Simons Foundation, Anthropic e OpenAI: 15 milioni per la matematica con l’AI

Quando un modello di intelligenza artificiale produce una dimostrazione matematica, chi la controlla? La domanda non è più teorica. Il 15 ottobre 2026 la Simons Foundation, insieme a Anthropic e OpenAI, ha annunciato un impegno congiunto da 15 milioni di dollari tra fondi e risorse per aiutare i matematici a valutare, capire e usare gli strumenti AI. È una notizia che racconta bene dove sta andando la ricerca scientifica, e perché la fiducia nei risultati prodotti dalle macchine sta diventando il vero nodo.

Cosa è stato annunciato e chi mette cosa

Secondo il comunicato della Simons Foundation, la fondazione gestirà e assegnerà i fondi, anche attraverso una chiamata aperta a presentare proposte. Il denaro servirà a finanziare workshop e iniziative della comunità matematica, pensati per aiutare i ricercatori a valutare i risultati recenti ottenuti con l’aiuto dell’AI, a imparare a usare i nuovi strumenti, a confrontare i punti di vista e a definire standard condivisi.

C’è poi una parte molto concreta: Anthropic e OpenAI metteranno a disposizione strumenti AI e risorse di calcolo per i ricercatori sostenuti dalla fondazione, e questo accesso non si limita alla matematica ma si estende alle scienze di base.

Sulla ripartizione dei 15 milioni la fondazione non entra nei dettagli. OpenAI, nella propria pagina dedicata ai progressi dell’AI in matematica, dichiara invece di contribuire con 5 milioni di dollari, destinati a sostenere workshop, conferenze e programmi speciali, oltre all’accesso ai propri modelli e al calcolo. Non risultano invece comunicati ufficiali con scadenze, criteri di ammissione o importi dei singoli bandi, quindi è prudente aspettare i dettagli della chiamata aperta prima di fare previsioni su chi potrà candidarsi.

Perché la matematica è il banco di prova più severo

In molti settori un errore dell’AI si nota subito, o comunque ha un costo limitato. In matematica è diverso: una dimostrazione è corretta oppure no, e verificarla può richiedere settimane di lavoro di specialisti. Se un modello propone centinaia di risultati, il collo di bottiglia non è più la produzione, ma il controllo.

Il problema è già sul tavolo. Come racconta la stessa OpenAI, a ottobre ha pubblicato un ampio insieme di risultati matematici ottenuti da un modello interno, in un repository pubblico su GitHub, con protocolli per revisioni e citazioni. Per definire le regole di rilascio, l’azienda ha consultato l’Advisory Group on Mathematics and Artificial Intelligence dell’Institute for Advanced Study. Nel repository sono incluse formalizzazioni in Lean di molte dimostrazioni, dieci riassunti del ragionamento del modello, stime di calcolo e statistiche sui problemi tentati. In media, ogni risultato ha richiesto circa tre ore di ragionamento in ChatGPT Pro.

Il messaggio è chiaro: pubblicare non basta, bisogna mettere la comunità in condizione di verificare.

Il ruolo di Lean e della verifica formale

Lean è un assistente alla dimostrazione, cioè un linguaggio che permette a un computer di controllare un ragionamento passo dopo passo. La Simons Foundation ha finanziato lo sviluppo di Lean, e nel suo annuncio sostiene che abbia cambiato il modo di lavorare dei matematici e reso possibili le dimostrazioni assistite dall’AI. Qui sta il punto di incontro tra le due cose: un modello può proporre una dimostrazione, ma è un verificatore formale a dire se regge.

Per chi segue l’AI da vicino, è un cambio di prospettiva interessante. La velocità di generazione cresce, e la fiducia si sposta dalla fonte (chi lo ha scritto) al processo (come lo si può controllare).

Una comunità che vuole decidere da sé

Colpisce il tono delle parole di David Spergel, presidente della fondazione. Secondo il comunicato, la comunità matematica dovrebbe riunirsi per tracciare il percorso migliore, e Spergel afferma che la comunità dovrebbe guidare le discussioni su come questi strumenti vengono valutati, adottati e usati. Lo scopo dichiarato del programma è sostenere i matematici, non adattarli alle scelte dei laboratori.

È una posizione che ha senso se si guarda ai rapporti di forza. Le aziende che sviluppano i modelli hanno dati, calcolo e comunicazione, mentre i matematici hanno il compito, scomodo, di dire cosa conta come risultato affidabile. Un fondo gestito da una fondazione indipendente, che però riceve risorse proprio dalle aziende, prova a tenere insieme le due esigenze.

Il nodo dell’indipendenza

Resta una domanda legittima: quanto è indipendente una valutazione finanziata in parte da chi produce i modelli? La struttura annunciata, con la fondazione che assegna i fondi tramite bando aperto, è un buon punto di partenza, ma la credibilità si misurerà sui dettagli: trasparenza dei criteri, libertà di pubblicare anche risultati critici, pluralità delle voci coinvolte.

Lo stesso tema compare in altri ambiti. Ne abbiamo parlato a proposito di Anthropic e OpenAI e dei revisori esterni sulla sicurezza dei modelli, dove la discussione riguarda proprio i diritti di pubblicazione di chi valuta dall’esterno. Cambia il campo, ma il principio è lo stesso: chi controlla deve poter dire ciò che trova.

Dalla teoria ai risultati: cosa sta già succedendo

L’iniziativa non nasce nel vuoto. La Simons Foundation ha già sostenuto in passato l’apprendimento automatico per la scienza e ha ospitato workshop, conferenze e collaborazioni sul ruolo dell’AI in matematica. Allo stesso tempo, i laboratori mostrano risultati sempre più ambiziosi in ambiti vicini, come nel caso di Claude che ha progettato circuiti quantistici con molte meno porte logiche rispetto alle soluzioni precedenti.

Sono segnali che vanno nella stessa direzione. I modelli stanno diventando abbastanza capaci da produrre contributi che un esperto prende sul serio, ma non abbastanza affidabili da essere accettati a occhi chiusi.

Cosa cambia per chi lavora con i dati e la ricerca

Se ti occupi di ricerca, di analisi o di contenuti tecnici, la lezione vale anche fuori dall’università. Un output generato da un modello va trattato come una proposta da verificare, e più il campo è rigoroso, più servono strumenti di controllo indipendenti. Nel lavoro quotidiano questo significa per esempio chiedere sempre le fonti, riprodurre i calcoli e tenere traccia di cosa è stato verificato e da chi.

Vale anche per la sicurezza e la governance dell’AI, un tema che torna di continuo, come nella simulazione di cui parla l’articolo su OpenAI e Anthropic che simulano il giorno dopo una catastrofe AI: sapere come si valutano i sistemi prima che servano è sempre più importante che improvvisare dopo.

Cosa aspettarsi nei prossimi mesi

Il passo successivo sarà la chiamata aperta. Quando la Simons Foundation pubblicherà i dettagli, si capirà quanti progetti verranno finanziati, con quali importi e con che criteri di selezione. Sarà il momento in cui l’annuncio si traduce in programmi reali: workshop di valutazione, corsi sugli strumenti, discussioni su standard condivisi per citare e verificare risultati assistiti dall’AI.

Un altro elemento da osservare è l’accesso ai modelli e al calcolo. Per un gruppo di ricerca universitario, poter usare modelli di frontiera senza costi proibitivi può fare la differenza, soprattutto se l’accesso è accompagnato da libertà di pubblicazione e da documentazione sui limiti dei sistemi.

Infine, c’è la questione degli standard. Se la comunità matematica riuscirà a definire regole condivise su come si dichiara l’uso dell’AI, come si verifica un risultato e come si attribuisce il merito, quelle regole potrebbero diventare un modello anche per altre discipline.

Conclusioni

I 15 milioni della Simons Foundation, di Anthropic e di OpenAI non sono una cifra enorme rispetto agli investimenti nell’AI, ma il segnale è forte: la parte difficile non è far produrre risultati ai modelli, è costruire il metodo con cui la comunità li accetta o li respinge. La matematica, con la sua esigenza di certezza, è il laboratorio ideale per farlo.

Se segui l’evoluzione dell’AI nella ricerca, tieni d’occhio la chiamata aperta e i primi programmi finanziati, e continua a seguire le nostre news per gli aggiornamenti. Intanto, la prossima volta che leggi di una dimostrazione “trovata dall’AI”, chiediti sempre una cosa: chi l’ha verificata?