamente una soluzione completa, validata successivamente da matematici di primo piano di Princeton, Toronto, Cambridge e del Collège de France.
La notizia, riportata dal Wall Street Journal, ha innescato reazioni senza precedenti nella comunità matematica internazionale. Le sue implicazioni, a ben guardare, si estendono ben oltre i confini della matematica pura, investendo direttamente il dibattito su lavoro, competenze, sovranità tecnologica e politica industriale che attraversa l’Europa e l’Italia.
Indice degli argomenti
Il problema di Erdős: quante coppie a distanza unitaria?
Il unit distance problem si enuncia con semplicità disarmante, dati n punti su un piano, quante coppie di punti possono trovarsi esattamente a distanza 1 l’una dall’altra? Erdős dimostrò nel 1946 che una disposizione a griglia regolare produce un certo numero di coppie, congetturò che nessun’altra disposizione potesse fare significativamente meglio.
Per quasi ottant’anni, generazioni di matematici hanno tentato di dimostrare che Erdős avesse ragione. Il modello di OpenAI ha fatto l’opposto, ha trovato una disposizione che supera la griglia, confutando la congettura. In termini tecnici, la prova è in realtà una disproof, una costruzione controesempio.
Erdős stesso, noto per assegnare taglie in denaro ai problemi che considerava più importanti, aveva posto un premio di 500 dollari su questo quesito, una cifra significativa nel suo sistema di valutazione personale, dove i problemi si dividevano in marshmallow (piacevoli ma effimeri) e ghiande (da cui potevano crescere querce imponenti). Questo era una ghianda.
Tre ragioni per cui l’AI ha trovato quello che gli umani non vedevano
Il team di ricerca di OpenAI, composto da Sebastien Bubeck, Mehtaab Sawhney (matematico della Columbia University), Mark Sellke (statistico di Harvard), Hongxun Wu, Alex Wei e Lijie Chen, ha identificato tre fattori che spiegano il successo del modello dove gli umani avevano fallito.
Il bias cognitivo collettivo
Il primo è un bias cognitivo collettivo. La comunità matematica ha quasi unanimemente cercato di confermare la congettura di Erdős, non di smentirla. La deferenza verso l’autorità del proponente, il matematico più prolifico della storia, ha orientato la direzione della ricerca per decenni. Il modello, privo di questo condizionamento sociale, ha esplorato strategie che un ricercatore umano avrebbe scartato come implausibili.
La sintesi cross-disciplinare
Il secondo fattore è la sintesi cross-disciplinare. La soluzione combina teoria algebrica dei numeri e geometria discreta, due campi che nel mondo accademico operano come compartimenti separati, con riviste, congressi e carriere distinte. Il modello non ha queste barriere e attinge simultaneamente a tutto il sapere su cui è stato addestrato. Come ha osservato un ricercatore del team, le due discipline hanno in comune quanto la maratona e il salto con l’asta.
La persistenza computazionale
Il terzo è la persistenza computazionale. La catena di ragionamento del modello, il chain of thought, ha superato le 75.000 parole nella versione abbreviata, circa la lunghezza del primo volume di Harry Potter. È il tipo di esplorazione che un essere umano abbandona dopo qualche tentativo infruttuoso: “Si prova per un po’, non funziona, si pensa di essere stati troppo ottimisti, e si passa ad altro”, ha spiegato Mark Sellke. L’AI non si scoraggia, non deve mangiare, dormire, rispondere alle email, accompagnare i figli a scuola. Continua.
Le reazioni della comunità matematica
OpenAI ha accompagnato l’annuncio con 19 pagine di commenti da parte di matematici prominenti, un gesto inconsueto che riflette la consapevolezza dell’eccezionalità del risultato e la necessità di validazione esterna.
Noga Alon, professore a Princeton, ha riconosciuto che l’AI ha compiuto ciò che numerosi eccellenti ricercatori umani avevano tentato senza riuscirci. Daniel Litt dell’Università di Toronto lo ha definito il primo risultato prodotto autonomamente da un’AI che trova intrinsecamente interessante, non solo come indicatore di progresso futuro. Il già citato Gowers, dal Collège de France, è stato ancora più netto, nessun risultato precedentemente generato dall’AI si era avvicinato a questo livello, e anche senza ulteriori progressi nell’intelligenza artificiale, siamo già entrati in un’era nuova per la matematica.
Il costo stimato dell’operazione, meno di 32 ore di calcolo e circa 1.000 dollari in token, aggiunge una dimensione economica alla portata del risultato. Come ha osservato Bubeck, si tratta di costi tutt’altro che folli per un risultato che eludeva la ricerca umana da ottant’anni.
AI e lavoro cognitivo: le implicazioni oltre la matematica
Il risultato di OpenAI non riguarda solo la geometria combinatoria. Riguarda la natura stessa della competenza umana e la sua vulnerabilità all’automazione cognitiva.
Chi segue questo spazio editoriale conosce il framework della Scala Spezzata, l’AI non sostituisce solo compiti routinari e ripetitivi, ma erode progressivamente i gradini attraverso cui le competenze si costruiscono. Il caso del unit distance problem è emblematico perché dimostra che questa erosione raggiunge anche il vertice della piramide cognitiva. Non parliamo di automatizzare la compilazione di moduli o la sintesi di documenti, parliamo di superare i migliori ricercatori del mondo in un’attività, la dimostrazione matematica, che consideriamo l’apice del pensiero astratto.
La triplice spiegazione del successo dell’AI, assenza di bias cognitivi, sintesi cross-disciplinare, persistenza illimitata, descrive vantaggi strutturali, non contingenti. Non sono lacune che i matematici possano colmare con più formazione o maggiore interdisciplinarietà. Sono caratteristiche intrinseche del medium computazionale rispetto al medium biologico.
Questo si collega direttamente al dibattito innescato dal cover package di The Economist del maggio 2026 sull’AI e il lavoro. Se la diffusione dell’AI segue il pattern della Engels pause, con i benefici della produttività che si accumulano prima di redistribuirsi, risultati come questo accelerano la fase di concentrazione. I ricercatori di OpenAI offrono una contronarrazione ottimistica, richiamando l’analogia con gli scacchi e il Go, dopo AlphaGo, i giocatori umani sono migliorati studiando le strategie della macchina. Già ora, matematici umani starebbero usando i metodi della soluzione per attaccare altri problemi aperti.
Una narrazione legittima, ma parziale. Come hanno documentato Acemoglu, Autor e Johnson nel loro lavoro per la Brookings Institution sulla costruzione di un’AI pro-worker, il fatto che la complementarietà sia possibile non significa che sia automatica. Richiede scelte deliberate di policy, esattamente quelle che, nella cornice europea, restano largamente assenti.
Sovranità tecnologica: chi possiede la frontiera?
C’è un aspetto del risultato di OpenAI che il dibattito matematico rischia di oscurare: il modello che ha risolto il unit distance problem è un modello interno, non pubblicamente disponibile. La soluzione è stata prodotta da un’azienda americana, con infrastruttura americana, formata su dati e compute a cui l’Europa non ha accesso equivalente.
Questo è esattamente il tipo di asimmetria che il framework della Sovereign AI documenta. Quando oltre l’80% del mercato cloud europeo è controllato da hyperscaler americani, quando il programma AI Factories dell’Unione Europea è ancora in fase di dispiegamento, quando l’Italia inaugura IT4LIA come primo passo verso una capacità di calcolo sovrana, un risultato come questo misura la distanza che separa l’ambizione dalla realtà.
Non si tratta di replicare il risultato specifico: si tratta di avere la capacità infrastrutturale e scientifica per produrre risultati di frontiera. La risposta europea non può essere solo regolamentare (l’AI Act, il Digital Fairness Act, il quadro AGID) se manca la base industriale per partecipare alla corsa. Il paradosso è evidente: l’Europa produce eccellenti matematici, Gowers insegna al Collège de France, ma è un’azienda di San Francisco a fornire loro lo strumento che cambia il gioco.
Cosa viene dopo
Sebastien Bubeck di OpenAI ha scritto che il senso di una svolta è rendere improvvisamente possibili molte cose che sembravano impossibili. Una formula che si applica in entrambe le direzioni.
Da un lato, la capacità dell’AI di risolvere problemi matematici classici si tradurrà in accelerazioni nella ricerca scientifica in ogni campo dove esistono problemi aperti, dalla fisica dei materiali alla genomica, dalla climatologia all’ottimizzazione logistica. Come ha notato lo stesso Bubeck, la scintilla del genio non si è ancora pienamente manifestata, ma il risultato sul unit distance problem dimostra che l’AI è già capace di alimentare il progresso scientifico.
Dall’altro, le implicazioni per il mercato del lavoro cognitivo sono profonde e non autoregolanti. Se un modello può fare in 32 ore e con 1.000 dollari quello che generazioni di ricercatori non sono riuscite a fare in 80 anni, la questione non è se l’AI trasformerà il lavoro intellettuale, ma quanto velocemente e con quali strumenti di policy accompagneremo la transizione. La ghianda di Erdős è stata spaccata. Resta da capire che tipo di quercia ne crescerà e se l’Europa avrà voce nel decidere la forma della foresta.
