Il 1° agosto 2026 OpenAI ha annunciato che una versione interna del suo prossimo modello, chiamata Astra, presenta nuovi risultati su dieci problemi aperti di matematica e di informatica teorica. Questi problemi erano aperti da almeno dieci anni. Astra non è un prodotto disponibile: è un modello interno, non pubblicato, che nessuno al di fuori di OpenAI può eseguire.
Formulato così, l'annuncio assomiglia a decine di altri. La differenza sta in ciò che è stato messo online insieme al comunicato, ed è lì che vale la pena fermarsi. Per una volta la domanda “come facciamo a sapere che è vero” ha una risposta tecnica e non retorica. Ma anche il punto preciso in cui quella risposta si ferma è tecnico, e merita la stessa precisione.
Che cosa è stato pubblicato, esattamente
Il materiale si trova su GitHub, con licenza Apache 2.0, e contiene tre cose distinte che conviene non confondere.
- Un manoscritto di 249 pagine: la matematica scritta in prosa, nella forma in cui un essere umano la legge.
- Le tracce di ragionamento del modello: il percorso seguito per arrivarci.
- Certificati di prova in Lean 4: la stessa matematica riscritta in un linguaggio che una macchina può controllare passo dopo passo.
I domini toccati non appartengono a un unico settore ristretto: teoria dei gruppi, algebre di von Neumann, geometria in alta dimensione, complessità quantistica, crittografia su reticoli euclidei, combinatoria estremale.
Il risultato di punta è la prima costruzione esplicita di un gruppo non sofico. La nozione di soficità era stata introdotta da Mikhail Gromov nel 1999, e da allora l'esistenza di un gruppo non sofico è rimasta una questione centrale e aperta della teoria dei gruppi. Astra avrebbe inoltre risolto tre problemi associati a Paul Erdős. Thomas Bloom, matematico all'Università di Manchester e curatore del catalogo dei problemi di Erdős, ha definito i risultati “big news” su X.
Che cosa significa un contatore “sorry” a zero
Nel deposito dei certificati c'è un dettaglio che pesa più di tutto il resto del comunicato: il contatore “sorry” è a zero. In Lean, sorry segna un passaggio non dimostrato. È il segnaposto che si lascia quando si sa dove si vuole arrivare ma non si è ancora scritto il tratto che ci porta.
Zero significa che nessun passaggio della formalizzazione è rimasto in sospeso. Nessun “questo si vede facilmente”, nessun anello mancante nella catena. È la differenza tra una traccia che sembra reggere e una dimostrazione completa, e in una formalizzazione è la sola differenza che conta.
Perché Lean cambia la natura dell'affermazione
La critica ricorrente rivolta ai modelli linguistici in matematica non è che sbaglino i conti. È che producono testo plausibile. Una dimostrazione falsa scritta bene è indistinguibile da una vera per un lettore non specialista, e a volte anche per uno specialista che legge in fretta. L'allucinazione, in matematica, non è un errore di ortografia: è un passaggio che non discende dal precedente, annegato in venti pagine che invece discendono benissimo.
Lean toglie questo dibattito dal tavolo, su un perimetro preciso. Una prova in Lean non si legge: si compila. Il verificatore non si chiede se l'argomento sia elegante o convincente, controlla ogni inferenza rispetto alle regole del sistema. Se un passaggio non discende dai precedenti, non compila. Non esiste margine di apprezzamento.
La conseguenza è ciò che rende questo annuncio diverso dai precedenti: un'affermazione passata al verificatore meccanico è di un ordine diverso rispetto a un'affermazione prodotta da un modello linguistico. Non si tratta più di “il modello sostiene che il teorema è vero”, ma di “ecco un oggetto che un programma indipendente dal modello ha accettato”. Chiunque abbia Lean installato può scaricare il deposito e rifare il controllo. Questa parte non dipende dalla fiducia che si accorda a OpenAI.
Il limite che il compilatore non copre
Bisogna però essere precisi su ciò che una compilazione riuscita stabilisce. Conferma che la prova è valida per il teorema così come è formulato in Lean. Non conferma automaticamente che l'enunciato formale catturi il problema aperto così come la comunità matematica lo intendeva.
Lo scarto sta nel passaggio di traduzione. Tra il problema aperto come vive nella letteratura, in prosa, con la sua storia, le sue convenzioni e le ipotesi implicite che il settore dà per acquisite, e il suo enunciato formale in Lean, c'è un atto umano di formalizzazione. Quell'atto non è verificato dal compilatore. Il compilatore prende l'enunciato come dato e controlla la derivazione che ne discende.
Detto concretamente: si può scrivere un enunciato Lean che compila in modo impeccabile e che è una versione indebolita del problema, oppure una variante con un'ipotesi in più, oppure un enunciato vicino ma non quello che i matematici avevano in mente. Il certificato sarebbe perfetto e la risposta sarebbe a fianco della domanda. Nulla lascia pensare che sia successo qui. Ma nulla nel compilatore lo esclude, ed è esattamente il punto rimasto in sospeso: la comunità matematica non ha convalidato gli enunciati formali come equivalenti ai problemi aperti.
La verifica si divide quindi in due domande dallo statuto molto diverso:
- La derivazione è corretta, dato l'enunciato? Verificata dalla macchina, senza zone d'ombra a questo livello.
- L'enunciato dice ciò che crediamo dica? Domanda umana, oggi aperta, che verrà chiusa dalle letture degli specialisti e non da un compilatore.
È una distinzione poco spettacolare, e proprio per questo scompare quasi sempre nei riassunti. Eppure è quella che determina se si sta leggendo un risultato acquisito o un risultato in attesa di essere qualificato.
Bias di selezione e verifica indipendente
Ci sono altre due riserve, meno tecniche e altrettanto concrete.
La selezione. OpenAI ha scelto quali risultati pubblicare. Ne vediamo dieci. Non sappiamo quanti tentativi non hanno portato a nulla, né su quali problemi. Un insieme di successi selezionato da chi li ha prodotti non indica il tasso di riuscita del modello: indica soltanto che il tetto raggiunto è almeno a quell'altezza. È un'informazione reale, ma non è la stessa informazione, e i due numeri non sono intercambiabili.
La riproduzione. Ricercatori esterni rilevano che personale di OpenAI ha contribuito a preparare gli articoli e a formalizzare gli argomenti. E nessuno fuori dall'azienda può eseguire il modello che ha svolto il lavoro. Il risultato può quindi essere verificato, non riprodotto. I due termini vengono usati come sinonimi e non lo sono. Verificare significa controllare che l'oggetto consegnato regga. Riprodurre significa rifare l'operazione in modo indipendente e ottenere la stessa cosa. Qui il primo è possibile, il secondo no.
La distinzione ha un peso preciso. Ciò che è verificabile è la matematica. Ciò che non lo è, ed è l'affermazione più interessante dal punto di vista industriale, è che un modello sia capace di trovare quel tipo di risultato. Questa seconda affermazione poggia sulla parola dell'unico attore in grado di metterla alla prova. Gary Marcus rileva del resto che, per quanto impressionanti, questi risultati non stabiliscono né un'intelligenza artificiale generale né un risolutore universale imminente.
Che cosa vogliono dire 2 000 dollari, e che cosa non vogliono dire
Circa 2 000 dollari di calcolo. È la cifra che ha viaggiato di più, ed è anche quella letta peggio.
La sfumatura, rilevata da ricercatori, è determinante: quella cifra copre le esecuzioni riuscite, non tutti i tentativi del modello. È dunque un costo di pubblicazione, non un costo di scoperta.
La precisazione non è pedanteria. Se si conservano solo le esecuzioni che hanno funzionato, si sta misurando il prezzo di ripercorrere un cammino già noto, non il prezzo di trovarlo. È la differenza tra il costo di stampare una mappa e il costo della spedizione che l'ha disegnata.
Ciò che la cifra dice davvero, e non è poco: una volta individuato il percorso, rigiocarlo e verificarlo formalmente costa pochissimo. Nello stesso periodo OpenAI ha abbassato dell'80 % il prezzo di GPT-5.6 Luna, portandolo a 0,20 dollari per milione di token in ingresso: il costo unitario del calcolo scende davvero, ma non dice nulla sul costo di un risultato. Ciò che la cifra non dice: che chiunque disponga di 2 000 dollari otterrebbe gli stessi dieci risultati.
Che cosa può trarne concretamente chi dirige un'azienda
Poco sul piano tecnologico immediato, parecchio sul piano del metodo. Quattro punti, senza estrapolazioni.
1. La verificabilità è una proprietà che si può esigere. L'elemento notevole non è che un modello abbia prodotto una dimostrazione, è che l'abbia prodotta in una forma in cui un programma terzo può dire sì o no senza dover credere a chi l'ha prodotta. Vale la pena chiedersi dove, nei propri processi, un output di intelligenza artificiale viene accettato perché sembra plausibile, e dove invece esiste un controllo meccanico a valle. Il codice ha test, tipi, compilatori. Una sintesi di contratto, un testo commerciale, un'analisi della concorrenza non hanno nulla di tutto questo. Il livello di fiducia che si può concedere non dipende soltanto dalla qualità del modello, dipende dalla presenza o dall'assenza di un verificatore.
2. “Verificato” e “riproducibile” non sono la stessa promessa. È una griglia di lettura utile ogni volta che un fornitore presenta risultati: si può controllare l'oggetto consegnato, oppure si può soltanto credere al processo che l'ha generato? Le due situazioni non meritano lo stesso grado di fiducia.
3. Un costo pubblicato è quasi sempre un costo dei successi. Vale per Astra e vale per i casi studio sul ritorno degli investimenti in intelligenza artificiale che circolano da mesi. La domanda da porre non è “quanto è costato”, è “quanti tentativi sono compresi in quella cifra”.
4. Nulla di tutto questo cambia il vostro prossimo trimestre. Astra è un modello interno. I risultati riguardano la teoria dei gruppi, le algebre di von Neumann, la complessità quantistica. Fra i domini toccati compare anche la crittografia su reticoli euclidei, e su questo conviene essere netti: l'annuncio non dice nulla su un effetto qualsiasi sui sistemi in produzione, e non c'è motivo di dedurne qualcosa. Ciò che è trasferibile qui è il metodo di valutazione, non la tecnologia.
Conclusione
Ciò che è stabilito: dieci risultati presentati da OpenAI, accompagnati da certificati Lean 4 che chiunque può ricompilare, senza alcun passaggio lasciato in sospeso. Le derivazioni reggono, dati gli enunciati così come sono scritti.
Ciò che non è stabilito: che gli enunciati formali siano equivalenti ai problemi aperti così come la comunità li intendeva; che il tasso di riuscita del modello sia quello suggerito dai dieci risultati pubblicati; che qualcuno all'esterno possa rifare l'operazione; che 2 000 dollari siano il costo della scoperta.
La distanza tra i due elenchi non è una precauzione oratoria. È esattamente ciò che separa un annuncio tecnico solido da un fatto scientifico acquisito. Verrà colmata, o non verrà colmata, dalle letture degli specialisti nei prossimi mesi. Non da un comunicato stampa, e nemmeno da un compilatore.
Se state valutando dove l'intelligenza artificiale può entrare nei vostri processi con un controllo verificabile a valle, e dove invece non ha ancora senso, scriveteci il vostro contesto: lavoriamo per iscritto e rispondiamo entro 24 ore lavorative.
