Nasce OpenAI for Science, un programma che mira ad accelerare la ricerca affiancando i ricercatori con modelli come GPT-5. La scienza è la base del progresso umano: dai farmaci all’energia, dalle tecnologie dell’informazione alla comprensione del cosmo. Ridurre i tempi del ciclo della scoperta potrebbe produrre effetti a catena in tutta la società.
L’interesse pubblico per una scienza più rapida è crescente: in un recente sondaggio, il 60% degli intervistati statunitensi ha espresso preoccupazione per la lentezza con cui arrivano i progressi medici e scientifici, mentre oltre il 70% ritiene necessarie nuove modalità per accelerare le scoperte.
Indice degli argomenti:
Il paper: “Early science acceleration experiments with GPT-5”
È stato pubblicato un nuovo lavoro scientifico dal titolo “Early science acceleration experiments with GPT-5”, risultato di una collaborazione tra OpenAI e diversi istituti di ricerca, tra cui Vanderbilt University, UC Berkeley, Columbia University, University of Oxford, Lawrence Livermore National Laboratory e The Jackson Laboratory.
Il paper raccoglie casi studio in cui GPT-5 ha generato idee, riscoperto risultati noti, prodotto abbozzi di dimostrazioni ed effettuato ricerche bibliografiche concettuali, evidenziando anche limiti e fallimenti. L’obiettivo è offrire alla comunità scientifica una panoramica qualitativa su cosa questi sistemi possono (e non possono) fare nella pratica.
Cos’è OpenAI for Science
OpenAI for Science vuole potenziare ricercatori e matematici integrando modelli avanzati con strumenti specialistici, flussi di lavoro reali e collaborazioni internazionali. L’obiettivo è consentire esplorazioni più ampie, ipotesi più rapide, prove più solide: dalla generazione di idee alla simulazione, dalla lettura avanzata della letteratura alla pianificazione di esperimenti.
Il programma insiste su un punto chiave: l’AI deve integrarsi nei flussi di lavoro esistenti, non sostituirli.
Un approccio ibrido: strumenti specialistici e modelli generali
La strategia poggia su due convinzioni complementari:
- Gli strumenti scientifici specialistici: motori di simulazione, database proteici, sistemi di algebra computazionale, sono essenziali per precisione ed efficienza.
- I modelli fondazionali scalabili offrono nuove capacità di ragionamento: connessioni interdisciplinari, abbozzi di dimostrazioni, identificazione di meccanismi, navigazione concettuale della letteratura.
Il valore emerge dalla combinazione di entrambi.
Come gli scienziati lavorano con GPT-5
L’innovazione più interessante nasce dal lavoro congiunto umano-AI. I ricercatori formulano le domande e verificano le soluzioni; il modello esplora molte direzioni in parallelo, propone idee, mantiene traccia di lunghe catene logiche.
Usare GPT-5 richiede una nuova abilità professionale: saper formulare il problema, calibrare il livello di guida, spezzare domande complesse e decidere quali risultati devono essere controllati o verificati sperimentalmente.
Lo stato attuale: utilità reale ma non autonomia
GPT-5 mostra segnali promettenti nel ridurre parti del flusso di lavoro scientifico. Non è un sistema che “risolve problemi da solo”, ma uno strumento che velocizza il lavoro degli esperti.
Due capacità emergono con maggiore forza:
1. Ricerca bibliografica concettuale
Il modello non si limita alle parole-chiave: è spesso in grado di identificare connessioni teoriche profonde, recuperando materiali poco noti, anche in lingue diverse.
2. Supporto alla scoperta matematica
In molti casi, GPT-5 ha prodotto outline di dimostrazioni in pochi minuti, riducendo tempi di lavoro da giorni o settimane a circa un’ora. Questo è particolarmente vero in domini ad alta struttura formale come matematica, informatica teorica e parti della fisica.
Nei campi più empirici, come la biologia, può proporre meccanismi e idee sperimentali, ma tutto va confermato in laboratorio.
due esempi, che hanno analizzato perfettamente i dati, insieme a un eccellente riassunto esecutivo
che ha colto i punti chiave del meccanismo.
Contributi reali: primi esempi
Di seguito una selezione dei contributi più significativi tra i casi studio.
Convex optimization: miglioramento di un teorema
Sébastien Bubeck ha fornito a GPT-5 una versione debole di un recente teorema sulla discesa del gradiente. Il modello ha suggerito un limite più netto alle dimensioni dei passi e una dimostrazione più standard, poi verificata a mano da Bubeck.
Fisica dei buchi neri: riscoperta di simmetrie nascoste
Dopo un esercizio preliminare semplificato, GPT-5 ha ricostruito l’intera algebra di simmetrie SL(2,ℝ) dell’equazione delle onde nel campo di Kerr, risultato precedentemente ottenuto da Alex Lupsasca.
Immunologia: meccanismo biologico previsto dall’AI e poi verificato
Il modello ha analizzato grafici sperimentali relativi alla priming di cellule T con 2DG e ha ipotizzato che l’effetto fosse dovuto a una perturbazione della glicosilazione N-linked, suggerendo anche un esperimento di “mannose rescue”. Il laboratorio di Derya Unutmaz ha confermato sperimentalmente la previsione.
Ricerca bibliografica profonda e multidisciplinare
Nikita Zhivotovskiy ha usato GPT-5 per identificare ambiti in cui un nuovo teorema di geometria convessa poteva essere applicato: il modello ha trovato connessioni con statistica, teoria dell’apprendimento e ottimizzazione multi-obiettivo, oltre a riferimenti non noti all’autore.
Database dei problemi di Erdős
GPT-5 ha recuperato soluzioni disperse in letteratura, individuato errori e contribuito a un nuovo risultato su un problema considerato aperto (#848), poi verificato e rifinito da Sawhney e Sellke.
Graph theory: nuove disuguaglianze
Con una struttura di scaffolding, GPT-5 ha generato dimostrazioni brevi di due disuguaglianze nei grafi ad albero, inclusa una congettura irrisolta. Il team ha adottato il nuovo argomento.
I limiti attuali
Nonostante i risultati promettenti, i ricercatori segnalano limiti sostanziali:
- possibili allucinazioni in citazioni, meccanismi e prove;
- forte sensibilità al prompting;
- difficoltà nel riconoscere ragionamenti circolari;
- mancanza di intuizioni di dominio in campi molto specifici.
Queste limitazioni spiegano perché il ruolo dell’AI resta di supporto e richiede controllo esperto.
Il futuro: più tempo di ragionamento, più scienza possibile
I risultati suggeriscono che i modelli migliorano quando possono dedicare più tempo e calcolo a un singolo problema. Se GPT-5 può già aiutare con domande complesse in circa 20 minuti, resta aperta la possibilità che ragionamenti più lunghi – ore o giorni -portino a contributi scientifici molto più profondi.
OpenAI continuerà a collaborare con università, laboratori e gruppi di ricerca per espandere gli esperimenti e integrare questi strumenti nei flussi di lavoro scientifici reali.
