60 sottoagenti IA hanno spinto oltre un problema matematico vecchio di 150 anni in un giorno e mezzo, più di quanto abbia mai fatto un umano da solo

Il processo autonomo dietro il risultato

Il risultato è stato ottenuto tramite un flusso di lavoro multi-agente che ha sorpreso persino i ricercatori di Anthropic:

• Un dipendente Anthropic senza una solida formazione 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 sottoagenti coordinati .
• L'esecuzione ha consumato 31 milioni di token di output in due sessioni, eseguito 2.400 comandi shell e revisionato 54 articoli arXiv .
• Due dei 60 sottoagenti 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 prima .

Verifica: due livelli di prova

Due matematici interni — Levent Alpöge e Ralph Furmaniak — hanno revisionato e confermato la dimostrazione . L'argomento è stato poi formalizzato 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 migliore pratica per i risultati matematici generati dall'IA.

Un punto di svolta: il 2026 come l'anno in cui l'IA è entrata nella ricerca su problemi aperti

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 confutato autonomamente la congettura della distanza unitaria di Erdős, un problema aperto di 80 anni .
• Maggio 2026 — AlphaProof Nexus di Google DeepMind ha risolto nove problemi aperti di Erdős (alcuni irrisolti per 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 "Fable 5" per trovare un controesempio alla congettura di Jacobiana, un problema posto nel 1939 .
• Agosto 2026 — Il modello Astra di OpenAI ha apparentemente risolto dieci problemi matematici vecchi di decenni per un costo di calcolo di circa 2.000 dollari, con prove verificabili meccanicamente pubblicate 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 di livello olimpico alla generazione di ricerca pubblicabile a livello di problema aperto .

Il dibattito: paternità, standard e la Dichiarazione di Leiden

Il ritmo rapido della matematica generata dall'IA ha innescato un intenso 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 successivamente 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 ispezionate completamente dagli umani senza strumenti formali? E come dovrebbero le riviste revisionare tra pari risultati che nessun singolo umano avrebbe potuto produrre ?
• Alcuni matematici sostengono che le dimostrazioni assistite dall'IA rischiano di erodere la comprensione e la visione esplicativa — una dimostrazione può essere corretta ma opaca . Altri vedono la verifica formale in Lean come uno standard più rigoroso della revisione tradizionale .

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

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

1. La scala dell'esplorazione autonoma è importante.

Testare 650 idee attraverso 60 sottoagenti 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 flusso 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 tra letterature disparate . Questa capacità affronta direttamente una preoccupazione centrale sul fatto che gli LLM si limitino a interpolare o possano genuinamente scoprire.

3. La verifica formale risolve il problema della fiducia.

La formalizzazione in Lean significa che il risultato non è un'affermazione "scatola nera". È un teorema provabilmente corretto che qualsiasi matematico può ispezionare meccanicamente . Questo offre un modello per come i risultati scientifici generati dall'IA possono essere resi verificabili, 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 sorprendenti (DeepMind, OpenAI, Anthropic) e risposte istituzionali guidate dalla comunità (la Dichiarazione di Leiden) suggerisce che la comunità matematica si sta adattando piuttosto che ritirando . La conversazione attuale si concentra su norme e credito, non sul rifiuto totale dei risultati 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 a zero . Questo ha profonde implicazioni per quali domande i ricercatori scelgono di perseguire e chi può partecipare alla ricerca matematica.

Il punto chiave

Il miglioramento del limite di Riemann da parte di Anthropic è una dimostrazione storica che i sistemi di IA possono ora scoprire autonomamente risultati matematici pubblicabili e formalmente verificabili che fanno avanzare un problema aperto di 150 anni. Combinato con la serie di scoperte simili del 2026, sposta la discussione dal "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."