La prova è dell’AI. Il diritto di leggerla di chi è?

Un laboratorio annuncia che i propri modelli hanno prodotto tre risultati scientifici che, se confermati, sarebbero enormi. Uno riguarda la matematica, uno la complessità computazionale, uno la fisica teorica. La tentazione è discutere subito di quale problema sia stato risolto e di quanto sia diventata intelligente l’AI. Io partirei da una domanda meno spettacolare, ma decisamente più scomoda: chi decide chi può leggere il lavoro, verificarlo e contestarlo?

Il 26 ottobre 2026 OpenAI ha annunciato tre risultati prodotti dai suoi modelli e tre modalità diverse per affidarli alla comunità scientifica. Le conclusioni matematiche e informatiche sono dichiarazioni del laboratorio, non teoremi che possiamo già considerare accettati dagli esperti. Eppure il modo in cui vengono distribuiti i materiali è un fatto osservabile adesso, indipendentemente da come finirà la revisione.

Tre risultati, tre modi diversi di aprire la porta

Per il risultato di analisi armonica, che OpenAI sostiene abbia implicazioni per la congettura di Kakeya e la restrizione di Stein, l’azienda ha reso pubblici il testo generato dall’AI e una formalizzazione Lean, lasciando agli studiosi la possibilità di organizzare autonomamente il lavoro di comprensione.

Per la presunta confutazione della Exponential Time Hypothesis (ETH), un’ipotesi centrale nella teoria della complessità, ha pubblicato materiali e prova Lean, ma ha anche concordato un gruppo esterno guidato da Russell Impagliazzo, Ramamohan Paturi e Ryan Williams. Il compito dichiarato è esaminare, spiegare e sviluppare il risultato, non prestargli un certificato di validità in anticipo. Il gruppo ha chiesto accesso pubblico ai dati e un sostegno a una conferenza scientifica; OpenAI afferma di aver accettato.

Per il risultato di fisica, relativo all’esistenza matematica di alcune teorie quantistiche dei campi, tra cui la cromodinamica quantistica, i materiali sono invece stati trattenuti su richiesta di un gruppo di studiosi guidato da David Gross, che intende lavorare a una propria esposizione. Questo non significa che il problema del millennio di Yang-Mills sia stato risolto e riconosciuto: persino la parte rivendicata dal laboratorio riguarda l’esistenza, mentre il problema completo comprende anche il mass gap. Soprattutto, il controllo indipendente è ancora in corso.

Non sono tre dettagli editoriali. Sono tre modelli di governance della conoscenza: rilascio aperto, rilascio aperto con coordinamento esterno, accesso inizialmente ristretto. Cambia chi vede cosa, quando lo vede e quali possibilità ha di contribuire.

Un vantaggio di accesso è già una scelta di potere

Quando una dimostrazione nasce in un laboratorio, è normale che qualcuno la conosca prima degli altri. Ma se quel laboratorio sceglie anche i primi interpreti, i primi revisori e il momento in cui il resto della comunità potrà leggere il materiale, non sta semplicemente distribuendo dei PDF. Sta disegnando le condizioni iniziali del confronto scientifico.

Un ricercatore che riceve una prova settimane prima può trovare un errore, chiarire un passaggio, sviluppare un corollario o preparare un lavoro originale. Chi non la riceve non può fare nessuna di queste cose. Anche quando tutti agiscono in buona fede, l’asimmetria resta: alcuni possono iniziare, altri devono aspettare. Non è una questione di simpatia verso un’azienda. È una questione di accesso a una risorsa che potrebbe cambiare la direzione di interi programmi di ricerca.

OpenAI riconosce esplicitamente questo compromesso: scegliere i primi coordinatori crea un’asimmetria informativa e influenza chi entra per primo nella discussione. È un’ammissione importante, perché evita la comoda finzione secondo cui basta pronunciare la parola “indipendente” per rendere neutrale qualsiasi processo.

La critica arriva proprio dai matematici

Il 25 ottobre, un giorno prima dell’annuncio, l’Advisory Group on Mathematics and Artificial Intelligence (AGMAI) aveva pubblicato una posizione molto precisa: pur riconoscendo il valore del lavoro dei ricercatori coinvolti, raccomandava ai laboratori di non designare singoli matematici come destinatari privilegiati dei risultati. Le ragioni indicate comprendevano accesso diseguale, riduzione dell’autonomia della comunità, selezione influenzata dalle reti del laboratorio e rischio che la reputazione degli esperti venga percepita come un’approvazione implicita.

Il giorno successivo AGMAI ha chiesto anche il rilascio immediato dei materiali relativi a Yang-Mills e QCD. È una presa di posizione sul processo di pubblicazione, non una dimostrazione che il risultato di fisica sia vero o falso. E va ricordato che le raccomandazioni generali del gruppo sono state formulate soprattutto per la matematica, non come regolamento universale per ogni disciplina scientifica.

Qui esiste un confronto legittimo, non una favola con buoni e cattivi. Un gruppo ristretto può aiutare a trasformare un testo difficile in un documento leggibile, correggere ambiguità e ridurre il rumore. Un rilascio immediato può favorire il controllo distribuito, ma anche scaricare sulla comunità una quantità di materiale che nessuno ha ancora ordinato. Il punto è rendere espliciti i costi di entrambe le scelte, anziché nasconderli dietro il prestigio dei nomi coinvolti.

La reputazione di un revisore non deve diventare il sistema di autenticazione di una scoperta.

Chi verifica non sta facendo un lavoro secondario

OpenAI afferma di non chiedere credito accademico per le scoperte prodotte dai modelli e descrive le collaborazioni esterne come volontarie, indipendenti e non retribuite. Allo stesso tempo, dichiara di voler finanziare iniziative che aiutino gli scienziati a comprendere e sviluppare questi risultati, anche attraverso un contributo separato di 5 milioni di dollari alla Simons Foundation. Non sono due affermazioni contraddittorie, ma obbligano a distinguere tra partecipazione individuale, organizzazione della ricerca e finanziamento delle infrastrutture di verifica.

Perché controllare una prova non è un gesto amministrativo. Significa verificare che l’enunciato formalizzato corrisponda alla conclusione annunciata, studiare ipotesi e dipendenze, cercare errori, ricostruire il ragionamento in una forma comprensibile, confrontarlo con la letteratura e capire che cosa cambia davvero. Se il lavoro di generazione accelera di cento volte, questo lavoro non scompare: rischia semplicemente di diventare il nuovo collo di bottiglia.

E qui si apre un problema di incentivi. Un giovane ricercatore dovrebbe impiegare mesi a spiegare un risultato prodotto da una macchina invece di perseguire la propria idea? Chi ottiene il riconoscimento quando la vera innovazione sta nel rendere intelligibile, correggere o persino smentire la prima versione? Come si finanzia un controllo indipendente senza trasformarlo in una prestazione commissionata da chi ha annunciato il risultato?

Non ho una formula magica per rispondere. Ma trovo piuttosto curioso che si celebri il costo decrescente della generazione automatica e si tratti ancora il costo della comprensione umana come se fosse una risorsa inesauribile.

Lean controlla la prova. Non decide chi può controllarla

C’è poi un equivoco tecnico da evitare. OpenAI dichiara di avere formalizzato in Lean i risultati matematici e quello relativo a ETH. Un proof assistant può verificare la correttezza di una dimostrazione rispetto a un enunciato formale e alle assunzioni adottate. Non stabilisce, da solo, che quell’enunciato corrisponda esattamente alla formulazione divulgativa, che il risultato sia nuovo o che le conseguenze raccontate al pubblico siano già state comprese.

Avevo già affrontato questo confine nell’articolo “Quando un modello fa matematica: la prova non basta, serve una filiera verificabile”. Non serve ripetere la stessa tesi: qui la domanda viene dopo. Anche disponendo di una prova formalmente controllabile, chi ha accesso agli artefatti, chi può rifare il controllo e chi decide quando il controllo diventa pubblico?

Il gruppo che esamina ETH ha chiarito che il lavoro non è ancora stato verificato integralmente dagli esperti esterni. Non sarebbe corretto trasformare una formalizzazione annunciata in una conferma indipendente della confutazione, e tanto meno dedurre che domani i problemi SAT diventeranno facili o che P sia uguale a NP. La distinzione fra risultato dichiarato, controllo formale e accettazione scientifica non è pedanteria: è il confine fra un fatto e una promessa.

Una filiera scientifica deve essere progettata come un sistema verificabile

In un software serio non consideriamo affidabile un processo solo perché produce un output convincente. Pretendiamo versioni, log, test ripetibili, ownership, criteri di accettazione e un modo per capire cosa è cambiato fra due revisioni. La ricerca generata da AI ha bisogno di una disciplina analoga, con in più un requisito fondamentale: la verifica deve poter avvenire fuori dal perimetro del produttore.

Le raccomandazioni AGMAI vanno in questa direzione: repository scientifici indipendenti e citabili, storico delle modifiche, trasparenza sul processo di generazione, formalizzazioni quando appropriate e finanziamento della comprensione tramite soggetti indipendenti. Sono proposte, non uno standard già adottato da tutti. Ma hanno il merito di spostare la discussione dalla spettacolarità del risultato alle condizioni che permettono ad altri di contestarlo.

L’analogia con il software ha un limite: una comunità scientifica non è un reparto QA e i ricercatori non sono worker di un orchestratore. Proprio per questo non basta assegnare task a persone prestigiose e chiamarlo processo. Servono autonomia, possibilità di proporre domande diverse, accesso non discriminatorio ai materiali e credito per chi produce comprensione, anche quando quella comprensione consiste nel dimostrare che il primo risultato non regge.

Il problema non è credere a OpenAI

Sarebbe facile chiudere con un applauso all’AI che avrebbe risolto tre problemi storici. Sarebbe altrettanto facile liquidare tutto come marketing. Entrambe le reazioni evitano il lavoro più interessante: separare ciò che è stato annunciato, ciò che è verificabile oggi e ciò che la comunità deve ancora stabilire.

Il fatto nuovo del 26 ottobre non è soltanto l’ambizione dei risultati rivendicati. È che un laboratorio sta sperimentando pubblicamente tre modi diversi di trasferire un output di macchina verso una comunità che deve poterlo giudicare. E quella comunità sta già discutendo le regole, anche in disaccordo con il laboratorio.

Se uno di quei risultati supererà davvero la revisione, sarà una notizia enorme. Se verrà corretto o respinto, sarà comunque un test utile del processo. In entrambi i casi la domanda resterà identica: stiamo costruendo un sistema che produce conoscenza controllabile da tutti gli esperti competenti, oppure un sistema che decide anche chi ha il privilegio di controllarla?