L'avvertimento di Terence Tao sull'IA e la matematica: la corsa alle risposte sta danneggiando la matematica

Terence Tao ha lanciato un avvertimento insolitamente diretto sulla matematica basata sull'IA, pur accogliendo con favore le crescenti capacità di ricerca della tecnologia. La sua preoccupazione non è che le macchine risolveranno problemi importanti. È che le aziende di IA possano produrre risposte più rapidamente di quanto i matematici riescano a verificarle, spiegarle, attribuirne il merito e assimilarle.

L'avvertimento di Terence Tao sull'IA e la matematica è arrivato dopo che OpenAI ha pubblicato una presunta soluzione al problema dell'esistenza e della regolarità delle equazioni di Navier-Stokes, l'8 settembre. La questione è uno dei sette Millennium Prize Problems della matematica. OpenAI afferma che un modello interno ha coordinato circa 10.000 agenti e ha completato la propria proposta di risoluzione in circa 88 ore.

Il risultato non ha completato il tradizionale processo che trasforma una dimostrazione proposta in matematica accettata. Eppure viene già usato come prova in una competizione tra OpenAI, Anthropic e Google DeepMind. È questo il conflitto al centro della critica di Tao.

I laboratori di IA misurano i progressi attraverso risultati visibili, problemi celebri, punteggi nei benchmark e dimostrazioni delle capacità dei modelli. I matematici hanno bisogno di qualcosa di più lento: scrutinio, lavoro esplicativo, attribuzione, discussione e metodi che altri ricercatori possano riutilizzare.

Non è una disputa tra chi sostiene l'IA e chi la rifiuta. Tao usa l'IA nel proprio lavoro e prevede che diventerà parte della ricerca matematica. La disputa riguarda ciò che la tecnologia viene ottimizzata per produrre.

Se l'IA crea un'abbondanza di dimostrazioni senza un aumento equivalente della comprensione, la matematica eredita un nuovo collo di bottiglia. La risorsa scarsa non è più la risposta candidata. È l'attenzione umana necessaria per stabilire cosa significhi quella risposta.

L'avvertimento di Terence Tao sull'IA e la matematica è seguito a un presunto risultato storico

L'annuncio di OpenAI ha trasformato una preoccupazione emergente sugli incentivi della ricerca IA in una prova immediata per la comunità matematica.

Le equazioni di Navier-Stokes descrivono il moto dei fluidi, inclusi aria e acqua. Il problema aperto chiede se il moto tridimensionale liscio di un fluido debba rimanere liscio o possa sviluppare una singolarità in tempo finito. Una singolarità è un punto in cui la descrizione matematica produce una velocità illimitata.

La rivendicazione di OpenAI sulle Navier-Stokes afferma che il suo sistema ha costruito una configurazione fluida liscia che sviluppa una simile singolarità. L'azienda ha pubblicato sia un'argomentazione scritta sia una formalizzazione in Lean. Lean è un assistente di dimostrazione che verifica se i passaggi matematici seguono regole dichiarate esplicitamente.

L'azienda riferisce che il lavoro è iniziato il 1° settembre, dopo che i ricercatori avevano sentito voci di progressi su grandi problemi matematici. Il suo sistema multiagente ha assegnato diverse formulazioni del problema a gruppi separati. Codex ha poi consolidato le scoperte intermedie utili, affinché i gruppi successivi potessero basarsi su di esse.

OpenAI afferma che gli agenti partecipanti hanno generato 2,7 milioni di messaggi e circa 130 miliardi di token di output durante lo sforzo sulle Navier-Stokes. Secondo quanto riportato, GPT-6 Astra ha richiesto altre 17 ore per formalizzare e verificare il risultato in Lean.

Queste cifre mostrano perché Tao ritiene che il ritmo sia cambiato. I gruppi di ricerca umani non possono creare, filtrare e presentare quel volume di ragionamenti candidati in quattro giorni. Il precedente limite alla velocità della scoperta non si applica più quando migliaia di agenti cercano simultaneamente.

Tuttavia, la scala computazionale non risolve lo status matematico del risultato. La verifica formale può dimostrare che una prova segue all'interno di un sistema formale specificato. Non stabilisce automaticamente che l'enunciato formale corrisponda a ogni condizione del problema originale.

Né determina se la dimostrazione introduca idee significative, dipenda da lavori precedenti trascurati o meriti l'interpretazione storica che le viene attribuita. Queste domande richiedono esperti che comprendano sia l'argomentazione formale sia il suo campo più ampio.

OpenAI ha presentato il risultato come una soluzione e come prova dei rapidi progressi del modello. Ha inoltre dichiarato che non avrebbe perseguito il premio associato. Questa decisione non elimina la necessità di un esame indipendente.

Una grande rivendicazione matematica normalmente passa attraverso seminari, relazioni dei revisori, correzioni, presentazioni alternative e una revisione prolungata della comunità. Questi processi possono richiedere mesi o anni. Spesso rivelano che una dimostrazione necessita di revisione, copre un enunciato più ristretto o si basa su un risultato precedentemente sottovalutato.

L'avvertimento di Tao, quindi, non richiede che la dimostrazione sia errata. Anzi, il problema diventa più urgente se il risultato è corretto. Una dimostrazione valida prodotta in pochi giorni può comunque arrivare molto più rapidamente di quanto il settore riesca responsabilmente a elaborarla.

L'evento ha spostato la discussione dal fatto che l'IA possa contribuire alla ricerca matematica a come la matematica dovrebbe gestire il lavoro generato dalle macchine su scala. È una sfida istituzionale più profonda che vincere un singolo benchmark.

L'abbondanza di dimostrazioni crea un nuovo collo di bottiglia nella ricerca

La scarsità centrale si sta spostando dal trovare dimostrazioni al comprenderle, revisionarle e integrarle.

Tao ha descritto la risoluzione dei problemi matematici come una pipeline, anziché un singolo atto. Un risultato deve essere generato, verificato, spiegato, accettato e incorporato nel campo. Solo allora altre persone possono imparare in modo affidabile da esso e utilizzarlo.

La matematica tradizionale collegava queste fasi. I ricercatori che affrontavano un problema difficile di solito ne apprendevano la struttura mentre cercavano una dimostrazione. Gli approcci falliti rivelavano confini, e i risultati parziali creavano strumenti che potevano sopravvivere anche quando l'obiettivo finale restava aperto.

Quel processo era inefficiente se l'unico risultato desiderato era una risposta sì-o-no. Era altamente produttivo se l'obiettivo era una comprensione più ricca del panorama matematico.

L'IA separa la risposta dal percorso. Un grande modello può esplorare migliaia di strade, scartarne la maggior parte e restituire un'argomentazione rifinita. L'output può nascondere quali tentativi falliti siano stati importanti o quale connessione concettuale abbia reso possibile il risultato.

In un'intervista sulla matematica IA, Tao ha paragonato questa perdita al guardare soltanto l'inizio e la fine di un film. La trama arriva a una conclusione, ma gran parte dell'esperienza scompare.

La sua preoccupazione non è nostalgia per il calcolo lento. I matematici si affidano già a computazione, esperimenti numerici, software simbolico, database e assistenti di dimostrazione. L'automazione ha ripetutamente eliminato il lavoro di routine senza porre fine al settore.

La differenza è la scala combinata con una selezione guidata dal prestigio. I laboratori di IA hanno forti incentivi a puntare a questioni celebri che generano titoli facilmente comprensibili. Ogni risultato positivo diventa inoltre una prova della più ampia capacità di ragionamento di un modello.

Questo incentivo indirizza immense risorse computazionali verso la risposta finale. Non garantisce investimenti equivalenti in esposizione, ricerca storica, attribuzione, insegnamento o lavoro successivo.

Il saggio di Tao sull'era dell'IA descrive una possibile transizione dalla scarsità di dimostrazioni alla loro abbondanza. In queste condizioni, i segnali professionali accettati possono smettere di misurare ciò che la comunità valorizza realmente.

Un famoso problema risolto una volta indicava anni di intuizione, tecnica e coinvolgimento in un campo. Quando i sistemi automatizzati possono cercare contemporaneamente in molti problemi, lo stesso segnale può invece rappresentare una grande assegnazione di risorse computazionali.

Questa è una versione della legge di Goodhart: quando una misura diventa un obiettivo, può smettere di funzionare come misura utile. Risolvere problemi prestigiosi è un indicatore del progresso matematico. Non coincide con il progresso matematico.

L'avvertimento di Terence Tao sull'IA e la matematica chiede se i laboratori stiano ottimizzando questo indicatore, trasferendo al contempo l'oneroso lavoro interpretativo alle università e ai singoli ricercatori. Se è così, la produzione di dimostrazioni cresce mentre il sistema di revisione resta quasi invariato.

Questo squilibrio crea una coda. Ogni articolo generato da una macchina compete per l'attenzione con il lavoro umano, l'insegnamento, il tutoraggio e gli obblighi di revisione già esistenti. Un flusso di dimostrazioni plausibili può assorbire un'enorme quantità di tempo, anche quando solo una piccola percentuale diventa preziosa.

La stessa dinamica si manifesta nella sicurezza del software e nella pubblicazione scientifica. Generare una vulnerabilità o un'ipotesi proposta può essere economico. Confermarla, riprodurla e spiegarne l'importanza pratica resta costoso.

Per i lavoratori della conoscenza, la lezione più ampia è familiare. Più output non crea automaticamente più conoscenza utilizzabile. La sfida è il knowledge blending, in cui il nuovo materiale deve collegarsi a un contesto affidabile invece di restare un risultato isolato.

La matematica rende questo problema particolarmente visibile, perché la correttezza può spesso essere espressa con precisione. Anche in questo caso, la sola verifica non può sostituire l'interpretazione.

I laboratori di IA ottimizzano per la capacità, mentre la matematica ottimizza per la comprensione

Il conflitto principale non è tra esseri umani e macchine, ma tra dimostrazioni di capacità e la più lenta creazione di una comprensione condivisa.

OpenAI ha una ragione razionale per perseguire problemi matematici difficili. La matematica offre domande precise, argomentazioni verificabili e lunghe catene di ragionamento. Un risultato che supera la revisione degli esperti fornisce prove più solide della fiducia dichiarata dal modello stesso.

L'azienda sostiene inoltre che il ragionamento matematico sia trasferibile oltre la ricerca pura. I sistemi che mantengono argomentazioni coerenti potrebbero aiutare gli scienziati a esplorare fisica, biologia, ingegneria, materiali e medicina. Una dimostrazione difficile diventa quindi al tempo stesso ricerca e valutazione del modello.

Esistono prove a sostegno di questa visione ottimistica. A maggio, OpenAI ha riferito che un sistema interno aveva confutato una congettura di lunga data relativa al problema delle distanze unitarie di Erdős. Matematici esterni hanno esaminato quell'argomentazione e ne hanno descritto l'uso della teoria algebrica dei numeri come sorprendente e significativo.

Quel caso precedente è importante perché i ricercatori umani hanno prodotto spiegazioni complementari e collegato il risultato ad aree adiacenti. La dimostrazione ha fatto più che modificare una risposta vero-o-falso. Ha evidenziato una relazione tra campi che i matematici potevano approfondire ulteriormente.

Google DeepMind presenta un modello collaborativo simile. Il suo lavoro sulla scoperta scientifica sottolinea i matematici che guidano i modelli, valutano gli output e sviluppano i risultati fino a trasformarli in ricerca utilizzabile.

Questi esempi mostrano che l'impatto dell'IA sulla matematica non è intrinsecamente estrattivo. I sistemi possono testare congetture, cercare nella letteratura, formalizzare argomentazioni e suggerire connessioni inattese. Possono inoltre ampliare la partecipazione a grandi progetti collaborativi.

Il conflitto nasce quando il risultato da titolo di giornale diventa il prodotto principale. Un laboratorio può annunciare che il proprio modello ha risolto un problema celebre in pochi giorni. La comunità matematica deve poi stabilire se l'enunciato formale sia appropriato e se la dimostrazione aggiunga comprensione.

Questa divisione del lavoro crea incentivi asimmetrici. Il laboratorio ottiene visibilità dall'annuncio. I revisori ricevono più lavoro non retribuito o scarsamente ricompensato, insieme alla pressione di rispondere rapidamente.

Tao ha usato una metafora volutamente viscerale per questo squilibrio, paragonando le soluzioni grezze a cibo non preparato lasciato a una comunità perché lo elabori. Il suo punto è che la generazione e il controllo iniziale sono solo l'inizio.

Le conseguenze istituzionali vanno oltre il carico di lavoro. I celebri problemi aperti aiutano a organizzare le comunità di ricerca. Gli studenti di dottorato studiano casi parziali, i ricercatori sviluppano tecniche specializzate e i seminari costruiscono un linguaggio condiviso attorno a ostacoli irrisolti.

Una risposta immediata può chiudere quella questione centrale prima che le idee che la circondano maturino. La dimostrazione può essere corretta, eppure l’ambiente di ricerca che si sarebbe sviluppato attorno al problema diventa meno fertile.

Questo non significa che i matematici debbano preservare artificialmente i problemi irrisolti. Significa che i laboratori dovrebbero riconoscere che la velocità modifica l’ambiente in cui avviene la scoperta.

La risposta più solida allineerebbe lo sviluppo dei modelli con l’intera pipeline della ricerca. Un laboratorio potrebbe finanziare verifiche indipendenti, rilasciare ragionamenti intermedi, documentare la letteratura pertinente e sostenere lavori esplicativi complementari prima di formulare affermazioni di ampia portata.

Potrebbe inoltre premiare i modelli per l’identificazione di lemmi utili, la mappatura degli approcci falliti o la produzione di semplificazioni comprensibili. Questi risultati sono meno spettacolari della soluzione di un Millennium Prize Problem, ma corrispondono meglio al modo in cui la conoscenza avanza.

È qui che le preoccupazioni di Terence Tao sull’AI differiscono da una generica paura dell’automazione. Tao non difende una proprietà umana esclusiva delle risposte. Si chiede se il sistema circostante preservi i valori che rendono le risposte degne di essere trovate.

La velocità solleva interrogativi su attribuzione, revisione e cultura della ricerca

Quanto più rapidamente i sistemi AI generano risultati, tanto più attentamente le istituzioni devono proteggere l’attribuzione e il controllo indipendente.

L’annuncio su Navier-Stokes è arrivato nel mezzo di un disaccordo su lavori concorrenti. OpenAI ha dichiarato che le voci su una ricerca del matematico della NYU Tristan Buckmaster e del ricercatore di Anthropic Levent Alpöge hanno contribuito a innescare il suo impegno.

Secondo OpenAI, il sistema dell’azienda non ha visto il loro lavoro privato prima di produrre la propria dimostrazione. OpenAI ha successivamente aggiornato la propria ricostruzione dopo aver indagato se precedenti interazioni degli utenti potessero aver influenzato il modello.

Buckmaster ha contestato pubblicamente aspetti del processo circostante, incluso il modo in cui OpenAI ha affrontato paternità e attribuzione. Il ricercatore di OpenAI Sébastien Bubeck ha contestato quella descrizione. Il disaccordo rimane rilevante anche se le dimostrazioni concorrenti sono tecnicamente distinte.

La ricerca sull’AI complica la priorità perché un modello può assorbire un’ampia letteratura pubblica, input privati degli utenti, prompt dei ricercatori e lavoro intermedio generato dalle macchine. Ogni fonte può contribuire in modo diverso al risultato finale.

Le pratiche tradizionali di citazione sono state progettate attorno ad autori umani in grado di descrivere ciò che hanno letto e come si è sviluppata un’idea. I grandi sistemi multiagente rendono più difficile questa ricostruzione. Milioni di messaggi non possono essere interpretati come il taccuino di un matematico.

OpenAI afferma che i suoi agenti Navier-Stokes avevano accesso a una versione memorizzata nella cache di internet. Afferma inoltre che il modello interno è stato addestrato tramite reinforcement learning su larga scala a partire da un modello precedentemente preaddestrato. Questi fatti non dimostrano un uso improprio, ma mostrano perché la provenienza richieda una documentazione accurata.

Una dimostrazione generata dall’AI può ricostruire indipendentemente una tecnica già nota. Può anche sintetizzare indizi la cui influenza diventa difficile da tracciare. Senza registri trasparenti, i ricercatori esterni non possono distinguere facilmente tra questi casi.

Il rischio riguarda studenti e matematici all’inizio della carriera. Spesso sviluppano competenze lavorando su parti accessibili di problemi più ampi. Se i sistemi industriali raccolgono rapidamente i bersagli più visibili, i giovani ricercatori hanno bisogno di percorsi diversi per costruire reputazione e competenze.

Un gruppo di 25 vincitori della Fields Medal ha sostenuto che questi incentivi sono gravemente disallineati rispetto agli obiettivi della matematica. Il loro avvertimento collettivo si è concentrato su comprensione, attribuzione, istruzione e trasmissione umana delle idee.

Tuttavia, anche la posizione scettica necessita di limiti. Una controversia di alto profilo non dimostra che ogni laboratorio AI trascurerà la spiegazione. Non stabilisce che le dimostrazioni generate dalle macchine danneggino inevitabilmente la cultura della ricerca.

La verifica formale offre un miglioramento reale rispetto alla pubblicazione di testo non controllato. Articoli pubblici e file di prova consentono agli specialisti di esaminare le affermazioni. La concorrenza può inoltre motivare i laboratori a divulgare capacità che altrimenti rimarrebbero private.

La questione aperta è se queste salvaguardie siano scalabili con l’output. Dieci dimostrazioni corrette richiedono più interpretazione di una. Migliaia di dimostrazioni plausibili potrebbero sopraffare perfino una comunità internazionale ben organizzata.

Un’altra incertezza riguarda l’effettiva autonomia dei modelli. OpenAI descrive un modello interno come sostanzialmente più capace di GPT-6 Astra. I ricercatori esterni non possono valutare indipendentemente quel sistema, il suo tasso di successo o le decisioni umane che ne hanno guidato la ricerca.

Un risultato spettacolare non rivela con quale frequenza lo stesso processo fallisca. Non mostra nemmeno se il metodo si generalizzi a diversi campi della matematica. La pubblicazione selettiva può far apparire una capacità più coerente di quanto non sia.

La risposta appropriata non è quindi né il rigetto né l’accettazione immediata. La dimostrazione dichiarata dovrebbe ricevere una revisione tecnica, mentre il processo di produzione dovrebbe ricevere una revisione istituzionale.

La correttezza risponde alla domanda se l’argomento funzioni. La governance risponde alla domanda se le pratiche circostanti distribuiscano equamente credito, responsabilità e lavoro. La matematica ora necessita di entrambe.

Il dibattito riguarda il motivo per cui gli esseri umani fanno matematica

La sfida più profonda di Tao è definire lo scopo del lavoro matematico prima che i sistemi automatizzati lo ridefiniscano attraverso i loro risultati.

Se la matematica esistesse soltanto per produrre proposizioni corrette, un sistema che genera più proposizioni più velocemente apparirebbe inequivocabilmente vantaggioso. Con questa definizione, le preferenze umane riguardo al processo sembrerebbero secondarie.

I matematici in attività di solito descrivono uno scopo più ampio. Cercano spiegazioni, metodi riutilizzabili, connessioni sorprendenti, buone domande, strutture eleganti e comunità capaci di trasmettere tali idee.

Una dimostrazione conta in parte perché cambia ciò che le persone possono vedere. Le dimostrazioni più forti comprimono la complessità e rivelano perché un’affermazione debba essere vera. Consentono ad altri ricercatori di applicare l’idea sottostante altrove.

Questo standard spiega perché due dimostrazioni dello stesso teorema possano avere valore diverso. Una può essere breve ma opaca. Un’altra può creare un metodo che rimodella un intero campo.

I sistemi AI possono contribuire a entrambi gli esiti. Potrebbero produrre oggetti formali oscuri ma corretti, oppure potrebbero scoprire un ponte concettuale limpido. L’obiettivo scelto dagli sviluppatori influenzerà quale esito diventerà comune.

Il quadro di Tao tratta la capacità dell’AI come un’ipotesi operativa anziché come il fulcro del dibattito. Supponiamo che le macchine svolgano presto una quota significativa dei compiti di livello di ricerca. La domanda urgente diventa allora quali obiettivi umani debbano servire gli strumenti.

Questa impostazione evita un dibattito improduttivo sul fatto che un particolare modello sia davvero intelligente. La matematica deve prepararsi a un output più elevato anche se i sistemi attuali restano disomogenei.

Rifiuta inoltre l’idea che preservare i ruoli umani debba essere l’unico obiettivo. Gli strumenti storici hanno ripetutamente cambiato ciò che fanno i matematici. Le calcolatrici hanno ridotto l’aritmetica manuale, mentre i computer hanno reso possibili esperimenti su scale prima irrealizzabili.

La professione è sopravvissuta perché si è spostata verso domande diverse. I ricercatori hanno attribuito maggior valore alla formulazione, all’astrazione, all’interpretazione e alle connessioni. L’AI spingerà questa transizione ancora oltre.

Tuttavia, l’adattamento richiede che le istituzioni premino il lavoro rimanente. Riviste, università e laboratori oggi associano prestigio ai primi risultati e ai teoremi che portano un nome. Riconoscono meno la verifica, l’esposizione, la costruzione di dataset e la formalizzazione.

Questa struttura di incentivi diventa instabile in presenza di un’abbondanza di dimostrazioni. Se la generazione diventa economica, aumenta il valore della selezione e della spiegazione. I sistemi di carriera devono riflettere questo cambiamento.

Anche la peer review necessita di nuove infrastrutture. I revisori dovrebbero avere accesso ad artefatti formali, cronologie dei prompt, versioni dei modelli e registri di provenienza quando tali materiali influenzano un’affermazione. Le pubblicazioni dovrebbero distinguere la generazione da parte della macchina dalla verifica e dall’interpretazione umana.

Il settore potrebbe anche aver bisogno di una divulgazione graduale. I laboratori potrebbero informare esperti del settore, finanziare revisioni indipendenti e preparare materiale esplicativo prima di presentare un risultato come definitivo. Ciò rallenterebbe la pubblicità senza impedire la scoperta.

L’istruzione affronta una scelta parallela. Fornire agli studenti soluzioni immediate può ridurre la difficoltà produttiva, ma escludere del tutto l’AI li lascia impreparati. I corsi avranno bisogno di esercizi che valutino la formulazione delle domande, la critica e la spiegazione.

Questo cambiamento collega il dibattito a ogni professione ad alta intensità di conoscenza. Ingegneri del software, scienziati, avvocati e analisti affrontano anch’essi sistemi in grado di generare risposte rifinite più rapidamente di quanto le organizzazioni possano ispezionarle.

L’impatto dell’AI sulla matematica offre quindi una prima visione di un problema generale. Quando la produzione diventa abbondante, il giudizio diventa lo strato costoso. Le organizzazioni che ignorano quello strato accumulano un output impressionante e conoscenza incerta.

L’avvertimento di Tao è in definitiva costruttivo. Chiede alla comunità matematica di esprimere i propri valori con sufficiente chiarezza affinché i sistemi AI possano essere orientati verso di essi. Senza questo lavoro, i benchmark commerciali colmeranno il vuoto.

Tre segnali mostreranno se la matematica AI può maturare

La prossima fase sarà giudicata dalla validazione indipendente, da migliori pratiche di ricerca e da prove che i modelli creano comprensione anziché soltanto titoli.

Il primo segnale è la ricezione della dimostrazione Navier-Stokes di OpenAI. Gli specialisti devono stabilire se l’argomento corrisponda al problema ufficiale, se la sua formalizzazione in Lean catturi ogni condizione necessaria e se siano richieste correzioni.

Una revisione indipendente riuscita rafforzerebbe la tesi secondo cui i sistemi multiagente possono produrre lavoro al massimo livello della matematica. Non risolverebbe la critica istituzionale di Tao, ma renderebbe quella critica più urgente.

Un difetto grave indebolirebbe le affermazioni sulle capacità attuali. Dimostrerebbe inoltre il pericolo di annunciare conclusioni prima che il normale processo di revisione abbia fatto il suo corso.

Il secondo segnale è il modo in cui i laboratori AI gestiranno i loro prossimi risultati matematici. I lettori dovrebbero osservare il coinvolgimento precoce di esperti, un’attribuzione chiara, spiegazioni accessibili e la divulgazione del processo di ricerca del sistema.

Gli articoli complementari sono particolarmente importanti. Una dimostrazione grezza può chiudere un problema, mentre una solida analisi complementare può identificare nuovi metodi e collegarli alla letteratura esistente.

I laboratori dovrebbero anche riportare tassi di fallimento e criteri di selezione. Sapere che un risultato ha avuto successo dice poco sull’intera valutazione. I ricercatori devono comprendere quanti problemi siano stati affrontati e quanta guida umana abbia ricevuto ciascun tentativo.

Il terzo segnale è se le istituzioni matematiche modificheranno i propri incentivi. Riviste e conferenze possono creare politiche più chiare per il lavoro generato dall’AI, la provenienza, la paternità, la verifica formale e l’accesso dei revisori.

Le università possono attribuire maggiore credito all’esposizione, alla validazione e alla manutenzione di risorse matematiche condivise. Gli enti finanziatori possono sostenere il lavoro umano necessario per assimilare i risultati generati dalle macchine.

Queste riforme rafforzerebbero la visione di Tao secondo cui l’abbondanza di dimostrazioni richiede nuove istituzioni. La loro assenza lascerebbe un divario crescente tra la produzione industriale e l’assorbimento accademico.

I sistemi di IA più utili non si limiteranno a risolvere problemi celebri prima dei concorrenti. Aiuteranno le persone a individuare domande promettenti, mettere alla prova gli approcci, far emergere gli errori e comprendere perché un risultato conta.

Questo criterio non sminuisce il risultato tecnico. Coordinare migliaia di agenti attorno a un difficile obiettivo matematico rappresenta un importante sviluppo ingegneristico. Produrre una dimostrazione valida sarebbe un evento scientifico di grande rilievo.

Eppure, la velocità da sola non può definire il progresso. Un risultato entra a far parte della matematica solo quando le persone possono esaminarlo, spiegarlo, collegarlo ad altri concetti e insegnarlo.

L'avvertimento di Terence Tao sull'IA applicata alla matematica pone questa distinzione al centro della corsa alla ricerca sull'IA. I prossimi mesi mostreranno se i laboratori considereranno la comprensione matematica un risultato fondamentale o un compito di rifinitura esterno.

Sviluppatori, ricercatori e lavoratori della conoscenza dovrebbero porsi la stessa domanda riguardo ai propri flussi di lavoro con l'IA. Questi sistemi stanno producendo più materiale, oppure stanno aiutando le persone a costruire una comprensione più affidabile?

Questa distinzione determinerà se l'abbondanza di dimostrazioni espanderà la conoscenza umana o si limiterà ad allungare la coda di ciò che attende ancora di essere esaminato.