GPT-5.6 Sol Ultra di OpenAI Risolve un'Antica Congettura in Meno di Un'Ora

OpenAI ha annunciato che il suo nuovo modello di intelligenza artificiale, GPT-5.6 Sol Ultra, ha prodotto un completo ed elementare dimostrazione della Cycle Double Cover Conjecture, una famosa congettura nella teoria dei grafi rimasta insoluta per circa 50 anni. Il modello ha completato il compito in poco più di un'ora, utilizzando 64 agenti sottoposti in parallelo per esaminare l’approccio necessario.

Visto schematicamente, la congettura pone una domanda fondamentale sulla teoria dei grafi: esiste sempre una serie di cicli in un qualsiasi grafico (formato da nodi e collegamenti) che attraversi ogni lato esattamente due volte? Il problema era stato formulato negli anni '70 come congettura e da allora ha suscitato numerose soluzioni parziali per casi speciali specifici, ma non una dimostrazione universale.

Un dimostrazione semplice, mai vista dagli esseri umani

Secondo le informazioni di OpenAI, la dimostrazione del problema è interamente di GPT-5.6 Sol Ultra e il paper che ne illustra i risultati è stato scritto da GPT-5.6 Sol. Il matematico Thomas Bloom dell'Università di Manchester definisce il risultato "un dimostrazione molto carina", rilevando che la soluzione è inaspettatamente breve e semplice. Secondo Bloom, una simile strategia potrebbe essere stata sviluppata già negli anni '80, poiché non richiede teorie matematiche nuove, bensì l'abilità di combinare strumenti già noti.

La domanda che si pone è: perché gli uomini non avevano mai pensato a quest'approccio? Bloom ipotizza che uno degli ostacoli principali fosse un inganno intuizioni errato: quando un problema sembra semplice ma non funziona, spesso i matematici abbandonano l'approccio con la convinzione che non sia sufficiente. Invece, il modello di intelligenza artificiale non si scoraggia, testando iterativamente variazioni minime fino a quando l’approccio corretto non viene trovato. «Si potrebbe pensare di iniziare con un'etichettatura ovvia, provare l'algebra lineare e, se fallisce, sospirare credendo di aver tentato abbastanza», spiega Bloom, «ma l’intelligenza artificiale non si scoraggia e prosegue metodicamente con variazioni piccole fino a che non ne trova una che funziona».

Promemoria: la mancanza di citazioni nei paper KI

Nonostante i meriti del modello, Bloom solleva un punto critico: la strategia matematica alla base della dimostrazione non è originale, bensì risalibile a un lavoro del 1983 firmato da Bermond, Jackson e Jaeger. Il documento pubblicato da OpenAI però non include riferimenti ai contributi precedenti. Secondo Bloom, questa è una tendenza comune nei lavori prodotti da modelli KI: utilizzano idee e tecniche esistenti senza citare le fonti.

«Questo è un problema reiterativo nei lavori KI: le idee e le strategie di dimostrazione vengono riprese dalla letteratura esistente, ma di norma senza indicazioni precise», osserva Bloom. Si domanda se il modello abbia veramente escogitato da solo l'approccio oppure se abbia semplicemente integrato dati presenti in una mole di informazioni già fornita. In contesti come quelli dei modelli di ragionamento, questa è una questione dibattuta, che mette a tema la creatività autonomamente prodotta da un sistema KI rispetto alla semplice elaborazione di informazioni note.

Un risultato che mostra la potenza delle KI nell'affrontare problemi matematici

Bloom paragona la recente dimostrazione con un'altra, anch'essa da OpenAI, relativa alla congettura Unit-Distance, risolta in modo inaspettatamente semplice. Cionondimeno, prevede che i sistemi KI continueranno a risolvere altre congetture simili: quelle che richiedono la combinazione di teorie esistenti e una notevole costanza di sforzo. Tuttavia, sottolinea il limite: questa tipologia di problemi costituisce solo una parte ristretta di tutte le incognite matematiche aperte.

Come guidare un modello KI a produrre una dimostrazione completa

Risultati simili non sono né casuali né fortuiti: la soluzione richiede una precisa strategia di guida umana per il modello. Gli umani strutturano gli input in modo tale da costringere il modello a produrre una dimostrazione completa. Per esempio, il Prompt è costruito in modo da far credere al modello che la soluzione esiste già, vietandogli di cercare online una conferma o addirittura di rispondere con l’idea che la congettura sia irrisolubile.

Inoltre, la produzione di risultati viene valutata in modo rigoroso: ogni tentativo che non conduca a una completa dimostrazione viene rifiutato. Si accettano solo dimostrazioni che superino il controllo di tipi specifici di errori, e vengono ignorati commenti su difficoltà del problema o sommari di ricerca esistente.

Simulazione di ambiente di ricerca

Gli input ai modelli KI includono anche una struttura molto simile a un ambiente accademico di ricerca. Dei 64 agenti utilizzati, molti sono tenuti all’oscuro dei progressi registrati nei tentativi precedenti, in modo da evitare un approccio troppo focalizzato. Gli agenti devono lavorare autonomamente e testare ipotesi diverse. Alcuni agenti sono addirittura programmati per esaminare ogni tentativo di dimostrazione sottoposto con un approccio “sfidante”, osservando una lista specifica di errori comuni.

Sempre nel prompt, viene richiesto al modello di non interrompere il lavoro prima di almeno otto ore. La completa dimostrazione, invece, si è conclusa nel giro di una sola ora.

Il ruolo dell'accuratezza e della credibilità

Nonostante l’ammirazione per la soluzione proposta, Bloom ribadisce l’importanza di citare le fonti e di garantire una trasparenza accademica. Senza un'architettura di citazione chiara, c'è il rischio che le idee tradizionali vengano reinterpretate come invenzioni KI. Bloom non esclude che il modello abbia effettivamente escogitato una soluzione autonoma, ma ribadisce che nei modelli KI il primo impulso è di cercare informazioni esistenti.

Quanto al controllo e la valutazione ufficiale da parte della comunità matematica, è da completare. Bloom riconosce la natura innovativa dell’approccio, chiamandola per ora la valutazione pubblica più dettagliata sin qui riferita.

I progressi tecnologici e i nuovi orizzonti

Con gli sviluppi recenti, si presenta una visione alternativa del panorama matematico, dove le grandi aziende di intelligenza artificiale si concentrano su centinaia di problemi aperti simultaneamente, e ovviamente si concentrano sul comunicare gli eventuali successi. Questo tipo di strategia potrebbe aiutarci presto a comprendere quali strade abbiamo sottovalutato, e