Una prova formale di dimensioni impressionanti
All’inizio di settembre OpenAI ha presentato una possibile soluzione al celebre problema Navier‑Stokes, pubblicando un documento di 166 pagine redatto in Lean, il linguaggio di verifica formale che garantisce la correttezza logica di ogni passaggio.
L’azienda ha dichiarato che il metodo segue l’approccio sviluppato dai matematici spagnoli Diego Córdoba e Luis Martínez‑Zoroa, ma diversi gruppi di esperti hanno subito sollevato dubbi sulla reale corrispondenza.
Le critiche di Gonzalo Cao‑Labor
Il matematico Gonzalo Cao‑Labor dell’EPFL afferma: “Quando si scendono nei dettagli, il metodo è diverso”. Secondo lui, le somiglianze tra la prova di OpenAI e quelle di Córdoba e Martínez‑Zoroa sono solo superficiali.
Il Clay Mathematics Institute (CMI) ha avviato una revisione approfondita del documento fin dal suo rilascio, ma non ha ancora emesso una valutazione definitiva.
Controversie sul riuso di lavori preesistenti
Prima della pubblicazione, il matematico di NYU Tristan Buckmaster ha accusato OpenAI di aver costruito la prova su lavori precedenti suoi e di Levent Alpöge di Anthropic, disponibili pubblicamente. OpenAI ha smentito l’accusa, sostenendo di non aver utilizzato i dati di Buckmaster.
Camillo De Lellis dell’Institute for Advanced Study ha osservato che, a causa della natura “black box” dei modelli linguistici, è quasi impossibile fornire una risposta definitiva su eventuali appropriazioni di dati.
Le conseguenze della diffusione su GitHub
All’inizio di ottobre OpenAI ha pubblicato circa 400 risultati aggiuntivi su GitHub, presentandoli come una collezione libera. Molti matematici hanno espresso disappunto, ritenendo che tale pratica svaluti il valore della ricerca matematica tradizionale.
Il ruolo dei 10.000 agenti AI
OpenAI ha impiegato una enorme quantità di risorse computazionali: circa 10.000 istanze di modello per 88 ore, consumando 130 miliardi di token per sviluppare la potenziale soluzione Navier‑Stokes.
Secondo il ricercatore OpenAI Noam Brown, “nessuno sa realmente quale contributo abbia dato quel enorme sciame di agenti al risultato”.
Scarsità di studi comparativi
- Il confronto sistematico tra migliaia di agenti è costoso e non è stato ancora condotto.
- Non è stato testato quanto tempo impiegherebbe un singolo agente a risolvere lo stesso problema.
- È quasi impossibile quantificare il vantaggio concreto di 10.000 agenti rispetto a 1.000.
Riflessioni sul valore reale della tecnologia
Brown attribuisce meno del 10 % del successo al setup multi‑agente, sostenendo che questi sistemi, seppur appariscenti, ricevono una quota di credito sproporzionata. “Ciò che conta davvero è il modello di base, capace di elaborare compiti per lunghi periodi e in parallelo”, afferma.
In conclusione, la comunità matematica rimane scettica: la prova di OpenAI, pur avendo dimostrato una notevole capacità tecnica, non ha ancora convinto gli esperti sulla sua originalità né sulla comprensione profonda del risultato da parte dell’azienda.