Durante una delle Public Lectures dell’ICM 2026, il matematico Terence Tao ha provato a raccontare come potrebbe evolversi il lavoro del matematico ai tempi dell’IA.
Sfida non facile, anche perché a breve potremmo trovarci di fronte al paradosso per cui l’IA riesce a risolvere un problema correttamente, un problema che noi, esseri umani, possiamo verificare, ma non comprendere.
In pratica, sappiamo che è corretto, ma non abbiamo le competenze per comprendere come l’IA sia arrivata a quella conclusione.
«Supponiamo di avere delle IA che generano dimostrazioni e magari dimostrazioni scritte in un linguaggio formale come Lean e verificate […] ma nessuno le comprende. […] Non è ancora successo del tutto, ma siamo molto, molto vicini a uno scenario in cui un risultato importante viene dimostrato e verificato e nessun essere umano riesce a comprenderlo o a spiegarlo.»
Tao distingue infatti diverse fasi del lavoro matematico. Generare una prova e verificarla sono soltanto le prime. Poi bisogna riuscire a spiegarla, farla comprendere alla comunità scientifica e, infine, integrarla nel sapere condiviso attraverso teorie e libri di testo.
L’IA sta accelerando soprattutto le prime due fasi, creando quella che Tao chiama proof indigestion, un’abbondanza di dimostrazioni che gli esseri umani faticano a digerire.
È una distinzione che probabilmente andrà molto oltre la matematica.
Più l’IA diventerà capace, più potrà produrre codice che funziona, scoprire molecole, progettare componenti, elaborare strategie o trovare soluzioni che possiamo verificare empiricamente senza essere in grado di ricostruire davvero il percorso che le ha generate.
Sapremo, ma non comprenderemo.
E a quel punto una parte crescente del nostro rapporto con l’IA sarà basata sulla fiducia. Sapremo che qualcosa funziona perché supera i test, perché altre macchine lo hanno verificato o perché continua a produrre risultati corretti.
PS: Interessante che in una delle prime slide Terence Tao ci abbia tenuto a dire che gli em-dash sono 100% umani.
