Quando l'intelligenza artificiale risolve l'irrisolvibile

Nel febbraio 2026 la startup Axiom ha annunciato qualcosa che fino a pochi anni fa sarebbe sembrato fantascienza: un sistema di intelligenza artificiale (AI) ha risolto quattro problemi matematici che assillavano la comunità scientifica da decenni.

Non è un caso isolato, e c'è chi inizia a chiedersi quando, non se, un'intelligenza artificiale vincerà un Premio Nobel*. (*anche se l'attuale regolamento non lo permetterebbe)

In un certo senso, il Nobel e l'AI si sono già incontrati: nel 2024 il premio per la Chimica è stato assegnato a ricercatori che avevano usato l'AI come strumento principale per le loro scoperte. Il premio, però, è andato agli esseri umani che quelle scoperte le avevano guidate. Per ora.

Nel 2016, il biologo Hiroaki Kitano lanciò il "Nobel Turing Challenge": sviluppare entro il 2050 un sistema AI capace di compiere autonomamente, dalla formulazione dell'ipotesi all'analisi dei dati, una scoperta degna del Premio Nobel.

Guardando la traiettoria degli ultimi tre anni, quella data sembra meno lontana di quanto apparisse allora.

I limiti attuali: cosa manca davvero

Negli ultimi anni Google, Meta e OpenAI hanno ottenuto risultati incredibili grazie all'AI in svariati campi, dalla fisica teorica alla biologia molecolare.

Eppure, a guardare da vicino questi risultati, emerge un quadro più sfumato. Nessuno di questi sistemi ha scelto autonomamente il problema su cui lavorare: in tutti i casi documentati, sono stati i ricercatori umani a selezionare la questione e a formalizzarla in un linguaggio processabile dalla macchina.

Ma l'autonomia nella scelta del problema è solo uno dei gap. Ve ne sono altri, più profondi. Gran parte degli straordinari risultati non dipende solo dalla capacità di ragionamento dei moderni sistemi di AI, ma anche dall’enorme quantità di dati di laboratorio, accumulati in decenni di lavoro sperimentale. E proprio la capacità sperimentale rimane oggi del tutto fuori dalla portata dell'AI: i sistemi attuali possono ragionare sui dati, ma non possono raccoglierli, non possono stare in laboratorio, non possono toccare il mondo fisico.

C'è poi un terzo limite, forse il più sottovalutato: il "sapere tacito". Gran parte di ciò che guida un grande ricercatore non è scritto negli articoli scientifici: vive nelle conversazioni di corridoio ai convegni, nell'intuizione accumulata attraverso anni di fallimenti. I modelli attuali sono addestrati su ciò che viene pubblicato, che è solo la punta dell'iceberg di questo sapere.

Le strade per superare questi limiti esistono e sono già in sviluppo: si lavora a sistemi capaci di esplorare per pura curiosità, senza obiettivi imposti dall'esterno, e persino di scegliere autonomamente quali problemi valga la pena affrontare. Sebbene possano sembrare obiettivi ambiziosi, la storia recente ci ha insegnato che, nel campo dell'AI, spesso i problemi più complessi vengono risolti prima del previsto.

Non è un “eureka”,  o forse sì?

Un'obiezione frequente è che l'AI non ha intuizioni: fa esplorazione sistematica, non scoperta creativa. E tecnicamente è vero: questi sistemi non hanno un momento di illuminazione, ma esplorano uno spazio enorme di possibilità, valutando milioni di traiettorie in parallelo e portando in superficie solo quelle che superano una soglia di qualità. È meccanica, non ispirazione.

Ma qui vale la pena fermarsi a chiedersi cosa sia davvero il momento "eureka" nel cervello umano. Le neuroscienze hanno una risposta abbastanza chiara: non è un lampo che arriva dal nulla; è solo il momento in cui una soluzione già elaborata inconsciamente supera la soglia della coscienza. In questo senso, la struttura di ciò che fa l'AI è meno distante dall'intuizione umana di quanto ci piacerebbe ammettere.

Nuove soluzioni portano a nuovi problemi

C'è infine un problema che riguarda noi, non le macchine. Man mano che le dimostrazioni prodotte dall'AI diventano più lunghe e complesse, si fa più difficile verificarle. I matematici hanno già coniato un termine per il fenomeno: "proof by intimidation" - accettare una dimostrazione non perché la si capisce, ma perché è troppo elaborata per essere contestata. E il problema potrebbe aggravarsi: recenti studi evidenziano come la crescente delega all'AI nella ricerca stia già producendo un paradosso: gli scienziati producono di più, ma comprendono meno. Presto potremmo non avere più gli strumenti intellettuali per giudicare se fidarci o meno di ciò che le macchine ci dicono.

La vera domanda

Va detto che, secondo il regolamento attuale, il Premio Nobel può essere assegnato solo a persone o organizzazioni. Eppure il quesito resta: potrebbe un'AI vincere un Nobel?

Tuttavia questa domanda si rivela, a ben guardare, meno interessante degli interrogativi che ci costringe a porci prima: che cosa intendiamo per scoperta, per intuizione, per comprensione?

Sono domande antiche a cui forse presto daremo risposte nuove.

Marco Valleri