OpenAI dice di aver risolto Navier-Stokes con diecimila agenti in parallelo. Due matematici dicono che la strada era la loro. La prima affermazione si verifica in modo formale. La seconda no, e non esiste strumento che possa farlo.
La prova si verifica. Il merito no. Le cinque schede con cui abbiamo ricostruito la vicenda su LinkedIn. Scorri per vedere tutte le 5 pagine.
Quattro passaggi in tre settimane
Come ci siamo arrivati
- Per un anno Buckmaster e Alpöge lavorano sulla linea del forcing, usando Claude, Codex e Astra
- Il 22 agosto i loro risultati di blow-up sono verificati in Lean su problemi vicini
- Il primo settembre OpenAI sente le voci e punta un modello interno e diecimila agenti sul problema completo
- L’8 settembre arriva l’annuncio, e con lui l’accusa pubblica di Buckmaster
La scala dello sforzo
Il costo dichiarato dell’operazione è di milioni di dollari di calcolo, e l’azienda dice di non voler chiedere il milione del premio. Sono numeri che raccontano una cosa sola: chi ha quella potenza può puntarla su un problema in qualsiasi momento.
Il confine della verifica
La correttezza logica è verificabile in Lean, senza dubbi residui. La data di pubblicazione è verificabile, perché ha un timestamp pubblico.
Chi ha avuto l’idea non è verificabile: ci sono solo racconti contrapposti. Cosa abbia letto il modello non è verificabile: sessioni e bozze restano private. La data della scoperta non è verificabile: non esiste un registro condiviso.
Perché riguarda anche voi
Perché il collo di bottiglia della ricerca si sposta dalla dimostrazione all’attribuzione, e lo stesso schema si ripete molto più in basso. Chi vi fornisce lo strumento può essere anche chi corre sul vostro stesso problema, con risorse incomparabili.
Vale per una prova da un milione di dollari come per un preventivo, un brevetto, una gara d’appalto. La domanda non è se usare questi strumenti: è cosa ci mettete dentro, e con quali garanzie contrattuali.
Cosa si può fare, in concreto
Tre accorgimenti che non costano niente
- Sapere se i vostri contenuti vengono usati per addestrare, e poterlo escludere per iscritto
- Tenere una traccia datata del vostro lavoro, prima di metterlo dentro uno strumento
- Distinguere quello che potete affidare a un fornitore da quello che vi conviene tenere fuori
In sintesi. Sulla correttezza le macchine ci hanno superato e va benissimo. Sull’attribuzione non hanno niente da offrire, e quella parte resta un problema di contratti e di prudenza.
Cosa mettere dentro uno strumento AI e cosa tenerne fuori è la domanda che apriamo per prima con i clienti. Nella guida all’AI Act trovate anche cosa il regolamento europeo chiede di documentare.
Questo articolo nasce da un post pubblicato su LinkedIn, dove pubblichiamo ogni settimana.
