OpenAI sostiene di avere risolto con l’intelligenza artificiale uno dei sei Millennium Problems della matematica rimasti aperti, quello dell’esistenza e regolarità delle equazioni di Navier-Stokes. Sono le equazioni che descrivono il movimento dei fluidi e costituiscono una delle basi matematiche delle simulazioni utilizzate in aeronautica, energia, meteorologia e nello studio del flusso sanguigno. Se la dimostrazione sarà confermata, sapremo per la prima volta che queste equazioni possono arrivare, partendo da condizioni regolari, a una singolarità: un punto nel quale la velocità prevista cresce senza limite e il modello continuo del fluido smette quindi di avere una corrispondenza fisica.
Le applicazioni non arriveranno domani. La scoperta non rende automaticamente più efficiente un’ala, più precisa una previsione meteorologica o migliore una turbina. Offre però a matematici e ingegneri un meccanismo preciso attraverso il quale Navier-Stokes può perdere validità. Lo si potrà simulare, perturbare e utilizzare per mettere alla prova gli algoritmi di computational fluid dynamics, capire meglio i regimi estremi e studiare quando una descrizione continua del fluido debba lasciare spazio a modelli che lavorano a scale più piccole.
Per le imprese, tuttavia, c’è una seconda notizia forse ancora più importante. OpenAI dice che la dimostrazione è stata trovata in circa 88 ore da un sistema arrivato a coinvolgere nell’ordine di 10mila agenti AI concorrenti, alimentati da un modello interno più capace di GPT-6 Astra. Sul solo problema Navier-Stokes gli agenti hanno scambiato 2,7 milioni di messaggi e prodotto circa 130 miliardi di token.
È un esempio estremo di una trasformazione che può arrivare anche nella R&D industriale: l’AI non viene più utilizzata soltanto per assistere un ricercatore, ma per moltiplicare in parallelo il numero di ipotesi, esperimenti e soluzioni che un’organizzazione può esplorare.
Indice degli argomenti:
Che cosa ha davvero dimostrato OpenAI
“Risolvere Navier-Stokes” non significa avere trovato finalmente una formula con cui prevedere qualsiasi movimento dell’acqua o dell’aria.
Le equazioni vengono utilizzate da decenni e i computer ne calcolano continuamente soluzioni numeriche. Il problema matematico era diverso: nessuno era riuscito a dimostrare se, in tre dimensioni, condizioni iniziali perfettamente regolari producessero sempre soluzioni altrettanto regolari oppure potessero sviluppare una singolarità.
La formulazione ufficiale del Clay Mathematics Institute ammette quattro possibili strade. OpenAI sostiene di avere dimostrato le alternative C e D: esistono condizioni iniziali e una forza esterna perfettamente lisce nelle quali non esiste una soluzione regolare per tutto il tempo.
Il sistema costruito parte da un fluido fermo. Una forza esterna produce un vortice che si avvolge verso l’interno e contemporaneamente si allunga. La regione centrale diventa progressivamente più piccola mentre la velocità cresce senza limite, pur restando finita l’energia del sistema.
La cautela è importante: la forza esterna è costruita appositamente per ottenere questo comportamento. Il risultato non dimostra quindi che l’aria attorno a un aereo o il fluido dentro una turbina sviluppino spontaneamente lo stesso fenomeno.
Se la prova reggerà, però, la domanda scientifica cambierà. Non si dovrà più stabilire soltanto se Navier-Stokes possa sviluppare una singolarità, ma quanto il meccanismo trovato sia stabile, quali condizioni lo favoriscano e se esistano comportamenti analoghi in configurazioni fisicamente realistiche.
Cosa potrebbe cambiare per simulazioni e industria
È qui che possono emergere le prime ricadute industriali.
I software di computational fluid dynamics non rappresentano ogni punto di un fluido: suddividono lo spazio in una griglia e approssimano matematicamente quello che accade. Quando si formano strutture sempre più piccole, per seguirle bisogna aumentare la risoluzione e quindi il calcolo necessario.
Il caso costruito da OpenAI porta questo processo all’estremo. Può quindi diventare un benchmark particolarmente severo per i metodi numerici: fino a dove un simulatore riesce a seguire la concentrazione del vortice? Quando perde precisione? Come cambia il risultato aumentando la risoluzione?
Nel lungo periodo questo tipo di conoscenza può contribuire a migliorare gli algoritmi che decidono automaticamente dove aumentare la risoluzione di una simulazione e gli strumenti che stimano quanto un risultato numerico sia affidabile.
Le applicazioni potenziali riguardano gli stessi settori che utilizzano intensivamente la fluidodinamica: aerospazio, automotive, turbine e compressori, combustione, processi chimici, dispositivi medici.
Non si tratta di una conseguenza già contenuta nella prova. È il programma di ricerca che la prova rende possibile.
Il salto dell’AI: da un agente a 10mila agenti
Il modo in cui OpenAI è arrivata al risultato interessa però molto più direttamente chi sta progettando l’adozione dell’AI nelle imprese.
Il laboratorio non ha semplicemente formulato una domanda a un modello molto potente.
Ha distribuito versioni differenti dei problemi a gruppi differenti di agenti. Gli agenti avevano strumenti per eseguire codice, accedere a una copia cache di Internet e comunicare all’interno dei gruppi. Dopo un primo risultato sul problema collegato delle equazioni di Eulero, OpenAI ha spostato risorse dagli altri Millennium Problems verso Navier-Stokes. Successivamente ha utilizzato Codex per raccogliere le intuizioni migliori dei diversi gruppi e trasferirle ad altri agenti.
L’organizzazione del lavoro assomiglia quindi più a un grande programma di ricerca che a una conversazione con un chatbot.
Il problema viene scomposto, molte strade vengono esplorate contemporaneamente, i risultati intermedi vengono confrontati, alcune linee vengono abbandonate e le risorse vengono concentrate sulle ipotesi più promettenti.
Questo modello può essere applicato, con scale molto inferiori, anche in azienda.
Un’impresa farmaceutica può utilizzare gruppi di agenti per esplorare differenti ipotesi su molecole o processi, facendo verificare i risultati a simulatori e modelli specialistici. Un gruppo industriale può far generare e confrontare numerose configurazioni di un componente. Un team software può utilizzare decine di agenti per cercare contemporaneamente cause differenti di un bug, generare patch e sottoporle alla stessa suite di test.
La capacità rilevante non diventa soltanto quella del singolo modello. Conta quante strade un’organizzazione può permettersi di esplorare e quanto rapidamente riesce a riconoscere quelle promettenti.
La vera condizione per l’autonomia: poter verificare il risultato
Il caso Navier-Stokes mette in luce anche una seconda condizione per l’AI agentica.
La matematica offre un vantaggio particolare: una soluzione può essere sottoposta a verifica formale.
OpenAI ha trasformato la dimostrazione in Lean, un linguaggio e proof assistant che può controllare automaticamente che una catena di passaggi rispetti determinate regole logiche. Lean viene utilizzato anche per verificare software, hardware e protocolli, non soltanto teoremi matematici.
Questo principio è trasferibile alla R&D aziendale.
Un agente può ricevere molta più autonomia quando esiste un arbitro esterno che stabilisce se il risultato funziona.
Nel software sono le suite di test, i compilatori, gli analizzatori statici e la formal verification. Nell’ingegneria possono esserlo un simulatore e i vincoli fisici di progetto. Nell’ottimizzazione industriale una funzione obiettivo può misurare automaticamente costi, consumi o performance.
È una differenza decisiva rispetto a problemi come la strategia aziendale, il marketing o una decisione manageriale complessa, dove non esiste normalmente un verificatore automatico capace di stabilire quale risposta sia corretta.
Per l’impresa che vuole introdurre agenti autonomi, quindi, una delle domande iniziali dovrebbe diventare: quanto è verificabile il compito?
Il nuovo fattore produttivo è il compute
Il caso mostra anche il prezzo di questo tipo di ricerca.
Gli agenti hanno prodotto circa 130 miliardi di token sul solo Navier-Stokes e 300 miliardi considerando tutti i problemi affrontati. Sébastien Bubeck di OpenAI ha stimato per Quanta Magazine un costo computazionale complessivo nell’ordine di diversi milioni di dollari.
È una scala eccezionale, ma introduce un principio economico destinato a diventare rilevante anche per le imprese.
Con i chatbot il costo viene spesso pensato in termini di prezzo della singola chiamata o del singolo token. Con sistemi agentici che possono continuare a generare ipotesi, chiamare strumenti e creare nuovi sotto-agenti, il compute diventa invece un budget di ricerca.
Per un problema che vale centinaia di milioni di euro può essere razionale spendere milioni in inferenza. Per un problema da centomila euro evidentemente no.
La metrica utile diventa quindi il rapporto tra costo dell’esplorazione computazionale e valore atteso della soluzione.
È un cambiamento vicino a ciò che sta già accadendo dentro OpenAI. Secondo dati pubblicati dalla società il 6 settembre, a metà agosto la sua organizzazione di ricerca utilizzava complessivamente 3,1 “giornate-agente” per ogni giornata di lavoro umano; il ricercatore mediano consumava ogni giorno oltre 600 dollari di inferenza calcolati ai prezzi API.
OpenAI segnala nello stesso tempo che il compute sta diventando un possibile collo di bottiglia della ricerca.
R&D: cambia anche il lavoro dei ricercatori
Questo modello non elimina il ricercatore.
Nel caso Navier-Stokes sono stati gli esseri umani a decidere su quali problemi concentrare il sistema, a riallocare le risorse dopo il risultato su Euler e a organizzare il trasferimento delle intuizioni tra i diversi gruppi di agenti.
I dati interni pubblicati da OpenAI mostrano del resto che l’autonomia è ancora parziale: negli ultimi sei mesi, oltre la metà dei compiti completati con successo e stimati tra quattro e otto ore di lavoro umano ha richiesto almeno un intervento umano.
Nella R&D il valore delle persone può quindi spostarsi gradualmente dalla produzione di ogni singolo esperimento verso definizione dei problemi, costruzione dei sistemi di valutazione, interpretazione dei risultati e allocazione delle risorse.
Il ricercatore non deve necessariamente provare personalmente cento strade. Può decidere quali cento strade vale la pena far esplorare alle macchine e riconoscere quali meritano un nuovo ciclo di ricerca.
Cosa dovrebbe fare oggi un’impresa
Non serve avere 10mila agenti per sperimentare questo modello. Anzi, partire dal numero degli agenti sarebbe probabilmente l’approccio sbagliato.
La prima scelta è individuare problemi economicamente rilevanti e con risultati misurabili: ridurre il consumo energetico di un processo, trovare una configurazione migliore di un componente, correggere un software, ottimizzare una catena logistica, individuare la causa di un’anomalia.
La seconda è costruire il verificatore prima di aumentare l’autonomia. Senza benchmark, simulatori, test o metriche affidabili, moltiplicare gli agenti significa soprattutto moltiplicare output che qualcuno dovrà controllare.
La terza è introdurre un vero budget di compute. Un sistema agentico deve avere condizioni di arresto, limiti economici e criteri per stabilire se il miglioramento ottenuto giustifica un altro ciclo di ricerca.
Infine serve conservare la tracciabilità. Con decine o centinaia di agenti che elaborano ipotesi e si passano informazioni diventa più difficile ricostruire l’origine di un risultato. Log, test, dati utilizzati e risultati intermedi diventano parte del prodotto della ricerca.
Dal copilota alla fabbrica di esperimenti
La soluzione proposta per Navier-Stokes deve ancora superare il vaglio della comunità matematica. Il Clay Mathematics Institute richiede, per poter considerare una soluzione ai fini del Millennium Prize, la pubblicazione in una sede qualificata, almeno due anni di tempo e una generale accettazione nella comunità matematica mondiale.
Ma il metodo utilizzato da OpenAI è già osservabile.
Per anni la promessa dell’AI in azienda è stata soprattutto quella del copilota: dare a ogni lavoratore un assistente capace di scrivere, analizzare, programmare o cercare informazioni.
Il caso Navier-Stokes mostra un paradigma ulteriore. Un’organizzazione può trasformare capacità computazionale in una quantità crescente di lavoro cognitivo parallelo, destinandola per alcune ore o giorni a un singolo problema e verificando automaticamente gran parte delle soluzioni prodotte.
Per la R&D industriale può essere un cambiamento molto più importante dell’arrivo di un modello capace di rispondere meglio alle domande.
La competizione potrebbe giocarsi sulla capacità di costruire una fabbrica di esperimenti: problemi proprietari da risolvere, dati e simulatori su cui testarli, sistemi automatici di verifica e abbastanza compute da esplorare molte più possibilità di quante un gruppo umano potrebbe provare da solo.
Navier-Stokes rappresenta per ora un caso eccezionale, ottenuto con risorse eccezionali. Ma mostra con particolare nettezza dove può portare l’AI quando dalla produzione di risposte passa alla produzione e selezione sistematica di nuove soluzioni.
Partecipa alla community