L’episodio 10 del podcast di OpenAI ruota intorno a un’idea semplice e molto ambiziosa: usare i modelli più avanzati per accelerare in modo concreto il lavoro degli scienziati, portando l’equivalente di 25 anni di ricerca in circa 5 anni. Kevin Weil, che guida “OpenAI for Science”, e il fisico teorico Alex Lupsasca raccontano cosa i modelli come GPT-5 stanno già facendo oggi in matematica, fisica, astronomia, biologia, e come questo potrebbe trasformare la ricerca nei prossimi anni.
Kevin Weil spiega che il momento è particolare perché i modelli non si limitano a spiegare concetti o a risolvere esercizi noti: iniziano a produrre risultati nuovi, piccoli ma reali, oltre il confine di ciò che gli esseri umani avevano ancora scritto. È la fase delle “prove di esistenza”: dimostrazioni matematiche inedite, suggerimenti originali, collegamenti tra lavori distanti nel tempo, nelle lingue e nei campi. Nella sua esperienza dentro OpenAI vede una dinamica ricorrente: prima il modello “non riesce”, poi compaiono i primi casi borderline in cui “quasi ci arriva”, e in pochi mesi quell’attività diventa routine quotidiana.
Alex Lupsasca porta il punto di vista di chi era scettico. All’inizio del 2025 considerava ChatGPT utile per scrivere e correggere testi, ma lontano dal suo lavoro sui campi magnetici attorno a pulsar e simmetrie dei buchi neri. Poi chiede a un amico con accesso a un modello avanzato di far risolvere al sistema una somma infinita di polinomi di Legendre, legata a un’equazione differenziale complicata. Il modello “pensa” per oltre dieci minuti, scompone il problema in passi sensati, ritrova un’identità pubblicata in una rivista norvegese degli anni cinquanta e offre una soluzione elegante, sbagliando solo un fattore finale, facile da correggere. Per Alex il colpo di scena non è l’errore, è il fatto che il lavoro concettuale sia stato fatto in modo credibile, a un livello che lui stesso giudicava tipico di un dottorato avanzato.
Un’altra svolta per Lupsasca arriva con i buchi neri. Aveva appena scoperto nuove simmetrie di una certa equazione e propone a Mark Chen una sfida: trova le simmetrie senza suggerimenti. Al primo colpo il modello fallisce. Alex allora formula la “versione di riscaldamento” in uno spazio piatto semplificato; qui il modello trova le simmetrie conformi corrette, con tutti i generatori. A quel punto, nella stessa conversazione, Alex rimette la versione difficile. Il sistema elabora per circa 18 minuti e produce la risposta giusta, un calcolo che lui stesso considerava al limite delle proprie capacità, frutto di anni di formazione. Per qualche giorno rimane frastornato, poi decide di entrare in OpenAI proprio perché vuole essere dentro questa transizione.
Kevin Weil racconta anche una dimostrazione spettacolare da parte di un fisico dei laboratori di Lawrence Livermore, che lavorano sulla fusione. Questo ricercatore mostra a Weil una sequenza di problemi di fisica dei materiali: prima il livello da studente universitario, poi da laureato, poi da dottorando, poi da nuovo assunto al laboratorio, fino al livello di un esperto con vent’anni di esperienza. Il modello risponde con successo lungo tutto il percorso, fino a suggerire l’uso di specifici codici di simulazione che esistono solo al laboratorio. Un risultato che l’esperto poteva ottenere autonomamente, con tempi enormemente più lunghi. Il punto è la leva: se una persona può passare da due idee esplorate in una settimana a dieci vie esplorate in un’ora, la capacità di ricerca cambia natura.
Un altro filone forte dell’episodio è la ricerca in letteratura scientifica. Weil e Lupsasca raccontano casi in cui GPT-5 trova tesi di dottorato in tedesco o articoli in ambiti come l’economia, con terminologie completamente diverse, che però contengono l’idea chiave che un matematico o un fisico stava cercando. Il modello lavora a livello concettuale invece che per parole chiave, collega un’equazione alla nozione di “derivata di Schwarz” e poi alla “conformal bridge equation”, indicando armonie tra lavori che sarebbero rimasti nascosti. Questo aiuta i ricercatori ad ampliare il proprio raggio d’azione: approfondire la specializzazione e spingersi verso campi vicini senza perdere anni per colmare il gap di base.
Gli autori insistono molto sul fatto che lavorare con questi modelli richiede un metodo. Alle frontiere della conoscenza, sia per gli umani sia per i modelli, il “tasso di successo” è basso. Su problemi estremi il modello sbaglia spesso, come un ricercatore che tenta qualcosa al limite delle proprie competenze. Bisogna saper formulare versioni semplificate di un problema, usarle come riscaldamento, fare tentativi ripetuti, correggere gli errori del modello passo dopo passo. Kevin Weil sottolinea che oggi molte persone rinunciano dopo tre tentativi falliti, mentre a volte servirebbero dieci o venti run per intercettare l’unica traiettoria giusta. Uno degli obiettivi di ricerca in OpenAI consiste proprio nel ridurre questo onere, automatizzando la gestione di molti tentativi paralleli sullo stesso problema in modo invisibile all’utente.
Collegata a questo c’è l’idea del “tempo di pensiero”. I modelli migliori possono ragionare per decine di minuti su un singolo quesito, e la probabilità di risposta corretta cresce ampliando il tempo dedicato al problema, proprio come accade con le persone. Oggi per ragioni di costo quel tempo è limitato, ma per un numero ristretto di scienziati e problemi si può immaginare di concedere ore di calcolo continue, con l’aspettativa che questo apra la strada a risultati che le versioni “veloci” del modello non riuscirebbero nemmeno a sfiorare.
Nel podcast viene presentato anche il nuovo paper di OpenAI dedicato a GPT-5 e alla scienza. È un lavoro corale, con ricercatori interni e accademici esterni provenienti da matematica, fisica, astronomia, biologia, scienza dei materiali. Ogni sezione descrive un uso specifico del modello: accelerazione di calcoli complessi, ricerche bibliografiche non banali, supporto nella progettazione di esperimenti, fino ad alcuni risultati matematici nuovi, che avrebbero potuto tranquillamente reggere un articolo autonomo. La scelta è di mostrare sia ciò che funziona sia gli ambiti in cui il modello fatica, includendo i link alle conversazioni complete per rendere visibile il dialogo tra umano e sistema.
Sul fronte della valutazione, Weil ricorda il benchmark GPQA, che propone domande di livello dottorato in vari campi scientifici. Quando uscì nel 2023, GPT-4 stava intorno al 39 per cento, con gli umani in media al 70 per cento. Oggi i modelli più recenti sfiorano il 90 per cento, superando la competenza media dei dottori di ricerca in quasi tutti i campi considerati, pur affrontando contemporaneamente discipline diverse. Per questo servono prove sempre più difficili, comprese valutazioni orientate all’impatto economico reale come GDP-Val, che misura la capacità di svolgere compiti utili per il lavoro.
Guardando al futuro, i tre interlocutori distinguono l’orizzonte dei prossimi dodici mesi da quello dei prossimi cinque anni. Nell’anno che viene si aspettano cambiamenti profondi soprattutto nelle discipline “in silico”, dove tutta la ricerca si svolge su carta o in simulazione: matematica, fisica teorica, informatica. Nello stesso tempo iniziano a emergere applicazioni nei settori sperimentali: biologia, chimica, scienza dei materiali. Nei farmaci, per esempio, la forza dei modelli sta nel ridurre in modo intelligente lo spazio delle molecole candidate, selezionando quelle più promettenti prima di entrare nella fase costosa di test in laboratorio e nella lunga trafila regolatoria, che a sua volta può ricevere supporto nella scrittura e sintesi di documentazione complessa.
Sulla fusione nucleare, Weil vede un obiettivo ad altissimo impatto. Esistono già risultati positivi a Lawrence Livermore, quindi la domanda non è “se”, ma “quanto in fretta” si riuscirà a rendere la fusione affidabile e scalabile. Se i modelli riusciranno ad aiutare nella progettazione di esperimenti, nella scelta dei parametri, nell’ottimizzazione dei reattori, l’effetto sul mondo sarebbe enorme. Più energia a costo minore abilita desalinizzazione su vasta scala, nuove forme di trasporto, infrastrutture per il calcolo ad altissime prestazioni e molte altre innovazioni.
Un passaggio importante riguarda gli studenti e i giovani ricercatori, spesso preoccupati per il proprio futuro. Lupsasca riconosce che l’ansia in accademia nasce da tanti fattori organizzativi, mentre l’intelligenza artificiale entra in scena come uno strumento che può rendere la ricerca più efficiente e, paradossalmente, anche più divertente. Suggerisce di usarla per esplorare rapidamente tanti percorsi possibili su un problema, per avere una mappa preliminare dei tentativi e concentrarsi poi, da esseri umani, sulle vie che sembrano più fertili. Invece di sostituire lo scienziato, il modello funziona come collega instancabile che prova strade parallele e lascia lungo il cammino una serie di “cartelli” concettuali.
Verso la fine dell’episodio emerge una visione più ampia. Kevin Weil ipotizza che la forma più tangibile di AGI nella vita delle persone potrebbe arrivare proprio attraverso la scienza: cure personalizzate, energia abbondante, tecnologie oggi impensabili, tutte generate da un’accelerazione sistematica della ricerca di base. Alex Lupsasca sottolinea che i modelli continueranno a migliorare e che esiste già oggi un divario tra ciò che sono in grado di fare e l’uso che la comunità scientifica ne fa. La missione di OpenAI for Science punta a colmare questo divario: mettere un assistente scientifico avanzato nelle mani di quante più persone possibile, in tutti i campi, lasciando che siano le comunità di pratica a scoprire dove avverranno i prossimi salti in avanti.
Il dialogo si chiude con un’immagine forte: una sorta di “Science 2.0”, in cui umani e intelligenza artificiale lavorano insieme sui bordi frastagliati della conoscenza. L’idea è affiancare chi fa ricerca e ampliarne il raggio d’azione. Se tra dieci o vent’anni molti Nobel saranno stati vinti grazie a risultati resi possibili da collaborazioni con questi strumenti, allora la scommessa di oggi avrà avuto senso.
