L'AI divora la scienza: cosa dicono davvero i risultati più recenti

Il paper è il NBER Working Paper 35.782, datato settembre 2.026, e il 29 settembre è comparso sul sito dell'ufficio. Gli autori, Matthew Schwartz, Isaiah Andrews e Jesse M. Shapiro, spiegano come funziona il flusso di lavoro: prima prova a riprodurre i calcoli originali di un articolo, poi verifica le discrepanze con i risultati pubblicati, infine esegue un'analisi di sensibilità automatizzata.

I pacchetti di replica esaminati sono 4.452, pubblicati da cinque riviste di economia. In 3.460 articoli, o nei loro allegati, il flusso di lavoro ha segnalato discrepanze. Non significa che la maggior parte della ricerca economica sia sbagliata. Significa che una ri-esecuzione automatica spesso non coincide con quanto è stato stampato: per un errore di codice, per una versione diversa dei software o per una scelta non documentata. Lo stesso paper riporta altri due numeri. In 496 articoli il flusso di lavoro ha ridotto il tempo di calcolo di oltre dieci volte, con accuratezza simile o superiore. In 923 articoli ha prodotto un'estensione che non compare nell'articolo originale ed è coerente con gli obiettivi e le ipotesi dell'articolo stesso.

Una dichiarazione onesta dentro il paper

C'è una dichiarazione da leggere prima di citare ovunque questi risultati. Il paper NBER afferma che nell'analisi e nella stesura dell'articolo sono stati usati LLM. Schwartz ha lavorato come collaboratore esterno per Anthropic, e il paper precisa che i risultati e le opinioni non sono avallati da Anthropic. Shapiro in passato è stato visiting retribuito presso Microsoft Research New England e consulente retribuito per FutureOfCapitalism, ed è stato pagato per scrivere dal New York Times. È più trasparenza di quanta ne portino quasi tutti gli annunci del settore, e vale nei due sensi: i lettori possono pesare i conflitti di interesse, e i conflitti esistono davvero.

I matematici discutono della stessa cosa

Due interventi pubblicati il 29 settembre affrontano la questione dal lato della matematica pura. Sul suo blog Dan Romik scrive che, dopo l'annuncio di OpenAI di una soluzione al problema di Navier-Stokes, i matematici temono per il ruolo che resterà loro. Cita la reazione di Scott Aaronson alla notizia, una fila di lettere A, e poi sostiene che la lettura ansiosa è sbagliata.

La ricerca matematica è un ciclo di retroazione che genera nuova conoscenza in un processo costante di riesame, digestione e distillazione del sapere esistente e di tentativi di migliorarlo, scrive Romik.

La sua tesi tecnica è più stretta della versione da titolo di giornale. I modelli di AI addestrati sul corpus esistente possono generare teoremi che stanno, come dice lui, a distanza uno dalla conoscenza prodotta dagli esseri umani, e lo faranno più in fretta di quanto le persone riescano a fare. Quello che non possono fare, sostiene, è riflettere su quell'output, semplificarlo, estrarre il motivo per cui una dimostrazione funziona e generalizzare l'idea perché sia riutilizzabile. Lasciato a se stesso, prevede, un sistema autonomo si blocca dopo la prima ondata e affoga nel proprio output.

Stephen Wolfram sviluppa un argomento vicino in un lungo post datato 28 settembre e pubblicato il 29 settembre. Scrive che l'AI moderna è innanzitutto un modo di attingere al corpus esistente della conoscenza umana, e che al centro della matematica pura c'è l'immaginazione umana che guida la scelta delle domande da porre. Wolfram traccia anche una linea tra AI e calcolo. L'AI, nella sua lettura, estrae ciò che gli esseri umani hanno già prodotto. Il calcolo, che parte da una regola e la esegue, genera risultati irriducibilmente nuovi, una proprietà che chiama irriducibilità computazionale.

Il livello industriale si muove in parallelo

I risultati della ricerca arrivano insieme ad annunci commerciali che trattano la ricerca autonoma come una funzione di prodotto. CoreWeave ha pubblicato il 29 settembre un post che presenta ARIA, un agente di programmazione integrato in Weights & Biases. ARIA legge gli esperimenti di un team, formula un'ipotesi, scrive una configurazione e avvia l'esecuzione tramite W&B Launch, poi valuta il risultato rispetto a una baseline e prepara una bozza di report.

L'azienda dice che ARIA costruisce workspace, pannelli e report condivisibili su W&B invece di restituire testo, e che è disponibile nell'app mobile di Weights & Biases. Il post era stato pubblicato in origine sul blog di W&B il 29 luglio, secondo una riga in cima alla pagina, e il sito di CoreWeave lo riporta con data di settembre. Oracle ha fatto una mossa simile il 29 settembre, annunciando Fusion Claw, un runtime di esecuzione agentica governata per le sue Fusion Applications. L'azienda dice che sono disponibili 25 applicazioni agentiche basate su Claw, parte di un portafoglio di 75, e che il runtime combina un modello di frontiera con il calcolo aziendale deterministico, con un Outcome Receipt come registro verificabile di ciò che è stato eseguito. L'annuncio di Oracle cita Mike Sicilia, amministratore delegato dell'azienda. I sistemi girano su Oracle Cloud Infrastructure e sono alimentati da modelli di frontiera tra cui Gemini e OpenAI, con il supporto per altri previsto, secondo il comunicato stampa.

L'hardware insegue lo stesso problema dal lato dell'energia. Efficient Computer ha dichiarato il 29 settembre di aver raccolto 97.000.000 di dollari in un round Serie B guidato da TQ Ventures, portando il totale a 173.000.000 di dollari su una valutazione di 650.000.000. L'amministratore delegato Brandon Lucia scrive che i processori dell'azienda garantiscono un'efficienza energetica da 10 a 100 volte migliore rispetto alle architetture CPU tradizionali, e che l'azienda sta lanciando in volumi l'Electron E1 per sistemi embedded di AI fisica. L'affermazione viene dal blog dell'azienda e non è stata verificata in modo indipendente.

Energia, acqua e i luoghi chiamati a ospitarla

L'espansione del calcolo ha una geografia, e la geografia ha una politica. CBC News ha riferito il 29 settembre che il ministro dell'Energia di Terranova e Labrador, Lloyd Parrott, ha detto alla House of Assembly durante una sessione speciale sull'accordo di Churchill Falls a metà settembre che la porta della provincia è aperta agli affari. Un portavoce del ministero, Brodie Thomas, ha confermato a CBC che il governo è stato contattato da aziende in merito ai data centre, e ha detto che non si poteva commentare discussioni commercialmente sensibili. CBC cita Paris Marx, autore di un libro sui data centre, che si chiede se abbia senso destinare quell'elettricità ai data centre quando potrebbero esserci usi migliori. Andrea King, amministratrice delegata di TechNL, ha detto all'emittente che il Labrador soddisfa i criteri cercati dai proponenti, idroelettrico a basse emissioni, clima freddo e terreno, ma che questo da solo non rende buona un'iniziativa.

Il dibattito non è solo canadese. CBC osserva che il data centre pianificato da Meta nella contea di Sturgeon, in Alberta, dovrebbe costare 13.000.000.000 di dollari ed entrare in funzione in due o tre anni, e che il premier della Nuova Scozia, Tim Houston, ha fissato cinque condizioni di partenza per qualsiasi proponente. L'aritmetica energetica dietro tutto questo è vecchia e fuori moda. Sustainable Energy Without the Hot Air di David MacKay, il cui sito riporta come ultima modifica il 29 agosto 2.015, resta il trattamento standard da foglio di carta, e la pagina il 29 settembre continuava a emergere nelle ricerche.

Un trattamento più recente arriva da Hannah Ritchie, che il 29 settembre ha pubblicato sul suo Substack un'analisi dell'elettrificazione. Lavorando sui numeri del professor Nick Eyre di Oxford, riferisce che la domanda finale globale di energia scende da 416 a 247 exajoule in un sistema post-transizione, circa il 40% in meno, mentre la domanda di elettricità sale da 110 a 189 EJ. Le auto elettriche convertono in movimento circa l'80% dell'energia contro il 20% della benzina, scrive. Il modello presuppone che tutti i settori non elettrificati funzionino a idrogeno, e lei segnala che si tratta di una semplificazione.

Cosa ha stabilito davvero la settimana

Niente di tutto questo dimostra che l'AI abbia sostituito i ricercatori. Il paper NBER è un lavoro su un flusso di replica, non un'affermazione sulla scoperta. L'argomento di Romik è una previsione, non un risultato, e lui dice chiaramente di non credere che siamo già in quel mondo. Quello di Wolfram è un saggio. Ciò che la settimana ha stabilito è che gli strumenti per la replica e l'estensione automatica di lavori pubblicati esistono ormai allo scoperto, che il loro tasso di errore su un corpus ampio è abbastanza alto da contare, e che chi costruisce l'infrastruttura commerciale vende autonomia su tempi molto più brevi di chi riflette su a cosa serve l'autonomia.