Navier–Stokes e l’AI: 10.000 agenti e la nuova economia della scoperta scientifica

by · 9 Settembre 2026

This post has already been read 13 times!

Navier-Stokes e OpenAI come i sistemi multi-agente stanno cambiando l'economia della ricerca scientifica

Navier–Stokes, AI e la nuova economia della scoperta scientifica

Non è soltanto una storia su un problema matematico vecchio di novant’anni. È una storia su come potrebbe cambiare il modo stesso in cui facciamo ricerca.
L’8 settembre 2026 OpenAI ha annunciato pubblicamente di aver prodotto una soluzione al problema di esistenza e regolarità delle equazioni di Navier–Stokes, uno dei sette Millennium Prize Problems del Clay Mathematics Institute. Il risultato era stato raggiunto qualche giorno prima, intorno al 5 settembre, e il documento ufficiale è datato 6 settembre.
La notizia è straordinaria.
Ma la parte più interessante potrebbe non essere soltanto il risultato matematico.
Secondo OpenAI, la soluzione è stata prodotta da un sistema composto da circa 10.000 agenti AI concorrenti, che hanno lavorato per circa 88 ore. La successiva formalizzazione e verifica in Lean ha richiesto altre 17 ore, utilizzando GPT-6 Astra.
Per il solo lavoro su Navier–Stokes, gli agenti hanno scambiato circa 2,7 milioni di messaggi e generato circa 130 miliardi di token di output.
Questi numeri cambiano completamente la prospettiva.
Non stiamo parlando di un chatbot a cui è stato chiesto di risolvere un problema difficile. Stiamo parlando di un sistema computazionale di ricerca, composto da migliaia di agenti che esplorano strategie differenti, comunicano, utilizzano strumenti, scartano approcci fallimentari e trasferiscono le intuizioni più promettenti da un gruppo all’altro.
Ed è qui che la storia di Navier–Stokes diventa una storia che riguarda tutti i settori della ricerca.
La domanda non è soltanto: l’AI ha risolto Navier–Stokes?
La domanda più interessante è:
che cosa succede quando il costo di esplorare lo spazio delle ipotesi scientifiche crolla, mentre il costo della loro verifica rimane elevato?

Che cosa sono le equazioni di Navier–Stokes?

Le equazioni di Navier–Stokes descrivono il moto dei fluidi. Per un fluido incomprimibile possiamo rappresentarle, in forma compatta, come:
[math]\displaystyle \begin{aligned} \frac{\partial u}{\partial t} + (u\cdot\nabla)u &= -\nabla p + \nu\Delta u + f \ \nabla\cdot u &= 0. \end{aligned} [/math]
Dove [math]u[/math] è il campo di velocità, [math]p[/math] la pressione, [math]\nu[/math] la viscosità, [math]f[/math] una forza esterna e [math]t[/math] il tempo.
Sono equazioni fondamentali per comprendere fenomeni che vanno dall’aerodinamica alla meteorologia, fino al flusso sanguigno.
Il problema matematico è molto più profondo di una semplice simulazione numerica. La domanda è se, partendo da condizioni iniziali sufficientemente regolari, una soluzione tridimensionale possa sviluppare una singolarità in tempo finito. In termini intuitivi: possiamo partire da un fluido perfettamente regolare e arrivare, dopo un tempo finito, a una situazione nella quale la velocità diventa non limitata?
La difficoltà risiede soprattutto nella combinazione tra viscosità e termine non lineare u : è l’interazione del campo di velocità con se stesso a rendere il problema così difficile.
Nel 2000 il Clay Mathematics Institute inserì il problema tra i sette Millennium Prize Problems.
E qui c’è una precisazione che quasi tutte le prime ricostruzioni della notizia hanno saltato e che è fondamentale per capire cosa è stato annunciato.

Il forcing non mette automaticamente il risultato fuori dal Millennium Problem

Una delle interpretazioni più semplicistiche della notizia è stata:
“La costruzione di OpenAI usa una forza esterna, quindi non ha risolto il vero problema di Navier–Stokes.”
È una conclusione troppo rapida.
La formulazione ufficiale di Charles Fefferman comprende esplicitamente una forza esterna [math]f(x,t)[/math]. Le quattro alternative A–D di cui consiste il problema non chiedono solo di dimostrare la regolarità globale: le alternative C e D chiedono proprio di dimostrare l’esistenza di dati iniziali lisci e di una forza liscia per i quali non esista una soluzione globale liscia con le proprietà richieste, rispettivamente nello spazio [math]\mathbb R^3[/math] e nel caso periodico [math]\mathbb R^3/\mathbb Z^3[/math].
OpenAI afferma che la propria costruzione stabilisce proprio le alternative C e D della formulazione ufficiale e lo dichiara esplicitamente insieme alla formalizzazione Lean pubblica.
Questo cambia sostanzialmente il modo corretto di raccontare la notizia.
Il caveat scientifico non dovrebbe essere: “c’è una forza esterna, quindi forse non è il Millennium Problem”.
Dovrebbe essere:
OpenAI sostiene di aver risolto il problema nella formulazione ufficiale attraverso C e D; resta da valutare indipendentemente la correttezza matematica della dimostrazione e la sua accettazione da parte della comunità.
Sono due affermazioni molto diverse. E la distinzione insegna qualcosa di generale sulla comunicazione scientifica: non basta contestare un risultato: bisogna contestare l’enunciato preciso che il risultato sostiene di dimostrare.

Che cosa sostiene esattamente OpenAI?

La costruzione presentata riguarda un fluido inizialmente regolare e fermo che, secondo la dimostrazione proposta, sviluppa una singolarità in tempo finito. Il sistema costruisce una configurazione vorticosa nella quale il vortice si avvolge verso l’interno e viene progressivamente allungato. La velocità cresce senza limite mentre l’energia rimane finita; la forza esterna rimane liscia.
È proprio questo equilibrio a essere matematicamente delicato: i termini associati ad accelerazione, pressione, trasferimento di quantità di moto e viscosità possono diventare grandi, ma devono compensarsi in modo preciso, lasciando una forzante regolare.
OpenAI non ha pubblicato solo una descrizione informale.
Ha pubblicato:
  • un lavoro matematico;
  • una formalizzazione in Lean;
  • il codice della formalizzazione, open source e verificabile;
  • una descrizione del processo multi-agente utilizzato per arrivare al risultato.
Una precisazione importante, spesso persa nelle ricostruzioni stampa: la dimostrazione è stata prodotta da un modello interno non ancora pubblico, che OpenAI descrive come significativamente più capace di GPT-6 Astra. Astra è stato usato per la formalizzazione e la verifica Lean, non per la scoperta. Quando leggi “GPT-6 Astra ha risolto Navier–Stokes”, sappi che è impreciso.

Lean: quando una dimostrazione diventa verificabile dalla macchina

Un modello linguistico può produrre una dimostrazione apparentemente perfetta. Ma “sembra corretta” non significa “è corretta”. Può esserci un’ipotesi implicita, un limite utilizzato fuori dalle sue condizioni, un passaggio logico non valido, una definizione usata in modo errato.
Un proof assistant come Lean affronta il problema in modo completamente diverso: la dimostrazione deve essere espressa in un linguaggio formale e verificata dal sistema.
Questo non significa che Lean stabilisca filosoficamente che una proposizione matematica sia “vera”. Significa che, date le definizioni, gli assiomi e le librerie utilizzate, il kernel può verificare che la dimostrazione formalizzata segua correttamente le regole del sistema.
Ed è proprio la separazione tra generazione e verifica uno degli aspetti più interessanti dell’esperimento: 88 ore di esplorazione da parte degli agenti, 17 ore di controllo formale.

Non un chatbot, ma un laboratorio computazionale

Nel sistema descritto da OpenAI la struttura è completamente diversa dal paradigma prompt → risposta.
Circa 10.000 agenti hanno esplorato diverse versioni e strategie del problema, suddivisi in gruppi con la capacità di comunicare all’interno del gruppo. Gli agenti potevano utilizzare strumenti: leggere una versione memorizzata del web ed eseguire codice. Successivamente, Codex è stato utilizzato per consolidare le intuizioni più utili emerse dai diversi gruppi e trasferirle verso nuove fasi dell’esplorazione.
È più vicino a un laboratorio computazionale di ricerca che a una conversazione con un chatbot.

Parallelizzare l’esplorazione non significa parallelizzare la conoscenza

C’è però un limite concettuale da non perdere di vista.

10.000 agenti non equivalgono necessariamente a 10.000 ricercatori indipendenti.

Gli agenti possono condividere lo stesso modello di base, gli stessi dati di addestramento, la stessa architettura, gli stessi strumenti e, in parte, gli stessi bias. Anche quando esplorano strategie differenti, le loro traiettorie di ricerca possono quindi essere statisticamente e concettualmente correlate.

Questo introduce una distinzione importante:

parallelizzare l’esplorazione non significa automaticamente parallelizzare l’indipendenza delle evidenze.

La ricerca multi-agente può aumentare enormemente lo spazio delle ipotesi esplorabili, ridurre il tempo necessario per testare strategie diverse e permettere di abbandonare rapidamente approcci fallimentari. Ma la semplice moltiplicazione degli agenti non garantisce che ogni nuovo tentativo costituisca una nuova fonte indipendente di conoscenza.

È lo stesso principio che incontriamo nella statistica: diecimila osservazioni fortemente correlate non contengono la stessa quantità di informazione di diecimila osservazioni indipendenti.

Per questo il numero di agenti è un indicatore della capacità computazionale di esplorazione, non una misura diretta della quantità di conoscenza prodotta.

La distinzione diventa ancora più importante quando l’AI viene utilizzata per confermare una propria ipotesi. Se molti agenti condividono lo stesso modello e convergono verso la stessa soluzione, la convergenza è interessante, ma non equivale automaticamente a una conferma indipendente.

Il vero valore emerge quando la pipeline introduce meccanismi di diversificazione e verifica indipendente: modelli differenti, strategie differenti, formalizzazioni indipendenti, strumenti di controllo esterni e, quando possibile, confronto con evidenze provenienti da fonti completamente diverse.

In altre parole, il futuro della ricerca AI-assisted non dipenderà soltanto da quanti agenti possiamo mettere al lavoro contemporaneamente.

Dipenderà anche da quanto sono indipendenti le loro ragioni per arrivare alla stessa conclusione.

Questa è una distinzione fondamentale: la scala dell’esplorazione misura quante possibilità possiamo esaminare; l’indipendenza delle evidenze misura quanto possiamo fidarci della convergenza ottenuta.

I numeri raccontano la vera novità

Per Navier–Stokes, OpenAI riporta:
Risorsa Quantità
Agenti concorrenti ~10.000
Tempo per arrivare alla soluzione ~88 ore
Formalizzazione/verifica Lean +17 ore
Messaggi degli agenti ~2,7 milioni
Token di output ~130 miliardi
Complessivamente, su tutti i problemi tentati durante l’esperimento: ~4,9 milioni di messaggi e ~300 miliardi di token di output.
Quanto è costato? Una stima grezza ma utile: a listino, 130 miliardi di token di output di GPT-6 Astra equivalgono a circa 6,5 milioni di dollari di API. Non è il costo reale dell’esperimento, che OpenAI non ha rivelato, limitandosi a confermare una scala “multimillion-dollar”, ma dà l’ordine di grandezza: siamo nell’ordine dei milioni di dollari per una singola scoperta. Il costo marginale di un tentativo, però, è quasi zero.
Questi sono dati dichiarati da OpenAI, non stime indipendenti. Ma anche prendendoli semplicemente come scala computazionale, il cambiamento è enorme: non un ricercatore più un modello, ma un’organizzazione computazionale composta da migliaia di processi AI che esplorano simultaneamente uno spazio di strategie.

La prima scoperta è forse il metodo

OpenAI racconta che il progetto non è partito direttamente da Navier–Stokes. Il 1° settembre, dopo aver sentito voci secondo cui due Millennium Problems potevano essere stati risolti, l’azienda ha lanciato un esperimento sui problemi ancora aperti.
Uno dei primi risultati è stato relativo alle equazioni di Euler: quasi 100 agenti hanno lavorato per circa 50 ore su una variante senza forza esterna, ottenendo secondo OpenAI una disproof della regolarità. A quel punto gli agenti sono stati riallocati verso Navier–Stokes, partendo dal risultato su Euler.
La ricerca diventa cumulativa anche all’interno dello stesso sistema AI: un risultato non è necessariamente la destinazione, può diventare il seme per una nuova esplorazione.

La nuova economia della scoperta scientifica

Qui la storia di Navier–Stokes diventa più grande di Navier–Stokes.
Per secoli uno dei principali limiti della ricerca è stato umano: poche persone, poco tempo, poche ipotesi esplorabili, capacità limitata di ripetere rapidamente tentativi fallimentari. L’AI può ridurre drasticamente il costo marginale dell’esplorazione.
Ma il costo della verifica può rimanere elevato. Un sistema AI può generare migliaia di ipotesi, ma qualcuno deve ancora stabilire quali siano corrette. Una simulazione può essere relativamente economica; un esperimento biologico no. Una congettura può essere generata in pochi secondi; una dimostrazione rigorosa può richiedere anni.
Il collo di bottiglia della ricerca potrebbe quindi spostarsi: dalla generazione delle idee alla loro verifica.
Immaginiamo un ricercatore che possa esplorare dieci ipotesi al mese. Se l’AI gli permette di esplorarne mille, abbiamo aumentato la produttività di cento volte solo se possiamo anche filtrarle. Altrimenti abbiamo semplicemente prodotto un enorme arretrato di idee non verificate. Il valore non sta più soltanto nel generare una buona ipotesi: sta nel decidere rapidamente quali ipotesi meritano risorse reali.
E c’è un paradosso: se le ipotesi generabili diventano illimitate, tutto ciò che permette di verificarle diventa ancora più prezioso. Una delle tecnologie più importanti della prossima fase dell’AI scientifica potrebbe non essere un modello capace di generare ancora più ipotesi, ma un sistema capace di selezionare meglio quelle da verificare.

Ogni disciplina ha il proprio verificatore della realtà

Il principio diventa ancora più evidente quando usciamo dalla matematica. Ogni disciplina possiede un diverso meccanismo attraverso il quale le ipotesi devono confrontarsi con qualcosa che non dipende dalla loro plausibilità.
Dominio Generazione Filtro Verifica
Matematica Congetture Formalizzazione Proof assistant + comunità
Chimica Molecole Modelli e simulazioni Esperimento
Biologia Ipotesi Bioinformatica e modelli Laboratorio
Medicina Candidati terapeutici Studi preclinici Trial clinici
Fisica Modelli Simulazioni Misura
Ingegneria Progetti Simulazioni Test fisico
Nel drug discovery, per esempio, lo spazio delle molecole possibili è astronomico. L’AI può generare strutture, combinazioni, ipotesi sui meccanismi d’azione. Ma la generazione è soltanto il primo livello: l’obiettivo non è sostituire il laboratorio, è renderlo più selettivo. Se un sistema computazionale elimina migliaia di candidati prima della fase sperimentale, il valore dell’AI è ridurre il numero di esperimenti necessari per trovare quelli che meritano davvero di essere testati.
Con una differenza fondamentale rispetto alla matematica: in matematica possiamo arrivare, almeno idealmente, a una verifica formale.
In biologia no: un modello può essere matematicamente impeccabile e biologicamente falso. La scienza non ha un unico verificatore: ha verificatori diversi per problemi diversi.

La parte più umana: chi ha scoperto cosa?

C’è un’altra dimensione della vicenda che non può essere ignorata. La storia è intrecciata con il lavoro di Tristan Buckmaster (New York University) e Levent Alpöge (Anthropic), che da mesi lavoravano al problema usando strumenti AI.
Secondo la ricostruzione di OpenAI, l’azienda ha identificato le voci del 1° settembre come riferite al loro lavoro, e dopo aver completato la propria dimostrazione il 6 settembre ha contattato i due ricercatori proponendo una pubblicazione congiunta e riconoscendo la priorità del loro risultato che riguardava però Euler forzato, non lo stesso risultato di Navier–Stokes.
OpenAI dichiara che né i propri ricercatori né gli agenti hanno visto il loro lavoro prima della pubblicazione, e che non sono stati utilizzati dati specifici degli utenti per risolvere il problema. Aggiunge però una precisazione importante: non può escludere completamente che dati de-identificati derivanti dall’uso dei propri prodotti abbiano contribuito al miglioramento dei modelli.
La vicenda ha generato una discussione ampia sulla priorità scientifica, sull’attribuzione e sull’uso degli strumenti AI nella ricerca.
È importante distinguere: questione di priorità non significa prova di appropriazione, al momento non è corretto trasformare la controversia in un’accusa dimostrata. Ma la domanda che introduce diventerà sempre più frequente:
Che cosa significa essere primi quando la ricerca è condotta da sistemi uomo + AI?
Nella ricerca multi-agente la catena diventa: ricercatore → modello → agenti → strumenti → milioni di tentativi → selezione → risultato.
Chi ha prodotto la scoperta? Il ricercatore? Il laboratorio? Gli autori dell’algoritmo? Il team che ha costruito gli agenti? Il modello? Gli autori dei dati?
La risposta non è ancora stabilita. Ma una cosa è già evidente: più automazione non significa meno responsabilità. Al contrario, più una pipeline scientifica diventa automatizzata, più diventano importanti tracciabilità, timestamp, provenienza dei dati, log degli esperimenti, riproducibilità, attribuzione dei contributi.
La velocità della ricerca non può sostituire la responsabilità della ricerca.

Quattro livelli da non confondere

Quando leggiamo “l’AI ha scoperto X”, dovremmo chiederci a quale livello siamo arrivati:
  1. Plausibilità — l’AI produce una spiegazione convincente.
  2. Formalizzazione — la spiegazione viene tradotta in un sistema formale.
  3. Verifica — un proof assistant o un sistema indipendente controlla la derivazione.
  4. Accettazione scientifica — la comunità esamina, critica, riproduce e ne valuta la portata.
Questo non sminuisce il risultato di OpenAI. Al contrario: permette di capire esattamente dove si trova nella catena della conoscenza. OpenAI ha pubblicato sia il lavoro matematico sia la formalizzazione Lean, afferma di non voler rivendicare il premio da un milione di dollari, e ha reso disponibili gli strumenti per controlli indipendenti. La verifica indipendente della comunità resta però il passaggio essenziale per stabilire quanto il risultato verrà riconosciuto come soluzione definitiva.

Come valutare un claim scientifico prodotto con AI

Questa vicenda offre una checklist riutilizzabile ben oltre Navier–Stokes.
Quando incontriamo un annuncio straordinario, chiediamoci:
  1. Qual è l’enunciato esatto? Non “l’AI ha risolto il problema”, ma: quale proposizione è stata dimostrata?
  2. Quali ipotesi sono necessarie? Una soluzione può essere valida solo sotto condizioni precise.
  3. Che cosa è stato formalizzato? Tutto il risultato? Una parte? Soltanto alcuni lemmi?
  4. Chi ha verificato? L’autore? Il laboratorio? Un proof assistant? Ricercatori indipendenti?
  5. Il codice è disponibile? La riproducibilità è un elemento centrale della nuova ricerca AI-assisted.
  6. Qual è lo stato della revisione? Annuncio → preprint → formalizzazione → revisione → verifica indipendente → consenso. Dove siamo?
  7. Che cosa manca ancora? Forse è la domanda più importante: non solo cosa è stato dimostrato, ma quale parte della catena di validazione non è ancora completata.

Il vero esperimento è appena iniziato

È riduttivo descrivere la vicenda soltanto come “l’AI ha risolto Navier–Stokes”. E sarebbe altrettanto riduttivo rispondere: “è solo un chatbot che ha prodotto una dimostrazione”.
Quello che OpenAI ha descritto è un sistema di ricerca nel quale molti agenti generano molte strategie, una selezione filtra i risultati, e una verifica formale controlla ciò che sopravvive.
Circa 10.000 agenti, 2,7 milioni di messaggi, 130 miliardi di token, 88 ore di esplorazione, 17 ore di formalizzazione. Non una singola risposta, ma una ricerca iterativa e parallela: una nuova forma di organizzazione della ricerca.
La frase più facile sarebbe “l’AI ha superato i matematici”.
Ma la domanda migliore è: che cosa succede quando un ricercatore dispone di una macchina capace di esplorare migliaia di strategie contemporaneamente e di sistemi capaci di verificarne formalmente una parte?
La risposta è una trasformazione del ruolo stesso del ricercatore: non più soltanto un esecutore, ma un architetto della ricerca:
chi definisce il problema, i vincoli, le metriche, i criteri di selezione e il sistema di verifica.
La macchina genera ciò che sarebbe troppo costoso generare manualmente, esplora ciò che nessun singolo ricercatore potrebbe esplorare, fallisce rapidamente, impara dai vincoli. E produce candidati che devono ancora confrontarsi con qualcosa che la macchina non può semplicemente dichiarare vero: una prova, un esperimento, una misura, un trial, un test.
Forse questa è la lezione più importante.
Un futuro nel quale le macchine producono milioni di ipotesi non sarà necessariamente un futuro con più conoscenza: sarà un futuro con più candidati alla conoscenza. La differenza la farà la capacità di verificarli e la capacità, umana, di decidere quali domande meritano davvero di essere poste.
La nuova frontiera non è generare di più. È verificare meglio.

Fonti

📚 Agenti AI, sistemi complessi e nuova ricerca scientifica

Gli agenti AI non sono soltanto modelli più avanzati: quando interagiscono tra loro, con l’ambiente e con altri sistemi, possono dare origine a dinamiche collettive difficili da prevedere a partire dal singolo agente. Questi approfondimenti esplorano architetture agentiche, sistemi complessi, validazione degli output e nuove forme di produzione della conoscenza:

👉Agenti AI e società artificiali: come la meccanica statistica prevede consenso e polarizzazione

👉Agenti AI: perché il modello conta meno dell’architettura

👉Cos’è un Agent-Native Research Artifact (ARA) e perché potrebbe sostituire paper scientifici e report aziendali

👉Dimostrazione Parisi-Zamponi sul jamming: come l’IA ridefinisce lo studio dei sistemi complessi

👉Validare gli output dei LLM: un framework quantitativo per data team e workflow aziendali

 

Pubblicità

Tags:

You may also like...

Apri un sito e guadagna con Altervista - Disclaimer - Segnala abuso - Privacy Policy - Gestisci preferenze di tracciamento