Un modello OpenAI ha risolto un problema matematico irrisolto da 80 anni

Un modello OpenAI ha disprovato una congettura centrale della geometria discreta, irrisolta da quasi 80 anni: il problema della distanza unitaria planare formulato da Paul Erdős nel 1946. Annunciato il 20 maggio 2026 e verificato da matematici esterni di Princeton e Oxford, è la prima volta che un sistema di AI generalista risolve autonomamente un problema aperto centrale per un’intera area della matematica.

OpenAI ha esteso lo stesso approccio a domini scientifici diversi, come dimostra il modello OpenAI per la ricerca biologica pensato per la scoperta di farmaci.

Sul versante clinico, la stessa logica di specializzazione emerge nella superintelligenza medica di Microsoft, orientata alla diagnosi complessa.

In questo articolo scoprirai:

• Cos’è il problema della distanza unitaria di Erdős e perché ha resistito 80 anni
• Come un reasoning model OpenAI ha costruito una nuova famiglia infinita di esempi
• Perché la connessione con la teoria algebrica dei numeri è la vera novità
• Chi ha verificato il risultato e come si distingue dal falso annuncio di ottobre 2025
• Cosa cambia per l’uso dell’AI nella ricerca scientifica

Il problema della distanza unitaria: 80 anni di mistero matematico

Il problema della distanza unitaria planare è una domanda di geometria combinatoria formulata da Paul Erdős nel 1946: dati n punti su un piano, qual è il numero massimo di coppie esattamente a distanza uno l’una dall’altra? Per quasi otto decenni la comunità matematica ha ritenuto che le configurazioni a griglia quadrata fossero ottimali e che il limite superiore crescesse essenzialmente in modo quasi-lineare in n.

Noga Alon, combinatorialista di Princeton, ha più volte descritto la questione come “uno dei problemi preferiti di Erdős”. Il fascino è duplice: la domanda è elementare, bastano una matita e un foglio per capirla, ma le tecniche necessarie per rispondere chiamano in causa strumenti sofisticati di teoria additiva, combinatoria estremale e, come si scoprirà ora, teoria algebrica dei numeri.

Perché è così difficile

La difficoltà nasce dal fatto che ogni costruzione esplicita di punti su un piano produce configurazioni “ordinate” che sembrano ottimali ma che si rivelano subito superabili da disposizioni meno intuitive. Le griglie quadrate, intere o gaussiane, hanno dominato la letteratura per decenni proprio perché nessuno era riuscito a immaginare una struttura sostanzialmente migliore. Il problema della distanza unitaria è uno dei pilastri della cosiddetta combinatorial geometry, e progressi qui ricadono a cascata su una decina di problemi correlati che riguardano incidenze, distanze ripetute e configurazioni di rette.

La svolta: il reasoning model OpenAI smonta la congettura di Erdős

Il modello, un sistema di ragionamento generalista interno a OpenAI, non addestrato specificamente sulla matematica, ha identificato una famiglia infinita di configurazioni che produce un numero di coppie a distanza unitaria pari ad almeno n^(1+δ) per un esponente fisso δ > 0, come riportato da StartupHub. È un miglioramento polinomiale rispetto al limite quasi-lineare che la comunità riteneva pressoché irriducibile.

Secondo le ricostruzioni di Crypto Briefing, il modello ha lavorato in modo autonomo: nessun passo del ragionamento è stato suggerito da un matematico umano, e al sistema non sono stati forniti pezzi parziali della dimostrazione. È esattamente questo che rende il risultato significativo, e che lo distingue dai sistemi di assistenza alla dimostrazione esistenti, che richiedono un’impalcatura logica costruita a monte da ricercatori in carne e ossa. Per chi vuole inquadrare il salto di capacità nei modelli “reasoning”, vale la pena leggere la nostra analisi di come OpenAI o1 ha aperto l’era del ragionamento complesso.

Cosa significa “miglioramento polinomiale”

Un miglioramento polinomiale è un aumento dell’ordine di crescita della funzione: invece di rimanere bloccato vicino a n, il numero di coppie scala con n elevato a un esponente strettamente maggiore di uno. Tradotto: per piani con molti punti, il salto rispetto alle stime classiche diventa enorme, e cambia il modo in cui i matematici dovranno modellare i problemi di incidenza nei prossimi anni.

Teoria algebrica dei numeri e geometria: un ponte inaspettato

La parte più sorprendente non è il risultato in sé, ma il metodo: il modello ha collegato il problema della distanza unitaria alla teoria algebrica dei numeri, una branca che studia estensioni dei numeri interi e che non era mai stata applicata in questo modo alla geometria discreta. Secondo Interesting Engineering, la dimostrazione utilizza concetti avanzati come interi gaussiani estesi, class field towers infinite e teoria di Golod-Shafarevich, strumenti che vivono in un universo apparentemente lontanissimo dai punti su un foglio.

Will Sawin, matematico di Princeton, ha successivamente rifinito la costruzione esprimendo il miglioramento con un esponente fisso, come dettagliato da AutoGPT.net. Il punto cruciale è che il modello ha individuato in autonomia un ponte tra due campi che la comunità non aveva visto: un’intuizione strutturale, non un calcolo brute-force.

Il teorico dei numeri Arul Shankar ha sintetizzato la portata della cosa dicendo che i sistemi AI iniziano ora a “generare idee genuinamente originali”, oltre il semplice ruolo di assistente. Per un quadro più ampio delle capacità reali dei modelli in matematica, rimandiamo alla nostra guida sulla rivoluzione dell’AI in matematica nel 2026.

Verifica indipendente: dai matematici Princeton al precedente falso allarme

La dimostrazione è stata verificata da un gruppo di matematici esterni a OpenAI: Noga Alon e Will Sawin di Princeton, Melanie Wood, e soprattutto Thomas Bloom, curatore del sito Erdős Problems. OpenTools riporta che il medaglista Fields Tim Gowers ha definito il lavoro “a milestone in AI mathematics”, dichiarando che lo raccomanderebbe per la pubblicazione “without any hesitation”.

Il precedente di ottobre 2025 e perché conta

Sette mesi prima, nell’ottobre 2025, l’allora VP di OpenAI Kevin Weil aveva annunciato che GPT-5 aveva “risolto 10 problemi di Erdős” precedentemente aperti. L’annuncio crollò quando si scoprì che il modello aveva riscoperto soluzioni già esistenti in letteratura. Thomas Bloom stesso definì pubblicamente la comunicazione una “drammatica falsa rappresentazione” e il post fu cancellato.

Ciò che rende l’annuncio di maggio 2026 credibile è esattamente la procedura inversa: prima la verifica esterna, poi la comunicazione pubblica. Lo stesso Bloom, da scettico, è diventato sostenitore, un’inversione narrativa che pesa più di qualsiasi comunicato stampa. Sul precedente analogo in fisica teorica abbiamo già discusso quando GPT-5.2 ha contribuito a una scoperta sui gluoni: la lezione di metodo è la stessa.

AI nella ricerca scientifica: cosa cambia dopo questo risultato

Il risultato segnala un passaggio di fase per l’AI applicata alla ricerca scientifica: non più solo automazione di calcoli o setaccio della letteratura, ma generazione autonoma di intuizioni strutturali tra domini distinti. Per le aziende che valutano l’adozione di modelli avanzati, due implicazioni emergono in modo netto.

La prima è di natura strategica: i reasoning model generalisti stanno superando, in alcuni domini, sistemi specializzati. Il modello OpenAI non era stato fine-tuned sul problema della distanza unitaria, eppure ha prodotto una costruzione che la comunità specializzata non aveva trovato in 80 anni. Per capire perché questo è possibile, è utile comprendere le basi degli LLM e dei loro meccanismi di ragionamento.

La seconda è metodologica: il cross-domain reasoning — la capacità di collegare oggetti di campi distanti, è una capacità nuova e replicabile. Le applicazioni potenziali sono in biologia computazionale, scienza dei materiali, fisica teorica, dove molti problemi aperti aspettano un ponte concettuale tra strumenti che nessuno aveva mai associato. Per comprendere come questi modelli funzionano sotto il cofano, vale la pena leggere la nostra guida sull’intelligenza artificiale generativa.

Resta da fare la peer review formale

La dimostrazione, pur verificata da matematici di primo piano, non ha ancora completato il processo di peer review accademica tradizionale. La storia delle “scoperte matematiche annunciate” è costellata di errori scoperti mesi o anni dopo, e prudenza è d’obbligo. Tuttavia, l’endorsement preventivo di Gowers e Bloom è il segnale più forte possibile di credibilità in attesa della pubblicazione formale.

Come sfruttare la potenza dell’AI in azienda

Traguardi come la risoluzione di un enigma matematico rimasto insoluto per ottant’anni dimostrano che i confini dell’intelligenza artificiale si stanno spostando velocemente, ma per le imprese la vera sfida è capire come calare questa straordinaria capacità logica nella complessità delle sfide di business quotidiane.

Se OpenAI e Claude continuano a superare i limiti della tecnologia, la vera svolta per la tua azienda è non dover scegliere tra l’uno o l’altro: con Mimír AI Agent hai a disposizione un’architettura totalmente agnostica, capace di attivare la potenza di GPT o l’eccellenza degli ultimi modelli di Claude a seconda della necessità.

Grazie all’integrazione della tecnologia RAG, Mimír non si limita a “ragionare” sui massimi sistemi, ma lo fa basandosi esclusivamente sui tuoi dati aziendali blindati, trasformando i più grandi successi dell’IA nell’alleato operativo perfetto per i tuoi flussi di lavoro.

Fonti:

• OpenAI — An OpenAI model has disproved a central conjecture in discrete geometry
• AIToolly — OpenAI AI Disproves Erdős Discrete Geometry Conjecture
• AutoGPT.net — OpenAI Finally Solved a Real Math Problem
• Interesting Engineering — 80-year-old geometry mystery cracked by OpenAI
• Crypto Briefing — OpenAI model autonomously solves planar unit distance problem
• StartupHub — OpenAI Model Cracks Geometry’s Toughest Nut
• OpenTools — OpenAI Model Disproves 80-Year Erdős Math Conjecture