Il 21 settembre 2026 OpenAI ha dichiarato che un suo modello interno ha risolto oltre 100 problemi matematici aperti di lungo corso, oltre alla singolarità in tempo finito per Navier-Stokes annunciata il by 8 settembre. Non è più la notizia di un teorema: è la notizia di un ritmo. E la comunità matematica si è spaccata, in due settimane, su cosa farne.
Da una parte una dichiarazione firmata da 25 vincitori della medaglia Fields che accusa le aziende AI di un “severe misalignment” con gli scopi della disciplina. Dall’altra la risposta di OpenAI: un gruppo consultivo indipendente ospitato all’Institute for Advanced Study di Princeton, annunciato lo stesso 21 settembre. Il caso OpenAI Navier-Stokes millennium problem è oggi il banco di prova più chiaro di cosa succede quando una macchina arriva prima delle persone.
In questo articolo scoprirai:
- Un'AI può risolvere i Millennium Prize Problems: cosa c'è dietro il claim dei 100 problemi
- In quali aree della matematica ricadono, e perché nessuno ha ancora visto la lista
- Perché 25 medaglie Fields contestano l'uso dell'AI in matematica
- L'advisory group di OpenAI su matematica e AI: chi c'è e cosa può fare
- Cosa dice questo salto di capacità a chi valuta un agente AI in azienda
Un’AI può risolvere i Millennium Prize Problems: il conto dei 100 problemi aperti
Il claim arriva con l’annuncio del 21 settembre: un modello interno, il cui addestramento è cominciato il 28 agosto 2026, ha risolto Navier-Stokes e oltre 100 altri problemi aperti di lungo corso. Le stesse due cifre le riporta TechCrunch, che parla di “more than 100 open problems” risolti da un modello addestrato meno di un mese prima.
Sulla forma della comunicazione vale la pena essere precisi, perché è il punto debole. Il numero non compare in un paper né in un elenco: sta dentro il post con cui OpenAI annuncia l’advisory group, in una frase che descrive il ritmo del modello, un ritmo che secondo l’azienda ha sorpreso i suoi stessi matematici interni. Le aree indicate sono “quasi tutte” quelle della matematica, senza una ripartizione per campo: l’unico risultato circostanziato, con pagina tecnica e dimostrazione formalizzata, resta Navier-Stokes. Degli altri cento si conosce il conteggio, non i nomi.
La richiesta di vedere la lista è arrivata subito, ed è il primo test di trasparenza che OpenAI non ha ancora superato: alla data del 22 settembre 2026 non esiste una lista pubblica verificata voce per voce, né un impegno esplicito a pubblicarla. La cosa più vicina a una risposta è proprio l’advisory group, il cui mandato include il consigliare su come diffondere i risultati rispettando gli standard accademici, cioè, tradotto, decidere in quale forma i cento problemi diventeranno controllabili da qualcun altro. Fino ad allora è un claim aziendale, non un fatto verificato, e va trattato come tale.
Il precedente che lo rende credibile è però reale. Il 22 agosto 2026 Tristan Buckmaster della NYU e Levent Alpöge di Anthropic avevano dimostrato un risultato analogo sulle equazioni di Eulero, la versione idealizzata di Navier-Stokes, senza attrito, con quella che Quanta descrive come la prima dimostrazione generata da un LLM, e che lo stesso Buckmaster ha definito “the most horrendous I have ever read”: vera, verificata, e illeggibile.
Problemi di Erdős e AI: il precedente che ha spostato l’asticella
Nei mesi precedenti erano già caduti diversi problemi della lista di Paul Erdős, congetture lasciate aperte per decenni dal matematico ungherese. Il caso più documentato è quello di AlphaProof Nexus, che abbiamo raccontato in l’AI di Google che risolve problemi matematici irrisolti da decenni. La differenza rispetto a Navier-Stokes è di categoria, non di grado: un problema di Erdős è difficile, un Millennium Problem è uno dei sette che definiscono cosa la matematica non sa fare. Per una mappa di cosa i modelli riescono e non riescono a fare oggi, resta utile la nostra panoramica su capacità e limiti dell’AI in matematica.
Cosa ha risolto davvero OpenAI su Navier-Stokes: il riepilogo
In breve, per chi arriva adesso: l’8 settembre OpenAI ha dichiarato di aver dimostrato che un fluido inizialmente liscio può sviluppare una singolarità in tempo finito, ma solo nelle varianti C e D dell’enunciato ufficiale, quelle con una spinta esterna. Le varianti A e B, quelle senza forzante che la maggior parte dei matematici considera il cuore del problema, restano aperte. Nessuna rivista ha sottoposto il lavoro a peer review, e le regole del Clay Institute rendono il milione non assegnabile prima del 2028. Abbiamo raccontato cosa dice l’annuncio e perché il premio non è assegnabile, e in un secondo pezzo i numeri della macchina, 10.000 agenti, 88 ore, e la disputa sulla paternità del risultato con Diego Córdoba e Luis Martínez-Zoroa. Se volete capire come funziona questa architettura a sciame, l’abbiamo spiegata nella guida su cosa sono gli agenti AI.
Perché 25 medaglie Fields contestano l’uso dell’AI in matematica
L’11 settembre, tre giorni dopo l’annuncio, è uscita la dichiarazione “A Severe Misalignment of AI in Mathematics”. All’uscita i firmatari erano 25 vincitori della medaglia Fields; alla verifica del 22 settembre 2026 il sito mathandai.org ne elenca 26, perché le adesioni hanno continuato ad arrivare dopo la pubblicazione. Tra loro Terence Tao, Peter Scholze, Pierre Deligne e Manjul Bhargava. La tesi sta in una riga del documento: “solving problems is only a tool and proxy for achieving the primary goal of conceptual understanding and insight”. Risolvere è un mezzo, capire è il fine, e una dimostrazione corretta che nessun essere umano comprende soddisfa il primo e manca il secondo.
Non è una difesa di categoria. L’obiezione tecnica è che una dimostrazione verificata da una macchina ma opaca alle persone interrompe quella che Tao chiama la catena di trasmissione umana: i metodi nuovi nascono dal capire perché una dimostrazione funziona, non dal sapere che funziona. Su Scientific American, Naomi Sweeting del MIT ha sintetizzato la posizione così: “the current relationship between math and AI companies is both harmful and short-sighted”.
L’advisory group di OpenAI su matematica e AI: chi c’è e cosa può fare
La risposta di OpenAI è arrivata il 21 settembre con un gruppo consultivo indipendente ospitato all’Institute for Advanced Study di Princeton. Nove membri: François Charles, Camillo De Lellis, Timothy Gowers, Martin Hairer, Nikhil Srivastava, Ulrike Tillmann, Ravi Vakil, Edward Witten e Melanie Matchett Wood. Il mandato è valutare i risultati che emergono, consigliare su come diffonderli rispettando gli standard accademici e orientare lo sviluppo di strumenti a supporto della ricerca.
Vale la pena leggere anche i limiti, perché sono espliciti. Come riporta TechCrunch, il gruppo non ha alcun potere di rallentare o riorientare la ricerca matematica interna di OpenAI: consiglia sulla pubblicazione, non sulla produzione. E dei nove membri uno solo, Camillo De Lellis, aveva firmato la dichiarazione delle medaglie Fields. È un ponte verso la comunità matematica, come lo definisce OpenAI, ma un ponte che si attraversa in una direzione sola. Se il disallineamento denunciato riguarda il ritmo con cui i risultati escono, un organo che interviene a valle non lo tocca.
Cosa dice questo salto di capacità a chi valuta un agente AI in azienda
C’è una lettura pratica di questa storia che riguarda chi in azienda deve decidere se e come usare questi strumenti, e non ha niente a che fare con la matematica. Il modello che ha prodotto il risultato ha iniziato l’addestramento il 28 agosto 2026, come dichiara OpenAI nell’annuncio del 21 settembre ripreso da TechCrunch: chi si è fatto un’opinione sulle capacità dell’AI provando un chatbot un anno fa sta ragionando su un sistema che non esiste più. E il salto non viene da un modello più grande, ma da diecimila copie che lavorano in parallelo su uno stesso obiettivo, un’architettura ad agenti, non una chat.
La seconda lezione è più scomoda, ed è la stessa che i matematici stanno segnalando: un risultato corretto ma opaco vale meno di un risultato comprensibile. Un agente che chiude un ticket senza che nessuno sappia con quale criterio produce esattamente lo stesso problema della dimostrazione illeggibile, funziona finché funziona, e il giorno che sbaglia nessuno sa dove guardare. È la ragione per cui, come abbiamo argomentato in se l’AI generativa non genera ROI, il problema non è la tecnologia: i progetti falliscono quasi sempre sul processo e quasi mai sul modello.
Agente AI in azienda: perché l’onboarding conta più della capability
Su questo MIMIR ha fatto una scelta precisa: non vendiamo solo un prodotto, ma l’assistenza dedicata che serve a portarlo dentro un’azienda vera. L’onboarding è la parte in cui si decide quali processi l’agente tocca, con quali dati e con quali controlli, esattamente il lavoro di comprensione che nessuna capability, per quanto impressionante, sostituisce. Chi vuole approfondire il ragionamento può partire da come si costruisce un agente AI su misura o dalla guida su come funziona davvero un modello di AI.
Se avete un’esigenza aziendale concreta su AI e agenti e volete capire da dove si comincia, potete parlarne con noi su mimir.bot: una consulenza serve prima di tutto a stabilire se il problema che avete è davvero un problema da agente, e questa è una risposta che vale la pena avere prima di spendere.
Fonti:
- OpenAI, la pagina tecnica sul risultato Navier-Stokes
- OpenAI, Advisory Group on Mathematics and AI
- Quanta Magazine, AI has solved one of math’s $1 million Millennium Prize Problems
- TechCrunch, OpenAI forms math advisory group
- Terence Tao, A Severe Misalignment of AI in Mathematics
- mathandai.org, il testo della dichiarazione e i firmatari
- Scientific American, 25 winners of math’s Nobel Prize decry the AI invasion
- Clay Mathematics Institute, Navier-Stokes Equation
- Clay Mathematics Institute, regole di assegnazione del premio
