Avete presente quando lanciate un processo di scraping massivo su un database sperando di trovare qualche chicca, senza pensare che, una volta letti, quei dati non saranno più gli stessi? Ecco, l’intelligenza artificiale sta facendo esattamente questo con la matematica, ma su una scala che farebbe sembrare una miniera di carbone un giardinetto botanico.
Recentemente, il mitico Terence Tao — sì, proprio lui, uno che se la matematica fosse un supereroppo sarebbe tipo un mix tra Reed Richards e un computer quantistico — ha sollevato un dubbio che mi ha fatto venire i brividi. Il punto non è che l’IA sia intelligente (spoiler: lo è, ma con i suoi limiti), il punto è il modello di ‘estrazione’. Stiamo usando i Large Language Models per setacciare, risolvere e digerire problemi matematici a un ritmo folle. Il problema? Questi problemi sono risorse non rinnovabili.
Sembra un paradosso, lo so. La matematica non finisce, le equazioni non si esauriscono come il petrolio. Ma la vera risorsa sono le ‘sfide aperte’, quei nodi logici che richiedono intuizione, creatività e quel pizzico di sana follia umana che un algoritmo, per ora, si sogna. Se l’IA si limita a ‘minare’ i problemi esistenti, risolvendoli con la forza bruta del calcolo e rendendo tutto un grande database di soluzioni pre-masticate, rischiamo di trovarci in un loop di auto-referenzialità. Un mondo dove l’IA impara da problemi già risolti da altre IA, in un processo di degradazione della qualità che i soci della Silicon Valley chiamerebbero ‘ottimizzazione’, ma che noi chiameremmo semplicemente ‘entropia digitale’.
Non è che i problemi finiscano, è che la nostra capacità di generare nuove frontiere potrebbe ristagnare se smettiamo di usare il cervello per ‘creare’ e iniziamo solo a usare la potenza di calcolo per ‘estrarre’. È un po’ come se, invece di scrivere nuovi capitoli di un libro, usassimo un bot per riassumere compulsivamente quelli vecchi finché non rimane solo una lista di bullet point senz’anima.
Certo, qui non parliamo di una legge dell’UE che ci impone di spegnere i server, quindi non è una notizia che cambierà il vostro prossimo setup su Linux. Però, per chi ama il deep tech, il messaggio è chiaro: l’automazione del ragionamento è una figata pazzesca, ma se non stiamo attenti a come la implementiamo, potremmo finire per costruire un deserto di algoritmi perfettamente logici, ma totalmente privi di quella scintilla di scoperta che rende la scienza… beh, scienza.
Quindi, la prossima volta che vedete un paper che dice ‘risolto da GPT-X’, non celebrate troppo subito. Chiediamoci sempre: abbiamo imparato qualcosa di nuovo o abbiamo solo consumato un po’ di carburante mentale che avremmo potuto usare per esplorare l’ignoto?
Source: Tao: Open math problems being non-renewably mined by AI