Navier-Stokes, OpenAI e il sospetto che avvelena il pozzo della matematica

Un problema aperto da quasi novant'anni, sette equazioni che descrivono come si muovono l'acqua e l'aria, un milione di dollari di premio e — soprattutto — la gloria eterna nella comunità matematica. Poi arriva un modello interno di OpenAI, diecimila agenti che lavorano in parallelo e, nel giro di una settimana, la dimostrazione. Sembra la scena madre della narrazione sull'AI che accelera la scienza. Invece è diventata una rissa su chi ha avuto l'idea per primo.

Andiamo con ordine. Il problema è quello dell'esistenza e regolarità delle soluzioni di Navier-Stokes, uno dei sette Millennium Prize Problems selezionati dal Clay Mathematics Institute nel 2000. In termini brutali: le equazioni funzionano benissimo per la fluidodinamica applicata, ma nessuno sapeva se in certe condizioni potessero collassare e produrre risultati fisicamente assurdi, tipo un fluido con velocità infinita. OpenAI sostiene di aver dimostrato che sì, il collasso può avvenire anche nel caso completo.

I numeri dell'operazione sono la parte che colpisce di più chi lavora nel settore. Il modello usato non è pubblico: è una generazione successiva a GPT-6 Astra, il cui addestramento — dice l'azienda — è cominciato il 28 agosto. Sopra ci sono stati fatti girare più di mille agenti per oltre cinquanta ore, arrivando fino a diecimila in parallelo. TechCrunch calcola circa 300 miliardi di token in output, che ai prezzi correnti di Astra valgono più o meno 22,5 milioni di dollari. Mark Chen, capo della ricerca di OpenAI, ha parlato genericamente di "milioni". La dimostrazione è stata formalizzata in Lean. Il premio da un milione, dice l'azienda, non lo reclamerà.

Il giorno prima

Il lunedì precedente all'annuncio, Tristan Buckmaster della NYU aveva pubblicato su Mastodon una dimostrazione che una versione semplificata delle equazioni può effettivamente rompersi. Un passo avanti enorme, ottenuto insieme a Levent Alpöge — ricercatore di Anthropic, ma che su questo lavoro agiva a titolo personale — dopo quasi un anno di lavoro con modelli pubblici: soprattutto Codex di OpenAI, più Claude.

Insieme alla dimostrazione, Buckmaster ha pubblicato il racconto delle sue interazioni con OpenAI. Sostiene di aver saputo che notizie sui suoi progressi erano arrivate all'azienda, di aver chiesto spiegazioni e di essersi sentito proporre due strade: pubblicare subito, con OpenAI che avrebbe annunciato il giorno dopo, oppure firmare un lavoro congiunto da cui Alpöge sarebbe stato escluso per via dell'affiliazione con Anthropic. Alla domanda se il modello avesse avuto accesso alle sue sessioni Codex, dice di essersi sentito rispondere di no; alla domanda sull'addestramento, dice di non aver ricevuto risposta. Secondo TechCrunch, Sébastien Bubeck gli avrebbe chiesto perché volesse rovinarsi la carriera, aggiungendo poi che poteva anche smettere di essere gentile.

OpenAI nega tutto il negabile. Nessun dato utente specifico consultato, nessun accesso al lavoro altrui prima della pubblicazione, Bubeck smentisce di aver chiesto la rimozione del nome di Alpöge, Sam Altman è intervenuto a difendere il team. Nel blog post però c'è una frase che vale più di tutte le smentite: pur ritenendolo improbabile, l'azienda ammette di non poter escludere che dati de-identificati derivati dall'uso dei suoi prodotti abbiano contribuito a migliorare i modelli. Buckmaster ha replicato che è, di fatto, un'ammissione.

Perché il dettaglio tecnico conta

Il punto più solido dell'accusa non è morale, è metodologico. Buckmaster fa notare che la via seguita — quella aperta da Diego Córdoba e Luis Martínez-Zoroa, le opzioni c e d nella formulazione di Fefferman — era battuta da pochissimi. Non è la direzione a cui arrivi in pochi giorni dando a un modello l'enunciato del problema. Javier Gómez-Serrano di Brown, citato da MIT Technology Review, conferma che era una delle strade promettenti: una coincidenza è possibile, ma non è una coincidenza qualunque.

E qui c'è il paradosso che dovrebbe far riflettere chi vende l'AI come scienziato autonomo. Se davvero gli agenti di OpenAI hanno imboccato quella strada perché due esseri umani l'avevano già scelta, allora il contributo decisivo è stato il research taste: la capacità di capire quale domanda vale la pena attaccare. È esattamente la cosa che i modelli ancora non sanno fare. In quello scenario, OpenAI ha dimostrato di saper trasformare un'intuizione umana in dimostrazione formale bruciando venti milioni di dollari di GPU. Impressionante, ma è ingegneria, non genio.

Cosa cambia davvero

Per chi lavora con l'AI in azienda, la lezione operativa è immediata e sgradevole: tutto quello che scrivete dentro un assistente di coding è potenzialmente materiale di addestramento, salvo opt-out esplicito. Vale per una dimostrazione matematica da un milione di dollari, vale per la vostra roadmap di prodotto e per il codice proprietario. Le clausole ci sono sempre state, ma servivano un professore della NYU e un problema del millennio per renderle vivide.

La seconda lezione riguarda la matematica. Se per chiudere i problemi più difficili servono decine di migliaia di agenti e budget di calcolo che solo due o tre laboratori al mondo possono permettersi, la ricerca smette di essere un bene comune accademico e diventa una gara tra aziende che competono su altro. Le norme che reggono la collaborazione scientifica — attribuzione, priorità, revisione tra pari — non sono decorazioni: sono l'infrastruttura sociale che rende la conoscenza cumulativa. Sostituirle con un comunicato stampa e una smentita su X è un pessimo affare, anche per chi vince.

La mia previsione: nei prossimi mesi vedremo nascere protocolli espliciti di attribuzione per i risultati ottenuti con agenti, probabilmente spinti dalle università prima che dai laboratori. E vedremo molti ricercatori spostare il lavoro sensibile su istanze locali o contratti enterprise con garanzie di non addestramento. Non per paranoia. Per igiene professionale.