GPT-5 come strumento di esplorazione delle dimostrazioni: cosa dimostra davvero il risultato di Ernest Ryu sul NAG

La domanda vecchia di 40 anni sulla stabilità del NAG

Il problema affrontato da Ryu è circoscritto e datato. Il metodo Nesterov Accelerated Gradient, introdotto da Yurii Nesterov nel 1983, accelera la convergenza calcolando il gradiente di una funzione in un punto "di anticipazione" invece che nel punto corrente. Per decenni i ricercatori hanno osservato che questo slancio aggiuntivo rendeva gli algoritmi molto più rapidi senza destabilizzarli — ma nessuno era riuscito a produrre una dimostrazione che ne spiegasse il motivo.

Ryu, che da 15 anni si occupa di matematica applicata e teoria dell'ottimizzazione, aveva già provato con dei colleghi senza riuscirci. La sua intuizione gli diceva che la risposta potesse essere semplice; erano gli esseri umani a non aver ancora trovato la strada. Questo è un dettaglio importante: si trattava di un problema che già conosceva a fondo, non uno scoperto o definito dal modello.

Il metodo di lavoro: genera, scarta, verifica in una chat nuova

La parte più replicabile è proprio la meccanica descritta da OpenAI. In circa dodici ore distribuite su tre giorni, Ryu ha esplorato quasi una dozzina di approcci. GPT-5 proponeva direzioni — molte sbagliate, alcune inaspettate — e lui valutava ogni pista rapidamente, abbandonando i vicoli ciechi e approfondendo tutto ciò che sembrava promettente.

Due abitudini emergono in particolare. Primo, GPT-5 "produceva spesso argomentazioni plausibili all'apparenza ma che non resistevano a un'analisi attenta", quindi Ryu controllava personalmente ogni singolo passaggio di calcolo. Secondo, quando chiedeva al modello di verificare il proprio lavoro, otteneva risultati migliori aprendo una chat nuova piuttosto che continuando nella stessa — trasferendo i risultati in conversazioni pulite per evitare l'accumulo di errori.

Il punto di svolta è arrivato quando GPT-5 ha suggerito di ristrutturare le equazioni che governano il NAG. Il suggerimento, così com'era formulato, non era corretto, ma Ryu ha individuato un elemento strutturale significativo, lo ha sviluppato rigorosamente da solo e ha usato domande mirate per testarne la validità. Quella linea è diventata l'ossatura della dimostrazione che ha poi scritto.

In cosa il modello era efficace, e in cosa no

OpenAI è sorprendentemente onesta sui limiti. GPT-5 "non stava inventando nuovi strumenti e principi matematici"; utilizzava quelli già esistenti, recuperando equazioni e idee da articoli leggermente al di fuori della specializzazione di Ryu. Non è stato capace di costruire una dimostrazione completa da solo, anche se, nelle parole di Ryu, "diversi dei passaggi chiave che si sono rivelati decisivi sono stati suggeriti da GPT-5".

Il punto di forza descritto è la capacità di ricerca esaustiva: proporre e scartare rapidamente variazioni, e recuperare strumenti da sottocampi adiacenti — un lavoro cognitivamente estenuante per una persona. Il punto debole descritto è l'attendibilità. Il valore del modello risiedeva nella velocità di esplorazione, non nella correttezza, e quella velocità ha dato frutti solo perché un esperto del settore scartava le piste sbagliate in tempo reale.

La variabile trascurata: la costanza, non solo la dimostrazione

Ryu stima che il lavoro, a un ritmo concentrato, avrebbe potuto richiedere settimane — ma dice che non sarebbe mai successo. "Dopo tre giorni di tentativi intensi, avrei rinunciato", ha detto. I matematici decidono di continuo se abbandonare un problema e passare ad altro.

Ma con GPT-5 ha avuto la sensazione di fare progressi rapidi, e questo lo ha spinto a continuare. Secondo lui si è creato uno slittamento psicologico: il flusso costante di nuove idee ha fatto percepire il problema come raggiungibile per più tempo di quanto sarebbe accaduto altrimenti.Montana Labs

È un'affermazione più sottile di "l'IA ha risolto un problema matematico". Il contributo dello strumento è stato in parte emotivo — un flusso costante di nuove direzioni che ha cambiato i calcoli di Ryu su quando arrendersi. Per i team che valutano il valore dell'IA nella ricerca, questo effetto sulla costanza umana è reale ma difficile da misurare e facile da sovrastimare.

La decisione sulla paternità stabilisce il precedente al centro di questo caso

L'implicazione più specifica qui riguarda come Ryu ha scelto di attribuire il merito al modello. Ha deliberatamente evitato di inserire GPT-5 come coautore, concludendo che era stato usato come strumento. Lo ha però nominato nel titolo e nell'abstract dell'articolo e ne ha illustrato i contributi in tutto il testo, per poi scrivere personalmente la dimostrazione finale e la narrazione in stile tradizionale.

Lo ha presentato come un caso di studio per i matematici classici, e questa scelta è il punto centrale: per convincere gli scettici, si è attenuto alle convenzioni accademiche esistenti invece di inventare nuove categorie di merito. Il preprint è pubblico e dovrà affrontare 12-18 mesi di revisione paritaria, quindi il verdetto della comunità scientifica è ancora in sospeso.

Per i team applicati, la lezione duratura è la divisione dei compiti imposta da Ryu — il modello per l'ampiezza e la velocità, l'essere umano per il giudizio, la verifica e la responsabilità — non il titolo sensazionale secondo cui un problema vecchio di decenni sarebbe stato risolto. Il suo riassunto è stato schietto: "Se vuoi che il modello fallisca, fallirà." Il risultato dipendeva da qualcuno capace di riconoscere la differenza.