OpenAI è un’azienda tecnologica del complesso militare-industriale statunitense, che fornisce al Dipartimento della Guerra sistemi di “intelligenza artificiale” caratterizzati da “tassi minimi di rifiuto” (Biddle 2026). Per meglio promuovere i suoi prodotti in Israele – dove l’esercito usufruisce dei suoi servizi e modelli di intelligenza artificiale (Abraham 2025) – OpenAI vi ha appena stabilito una presenza diretta, nominando due dirigenti senior locali (Gilead 2026).
Nell’ambito civile, malgrado le promesse di aumenti della produttività e di risparmi – in virtù della presunta sostituibilità dei lavoratori con “agenti IA” – l’“intelligenza artificiale” resta una famiglia di truffe (Tafani 2026), priva di un modello di business che non preveda la sistematica violazione di norme giuridiche vigenti: solo il 13 e 14 ottobre 2026 sono state depositate, negli Stati Uniti, denunce da parte dei Procuratori generali di otto diversi Stati e cinque denunce di privati che accusano OpenAI, tra gli altri, di false dichiarazioni di sicurezza e affidabilità, negligenza, pratiche commerciali ingannevoli, responsabilità per progettazione difettosa, incoraggiamento al suicidio e arricchimento ingiusto (Bernard, Hendrix 2026).
Nel settore militare, l’introduzione dell’“intelligenza artificiale” non è accompagnata da alcuna promessa di risparmio: quando si tratti della guerra, il denaro che l’amministrazione Trump è disposta a spendere per l’“intelligenza artificiale” sembra “fluire all’infinito” (Chen, Park, Pasternack 2025). Che siano, in realtà, “tecnologie difettose, inaffidabili e pericolose, che non funzionano come pubblicizzato” (González 2024) non rileva se, come osserva il giornalista Yuval Abraham a proposito del genocidio israeliano a Gaza, ciò che si intende ottenere con l’IA sono “i risultati effettivi di un bombardamento a tappeto senza perdere la legittimità di un assalto guidato dai dati, con obiettivi e bersagli” (Yachot 2025). Che l’unificazione delle banche dati alla base di un sistema di “intelligenza artificiale” sia zeppa di errori e incongruenze è irrilevante, perché la funzione di quel software è solo quella di garantire, come ha dichiarato il segretario alla Difesa degli Stati Uniti, Pete Hegseth, “la massima forza letale, non una tiepida legalità. Un effetto devastante, non politicamente corretto” (Jones, Kinsella 2026).
Quanto alla situazione finanziaria di OpenAI, la perdita complessiva netta dell’azienda è passata dai 5,09 miliardi di dollari del 2024 ai 38,5 miliardi di dollari del 2025 (Zitron 2026): è comprensibile, dunque, che l’amministratore delegato di OpenAI, Sam Altman, accenni, di tanto in tanto, alla possibilità di una “nazionalizzazione” statunitense dell’intelligenza artificiale, presentandola come la presa in carico, da parte del governo, di infrastrutture che forniscono servizi essenziali, alla stregua dell’acqua o dell’elettricità; il servizio fornito sarebbe, in questo caso, l’intelligenza, da vendersi, come l’acqua “un tanto al metro”. Nell’eventualità di uno scoppio della bolla, Altman comincia a prospettare come necessaria per ragioni di interesse pubblico una nazionalizzazione che sarebbe in realtà il mero salvataggio pubblico di grandi imprese private di intelligence (Wong, Shroff 2026). Per fuorviare al tempo stesso i politici e il pubblico (Gebru, Bender 2026) e ottenere un simile salvataggio a spese della collettività, può essere utile qualsiasi annuncio eclatante che induca a credere, contro l’evidenza empirica e contro il mero buon senso, che si stia costruendo software – l’intelligenza artificiale non è che software che gira su computer – dotato di intelligenza, capace di comprendere e ragionare.
L’8 settembre 2026, OpenAI ha sostenuto pubblicamente che un suo “modello interno” avrebbe risolto il problema delle equazioni di Navier-Stokes, uno dei sette problemi matematici del millennio identificati dal Clay Mathematics Institute, per la soluzione di ciascuno dei quali l’Istituto ha messo in palio un milione di dollari. Oltre all’annuncio, OpenAI ha pubblicato sul proprio sito un “articolo” e una formalizzazione in Lean della soluzione proposta (OpenAI 2026). Quanto alla formalizzazione sottoposta a Lean – ossia alla traduzione della soluzione proposta in un linguaggio formale che possa essere oggetto di una verifica automatica – è già stato constatato che la traduzione in termini formali della soluzione di OpenAI al problema delle equazioni di Navier-Stokes non coincide con la versione in linguaggio naturale di quella stessa soluzione: Lean verifica dunque la correttezza di un argomento diverso da quello che OpenAI sostiene stia esaminando (Bastounis, Circelli, Hansen 2026). Affidando la formalizzazione della propria soluzione a un modello del linguaggio naturale, ossia a un sistema informatico di natura probabilistica – architettonicamente non affidabile nel fornire traduzioni semanticamente fedeli – OpenAI ha sacrificato la correttezza scientifica alle ragioni del marketing e ha optato per l’esibizione di una verifica qualsivoglia, pur se ingannevole e fuorviante, a sostegno del proprio annuncio.
Quanto al documento aziendale che conterrebbe la soluzione al problema delle equazioni di Navier-Stokes, acconsentire a considerarlo un articolo scientifico equivale ad introdurre nella comunità dei matematici, come osserva Enrico Fatighenti, un doppio standard:
Ogni volta che valuto un articolo o ricevo una tesi o un progetto da uno studente, applico gli stessi criteri che la maggior parte di noi adotta. Se un articolo o una tesi è scritto così male che non riesco ad andare oltre la prima pagina senza uno sforzo considerevole, lo respingo e chiedo una nuova versione leggibile.
Con questi articoli generati dall’IA, ho l’impressione che, come comunità, non stiamo applicando gli stessi standard di qualità e rigore. Possono semplicemente pubblicare documenti di oltre 100 pagine in cui sostengono di aver risolto questo o quel problema, spesso con argomentazioni ridondanti, una struttura logica poco chiara, molteplici vicoli ciechi e una terminologia strana o sconcertante – in altre parole, slop. E ci si aspetta poi che noi li esaminiamo, li verifichiamo, li ripuliamo, li semplifichiamo e spieghiamo cosa sta realmente accadendo.
Questo comporta per noi un costo considerevole in termini di tempo e impegno, mentre loro possono semplicemente passare oltre e demolire, con il loro slop, la congettura successiva. E, naturalmente, il merito rimane loro. In un certo senso, stiamo contribuendo volontariamente alla nostra stessa rovina.
Penso che il paradigma debba cambiare. Dovremmo applicare alle affermazioni matematiche generate dall’IA gli stessi standard di rigore, chiarezza ed esposizione che esigiamo dagli articoli redatti da esseri umani. Volete l’approvazione della comunità matematica? Un marchio di legittimità? Allora dateci qualcosa che sia effettivamente leggibile e verificabile. In caso contrario, dovremmo semplicemente ignorarlo.
In altre parole, non credo che noi, come comunità, dovremmo passare il nostro tempo a ripulire i loro pasticci per aumentare i ricavi commerciali di qualcun altro.
Come ha scritto Paolo Rossi, la scienza moderna è nata con una scelta, mai definitiva, a favore della pubblicità, in opposizione alla segretezza della tradizione ermetica e magico-alchimistica. Già per Francesco Bacone, la scienza può “raggiungere solidi ed effettivi risultati solo mediante una successione di ricercatori e un lavoro di collaborazione fra gli scienziati” ed è dunque un’attività di “carattere pubblico, democratico, collaborativo; è fatta di contributi individuali in vista di un successo generale che è patrimonio di tutti” (Rossi 1974):
Il fine della ricerca scientifica non è quello di procurare la fama al ricercatore o di dar luogo, immediatamente, a miracoli che stupiscano il volgo; la scienza, per procedere alla trasformazione del mondo, deve fondarsi sul lavoro collaborativo, articolarsi in una serie di istituzioni, basarsi sulla pubblicità dei risultati e servirsi di un linguaggio il più possibile intersoggettivo e rigoroso. (Rossi 1974)
Ogni affermazione scientifica deve essere pubblica, “cioè soggetta al controllo da parte di altri, deve essere presentata e dimostrata, discussa e soggetta a possibili confutazioni” (Rossi 2006).
L’operazione compiuta da OpenAI con l’annuncio della soluzione del problema delle equazioni di Navier-Stokes e con il successivo annuncio della soluzione di 722 problemi matematici ulteriori – ridotti a 719 il giorno dopo, in virtù del ritiro di 3 soluzioni, invalidate da un errore di segno – è apertamente retrograda e anti-scientifica, in virtù anzitutto della segretezza del “modello interno”. Come osserva Tasmin Chu, nascondere tutti gli elementi essenziali di una presunta ricerca scientifica è una condotta scorretta:
Nascondendo la metodologia alla base di questi risultati, OpenAI si rende responsabile di una condotta gravemente scorretta nella ricerca. Se OpenAI insiste nell’entrare ancora una volta nel campo della ricerca, deve rendere pubblico tutto: la metodologia e i sistemi di agenti impiegati; il grado di assistenza ricevuta da matematici umani, che potrebbero aver firmato accordi di riservatezza (NDA); un elenco di tutti i problemi affrontati e il tasso di successo; i certificati Lean che hanno effettivamente convinto i dipendenti di OpenAI della veridicità dei risultati; qualsiasi dato testuale generato dagli LLM nel corso del processo; le dimensioni dei relativi sciami di IA; e il costo finanziario di questi risultati. Non dovrebbero pubblicare deformalizzazioni a posteriori di dimostrazioni Lean che non siano state effettivamente create nel corso del processo di ricerca. […] Se invece (come sospetto) OpenAI opererà solo in termini fraudolenti e ingannevoli, allora è meglio che questi risultati matematici non vengano pubblicati affatto.
Un grande modello del linguaggio naturale (Large Language Model – LLM) può produrre quale output, in risposta all’imput di un essere umano che formuli un problema matematico, milioni di sequenze di caratteri che un essere umano – in grado di attribuire un significato a quelle stringhe di testo – può interpretare come risposte corrette o scorrette a quel problema. Il modello del linguaggio è un archivio compresso con perdita dei testi sorgente utilizzati per programmarlo (Tesio 2026) e il suo output non è che un punto in una distribuzione di probabilità (Pievatolo 2024). La formulazione di sequenze di caratteri che abbiano la forma di una soluzione al problema posto con l’input può essere utile solo qualora si abbiano strumenti ulteriori e indipendenti, per “buttare via la maggior parte” di ciò che il sistema produce e verificare se non vi sia “dell’oro tra i rifiuti” (Heaven 2023). Con i suoi annunci, OpenAI ha unilateralmente assegnato ai matematici il lavoro gratuito di cercare le pepite d’oro tra i rifiuti. I matematici, ovviamente, come ha scritto David Madore, “non sono propriamente entusiasti di questa montagna di letame scaricata davanti alla nostra porta”.
Anche con riguardo alla natura collaborativa e cumulativa del lavoro scientifico, le soluzioni annunciate da OpenAI si presentano come intrinsecamente anti-scientifiche, in virtù della loro natura estrattiva e parassitaria (al pari, del resto, degli altri sistemi di cui si vanti l’“intelligenza artificiale”). Sono infatti fondate sulla sistematica privatizzazione del frutto del lavoro umano: si estrae valore senza dare nulla in cambio – talvolta addirittura accedendo alle bozze dei documenti dei matematici che stanno lavorando alla soluzione di uno specifico problema e pretendendo poi che “il modello interno” lo abbia risolto autonomamente (Brandom 2026) – e si diffondono annunci indimostrati (di cui solo un ulteriore lavoro dei matematici può vagliare la fondatezza) pretendendo con ciò, al tempo stesso, di contribuire al progresso della matematica e di mostrare che il lavoro dei matematici può essere svolto da un calcolatore.
Nessun software può svolgere il lavoro dei matematici, perché il software non comprende alcunché e non è intelligente (l’intelligenza è una proprietà della comprensione (D.C. Krakauer, G.W. Krakauer, Mitchell 2026)) – e la matematica è invece una forma di comprensione del mondo, uno dei modi con cui l’uomo pensa il reale e uno degli strumenti – caratterizzato dalla stabilità e dall’invarianza concettuale massimale – per renderlo intelligibile. Come scrive Giuseppe Longo, la matematica “non è tanto ‘problem solving’, come pretende la tecnoscienza, ma piuttosto ‘theory building’: il cambiar punto di vista richiede una critica e una costruzione teorica ed è anche un modo per risolvere i problemi, immergendoli, se utile, in un mare di nuovi concetti e strutture” (Longo 2026).
La riduzione della matematica, per interesse aziendale, alla soluzione automatizzata di problemi “difficili” nuoce alla matematica non solo in virtù della totale incomprensione della sua natura, ma altresì perché induce i ricercatori a pratiche anti-scientifiche. Il matematico che stia lavorando in modo promettente su un problema rischia infatti che l’azienda tecnologica concluda il suo lavoro in una notte, con la forza bruta della potenza di calcolo, e ne privatizzi il frutto:
La matematica non può essere ridotta alla forza tecnica che trasforma un’idea in una dimostrazione, né alla produzione in serie di affermazioni del tipo “Vero/Falso”. La dimostrazione è certo una componente importante della matematica, ma richiede tempo per l’analisi e la contestualizzazione – tempo che la fretta algoritmica distrugge, sollevando allo stesso tempo gravi questioni di attribuzione e plagio. Tentativi, deviazioni, verifica, integrazione, trasmissione di idee, lavoro collettivo: sono tutte componenti preziose. È questo lungo e difficile processo umano che trasforma un’idea grezza in conoscenza che la comunità può assimilare e che può infine essere insegnata a uno studente. Oggi, la semplice voce di una linea di ricerca emergente può scatenare un attacco con la forza bruta da parte di aziende predatorie di IA, minacciando di distruggere secoli di tradizione di “scienza aperta” spingendo i ricercatori a nascondere il proprio lavoro. Tuttavia, una soluzione puramente estrattivista, priva di comprensione del proprio stesso processo o di integrazione nella catena di trasmissione umana, non ha alcun valore scientifico; equivale a una risposta finale che ha dimenticato perché, in primo luogo, valesse la pena porre la domanda. (RogueESR 2026)
È perciò che la Association for Human Mathematics (AHM), che conta oltre 1000 membri, considera il rilascio, da parte di OpenAI, di centinaia di “soluzioni” a problemi matematici come una minaccia per la pratica scientifica e la comprensione matematica:
Il progresso matematico richiede conoscenze specialistiche umane, coltivate attraverso la scrittura e il pensiero attento. La produzione e il consumo automatizzati della matematica minano quindi le fondamenta intellettuali del nostro campo. Gli obiettivi delle aziende che stanno sviluppando queste tecnologie non sono in linea con quelli della comunità matematica; questo settore ha scelto la matematica per pubblicizzare le capacità dei propri prodotti, a prescindere dalle conseguenze per la nostra disciplina. I matematici hanno dunque l’obbligo di agire.
Una delle prime azioni della Association for Human Mathematics, con le Raccomandazioni del suo gruppo di lavoro sulla didattica, pubblicate il 27 ottobre 2026, mira a proteggere i dottorandi: poiché gli effetti dequalificanti dell’uso di chatbot e LLM sono noti – e attivamente perseguiti dalle grandi aziende tecnologiche (Tafani 2026: 72-73) – il loro uso da parte dei dottorandi dovrebbe essere nullo o limitatissimo.
La diffusione di software probabilistici che diffondono l’illusione che sia possibile una scienza senza comprensione, la dequalificazione dei ricercatori, resi incapaci di pensare e dipendenti da software proprietari, e l’inquinamento dell’ecosistema scientifico con articoli che nessuno ha scritto accelerano un assalto alla scienza che era già in corso. I colpi alla scienza provenivano dalla riduzione del tempo disponibile per pensare, entro una cultura accademica aziendalistica, orientata a risultati misurabili; dalla “dissociazione bibliometrica della valutazione della ricerca dalle comunità scientifiche e quindi dalla ricerca stessa” (Pievatolo 2021); dall’ideologia del merito, dalle barriere competitive alla collaborazione tra ricercatori, dal conformismo e dalla sottomissione dei ricercatori ottenuti attraverso la loro prolungata precarietà lavorativa e dal finanziamento di progetti di ricerca su argomenti predefiniti con risultati predeterminati.
Per la collettività, gli investimenti in strumenti dequalificanti costituiscono una scelta suicida: l’uso di sistemi che assorbono e trasformano in merce il frutto di capacità che, in virtù dell’uso di quei medesimi sistemi, nessuno svilupperà più, equivale infatti, in molti casi, al segare il ramo su cui si sia seduti. Chi controlla tali sistemi non si cura però della collettività, di cui ritiene di non far parte e che disprezza (Tafani 2026).
I legami di alchimisti e parassiti con il settore militare non sono casuali: li accomuna la scelta anti-scientifica della segretezza del sapere, lo spregio per l’uso pubblico della ragione e la legittimazione del dominio del più forte. Tra scienza aperta e pace c’è dunque un nesso intrinseco e chi non difenda la prima potrebbe accorgersi di aver rinunciato con ciò anche alla seconda.



Contro l’università è in corso una guerra, ma
Paola Galimberti ha caricato su Zenodo l’articolo 
RSS 2.0
Mastodon
Ultimi commenti