L’intelligenza artificiale AlphaEvolve di Google DeepMind sta accelerando la ricerca matematica su una scala senza precedenti, secondo un nuovo articolo pubblicato questa settimana da collaboratori tra cui il famoso matematico Terence Tao.
La ricerca mostra come l’agente AI ha affrontato 67 problemi impegnativi, riscoprendo le migliori soluzioni e trovando nuove costruzioni per diverse sfide di lunga data.
Il lavoro dimostra un nuovo potente metodo per la collaborazione uomo-IA nella matematica pura. Utilizza la capacità dell’intelligenza artificiale di esplorare vasti spazi problematici per generare intuizioni che completano l’intuizione umana, accelerando potenzialmente il percorso verso la risoluzione di congetture notoriamente difficili.
Un motore evolutivo per la scoperta matematica
Funziona in modo diverso da chatbot generici che spesso lottano con il rigore logico, AlphaEvolve utilizza un framework evolutivo strutturato.
Funziona come un”agente di codifica evolutivo generico”, impiegando modelli linguistici di grandi dimensioni come Gemini per proporre, testare e perfezionare in modo iterativo soluzioni algoritmiche. Questo lavoro si basa sulla presentazione iniziale dello strumento da parte di DeepMind nel maggio 2025.
Secondo il documento di ricerca,”…AlphaEvolve è un nuovo potente strumento per la scoperta matematica, in grado di esplorare vasti spazi di ricerca per risolvere complessi problemi di ottimizzazione su larga scala.”
In un blog dettagliato post, Tao ha spiegato che il metodo principale dell’intelligenza artificiale prevede l’evoluzione del codice Python che cerca una soluzione, anziché creare direttamente l’oggetto matematico.
Questa”modalità di ricerca”consente a una singola, lenta chiamata LLM di innescare un calcolo massiccio ed economico mentre l’euristica di ricerca generata esplora milioni di possibilità da sola. Una”modalità generalizzatore”contrastante incarica l’intelligenza artificiale di trovare formule che funzionino per un dato numero, puntando a un’applicabilità più ampia.
Iniziare su nuove linee di indagine è straordinariamente efficiente con questo processo. I ricercatori sottolineano che per molti dei problemi che hanno esplorato,”…in media, il normale tempo di preparazione per l’impostazione di un problema utilizzando AlphaEvolve richiedeva solo poche ore.”
Un’impostazione così rapida consente ai matematici di indagare sistematicamente ampie classi di problemi che altrimenti richiederebbero un lavoro computazionale esteso e su misura.
Dallo spostamento dei divani ai set Kakeya: l’intelligenza artificiale affronta i problemi aperti
Mentre il sistema ha successo ha riscoperto soluzioni note per la maggior parte dei 67 problemi, i suoi contributi più significativi sono arrivati dalla ricerca di nuovi approcci.
La ricerca evidenzia una nuova e promettente costruzione per gli insiemi di Nikodym, che ha già ispirato un prossimo articolo di Tao. Inoltre, AlphaEvolve ha scoperto nuove costruzioni con miglioramenti di ordine inferiore per il problema Kakeya a campo finito nelle dimensioni 3, 4 e 5.
Oltre queste aree altamente astratte, l’agente ha dimostrato la sua versatilità anche su enigmi geometrici più tangibili. Ha riscoperto con successo il”divano Gerver”ottimale per il classico problema del”divano in movimento” e il “divano Romik” per la sua variante ambidestra.
Per una versione 3D più complessa del problema, AlphaEvolve ha prodotto una nuova costruzione con un volume rigorosamente verificato di almeno 1,81, che secondo i ricercatori supera i candidati precedentemente noti.
Questi successi dimostrano un potente flusso di lavoro che combina più sistemi di intelligenza artificiale specializzati. AlphaEvolve trova innanzitutto una costruzione promettente, che un agente come Deep Think, la stessa tecnologia dietro la medaglia d’oro IMO di DeepMind, può quindi analizzare per ricavare una prova della sua correttezza.
L’intero processo può culminare in una verifica formale, con uno strumento come AlphaProof che traduce la prova del linguaggio naturale in un formato controllabile dalla macchina come Lean.
Il processo, tuttavia, richiede una significativa esperienza umana per guidare l’IA e convalidare i suoi risultati. Il post sul blog di Tao sottolinea che lo strumento non è un matematico autonomo ed è incline a trovare soluzioni alternative intelligenti.”… è necessario dedicare una quantità non banale di sforzo umano alla progettazione di un verificatore non sfruttabile”, ha scritto.
Un nuovo tipo di controllo di sanità mentale: l’intelligenza artificiale come partner di ricerca
In definitiva, i ricercatori posizionano AlphaEvolve non come un sostituto dei matematici umani, ma come un nuovo potente tipo di partner di ricerca. La sua capacità di testare rapidamente le idee lo rende uno strumento ideale per l’esplorazione iniziale.
Come osserva Tao,”Posso immaginare che tali strumenti siano un utile”controllo di sanità mentale”quando si propongono nuove congetture.”La ricerca sistematica di controesempi”ovvi”aiuta a convalidare o a mettere in dubbio nuove idee prima che venga investito un significativo sforzo umano.
Anche i fallimenti del sistema forniscono informazioni preziose. Il documento rileva che per quanto riguarda i 67 problemi,”…non abbiamo smentito nessuna delle principali congetture aperte. Naturalmente, una possibile spiegazione ovvia per questo è che queste congetture sono in realtà vere.”
Questo approccio rigoroso e basato sull’evidenza contrasta nettamente con il ciclo di hype dell’IA, recentemente esemplificato dalle affermazioni ritirate di OpenAI di risolvere i principali problemi di Erdős.
Quel passo falso pubblico ha attirato aspre critiche da parte dei concorrenti, con Google Il CEO di DeepMind, Demis Hassabis, ha definito l’incidente”imbarazzante”.
Fondato in collaborazione con esperti del settore, il framework di DeepMind sembra progettato per evitare tali insidie. Il lavoro con AlphaEvolve segue una serie di legittime scoperte nell’applicazione dell’IA alla matematica, incluso il sistema AlphaGeometry2 che ha surclassato gli esperti umani sui problemi di geometria delle Olimpiadi.
Concentrandosi sull’aumento dell’intuizione umana piuttosto che pretendere di risolvere i problemi in modo autonomo, AlphaEvolve traccia un percorso più sostenibile e credibile per il ruolo dell’IA nella scoperta scientifica.
