Rubrica · Metadialoghi

Marco Ripà: la ricerca nell'era dell'IA, tra potenza dello strumento e responsabilità umana

Intervista a Marco Ripà · Rubrica Metadialoghi · Parte 2 di 2 · 20 novembre 2026 · Read in English

Quadro dipinto a sfumature gialle, azzurre, verdi e rosse con al centro una formula sulla tetrazione e negli angoli le sue condizioni
Il quadro con la formula di Marco Ripà sulla tetrazione (Ripà & Di Pietro, 2026). Foto per gentile concessione di Marco Ripà

Seconda parte dell'intervista a Marco Ripà, ricercatore indipendente in matematica. Racconta che cosa cambia quando a fare ricerca, accanto alla persona, c'è l'intelligenza artificiale: risultati sorprendenti, limiti, verifica e una responsabilità che resta umana.

È la seconda di due parti, che si possono leggere anche separatamente. Nella prima parte: come si diventa ricercatori senza un percorso lineare.

Marco Ripà

Ricercatore indipendente in matematica

Marco Ripà è un ricercatore indipendente. Laureato con lode in Economia, si è formato in matematica da autodidatta e si occupa di teoria dei numeri, teoria dei grafi e problemi di ottimizzazione geometrica multidimensionale, temi sui quali pubblica articoli su riviste scientifiche con revisione paritaria, oltre a preprint e libri. È autore unico di oltre 200 sequenze dell'On-Line Encyclopedia of Integer Sequences (OEIS). Tra il 2011 e il 2017 si è dedicato anche alla psicometria e alla giftedness, progettando test cognitivi dinamici generati tramite software. Oggi esplora l'uso dei modelli di intelligenza artificiale nella ricerca matematica e affianca all'attività scientifica la divulgazione e la formazione, in particolare attraverso il suo canale YouTube.

Canale YouTube → · Profilo LinkedIn →

Le opinioni e le interpretazioni espresse nell'intervista sono dell'intervistato e non riflettono necessariamente la posizione di Starry Mind Academy.

Hai iniziato a sperimentare l'utilizzo dei modelli linguistici avanzati su problemi matematici originali. In che modo questi strumenti hanno modificato il tuo processo di ricerca? Potresti raccontare un episodio particolarmente rappresentativo, anche per le difficoltà o i limiti incontrati?

C'è stato un momento preciso nel quale ho capito che i modelli di IA generativa avevano raggiunto capacità matematiche non trascurabili, al punto da poter diventare strumenti concretamente utili nella ricerca scientifica.

Era inizio agosto 2025. Notando l'uscita del nuovo modello GPT-5, decisi di metterlo alla prova su uno dei primi piccoli problemi aperti che avevo risolto da completo amatore, nel 2010: si trattava di un quesito proposto da Kenichiro Kashihara, relativo alla distribuzione delle cifre finali degli elementi di una certa sequenza numerica.

La scelta del test non era casuale: conoscevo perfettamente il problema, avevo pubblicato una soluzione più generale di quella richiesta originariamente dall'autore e ricordavo bene di aver impiegato due intere ore per ottenerla. Avevo dunque a disposizione un banco di prova personale sul quale valutare le prestazioni del nuovo modello, senza dovermi fidare ciecamente di ciò che avrebbe prodotto.

Ebbene, in meno di cinque minuti e senza consultare fonti esterne, GPT-5 riuscì a produrre autonomamente una formula equivalente alla mia del 2010. Il risultato mi stupì al punto che decisi di documentare l'esperimento in un preprint (Ripà, 2025).

Per chi vuole i dettagli matematici: che cosa aveva ottenuto GPT-5 in più
Il modello aveva ricavato una formula esatta anche per le posizioni intermedie tra un blocco completo e il successivo. Nella mia soluzione del 2010 mi ero limitato a fornire una formula esatta per i blocchi completi e a indicare, nella nota 14, dei limiti entro cui ricadeva il valore cercato nei casi intermedi: un'estensione non richiesta dal problema originale, ma certamente apprezzabile (Ripà, 2010, 2025).

Tra risultati sorprendenti e limiti dei modelli

Quella prova mi fece iniziare a sospettare che potesse essere già arrivato il momento di considerare gli LLM (i grandi modelli linguistici, come quelli alla base di ChatGPT) dei possibili assistenti nella ricerca matematica, ma i test successivi furono piuttosto deludenti. Per fare un esempio, lo stesso modello non riuscì neppure a individuare un semplice percorso continuo di tre segmenti che visitasse tutti e quattro i vertici di un quadrato unitario sul piano cartesiano. Insomma, avevo davanti uno strumento capace di generalizzare in pochi minuti un risultato matematico che mi era costato ore di ragionamento, ma che poteva ancora fallire su questioni geometriche elementari e produrre frequenti "allucinazioni" (risposte contenenti elementi falsi o inventati).

In effetti, prima ancora di poterli considerare veri e propri collaboratori sul piano matematico, gli LLM si erano rivelati utili per scrivere programmi Python in tempi molto più contenuti di quelli che avrei impiegato da solo. Non che producessero codice impeccabile, tutt'altro: dovevo spesso intervenire con numerose correzioni, verificando poi i risultati con altri test trasversali. Tuttavia, già questo rappresentava un vantaggio considerevole nella ricerca computazionale e nell'esplorazione di alcune linee di ricerca promettenti.

Dal supporto alla collaborazione

Da allora ho assistito a progressi impressionanti, fino a vedermi chiaramente superato, nelle mie stesse aree di competenza, dalle versioni più avanzate dei modelli. Nel settembre 2026 sono arrivato a completare il mio primo manoscritto scientifico sviluppato in piena sinergia con l'IA, a partire da una mia scoperta discussa su MathOverflow, una piattaforma di confronto tra matematici: la formalizzazione dei risultati più generali richiedeva infatti un impegno considerevole.

Nel frattempo, le capacità matematiche dei modelli hanno continuato a progredire a una velocità tale da suscitare reazioni profonde persino tra alcuni dei maggiori matematici contemporanei. Penso, per esempio, al francese Hugo Duminil-Copin, medaglia Fields 2022, che ha raccontato di aver pianto dopo aver appreso della diffusione, nell'ottobre 2026, di oltre 700 manoscritti matematici prodotti da un modello interno di OpenAI (Larousserie, 2026; OpenAI, 2026). Naturalmente, questo non significa che ogni risultato annunciato sia automaticamente corretto, originale o già verificato dalla comunità scientifica.

Non ho difficoltà ad ammettere che, nella mia esperienza, già oggi GPT-6 in configurazione Alta sia mediamente più capace di me nell'attaccare problemi ben definiti di teoria dei numeri, proponendo risultati e costruendo dimostrazioni che, dopo le opportune verifiche, possono rivelarsi matematicamente valide. Figuriamoci quale salto possa rappresentare una tecnologia del genere per un appassionato che, fino a pochi anni fa, non avrebbe avuto la possibilità di affrontare determinati problemi.

Sarebbe quindi riduttivo considerare questi strumenti soltanto dei moltiplicatori delle competenze che già possediamo: possono permetterci di ottenere risultati che, senza il loro ausilio, probabilmente non saremmo riusciti a ricavare.

«Il punto, semmai, è capire come sfruttarne le potenzialità senza confondere le capacità del modello con quelle della persona che lo utilizza»

Una finestra di opportunità

Per quanto mi riguarda, al vantaggio iniziale rappresentato dalla programmazione assistita si sta aggiungendo progressivamente la possibilità di affrontare problemi matematici complessi attraverso diverse operazioni:

  • scomporli in fasi più circoscritte;
  • discutere criticamente gli output dei modelli;
  • confrontare strategie differenti;
  • ricomporre successivamente i risultati in un ragionamento coerente.

Questo richiede conoscenze adeguate della materia e la capacità di organizzare e valutare il lavoro svolto con l'IA.

Intravedo una finestra di opportunità per ricercatori indipendenti e appassionati competenti che oggi possono accedere a strumenti di una potenza impensabile fino a pochissimo tempo fa. Ritengo, tuttavia, che questa fase favorevole possa essere breve: i grandi gruppi di ricerca, potendo contare su team strutturati e modelli più potenti, potrebbero acquisire un vantaggio difficilmente colmabile sui problemi più ambiziosi.

Hai accennato alla possibilità che l'intelligenza artificiale amplifichi, oppure condizioni, la creatività umana. Nella tua esperienza, quando un modello favorisce l'esplorazione di nuove idee e quando rischia invece di orientare il ragionamento verso soluzioni che il ricercatore potrebbe accettare troppo facilmente?

Un paragone un po' assurdo che mi sovviene è quello di vedersi regalare un'auto sportiva straordinariamente potente, equipaggiata con gomme da pista e persino capace di effettuare balzi di centinaia di metri per superare traffico e barriere stradali. Un'auto che, però, presenta qualche difetto nei sistemi di controllo e tende a prendere autonomamente decisioni per minimizzare il tempo di percorrenza del tragitto.

Certo, possiamo impostare la guida manuale e utilizzarla come una normale utilitaria: sarà comunque più performante della nostra vecchia automobile, ma non sono certo quelle le sue caratteristiche migliori. Di contro, un pilota esperto potrebbe sfruttarne le potenzialità per migliorare enormemente i propri tempi in pista e vincere persino gare prestigiose alle quali, con i mezzi che possedeva in precedenza, non sarebbe neppure riuscito a qualificarsi.

Ecco, credo che gli attuali LLM si prestino abbastanza bene a questo paragone, volutamente paradossale. Disporre di uno strumento potentissimo non implica automaticamente la capacità di sfruttarlo efficacemente: servono conoscenze del campo nel quale lo si utilizza, visione d'insieme, spirito critico e la capacità di guidare un processo che può anche cambiare direzione in corso d'opera.

Ampliare il campo delle possibilità

Già la scelta dei problemi sui quali concentrare gli sforzi è cruciale. Oggi gli LLM facilitano l'individuazione di collegamenti tra risultati, finanche appartenenti a branche diverse, e in futuro potrebbero suggerire connessioni sempre più originali e profonde. Nell'immediato, permettono soprattutto di ridurre i tempi dell'esplorazione preliminare: possiamo affrontare più problemi in parallelo o confrontare diversi approcci allo stesso problema, ottenendo indicazioni che in passato avrebbero richiesto settimane di lavoro. Penso, per esempio, alla possibilità di confrontare tecniche di discipline differenti, cercare controesempi, scrivere programmi di verifica o esaminare una letteratura scientifica molto vasta.

Naturalmente, un LLM non può leggere centinaia di articoli al posto nostro e garantirci automaticamente una ricostruzione corretta dello stato dell'arte. Può però aiutarci a orientare e accelerare una ricerca che, con i soli metodi tradizionali, assorbirebbe molto più tempo.

Il vantaggio creativo consiste quindi anche nel poter esplorare rapidamente più possibilità, scartando alcune direzioni e approfondendone altre. Un ricercatore che prima poteva seguire una o due piste promettenti, oggi può vagliarne parecchie e magari individuare collegamenti che non avrebbe avuto il tempo di considerare.

Il rovescio della medaglia è che questi stessi strumenti possono condizionare profondamente il ragionamento. Un modello particolarmente convincente può indirizzarci verso una strategia, proporre un lemma apparentemente plausibile e costruirvi sopra un'intera dimostrazione. Se non verifichiamo criticamente i passaggi, rischiamo di investire tempo su un presupposto falso, magari abbandonando intuizioni personali che avrebbero meritato maggiore attenzione.

Creatività, delega e autonomia

C'è poi un rischio più generale, soprattutto sul piano educativo. Se ci abituiamo a delegare sistematicamente all'IA la scelta dei problemi, l'elaborazione delle ipotesi e persino la comprensione delle soluzioni, potremmo esercitare sempre meno quelle capacità cognitive e creative che dovremmo coltivare. È un po' come avere a disposizione un'automobile straordinaria e smettere completamente di camminare: il mezzo ci porta più lontano, ma nel frattempo alcune nostre capacità possono deteriorarsi.

Nella ricerca avanzata emerge anche un'altra difficoltà: i modelli più potenti possono produrre dimostrazioni tanto complesse da richiedere un notevole lavoro umano per comprenderle, riorganizzarle e ricondurle a idee matematiche assimilabili. James Maynard, medaglia Fields 2022, ha recentemente sottolineato la difficoltà di estrarre una comprensione matematica umana da una lunga dimostrazione prodotta dall'IA (Brumfiel, 2026).

E qui torniamo al pilota della supercar: non basta raggiungere il traguardo, bisogna capire come ci si è arrivati, se il percorso era corretto e quali possibilità si siano aperte lungo la strada. Sono questioni discusse anche da matematici molto più bravi del sottoscritto, in primis Terence Tao (2026a, 2026b).

Per quanto mi riguarda, in contesti ben delimitati e se opportunamente utilizzata da un utente capace, l'IA può amplificare la creatività umana, permettendoci persino di ottenere risultati che non avremmo raggiunto da soli; può però anche comprimerla, se accettiamo passivamente le sue proposte.

«La differenza dipende dalle capacità del modello e da quanto siamo disposti a continuare a ragionare autonomamente mentre lo utilizziamo»

Nella ricerca matematica, una risposta convincente sul piano linguistico può comunque contenere errori di ragionamento. Come verifichi i risultati prodotti dagli LLM e quali capacità ritieni debbano continuare a essere coltivate da chi studia e fa ricerca, soprattutto in un contesto in cui questi strumenti diventano sempre più potenti?

Nella cosiddetta ricerca matematica originale (research-level mathematics), una risposta convincente non è sufficiente: occorrono risultati rigorosamente dimostrati.

In un articolo matematico, almeno per come sono abituato a scriverlo io, proposizioni, lemmi, teoremi e corollari vengono accompagnati da dimostrazioni complete, costruite a partire da definizioni e ipotesi esplicitate in precedenza. Le tecniche possono essere relativamente elementari, come l'induzione matematica o la reductio ad absurdum, oppure combinarsi in argomentazioni più complesse. Conta che ogni passaggio logico sia giustificato e che le conclusioni discendano dalle premesse.

Verificare ciò che il modello ha davvero dimostrato

Quando un LLM propone una soluzione, la questione più impellente è capire che cosa abbia realmente dimostrato. In passato questi modelli arrivavano persino a produrre ragionamenti circolari pur di assecondare una richiesta, per esempio se invitati a "dimostrare" che la Terra fosse piatta; oggi, in genere, sviluppano argomentazioni molto meglio strutturate. Tuttavia, non basta che un ragionamento sembri elegante o utilizzi termini matematici appropriati: bisogna controllare le ipotesi, verificare le implicazioni logiche e accertarsi che il risultato coincida con quello che si voleva dimostrare.

Una persona esperta nella ricerca matematica e nell'uso di questi modelli noterà anche difetti espositivi: domini delle variabili non sempre definiti, simboli superflui o utilizzati prima di averne chiarito il significato, talvolta le stesse variabili riutilizzate per indicare oggetti differenti. Sono problematiche che si riscontrano anche negli scritti di amatori e ricercatori poco abituati alla pubblicazione scientifica.

Un errore più insidioso consiste nel dimostrare un'affermazione leggermente diversa da quella originale, introducendo implicitamente una condizione aggiuntiva o trascurando casi limite. Esplicitare le condizioni nei prompt è quindi cruciale. Il modello può anche richiamare un risultato corretto e applicarlo in un contesto in cui le relative ipotesi non sono soddisfatte.

Per questo metto alla prova le conclusioni attraverso controlli numerici, ricerca di possibili controesempi e, quando opportuno, programmi di verifica indipendenti. Nessuna quantità finita di test sperimentali può sostituire una dimostrazione generale, ma questi controlli aiutano a individuare errori che altrimenti rischierebbero di propagarsi durante l'elaborazione di una dimostrazione rigorosa.

Per chi vuole i dettagli matematici: Lean 4
Oggi possiamo anche ricorrere a sistemi di formalizzazione come Lean 4, capaci di controllare (e validare!) rigorosamente la correttezza logica delle dimostrazioni espresse nel relativo linguaggio formale (Avigad et al., s.d.). È uno strumento di enorme valore, ma non risolve automaticamente ogni questione: occorre verificare che il problema formalizzato corrisponda a quello che intendevamo affrontare. Una dimostrazione formalmente valida, inoltre, non garantisce di per sé l'originalità scientifica del risultato.

Quali capacità continuare a coltivare

Si apre così una questione che considero particolarmente importante per la formazione dei futuri matematici: se deleghiamo sistematicamente agli LLM la formulazione delle congetture, la ricerca delle dimostrazioni e la loro interpretazione, come potranno gli studenti sviluppare le capacità autonome che, fino a pochissimo tempo fa, costituivano il fondamento della formazione matematica? Penso soprattutto alla capacità di visualizzare strutture, riconoscere regolarità, escogitare costruzioni originali e trasformare un'intuizione in un procedimento rigoroso. Sono abilità che richiedono esercizio, tentativi infruttuosi e spesso anni di lavoro.

Per fare un esempio personale, nell'affrontare una generalizzazione multidimensionale del celebre problema dei nove punti (da collegare con quattro segmenti consecutivi), concepii un algoritmo geometrico, che battezzai Clockwise-Algorithm, per costruire soluzioni ottimali in dimensione arbitraria (Ripà, 2020).

L'idea nacque ragionando sui vincoli geometrici del problema, anche attraverso intuizioni visive, fino a sviluppare una costruzione matematica generale. Non si trattò di applicare meccanicamente una formula nota, ma di elaborare una strategia originale attraverso ragionamenti e successivi perfezionamenti. Se non coltiviamo più autonomamente queste capacità, rischiamo di diventare sempre meno attrezzati per comprendere, valutare e sviluppare ciò che l'IA produce, ma anche di precluderci risultati che l'IA non riesce a ottenere e ai quali noi avremmo potuto arrivare con sano sforzo intellettuale e ulteriori tentativi.

«Credo quindi che, anche in questa fase di straordinaria accessibilità, la ricerca attiva con l'ausilio dell'intelligenza artificiale non debba trasformarsi in una delega acritica della comprensione e della responsabilità scientifica, che rimane in capo agli autori umani che firmano i manoscritti»

Uno strumento può anche essere più bravo di noi a trovare una soluzione, ma questo non significa che possiamo accettarla senza comprenderla... e, soprattutto, imparare a utilizzare efficacemente l'IA non è un processo automatico e indolore.

Riferimenti bibliografici

Mostra i 10 riferimenti

L'intervista comincia qui

Nella prima parte: imparare a modo proprio, dalla curiosità al metodo. Come si diventa ricercatori senza un percorso lineare.

Rubrica · Metadialoghi

Conversazioni su apprendimento, ricerca e pensiero critico

Le interviste di Starry Mind Academy raccolgono esperienze e riflessioni di persone impegnate nella ricerca e nella costruzione della conoscenza, per guardare non solo a che cosa fanno, ma a come imparano, come pensano e come sono arrivate fin qui.

Intervista sottoposta a revisione editoriale. Come lavoriamo

← Torna alle riflessioni

Opzioni di lettura