ChatGPT 5.5 Pro: ricerca matematica da dottorato in 17 minuti

In sintesi: ChatGPT 5.5 Pro ha prodotto ricerca matematica da dottorato in meno di un’ora, secondo il matematico Fields Medal Timothy Gowers.

L’8 maggio 2026, Timothy Gowers — vincitore della Medaglia Fields, il riconoscimento più alto in matematica — ha aperto il suo blog personale e scritto una frase che non lascia spazio all’interpretazione: ChatGPT 5.5 Pro ha prodotto ricerca matematica a livello di dottorato in circa un’ora, senza un serio contributo matematico da parte sua. Un matematico britannico della sua statura non usa parole del genere alla leggera.

Gowers non ha scritto “impressionante” o “promettente”. Ha scritto che il risultato avrebbe costituito “un capitolo perfettamente ragionevole in una tesi di dottorato in combinatoria”. La combinatoria — lo studio di come oggetti discreti come grafi, insiemi e sequenze si combinano e si contano — è la sua area di expertise. Gowers la conosce abbastanza bene da tenerci una cattedra al Collège de France.

Diciassette minuti per un risultato che a un dottorando sarebbe costato settimane

L’esperimento è partito da un articolo del teorico dei numeri Mel Nathanson, intitolato Diversity, Equity and Inclusion for Problems in Additive Number Theory. Gowers ha selezionato una serie di problemi aperti sui sumset — costrutti matematici che esplorano come insiemi di interi si combinano e quali dimensioni le loro combinazioni possono raggiungere — e li ha sottoposti al modello senza fornire alcun indirizzo matematico.

I tempi sono documentati con precisione quasi ossessiva nel post originale. ChatGPT 5.5 Pro ha ragionato per 17 minuti e 5 secondi prima di produrre una costruzione che forniva un limite superiore quadratico — il migliore possibile per quel tipo di problema. Poi, in 2 minuti e 23 secondi, ha riscritto l’argomento in formato LaTeX come un preprint matematico standard, il tipo di documento che i ricercatori caricano su arXiv prima della revisione formale.

La sessione successiva è stata più ambiziosa. Gowers ha chiesto al modello di migliorare un lavoro di Isaac Rajagopal, uno studente del MIT, sul caso generale dello stesso problema. Dopo 16 minuti e 41 secondi, il modello aveva sviluppato un argomento che migliorava il limite da esponenziale in k a esponenziale in k^α per qualsiasi α > 1/2 — un passo tecnico non banale che richiede di identificare una debolezza nell’approccio precedente e adattarne le tecniche.

Il momento più sorprendente è arrivato quando Gowers ha chiesto qualcosa su cui lui stesso era scettico: un limite polinomiale. Il modello ha impiegato 13 minuti e 33 secondi per sviluppare un approccio, poi altri 9 minuti e 12 secondi per verificare due affermazioni tecniche. Il preprint finito era pronto in 31 minuti e 40 secondi. Rajagopal ha valutato il risultato come “quasi certamente corretto” e ha definito l’idea chiave del modello “piuttosto ingegnosa” — il tipo di idea di cui sarebbe stato orgoglioso dopo una o due settimane di riflessione.

Il meccanismo tecnico che spiega tutto

In-article responsive

Vale la pena fermarsi su come il modello ha ottenuto questi risultati, perché il meccanismo non è ovvio. ChatGPT 5.5 Pro dispone di una capacità di pensiero esteso — una modalità in cui il modello ragiona in modo esplicito e iterativo prima di rispondere, fino a 80 minuti su un singolo problema. Non è la stessa cosa di generare una risposta veloce: è più simile a un ricercatore che riempie pagine di bozze prima di scrivere la versione finale.

In questo caso specifico, il modello ha trovato un modo controintuitivo per comprimere certe strutture algebriche in modo che si adattassero a un intervallo numerico molto più piccolo senza perdere le loro proprietà combinatorie cruciali. Rajagopal ha definito l’idea “completamente originale” — non un recupero di letteratura esistente, non una variazione di un argomento noto, ma un’idea nuova.

Il contesto storico aiuta a misurare il salto. Fino a poco tempo fa, i modelli di linguaggio riuscivano a sembrare matematici senza esserlo davvero: recuperavano soluzioni dalla letteratura senza sviluppare dimostrazioni proprie. GPT-5.2 aveva risolto un problema di Erdős “più o meno autonomamente”, secondo il matematico Terence Tao. GPT-5.4 Pro era andato oltre, risolvendo un problema aperto di lunga data. Con GPT-5.5 Pro, la traiettoria porta a risultati che un esperto valuta come degni di una tesi di dottorato — e l’AI Index 2026 aveva già segnalato questa accelerazione come uno dei trend più rilevanti dell’anno.

Il metro che cambia: cosa misura ancora un contributo originale

C’è un’osservazione che il post di Gowers contiene quasi di passaggio, e che merita più attenzione di quanta ne abbia ricevuta. Scrive: “Il limite inferiore per contribuire alla matematica sarà ora dimostrare qualcosa che gli LLM non riescono a dimostrare, piuttosto che semplicemente dimostrare qualcosa che nessuno ha dimostrato finora.”

Tradotto: il metro con cui si misura un contributo matematico originale sta cambiando. Un supervisore che assegna a un dottorando un problema “abbordabile” deve ora chiedersi se quel problema può essere risolto da un modello in un pomeriggio. Se la risposta è sì, il significato dell’esercizio cambia — non scompare, ma cambia. Il lavoro diventa meno una questione di essere il primo a una dimostrazione e più una questione di capire, verificare, generalizzare e collocare il risultato in una teoria più ampia.

Questo è il punto che il comunicato stampa di OpenAI non sottolinea, comprensibilmente. L’azienda ha dichiarato che “il giudizio degli esperti, la verifica e la comprensione del dominio rimangono essenziali” — vero, ma incompleto. La vera implicazione non riguarda se gli umani sono ancora necessari: riguarda per cosa sono necessari, e come si forma la prossima generazione di ricercatori in un contesto in cui i problemi accessibili vengono risolti in automatico. Con GPT-6 già in fase di completamento dell’addestramento, questa soglia è destinata a spostarsi ancora.

Dove si trova il limite, per ora

Le riserve esistono e vale la pena nominarle con precisione. Il successo nella combinatoria — un’area orientata ai problemi, dove si parte da una domanda e si ragiona verso una risposta — non si traduce automaticamente in tutti i campi matematici. Altre aree enfatizzano il ragionamento in avanti: partire da idee e vedere dove portano, discriminando tra osservazioni interessanti e non interessanti. Quel tipo di giudizio è qualcosa che i modelli attuali potrebbero non possedere.

Rimane aperta anche la questione della verifica formale. I preprint prodotti da ChatGPT 5.5 Pro non hanno ancora attraversato una revisione formale tra pari. Rajagopal ha valutato i risultati come “quasi certamente corretti”, ma “quasi certamente” non è “dimostrato”. Un paper pubblicato da Apple — intitolato Illusion of Thinking — ha mostrato che alterare i numeri o aggiungere testo irrilevante ai problemi matematici riduce drasticamente l’accuratezza dei grandi modelli linguistici. Il rischio che un ragionamento apparentemente solido mascheri una sofisticata corrispondenza di schemi è reale e non ancora risolto.

Andrew Sutherland del MIT ha osservato che l’impatto più importante dell’AI sulla matematica nel 2026 potrebbe non essere la risoluzione di problemi da titolo, ma l’integrazione nei flussi di lavoro quotidiani: aiutare i matematici a scrivere dimostrazioni in Lean più velocemente, controllare letteratura, esplorare varianti, accelerare le parti tediose in modo che gli umani possano concentrarsi sulle parti creative.

È una visione più sobria di quella che circola sui social. Ma è anche quella che regge meglio all’esame dei fatti disponibili. Il pavimento si è spostato — su questo Gowers è chiaro. Dove si trova il soffitto, per ora, nessuno lo sa con certezza.

Perche’ e’ importante

Per la prima volta, un vincitore della Medaglia Fields certifica che un sistema AI ha prodotto ricerca matematica originale a livello di dottorato in meno di un’ora. Questo non ridefinisce solo cosa può fare una macchina: ridefinisce cosa ci si aspetta da un ricercatore umano, come si struttura la formazione accademica e quali problemi vale ancora la pena assegnare a un dottorando. Il cambiamento non è futuro — è già in corso.