Un professore di Statistica presso l’Università della Pennsylvania ha risolto un problema estremamente rilevante per il campo utilizzando il modello linguistico GPT-5.6 Sol Pro di OpenAI. Il metodo in questione, chiamato Benjamini-Hochberg (BH), è largamente utilizzato per controllare il tasso di falsi positivi quando vengono condotti grandi numeri di test statistici, ad esempio nello studio genetico del DNA umano.
Il Prof. Edgar Dobriban, associato alla Wharton School, ha scoperto che la validità del metodo è limitata in contesti in cui le osservazioni statistiche condividono una relazione di interdipendenza – una condizione comune nella pratica, anche se non sempre sostenuta da prove teoriche a lungo termine.
La fallacia teorica del Benjamini-Hochberg
Nel 1995, Yoav Benjamini e Yosef Hochberg introdussero una procedura statistica per limitare la "False Discovery Rate" (FDR), il rapporto tra falsi positivi e risultati significativi totali. Questo metodo è universalmente utilizzato in una varietà di discipline. La pubblicazione originale ha accumulato più di 130.000 citazioni.
Tuttavia, la comunità scientifica ha a lungo sospettato che il BH non fosse adatto per dati correlati e normalmente distribuiti, specialmente in test bi-laterali (ossia in cui si cercano differenze in entrambe le direzioni), eppure una prova di ciò non è mai emersa.
Un preprint rivoluzionario
Dobriban ha messo fine a questa congettura pubblicando un preprint in cui utilizza un modello matematico per dimostrare che il BH in alcuni contesti produce effettivamente un tasso di falsi positivi superiore a quanto accettabile. La sua simulazione ha rivelato chiaramente questa debolezza. Per verificare i propri risultati, Dobriban ha pubblicato il codice sorgente del modello e le simulazioni associate.
Un risultato minore, un’importanza maggiore
Sebbene il tasso di falso allarme risulti comunque lievemente fuori scala (e quindi tecnicamente non drammatico), il suo lavoro ha un’importanza principalmente teorica. Per i risultati pratici o le applicazioni in campo, il BH rimane un buon strumento, anche se non perfetto. Comunque, la conferma di questa debolezza ha un rilievo teorico fondamentale.
I tempi di ricerca e l’uso di GPT-5.6
Dobriban ha sottolineato che i risultati sono stati raggiunti grazie a GPT-5.6, che ha richiesto circa 90 minuti per effettuare il calcolo, in confronto a circa 20 ore di calcolo inutili con la versione precedente, GPT-5.5. Questi dati non solo illustrano le velocità straordinarie della generazione AI, ma evidenziano anche l’importanza crescente del supporto dell’intelligenza artificiale nella complessità della ricerca scientifica.
Ipotizzare e verificare con l’AI
Will Fithian, un esperto di statistica di Berkeley, ha evidenziato che la congettura dimostrata da Dobriban era considerata uno dei problemi aperti più interessanti nel settore. La dimostrazione ha rappresentato un’altra tappa nella capacità crescente dell’AI di generare risultati che in precedenza non erano riconducibili nemmeno a menti umane.
Fithian esprime però una riflessione personale sul ruolo crescente della KI nella ricerca. Dice di provare nostalgia per un tempo in cui un risultato significativo era accompagnato dal festeggiamento tra pari, da una celebrazione umana di una visione, da un’ispirazione condivisa.
KI: combinazione o creatività?
Per Dobriban, il risultato non rappresenta tanto una creatività pura quanto una combinazione intelligente di metodologie esistenti. La dimostrazione era straordinariamente raffinata nella capacità di collegare tecniche precedentemente separate, ma non introduce una scienza radicalmente innovativa.
Resta però aperta la questione su quanto i modelli KI, addestrati con dati generati da uomini, siano veramente in grado di creare nuovi contenuti originali, o se siano in grado di combattere nuove conoscenze. Nelle attività quotidiane di supporto professionale, la KI diventa comunque sempre più una risorsa fondamentale.
Dal supporto quotidiano al progresso autonomo
Ricercatori come Richard Sutton, un pioniere fondamentale dell’apprendimento approfondito (deep learning), credono che i progressi futuri nella KI richiederanno più di questo: la capacità di auto-miglioramento e di generalizzazione autonoma. Per questa visione avanzata, Sutton ha appena fondato un’azienda startup mirata espressamente a questi obiettivi.
Ciò nonostante, per il momento, l’AI sta già dimostrando potenze inaspettate per il mondo accademico. La risoluzione di un problema teorico con un impatto diretto e concreto, per quanto marginale, evidenzia chiaramente quanto la KI possa accelerare e sostituire processi di calcolo e ragionamento precedentemente riservati all'intelligenza umana.