La presunta dimostrazione di OpenAI sulle Navier-Stokes affronta una prova più grande dell’IA

Secondo quanto riferito, OpenAI ha prodotto una dimostrazione sulle Navier-Stokes di circa 100 pagine, ma nessun manoscritto pubblico sostiene ancora questa straordinaria affermazione. Il resoconto proviene dal matematico della New York University Tristan Buckmaster, che afferma che ricercatori di OpenAI gli hanno descritto privatamente il risultato.

Questa distinzione è importante. Una dimostrazione di OpenAI sulle Navier-Stokes affronterebbe uno dei sette Millennium Prize Problems della matematica. Tuttavia, una descrizione inedita, trasmessa attraverso un altro ricercatore, non costituisce una soluzione verificata.

La vicenda coinvolge anche un progresso distinto e concreto. Buckmaster e Levent Alpöge hanno pubblicato un lavoro assistito dall’IA sul blowup in tempo finito in tre equazioni dei fluidi correlate. I loro risultati hanno suscitato entusiasmo perché lo stesso approccio potrebbe estendersi alle Navier-Stokes.

Poi la storia scientifica è diventata una disputa su prove, provenienza della ricerca e attribuzione del merito. Buckmaster sostiene che OpenAI abbia appreso del suo progetto privato poco prima di produrre un risultato interno strettamente correlato. Il ricercatore di OpenAI Sébastien Bubeck ha respinto pubblicamente come false e incendiarie le accuse relative alla sua condotta.

La domanda centrale è quindi più ampia del fatto che un modello abbia generato una dimostrazione valida. Riguarda la possibilità per i laboratori all’avanguardia di formulare affermazioni scientifiche credibili mantenendo il controllo sul modello, sui suoi registri e sulle prove necessarie per verificare entrambi.

La dimostrazione di OpenAI sulle Navier-Stokes resta un’affermazione privata

Le prove pubbliche non stabiliscono che OpenAI abbia risolto il problema delle Navier-Stokes.

Buckmaster ha pubblicato una dettagliata dichiarazione personale l’8 settembre 2026. Afferma che un rappresentante di OpenAI gli abbia detto che un modello di ricerca interno aveva generato una dimostrazione di blowup in tempo finito per le Navier-Stokes forzate.

Secondo Buckmaster, la presunta dimostrazione copre un forzante liscio sia nello spazio euclideo tridimensionale sia nel toro tridimensionale. Queste impostazioni corrispondono ad alternative nella formulazione ufficiale del problema del Millennium proposta da Charles Fefferman.

Buckmaster afferma di essere stato informato che il documento è lungo circa 100 pagine. Dichiara inoltre chiaramente di non averlo visto al momento della pubblicazione del suo resoconto.

Quest’ultimo fatto definisce il limite attuale. Nessun matematico indipendente può esaminare una dimostrazione che non è stata pubblicata. Nessuno al di fuori delle conversazioni riportate può verificarne le ipotesi, le dipendenze logiche o il trattamento del termine di forzamento.

Quando è stato preparato questo articolo, OpenAI non aveva pubblicato il manoscritto, una trascrizione del modello o un annuncio tecnico. L’azienda non aveva nemmeno identificato il modello interno attraverso una pubblicazione formale di ricerca.

Il risultato dovrebbe pertanto essere descritto come una presunta dimostrazione interna. Dire che il problema è risolto salta l’intero processo attraverso cui la matematica distingue un’argomentazione promettente da un teorema.

La distinzione è particolarmente importante per le equazioni differenziali alle derivate parziali. Una dimostrazione può essere concettualmente persuasiva pur nascondendo un errore fatale in una stima, in un’ipotesi di regolarità, in una condizione al contorno o in un argomento di passaggio al limite.

Le Navier-Stokes hanno inoltre diversi significati al di fuori della matematica pura. Gli ingegneri risolvono abitualmente approssimazioni delle equazioni per flussi specifici. Queste soluzioni numeriche non risolvono il problema dell’esistenza globale e della regolarità per ogni condizione iniziale consentita.

Il problema ufficiale chiede se i flussi tridimensionali lisci rimangano sempre lisci oppure se possa formarsi una singolarità in tempo finito. Una singolarità, spesso chiamata blowup, si verifica quando una quantità matematica rilevante diventa illimitata.

Una costruzione valida di blowup forzato nelle condizioni specificate da Fefferman avrebbe molto più peso di un altro esempio numerico. Fornirebbe un controesempio lungo una delle vie ufficiali consentite dalla formulazione del problema.

Nemmeno questo creerebbe un consenso immediato. Il Clay Mathematics Institute richiede pubblicazione, il trascorrere del tempo e un’ampia accettazione prima di prendere in considerazione l’assegnazione di un Millennium Prize.

Il cambiamento immediato è di conseguenza più circoscritto, ma comunque significativo. Un matematico stimato ha riferito pubblicamente di una specifica affermazione interna, includendone lunghezza approssimativa, ambito e conclusione matematica proposta.

Questo è sufficiente a giustificare un esame approfondito. Non è sufficiente a giustificare un annuncio di vittoria.

Perché tre risultati correlati sul blowup hanno cambiato la posta in gioco

L’affermazione riportata di OpenAI è diventata plausibile perché Buckmaster e Alpöge avevano già avvicinato molto un metodo affine alle Navier-Stokes.

Buckmaster, professore al Courant Institute della NYU, studia la formazione di singolarità nelle equazioni dei fluidi. Alpöge è un matematico impiegato da Anthropic, sebbene Buckmaster descriva il loro lavoro come una collaborazione accademica personale.

L’8 settembre, la coppia ha pubblicato risultati relativi a tre sistemi: mezzi porosi incomprimibili, equazioni di Boussinesq bidimensionali ed Euler incomprimibili tridimensionali. Ogni costruzione utilizza un forzante esterno liscio e produce blowup in tempo finito.

Euler descrive un fluido ideale senza viscosità. Navier-Stokes aggiunge la viscosità, che dissipa energia e modifica le stime necessarie per controllare una soluzione.

Questa differenza non è una correzione marginale. È uno dei motivi per cui una costruzione per Euler non si trasferisce automaticamente alle Navier-Stokes.

Tuttavia, il nuovo risultato su Euler è insolitamente vicino al problema del Millennium. Buckmaster e Alpöge si sono basati sul lavoro di Diego Córdoba e Luis Martínez-Zoroa, che hanno sviluppato un meccanismo per la formazione di singolarità in presenza di un forzante più irregolare.

Il lavoro più recente sostituisce, secondo quanto riferito, quell’input irregolare con un forzante liscio. Questo cambiamento è importante perché il problema ufficiale delle Navier-Stokes consente particolari funzioni di forzamento lisce in due delle sue formulazioni di controesempio.

Terence Tao ha descritto i risultati correlati come un traguardo straordinario e ne ha esaminato la più ampia rilevanza in una valutazione tecnica. Ha scritto che nessun principio ovvio impedisce al metodo di estendersi alle Navier-Stokes.

Tao ha inoltre sottolineato l’enorme difficoltà tecnica di una simile estensione. Un percorso promettente non elimina il lavoro necessario affinché ogni stima si chiuda.

Questa combinazione spiega perché l’affermazione di OpenAI abbia attirato subito attenzione. Il risultato riportato non è apparso su uno sfondo vuoto. È arrivato dopo che i ricercatori avevano identificato un meccanismo che gli esperti ritenevano capace di raggiungere l’equazione completa.

Buckmaster afferma che lui e Alpöge abbiano iniziato a lavorare insieme circa un anno prima. Entro metà agosto 2026, secondo quanto riferito, avevano ottenuto i risultati principali per le tre equazioni correlate.

I modelli linguistici di grandi dimensioni hanno svolto un ruolo sostanziale nello sviluppo e nella verifica delle argomentazioni. Buckmaster afferma che la coppia abbia utilizzato Claude di Anthropic e Codex di OpenAI, inclusi modelli di ragionamento più recenti, durante ripetute iterazioni matematiche.

Quel flusso di lavoro è diverso dal porre una domanda a un chatbot e accettarne la prima risposta. Le dimostrazioni di livello di ricerca richiedono la proposta di lemmi, l’individuazione di lacune, la revisione delle stime e il controllo delle dipendenze lungo un’argomentazione estesa.

Parte del lavoro di accompagnamento è stata inoltre formalizzata in Lean. Lean è un assistente di dimostrazione che verifica se affermazioni formali seguono da regole logiche specificate.

Il repository Lean pubblico offre agli esterni qualcosa di concreto da esaminare. Tuttavia, la verifica automatica copre solo le porzioni che i ricercatori hanno codificato e verificato con successo.

Non certifica automaticamente ogni argomentazione informale presente nei tre manoscritti. Né convalida la presunta dimostrazione di OpenAI, che è un oggetto distinto e inedito.

Il progresso pubblico esercita comunque pressione su ogni laboratorio di IA all’avanguardia impegnato nella scienza automatizzata. OpenAI, Anthropic e Google DeepMind vogliono tutte prove credibili che i loro sistemi possano contribuire alla ricerca originale.

Un risultato verificato sulle Navier-Stokes offrirebbe questa prova su una scala senza eguali. Un’affermazione affrettata o documentata male produrrebbe la lezione opposta.

Il conflitto principale è tra prove e divulgazione controllata

La sfida decisiva non è OpenAI contro Anthropic. È un’affermazione di un laboratorio privato contro gli standard di verifica della matematica pubblica.

La rivalità aziendale è visibile perché Alpöge lavora presso Anthropic e il presunto risultato concorrente proviene da OpenAI. Tuttavia, trattare la vicenda come una gara di classifica tra modelli oscura il problema più profondo.

La matematica attribuisce autorevolezza alle argomentazioni che lettori qualificati possono esaminare. I laboratori di IA all’avanguardia spesso proteggono come risorse riservate i dettagli dei modelli, i prompt, gli strumenti interni e i registri di calcolo.

Questi sistemi di autorevolezza ora entrano in collisione. OpenAI può possedere una dimostrazione valida senza essere pronta a divulgare il proprio modello o l’intero percorso di ricerca. I matematici possono ragionevolmente rifiutarsi di accettare il risultato finché la dimostrazione stessa non diventi pubblica.

Il resoconto di Buckmaster aggiunge un ulteriore livello. Afferma che OpenAI abbia proposto accordi di pubblicazione dopo avergli parlato del suo presunto risultato sulle Navier-Stokes.

Una proposta, secondo la sua dichiarazione, prevedeva che Buckmaster e Alpöge pubblicassero il loro lavoro su Euler prima che OpenAI pubblicasse il proprio risultato più forte. Un’altra, secondo quanto riferito, prevedeva una presentazione congiunta, ma sollevava interrogativi sul ruolo di Alpöge perché lavorava per Anthropic.

Buckmaster sostiene di aver subito pressioni dopo aver respinto queste opzioni e aver deciso di rendere pubblica la sequenza degli eventi. Tali accuse restano contestate.

Bubeck ha risposto pubblicamente che le accuse che lo riguardano erano false e incendiarie. Questa smentita è importante, ma non risolve i disaccordi fattuali tra i partecipanti.

Non è stata pubblicata alcuna registrazione completa delle chiamate private. I lettori non dovrebbero considerare nessuno dei due resoconti come stabilito indipendentemente nei punti in cui sono in conflitto.

La disputa mette inoltre in luce un nuovo problema di attribuzione. Se un modello di IA estende un’idea umana inedita, chi ha contribuito alla mossa intellettuale decisiva?

L’attribuzione tradizionale nella scienza considera l’origine del metodo, l’esecuzione della dimostrazione, l’esposizione, la verifica e il momento della divulgazione. L’IA complica ogni categoria.

Un modello può sintetizzare migliaia di passaggi dopo aver ricevuto una formulazione del problema accuratamente scelta. Il prompt potrebbe codificare mesi di giudizio esperto, incluso il meccanismo corretto e gli ostacoli che vale la pena affrontare.

Al contrario, un modello potrebbe trovare un ponte davvero inatteso tra idee dopo aver ricevuto solo un’affermazione generale. Queste situazioni non dovrebbero ricevere la stessa descrizione.

L’espressione “input umano minimo” diventa quasi priva di significato senza una traccia delle prove. Può riferirsi a un breve prompt dopo un’ampia preparazione nascosta, oppure a una ricerca realmente autonoma.

OpenAI ha recentemente riferito che la sua organizzazione di ricerca utilizzava 3,1 giornate di lavoro degli agenti per ogni giornata di lavoro umano entro metà agosto. Le sue metriche di ricerca mostrano quanto profondamente gli agenti siano entrati nel lavoro scientifico interno.

Queste metriche non verificano la dimostrazione di OpenAI sulle Navier-Stokes. Mostrano però che il laboratorio dispone sia dell’infrastruttura sia dell’incentivo per perseguire progetti matematici di lunga durata.

Per questo motivo, la divulgazione dovrebbe includere più di un manoscritto rifinito. Un resoconto convincente dovrebbe identificare la specifica del problema, gli interventi umani, le idee esterne fornite al modello e le procedure di verifica.

L’accesso al modello non è necessario affinché i matematici possano sottoporre il teorema a revisione. La provenienza della ricerca resta necessaria per valutare le affermazioni su come il teorema sia stato scoperto.

La questione va oltre il riconoscimento professionale. I laboratori presentano i risultati scientifici come prova di un’intelligenza sempre più autonoma. Una provenienza mancante può far apparire una normale collaborazione come una scoperta autonoma.

Il conflitto persisterà finché il pubblico non riceverà prove verificabili. Le dichiarazioni aziendali non possono sostituire una dimostrazione, e una dimostrazione da sola non può risolvere ogni questione sulla sua origine.

Cosa non dimostra l'affermazione sull'IA nella matematica

Anche una dimostrazione corretta non mostrerebbe che l'IA ha padroneggiato autonomamente la dinamica dei fluidi o ha reso semplice una simulazione accurata.

La prima incertezza riguarda la validità matematica. Un’argomentazione di 100 pagine può contenere dipendenze sottili che richiedono mesi di esame da parte degli esperti.

La seconda riguarda la portata. Buckmaster afferma che il risultato interno riguarda Navier-Stokes forzate in condizioni specificate. I titoli possono facilmente cancellare la parola “forzate” e suggerire un teorema più ampio.

La forzante rappresenta un’influenza esterna applicata al fluido. La formulazione di Fefferman ammette una forzante liscia nelle opzioni designate di controesempio, quindi un blowup forzato può comunque rispondere alla sfida ufficiale.

Ciò non significa che tutte le comuni questioni su Navier-Stokes scompaiano. I ricercatori continuerebbero a studiare blowup non forzato, unicità, turbolenza, effetti al contorno, fluidi comprimibili e previsione computazionale.

Una dimostrazione Millennium risolverebbe una questione matematica definita con precisione. Non fornirebbe una formula universale per prevedere il meteo o progettare aeromobili.

La terza incertezza riguarda la verifica formale. Buckmaster e Alpöge hanno usato Lean per parti del loro lavoro pubblico, secondo i loro materiali. Non è stato pubblicato alcun artefatto di verifica equivalente per il manoscritto riportato di OpenAI.

I sistemi di dimostrazione formale possono eliminare molti comuni errori logici. Non possono stabilire se il teorema formale catturi ogni affermazione intesa, a meno che gli esseri umani non esaminino l’enunciato e le sue ipotesi.

Richiedono inoltre un lavoro sostanziale. Tradurre una lunga dimostrazione analitica in una forma verificabile da una macchina può rivelare lacune, ma può anche richiedere più tempo della produzione della bozza informale.

La quarta incertezza riguarda la replica indipendente. Un diverso gruppo dovrebbe poter ricostruire il meccanismo centrale senza un accesso privilegiato all’ambiente interno di OpenAI.

La revisione indipendente non richiede di ripetere esattamente l’esecuzione del modello. Richiede però informazioni sufficienti per verificare il teorema, tracciare i lemmi importati e contestare le stime più deboli.

La quinta incertezza riguarda il contributo dell’IA. Buckmaster afferma che le bozze del suo progetto esistevano all’interno di sessioni Codex. Ha chiesto se il modello interno di OpenAI fosse stato addestrato su tali sessioni, o avesse ricevuto accesso ad esse.

La sua dichiarazione afferma che non ha ricevuto una risposta chiara durante gli scambi da lui descritti. Ciò non dimostra che sia stata utilizzata ricerca privata.

Sollevano una questione legittima alla quale solo i registri detenuti da OpenAI possono rispondere in modo decisivo. Addestramento del modello, contesto temporaneo di inferenza, accesso dei dipendenti e input sperimentali sono percorsi tecnici diversi.

Confonderli sarebbe irresponsabile. Lo sarebbe anche liquidare la questione semplicemente perché nessun esterno può ispezionare i sistemi pertinenti.

I ricercatori che usano strumenti di IA ospitati dovrebbero considerare questa controversia come un avvertimento pratico. Ipotesi non pubblicate, strategie dimostrative, codice e risultati sperimentali possono avere un immenso valore intellettuale.

I team necessitano di regole esplicite su quale materiale possa essere inserito in modelli esterni. Hanno inoltre bisogno di registri locali che mostrino chi ha fornito ogni idea decisiva e quando.

Una base di conoscenza ricercabile può aiutare a preservare questa storia. Non può sostituire le protezioni contrattuali o i controlli sulla governance dei dati di un laboratorio.

La versione più forte dell’affermazione sull’IA resta quindi non supportata. Le prove pubbliche mostrano che i modelli hanno assistito materialmente lavori importanti su equazioni vicine. Non mostrano ancora una risoluzione autonoma di Navier-Stokes.

Una dimostrazione valida cambierebbe la ricerca sull'IA prima dell'ingegneria dei fluidi

L'impatto iniziale ricadrebbe sui flussi di lavoro scientifici, sulle regole di attribuzione e sulla competizione tra laboratori, piuttosto che sulla simulazione quotidiana dei fluidi.

La dimostrazione matematica è un test attraente per l’IA avanzata perché il prodotto finale può, in linea di principio, essere verificato riga per riga. Questo la rende meno soggettiva di molte affermazioni sulla creatività o sull’intelligenza generale.

Tuttavia, la matematica di ricerca non è completamente auto-verificante. Gli esperti devono stabilire se il teorema sia importante, se le sue ipotesi corrispondano al problema dichiarato e se la dimostrazione importi un risultato non valido.

Una dimostrazione OpenAI accettata su Navier-Stokes mostrerebbe che i modelli di frontiera possono sostenere una lunga argomentazione attraverso molte dipendenze tecniche. Dimostrerebbe inoltre che possono sfruttare rapidamente un percorso di ricerca appena individuato.

Questa seconda capacità potrebbe rivelarsi più significativa. Il vantaggio scientifico potrebbe spostarsi verso organizzazioni che combinano informazioni precoci, grandi budget di calcolo, agenti specializzati e valutatori esperti.

Gli accademici indipendenti si troverebbero allora di fronte a una scelta difficile. I modelli di frontiera ospitati possono accelerare il loro lavoro, ma ogni interazione può comportare questioni di riservatezza e attribuzione.

Le università potrebbero rispondere negoziando termini sui dati specifici per la ricerca. Potrebbero anche investire in modelli locali, sistemi di inferenza sicuri e ambienti computazionali verificabili.

Le riviste avranno bisogno di standard di divulgazione più chiari. Gli autori già descrivono software e metodi computazionali, ma la ricerca agentica richiede maggiori dettagli su prompt, iterazioni e selezione umana.

Una trascrizione completa non sarà sempre utile. Le lunghe tracce degli agenti possono contenere migliaia di vicoli ciechi e calcoli ripetuti.

Un registro strutturato della provenienza sarebbe più pratico. Potrebbe identificare la congettura originale, gli input privati rilevanti, i lemmi generati dal modello, le correzioni umane e i componenti verificati formalmente.

Gli editor avranno inoltre bisogno di regole per le scoperte simultanee. I sistemi di IA possono trasformare un suggerimento trapelato, un’osservazione in seminario o una bozza privata in un risultato rifinito più rapidamente di quanto la pubblicazione convenzionale possa reagire.

Le norme di priorità si sono sviluppate quando la comunicazione e la costruzione delle dimostrazioni procedevano alla velocità umana. Queste norme sono sotto pressione quando un laboratorio può impiegare migliaia di ore-agente in un fine settimana.

La controversia Buckmaster anticipa questa pressione. Secondo una copertura indipendente, il lavoro pubblico dei ricercatori rappresenta un passo importante verso Navier-Stokes, anche a prescindere dalla presunta estensione di OpenAI.

Ecco perché la vicenda non dovrebbe ridursi a un verdetto binario su un’azienda. Lo sviluppo confermato è che la scoperta matematica assistita dall’IA ha raggiunto una ricerca difficile e attuale sulle equazioni differenziali parziali non lineari.

Lo sviluppo contestato è se OpenAI abbia colmato la distanza rimanente fino al problema completo di Navier-Stokes forzate. Tale affermazione richiede una soglia probatoria molto più elevata.

Se il manoscritto supererà la revisione, i laboratori faranno a gara per riprodurre il flusso di lavoro su altri celebri problemi. Se fallirà, l’episodio diventerà una lezione sul confondere l’output del modello con la conoscenza matematica.

Entrambi gli esiti influenzeranno finanziamenti e reclutamento. I ricercatori capaci di tradurre tra modelli di frontiera, dimostrazione formale e matematica specialistica diventeranno più preziosi.

La pressione competitiva immediata ricade quindi sulle organizzazioni di ricerca, non sui progettisti di aeromobili. Devono dimostrare che la velocità non arriva a scapito di attribuzione, sicurezza o verifica.

Cosa deve accadere prima che i matematici accettino il risultato

Tre segnali determineranno se la dimostrazione riportata diventerà un teorema, un progresso parziale o una costosa falsa partenza.

Il primo segnale è la pubblicazione. OpenAI deve fornire l’esatto enunciato del teorema e la dimostrazione completa prima che possa iniziare una valutazione indipendente.

I lettori dovrebbero osservare attentamente le ipotesi. Il manoscritto deve dichiarare chiaramente il dominio, la funzione di forzante, i dati iniziali, la classe di soluzioni e il preciso comportamento singolare.

Se questi elementi corrispondono a una delle opzioni ufficiali di controesempio di Fefferman, l’affermazione diventa sostanzialmente più forte. Se il risultato modifica l’equazione o indebolisce la regolarità richiesta, può restare prezioso senza risolvere il problema da premio.

Il secondo segnale è l’esame da parte degli esperti e la verifica formale. Gli specialisti devono ispezionare le stime fondamentali, mentre gli ingegneri delle dimostrazioni devono stabilire quali parti possano essere codificate in sistemi come Lean.

Una piccola correzione non sconfiggerebbe necessariamente il risultato. Gli articoli di ricerca spesso cambiano durante la revisione.

Una lacuna che richieda una nuova idea centrale indebolirebbe le affermazioni secondo cui il problema sia già stato risolto. Una contraddizione nella costruzione potrebbe invalidarlo del tutto.

Il terzo segnale è un resoconto documentato della provenienza. OpenAI dovrebbe spiegare quali informazioni abbiano raggiunto i suoi ricercatori, cosa abbia ricevuto il modello e come gli esseri umani abbiano guidato l’esecuzione.

Quel resoconto deve distinguere i registri verificabili dai ricordi. Dovrebbe inoltre rispondere alla domanda di Buckmaster sul fatto che il suo materiale privato Codex abbia influenzato il progetto interno.

Una risposta negativa chiara, supportata da un’adeguata verifica, indebolirebbe la più seria preoccupazione sull’origine dei dati. Prove di accesso non attribuito sposterebbero la vicenda dalla competizione scientifica verso la cattiva condotta nella ricerca.

Le questioni di attribuzione rimarranno anche se nessun dato privato è passato tra i progetti. Córdoba e Martínez-Zoroa hanno sviluppato il meccanismo precedente, mentre Buckmaster e Alpöge hanno portato avanti il programma della forzante liscia.

Un modello OpenAI potrebbe aver esteso ulteriormente quella linea di ricerca. Un riconoscimento appropriato dovrebbe descrivere l’intera catena invece di presentare il risultato come un’impresa isolata della macchina.

Il processo Clay si muoverà molto più lentamente del ciclo delle notizie. Qualsiasi considerazione per il premio richiede la pubblicazione in una sede idonea, ampia accettazione e almeno due anni di esame.

Questo ritardo ha uno scopo. I problemi celebri attirano soluzioni errate e le lunghe dimostrazioni richiedono spesso un esame prolungato attraverso più specialità.

Per ora, la risposta responsabile è semplice. OpenAI avrebbe generato una seria dimostrazione su Navier-Stokes, secondo il resoconto di Buckmaster, ma il modello non ha risolto pubblicamente il problema.

Le prove giustificano entusiasmo per la matematica assistita dall’IA. Giustificano anche scetticismo verso affermazioni formulate prima della comparsa di un manoscritto, di un registro di verifica o di un resoconto completo della provenienza.

Osservate la dimostrazione, poi i revisori e infine la pista di controllo. Finché non esisteranno tutti e tre, la dimostrazione OpenAI su Navier-Stokes resta un’affermazione sotto esame, non un teorema consolidato.