Il salto dell’IA nella matematica: il modello di Anthropic alza il limite sull’ipotesi di Riemann

Il processo autonomo

Il risultato è stato ottenuto attraverso un notevole flusso di lavoro multi-agente:

• Un membro dello staff di Anthropic, privo di una solida preparazione matematica, ha chiesto al modello di "provare seriamente" a dimostrare l’ipotesi .
• In circa 1,5 giorni, il modello ha testato circa 650 approcci candidati attraverso 60 sotto-agenti coordinati .
• L’esecuzione ha consumato 31 milioni di token di output in due sessioni, eseguito 2.400 comandi shell e analizzato 54 articoli arXiv .
• Due dei 60 sotto-agenti sono stati responsabili dello sviluppo della scoperta matematica chiave .
• L’approccio vincente ha sintetizzato un articolo del 2000 di Enrico Bombieri con risultati più recenti — una combinazione che nessun ricercatore umano aveva mai assemblato .

Processo di verifica

Due matematici interni ad Anthropic — Levent Alpöge e Ralph Furmaniak — hanno esaminato e confermato la dimostrazione . L’argomentazione è stata poi formalizzata in Lean, un dimostratore interattivo di teoremi, producendo un certificato di correttezza verificabile meccanicamente . Questa doppia validazione (revisione umana esperta + verifica formale) è considerata la prassi migliore per dimostrare l’affidabilità dei risultati matematici generati dall’IA.

Contesto più ampio del 2026: un punto di svolta per l’IA in matematica

Il miglioramento del limite di Riemann da parte di Claude non è un evento isolato. Il 2026 ha visto una sequenza accelerata di scoperte matematiche guidate dall’IA:

• Maggio 2026 — OpenAI ha annunciato che un modello di ragionamento generale non ancora rilasciato aveva autonomamente confutato la congettura di Erdős sulla distanza unitaria, un problema aperto da 80 anni .
• Maggio 2026 — Il sistema AlphaProof Nexus di Google DeepMind ha risolto nove problemi aperti di Erdős (alcuni irrisolti da 56 anni) e dimostrato 44 congetture dall’Online Encyclopedia of Integer Sequences, tutte formalizzate in Lean .
• Luglio 2026 — Il matematico di Anthropic Levent Alpöge ha utilizzato il modello non ancora rilasciato "Fable 5" per trovare un controesempio alla congettura di Jacobian, un problema posto nel 1939 .
• Agosto 2026 — Il modello Astra di OpenAI avrebbe risolto dieci problemi matematici decennali con un costo di calcolo di circa 2.000 dollari, pubblicando dimostrazioni verificabili meccanicamente in Lean su GitHub .

Diversi commentatori hanno notato che il campo ha superato una soglia a metà del 2026: i sistemi di IA sono passati dalla risoluzione di problemi matematici da competizione alla generazione di ricerche pubblicabili a livello di problemi aperti .

Il dibattito: paternità, standard e la Dichiarazione di Leiden

Il ritmo rapido della matematica generata dall’IA ha innescato un acceso dibattito:

• Nel giugno 2026, un gruppo di 16 matematici ha pubblicato la Dichiarazione di Leiden sull’Intelligenza Artificiale e la Matematica, raccomandando nuovi standard per la struttura delle dimostrazioni, l’attribuzione della paternità e la supervisione umana dei risultati generati dall’IA . La dichiarazione è stata poi discussa dall’Unione Matematica Internazionale .
• Le tensioni chiave includono: Chi ottiene il credito di paternità quando un’IA genera una dimostrazione? Il campo può mantenere la fiducia epistemica se le dimostrazioni sono troppo lunghe o innovative per essere completamente ispezionate dagli esseri umani senza strumenti formali? E come dovrebbero le riviste sottoporre a revisione paritaria risultati che nessun singolo essere umano avrebbe potuto produrre ?
• Alcuni matematici sostengono che le dimostrazioni assistite dall’IA rischiano di erodere la comprensione e la capacità esplicativa — una dimostrazione può essere corretta ma opaca . Altri vedono la verifica formale in Lean come uno standard più rigoroso della revisione paritaria tradizionale .

Cosa significa per la capacità dell’IA di scoprire nuova scienza

Il risultato di Anthropic sull’ipotesi di Riemann fa avanzare la discussione in diversi modi concreti:

1. La scala dell’esplorazione autonoma è importante. Testare 650 idee attraverso 60 sotto-agenti dimostra che le architetture multi-agente possono eseguire una ricerca sistematica a una scala che nessun gruppo di ricerca umano potrebbe eguagliare nello stesso lasso di tempo . Questo sposta la domanda da "L’IA può fare matematica?" a "Come dovremmo integrare l’esplorazione su larga scala dell’IA nel processo di scoperta scientifica?"

2. La sintesi fortuita è possibile. Il fatto che un modello senza formazione matematica abbia combinato un articolo di Bombieri (2000) con risultati più recenti — una combinazione che nessun umano aveva visto — mostra che l’IA può fare connessioni concettuali non ovvie attraverso letterature disparate . Questa capacità risponde direttamente a una preoccupazione centrale sul fatto che i LLM si limitino a interpolare o possano realmente scoprire.

3. La verifica formale risolve il problema della fiducia. La formalizzazione in Lean significa che il risultato non è un’affermazione "a scatola chiusa". È un teorema provabilmente corretto che qualsiasi matematico può ispezionare meccanicamente . Questo offre un modello per rendere verificabili i risultati scientifici generati dall’IA, affrontando una delle obiezioni più forti alla scoperta guidata dall’IA.

4. Il dibattito su paternità e standard è costruttivo, non paralizzante. L’emergere simultaneo di risultati straordinari (DeepMind, OpenAI, Anthropic) e di risposte istituzionali guidate dalla comunità (la Dichiarazione di Leiden) suggerisce che la comunità matematica si sta adattando piuttosto che ritirandosi . La conversazione attuale si concentra su norme e crediti, non sul rifiuto totale degli output dell’IA.

5. Il costo e la velocità della scoperta stanno crollando. Il costo di calcolo di 2.000 dollari per i risultati di Astra di OpenAI e il tempo di 36 ore per il limite di Riemann di Claude suggeriscono che il costo marginale di una scoperta matematica pubblicabile si sta avvicinando allo zero . Questo ha profonde implicazioni per le domande che i ricercatori scelgono di perseguire e per chi può partecipare alla ricerca matematica.

In sintesi: Il miglioramento del limite di Riemann da parte di Anthropic è una dimostrazione fondamentale che i sistemi di IA possono ora scoprire autonomamente risultati matematici pubblicabili e formalmente verificabili che fanno avanzare un problema aperto vecchio di 150 anni. Insieme alla serie di scoperte simili del 2026, sposta la discussione da "se l’IA possa contribuire alla scoperta scientifica" a "come la comunità scientifica dovrebbe strutturare incentivi, attribuzione e verifica per una nuova classe di co-scopritori IA".