Una dimostrazione può essere corretta, verificabile e troppo estesa perché una persona ne segua ogni dettaglio. Il caso Alpöge-Claude riapre una questione che riguarda il significato stesso della conoscenza matematica. Dopo aver chiesto alle AI di risolvere un problema, potremmo dover affidare loro un secondo compito, altrettanto impegnativo: aiutarci a comprendere la soluzione.
Un viaggiatore arriva nello studio di Bernhard Riemann con una notizia attesa da generazioni. La congettura sui numeri primi ha finalmente una dimostrazione. Il matematico chiede di leggerla. A quel punto il visitatore deve spiegare che il materiale occupa centinaia di migliaia di pagine e che la verifica è stata affidata a strumenti capaci di controllare quantità di passaggi enormemente superiori a quelle affrontabili, nello stesso tempo, da una persona.
La scena appartiene a un esperimento mentale. Serve a porre una domanda concreta. Che cosa potremmo consegnare a Riemann perché possa riconoscere la soluzione attraverso il proprio ragionamento? Un manoscritto da studiare con i colleghi avrebbe un significato immediato. Una macchina che annuncia il successo richiederebbe prima una spiegazione del suo funzionamento e delle ragioni per cui merita fiducia. Una biblioteca di deduzioni, pur corrette, potrebbe superare il tempo che egli ha a disposizione.
Il punto è la distanza possibile tra disporre di una dimostrazione e riuscire a comprenderla. L’AI rende questa distanza particolarmente interessante perché potrebbe accelerare la produzione di risultati rigorosi più di quanto riesca ad accelerare la nostra capacità di assimilarli. Per capire che cosa comporterebbe, occorre distinguere la correttezza di una prova, la sua lunghezza e il tipo di comprensione che cerchiamo.
La domanda di Riemann
Riemann aveva affrontato una domanda sulla distribuzione dei numeri primi, i numeri interi maggiori di uno divisibili soltanto per uno e per sé stessi. Procedendo lungo la successione degli interi, la loro presenza alterna intervalli brevi e intervalli più ampi. La matematica dispone di formule che descrivono quanti primi ci si può aspettare entro una certa grandezza. L’ipotesi di Riemann riguarda il controllo dello scarto fra queste descrizioni e il conteggio effettivo.
La sua formulazione passa attraverso la funzione zeta, un oggetto matematico strettamente collegato ai primi. Una funzione associa a un valore un altro valore; in questo caso gli argomenti sono numeri complessi, descrivibili attraverso due coordinate. Gli zeri sono i punti in cui la funzione assume valore zero. L’ipotesi afferma che tutti quelli chiamati «non banali» hanno la stessa coordinata orizzontale, pari a un mezzo. Nel piano dei numeri complessi, giacciono quindi su una medesima retta verticale. Questa proprietà avrebbe conseguenze profonde sulla precisione con cui possiamo descrivere la distribuzione dei primi.
Nel suo lavoro dell’Ottocento, Riemann considerava molto probabile quella proprietà e raccontava di avere temporaneamente accantonato la ricerca di una dimostrazione rigorosa dopo alcuni tentativi infruttuosi. Il testo lascia aperta la questione di quanto lunga avrebbe potuto essere una soluzione. Attribuirgli l’aspettativa certa di una prova breve significherebbe aggiungere alla storia qualcosa che quel documento non stabilisce. Il nostro incontro immaginario serve proprio a esplorare una possibilità, senza pretendere di conoscere la sua reazione.

Che cosa è stato verificato nel caso Alpöge-Claude
La riflessione ha acquistato attualità con la nota pubblicata sul sito del matematico Levent Alpöge, che dichiara di avere trovato insieme a Claude una dimostrazione dell’ipotesi di Riemann e di una sua generalizzazione alle funzioni L di Dirichlet, oggetti affini alla funzione zeta. Alpöge racconta anche un tentativo di esposizione tradizionale arrivato a oltre duecentocinquantamila pagine. Ha scelto di rendere disponibile la formalizzazione in Lean e annuncia l’intenzione di lavorare alla comprensione e alla presentazione dell’argomento.
Quelle pagine descrivono la dimensione raggiunta da una particolare stesura. L’autore si aspetta esplicitamente semplificazioni molto consistenti. Separatamente, un archivio pubblico del materiale distribuito riporta oltre diciassette milioni di righe di sorgente Lean. Il conteggio riguarda l’insieme dei file e delle costruzioni contenute nel progetto. Una riga di codice, un passaggio logico e una pagina di esposizione sono unità diverse, prive di una corrispondenza diretta.
Lo stato concreto della vicenda richiede inoltre una precisazione. Nell’aggiornamento serale del venti novembre duemilaventisei, Andrew Sutherland, al MIT, riferisce controlli indipendenti con esito positivo sulla compilazione, sugli assiomi utilizzati e sulla verifica formale, compresa l’accettazione della prova esportata da parte di un verificatore indipendente. Altre verifiche risultavano ancora in corso. Questi risultati riguardano gli enunciati formalizzati e le condizioni indicate nel resoconto; la loro assimilazione matematica richiede un lavoro ulteriore.
Per sviluppare la questione generale possiamo dunque adottare un’ipotesi esplicita. Supponiamo di avere una dimostrazione corretta, controllata adeguatamente e disponibile in una forma molto estesa. Lasciamo aperta la possibilità di migliorarla. La domanda diventa quale conoscenza abbiamo acquisito, quale comprensione possediamo già e quale lavoro resti da compiere.
Come funziona una dimostrazione formale
Una dimostrazione matematica collega una conclusione a premesse dichiarate attraverso deduzioni valide. Chi la legge deve poter riconoscere perché ciascun passaggio segue da ciò che lo precede o da risultati già stabiliti. Verificare molti casi particolari può suggerire una regolarità. Una dimostrazione generale stabilisce che essa vale per tutti gli oggetti ai quali si riferisce, anche quando sono infinitamente numerosi e nessuna raccolta finita di esempi potrebbe esaurirli.
La scrittura matematica abituale utilizza continuamente conoscenze condivise. Un articolo richiama un teorema precedente, introduce un risultato intermedio e omette operazioni che il lettore competente può ricostruire. Questi risultati intermedi vengono spesso chiamati lemmi. Consentono di organizzare un ragionamento complesso e di riutilizzarne le parti. La lunghezza stampata dipende quindi anche da ciò che l’autore considera già noto al proprio pubblico.
La formalizzazione richiede che definizioni, ipotesi e inferenze siano espresse con una precisione sufficiente a consentirne il controllo automatico. Anche qui si possono riutilizzare librerie di risultati già dimostrati. Lean offre un linguaggio per scrivere queste costruzioni e strumenti che aiutano a svilupparle. Il suo sorgente viene letto e scritto da persone; la difficoltà di un progetto immenso dipende dalla scala e dall’organizzazione del materiale, oltre che dalla matematica coinvolta.
Occorre distinguere il sistema che cerca una dimostrazione dal componente che ne controlla la validità. Un’AI può proporre strategie e costruire passaggi. In Lean, gli strumenti di elaborazione producono un oggetto di prova che viene sottoposto a un componente relativamente piccolo, chiamato kernel. Quest’ultimo verifica il rispetto delle regole logiche. La creatività necessaria a trovare il percorso e la regolarità richiesta per controllarlo svolgono funzioni differenti.
La fiducia nel risultato si fonda così su una procedura esaminabile e ripetibile. Gli oggetti di prova possono essere esportati e controllati anche da verificatori indipendenti. Resta essenziale accertare che l’enunciato scritto nel sistema corrisponda al problema desiderato e che le premesse utilizzate siano quelle ammesse. Una prova certifica infatti una conclusione rispetto alle proprie basi logiche. La correttezza della traduzione del problema fa parte del lavoro matematico.
Un controllo formale può quindi riguardare una dimostrazione finita di un’affermazione che copre infiniti casi. Il computer esamina le deduzioni attraverso cui si arriva alla conclusione generale. Nel caso di Riemann, controllare un enorme insieme di zeri della funzione zeta e controllare una prova dell’ipotesi sono operazioni differenti. La seconda, se completa e corretta, stabilisce il risultato anche per i casi che nessuno ha calcolato singolarmente.
Nel nostro esperimento, quindi, avremmo qualcosa di più preciso da presentare a Riemann rispetto a una semplice dichiarazione della macchina. Potremmo spiegargli le regole del verificatore, il significato dell’enunciato formalizzato e il modo in cui i controlli vengono ripetuti. Una persona può comprendere il principio di una verifica anche quando eseguirla integralmente a mano richiederebbe tempi proibitivi. Questa possibilità conserva un fondamento razionale alla fiducia nel risultato.
I diversi livelli della comprensione
Il problema posto dall’esperimento mentale, tuttavia, rimane. Conoscere le ragioni per fidarsi di un controllo automatico lascia aperta una domanda diversa. Quale idea tiene insieme la dimostrazione? Dove si trova il passaggio decisivo? Quali proprietà del problema lo rendono possibile? Sono domande attraverso cui il matematico cerca di trasformare un risultato accertato in una conoscenza che sappia padroneggiare e utilizzare.
La comprensione ha più livelli. Si può conoscere la strategia generale di una prova senza ricordarne tutti i dettagli. Si possono comprendere perfettamente alcuni lemmi e affidarsi al lavoro di altri specialisti per quelli più lontani dalle proprie competenze. Si può anche leggere ogni passaggio e restare insoddisfatti, perché la ragione profonda del risultato continua a sfuggire. La quantità di materiale e la qualità della spiegazione sono collegate in modi che il semplice conteggio delle pagine lascia aperti.
Una dimostrazione enorme può avere una struttura generale chiara e una parte esecutiva molto laboriosa. In quel caso comprendere la struttura e verificare ogni dettaglio sono obiettivi separabili. Una prova più breve può invece dipendere da concetti tanto sofisticati da richiedere anni di preparazione. Per valutare la distanza dalla comprensione umana dobbiamo chiedere quale pubblico consideriamo, quali conoscenze possiede e che cosa vogliamo permettergli di fare con il risultato.
Il precedente del teorema dei quattro colori
La matematica ha già incontrato situazioni di questo genere. Il teorema dei quattro colori afferma che una mappa piana, nelle condizioni matematiche previste, può essere colorata con quattro colori facendo in modo che regioni confinanti lungo un tratto abbiano colori diversi. Il contatto in un solo punto è escluso da questa condizione. L’enunciato è accessibile anche a chi ha poca familiarità con la disciplina. Dimostrarlo per tutte le mappe possibili è un’altra impresa.
Negli anni Settanta, Kenneth Appel e Wolfgang Haken ottennero una dimostrazione che affidava al computer un’ampia analisi di casi. Successivamente Georges Gonthier realizzò una formalizzazione completa attraverso l’assistente di prova Coq. Il suo resoconto ricorda anche l’attesa di una dimostrazione elegante, capace di rendere evidente la ragione del risultato. La discussione sul rapporto fra verifica e spiegazione precede dunque le AI generative. L’AI potrebbe ampliarla partecipando direttamente alla ricerca delle idee e alla costruzione delle prove.

Che cosa sappiamo sulla lunghezza delle prove
La questione tecnica più impegnativa riguarda la lunghezza minima. Quando troviamo una dimostrazione di un certo numero di pagine, sappiamo che il problema può essere risolto usando quella quantità di materiale. In termini matematici abbiamo un limite superiore alla lunghezza necessaria. Per stabilire che una prova così estesa sia inevitabile, dovremmo invece escludere tutte le possibilità più brevi consentite dalle regole che abbiamo scelto. È una richiesta molto più forte.
La proof complexity, o complessità delle dimostrazioni, studia proprio aspetti di questo problema. Un suo ambito centrale confronta le dimensioni delle prove in diversi sistemi formali, cioè insiemi definiti di linguaggi e regole di deduzione. La precisazione è decisiva. La domanda sulla dimostrazione più breve acquista un significato matematico preciso quando abbiamo stabilito che cosa si può usare e come misuriamo il risultato.
Contare i passaggi può dare una misura diversa dal contare tutti i simboli che contengono. Una singola riga potrebbe richiamare un teorema difficile, sviluppato altrove attraverso molto lavoro. Anche il vocabolario disponibile conta. Se introduciamo un concetto che raccoglie proprietà già dimostrate, molte ripetizioni possono scomparire dall’esposizione. Una comparazione seria deve rendere esplicite queste convenzioni, altrimenti rischia di misurare soprattutto quanto materiale è stato lasciato fuori dalla pagina.
Anche le premesse vanno tenute sotto controllo. Assumere direttamente come vera la conclusione permetterebbe di scrivere pochissimo, lasciando però irrisolta la richiesta di dimostrarla dalle basi iniziali. Una nuova definizione che organizza risultati già acquisiti e una nuova ipotesi accettata senza prova hanno effetti diversi. Valutare una semplificazione significa accertare anche che cosa continua a essere dimostrato e a quali condizioni.
Un risultato classico di Armin Haken riguarda formule che esprimono il principio dei cassetti. Se distribuiamo più oggetti che cassetti, almeno un cassetto deve contenere più di un oggetto. L’idea è elementare. Eppure, in un particolare sistema di deduzione chiamato risoluzione, le prove di certe formulazioni di questo principio diventano estremamente lunghe al crescere del problema. Un sistema più ricco, la risoluzione estesa, consente prove molto più contenute. Il confronto mostra quanto la lunghezza possa dipendere dalle regole disponibili, persino quando il contenuto intuitivo appare semplice.
Questo genere di risultati aiuta a formulare domande rigorose. Per una determinata famiglia di enunciati possiamo cercare di dimostrare che, usando certe regole, ogni prova deve superare una certa dimensione. Il risultato resta riferito al sistema studiato. Trasformarlo in una dichiarazione sui limiti assoluti della mente umana richiederebbe argomenti ulteriori, perché gli esseri umani possono anche cambiare linguaggio, organizzare nuove teorie e modificare il livello al quale affrontano un problema.
Quanto costa cercare una prova più breve
Esiste poi una distinzione utile fra possibilità teorica e fattibilità pratica. Supponiamo di possedere già una prova valida. Fissiamo un linguaggio con un alfabeto finito, misuriamo la lunghezza contando tutti i simboli e adottiamo una procedura di verifica che termini per ogni candidato. In linea di principio possiamo esaminare tutti i testi più corti della prova disponibile e verificare quali dimostrino lo stesso enunciato. Le possibilità sono finite. Una ricerca esaustiva permetterebbe quindi di stabilire se esista una prova più breve e di trovare quella minima secondo le convenzioni adottate.
Il costo di questa ricerca può però crescere oltre qualsiasi disponibilità concreta di tempo e calcolo. Sapere che un procedimento terminerà, in linea di principio, lascia del tutto aperta la possibilità di eseguirlo. Inoltre, la prova minima così individuata potrebbe essere poco adatta alla lettura. L’algoritmo avrebbe ottimizzato la misura stabilita, senza ricevere per questo un criterio universale di chiarezza o di bellezza matematica.
Manca dunque una garanzia generale che ogni dimostrazione lunga possa essere trasformata in una dimostrazione breve e comprensibile da una persona. Le semplificazioni vanno cercate e valutate caso per caso. Allo stesso tempo, il fallimento dei nostri tentativi di abbreviare una prova lascia aperta l’esistenza di un’intuizione ancora sconosciuta. Affermare che una costruzione è irriducibile richiede molto più della constatazione che finora nessuno sia riuscito a migliorarla.
Quando una prova è elegante
È a questo punto che il concetto di eleganza acquista un significato concreto. I matematici lo usano con sensibilità differenti, spesso per indicare una soluzione che ottiene molto attraverso poche idee ben scelte. Una dimostrazione elegante può rendere visibile una relazione nascosta, spiegare perché certe ipotesi sono decisive e suggerire come estendere il risultato. La soddisfazione che produce accompagna un guadagno di comprensione.
Un esempio elementare aiuta a distinguere il risultato dalla spiegazione. Per sommare tutti gli interi da uno a cento possiamo eseguire le addizioni in successione. Possiamo anche accoppiare il primo numero con l’ultimo, il secondo con il penultimo e continuare allo stesso modo. Ogni coppia ha somma centouno e le coppie sono cinquanta. La disposizione rende subito riconoscibile una regolarità e suggerisce un metodo applicabile a successioni più lunghe. Il valore dell’idea sta anche nella possibilità di riutilizzarla.
Questo esempio descrive un caso favorevole. Per problemi profondi, scoprire una struttura altrettanto illuminante può richiedere nuove teorie, oppure restare fuori dalla nostra portata. L’aspettativa di eleganza orienta la ricerca; la sua soddisfazione dipende da ciò che riusciamo effettivamente a trovare. La bellezza percepita può suggerire una direzione promettente, mentre la validità continua a richiedere una dimostrazione.
Anche l’idea di semplificazione va precisata. Un testo può diventare più breve eliminando spiegazioni, e risultare per questo meno accessibile. Un’esposizione didattica può allungarsi e rendere finalmente comprensibile un passaggio essenziale. Il progetto più interessante consiste nel ridurre il numero di idee indipendenti che il lettore deve coordinare, esplicitare le dipendenze e mostrare il ruolo di ogni parte. La brevità tipografica è soltanto una delle misure possibili.

Un secondo compito per l’AI
Per un sistema di AI, questi obiettivi dipendono dal compito assegnato. Se il criterio di successo richiede di produrre una prova formalmente valida, una costruzione molto estesa può soddisfarlo. L’eventuale richiesta di chiarezza introduce una condizione ulteriore. Sarebbe però improprio attribuire all’AI una necessaria indifferenza verso l’eleganza. Possiamo progettare la ricerca perché privilegi prove brevi, strutture riutilizzabili o esposizioni valutate positivamente da lettori competenti.
Da qui nasce un possibile secondo compito. Dopo aver ottenuto la dimostrazione, chiedere al sistema di individuare le idee centrali e cercare una nuova esposizione che permetta a un matematico di seguirle con i propri strumenti concettuali. Il pubblico deve essere definito. Una spiegazione destinata a uno specialista può dare per acquisiti risultati che uno studente deve ancora apprendere. Il testo per un lettore generalista avrà un altro obiettivo, chiarire il significato e la struttura della scoperta senza pretendere di sostituirne lo studio tecnico.
Nel caso più ambizioso, l’AI potrebbe trovare una dimostrazione diversa, molto più breve. In altri casi potrebbe organizzare meglio quella esistente, distinguendo pochi lemmi essenziali dalle verifiche ripetitive. Potrebbe anche identificare una proprietà generale che spiega insieme passaggi inizialmente trattati in modo separato. Ogni rielaborazione avrebbe bisogno di conservare un collegamento controllabile con le conclusioni e le ipotesi della prova originale.
Il risultato desiderabile sarebbe qualcosa che un ricercatore possa studiare, discutere e insegnare. Per arrivarci potrebbero servire esposizioni a più livelli, da una descrizione della strategia fino ai dettagli specialistici. La parte formalizzata continuerebbe a offrire la possibilità di controllare con precisione i passaggi. L’esposizione umana aiuterebbe a scegliere quali idee portare in una lezione e quali questioni approfondire attraverso nuova ricerca.
Questo lavoro avrebbe valore scientifico anche oltre la sua funzione didattica. Un principio isolato con chiarezza può essere applicato a un problema diverso. Una dipendenza resa esplicita può suggerire come indebolire un’ipotesi. Una dimostrazione riorganizzata può far emergere una connessione fra teorie sviluppate separatamente. La comprensione rende la conoscenza più utilizzabile, tanto per le persone quanto per sistemi automatici impegnati in ricerche successive.
Il desiderio dei matematici di continuare a partecipare direttamente alla ricerca incontra quindi una ragione sostanziale. Comprendere consente di formulare domande migliori, valutare la portata di un risultato e riconoscere sviluppi promettenti. L’insegnamento contribuisce a questo processo perché costringe a chiarire i prerequisiti e l’ordine delle idee. La richiesta di una prova accessibile può aprire un autentico programma di ricerca dopo il raggiungimento della validità formale.
I limiti della comprensione umana
Resta possibile che alcune costruzioni offrano una comprensione soltanto parziale. Potremmo ottenere una visione chiara della strategia, conservando una parte molto ampia di verifica automatica. Potremmo anche incontrare risultati per i quali, almeno con le conoscenze disponibili, manca una spiegazione che gli specialisti giudichino soddisfacente. In entrambi i casi avremmo acquisito qualcosa, e avremmo ancora un problema aperto sul piano della comprensione.
La prospettiva più radicale sarebbe una dimostrazione che resista stabilmente a ogni tentativo di diventare accessibile alla mente umana. È una possibilità da discutere con precisione. I limiti inferiori dimostrati per certi sistemi formali riguardano regole e misure definite. La comprensione umana dipende anche dalla formazione e dall’organizzazione delle idee. La sola esistenza di un archivio gigantesco è quindi insufficiente a stabilire che abbiamo incontrato un confine cognitivo definitivo.
Se il numero di prove disponibili crescesse molto più rapidamente della loro assimilazione, il lavoro matematico potrebbe distribuirsi in modo nuovo. Alcuni ricercatori si concentrerebbero sulle questioni da affrontare e sulla valutazione dei risultati. Altri lavorerebbero alla loro struttura concettuale e alla trasmissione. La collaborazione con le AI potrebbe intervenire in entrambe le attività. Il grado di partecipazione umana dipenderebbe anche dalla qualità degli strumenti costruiti per rendere i risultati esplorabili.
Che cosa potremmo consegnare a Riemann
Torniamo allora nello studio di Riemann. Il manoscritto ideale da consegnargli sarebbe quello che rende possibile una verifica intellettuale alla sua portata, magari dopo un periodo di studio condiviso. Una prova apparentemente breve potrebbe richiedere l’apprendimento di molta matematica successiva alla sua epoca. Una prova estesa potrebbe invece possedere un’idea centrale che egli riconoscerebbe. Anche nel viaggio immaginario, il numero delle pagine da solo lascia aperta la risposta.
Il visitatore avrebbe comunque un compito preciso. Esporre le ragioni per considerare il risultato dimostrato e poi cercare di comunicarne il contenuto matematico. La prima parte potrebbe riuscire grazie a controlli formali rigorosi. La seconda richiederebbe di trovare il linguaggio e le idee adatti al proprio interlocutore. Il successo di una di queste attività renderebbe l’altra ancora più interessante.
L’AI potrebbe portarci in una situazione in cui ottenere una dimostrazione verificabile richiede meno lavoro che ricavarne una spiegazione soddisfacente per gli esseri umani. È una prospettiva, e il caso concreto da cui siamo partiti lascia aperta la possibilità di semplificazioni profonde. La questione generale conserva però il suo significato. La crescita della matematica potrebbe richiedere un impegno sempre più esplicito per trasformare risultati certificati in idee condivise.
In questo scenario l’eleganza avrebbe una funzione molto concreta. Aiuterebbe a rendere riconoscibili le relazioni essenziali e a mantenere la conoscenza insegnabile, discutibile e feconda. Dopo aver chiesto alle AI di trovare una prova, potremmo affidare loro un’altra ricerca, insieme ai matematici. Cercare il modo in cui quella prova possa diventare parte del nostro ragionamento. Anche questo sarebbe un risultato da conquistare.
Fonti
- Levent Alpöge, nota sull’ipotesi di Riemann e sul lavoro svolto con Claude. Fonte del resoconto dell’autore, della stesura di oltre duecentocinquantamila pagine e dell’attesa di successive semplificazioni.
- Andrew Sutherland, MIT, Verification files for the Lean proof of the Riemann Hypothesis. Stato dei controlli formali, risultati ottenuti e verifiche ancora in corso nell’aggiornamento del venti novembre duemilaventisei.
- Archivio pubblico del materiale Lean attribuito alla dimostrazione di Alpöge. Copia del materiale distribuito, con conteggi relativi ai sorgenti; il repository precisa di essere distinto dai risultati delle verifiche.
- Clay Mathematics Institute, Riemann Hypothesis. Formulazione del problema e rapporto con la distribuzione dei numeri primi.
- Clay Mathematics Institute, il manoscritto originale di Riemann, con traduzione inglese di David R. Wilkins. Testo originale e passaggio dedicato alla ricerca di una dimostrazione.
- Lean, Validating a Lean Proof, e FAQ ufficiali. Oggetti di prova, kernel, controllo delle premesse e corrispondenza fra enunciato formalizzato e problema desiderato.
- Stephen A. Cook e Robert A. Reckhow, The Relative Efficiency of Propositional Proof Systems. Lavoro fondativo sul confronto fra lunghezze delle prove in sistemi formali differenti.
- Armin Haken, The intractability of resolution. Limiti sulla lunghezza delle prove per formulazioni del principio dei cassetti e confronto con la risoluzione estesa.
- Georges Gonthier, A computer-checked proof of the Four Colour Theorem. Formalizzazione del teorema dei quattro colori e discussione del rapporto fra verifica, spiegazione ed eleganza.
- Fonti iconografiche: ritratto di Bernhard Riemann, pubblico dominio; mappa a quattro colori di Inductiveload, da un originale di chas zzz brown, licenza Creative Commons Attribuzione – Condividi allo stesso modo.
