Un modello generalista di OpenAI smentisce una congettura di Erdős del 1946 sul problema delle distanze unitarie

Cos’è successo

Un modello interno di OpenAI ha smentito una delle celeberrime congetture di Paul Erdős, quella sul problema delle distanze unitarie posta nel 1946. Dati n punti su un piano, il problema chiede quante coppie possano trovarsi esattamente a distanza uno. Per decenni l’ipotesi è stata che le costruzioni a griglia fossero sostanzialmente imbattibili; l’AI, però, ha trovato una famiglia infinita di configurazioni che fa meglio.

Secondo il paper tecnico, la prova nasce da un processo automatizzato, con un prompt scritto da AI e un output valutato prima da un sistema interno. Solo dopo sono intervenuti ricercatori OpenAI e matematici esterni, che hanno verificato e riorganizzato l’argomento. Cade così la soglia proposta da Erdős. La crescita esatta delle distanze unitarie rimane da determinare.

Perché conta

A meno di un anno dall’oro nelle Olimpiadi della Matematica, l’AI passa da prove da gara a un problema aperto di ricerca. Il nome di Erdős dà peso alla notizia, ma il salto qualitativo che merita più attenzione sta nel fatto che si tratti di un modello generalista “normale”, non uno addestrato espressamente per risolvere questo genere di problemi, che si è dimostrato capace di collegare una questione elementare da enunciare a strumenti profondi di teoria dei numeri, applicati in una direzione che la comunità aveva per lo più lasciato ai margini.

• Dopo l’inciampo dell’autunno scorso su alcuni Erdős problem falsamente risolti, OpenAI si stava portando dietro una cicatrice (un claim troppo largo era stato smontato perché confondeva soluzioni già note con risultati risultati nuovi). L’annuncio, questa volta, arriva invece insieme ad un paper tecnico e al documento di commento dei matematici esterni, con il noto Thomas Bloom tra i coinvolti. In poche parole, a questo giro, il comunicato poggia su una salda catena di controllo;
• Benché il lavoro sia stato svolto autonomamente dalla macchina, a trasformare una soluzione valida in matematica condivisa servono ancora gli umani – a dare forma e contesto all’argomento sono stati gli esperti. La scoperta parte dal modello, in pratica, mentre la comunità scientifica gestisce il lavoro di verifica e digestione;
• Nel dominio meno tollerante per un modello generativo — la matematica — il margine d’errore è minimo. Un argomento lungo può suonare convincente e crollare per un passaggio falso. Quando regge davanti agli esperti, segnala la capacità di sostenere inferenze oltre la produzione di testo elegante. È una competenza trasferibile al resto della ricerca, inclusa quella sull’AI.

Adesso

• Ora comincia il lavoro meno spettacolare: il risultato dovrà passare dal controllo della comunità, con tutto ciò che questo significa per pubblicazione e possibili formalizzazioni. Conta anche la traccia originale, visto che gli esperti esterni hanno lavorato su una versione editata del ragionamento; con modelli chiusi, provenienza e verificabilità entrano nel merito scientifico;
• A OpenAI, intanto, il risultato dà materiale narrativo prezioso mentre chiede al mercato di finanziare modelli sempre più costosi. Una prova di geometria non si converte in ricavi domani mattina, ma rafforza sicuramente l’idea che compute e capitale stiano comprando capacità di ragionamento estendibili e trasferibili ben oltre le feature consumer;
• Quando episodi simili inizieranno ad arrivare con frequenza, il singolo caso fortunato diventerà routine. La ricerca si sposterebbe verso la validazione di scoperte generate altrove, e a quel punto, le regole su credito e disclosure diventano infrastruttura, non burocrazia;